数据化运营成为当前企业经营降本增效的重要手段，用数据说话，数据驱动决策也逐渐成为重要的工作习惯。但实际上，很多人甚至是数据分析师使用数据时，往往只是停留在取数据、看数据阶段，从数据中挖掘出有效的决策结论却迟迟难以入门。数据分析界流传的一个段子就是，数据分析师费了九牛二虎之力一通分析猛如虎，最后得出的结论是下雨影响了订单量。
一、 数据分析的核心目标
数据驱动决策需要解决：是什么，为什么，怎么样，如何做四个问题;
是什么：构建可以全面反映业务全貌的数据指标，从拍脑袋定性决策到有数可依的定量决策
怎么样：如果只告诉你昨天DAU100万是没有任何意义的，需要给出数据指标好坏评价的标准，比如同环比历史同期对比，和目标KPI对比，和竞对对比，和大盘对比等对比，这样才能判断业务是否健康
为什么：当对比发现数据指标表现异常，如环比下降50%(正常10%)，需要通过关联指标分析、维度拆解，定位到影响指标变化的关键因素
怎么做：定位到具体的维度(产品、渠道、区域等)后，再去结合业务内外部运营动作的变化，定位具体的原因，从而输出下一步的行动建议;
二、 数据分析输出决策建议的思路
在战略分析领域一个经典的模型是波士顿矩阵，基于市场份额、市场增量率两个指标将业务落位到四个象限，增长率高、市场份额高的业务定义为明星业务，需要加大投入扩大优势;而对于份额低、增长率低的业务，则建议逐步放弃，把资源投入到其他业务中;
在数据指标分析时，可以借用波士顿矩阵的思想，以流量投放渠道为例，可以从获客能力、营收能力等不同的指标维度将渠道落位，同时建立四象限划分的基准线(比如平均值、中位数、行业参考、Top优质渠道等)，气泡大小可以用流量规模来表示，这样再给到业务渠道投放策略建议时，就可以根据渠道落位直观的给出，例如：
XX渠道获客能力强，但营收能力差，需要优化进站后产品承接策略，提升用户收益;
三、 小结
数据分析的价值在于把数据代表的业务含义准确地监控和表达出来，很多数据分析或数据产品缺少分析结论建议的输出时，往往会沦为取数工具，难以体现自身的价值，开始自我怀疑。
