无论是产品还是运营，都离不开去用数据分析、解决异常问题。但是，在我们找到数据后，数据并不会直接告诉我们答案，我们需要做的就是把问题转译成维度和指标，然后提取数据，之后才是分析、解决问题。

数据分析是产品、市场、运营等岗位的基本技能，越来越多的 *** 要求中，将数据分析视作基本要求。当然，大部分情况下，业务需要的数据分析是非常基础的，只需用Excel做基本的统计计算，无须像专业的数据分析师，手握SQL和R，运用回归、分类树等算法，输出高精尖的报告。

从业务场景出发，数据分析是问题驱动的。也就是说，每一次启动数据分析，本质是发现问题、翻译问题、归因问题和解决问题。

基于数据，发现问题是数据分析的之一步。问题之所以被称为问题，是因为数据表现不符合“常理”或逻辑，正所谓“事出反常必有妖”。

01 发现问题：异常与锚点

大学时上普通心理学课程，讲到精神障碍一章定义“正常行为”时，老师课上讨论过“正常”的定义——是取平均值，还是取众数，还是取中位数？

数据分析中也是如此，“常”是什么？

“常”可以是时序中的历史数据。比如App的日活用户数（DAU），我们要判断它是否正常，通常需要参考T-1、T-7、T-30的DAU，计算环比增幅（降幅）。

“常”也可以是竞品或者行业均值的指标表现。例如，微信公众号头条文章的粉丝打开率为5%（一个虚拟的数字不具备实际参考意义，即100个公众号粉丝，平均5个会打开公众号推送的头条文章）。如果你的公众号的粉丝打开率低于这个数值，那么就要反思，是否是头条文章的内容不够吸引人。

或许你也发现了，“正常”也好，“异常”也罢，都是基于比较产生的。增速“快”、渗透率“高”、客户数“少”，都是相对而言的。因此，基于数据定位问题的之一步，在于找到正确的锚点。

再看一个简单的例子，你就会明白选择正确的“锚点”对于定义问题是多么的至关重要，因为只有选对锚点才能发现真问题。

互联网广告有一个显著的特点，广告主特别是中小广告主倾向在周末减投或者停止投放，因此周末大盘的广告主数量都会比较少因此。如果是将周六在投的广告主数量与T-1（昨天，也就是周五）的投放广告主数量相比，在部分行业会出现“断崖式”的下跌。但是如果你去对比T-7（也就是上一个周六）在投广告主数量，你会发现数据并没有发生显著变化。

假设我们已经定义清楚了问题，那么接下来就是找到引起问题的因素，而这则需要数据指标按维度的拆解。

02 翻译问题：维度与指标

工作当中，无论是刚入职场的新手，还是已经在职场打磨十几年的老兵，面对数据分析时，最常犯的错误是混淆维度与指标。

维度是针对对象的描述性特征或者属性，比如城市的分级、性别、行业等；指标是用户衡量对象的单位或者 *** 。维度与指标一般成对出现，共同构成一组数据。

例如，我们要分析北京、上海、广州和深圳4个城市2019年的GDP，那么城市就是维度，GDP就是指标。

再举一个例子：最近疫情发展牵动着很多人的心，我每天早上醒来除了睁眼，之一件事情就是查看昨天全球新增患病人数，特别是每个国家的新增患病人数。在这里，维度就是国家/地区，指标就是昨日新增患病人数。

数据提取时，我们还需要定义的是“筛选条件”。严格意义上，它只是维度或者指标的二次使用，与维度、指标并不在同一个逻辑层面。

现实业务中，我们的数据表中存储着多个主体的多个指标数据，但是不是所有的维度和指标是需要我们关注的。因此，我们通常会通过维度或者指标，对将要提取的数据进行限制，避免数据量级过大，同时也避免我们的注意力分散。

还是以本次疫情中每个国家新患病人数为例。假设我只关心那些已经出现新冠肺炎病例的国家，因此筛选条件为截至到昨日，累计感染新冠肺炎病例数（指标）>0的国家和地区；那些还未出现感染患者的国家和地区暂时就不用考虑。

当然，如果只希望关注亚洲国家的疫情进展情况，那么在国家这个维度中，只需将国家限定为中国、日本、韩国、伊朗等亚洲国家。

在我们正式进入后面的内容之前，请记住：维度、指标与筛选条件，是我们进行数据分析的基石。