在当今数字化时代，数据分析已成为塑造业务成功的关键元素。而当企业主或数据分析师们提出“如何利用数据分析更好地解决业务需求？“的疑问时，我们提供的参考答案一般从以下三部分入手：

• 深刻理解业务要素及其与数据、分析之间的紧密关系；
• 将业务需求巧妙转化为可量化、可分析的标准问题；
• 运用交互式手段实现探索性分析，以更全面、深入地满足业务需求。

通过这三个方面的深入探讨，我们旨在为企业提供全面而切实可行的方法，使其能够更好地利用数据分析来解决复杂的业务需求，实现在竞争激烈市场中的持续成功。

了解业务，及其与数据、分析的层次关系

每个数据分析师，不论身处哪个行业，都可以用一套标准的方法理解业务，并进而理解数据表和分析需求。

1.「业务-数据-分析框架」

业务理解包含三个关键部分：业务对象、业务过程和业务规则。业务对象是在交易过程中可见的实体，在数据中以“字段”的形式进行表达，如客户、门店、产品等。除此之外，还存在着许多用于持续衡量业务过程的字段，通俗地称为“值”，在分析层级上则称为“度量”（measure）。同行业的业务过程和业务对象基本相似，差异主要体现在业务规则，这些规则对应于管理活动。

在分析师和业务人员之间存在一个关键差异，即分析师站在数据角度，以抽象的视角自上而下看待业务，而业务人员更关注真实的业务对象和业务过程。在当今信息时代，八零后、九零后和六七十年代的领导之间存在差异的一部分在于，后者直接观察业务过程，而我们直接处理业务数据。业务数据是对业务过程的反映，需要注意的是，“反映”只是“记录”，并非创造新的元素。

从这个角度你去看所有行业，业务和数据的关系都是一样的。

分析是对数据的抽象，是“升华”，这是数据分析师的起点。“从业务到数据”是IT的工作，他们负责把现实世界发生的事情以数据的方式记录下来；分析师则借助于数据总结业务世界的规律、指导业务的改进。

新行业和老行业的一个关键差异是对业务的抽象化水平不同。例如做传统零售的时候，一般很少做客户流失数据分析，客户流失了就是流失了，也很难去追踪具体流失的用户是哪些人；但是我们去看新零售、消费金融业务就不一样了。比如你在银行办了一张信用卡，哪怕你这个卡现在是 0 元，它的余额依然每天滚动记录。

同样，做过新零售的人回过头再去看传统零售，就会感觉简单很多，因为“新零售”的抽象程度更高。借助于互联网平台和数字化技术，它可以很快分析出来流失客户去哪里了，有哪些特征，应该做什么策略调整去进行挽回，但传统零售分析的人都不会做，很多企业也都做不到将数据如此分析，是因为它们的数据太乱了，乱到无法进行利用。

说到这里，你就可以完整地理解上面的“业务-数据-分析框架”，这是分析师理解业务世界的基础。

2. 穿过数据，理解业务的需求

有了上述的分析框架，我们再来看领导的各种需求。要把客户的需求置于宏达的分析框架之中，看到领导需求背后的潜在需求，不能领导说最后做个表，就真的只是给他一个表。

如果领导要个报表，你就给他一个报表（Report），在领导眼里你就只是一个做报表的人。报表只是简单的呈现，你需要理解问题、展开分析，真正的分析应该超越显而易见的需求。

什么叫“显而易见的需求”？领导“显而易见的需求”是一个report，但其实最终他的需求是：为什么用户下降了，应该做什么措施？这一个部分是最难想明白的，所以很多人进了一个新行业，慢慢就变成了螺丝钉。

这里有两句经典名言。

• 第一句是《穷查理宝典》书中说的，它说“手里拿着锤子的人看来，到处都是钉子”。所以如果你以前做Report，你就会觉得每一个领导都需要Report，这会阻碍分析师的进步。
• 第二句话，“客户想要的不是一把‘锤子’，客户想要的是一个‘洞’”。很多做BI实施的供应商，包括部分BI厂家，普遍以为客户需要的是工具本身，或者需要更复杂的报表、更炫酷的大屏，其实不是的，客户真正需要的是能发现业务问题的“报表”，能发现业务机会的“交互仪表板”。

数据分析师也是一样，领导想要的不仅是一张“报表”，领导想要的是“能够指导业务决策的敏捷分析”。也只有从这个角度出发，你才能讲好一个数据故事，故事才会有“灵魂”。否则技术最好、展现再炫酷，都只是“形式主义”的胜利，我们后续的讲解也都是无用功。

理解问题：从分析需求转换为标准化问题

在分析实践中，我们发现很多分析师都难以理解业务领导的需求，或者看似理解了，但是实现方式各不相同。在长期的时间过程中，我们尝试总结了很多方法，其中效果最为显著的是“问题的标准结构”。

