懂业务：让你的分析结果与业务方、领导同频

“有分析，没结论”是数据分析师最常犯的一种错误。很多同学在做分析汇报的时候会说：这次活动整体的销量是多少、新增用户多少、转化率多少、人均价值多少、分享人数多少，吧啦吧啦……说了一堆。

最后领导会问：这些分析结果有什么用？你的分析要落地！

什么是落地呢？落地就是业务人员看了你的分析之后必须知道他们到底要做什么，而不是只知道现状。为了让我们的分析结果和业务人员要做的事关联起来，我们必须要知道业务人员是怎么想的。

今天，我就来讲一下如何拥有业务的思维，让你的分析更落地。

为什么落地很重要

有些同学会想，我是数据分析师，我要做的工作就是数据分析，至于怎么落地应该是业务人员去想的问题。业务人员想不出方案，才甩锅说我们做的东西没用。

先不回答这个问题，我们来看一个图，这是一个描述数据分析工作价值的金字塔。

越靠近底部，做的工作越偏技术。越靠近顶部，做的工作越偏业务。在领导看来，越靠近顶部的工作越有价值。你的工作离业务越远，就越默默无闻。而你的分析结果越落地，你的职业发展也就越好。

如果你的分析只是找出了一些基础的数据，描述了一下问题的现状，那么如果最终业绩真的提升了，你如何说明业绩的提升和你的分析有什么关系呢？在领导看来，换任何一个数据分析师来都能顶替你的工作。

但如果你的分析能够得出具体的结论，给出落地的方向甚至方案。那你很容易就能说清楚业绩的提升中自己发挥的价值。这样，在领导的眼中，你就是不可替代的，升职加薪肯定会更多地考虑你。

所以不用去纠结分析结果的“落地”这件事究竟应不应该让数据分析师来做，只要你能够做到，你就能脱颖而出，我相信这个理由足够了。

接下去我们就了解一下，如何才能让分析结果更加落地。

业务人员是怎么思考问题的

我们做分析最终的目标是提升某个业务指标，比如日活人数、销售额、留存率等。

不管是什么指标，本质上都是反映了用户有没有做某些特定的行为，比如：

• 日活人数就是有多少用户访问了 App；

• 销售额就是用户购买产品付费了多少金额；

• 留存率就是有多少用户再次访问 App。

所以要想提升业务指标，本质上就是要让用户做出某些特定的行为。而要改变用户的行为，业务人员经常用的是 Fogg 模型（福格模型）。

Fogg 模型将人的行为分成动机、能力、触发三个要素，这三个要素同时都满足时，行为才会发生。

比如，今天你原本计划每天晚上 8 点学习 1 节课程内容，但今天没完成，为什么？

• 可能你今天不想学习了。你觉得最近学习的内容已经很多了，足够应付目前的工作需要，短期内没必要继续学习了，这种情况就是缺少了动机。

• 也有可能你今天不能学习了。因为你今天白天工作很繁忙，晚上的时候人已经很累了，只能早早的休息，这种情况就是缺少了执行的能力。

• 还有一种可能是因为你忘了，你看游戏直播看得太入迷了，过了时间还不知道，这种情况就是缺少一个提醒，在福格模型中叫作触发点。

所以用户不做某件事，要么是没动机，要么是没能力，要么就是没触发，改变了这三件事，就能影响用户的行为。

只要你理解了这一点，你的分析结果就能和业务人员维持在同一频率上。比如某个功能的点击率高还是低，业务人员并不关心，业务人员关心的是这个点击率的高和低，反映了动机、能力、触发当中的什么问题？能做什么样的动作改善这个问题。

你可能会说，自己公司里的业务好像不是这么考虑问题的啊。比如在电商行业，业务好像用的是“人货场”的模型。

没错，不同类型的公司会有自己的特定业务模型。我为了考虑行业通用性，所以就只说最底层的业务原理。其实“人货场”模型和今天说的 Fogg 模型并不冲突，“人货场”是影响业务的三个方面，最后的业务动作还是要结合 Fogg 模型找出三个要素。

比如“人货场”

• 动机：哪些用户购买意愿更强？哪些产品更能激发购买动机？什么样的场景购买更容易？

• 能力：用户遇到了什么问题？产品的特性是不是能让用户看懂？场景是不是理解成本太高？

• 触发：对哪些人进行推送？推送什么产品？在什么场景下推送。

所以他们虽然用的不是 Fogg 模型，但是最终落地的时候还是符合 Fogg 模型的。这就好像你说中文的时候，并不会刻意去考虑语法结构，但是你说出来的时候自然就符合语法结构。

