数据分析：如何深挖原因，推动业务

我们都知道，做事情如果只解决表面原因，并不能真正解决所有问题。但是，很多时候，数据分析的大部分工作，却让你花尽心思去找表面原因。比如：

用户数下跌了：A渠道新用户下跌

转化率提升了：落地页转化率上升

留存率下降了：C地区用户留存率下降

找表面原因其实就是通过指标体系的各种维度、子指标对问题进行拆解，得出一些初步的数据结论。

对于成熟的业务线来说，这种分析足够了。业务方拿到分析结论，自己稍加分析就知道后续该做什么。比如渠道人数下降了，对应的动作要么就是增加投放资源，要么就是优化投放的内容，提高拉新效果。

但是这是一般情况，有的时候我们就算给出了上面这些结论，领导也不满意。因为在具体执行的时候，还是不知道该做什么。

渠道人数下降了，但是我们没资源做新的投放，只能优化现有的文案。数据分析师来分析一下，用什么文案比较好？

落地页转化率不高，但是业务同学已经修改了八个版本的落地页，效果都不好，我也知道要优化落地页，但是到底要怎么优化？

1、表面原因会让业务进入误区

而且始终用这些结论驱动业务发展，很容易进入一个隐藏的陷阱，那就是追求短期收益而丧失了长期收益。

比如APP的日活下降，通过表面原因的分析最后发现是由于用户的留存率的下降导致的。这个结论不能说错，但是很容易误导人。

因为这个结论的潜台词是，整个业务是一台运转严密的机器，最终的产出下降了，是中间的一环出现了问题，现在既然留存率出了问题，那么我们把留存率搞上去的话，日活就能回归正常。

所以提升留存率就成了之后的业务目标。

而一旦提升留存率这件事成为一个KPI之后，业务同学就会做一些能快速提升留存率的作，比如签到活动、标题党PUSH之类的运营动作。

这些运营动作确实会给留存率带来短期的提升效果，但是对于整体APP的产品力提升并没有什么帮助，甚至这些动作还会让用户厌烦，长期来看反而会降低留存率。

2、第一性原理

面对这种情况，怎么办呢？不着急具体结论，我们先介绍一个概念：“第一性原理”。

第一性原理是指当你遇到一个问题，问题背后一定有其原因，这个原因的背后还有原因，就这样一步一步向前推演，直至找到问题最本质的原因。然后，从这个本质原因开始，重新向后推演，直到找到解决问题的方法。

用户需求是商业的第一性原理

我们回到刚才的案例来看一下。

如果日活用户下降了，原因是什么？

之前我们给出的答案是因为留存率下降了，于是针对这个原因，我们给出了类似签到活动、push等业务动作。

如果根据第一性原理的思维模式，我们还要继续思考，留存率下降的原因又是什么呢？以及这个原因背后的原因又是什么。

商业问题，追溯到最本质的根源，一定是用户需求。

我们的业务动作只是刚好符合用户的需求，于是这些业务动作让用户需求更好地驱动商业模式运转起来。

所以用户的需求才是整个商业运转的第一性原理。

3、用户需求

用户需求是不断变化的。

第一性原理如果保持不变，那么基于推导出的结论和模式就是稳定的。就比如机器解决的是确定性的问题，所以机器的结构也是确定性的，如果一个齿轮松动了，加固下齿轮问题就解决了。

但第一性原理如果变了，后面所有基于这个原理的逻辑就全都不适应了。而商业解决的就是这样的非确定性的持续变化的问题。

用户需求是不断变化的，随着时间和外部环境的变化，用户的需求也会随之变化，而且商业模式本身也会影响需求的变化。就好像标题党看多了，用户对这种激发好奇心的手段也就麻木了，用户就会想要看更多有价值的信息。

用户需求一旦发生变化，那么会导致原有商业模式和需求之间不再匹配，于是运转出现问题。这个时候，你再用机器的那套思路，哪个坏了修哪个，强行提高某个指标来解决问题的做法，是不解决根本问题的。只有调整业务的运转模式，让业务模式重新符合用户需求，才是真正有效的策略。

4、用户需求也有稳定的一面

既然如此，那么找表面原因的分析方法不是很不靠谱？

也并不完全是。虽然用户需求是持续变化的，但是也有相对稳定的时期，所以商业模式在一段时间内还是可以很好地满足用户需求。

就好像小孩子的身高不停地在长，但是一件衣服还是可以穿很久。对单个用户来说，需求变化相对较快，比如一个宝妈对尿布的需求集中在孩子两岁以内，但是对于整个的用户群体来说，总有一部分人。他的孩子在两岁以内，所以这一个市场总体上可以保持稳定。

所以需求依然有相对稳定的时期，这个阶段只做好原有商业模式的维护，是依然有效的。

5、用户需求的细分

说起需求变化，我们不着急到底如何应对。我们先来聊一聊，到底什么是用户需求。

中文对于名词解释非常不擅长，我们还是用英文解释一下。用户需求有两个层次，一个是want，一个是need。

用户说我需要某功能，这是want；用户说我使用这个功能做什么，这是need。很简单的一个例子：搜索网站是want，快速地找到信息是need。

want是need的解决方案。用户想要快速找到信息这个需求是need，满足这个need有很多种方案，不同的方案就是不同的want，其中搜索网站就是现有技术条件下最优秀的解决方案。

