找出原因：问题原因那么多，哪条才是最关键

前文已经通过指标体系的排查找出了问题的表面原因。比如，为了提升拉新渠道的投放ROI，分析出了这样几个表面原因。

表面原因 1：根据渠道维度的分析，发现 AC 渠道的 ROI 较高，B 渠道的 ROI 较低。

表面原因 2：根据 ROI 的子指标成本和收入，以及渠道维度的交叉组合，发现B 渠道的人均收入较低，导致 B 渠道的 ROI 较低，进而拉低了整体 ROI 水平。

表面原因 3：对 B 渠道的转化进行了过程指标的分析，发现 B 渠道用户的支付转化率较低，所以导致 B 渠道用户购买金额低。

现实中，大部分的数据分析师找原因找到这一步就结束了，因为这些结论已经大大地提升了业务人员对业务现状的了解，甚至可以直接拿来用了。

比如 AC 渠道的 ROI 较高，B 渠道的 ROI 较低，那么对应的业务动作可以是投放资源的优化配置，将更多的资源投入到 AC 渠道中，降低 B 渠道的投放。这样就可以通过渠道结构的调整提升拉新投放的 ROI。

这种做法一般来说是有效的，但是这个解决方案有一个问题：如果 AC 渠道的规模就只有那么大，增加资源投入也无法带来更多的优质用户怎么办？

如果我们能知道为什么 AC 相比 B 渠道的 ROI 更高，那我们就可以通过演绎法的方式去找到和 AC 渠道类似的优质渠道，带来新的业务增量。

所以找出根本原因，才能跳出现有业务模式的框架，更好地解决问题。

如何找出根本原因

问题的根本原因往往是千奇百怪的，很多原因是很难提前想到，也就没办法穷举所有的可能性，所以找根本原因不适合用议题树的方法。而假设树只需要验证提出的假设是否成立即可，所以我们一般用假设树，也就是提出一个假设，然后找出数据验证这个假设。

提出假设这一步和拆解问题一样，看起来很简单，但做起来很难。难点在于究竟应该提出什么样的假设才更合理？

我们可以提出非常多的假设，比如 ROI 不行，我们可以假设渠道的文案不行、投放时间段和用户活跃时段不同、产品和用户属性不符等，但这些假设有点像灵光一闪的想法，有没有什么好的套路可以整理这些假设？找出真正有用的信息？

要想更有条理地提出假设，我们还是要从用户身上找根本原因，因为用户的行为才是真正决定业务数据好坏的根源。用户不做某件事，要么他本身没有这个需求，要么就是用户在需求链路中出现了什么问题。

所以我们提出假设的方向有两个：一个是用户的属性，一个是用户的需求链路。

用户属性的原因

我们先看看如何通过用户属性的角度找出原因。

比如 ABC 三个渠道，B 渠道的 ROI 最低，AC 渠道的 ROI 较高，那么我们可以从用户属性的角度提出假设。如果能找出 AC 渠道的用户共性，那么就可以从这个共性出发，到市场上找到符合这个特点的渠道。

不过用户属性有非常多，性别、年龄、地域，等等。这些维度交叉组合分析的话，工程量很大。有可能你分析了几天终于找到了原因，结果业务方一看就说：这还需要分析？我早就知道了。所以要想快速提出一个合理假设，最简单的方法就是直接找业务方沟通，让业务人员提出假设。

因为业务人员对业务和用户都比较了解，看到表面问题后，他们根据业务直觉很容易就能提出一些靠谱的假设。比如 AC 渠道的ROI高，为什么？因为目前这款电商 App 卖的大部分都是女装和日用品，而且本身女生的购买意愿会更强，而 B 渠道的量虽然大，但是男性用户更多，所以 B 渠道的质量不行。业务人员的这个推断中，主营产品是女装和日用品、女生的购买意愿更强等信息，不需要用数据验证，早就在业务人员的认知当中，所以他们很快就能猜个八九不离十。

如果业务人员也没什么想法，那么我们就从能拿到的用户属性进行分析，尽量把用户属性控制在三个维度以内，然后通过数据的方法找出区别度最大的用户属性。

用户属性类型很多，拆解要注意优先级，拆解的优先顺序是这样的。

首先是用户的基本属性。用户的基本信息主要有：性别、年龄、教育程度、婚姻状况、收入水平、地域，来源等。因为我们对用户不是真正的了解，所以这个时候是做一些探索性的分析，了解用户到底是一些什么样的人。

其次是用户画像属性。在上一步找出一些用户的基本属性特征之后，我们可以把这些基础属性组合起来，给不同的用户群体打上“标签”，让用户的形象立体起来。比如小镇青年、一线城市白领、大学生等这样对应到具体形象的用户类型。如果用户的群体和我们预想的不一样，那么这就是问题的根本原因。

最后是用户行为属性。这个阶段是根据用户的行为来分析用户的属性。比如一个电商产品，可以根据用户在产品中的行为归类为这样几个类型：冲动型、犹豫型、理性比较型、目标明确型等。这类属性比较难总结，所以放到最后。根据行为归纳出不同类型后，看一下产品的风格是否符合用户的行为特点，这也能找出用户属性导致的根本原因。

建议按照上述这个顺序拆解，每一步搞清楚了，再到下一步，不要越级打怪。如果你跳过用户基本属性，直接用画像进行分析，只能靠灵光一现地提出几种类型，很难考虑全面。逐步分析才能让我们一步步地全面了解用户。

