编辑导语：需求处理是数据分析的前期阶段，前期阶段做得如何会直接影响到后续的工作和发展，在本篇文章中，作者就针对需求处理这方面进行详细的介绍和讲解，推荐想要学习数据分析的群体阅读。

需求处理是数据分析的前期阶段，前期阶段的准备工作直接决定了后续分析工作的方向以及分析的价值。所以，需求处理至关重要。本文专针对需求这块，做下详细的讲解。

需求处理阶段包括三阶段：发现问题、需求确认、需求处理。

一、 发现问题

1. 以数据分析思维看待问题

先引入下王大爷的故事。

我去王大爷摊位买烤串，唠嗑中王大爷说现在现在赚的不行了。我甚是同情王大爷，安慰王大爷说赚点钱买买菜，够日常花销就行，人嘛就要过的开心点。

王大爷：买菜肯定…

我：不够？

王大爷：花不完，就是想置换一套内环内的房子了，现在五套不够住。

我……

那问题来了，王大爷口中的“赚的不行了”是通过什么得到的结论？

与过去比？过去日赚1W，现在日赚8000，这么比确实少了；

与目标比？目标希望赚个千万，买套内环内大房子，这么比确实赚的不行；

与行业平均水平比？烤串行业平均日赚5000，王大爷已经是烤串中的佼佼者了；

与其他烤串大爷比？这个“其他”的对比群体怎么划分？选择和王大爷摊位所在商圈类似的烤串摊主？还是选择与王大爷串串产品类似的摊主？还是相同年龄段相同性别的摊主？还是平均客单价同一水平的摊主？（以上王大爷收入金额纯属虚构）

怎么判别王大爷的烤串是赚的多的还是少了？

这个其实就是根据王大爷抛出的问题延伸出来的新的问题。实际工作中，「问题」可以是领导或者业务方直接抛出，也可以是自己主动发现。但不管哪方发起，思考问题均离不开数据分析思维的支撑。

2. 找到有效问题

数据分析的过程其实就是发现问题并解决问题的过程。一个好的问题，时间与人力的付出才不会竹篮打水一场空，分析工作才有价值。发现有效问题，显得尤为重要。

有效问题的5个特点：

（1）是否有价值

此“价值”是建立在公司利益之上的。有价值的问题并不是说角度新颖、前所未有，而是触及到了公司的重要层面。

该“问题”是否与公司、部门的OKR相关，是否有跟着公司的整体方向走。比如某个产品已经流量见顶了，公司整体策略由之前的拉新获客变更为提升活跃留存、维护老客，那么即使产品的用户体量趋势即使逐渐趋于平稳，孛离公司整体策略，也不需要再在这上面过于下功夫研究探索。

（2）是否涉及核心指标

首先需要熟悉公司有哪些指标，尤其是核心指标具体是哪些。其次，需要继续了解这个问题是否涉及核心指标，且涉及了哪些核心指标。

（3）是否影响面广

是否关系到公司的整体策略？这个问题如果不解决的话，会产生多大的影响？如果解决了的话，会有多大的利好？

（4）是否可规避

受宏观影响还是微观影响？无法避免还是本可避免？

若这个问题受宏观政策的影响，比如疫情原因导致的线下门店销售下滑，再比如国家出台政策规定篇p2p年化利率最高36%，这是宏观因素，不可避免；宏观因素下，公司业绩指标变化较大，原因众所周知，且无法规避。此时单纯研究这个问题则意义不大。

若这个问题未受宏观影响，比如，某个产品的最近复购率下降，宏观上并未有任何政策影响，就莫名其妙的复购下降了，此时需要深入探索是不是产品本身存在了问题，还是竞品导致，或是其他。这个问题可以说是本可规避但未规避。

