全面认识商业分析能力圈

更新: 7/18/2025 字数: 0 字 时长: 0 分钟

商业分析适合解决的5类问题

商业分析方法最适合解决以下5类问题。

1.第一类：“是多少”的问题，理清现状

这类问题常见的形式如下:

• “昨天的整体营业额是多少万元?”
• “上个月小程序渠道的新增用户有多少人?”
• “生产A产品的成本是多少元?”

这一类问题是用数据准确描述现状。这是数据最简单、最基础的用法，也是所有后续分析的基础。如果连现状是多少都不清楚，其他分析就更无从谈起了。回答这类问题也很简单。

• “昨天的整体营业额是10万元。”
• “上个月小程序渠道的新增用户有20万人。”
• “生产A产品的成本在20元/件左右。”

标准的回答应包括对象、时间、指标、数值、单位，这5部分齐全，才是一个标准答案如图所示。

TIP

注意：有可能人们提出的问题比较随意，比如“销售额是多少万元?”问题本身并没有讲清楚对象是谁，时间是什么，只有一个指标。 这时候回答问题的人要主动提示询问人问题对象和时间的缺失，避免稀里糊涂给出答案，导致误解。

2.第二类：“是什么”的问题，判断好坏

这类问题常见的问法如下:

• “昨天的营业情况好不好?”
• “上个月小程序的用户增长做得好不好?”
• “A产品生产成本控制得好不好?”

这一类问题是基于数据做判断：好/不好。单纯一个数据不能表明好/不好，只有“数据+标准”才能说明好/坏。比如“昨天的营业额是10万元”中“10万元”本身并没有对错好坏之分。如果昨天的营业额目标是12万元，那么昨天的实际营业额为10万元，这个判断结果就是“不好”;如果昨天的营业目标是9万元,那么昨天的实际营业额为10万元,这个判断结果就是“好”。总之，标准变了，判断也要跟着变。

因此，在回答这类问题的时候，一定用数据+标准，这样才是一个完整的回答。

• “昨天的单日营业额目标是9万元，实际达成12万元，所以昨天表现很好。”
• “上个月小程序用户增长目标是10万人，实际达成8万人，所以做得不好。”
• “A产品成本目标控制小于或等于23元，可实际为 20 元/件，所以做得好。”

“是多少”的问题是区分是否有专业训练的关键。

没有经过专业商业分析训练的人是不会主动去区分“是多少”与“是什么”这两个问题的。

人们习惯上张口说出的问题就是：

• “你看这个人怎么样?”
• “你看这个事好不好?”
• "你说做这个行不行?”

这些问题都不是基于事实，而是带了标准的判断。因此受过专业商业分析训练的人会第一时间讲清楚判断标准，之后再展示事实，最后才是判断结果。

在很多情况下，可能没有硬性考核标准；可能有整体考核标准，但在某个局部某个时间段上，没有细分的考核标准；可能有考核标准，但决策者在思考更多在问题。总之，不是时时刻刻都有刚性的判断标准。这就需要做分析的人有能力自己树立标准，并且与所有参与问题讨论的人达成共识。总之，标准不存在、不统一、不确定，都会导致决策失误。常见的寻找标准的方法，如表所示。

在真实的商业经营中，有没有标准意识，能不能在没有标准的时候找到标准，是“是什么”类问题的核心分析内容，也是专业商业分析师与一般人之间最大的、最明显的区别。很多业务部门的人都是凭着感觉、经验、习惯做判断，他们脱口而出“好/不好”，却没有想清楚标准到底是什么。这种忽视“是什么”的分析行为，会导致企业决策存在众多问题。

3.第三类：“为什么”的问题

这类问题常见的问法如下:

• “为什么昨天的营业收入不达标?”
• “为什么上个月新增用户数量不达标?”
• “为什么产品生产成本控制不下来?”