业务方思考问题也是一样，他们未必一定严格按照这个模型思考，但是他们的思考内容肯定是符合 Fogg 模型规律的，所以你按照这个模型和业务方沟通，业务方一定能很快理解。

相比各个不同业务类型的分析模型， Fogg 模型更偏底层一些，你掌握了 Fogg 模型之后，到了不同的行业后了解业务是如何赚钱的、平常用的运营策略是什么，就可以马上融入业务，更好地分析问题。

用业务思维分析问题

接下来，我们聊一聊，如何把这种业务的思维应用在数据分析的工作当中。

用业务视角读懂数据

业务思维的第一个应用是可以让我们读懂数据。

新人分析师做分析有一个最大的特点是，数据一大堆，结论没几个。

举个很简单的例子，一个数据分析课程的落地页，内容介绍中有 Python、SQL、分析方法、分析思维等多个不同模块的内容。新人分析师喜欢把自己能想到的数据全部取出来，然后做一个图放到 PPT 里面，至于要说明什么内容，可能根本没想过，也不知道该怎么想。

像这样的图告诉我们各个模块的点击率和转化率，但是这些数据有什么用？能得出什么结论？这种 PPT 结果往往都是分析师一个人在讲，下面的人都不停看手机，等着总结部分到了再看两眼。

其实我们可以结合业务思维，读懂这些数据背后的业务含义。比如上面这个图，其中“分析思维”模块的点击率最高，而且点击后的转化率也最高，这个数据说明了什么？

翻译成业务方能听懂的语言就是，用户对“分析思维”的内容购买动机最强。你要是说这个关键点，业务方可就不困了。他们会开始讨论下一步怎么办，是不是要把分析思维的内容作为主要文案内容之类的。这个结论就要比放一个落地页的点击数据概况的图要有意义得多。

提出靠谱的建议

业务思维的第二个应用是可以让我们提出靠谱的建议。数据分析的目的不仅在于帮助业务方找到问题，更重要的是给出建议。这一点困扰着很多的新人分析师，新人常见的问题是要么不敢给建议，要么乱给建议。

例如，分析的结果是：限时折扣活动的用户群体中 90 后用户的转化率偏低

怎么给建议呢？有些同学呢，不知道怎么提建议，半天憋不出一句话，干脆空着。但在汇报的时候，业务就会一句话怼过来：“然后呢？我们该怎么做？”还有些同学会直接说“因此要提升 90 后用户的转化率”，这属于完全正确的废话，不用你分析，业务方自己也知道。

知道了 Fogg 模型，我们就能提出相对靠谱的建议。比如 90 后的用户转化率低，那么怎么提高呢？

• 动力：分析 90 后用户会被什么样的广告文案吸引，找出区别于其他群体的需求。

• 能力：分析 90 后用户的使用时段，看是否需要调整限时折扣的活动时间。

• 触发：什么渠道的转化效果最好，用户在什么情况下转化率更高？

然后根据这些结论，就很容易提出能落地的靠谱建议。

有些情况因为数据不足、产品设计不合理等因素，我们未必能从行为数据中得出用户的动机偏好、能力状况、触发时机等信息。

这种情况在产品初期很常见，因为产品体验太糟糕，数据又不完整，只能知道一些片面的信息。为了找出后续的方向，有时不一定要局限在用户的行为数据，你也可以收集一些其他的信息，比如内部调研、竞品分析等。

比如，你调研周围同事们的意见，收集他们对这个问题的反馈，然后按照三个要素用归纳法整理出几个建议。

这样汇报的时候，你可以说：我调研了 10 位同事，共收集到以下 23 条建议，合并归类后我整理出 13 条，其中提升动机的建议 5 条，降低门槛的建议 4 条，优化触发的建议 4 条，分别如下。

你还可以通过调研竞品的做法，来获得建议的灵感。同样的方式，最后汇报的时候说：我调研了 5 款竞品在该环节的设置，共收集到 5 个差异点，其中动力、能力、触发分别是……

这种总结归纳好的解决方案，相比提出一堆零散的想法，一看就非常专业，业务人员一听就懂。

懂业务的本质是：业务动作最终都是为了影响用户的行为，而商业模式、产品形态、运营套路都是为了施加这种影响而存在的外部形式。

只要业务最终是要影响一个个具体的人，都跳不出 Fogg 模型的范畴。所以只要熟练掌握 Fogg 模型，再理解一些新业务的商业模式和基本业务常识，就能很快理解业务方是如何思考问题的，也能更好地分析这类业务的问题。