（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。

发现问题之后，有了初步的方向，下一步就是需求确认。

二、 需求确认与梳理

1. 确认需求背景

了解清楚需求背景，才能明白这个需求的意义，是为了解决什么问题而出发的，不至于迷茫的做分析。需求背景就是需求产生的原因以及想要达成的目标。

需求产生的原因:当前现状是怎样的？为什么会提此需求？遇到了什么问题？

需求要达到的目标: 此需求期望在什么时间通过什么样的方式达到什么样的目标？（when、how、what）

2. 确认指标口径

需要确认清楚这个需求涉及什么指标，哪些是核心指标哪些不是核心指标。每个指标的口径是什么，最近有没有更改口径。

比如客单价，即使大家都知道客单价=GMV/用户数，但是不能想当然以为需求方肯定知道，需求方也以为你肯定也知道，双方未核对口径直接开工干活。这样会存在两波客单价口径不一致的风险。分子什么维度、分母什么维度，都需要对清楚。

说白了就是，我以为你知道，你以为我知道，但是，咱们还是要对一下口径。

因为分析角色是干活的一方，需求方是发布需求的一方，所以面对需求，自身需要想的更多些，有些点需求方可能没想到，此时分析师需要具备更多的主动性。引导沟通、多方核对。毕竟，不沟通清楚需求直接干，容易背锅且被投诉，也竹篮打水一场空，浪费了时间。

所以前期不要怕沟通。最好是沉淀成文档，点对点沟通。

3. 确认数据维度

数据维度可以理解为研究数据的角度，比如地区、城市、用户名等。

需要向需求方了解清楚:

• 需要什么维度的数据？
• 此维度按照什么方式聚合？
• 去重还是非去重？
• 直接聚合还是累积聚合？
• ……

4. 确认底层逻辑

需求方提需求，一般只会讨论需求详情，但是需求怎么做，数据从哪里获取，他们不需要关心。

比如，需要看某个商品的七日复购率，数据库表中有七日复购率指标么？若有指标口径是否和需求方的口径一致？若无，需要从哪些数据库表进行关联得到所需数据？自己关联计算的逻辑需要数仓落表还是直接应用？

5. 确认资源配置

资源配置包括人力资源与排期资源。比如需要大致评估下需要什么团队安排几位人手做需求，以及安排的人员是否有排期。所以分析师在这里还扮演了一个协调的角色，协调好需求方、数仓、分析师等人员的配合。

需求紧急，排期紧张，还需要去协调是否将此需求优先级前调，其他需求暂且延后。

6. 确认需求完成时间

需求方大多数只给了一个最终的时间，比如这个需求2月10日需要完成。那么每个环节的详细时间计划，需要分析师去领头协调了。比如：

清晰的排期计划：便于需求方及时随时查看进度、便于自己有个需求跟进的时间参考。

7. 确认数据安全

分析师可以接触到很多底层数据，所以需要有数据安全意识。有的公司划分比较严格，某个模块的需求专门安排某个分析来一一对接。但有的公司没这么严格，所以需要判别下需求方是否可以查看该数据。

（1）需求方是否可查看该数据

即使是同一个公司的人，各自的数据权限也并不一样，一般不允许非必要性情况下获取本职工作以外的数据。比如，两个部门做着类似的产品，有着类似的用户群体，也背负着各自绩效，数据不能相通。

但对方都是希望可以获取另一方数据来做对比，这种情况有的公司不被允许。分析师自然也要判别这种情况，该给给，不该给则果断拒绝这个需求。

（2）明细数据是否涉及数据安全

另一方面，需求方有时候需要明细数据，即数据粒度较细的非聚合数据，比如ods层、dwd层的数据，还需要判别下是否能够提供明细数据。有的公司明细数据会受到公司安全部门的监管。毕竟，明细在手，各种角度的分析都能搞。

三、 面对不合理需求

工作中会面对各种各样的需求，确认需求是否合理也是一项重要的步骤。合理的需求建立在利益最大化的基础上的，就是以合理的资源做着合乎公司整体规划的需求。

但若是遇到了不合理的需求呢？

分析师虽然作为服务方，服务于需求方，但不需要将“满足一切需求”作为行事标准，这样解决的只是“量”的问题，并不会解决“质”的问题。其实工作中不必一味的迎合用户，当然也不是说直接掷地有声的拒绝，而是扮演好需求的引导角色与管理角色。