这一类问题是在询问一个判断结果背后的原因，这是最常见、最符合普通人想象的数据分析内容。面对判断为“好”的事情，人们常常想知道“为什么好”“有没有什么成功经验”；面对判断为“不好”的事情，人们常常想知道“为什么差”得到问题的答案，需要很多的数据分析过程。

而且，这些问题的答案可能由很多种因素组合而成，每个都回答出来的话，可能答案会很长。因此当分析中发现有多种因素时，需要对因素的重要性进行排序，即按照影响从大往小进行叙述。比如，要回答“为什么昨天的营业收入不达标”的问题，可以按以下顺序回答。

• 首先，因为昨天突然下大雨了，影响了客流。
• 其次，门店本身吸引客户手段单一，除了依赖自然人流，没有线上引流手段。
• 再次，没有应对临时问题的举措，下雨了所有人只是待在店里等着，没有主动联系客户。

“为什么”问题，可能是一个很宏大的问题，需要分步骤解决，逐层深入。

因此，在回答“为什么”类问题时，需要由浅入深，层层推进，这样才能得到答案。“为什么”类问题常常以一个可以执行的业务动作为结束。如果能找到应对问题的手段，“为什么”类问题就可以结束了，不需要像科学家一样，穷追不舍地刨根问底，如图所示。

4.第四类：“会怎样”的问题

这类问题常见的问法如下：

• “明天的业绩预计是多少万元?”
• “下个月的用户增长数量预计是多少人?”
• “未来3个月产品的成本还能控在20元以内吗?”

这一类问题是询问在未来某个时间段内预计发生的情况，是一个预测问题。

所有的数据都有时间状态，可以简单地分为3种。

• 过去发生，已成定局。比如昨天的业绩是20万元。昨天已经过去，是一个确定数字，因此直接报这个数字就好了。
• 正在发生，不断变化。比如今天的业绩是xx元。今天正在发生，因此讲到“今天”的时候，一般都会明确是“截至今天几点几分”的数据。标准的回答是“截至今天中午12点整，业绩是10万元”。
• 未来发生，需要预测。比如明天的业绩是xx元。明天尚未发生，因此需要预测。

具体的预测方法可以用统计学、机器学习或很复杂的方法，也可以用基于数据趋势的、基于经验的、基于逻辑推理的简单的方法。但是无论是哪种方法，都会明确标明这是一个预测结果，不是实际值。

预测都是有前提的，且要说明预测基于的假设前提。如果前提变了，则预测结果自然变化。因此，在回答此类问题的时候，标准格式是：预测前提+预测结果。

举例如下:

• 如果经营手段不升级，且天气预报准确(明天会继续下雨)，预计明天的业绩为18万元，仍然低于22万元的目标。
• 如果获取用户手段不改变，预计下个月新增用户9万人，仍低于10万人的目标。
• 因为成本降低源自工艺改进，所以在原材料成本不提价的前提下，预计下个月仍可以把生产成本控制在20元/件以内的水平。

TIP

注意：如果是采用机器学习的预测方法，则不见得能讲清楚预测前提，此时可以直接回复方法名称+模型训练的结果。

5.第五类：“又如何”的问题

这类问题常见的问法如下：

• "虽然业绩只差一点达标，但那又怎样，会不会有更深层的问题呢?”
• "虽然新增用户总人数不达标，但那又怎样，会不会有其他机会呢?”
• "虽然生产成本控制得很好，但那又怎样，会不会有其他问题呢?”

这一类问题是单一的指标评价问题，在评估维度不足以满足决策需求的时候会产生这类问题。人们常常担心使用简单的贴标签做法会掩盖一个机会，或者会忽视一些深层问题。因此想要从更多维度来进行评估，还原事情真相，发现深层次问题，这时候就会需要多维度、多角度、多方面地看问题。

解答“又如何”的问题，需要构建相对复杂的、多维度的评估体系。而且有可能需要从眼前的问题里跳出来，站在更高的层次思考。这样回答问题时，也会考虑得更全面。

比如评价门店业绩最简单的方法是直接看当月的销售金额。

• 单纯看销售金额这个指标还不够，得考虑毛利、货物损失、销售数量等指标。
• 单关注一个月的数据很容易被误导，得看连续3个月/半年/一年的数据表现是否稳定。
• 单看结果很容易只顾现在、不顾未来，因此要看支撑结果的“人、货、场”的情况。

