美式和拿铁之间的差别就是拿铁是咖啡里加了奶，美式是咖啡里加水，可是为什么7-11用机器做一杯美式所花费的时间会大于做一杯拿铁所花费的时间，甚至是双倍的时间？

多出来的时间究竟是哪一个环节影响导致的？

……

诸如此类。

然后，你要去和业务走得很近，要能够理解业务场景。

举个例子，停车场。

如果我问你，对于车，什么样的场景是最高频的？

我相信，至少50%的人会告诉我，停车、加油还有维修保养，尤其以停车、加油为主，甚至会有人说，atv，停车是最高频的，因为车子只要开出去，就会停下来，而停下来就需要有停车的地方。

但实际上，我们所讨论的停车，是一个违高频场景，因为，假设车主是上班族，那么基本上在工作日，他是没有临时停车需求的，对于公共停车场是不存在热烈的需求的。

因为，家里和公司，都有相对固定的停车位。

但是，如果你不是车主，或者你离停车这种业务线很远，你要做数据分析的时候，你会有看起来很有sense但实际上完全错误的假设和逻辑。

所以，光有日常训练还不够，还要充分去理解业务，了解业务。

3.数据分析其实只要三页纸

这个真的不是开玩笑，当然，因为分析工作的深浅不同、所需数据量不同，其实三页纸也可以替换成三个部分。

那么，第一个部分就是，亮哥一再强调的，分析的背景、目的、选择的样本量、参照物，以及希望得出的结论的假设。

譬如说，原先的商品落地页上，用户的购买转化率不到0.01%，需要研究这种情况是否能够得到改善，由此我们选择了2000个用户，随机分为两组，A组看到新的商品落地页，B组维持原有的商品落地页，在30天的时间内，对比这两个小组各1000个用户的购买转化率的变化，参照对象分别是：

A组 VS B组在30天内的单人日均转化率；

A\B组用户在看到该页面前后各30天的单人日均转化率

假设商品落地页的转化率低是由于页面设计不合理和页面内容不满意，经过对新版落地页的调整，改善了页面设计和页面内容呈现的结果，希望通过本次数据分析，找到优化商品落地页，提升购买转化率的可能性。

第二个部分很简单了，把取到的样本、数据都列出来，进行参考对比，必要的数据解释工作可以先备注好。

第三个部分就更简单了，基于数据分析的结果，去反馈结论、提出假设与组织验证，即可。

所以，实际上每个数据分析的报告，其实就应该是这三个部分就好。

4.理解结论、假设与行动项

最后的部分，来举个例子，和大家说说结论、假设与行动项。

数据专员小王做了一份长达26页的数据分析报告，这份报告是围绕现有的内部渠道的运营质量进行的数据抽取和分析。

报告里洋洋洒洒列出了内部已有的多个渠道，在半年多的时间里这些渠道做了哪些内容投放，相关的展现率、点击转化率的统计，然后，结束了。

于是小王的领导老毛就和小王聊天了：

「这是你的数据分析报告？你为什么做这样一个分析？」

「因为负责渠道的同事提出了需求，希望了解渠道这半年来的相关数据。」

「是要数据，还是要分析？」

「要数据，但是要协助分析。」

「如果要数据，你提供一张Excel表格就可以了，但如果要分析，这个PPT是不合格的。」

「哪里不合格？我为了这个报告加了3天班……渠道那边说挺好的……」小王很委屈。

「或许他们觉得你帮他们做了数据美化工作，而且他们自己对数据分析的目的性想得不够多，所以才觉得挺好的，但在我这里，是不过关的。」老毛详细给小王解释：

「你看，你列出了这么多渠道的半年数据，拿其中一个渠道来说，我问你几个问题：

1、这半年来，通过A渠道，投放了36次，这36次针对的对象、内容有什么样的差别？对谁投放什么内容，在什么时间点投放的效果是最好的？反之，什么时候以什么形式，对什么人投放什么内容效果最差？你的结论在哪里？

2、如果你已经从数据中总结出了，在某个时间对某类人群通过某个形式投放的某一类内容的效果很好，那么，请问，这个渠道是不是只能在这个时间对这类人群用这种形式投放这类内容有效果，能不能在其他时间对其他人群换一种形式去投放不同内容，也能带来效果？你提出的假设是什么？