一、思考问题
1. 确认问题
因为+背景: 因为5月1日的营业额突然下滑了10%,而历史从未出现过类似的跌幅
我想+目的: 我想知道本次下滑的原因以此避免再出现这样的异常情况
现在+思路: 现在能想到是原因是节假日和产品环节转化异常
最后+感谢: 想请你帮我取数分析一下，万分感谢！
2. 拆解问题
在数据分析中，拆解问题的核心是遵循 MECE原则（Mutually Exclusive, Collectively Exhaustive，即“相互独立，完全穷尽”），确保分类既不重叠也不遗漏。以下是四类符合MECE原则的拆解方法，结合具体案例说明：
2.1公式化拆解法（数学分解）
（1）核心思路：将核心指标拆解为可计算的子指标，通过数学关系确保MECE。
（3）适用场景：业务指标量化分析（如GMV、ROI）。
（3）示例：分析“GMV下降”
GMV = 流量 × 转化率 × 客单价
流量 = 自然流量 + 付费流量
转化率 = 首页→详情页 × 详情页→购物车 × 购物车→支付
客单价 = 平均订单金额 × 人均购买频次
2.2维度拆解法（分类穷举）
（1）核心思路：从不同业务维度拆分问题，确保每个维度内部分类MECE。
（2）常用维度：
用户维度：新客/老客、年龄、地域
时间维度：日/周/月、同比/环比
渠道维度：App/PC/小程序、付费/免费流量
产品维度：品类、价格带、SKU
2.3流程拆解法（漏斗分析）
（1）核心思路：按用户行为流程拆解，每个环节独立且连续。
（2）适用场景：转化路径分析（如注册漏斗、购买流程）。
（3）案例：拆解购物车流失问题
首页 → 详情页（70%转化） → 加购（50%转化） → 支付（60%转化）
2.4假设驱动法（树状拆解）
（1）核心思路：通过“假设树”逐层拆解可能原因，每个分支互斥且穷尽。
（2）步骤：
-列出所有可能的假设（如“支付失败”“竞品促销”“用户体验差”）。
-按优先级验证（数据支持度、业务影响）。
（3）案例：
假设1：天气炎热导致配送延迟 → 检查取消订单原因
假设2：竞品补贴增加 → 爬取竞品价格数据
2.5四类方法的对比与选择
3.量化问题
量化问题是指将模糊、抽象的业务问题转化为可测量、可计算的数据指标，以便用数学和统计方法进行分析和解决。
选择关键指标：
核心指标（如GMV、DAU、留存率）
辅助指标（如点击率、跳出率、客单价）
二、分析数据
1. 收集数据
数据来源：埋点数据、数据库、第三方工具
2. 处理数据
数据清洗：处理缺失值、异常值（如支付金额为负）等
3. 制作图表
包含统计分析与可视化
趋势分析：折线图观察指标变化
对比分析：柱状图比较不同群体
归因分析：漏斗分析、回归模型
……
4. 上传发布
共享到公司内部，分享是什么为什么，通常一句结论和一张图展现。
三、输出策略
包括收集策略、对比策略、讨论方案。
四、验证策略
一般采用A/B测试验证
1. 目标：对比两个版本（A/B）的效果，验证策略优劣。
2. 步骤：
- 分组：随机分配用户到对照组（原版）和实验组（新版）。
- 测试：仅改变一个变量（如按钮颜色）。
- 数据：收集核心指标（如转化率）。
- 分析：计算p值（<0.05即显著）。
3. 关键点：
- 确保样本量足够（用统计工具计算）。
- 避免测试污染（同一用户始终在同一组）。
4. 结果：显著则上线，不显著则优化重测。