这样一综合就涉及数十个维度，数十个时间段，要综合评价门店业绩，难度就大大提高了如图所示。

这5个问题在企业经营中是循环往复进行解答的，如图所示。

• “是多少”是所有问题的起点。先有对现状的了解，再进一步引出问题。
• “是什么”是推动问题深入的钥匙。如果判定为好，则下一步会往“总结经验—>保持优势—>持续观测→保持良好态势”的方向深入；如果判定为坏，则下一步会往“反思问题—>寻找原因—>准备改正手段—>观察整改结果”的方向深入。
• “为什么”,“会怎样”,“又如何”是在判定了“是什么”以后，进行深入分析的3个具体转换如下:

① 在不清楚原因的时候，就从“是什么”过渡到“为什么”，先找问题原因。
② 想看一下事情走势轻重缓急，再决定要不要下手的时候，就从“是什么”过渡到“会怎样”预测未来走势。
③ 想深挖问题背后的情况，就从“是什么”过渡到“又如何”，深入评估情况。

以上所有的分析最后会指向具体的业务行为——在xx月xx日，开展xx行动。这样就把数据分析结论，推进到实际业务执行。业务行动会产生新的数据情况，就会有新的“是什么”问题出现，由此，商业分析进入下一循环阶段。就是这样，在一个个循环里，商业分析会推动企业不断地向前发展。

任何一种方法都不是万能的，商业分析方法也一样，它也有不足之处。

商业分析不能解决的4类问题

从本质上看，数据分析方法代表了理性、客观、有逻辑的思维。可在真实的工作与生活中很多问题是主观的、感性的。这时候使用一般的数据分析方法会显得力不从心，在现实中有4类这种典型的问题。

1.第一类：“想不想”的问题：主观问题

这类问题常见的问法如下：

• "我想换几个男性商务人员，怎么样?”
• “我就是看这个配色不顺眼，又怎么了?”
• “我喜欢这种宣传风格，有没有问题?”

这些问题有一个共同点：询问的是人的主观喜好。主观喜好问题纯属个人问题，非常主观感性，和他人没有任何关系，和商业分析更是一点关系都没有。遇到这种问题最好的回答就是“你自己想喜欢就喜欢，不想喜欢就不喜欢，不关别人的事”。

2.第二类：“能不能”的问题：规则问题

这类问题常见的问法如下：

• “帮我分析一下，我能不能这么宣传?”
• “帮我分析一下，我能不能这么修改工艺?”
• “帮我分析一下，我能不能不理处罚?”

这些问题有一个共同点：询问的是事情的客观限制。询问的目的是担心自己因为违反规则导致受到处罚或出现事故。客观限制问题，和商业分析更是一点关系都没有。想要知道会不会遭受客观限制，得去了解具体的规则与限制。

• 有关宣传的法律法规是什么?。
• 产品制造工艺的要求是什么?
• 相关部门处罚的规定是什么?。

如果违反了以上原则，会有哪些法律制裁，会导致什么后果？了解清楚规则才是关键。

3.第三类：“懂不懂”的问题：能力问题

这类问题常见的问法如下：

• “帮我分析一下，促销活动该怎么做?”
• “帮我分析一下，宣传文案该怎么写?”
• “帮我分析一下，产品推销该怎么说?”

这些问题有一个共同点：询问的是一项具体的业务技能。业务技能不是靠数据分析出来的，而是靠真抓实干，从业务中得出来的。

• 想知道促销活动怎么做，就去调研用户、学习营销理论、观摩同行做法。
• 想知道宣传文案怎么写，就去学习写作技巧、参考别人的爆款文章。
• 想知道产品推销怎么说，得去和一线销售员沟通、学习销售理论。

不深入业务，不深入一线，指望通过数据在办公室里闭门造车，是分析不出来结果的。

4.第四类：“好不好”的问题：最优问题

这类问题常见的问法如下：

• “帮我分析一下，促销活动怎么做更好?”
• “帮我分析一下，宣传文案怎么写更好?”
• “帮我分析一下，产品推销怎么说更好?”

