编辑导语：说到数据分析，大家第一反应肯定是数据，不少人都认为数据分析没有数据是做不成的。但是，如果真的遇到了没有数据或者数据不足的情况，应该如何推动数据分析呢？本文作者为我们总结了这三大法宝。

有个朋友私信我，找我抱怨他的苦恼。他花了5位数报了一个数据分析班，分析思路、方法论学了一大堆，结果在公司用不上！原因是因为没有相应的数据！

他一边哭诉无良培训班，一边心疼自己的血汗钱。搞的我这也很尴尬，同理心瞬间爆发，直接代入到培训班老师角色了，各种安慰起来。聊天记录就不发了，太尬了！

不过事后一想，这事情不是这么简单的，我不是给培训班洗地哈，因为这个问题还真值得说一说。

一、从斗地主说起

也是，都说数据分析师能开启上帝视角，统揽全局，然后进行科学决策，最大程度的提升企业竞争力。但是哥们说了，没数据你说个毛线啊！没数据，这上帝视角仿佛也被乌云给遮住了，只看个只言片语，咋分析啊！

不过，谁说不能掌握全局信息就不能科学决策了？各位过年斗地主赢钱了吗？我整个假期都在写原创文章，可没功夫玩斗地主。但是不妨碍咱拿斗地主说事儿。你是不是觉得有些搞笑，斗地主跟数据分析、科学决策有啥关系啊？

这关系可大了去了！可以说斗地主就是一个非常经典的数据分析应用场景啊！你看：每个人抓牌之后，只有17张牌，地主20张牌。每个人都并不掌握全局的信息。目标又很清晰，需要三方决战，己方获胜才行。

每个人能看到的信息只有手上的17张+3张底牌，也就是说每个人都是在信息不足的情况下进行决策，期望率先出完手中的牌，获得胜利。新手打牌呢，基本上就看着手上的牌机械的对应出牌，能管上就管，管不上就过。

老手打牌呢，就会拓展所有信息来源，扩充自己的信息资源，仅凭已知的牌就能推断出非常多的信息。

比如，手上17张牌，起码能判断出自己的断张牌，这些都能识别为风险；根据手上的王、2、A、K的张数，能推断出大牌的大致牌力分布；根据手上的3带、4炸的分布，可以确定其他二位的断张情况，从而推断其他人的牌型。

比如你手上有3张或者4张7，再根据自己手上的牌，那基本上可以确定上下手的小牌大概率会比较零散。除了这些之外，老手还会看地主、农民的位置，3张底牌也是很重要的信息。到现在，才是观察自己的牌型分布，找到牌权，确定控场策略，规划出牌战术。

这还不算完！因为以上这些，都是刚拿到牌的时候可以了解的信息。在上下家不断出牌的时候，老手会不断的收集新的信息，帮助他不断确定上下家手中的牌，甚至还会主动出手试探。

比如你是地主，手上有1个2，就可以先出一个A试探2的具体分布。出2管你的大概率也是一个2，另外一方基本上就是一对2了；如果有人直接出小王管，那基本上可以肯定外面3个2在一起了。

这时候如果手中有大的3带，就得找机会出，消耗掉对方的3个2，这样我们其他稍微小一些的牌就能拿到牌权了。

你可能会说，这不够精准啊，会猜错的，万一就是有人有2就是不管咋办？

咱推测的前提是大家都是正常人哈，捣乱的不算，但是更不怕了。我看过不少精彩牌局，有经典牌局霸气到直接判定逃跑的一方手中只剩对4，炸完对方打牌后，打对4挑衅对方的场面，他们判定的真的非常精准。

当然，超强的记牌能力也是必不可少的。2020经典牌局第一名，打到最后，三个人手上只有一张2，其他全是7以下的小牌。就这还惊心动魄的来了三四个来回，最后拿2的稳若泰山，巍然不动，坚决不出2，逼地主出对3，放队友对4赢得比赛。

二、数据生崽术

所以，没数据咋办？咱学斗地主啊！你看，斗地主也是缺乏数据对吧？我们是怎么做的？

1. 充分读懂手上的牌，怎么读？区分牌权、大牌、7/10等关键牌、断张；
2. 结合角色、位置、手牌和底牌，推测其他角色手牌牌型分布；
3. 结合自己的牌型、牌权、单张、角色和位置，规划出牌战术，如果是农民，需要确定主跑还是配合；
4. 在后续出牌的时候，一方面要记关键牌，另一方面可以不断推测其他双方手中剩余的牌力牌型，然后针对性的进行拦截、攻击、引诱和试探。

咱把这些抽象一下，然后应用到数据分析领域上：

1. 充分读懂已有数据。怎么读？给现有数据打标签，让数据生个崽儿；
2. 结合市场动态、业务场景、参与方等信息，推测其他参与方信息，作出粗略判断；
3. 结合自己已有的信息，规划运营策略；
4. 布置运营策略监测指标，不断观察其他参与方（如客户）的反应，推测其根因，然后针对性的进行运营策略调整。

