很多做數據的同學，光看着自己寫報告，看不到自己的建議被落地，常心懷缺憾。覺得不能像產品/運營那樣打造一個數據分析的閉環，能力也沒法提升。其實這是一種誤解。今天結合一個具體案例，看看數據分析的閉環，究竟如何打造。
問題場景：
某餐廳，其所在的商場原本可免費停車，從本月起改為收費停車，而且停車費相當貴。餐廳店長糾結：停車費是否會影響收入。問：該如何做分析？
這裡最容易范的錯誤，就是列了一堆數據：
昨天收入10000
前天收入12000
環比增長20%
……
這是不及格的回答。僅僅羅列了數字，沒有任何結論。因為問題是：「停車費是否會影響收入」。所以分析的最終結論，至少應該是：「會/不會」。
注意，只回答會/不會，仍不是完整的答案。
如果是會影響，那到底是影響一點點，還是能直接把店干垮了？
如果是不會影響，那為什麼停車場收費以後「感覺」客人少了？
這些疑問需要進一步的回答。一個完整的分析，不應該只陳述結論，而且應該附上數據論證過程。這是數據方法與其他方法的最大區別。聽聽都有理，但是完全無法用數據驗證，因此也就是純嘴炮級別的討論。
要完整地分析，需要用數據論據支撐論點。比如論證：不會影響收入2、收費前/後收入結構沒有變化（並非某些人少了，某些多了，總和不變）3、收費後的波動，是非停車場因素導致的（比如自然波動、促銷影響）4、其他影響消失後，收費後波動也消失，和收費前一致
注意，有可能收費帶來的是長期影響，有可能需要多觀察幾周才能看到更明顯的規律，所以結論也是可以分短期、中期、長期推出的。因此在給結論的時候，最好給出監控指標，避免後續無法追蹤長期效果。
但是這樣還沒形成閉環。因為即使到這一步，輸出的還是個結論而已。結論對不對，需要時間來檢驗。結論有沒有用，需要落實到業務上才能見成效，因此還要繼續往前推。三、從完整到閉環注意，同樣的數據結論，有可能在落實到業務的時候，出現完全不同的聲音。比如已經在上一階段落實了：停車收費會影響會員用戶消費人數，板上釘釘了。
A說：找物業協調一些免費停車票不就好了，誰停車給誰B說：老會員跑了，新會員補上不就好了，該給新會員補貼
四個聲音相互矛盾，無論如何，最後肯定只採納一個意見。另外三種很有可能永遠都沒有機會檢驗。
此時數據分析師該咋辦？答：用MECE法，把各種意見都梳理出來，然後先設好監控指標。之後無論哪個意見被執行，都能監控其走勢，檢驗分析是否正確（如下圖）
經過檢驗以後，正確的認識被保留，問題結束，閉環完成。不正確的認識，可能需要好幾輪測試才能淘汰掉，逐步逼近正確。這裡可能需要耗費大量的時間，特別是很多產品/運營迭代很慢的企業，一晃幾年都有可能。
這裡也有可能消耗大量的成本，特別是業務上無視數據，固執己見，不撞南牆不回頭，甚至撞得滿頭血都不回頭的。
行動遲緩、無視數據、剛愎自用，都會導致業務失敗。但注意，這些是業務本身犯的錯誤。如果數據分析能在多輪迭代中，成功預知到這些錯誤結果。那麼數據分析已經實現了分析閉環，並且提升了自身能力。
要特別注意一個問題，就是在提假設階段，只給預判，不給預判邏輯。在總結階段，只看大結果，不看過程。這種不顧細節的做法，跟算命瞎猜沒啥區別，也經不起反覆實驗的檢驗。
聰明的同學們已經注意到了，數據分析的閉環，是不需要經過業務同意就能建立起來的。因為在第三步，已經通過MECE方法，對每種可能性建立了監控指標，並做出了預判，因此無論業務選哪條路，都能檢驗數據分析的準確性。
相比之下，運營和產品就被動得多，很多基層的運營/產品就是領導的傳聲筒，除了忠實完成老闆交辦任務外，沒有自己的想法——有也沒有用，老闆一句不同意，就能把萬丈豪情打成粉末。相比之數據分析，真是慘太多了。
如果每次數據分析做出的預判都很準的話，就是所謂：知其所以勝，知其所以敗，這就是數據分析的最高境界了。說明分析師本人已經抓住了一個業務的核心規律。
當然，不准也沒關係，特別是新手剛起步的時候，能做好前兩步已經很好了。這一點需要長時間的鍛煉與積累才能實現。同學們一起加油哦。
點這裡👇關注我，記得標星哦~
留言列表