在筛选初级数据分析师简历的过程中，我发现越来越多的非计算机非统计学背景的同学们跨专业转型，希望找到一份数据分析师的工作。面对专业转型这一问题，除了 Excel、Tableau、SQL、Python 等工具技能的学习，另一个关键点则是数据分析思维的培养。

大家都知道在着手做分析之前，要构建分析框架，理清思路，达到事半功倍的效果。很多时候成熟的分析师在拆问题、理思路的过程中运用的是一种职业本能，思路自然展开形成了思维导图。

那么对于无经验或初级的同学该如何培养自己的思维形成职业本能呢？今天从一个项目案例出发梳理一下思考过程，帮助大家找到培养数据分析思维的方法。

案例：业务 A 在站外流量采买中出现了瓶颈，扩投的情况下，收入和客户效果都增长缓慢。老板希望分析师同学盘点一下业务现状找到突破点。

影响投放效果的因素有很多：投放效率下降？市场竞价环境更激烈？商业产品变现效率下降？客户群体发生变化？……

面对这个 “大活” 猜想很多，如果用线性思维一个一个验证—排除—验证，很难高效的得出结论，最后可能老板等的想打人也没有结果。

这个时候就需要用结构化方式展开思考：从核心问题出发自上而下层层拆解，独立穷尽地列举出影响因素，并且上下之间呈因果依赖关系。在遵循这一原则的基础上进行分析框架的第一步搭建。

01 结构化拆解分析方向

这一案例中，核心的问题是提升业务 A 站外流量收入、效果转化效率。第一步我们要明确当前的转化水平和影响转化的因素，围绕这两点细拆：

转化现状的数据盘点决定了影响因素的验证方向。收入、效果的转化下降我们要定位出下降的维度（横 or 纵）和渠道（整体 or 部分），进而决定验证哪些影响因素。

案例中发现：①横向对比，站外流量转化下降站内稳定②渠道细拆，A、B渠道转化下降。对应这一数据结论需要验证的影响因素为：站外—检索策略、站外—投放策略、市场因素。

02 量化验证影响因素

验证影响因素的方式就需要把猜想量化，选取恰当的指标和公式作为验证影响因素的量化标准。

找到验证量化指标后，不要忙着取数分析验证。分析师同学相较产品、运营同学而言略远离业务，业务发生的细小变化就可能直接影响数据表现，因此着手分析前要进行最后调研，完善分析框架。

03 业务化完善分析框架

案例调研过程中了解到：由于站内外流量质量差异问题，产品同学针对不同频道（客户类型）的流量需求上线了优先站内消耗的策略，因此在检索策略环节要进一步细拆才能定位核心问题。

04 总结

最后我们来总结一下，面对分析 case 时，分析师构建分析框架的处理步骤：

①结构化：定位当前问题，从问题核心出发拆解影响因素，最终确定验证角度。

②量化：通过指标、公式、模型的方式找到验证影响因素的量化标准。

③业务化：贴近业务，补充完善分析框架。

根据这样的步骤，在实际工作中通过应用训练自然会培养出自己的职业本能，面对 “大活” 再也不会混乱无措了。

-END-