可以说，所有问题必须由三个部分构成：在哪里分析？分析的对象是什么？分析的答案？这三个部分分别称之为分析范围（筛选）、问题详细级别（维度）、问题答案（度量）。

很多时候，分析出现偏差的首要原因，是领导的抽象问题，没有被具体到一个可以落地的问题上。

分析是对业务的抽象概况，是对数据的抽象处理，抽象处理的最基本方式是聚合。所以说分析的本质是聚合，没有聚合就没有分析。

举个例子，假如你是一家银行的资深数据分析师，你的领导交代你完成一份银行客户分析，从数据中发现贷款业绩下滑的问题点并寻找机会，这时你会想如何理解、转换、实现领导的需求？

首先我们要揭示，或者说去衡量“业绩下滑”的程度有多少。其次，我们要看，业绩下滑是由客户数量的减少导致的？还是客户数量没有变，但人均的产能下降了？

再者，当已经知道用户下滑的影响最大，那接下来要分析哪一类的客户下滑了，是普通卡还是个人银行？是金卡还是钻石？不同的等级它对企业的贡献是不一样。

基于这样的逻辑，我们就可以明确地整理分析的问题：

• 各个开户年月的贷款金额、环比差异
• 各个客户年月的客户数量、人均贷款金额
• 各个客户年月、不同法人卡级别的 客户数量、人均贷款金额

在这个案例数据中，首先我们应该关注的是绝对值指标，之后逐渐分解为比率型指标——比率型指标更能业务的效率因素。

当然，上述的分析还是只是简单的概述性问题，一旦发现线索，分布分析、相关性分析就成为新的分析方法，典型问题如下：

• 不同贷款金额区间的法人卡数量（注意，问题的维度包含了预先的聚合）
• 不同行业的贷款金额总和、存款金额总和相关性（两个指标在离散字段上的相关）
• 各个年月的客户数量增长趋势，是否与人均贷款金额趋势相一致（两个指标在连续字段上的相关）

随着分布、相关性问题的出现，分析就算进入中级阶段。它们要解释多个指标或者多个维度的结构性关系，是从基本问题走向高级问题分析的“桥梁”。

选择合适的可视化类型并赋予交互关系

用什么可视化类型来表达数据信息是有科学依据的，很多人说这个图表也行，那个也行，其实是缺乏方法论的表现。图表取决于人的视觉，所以最佳可视化是由普适性规范的。过于复杂的分类、枚举性质的可视化路线，只会让分析变得复杂。我们应该从问题出发，从问题中包含的业务对象之间关系出发，来选择合适的可视化类型。

这就是所谓的的“从问题到图形的可视化分析”，我们不推荐“先选择图形再填充字段”的IT方式。

所以从这个意义上讲，“炫酷图形”在实际业务中并不适用，因为炫酷的只是“图形”形式，增加了领导识别有效信息的负担。假设你做了个复杂图表，但会发现要先给领导讲 5 分钟如何查看这个图形，领导愣了半天，才能反应过来，这就是错误的方式。

我们如何用交互降低问题的复杂性呢？

对于复杂问题而言，我们可以拆解为更基本的问题，之后借助两个基本图形实现，用交互来表达它的关系。另外，分析的关键是筛选、变量传递，甚至高亮显示、跳转、导航等交互方式。

如果要问，交互是什么？交互是证实和证伪的过程。在交互过程中，业务领导才能建立假设、证实或证伪假设，最后辅助业务决策。所以有“灵魂”的数据故事，一定是有交互的数据故事。这就是“好图形”和“卓越图表”的差异，“卓越的可视化”让你更快地发现问题、走向决策。

对于分析而言，内容一定比形式重要。必要的交互是关键“内容”之一。

结语

简单总结这次的主题：

第一部分，怎样理解领导的需求？务必要从业务开始，要理解业务的对象、过程、规则是怎样的。

第二部分，怎样把一个抽象需求转变成可实践的具体问题？问题的结构是关键。

第三部分，交互是关键，是业务假设验证的过程。可视化应该减少“形式主义”，不管是复杂报表还是炫酷大屏。

最核心的，数据分析人员要有层次概念，我们每一个人都是“现实世界”和“数字世界”的“使者”，或者说是“虚拟世界”的创造者。我们看见的业务世界是计算机帮我们虚拟化的，然后我们借助于敏捷BI工具进一步总结、抽象、升华业务理解，再反过来指导业务改进，改进后的业务系统生成新的数据和假设，能够实现这个循环的企业才是真正实现“数字化转型”的企业。

希望本篇文章能为您数据分析思路与逻辑提供帮助！

在数字化与信息化高速发展的时代，FineBI——市场占有率第一的BI数据分析软件，旨在帮助企业的业务人员充分了解和利用他们的数据，加速企业数字化转型，提升市场竞争力。得益于FineBI强劲的大数据引擎，用户只需简单拖拽便能制作出丰富多样的数据可视化信息，自由地对数据进行分析和探索，让数据释放出更多未知潜能。

商业智能BI产品更多介绍：www.finebi.com

免费下载FineBI 立即体验Demo