这些问题有一个共同点：询问的是一项具体的业务如何做得更好。要知道，好的业务一定是人做出来的，不是数学家算出来的。就像知名的销售员、艺术家、商业巨头，很少有人是学数学出身一样，如果不具备一流的专业能力，那么根本做不出好的结果。

总之，跟着业内一流的人才学习，不见得能学会别人的全部本事，但是不跟着一流的人才学习，试图用加减乘除算法算出一个最优方案，就纯粹是纸上谈兵了。

那么对于以上4类问题，商业分析就完全没有办法了吗？也不全是。商业分析只是不能直接突破这些问题，但是对问题稍加转换，就能在一定程度上进行解决，这是一种迁回包抄的思路。

将无解问题转换为可解问题

1.“想不想”的问题转化：罗列支撑论据、测算可能结果

“想不想”的问题之所以会被拿出来讨论，是因为在很多时候，决策人担心自己的个人喜好是毫无依据的，会引发风险。因此，“想不想”的问题可以通过罗列支撑论据、测算可能结果的方式进行转换。

比如:“我想换几个新销售员，怎么样?”，可以让提问人先罗列支撑论据。如果提问人说支撑证据是：“我觉得新销售员更有冲劲，在跑业务的时候更有优势，成功率比老销售员要高。这个问题就能用商业分析的方法进行分析了，这是一个典型的“是什么”的问题。

从图中我们可以了解下面的信息。

• 定义新的标准(可以让提问者自己先挑一些候选人)。
• 定义跑业务的成功率(比如签约数量、签约率)。
• 将待测试的商务，分为新人组/老人组进行测试。
• 输出测试结果，验证这个“新销售员成功率高”是否正确。

当然，测试中得考虑其他因素的影响。

• 新人组人员可能年轻，工作经验少，因此成功率更低。
• 新人组人员可能面对新客户成功率更高，面对老客户成功率更低。。
• 新人组人员可能在非技术谈判中更有优势，技术类谈判无优势。。

这些都可能影响结果，因此设计实验的时候，要充分考虑这些因素，排除相应的影响。这样不仅能支撑提问者“我想换几个新销售员”的想法，而且有可能找到真正影响成功率的因素，从而更好地支撑业务。

类似“我就是看这个配色不顺眼，又怎么了?”也可以同样处理。罗列支撑论据“因为这个配色更受年轻人欢迎”。有了这个论据，就能进行测算了。我们可以通过对过往销售数据进行分析，判断哪一种配色在年轻客户中销量好，也能在小范围内进行产品团购，测试是否年轻人组团来买得多。通过这种转换，就把一个纯主观的问题，转换为可以在一定程度上客观衡量的问题。

当然，最后决策者还是可能坚信自己的判断，如“我从业20年的商业直觉告诉我，这么配色就是对的!”——这种剧情相信读者在电视剧、生活中都见过太多了。即使是决策者一意孤行，至少也能通过这种转换分析，提示潜在风险(比如就测试结果看，新人组并没有显著提高成功率)。至于能不能化险为夷，就看决策者的运气和能力了。

2.“能不能”的问题转化：用数据测试的方法，反推规则或者测试可行性，测探规则的底线

“能不能”的问题之所以会被拿出来讨论，是因为有些时候客观标准不可知，或者客观标准已知，但是实际执行力度未知。这个时候决策人或者很疑惑“到底我会不会被平台处罚”或者心怀侥幸“如果我真这么做了，说不定不会有问题”，这时候可以用数据测试的方法，反推规则或者测试可行性，测探规则的底线。

比如“帮我分析一下，我能不能修改工艺，从而降低成本，客户还不知道”，此时可以进行下面的讨论。

• 到底工艺要改成什么样的。
• 客户不知道，用什么指标考核(口头反馈、退货、销售等)。
• 直接按修改后的生产工艺要求，把样品做出来。
• 进行小范围客户调查，产品盲测，观察用户反馈。
• 投放小部分市场进行测试，观察客户口碑、退货率、销量数据。

通过这样一套测试，可以验证最初的假设是否成立，如图所示。

比如“帮我分析一下，我能不能这么宣传，会不会被封号”，可以把宣传文案做出来，然后发布一下，看看会不会受到平台处罚。如果真受到了平台处罚，再看看是哪个敏感词触发了平台处罚规则。

但要特别注意：这种无视规则用测试试探底线的做法是非常危险的，很有可能触及政策高压线，遭受严厉打击，或者无视生产、制造、建筑的基本法则，强行调整，导致巨大的损失。类似的耍小聪明的行为，在企业经营的历史上屡见不鲜。所以涉及规则问题，商业分析师一定要抱有高度的敬畏之心，不要以为只要测试了就行，否则后患无穷。

