要想分析有價值，需要注意這幾點

1、提前做假設會遇到陷阱 

     某餐飲店會議室。面對堆滿數字的工作表，數名職員胳膊抱在胸前面露難色。“近三個月來，咱們店夜間的銷售業績總是上不去。大家有什么解決的對策？” “還是廣告的影響比較大吧。我覺得，不斷在電視或雜志上做廣告應該會取得不錯的效果。通過廣告提高店的知名度，客人應該會增加吧。” “也許吧。不過，廣告真的有效嗎？” “剛巧最近進行的顧客調查問卷結果出來了。這個問卷就咱們的廣告形象以 及光顧的頻率也進行了調查。” “是嗎？那就研究一下廣告形象與光顧的頻率是否有關聯性吧。” ……

      做出假設并對此進行驗證。你所在的公司，是否也是如此呢？ 

      公司里甚至可能還會有這樣一種人，他們所做出的假設頻頻中的，被人看作 極有分析感覺。眾多統計學教科書中也寫道：“做出假設，驗證假設。”因此，應該有很多人相信那就是正確的做法。 

      如果回到十年前，這些或許是對的。在沒有可用于分析的數據，調查成本也極大的情況下，不分主次胡亂收集數據并非良策。首先做出假設，在此基礎上收集必要數據進行分析是比較合理的。 

      然而，由于科學技術的進步，“依靠感覺做出假設，再予以驗證”的做法已經無法適用于現代商業。通過互聯網，我們甚至能夠以數百、數千人為單位進行迅速、廉價的市場調查，而且，現在幾乎所有的企業都使用電腦記錄庫存及銷售情況。即便是廉價的電腦，也可以使用 Excel 處理數以萬計的數據。 

      我們手中掌握著龐大的數據。只是不知道該如何使用罷了。在之前的時代，做出假設進而予以分析也可以說是“只看到了大數據的冰山一角”。

2、做開放式提問（open question） 

      做出假設進而驗證的方式會讓我們漏掉意想不到的重要發現。比如，你的部下這段期間的業績很差。你先入為主地認為“他業績差是因為沒有干勁”，要對此進行驗證。“你業績差是因為沒有干勁嗎？” 如果你這樣去詢問部下，是不可能獲得有用信息的：若對方做出肯定的回答，你會覺得“果不其然”；即便是對方否認，你也會覺得他在說謊吧。

能夠用“是”或“不是”來回答的問題稱為“封閉式問題”，這經常會讓提問者不由自主地將自己的想法強加給對方。

那么，怎樣才能在不把自己的想法強加于人的前提下，從對方身上得到想要的信息呢？ 

只要做開放式提問即可。要讓對方主動思 考 5W1H，即“何時”（When）、“何地”（Where）、“何人”（Who）、“何事”（What）、“為何”（Why） 和“如何”（How）。 

在上述事例中，提出的問題—“你覺得業績差是什么原因”就是一個開放式 問題。或許可以借此發現能夠解決的某些原因，而非干勁、能力等誰都可以想到的抽象原因。 

數據分析也幾乎如此。 

“對廣告有深刻印象的人光顧頻率高 ?”這 是個能夠以“是”或“不是”回答的封閉式問題，不過，我們可以將它改為開放式問題。留下后半部分的“光顧頻率高”，將 前半部分轉換為 5W1H，就得出了下面的開放式問題。

光顧頻率變高是哪個時期？（When）

光顧頻率高的店鋪位于哪里？（Where） 

光顧頻率高的顧客是什么類型的客人？（Who）

提高光顧頻率的因素是什么？（What）

為什么光顧頻率會高？（Why）

怎樣才能提高客人的光顧頻率？（How）

實際上，在上述問題中，最困難的是找出“為何”的答案，這需要將“何 人”“何處”“何事”的分析結果綜合起來考慮。 

我們為什么要進行數據分析呢？其實就是為了從數據中得到“事前根本想象 不到的商業上的啟發”。因此，我們應該做開放式提問，將數據中能夠得到的所有信息作為答案的候選。這樣一來，就很有可能獲得有價值的發現。 

反言之，真正有價值的發現，多是那些結果出來前誰也料想不到或者是跟直覺相悖的內容。而如果在會議室里提出跟大家直覺相悖的假設，則恐怕很難被認為是“有分析感覺”。

3、關聯性并非答案 

隨著電腦的迅速升級換代，進行數據分析所耗費的精力及演算時間基本上不 再成為問題。 

只要利用恰當的工具，就算要從 10 萬份包含 100 個項目的顧客數據中調查 得出“光顧頻率高的顧客是什么類型的客人”的結果，也不過是一瞬間的事。不過，并不是說不顧章法地總體評估數據就夠了。這種做法并不一定能夠 找出我們真正想要知道的東西（本書分享多更索搜@雅書）。 

20 世紀 90 年代，數據挖掘（data mining）這一名詞盛行，有人提出了“考 慮假設的并非人類，計算機自會為人類發現一切”的主張。這無疑是主張事無巨細對各項目進行調查的方法論。數據挖掘將有悖于人類直覺的各種關聯性明確表現了出來。例如，通過數據挖掘，我們也許會發現“周末超市的紙尿褲購買率與啤酒的購買率有很高的關聯性”。 

那么，這一分析結果是否有價值呢？ 

當然，紙尿褲與啤酒，這兩樣商品的銷售量 增加，多少會帶來一些收益。不過，所得收益是否 與用于分析的工具或人員成本投入相稱，就是另一 個問題了。數學層面上的關聯性高，并不能保證其在商業層面上有價值，或者分析結果為人所樂見。

確定分析方針的三要點 

有人也許覺得糾結：不能事先做出假設，而總體評估數據也得不出有意義的 結果，那到底該怎么做才好呢？ 

沒有必要為此煩惱。若計算機沒辦法思考分析結果的價值，那么我們可以從這個角度整理數據及確定分析方針：“何事如何變化會是我們所期望的？”

其中的要點即下述三個： 

輸出結果； 

分析單位；

解釋變量。 

確定好這三個要點，接下來只要遵循常規操作就能夠做有價值的數據分析了。雖然這里突然出現了大家不甚熟悉的用詞，但是理解它們并不需要具備專業知識。

      “輸出結果”，是指通過數據分析得到的最讓人高興的變量。何事如何變化是 眾望所歸的—也可以看作是成果指標。 

      “分析單位”是構成上述輸出結果的單位。如“合乎期望”的顧客、商品、 員工等，分析單位是進行數據比較的基礎單位。 

      “解釋變量”可以讓分析單位出現不同的特征。假設分析單位是“顧客”，那 么左右年齡、性別、之前是否來過等“期望值”的要素是什么？這個“什么”就 是解釋變量。 

按照順序逐一考慮這三點，誰都可以提出分析方針。如果用一句話來概括這一過程，那就是在分析數據前要明確定義“何事如何變化會皆大歡喜”和“這到底被何種要素所左右”。