数据分析项目该怎样深入？这项工作可以以什么角度深入开展？本文根据深入程度将数据分析工作分为5个层级，分别举例介绍了不同层级的数据分析工作如何开展，从需求到逻辑，为读者展示了清晰地数据分析思路。适合关注数据分析的小伙伴阅读，希望对你有所帮助。

很多同学总觉数据分析做得不深入，PPT里写来写去只有同环比，到底该怎么做？今天结合一个具体的例子，分享下如何做一个深入的数据分析项目。

一、深入级别：0级

某天，你收到一个需求：“看下我司APP新增的A功能，过去5天内累计使用1+次的人有多少（去重）”。这问题太简单了，直接跑个数丢过去即可，“过去5天累计使用人数10000人”搞掂。

(相关资料图)

但是这种分析完全不深入，甚至压根不能叫“分析”，这就是提个数而已。确实，当需求是很具体的取数指标+统计时间的时候，这就是取个数，第0级深入就是如此。

二、深入级别：1级

某天，你又收到一个需求：“看下我司APP新增的A功能，过去5天有多少人在用”。

听起来和之前的问题差不多，但注意，“多少人”并不是一个明确的指标，只是个笼统的说法，细分起来，有：

5天内累计使用1+次的人（去重）5天内累计有多少人次使用（不去重）5天内，每天有多少人在使用5天内，累计使用5、4、3、2、1天的人有多少5天内，各使用频次人数（1、2、3……10、10+次）

……

好几个指标拼起来，才能把这个多少人说明白。有些同学会觉得，这么搞是不是太麻烦了。我就默认他是看不去重的人次呗。实际上，工作中相当多的重复取数，加班加点，被业务追着屁股催数，就是从“没确认清楚需求，自己默认一个业务不想要的指标”开始的。特别是你问业务：想看哪个口径。业务会说：都看。这时候最好自己先提前想多几个，避免重复返工。

这种主动思考，才是深入分析的起点。因为这几个指标对业务都有用：

看去重的人数，可以评估总用户渗透了多少看每天人次，可以看出发展趋势看各类型累计使用天数，可以判断有多少重度用户看各类型累计使用天数，可以判断有多少重度用户

而且，我们发现，第0级的成果，成为第1级产出的一部分。后续也是一样，越深入，设计的指标、维度越多，问题会越复杂。

三、深入级别：2级

某天，你又收到一个需求：“看下我司APP新增的A功能，过去5天使用的人，付费行为是不是比其他人更好”。

注意，这里也没有明确的数据指标，因此得先拆解问题：

主语是：过去5天使用过A功能的用户。那得先知道有多少人在用？第1级深入的数据，这里都需要加上。付费行为：付费行为是个笼统说法。是付费金额，还是频次？没说清就先都拎出来看。比其他人更好：什么是其他人？是全体用户，还是未使用该功能用户。从问题场景上看，应该区分出过去5天内未使用过该功能，并且至少活跃1次的用户，这样才有可比性。

有了这三步拆解。可以把这句不清晰的需求，落地成一个取数需求：

过去5天内使用过A功能用户基本情况（人数，使用天数分布，使用频次分布）过去5天内使用过A功能用户付费行为（多大比例，付费人群的5天内累计付费金额，5天内付费频次，人均付费金额，人均付费次数）过去5天内未未使用过A功能，且活跃的用户的活跃天数、付费比例，付费金额，付费频次，人均付费金额，人均付费次数）

这样，两个群体一对比，就能出结论了。然而这么做，很快会引发下一个问题：“为什么使用A的人群比其他群体高/低？”

四、深入级别：3级

某天，你又收到一个需求：“分析下为啥使用A功能的人付费更好？”注意，先问是不是，再问为什么，是回答问题的基本要求。因此在拆解问题的时候，得先把深入2级功课都做完。做实了“A的付费更好”以后再分析原因。

分析原因的时候，假设很重要。需求既然关注A功能，那A功能到底有没有用就是关键。在分析原因的时候，证伪比证真更容易，所以我们可以先剔除一些明显的错误答案，比如“A功能用户本身都是高付费群体”，这一下就能把“A功能对付费转化有用”直接干掉。

但这样，逻辑上还是站不住，因为：

本身消费高，但是用了A功能以后消费更高了本身消费高，但是比不用A的人更高消费低的人，用了A也有提高消费低的人，不用A只会更低

……

即使看到数据：A群体消费天然比不用的高，还是有至少这4种可能性要排除。所以得列清楚假设逻辑树，逐一排查可能性。这也是我们说的：验证观点，需要同时找正反两面的例子。

注意，即使这样，还是有反驳观点。因为我们都是基于过去数据分析，很有可能一个反驳观点是：“A功能只能吸引到这一小簇用户，不能做大”或者“A用户只是尝新，过了这段时间就没有效果了”这两个观点，都涉及未来数据情况，因此需要观察一段时间才能有结论。

如果我们等不了那么久，还可以做测试，比如测试：“做不大”这个点，可以主动向其他群体推广A功能，观察A功能增量以及留存效果，如果增量少，或者有增量但是留存差，那就可以推论：确实做不大。想要做深入分析，测试与长期观察是不可少的，好结论需要时间沉淀。

五、深入级别：4级

某天，你又收到一个需求：“分析下A功能对用户有啥影响？”看起来问题表达更简单了，可要解这个问题却更复杂了。因为从0级到3级，我们只讨论了“付费”这一个影响，实际上还有可能有更多影响，比如活跃、留存、转介绍等等。每个方向都得经历这么漫长的拆分、分析，才能得出综合结果。

到这里，我们的分析已经非常有深度了。有趣的是，我们的问题，反而非常简单。实际上，如果一个问题：

有清晰的衡量指标有明确的判断指标好坏的标准有明显的指标间影响逻辑基于封闭的业务场景，容易测试

那这个问题就是很容易解决的。

可现实中的问题，常常是：

口语化表达的包含了多个方面的没有清晰判断标准的杂糅了很多影响因素没有时间、场地给我们慢悠悠测试

这时候就能从头开始，一点点梳理。把本篇文章的顺序倒出来，就是从0开始梳理业务问题的场景。

当然，并不是所有的分析都需要这样从头到尾过一遍。

有可能提问人自己完全没概念，此时可以先给到1级深度数据，让他建立认知，再给2级深度的数据，引导他关注差异。有可能提问人嘴上说得含糊，但心里有明确的目标，这时候可以进行深入沟通，清晰需求。有可能提问的人不需要严密的论证，有部分证据即打算直接下结论，这时论证其最疑惑的点即可

这时候唯一不要干的，就是不沟通，自己拍脑袋随便仍几个数，或者到网上找所谓“模型”生搬硬套。这样闭门造车，返工、加班、被diss都是经常的事。

如果在某个业务场景下，我们已经做了很多次验证，论证了业务问题的关键指标+判断标准+因果关系，这时候就可以直接套用，这就是我们说的：业务分析模型。不过在沉淀出来之前，还是得多做论证的，特别是因果关系论证，做的不够细致，分分钟被打脸。

接地气的陈老师，微信公众号：接地气的陈老师，人人都是产品经理专栏作家。资深咨询顾问，在互联网，金融，快消，零售，耐用，美容等15个行业有丰富数据相关经验。

本文原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自Unsplash，基于CC0协议。

该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。

标签：