3.“懂不懂”的问题转化：先理清楚现状，再找解决办法

“懂不懂”的问题之所以会被拿出来讨论，是因为很多时候业务方真的会黔驴技穷。

• 新业务要上，上级只下达了目标，没有给方法，团队毫无经验。
• 老业务要改，团队习惯了一套做法，不知道还有什么办法可用。

这些情况都会导致商业分析师两眼一抹黑，连怎么做都不知道，更谈不上优化了。

此时，商业分析师能够先回答“是多少”的问题，帮助业务方采集信息。

• 事前情况：针对某个问题，有几种内部/外部方法，大致做法如何，数据结果是什么。
• 事中情况：在业务方有了方案以后，测试效果，监控执行情况及过程数据。
• 事后情况：帮助业务方复盘得失，区分是执行问题还是方法问题，找到答案。

这样虽然不能直接解决问题，但是能极大地刺激业务方思考，并且能有效地总结经验，快速找到应对方案。

3.“好不好”的问题转化：通过数据找到标杆，让业务部门复制标杆的做法

“好不好”的问题之所以会被拿出来讨论，是因为在业务缺少办法的时候，大家都想当然地以为依靠“强大的数据”，能发现解决办法。数据肯定是不能发现办法的，但是数据可以找到有办法的人。所以，转换此类问题的思路就是通过数据找到标杆，让业务部门复制标杆的做法。

比如“帮我分析一下，宣传文案该怎么写才好”。

• 明确要写的文案类型、要求。
• 从过往文案中，挑选符合类型、要求的标杆。
• 检验该标签下的成功率(排除个案情况)总结成功案例。
• 拆解标杆，从标题、风格、长度、转化形式等提炼标签。

这样一套操作，可以找到大概率表现好的标杆，之后运营部门的同事对照着做就行了。

比如“帮我分析一下，产品推销该怎么说”可以通过数据，找到销售业绩特别好的销售员然后跟踪记录他的销售话术，总结成功经验，供业务部门参考。当然，这种做法的局限性很大，完全无视了人的主观能动性，无视了专业素质，很容易引起“画虎不成反类犬”的问题。

真正有创新能力的销售员，少之又少。类似的找标杆、总结标杆经验的做法，反而比资质平庸的业务人员想出来的做法更好用。因此，经常做标杆分析的数据分析师，常常能做业务部门的老师，甚至只要看一眼，就能识别业务部门的好/坏。当然，这也要求数据分析师有比较高的分析能力，至少得能分辨出哪些标杆做法是可以复制的，哪些标杆做法是不可以复制的。

因此，大部分商业问题经过转换以后都和商业分析有关。商业分析方法的应用范围非常广，但要注意应用范围广，不代表它一定是最好的办法，商业分析方法有其自身的优点与缺点。

商业分析方法的优点与缺点

设想一个简单的场景：在一个百货门店中，有一个衣着很有品位的女客户进店了，她左看看右看看，最终并没有购买。店长问店员：“你们分析一下，我们要怎么做才能让这位客户多买点东西?”这时候，不同的人有不同的方法，因此会给出不同的答案。

• “你看她在那边柜台上停留了很久，拿起一个口红看了又放下，这是自己有想法的表现，”——这是基于心理学的方法，察可以让我们的导购过去询问一下，发掘销售机会。言观色，寻找机会。
• “不!我觉得我们的导购员得再主动一些，客户一进门就上去笑迎客户，然后主动问客户需求。我们的化妆品体验很好，让导购员给客户推荐一个半边脸的化妆体验，一看见效果,客户就会买了。”——这是基于博弈的方法,通过主动提供服务,改变客户行为。
• “我从业20年，这种有品位的客户大概率会买我们的口红，不信你们看。”——这是经验主义的方法，从业久，当然很自信不会看走眼。

如果找一个商业分析师用商业分析的方法来分析，那么他很可能说:“目前没有这个女客户的任何数据，我分析不了!能不能让店员去先沟通一下啊?”

