之前跟几个做数据分析非常厉害的产品经理交流，我们谈到一个话题，为什么很多产品经理做不好数据分析？或者说是，做的那些个事情，看上去都那么的狭隘，摸不到G点上？

   其实，并不是数据分析有多难，也不是数据有多难提取，而是因为最基本的问题没搞清楚，后面就全乱套了。

   比如，说转化率，首先不清楚分子和分母代表什么，如何定义，后面完全不知道如何去提升了。

   一般来看，

   比率=分子/分母。

   要让比率提升，就2个方法，要么将分母减少，要么将分子扩大。这是一个小学生都知道的基本原理。

   现实状况下，因为产品在不断迭代，所以分母往往是不断变大的，那么问题就转移成如何让分子变的足够大，分子扩大的速度要高于分母扩大的倍数，这个时候，比率一样会提升。这是一个高年级小学生都知道的基本原理。

   然后，再往下去拆解就是具体该如何去操作了。

   一般来看，

   订单量=使用人数*使用频率。

   使用人数=新用户+老用户-流失用户

   订单量=(新用户+老用户-流失用户)*使用频率。

   所以，要提高订单量就要去改变几个元素就好了。剩下的问题就变成了，如何去拉新用户、促进老用户活跃、防止用户流失、提升用户的购买次数/使用频率。

   一般来看，

   表达一个问题的逻辑，概括起来看就2种，横向展开、纵向分解。

   于是，你会发现，绝大多数的演讲，都是这样2个逻辑开始的。要么就是跟你说1，2，3，4；要么就是先提出一个问题，然后分析这个问题，最后提出一个自己的主张解决了这个问题。

   …

   这样的例子还有很多。

   这些最基本的公式就是所谓的内在，无非加减乘除，根本都用不上更复杂的数学。这些内在是思考问题的起点，把基本公式弄清楚是解决问题的最基本步骤。

   搞清楚内在的基本公式再分析问题就会事半功倍，搞不清楚内在的基本公式就去分析问题自然就是事倍功半。

   刚才举的例子是正向拆分，一般出现在拍kpi或者制定规划的时候。其实，反过来，通过现状追查问题也一样适用。

   实际情况上看，某个比率持续走低，怎么办呢？

   1、把这个比率的分子与分母确认下来

   2、影响分子的因素是什么，影响分母的因素又是什么

   3、近期这些因素的变动情况是怎样的

   4、…

   你就会发现，你能通过一个基础的公式，把很多事情连接起来了，找到了相互联系，然后答案就自然的出来了。

   内在都是很简单的，外延一定是很复杂的。

   如果直接从外延入手去思考解决问题的办法，得到的就是一些苦劳的招儿，并不能足够高效的解决问题；如果从内在入手去解决问题，得出结论的过程可能会比较慢，但是，得到的一定是能高效解决问题的妙招。这也是我们常说的罗辑思维能力的一种体现。

   使用这种从内在到外延的分析方法分析问题的时候，常常会遇到一种现象，需要单独的说一下

   比如，

   分析订单量的时候，发现，很多用户不来购买了，但是各个指标都没有明显的变化，于是，就陷入僵局了。

   必须要说明一下，所谓的数据分析，并不是说，所有的数据都是存储在我们的服务器上的，我们就只能用这些数据去做分析。更多的时候，最笨的办法就是最有效的办法。

   上面说的那个例子，最简单的解决方案是什么？打电话！

   设计好你想了解的问题，然后，直接打电话过去跟用户交流，直接问。或者找到用户，做线下访谈，又或者，去观察用户是如何使用的。

   依赖技术是我们这一带入最值得骄傲的地方，过渡的依赖技术是我们这一带入最可配的一种思维。

   不妨我们停下来思考一下，

   你现在做的事情，你搞清楚了他的内在了吗，那个最简单的公式？

   这个内在往外延都有哪些呢，那些关联着的因素都是什么？

   我们现在做的事情，就是在做事情，一叶障目的做事情吗？

建议继续学习：

1. 数据分析中常用的数据模型    (阅读：6075)
2. 如何通过数据来指导产品进行优化    (阅读：1452)