作为数据分析师，我们每天都在跑数，做分析，但是分析出来的内容总是被他人评价没有高度。那么，究竟什么样的数据分析，才能算得上有高度？作者分享了几点做有高度的分析的技巧，一起来看看吧。

我们经常抱怨：每天工作都在跑数，做出来的东西，总被嫌弃“没高度”。都是统计计算，咋就需要“有高度”了？今天通过我的一个真实案例，看看数据分析是怎么做到被评价为【有高度】的。

问题场景：某传统企业的电商部门，市场部领导找到数据分析师，拿了商品当前库存数据与周销售数据报表，请帮忙分析。业务方表示：没有明确分析要求，做一个探索性分析。

问：这个分析该如何做？

01 负分的分析

• 昨天库存120
• 今天库存220
• 环比增长83%，建议搞低

点评：懒得点评了，大家自行吐槽。

02 一般的分析

• A产品周销量100，库存还有400，还能用4周
• A产品补货周期为3周，可继续观察
• B产品周销量100，库存还有200，还能用2周
• B产品补货周期为2周，建议本周开始着手补货

点评：知道进、销、存的数据得连起来看，知道考虑补货周期，这起码及格了。

03 有点高度的分析

• A产品有季节规律，目前在周期末尾，预计库存够消耗3周，不建议补货
• B产品已到产品生命周期后半段，每周销量递减，应加速出货
• C产品为非季节性标品，周销量100，库存200，还能用2周，本周可补货

点评：做数据分析工作和上学做作业的最大区别，就是“实际工作中没有标准考题，只有待解决的问题”。因此并不是说业务部门甩一个数据，就只能看这一个数据的！并且，产品生命周期、自然周期、是否稳定销售，是不需要业务部门叨叨，数据分析师可以自己通过数据来发现的。因此想发现问题，没必要等着业务来教，完全可以自己主动出击。

从业务常识和数据表现两个角度，发现数据背后的规律。季节性商品：比如冬季保暖防寒、夏季降温解暑的产品，应季销量才好，并且如果今年冬天没这么冷/夏天没这么热，销量会打折，表现在数据上如下图所示：

生命周期性商品：比如电子产品、每季新款服装，上市后卖得价格最贵、销量最好，越往后越不值钱，等季节一换，新款一出，只能降价清仓。表现在数据上如下图所示：

稳定销售型商品：比如米、面、油、蛋，纸巾、洗发水、沐浴露，日常生活都需要，可能每周跟着整体销量（比如门店客流、网站流量）有波动，但大体上不会大起大落。表现在数据上如下图所示：

这些可以在平时日常数据中就发现规律，积累经验，不用等业务方叨叨才动手（很有可能，业务方自己清楚这些差异，所以自己动手算了数，也不会再问）。

04 这里有2个小细节要处理

细节一：如果不是经常补货的产品，而是新款产品，如何预测未来走势？最简单的做法是根据产品品牌、价格段，对产品定级别，根据过去同级别、同价格段的产品表现做参考（如下图）。

细节二：如果周期性销售产品，受到外部影响，比如下雨了，没生意，如何评估走势？最简单的做法是看影响因素的持续时间，根据过往影响，直接在未来持续时间内做调整（如下图）

当然还可以用更复杂的预测方法。有趣的是，这种预测会改变业务方的行为，因此不见得需要特别准地预测，比如二分类预测：2周内能销完/不能销完，就已经能促使业务方决定清不清货了。关于预测的更多知识，戳【预测不准，别只会怪数据分析师！！】

这就又涉及到一个关键问题：精确度多少能接受。企业里数据分析工作和做作业的第二大区别，就是：“真实工作需要和各部门沟通，不是完了卷子等正确答案的”。

特别是在本案例的场景里：业务部门自己都稀里糊涂，没有明确目的！此时更不必强行追求计算结果的准确度，而是有了初步结论以后，就能开会沟通一轮，提示风险，了解内情。除非遇到库存成本特别高且保质期很短的，比如生鲜中进口水果、海鲜，医疗用品中的冷柜存放的疫苗一类的特殊产品。

一般的产品都有一定周转空间，因此控库存的最终目标不是100%压点清仓，而是把库存控制在安全范围内即可。所以与其自己纠结要死，不如看看目前市场部的库存压力是否能承受。那么，是否有更有高度的分析呢？

05 更有高度的分析

问一个简单的问题：市场部身为运转中枢，为啥销量、库存这么核心的数据还要跑来问呀！市场部的人跑上门问，这个动作本身就是大问题。敏感度高的数据分析师，在跑数之前就应该感觉到不对劲了。事出反常必有妖，事前沟通很重要！具体情况可能有很多，但有个核心问题要首先解决：业务方到底是真不懂，还是假不懂！

不要笑！不要以为核心数据业务方就真的了如指掌。很有可能之前业务发展顺风顺水，所以大家都习惯拍脑袋了；也有可能之前吃了行业红利，真的是母猪飞上天。总之，如果是真不懂的话，就需要：

• 建立数据监控体系
• 诊断现有问题
• 提供建议先处理眼前问题

培训相关人员，建立长效监督机制这样把商品运营的工作从原始状态，推进到数字化管理的状态。如果是假不懂，还要看是缺人手还是缺帮手！

如果是缺人手，需要人帮忙清理数据，这时候牢记：

1. 上产品
2. 上产品
3. 上产品

数据产品才是解决处理数据人手不足的最优方案，不是再招聘几个Excel boy填坑。Excel boy/Sql boy 的存在，本身就是数据工作的负担。既浪费成本，又不能体现绩效。业务能力强就上数据集市让他们拖拉拽；业务能力弱就固定看板，然后教他们看。

如果是缺帮手，就得看帮着干什么：

• 某几款产品运作得不好，想提前清掉库存
• 某几款新品想上，想把之前的几款当标杆，作为支撑依据
• 某几款产品想大量补货，但是怕老板不批，想多一个人发声
• ……

这些目的可不是业务方不表态，数据分析师能直接猜到的。所以业务方想让数据分析师帮忙发声，就老老实实表明来意，大家一起合计合计。

确实有业务方，喜欢阴阳怪气，有想法不说，非让数据分析师猜，猜不中就说：“好像分析得没高度，不符合业务期望呀”。这种做法就是在为事后甩锅做准备，不搭理也罢。

06 小结一下

在企业内谈分析高度，和在学校做科研谈高度完全不一样。科研领域才讲高精尖，用的方法越复杂、越前瞻、越先进越好。企业的目的是挣钱，挣钱讲究效率，讲究配合，讲究实用。因此，有高度的顺序是：

1. 结合业务情况 ≥ 单纯计算数字
2. 发现业务问题 ≥ 单纯铺陈结果
3. 达到业务目标 ≥ 单纯就数论数

在这个过程中，需要有基础业务理解，需要和业务紧密沟通，需要看具体目标量体裁衣，这才是提升分析高度的最有效手段。