通过这么一对比，我们可以对各种方法的优点与缺点都一目了然了。相比其他的业务方法，商业分析的核心是4个字：后发制人。别的手段可以根据客户现场反应，马上采取行动，马上见到效果。但商业分析需要一段时间的沉淀、积累、观察，才能有所发现。需要在发现问题以后制订方案，经过好几轮测试才能见到效果。这种后发制人的特点，使得商业分析方法有了它独特的优点与缺点。

相比其他方法，商业分析方法的缺点也非常明显：速度太慢了！前面提到的4种方法中前3种都是能立马采取行动的。导购员直接笑脸相迎，热情服务客户便可见到效果。可是进行商业分析，还得先采集数据，再分析，最后再出策略，太慢了。

TIP

注意：在女客户进门的那一刻，是没有任何数据返回给系统的。没有数据，就无法用商业分析方法分析这位女客户。只有当女客户买单的时候，业务员在收银机扫描她的付款码或扫描她的会员卡时，才能有数据回收，才可以触发基于数据分析的产品推荐或会员卡优惠。

理论上，商业分析也能基于过往的消费记录给这位女客户提前算好会员等级，算好她可以享受的优惠。只要在这位女客户到门店的时候，导购员迎接上去，问一下她的姓名或扫一下她的会员卡，就能提醒她能获得的优惠。但是这样的反应速度依然很慢。导购员既然都上前去了为什么不直接问这位客户的需求呢?为什么不直接邀请她做体验呢?可以做的事情太多了，都比尴尬地问“您的会员卡是……”有用。

当然，后发制人的方法有它的优势，那就是它能客观、公正地用数据评价各种方法的好坏。比如“让导购员推荐客户做体验，客户体验完了就会买”这种方式看上去很有道理，但实际上有没有用可以用数据来验证——可以下发一批非卖品体验装产品给门店试验，并统一设置体验流程，之后开始观察体验装产品的消耗速度与客户购买之间的数据关系。如果二者出现高度的相关性，则说明这个策略起效;如果二者没有相关性，甚至体验装产品本身都消耗不掉就说明策略出了问题。听起来再有道理的策略，如果经不起数据考验，也是空中楼阁。

后发制人的方法还有另一个优势，就是有利于内部管控。无论是客户心理洞察，还是导购沟通，抑或是凭经验，在没有数据记录的情况下是无法检查过程的。除非现场有监督员，否则无论是店长还是远在千里之外的总部管理者，都不知道到底发生了什么。这种失控状态导致的结果就是无法优化业务过程，导购员有本事就做，没本事就不做，总部管理者与店长只能干着急。如果配合数字化导购工具，能在现场采集部分数据(比如皮肤测试、会员权益核销、体验申请)就能掌控过程，从而找到真正对业务有益的办法。

总结

小结一下：商业分析方法在监控过程、检验效果、沉淀经验、迭代升级上的作用更大。因此这不是一种适合急功近利的方法。想要快速有业绩，还是寻找简单、粗暴、“短平快”的手段为宜：想要通过商业分析提升业务效果，则是需要时间积累的。

在积累商业分析经验的时候，会面临三大挑战。

挑战一：数据采集困难。要先采集数据，才能做分析，所以所有的业务流程都要考虑数据采集环节，并且要保证数据质量，发现数据要即时处理，这样才能保证有数据可参考。

挑战二：人为扭曲数据。比如门店销售员没有录入客户数据;客户私下相互借VIP卡，消费混杂;门店为了给客户优惠，教客户如何拆单等。这些问题不仅仅是系统问题，更需要流程设计、规范管理、促销活动设计、业务监督检查等环节配合，齐抓共管才能见效。

挑战三：测试风险损失。只要有测试,就一定有损失。不肯承受损失就不会积累经验。因此，在设计测试方法时，要预留风险损失空间，在可控范围内做实验。

其实，以上问题在不做商业分析时也照样存在。只是以前没有用数据做衡量，让问题无法暴露而已。想要推动商业分析落地，就一定会把一些问题暴露出来。只有这样的暴露，才能真正推动企业经营向科学化发展。面对问题，讳疾忌医不是解决办法。

以上例子都是以传统实体店为例的，因为在实体店环境下做商业分析的难度更大。基于互联网的App、小程序、线上商城等业务做商业分析，面临的阻力相对小一些，但其中依然会面对如虚假流量、业务迭代快、埋点跟不上导致没数据，基础数据质量差(特别是行为数据)等问题。所以，不管是什么类型的企业，要想做好商业分析，都得关注这些问题。