搞清了need和want，一个商业问题的基本上可以归结为两类：要么是没有满足用户真实需求（need），要么是解决方案不够好（want）。

6、如何深挖原因，推动业务

落实到具体的业务分析上，用户需求的问题影响了业务管理的三个层面：

我们一个个来看：

1）战略层问题

要解决用户需求是什么，是商业的战略级问题。

只有明确要解决的用户需求是什么，并且这个需求有商业价值，那么后续的所有业务动作、组织调整等才有意义。如果没有找准用户的需求，那么后续的所有业务动作都是没有意义的。

一般正常的创业流程，是先预判一个用户需求，然后通过MVP（最小可行化产品）的形式验证PMF（产品与市场匹配），在PMF验证完毕后，继续扩大资源投入。

现在很多的创业想法，都是从一个公众号或小程序开始，这种产品形式相比APP成本要低得多。一旦公众号或小程序验证成功，再进入APP开发和大规模的宣传推广，这种模式的创业风险就比较小。

所以如果你要解决的是战略层的商业问题，那么数据分析能发挥的作用比较有限。因为用户需求是很难通过理性分析找到，我们能做的，就是建立高效的数据反馈机制，让公司的试错迭代效率更高。相同时间内测试的产品版本越多，找到靠谱的用户需求的几率也就越大。

当然，有些产品的诞生完全是因为老板的拍脑袋决策，结果产品出来以后，用户量和留存率惨不忍睹，但是前期投入又非常大，于是老板就让员工想办法提高各项指标。

但是对于这样的产品，你去分析如何优化现有产品是没有任何意义的，因为你根本不知道这个产品解决的是什么需求，或者你要解决的根本就是伪需求，所以方向选错了，一切努力都是白费。如果在这类公司，并且你无法改变公司的决策流程的话，建议还是早点换公司。

回到案例中的问题：产品的留存率不高。如果留存率非常低，那么用户可能根本就没有这样的需求。这种情况下，我们不需要分析如何提升留存率，而是应该是让产品经理重新思考用户需求是什么，重新设计产品。

2）战术层问题

找到了一个有商业价值的用户需求(need)，还需要对应的产品提供解决方案。战术层问题就是解决方案还不够好，距离用户心目中期待的样子（want）还有些差距。

比如案例中留存率的问题，如果留存率不高，那么一定是我们的产品和用户心目中想要的东西还存在一定差距，或者和竞品存在差距。为了弥补现状和用户的want之间的差距，我们可以从“提升用户动机，降低用户门槛和提醒”三种方式提升用户留存率。

但是究竟采用哪一种方式呢？

如果你分析只深入到“留存率不高”这个结论的话，业务人员不知道更多信息，也只能选择做一些签到或者标题党的PUSH，因为这类业务动作是肯定有效的，只是未必是最佳的策略。所以为了让业务同学清楚提升留存率的关键点，我们就要针对这三种方式进行更细致的深挖，找出根本原因。

比如要找出如何提升用户动机，我们可以通过竞品分析、用户行为分析等找出一些线索。比如通过第三方数据平台，找出留存表现比较好的竞品，然后拆解竞品的功能模块，看一下我们和竞品的差距。或者通过行为分析，尤其是搜索关键词分析找出用户的未被解决的需求。现在每个APP内都会有搜索模块，用户的搜索关键字往往能反映出用户的真实需求。这种方法有时要比你通过客户调研获得的结果更加真实有效。

如果要降低用户的门槛，一般是降低使用门槛。因为有些用户由于不会使用产品，导致流失。解决了这部分用户的问题，自然就能提升留存率。那么针对这种情况，我们就需要做漏斗分析或者行为路径分析。漏斗分析最常用，可以很清晰地找出出现问题的环节。配合用户调研或者自身的使用体验，也能找出一些用户使用过程中可能存在门槛的地方。

提醒相对来说是最容易的，如果上述的动机和门槛都没有找到，那么就只有提醒一种办法了。针对提醒的分析已经非常具体，属于战斗层的问题。

通过上述分析，我们找出了一些提升用户动机和减低使用门槛的问题改进点，这种结论就要比单纯的“留存率不高”要更具体，业务同学也能清楚后续要做的工作。

3）战斗层问题

确定了业务动作的大致方向，接下去就剩下最后的执行问题了，这个我称作战斗层。

这一层我们要解决的问题是，什么类型的文案更合适，哪类渠道更好，落地页如何设计，push如果发送的话什么时候发？发什么？等等具体的问题。

这类问题的分析常见的是根据历史数据得出结论。

比如要做PUSH提醒，那么可以通过历史数据找出哪类标题的打开率更高。要做渠道投放，可以分析哪个渠道的ROI最高。等等。

不过历史数据的分析有个问题，就是这个结论未必反应用户需求。

比如push打开率高的一定是标题党，但是这种标题党未必是用户想要的。所以除了数据分析，还需要结合业务判断。国内以理性严谨著称的字节跳动，所有功能都要经过AB测试，但是张一鸣依然表示“AB测试只是工具，同理心才是基础。”

所以数据分析师还是需要学习一些基本的心理学。