在增长运营的工作中我们经常会遇到需要做数据分析的场景，比如今天上班突然发现昨晚开始线索进量少了，但心会影响今天数据，上午的时间往往就需要开始查问题。
这种时候就需要进行一系列操作，也就是从各种维度去看问题到底出在哪儿了，今天试着总结一下这个过程。我把业务链条数据挖掘分成了 4 个大的模块。
1. 扒趋势，看到底是不是问题
业务中经常遇到的情况是，问题未必是问题，要定位是不是真的问题，就不能完全相信体感，比如之前每天进量是 5000 个线索，今天突然变成了 3000 ，这看起来很低，但真的低吗？
一个合理的做法是，先看历史趋势，快速拉出最近 1～2 年的数据，从波动图里去找有没有相似的节点，比如有可能每个月的月底会低，每一年的某一个节日就是会低，或者是公司用户运营策略到了某个周期性的时候也会低。
如果发现没有过历史类似情况，而它在绝对值上就是低了，这时候才能明确清楚问题就是问题。而且要记住的是，在汇报之前最好自己已经查过了，不然噼里啪啦摇了一堆人过来查数据，查到最后发现没事儿，还挺尴尬的。
2. 再定位问题发生的节点在哪
确认了问题之后，就需要开始确认问题发生的节点在哪了，这一步往往比较简单，你可以拉出 by 小时的趋势，或者 byday 的趋势，去看到底在哪个时间节点开始数据变低了。
比如我上面给的案例，是下班以后晚上 20 点数据开始低了，而且比前一个月的 20 点都要低，那就基本定位到了这个节点。
当然一些数据基建不好的公司，或者业务 leader 的 sense 也不是很强，可能要过好几天才能发现，所以大家也不用把定位节点这事儿看的特别简单- -往往草台班子就是容易在这种地方出问题。
更优秀一点的公司，其实会做播报工具，比如四年前其实我们就做了 by 小时的播报，如果某个数据低了，系统就会发警报，如果你在一家中小公司，也可以发起用第三方工具接入大数据库做这种播报小工具，一方面提效，另一方面也是一个露脸的机会。
3. 无限下钻漏斗，直至找到病因
最有趣的部分就是这里，当你发现昨天晚上 20 点的平均线索进量减少以后，就需要开始挖掘漏斗了。
举个简单的例子，你是私域召回，那你的漏斗应当是：触达率→点击率→落地页转化率。
对吗？——其实不对，我给你挖坑了。
思考问题的时候一定要无比全面，实际漏斗应该是：
1. 系统配置的触达基数
2. 实际发送成功的人数和条数
3. 实际点击页面的点击UV
4. 实际进入落地页的 UV
5. 完成落地页下单的UV
我分别在 1 2 4 都补充了。想要定位问题不做重复功，必须要【全】，这样才不会漏东西。
你的触达率可能很高，但你有可能把人群包配少了；
你的触达率可能很高，但你可能一个人少配了 2 条 sop；
你的点击率可能很高，但落地页可能出 bug，导致进不去；
这都是有可能发生的，所以一定要全。而当你把数据拉全了以后就会发现，几乎不可能找不到问题。一定有某个节点挂了。这时候就进入第四个点。
4. 根据病因再深挖，给出对应的解决方案
这个也是很有趣的部分，还是举例子吧，比如你挖掘到了，是【完成落地页下单的UV】下降了，也就是落地页 UV 没问题，但折在了最后一步，那怎么办呢？
这个例子有点儿好，其实你可能会发现，落地页转化率并不是真正的最底层原因，它是还可以拆的。
【完成落地页下单的UV】下降了，还能怎么拆？给你 5 秒钟思考。
进入落地页的人数没问题，说明人们能看到落地页，对吧，但是人们没下单，是他们不想下单，还是他们下不了单？你需要回到那个场景去思考问题（当然更快的做法是自己去试一下）。
有可能素材挂了，也有可能是下单的产品功能中间挂了，甚至有可能都没挂，只是加载时间变长了，都会影响转化率。
所以你还要继续拆，落地页展示的 UV → 点击下单组件的 UV → 选择授权手机号的 UV → 最后真正完成下单动作的 UV 。
当你拆完了以后，你就会发现，问题又定位的更清晰了。比如就是选择授权手机号的 UV 挂了，那可能是因为你们的资源包不够了，也可能是因为 20 点的时候系统出了 bug，还有可能是因为隔壁组临时上线了一个需求，把你这儿给影响了，让他们修复掉即可。
——
写到这儿再多写两句，其实做用户精细化运营也是一样的逻辑。稍微懂点儿行的知道要用什么 RFM 模型对吧。它是一种抽象思维，但其实当你学会玩数据之后，你就知道回到【场景】去挖掘业务潜力。
比如你的业务链条的关键要素就是【用户】会【消费】【不同的金额】，那当你去试着寻找突破点的时候，就知道：
1. 用户有很多种不同的用户，能不能拉出来找找共性和差异？
2. 消费是一个动作，每个人频次不一样，是不是也能看一看？
3. 消费的金额有区别，谁多谁少，能不能看一看？
4. 消费的时间呢？地理空间呢？心理状态呢？
5. ……
一切有【共性】的地方，都藏着机会。比如你会发现北上广深消费高，武汉西安消费高，唯独杭州不太行，那杭州到底出了什么问题？
再比如你还会发现 30 岁女性消费金额很高，但频次在逐渐降低，到底是为什么？我们能不能把这个数据通过策略来拉高？