1. 引导角色

以前曾经接过一个大领导的需求，涉及一张图表，需要看不同商品在不同地区的趋势表现，比如看办公用品在北京、上海、杭州、苏州、南京等城市的销售额对比，还需要看学习用品在北京、上海、杭州、苏州、南京等城市的销售额对比，等等。

我其实做的是筛选器上筛选不同商品来看城市对比即可，但是这位大领导已经习惯了以前的做法，就是相同的图表一直平铺排列下去，需要一直上下滚动来看。

我的直属领导说，筛选的方式自然是很便捷的，只是还没习惯，也不必非要按照他以前的方法来做，你可以先尝试着去引导他，讲解下这种方式有什么便捷性。

这是个小例子。

还有个例子是，有需求方需要的是明细数据，数据量上百万，以表格形式展示出来供他们下载即可。用户是这么需求的。

但是作为分析，需要进一步考虑，为什么需求方要把BI当作一个下载数据的平台，而不是直接看数据的平台？在需求沟通的阶段，其实就要了解清楚需求方下载下来的目的？是BI看着不方便？还是用着不习惯？

如果说需求方下载下来之后需要进一步在excel上做数透、函数等处理，是不是可以引导需求方直接在BI上实现即可。因为明细数据的量一般不会小，经常跑明细任务给平台自身也带来了很大的压力，需求方的数据处理时间也增加不少。

所以，其实有时候也没必要非要被需求方牵着鼻子走。如果是个双赢的局面，不如加以合理的引导。

2. 协调角色

如果正在按部就班的处理着需求，突然插进来一个需求怎么办？工作中都会有这种情况。

需求方会说“我这个需求很简单，你先处理下吧” “我这个需求很紧急，大佬们都在盯着呢，麻烦你优先处理” “我这个需求10分钟之内就要出结果” “别人都能立即搞定，为什么你要明天才可以？”等。

（1）自己协调

如果手中需求的优先级已经跟各需求方确认好，穿插需求先考虑到会不会打乱其他需求。

如果好几个需求都喊着紧急，先紧急做影响面广的。其他的直接表明态度需要适当延后即可，但是最好可以给到一个具体的延后排期给需求方，沟通确认延期后的时间需求方可以认可，而不是直接一句“没时间”就完事了哈。

（2）适当求助

优先级如果自己不能做主，或者自己协调的时间需求方不认可，也可以适当求助上级领导，共同商讨下手中需求的优先级。毕竟领导经验更多考虑的因素会多些。

四、 沉淀需求文档

其实需求要梳理的内容基本上都在需求确认环节都确认清楚了。需求确认和需求梳理并没有严格的前后关系，可以同步进行。

只需要将口头沟通、会议沟通等全部沉淀成需求文档，一般来说包括以下内容：

1. 需求背景；
2. 需求描述；
3. 指标口径及数据维度；
4. 人员配置及执行计划。

需求文档沉淀完毕之后，还需与需求方再过一下。若需求后续有更改，也需要将需求更改时间标明上去，便于回溯。

以前我接需求特别不爱沉淀文档，觉得浪费时间，就直接开干。过了一段时间后，会出现：

• 需求方说当初讨论的明明不是这样的；
• 有使用方问指标口径为什么这么定呢；
• 其他人问这个需求为了解决什么问题；
• ……

能完整的将以前的需求讨论细节讲出来吗？甚至忘记也不好说。所以，沉淀很重要。如果需求确实紧急，也可以先开干，后续再抽空将需求整理出来。

做好需求梳理的沉淀，还有一个好处是，会让你想的更多更细，比起直接开干更可能及时的发现些问题。

作者：Janie Liu；公众号：溜溜笔记说

本文由 @溜溜笔记说 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