宏观|6000字干货｜数据分析需求处理详解( 二 ) 赚钱|fsd|自动驾驶|model|超级工

（5）是否有时效
时效性的理解就是，如果这个问题现在不解决，对业务后续发展会产生一定的影响。
比如，研究前年10月销售下跌的原因则没必要，要保证数据与时俱进，避免数据过于陈旧；再比如，当前时间节点若是处于市场竞争激烈的态势，则需实时把握产品的数据变化，及时发现问题并解决，当前的问题延期到未来作用性衰减。
（6）是否波动大
波动“大”没有绝对的标准，但有相对的标准。比如，整个行业的波动是1%，你的产品波动5%；再比如，波动一直处于1%上线，但突然有一天波动了5%。只看波动5%可能觉得也就5%而已，影响不大，但相对来看，5%已超出了正常范围。
3. 通过什么方式发现问题与历史对比：是否符合历史惯例趋势，比如数据一直平稳波动还是突增or突降？
与同期对比：如周同期、月同期，年同期。比如2020年双11期间销售额较去年同期是涨了还是跌了？
与总体对比：比如某个sku盈利情况与所在品类盈利情况的对比，该sku对总体的的贡献率如何？
与竞品对比：与有相同应用场景、相同用户群体、存在竞争关系的产品进行对比，寻找差异点。
与目标对比：与公司目标、部门目标相匹配的可衡量指标进行对比，是否有跟着公司战略方向走？
与经验对比：以经验第一时间迅速洞察问题，比如双11某门店营收不升反降。经验不需要数据支持，但需要敏感的数据思维以及数据分析经验支撑。
与预测对比: 与预测数据的差距是否在正常范围内？
4. 问题拆解与归类工作中面对的问题大大小小会很多，即使是同一个问题也可能会被不同人的发起。每获取一个问题就记录下来，加以归类再去选择性的攻克。
常见的问题归类方式有：
按照四象限法则进行归类：紧急不重要、紧急且重要、不紧急不重要、不紧急重要
按照问题类型进行归类：交易相关、流量相关、用户体验相关、数据安全相关、财务数据相关……
按照优先级进行归类：P0（重要紧急，当前亟待解决）、P1（非紧急，可适当延后腾出时间优先解决P0）、P2（非紧急，可后续再做）……
有时候我们遇到的问题很棘手，大且复杂。一片迷茫，思维混乱。如何着手去解决？这时候，我们需要将复杂的问题“拆而解之”，而非将焦点浮在问题表面，把大问题围绕核心点拆解成可以行动的小问题，找到切入点。
打个比方，某个线上产品营收下降了10%，将10%拆解到各个子产品线、各个地区维度等，拆解出下降由哪方面带来，再针对性的逐个分析。
5. 站在业务角度想问题做分析，很容易陷入一个圈：为了分析而分析。
看到一个问题，会想可以用xx模型、xx技巧、xx模板来分析了。使用了一圈的技能，复杂的过程，密密麻麻的公式等，感动了自己，迷茫了需求方。不是说不能使用，而是要回归业务本质，先从业务角度出发，思考这个问题的价值。分析方法向业务靠拢，而非业务需求向分析方法靠拢。
了解清楚了问题的业务价值，以后最起码可以站在一个更高的公司策略层面的角度，谈论这个问题的核心意义。
我最初做分析的时候，就陷入了这种圈子。辞职的时候，跟领导说不想做这种只跟业务方打交道的分析，也没涉及任何模型，想去做涉及模型的分析。现在想来，好愚昧的想法。
做分析需求不一定需要复杂的模型，反过来，做模型一定需要深入了解业务知识，哪怕数据科学家这种对分析模型深入熟练的角色，也有着深入的业务了解程度。不管怎么说，深入了解业务，不亏。