这个话题就远了，属于是找【业务杠杆】的逻辑，后续专门聊吧。
这种时候就需要进行一系列操作，也就是从各种维度去看问题到底出在哪儿了，今天试着总结一下这个过程。我把业务链条数据挖掘分成了 4 个大的模块。
1. 扒趋势，看到底是不是问题
业务中经常遇到的情况是，问题未必是问题，要定位是不是真的问题，就不能完全相信体感，比如之前每天进量是 5000 个线索，今天突然变成了 3000 ，这看起来很低，但真的低吗？
一个合理的做法是，先看历史趋势，快速拉出最近 1～2 年的数据，从波动图里去找有没有相似的节点，比如有可能每个月的月底会低，每一年的某一个节日就是会低，或者是公司用户运营策略到了某个周期性的时候也会低。
如果发现没有过历史类似情况，而它在绝对值上就是低了，这时候才能明确清楚问题就是问题。而且要记住的是，在汇报之前最好自己已经查过了，不然噼里啪啦摇了一堆人过来查数据，查到最后发现没事儿，还挺尴尬的。
2. 再定位问题发生的节点在哪
确认了问题之后，就需要开始确认问题发生的节点在哪了，这一步往往比较简单，你可以拉出 by 小时的趋势，或者 byday 的趋势，去看到底在哪个时间节点开始数据变低了。
比如我上面给的案例，是下班以后晚上 20 点数据开始低了，而且比前一个月的 20 点都要低，那就基本定位到了这个节点。
当然一些数据基建不好的公司，或者业务 leader 的 sense 也不是很强，可能要过好几天才能发现，所以大家也不用把定位节点这事儿看的特别简单- -往往草台班子就是容易在这种地方出问题。
更优秀一点的公司，其实会做播报工具，比如四年前其实我们就做了 by 小时的播报，如果某个数据低了，系统就会发警报，如果你在一家中小公司，也可以发起用第三方工具接入大数据库做这种播报小工具，一方面提效，另一方面也是一个露脸的机会。
3. 无限下钻漏斗，直至找到病因
最有趣的部分就是这里，当你发现昨天晚上 20 点的平均线索进量减少以后，就需要开始挖掘漏斗了。
举个简单的例子，你是私域召回，那你的漏斗应当是：触达率→点击率→落地页转化率。
对吗？——其实不对，我给你挖坑了。
思考问题的时候一定要无比全面，实际漏斗应该是：
1. 系统配置的触达基数
2. 实际发送成功的人数和条数
3. 实际点击页面的点击UV
4. 实际进入落地页的 UV
5. 完成落地页下单的UV
我分别在 1 2 4 都补充了。想要定位问题不做重复功，必须要【全】，这样才不会漏东西。
你的触达率可能很高，但你有可能把人群包配少了；
你的触达率可能很高，但你可能一个人少配了 2 条 sop；
你的点击率可能很高，但落地页可能出 bug，导致进不去；
这都是有可能发生的，所以一定要全。而当你把数据拉全了以后就会发现，几乎不可能找不到问题。一定有某个节点挂了。这时候就进入第四个点。
4. 根据病因再深挖，给出对应的解决方案
这个也是很有趣的部分，还是举例子吧，比如你挖掘到了，是【完成落地页下单的UV】下降了，也就是落地页 UV 没问题，但折在了最后一步，那怎么办呢？
这个例子有点儿好，其实你可能会发现，落地页转化率并不是真正的最底层原因，它是还可以拆的。
【完成落地页下单的UV】下降了，还能怎么拆？给你 5 秒钟思考。
进入落地页的人数没问题，说明人们能看到落地页，对吧，但是人们没下单，是他们不想下单，还是他们下不了单？你需要回到那个场景去思考问题（当然更快的做法是自己去试一下）。
有可能素材挂了，也有可能是下单的产品功能中间挂了，甚至有可能都没挂，只是加载时间变长了，都会影响转化率。
所以你还要继续拆，落地页展示的 UV → 点击下单组件的 UV → 选择授权手机号的 UV → 最后真正完成下单动作的 UV 。
当你拆完了以后，你就会发现，问题又定位的更清晰了。比如就是选择授权手机号的 UV 挂了，那可能是因为你们的资源包不够了，也可能是因为 20 点的时候系统出了 bug，还有可能是因为隔壁组临时上线了一个需求，把你这儿给影响了，让他们修复掉即可。
——
写到这儿再多写两句，其实做用户精细化运营也是一样的逻辑。稍微懂点儿行的知道要用什么 RFM 模型对吧。它是一种抽象思维，但其实当你学会玩数据之后，你就知道回到【场景】去挖掘业务潜力。
比如你的业务链条的关键要素就是【用户】会【消费】【不同的金额】，那当你去试着寻找突破点的时候，就知道：
1. 用户有很多种不同的用户，能不能拉出来找找共性和差异？
2. 消费是一个动作，每个人频次不一样，是不是也能看一看？
3. 消费的金额有区别，谁多谁少，能不能看一看？
4. 消费的时间呢？地理空间呢？心理状态呢？
5. ……
一切有【共性】的地方，都藏着机会。比如你会发现北上广深消费高，武汉西安消费高，唯独杭州不太行，那杭州到底出了什么问题？
再比如你还会发现 30 岁女性消费金额很高，但频次在逐渐降低，到底是为什么？我们能不能把这个数据通过策略来拉高？
这个话题就远了，属于是找【业务杠杆】的逻辑，后续专门聊吧。
