描述一个业务问题的现状是什么，是最基础的数据分析需求。常见的问题类型有：

产品经理：某个功能的数据表现如何？

活动运营：某个活动的数据情况怎么样？

渠道运营：新渠道的引流人数是多少。

新人数据分析师一开始往往就是从这类数据分析需求开始做。

新手很容易就会把这种问题做成一个取数类的需求。

最后给出一堆数据：点击率是多少、留存率是多少、转化率是多少。

业务方最后问，这些数据能得出什么结论？

那么，我们能不能把这种简单需求做地更加深入，更好地发挥数据分析师的价值呢？

今天就来分享一下，数据分析流程中的“是什么”，或者说叫做“描述现状”，究竟该怎么做。

描述现状，不是单纯取数

首先，描述现状的基础是指标。

通过提取指标的数据，反应实际的业务现状。

但描述现状绝对不仅仅是罗列一堆数据。

只列数据，没有结论，这是新人最爱犯的错误。

原因很简单，新人也知道好的分析要有结论。

但是作为一个新人，不懂业务，不知道该怎么下结论。

新人分析师看到次日留存率是30%，琢磨着说点啥好呢？

留存率比较低？还是留存率比较高？

自己对业务一知半解，写高还是写低都不好。谨慎的同学这时候就倾向于不要下结论。

先按照取数需求做，等过段时间熟悉了业务再说。

但这样很容易被加上一个“不懂业务”的标签。

在别人眼里你是一个写sql的工具人，逐渐成为一个取数机器。

描述现状，不能主观判断

还有一类数据分析师，胆子很大，很敢写结论。

他们不局限于取数，会根据自己的业务理解，给出一个结论。

可惜方法不对，也容易出问题。

小白在做**分析，发现**曝光的点击率2%。

小白心想：点击率才2%，100个人里只有2个人会点击，这个数据肯定很低了吧？

于是直接下结论，曝光点击率只有2%，我认为点击率较低。

这个我认为很要命，类似的还有“我觉得”、“我感觉”这些词语。

这种分析结果很容易和业务撕逼，主要焦点在于曝光点击率2%到底算不算低。

而且数据分析师往往会败下阵来，业务方连问几个问题就招架不住了。

为什么2%点击率就是低了？

你知道**的平均点击率是多少吗？

你知道业内平均水平是多少吗？

发生这种情况，小白就被加上了“不专业”的标签。

在别人眼里，你是一个不严谨的人，任职数据分析师的基础能力都不具备。

要知道，数据分析师很靠专业性生存，如果公司里业务方不相信你的结论，那么你在这家公司就很难混得好了。

描述现状的正确做法

不能不下结论，又不能乱下结论。

那怎么在不了解业务的情况下，快速给出高质量的分析结果呢？

举一个生活中的例子。

大家应该都有过体检的经历，血常规的体检报告里面，什么白细胞数量、红细胞数量、血小板数量等等都有具体的数值，看起来特别精确。

单纯取数也就是给一个这样的数据。

但是只有这个数据好像没啥用。你知道红细胞数量是2.5，能得出什么结论？

没有医学常识的人，一般也不敢乱下判断。

好在这种报告后面都会有一列，叫做“参考值”。

比如红细胞数量参考值3.55.5。

现在的数据是2.5，正常范围是3.55.5，比较一下，得出结论：红细胞偏少了。

这样一个没有医学常识的人，也能很快解读出数据代表的含义。

相比之前的案例，我们从数据到结论，多了一个确定的参考标准。

通过上面这个案例，总结一下标准的描述现状的过程。

第一步，现状是什么，提取指标数据的具体数值。

第二步，标准是什么，列出参考标准是什么。

第三步，结论是什么，综合现状和标准，得出结论。

只有现状数据+标准才能得出一个“是什么的结论”。

所以在写数据分析报告的时候，正确的做法是：

用户流失率达到32%，相比去年同期提高5个百分点，流失率较高。

数据+标准=结论的分析流程，结构非常简单，不过标准怎么定？

常见的标准第一类是通过数据客观得出的，如同比、环比、历史最高、历史最低等。

第二类是业务制定的，如KPI目标、老板的预期等等。

如果一次营销活动上线前就制定了活动目标，那么这个标准直接就用这个目标就可以了。

如果没有那么清楚，只是简单地想要做个活动提升一下销量。那么就可以用第一类标准。

严谨的逻辑是数据分析师的基础

按照这种结构描述现状，也有可能会出现业务方不认可的情况。

比如你用同比，业务方认为去年同期有特殊事件，所以用去年同期的数据对比结果不合理，改用环比更好。