数据分析没思路？利用数据分析全流程来指导实践？
从最初的做数据管理工作，到逐渐负责指标体系梳理、预警机制搭建、BI系统建设、商业分析等工作，我越来越认同——“要做什么”是比“要怎么做”更加重要的问题。
一个数据分析问题，例如“分析一下竞品的情况”，让人感觉无从下手。通常是因为这个问题过于抽象，过于复杂，从而让我们不知道“要做什么”。这时候我们就需要对问题进行拆解，把抽象的问题变具象，把复杂的问题变简单。
从工作事务的角度出发，我们可以将数据分析的工作流程划分为10个模块。该划分基于 “跨行业数据挖掘标准流程”（ CRISP-DM），修改、扩充。目的在于涵盖商业分析的工作内容。
完成这10个模块的工作，需要我们回答以下10类问题。
这10类问题围绕着“问题”、“数据”、“方案”三个核心关键词展开。
1. 问题
-
-
制定方案：针对这个问题，（从数据出发）给出的解决方案是什么？
2. 数据
-
定义数据：根据预设的解决方案，需要的数据有哪些，是什么样形式的？
-
-
-
处理数据：为了执行解决方案，我们还需要对数据进行哪些处理？
3. 方案
-
验证方案：根据现有的数据，预设的解决方案可行吗？最初的问题可解吗？
-
评估方案：内部评估，预设的方案多大程度上解决了最初的问题？需要如何改进？
-
实施方案：以什么方式，能准时、保质保量的交付解决方案？
-
评价效用：外部评价，实施后的解决方案效果如何？有多少价值？产生了什么影响？需要如何改进？
以下，用三个不同复杂程度的实例来说明——如何利用数据分析工作流程的方法论来指导实际工作。
简单模式：“好好，这份业绩报表以后你来刷新维护。”
我的第一项数据分析工作，就是定期刷新一份已经设计好的业绩报表。这份工作非常棒，因为这项工作只涉及了工作流程中3个模块：⑥ 处理数据、⑨ 实施方案、⑩ 评价效用。
① 界定问题：在报表设计之初，就已经界定好了问题：我们要评估一下业绩的现状。
② 制定方案：并制定了一个交付物为报表的解决方案；这个报表中包含了我们用来衡量业绩的诸多指标，如：销售额，产能、产品结构等。
③ 定义数据：计算这些指标所需的源数据也已经定义好了。
⑤ 理解数据、⑦ 验证方案、⑧ 评估方案这三个模块，前辈们也已经完成了。
所以更新业绩报表工作，只需要处理从系统中获取的数据；然后制作报表，并交付。对该项工作效用的评价方式为：及时性与准确性。
复杂模式：“好好，买了份咨询公司的数据，你分析一下市场情况。最好能够预测下季度的销量。”
假设你是麻雀水果贸易公司的数据分析师。现在老板从百灵鸟咨询公司买来了一份整个市场的销量数据。要求你根据这份数据，分析一下市场的情况，并对后续的销量做出预测。
这项工作的需求是相对明确的，这是一个描述现状和预测未来的需求。数据的来源，老板也花了数十万美金帮我们搞定了。所以我们不需要花太多的精力在① 界定问题 和 ④ 获取数据的模块。
针对描述现状和预测未来的需求，我们分别制定方案给出响应。
对于描述现状的需求，我们给出解决方案A。从宏观到微观分为三个层次描述市场状况：行业、公司、产品。
-
对于行业的宏观情况，我们选用PEST模型做一个整体评估；再从渠道和价位段的维度做一个下探的分析。
-
对于同业的竞争情况，我们采取市占率分析、品牌定位价位帕累托分析进行刻画。
-
对于产品的竞争情况，我们采用波士顿矩阵进行整体的评估；再依据产品的特性（属性、功能、卖点）刻画客户的需求。
对于预测未来的需求，我们用多元线性回归模型作为解决方案B。
所以对于这项工作，我们将有两个交付物：一份分析报告，以及一个预测模型。
③ 定义数据：为了能够落地方案A与方案B，我们需要：
-
-
市场上产品的销量数据，并且这些数据要能够区分品牌、区分销售渠道、区分价位等；
-
-
⑤ 理解数据：我们要对咨询公司提供的数据做一些探索性的工作，获取更多的信息。
-
当我们获取的信息量更多之后，或许我们可以回到 ② 方案制定 的模块，做出更好的设计。
-
也可能我们发现，目前的数据，不足以支撑我们的分析需求。那么就要回到 ③ 获取数据 的模块，补充所需的数据。
⑥ 数据处理：将数据加工为我们所需要的形式，指标等。这个过程的实施，可以是使用python、Excel、ETL流程等任何工具、方式、手段。
⑦ 验证方案：将处理好的数据代入解决方案，得到结果。如果没能顺利得到结果，定位一下是②~⑥的哪个环节出了问题。
⑧ 评估方案：评估得到的结果是否解决了最初的两个需求。例如：
-
方案A的分析报告，是否给出了我司在市场中地位的结论。
-
方案B的预测模型，对过往季度的销售额的预测准确度如何。
如果还有可改进的部分，在保证交付的前提下，返回模块 ⑦ 验证方案 进行优化。
⑨ 实施方案：将两个交付物交付给老板，以及相关干系人（部门）。
⑩ 评价效用：收集他们的意见与反馈。分析报告是否给相关决策提供支撑，预测模型在下季度的准确度如何？
这时候需求很难界定、方案无从谈起、数据没有来源、验证依靠幻想、实施更不可能。