这个过程和拆解问题的过程几乎一模一样，区别在于拆解的维度是不同的，目标也是不同的，不要和拆解问题搞混淆了。

需求链路的原因

用户需求链路和用户属性一样，先去找业务人员沟通永远是最优先的方法，这可以省去我们非常多的时间。如果业务人员没有提供有价值的假设，那么我们自己如何思考呢？说起用户需求链路，你应该会想到我们在 07 讲中提到的用户思维。没错，如果你对这个业务场景下的用户需求链路非常清晰，那么可以直接通过用户思维提出假设。

我在分析时就遇到过这种情况的场景例子：运营人员做了某产品的促销活动，参与该活动的产品有一定的折扣优惠。用户在进入 App 时，会弹出一个弹窗，进入介绍该活动的页面，页面上介绍了本次活动的优惠和推荐的产品。

用户看到页面上的活动介绍信息，正常情况下用户如果感兴趣，会想看其中某个具体产品的更详细的内容。但是这个页面知识宣传有这么一个活动，却不提供直接跳转的入口。如果用户想了解更多，需要自己再去通过搜索或其他方式找到对应的产品页，这非常麻烦。所以我们提出了一个假设，这个页面跳转的不便导致用户这次活动的参与率较低。

如何用数据验证这个猜想呢？

如果用户真的是看到活动马上就想参与，随后自己通过搜索或其他方式找到对应的产品。我们选择了这样一个数据作为评判依据：进入这个活动页面后，一分钟内进入具体产品介绍页面的用户比例。当然这个一分钟也可以是 30 秒、2 分钟、3 分钟等，但是时间太长的话不能说明用户是看到活动就马上想看产品页，时间太短的话用户还来不及进入产品页，所以我选择了一分钟作为标准。

最后通过这个数据发现有接近 30% 的用户在一分钟内进入了产品详情页，这个数据已经很高了，说明如果我们在原来的活动宣传页上增加跳转链接，至少会有 30% 的点击率，这验证了我们的猜想。因为这个数据说明这个页面已经激发了用户参与的动机，但是因为页面跳转不方便，用户只能自己再通过其他方式参与活动。

这样就找到了活动参与率不好的根本原因。有些情况下，用户需求链路可能没有那么明确。这时候我们得先用数据还原用户场景，再根据这些数据反馈出的问题提出假设。

比如 B 渠道的支付转化率较低，这个问题我们可以从需求链路的角度来分析，用户在支付页到底遇到了什么问题。我们可以先用行为数据还原一下用户当时在这个页面上的动作，从而更好地理解用户当时的问题，然后提出假设。

在支付页上，我们能得到的用户行为数据有：点击率，停留时长等。通过对停留时长的分析，发现用户在这个页面停留的平均时间，远远超过 AC 渠道，而且页面上选择支付渠道的点击率也很低。

结合支付转化率低这个事实，我们还原一下用户的使用场景：用户进入支付页，在页面上看了很久，什么都不点，然后走了。时间长说明用户是有支付的意愿的，否则不会停留那么久，但是不选择支付渠道说明用户遇到了什么问题。

至于究竟是什么问题，我们可以把这个环节再拆开来看。用户在支付页的支付流程：打开支付页→理解页面逻辑→选择支付渠道→点击支付。然后我们根据这个流程的各个环节提出假设。

• 打开支付页：是不是页面根本就没打开？或者打开太慢了？比如这个渠道的某类机型占比较大，而这类机型的页面适配没做好。

• 理解页面逻辑：是不是页面结构或者文案太复杂，用户看不懂？比如这个渠道的用户年纪比较大，你页面上用了太多新潮的词语，用户看不懂。

• 选择支付渠道：是不是缺少了用户需要的支付渠道？因为找不到支付渠道，所以停留那么久。这个不太容易用数据验证，而且可能性也不大，如果前面两个问题都被排除的话可以进行用户调研排查问题。

有了这几个假设，我们再用数据验证。

最后发现 B 渠道用户的手机品牌，相对其他渠道来说较小众、低端。实际测试后发现品牌1和品牌2的机型存在页面适配差、页面卡顿等情况。

回顾一下这个过程，我们先用用户的行为数据还原用户的使用场景，发现存在的问题。然后对这个环节内用户的使用流程进行拆解，针对这个流程的每一个小环节提出假设，再用数据验证这个假设。

说了这么多，总结一下，找原因的整个流程是这样的。

小结

找根本原因和表面原因过程类似，所以很容易搞错。但表面原因是站在业务角度看问题，找到的原因都是某个业务指标的问题。而根本原因是站在用户角度看问题，找到的原因都是用户遇到了什么样的问题。站在这个角度去思考就不容易搞混淆，这也正是模块一中“懂业务”和“懂用户”两讲对应的内容。

所以一个问题的原因可以有很多种，对业务人员来说，他们真正想知道的是基于用户的根本原因。知道表面原因只能在现有的业务模式下做优化，而知道根本原因才能跳出现有业务模式的思维定式，不断创新，带来新的业务增量。

本文强调这样几个关键点：

• 根本原因相比表面原因能更好地解决问题；

• 找出根本原因的方法是提出假设，验证假设；

• 提出假设的方向一般有用户属性和需求链路两个方面；

• 与业务人员沟通永远是提出有效假设的最高效方法；

• 找出需求链路的原因，先用行为数据还原场景，再梳理用户流程，根据流程提出假设。