比如最简单的一个场景，咱拿到了一个这样的数据，数据量有几十万：

乍一看，信息量太小了，啥也没有，根本啥也代表不了么。我先给你一个法宝：数据生崽儿术，咱先给让数据生个崽儿，咋生？

1. 打标签

所有的日期可以打标签吧？月末、月尾、工作日、星期、周末、节假日，这些都是常规的，弄个日期维全都有了。

所有的时点也可以打标签吧？出行的：早高峰、晚高峰；吃饭的：午饭、晚饭、夜宵高峰；人群活动的：上午、中午、下午、夜晚、深夜、凌晨等等。

所有的地区也可以打标签的吧？一二三四线城市、旅游、文化等等。

订单数也是可以分级分类的吧？小单量、中等单量、大单量、爆单等等。

2. 其他参考数据

打标签这件事情咱可以想很多很多，但是这还不够！咱还可以找到一些引子，引出更多可以参考的数据。比如我们有时间，是不是可以引出去年同期的数据？

去年的数据没有啊？那我们还有城市，可以引出城市相关的其他数据，常住人口、人均收入、GDP等数据；同时，我们还能引出该城市的行业数据。

如果咱分析的是餐饮数据，那就可以看看商圈、餐饮分布、平均消费能力、口味偏好等数据；如果咱分析的是出行数据，那就可以看看职住情况、平均拥堵、平均路程消耗、私有车保有量、天气情况等等数据。

这些都是公开数据，也不需要你花多少时间，都能拿到手。

3. 业务数据

咱除了这一张表格之外，是不是还能获取更多的相关的数据？

一方面可以横向拓展，这是业务表现，是最终结果。往前是业务运营，各种活动的数据，再往前是客户运营等等。单从业务表现往下深挖，订单的前后环节（访问、加购、下单、付款、退款等），订单的构成（产品类目、客单价、渠道等）。

啥？你说没权限拿到业务数据？行。没问题，咱还有招！

三、业务反推术

数据现在变多了吧？啥？你说好像还是没啥分析思路？这里我得多问你一句，什么叫分析思路？是分析套路？分析模型？我认为都太片面了。

我理解的分析思路是用数据抽象、整理出真实业务场景的路径。你看AARRR、客户生命周期、杜邦分析法、OSM模型等。所以想要分析思路，咱得逆向从数据中反推出真实业务场景。

当然，但从数据上并不能完全推断出来，所以我们还得用另外一个法宝：业务反推术。我们从数据上能反推出一些，但是现有数据不够啊，所以我们还得继续获取信息，获取这些信息最好的方式就是找业务人员聊。

哥们说了：我这是在面试啊，没办法访谈业务人员咋办？放心，面试本质上就是一个沟通、谈判的过程。不是高考答题，不让你问问题。没有业务人员，你可问面试官。

1. KPI分析法

问那些呢？

一个取巧的方案：KPI，KPI有非常多的好处，一方面体现了公司的发现方向；另一方面也会告诉你当前业务的核心点。

因为没有那个傻子把KPI设置成跟业务没关系的指标上的，而且最关键的是这些KPI之间是有非常重要的关联关系，并且有评判标准！这是非常有价值的数据。我们不仅可以反推商业模型，甚至连业务流程都能梳理出来了！

2. 业务流程分析法

当然如果是在面试，问KPI就没啥用了。我们可以直接问背景、业务目的、业务流程和其他业务特征。然后再结合数据，就能反推出完整的商业模型、业务框架、业务逻辑了。

四、分析模型构造大法

可能你还是会说：我现在非常理解公司的业务，但还是没有分析思路啊，更不用说上面那个例子中的那些数据了。

怎么说呢？你说在第一个数据分析模型/思路出来之前，这世界上是咋编出来数据分析模型/思路的呢？这不是废话呢么？当然是人想出来的啊！

对啊，你我都是人，我们怎么不能想出来思路呢？分析模型/思路越通用，在使用的时候就越不得劲啊！来，我来给你第三个法宝：分析模型构造大法！

1. 代入业务流程

一些数据摆在具体的业务场景中，这含义就会非常清楚。所以有一大类数据分析思路其实就是业务流程式分析，AARRR、生命周期等都是。

2. 横向对比

如果还想进一步分析，那就做横对比，时间层面同比、环比，看增长；地区层面同级别对比、区域性对比，看差异，其他维度同理。

3. 纵向深入

按照MECE的原则，一步步纵向拆分指标数据。其实杜邦分析法、构成、下钻等分析方都是纵向深入的好工具。

4. 业务重构

根据我们对业务的理解，进行解构、重组，最后抽象出来，就有了各种业务分析套路，比如人货场、三流、OSM等等。只要业务理解深，抽象手段熟练，模型思路要多少有多少。

五、总结

完美的上帝视角是不存在的，因此数据分析永远是在缺少信息的情况下不断逼近真实情况，做出精准决策的过程。

斗地主其实就是一个非常典型的数据分析应用场景，同样没有完美的上帝视角，同样缺少信息，但是又得做出精准的判断。

新手打牌只会看手中的牌，老手不但会分析手牌，还会看位置、角色，从而规划自己的战术，还会不断被动、主动收集各种信息，进行准确判断，不断修正出牌策略，最终获得胜利。

我们做数据分析也是一样一样的，用“数据生崽儿术”拓展更多数据，可以用打标签、获取参考数据和业务数据等方法；再用“业务反推术”不断逼近真实业务场景，可以使用KPI分析法、业务流程分析法等方法；最后用“分析模型构造法”建立分析思路，提炼对应策略，有代入业务流程、横向对比、纵向深入、业务重构等具体手段。

这些招数一用，再少点数据，我们也能说出个12345来，不信你试试？

#专栏作家#

大数据架构师，微信公众号：大数据架构师，人人都是产品经理专栏作家。国药国华大数据总监，擅长BI、数仓、数据中台产品规划领域。

本文原创发布于人人都是产品经理。未经许可，禁止转载

题图来自Unsplash，基于 CC0 协议