因果关系分析：追溯问题源头
更新: 7/21/2025 字数: 0 字 时长: 0 分钟
当销售、产品设计、营销等多重因素叠加的时候，企业需要弄清楚下面的问题。
- 到底每一种手段能推动多少结果?
- 当问题发生时，到底发生在了谁的身上?
- 当结果表现良好时，到底是因为谁做的贡献大?
这些问题归根到底都是一个问题：到底业绩发展的原因是什么？这个问题可能是整个商业分析的终极问题，如果能分析出来，就掌握了打开商业成功大门的钥匙了！寻找因果关系的常见方法有4种，具体介绍如下。
一、拆解法
拆解法就是把一个结果指标，从多个分类维度拆解，找到对结果指标影响最大的变动点。
举个简单的例子：在一次目标为拉新的推广活动中，共有4个子推广渠道一起推广，活动时间为两天。第一天一共获客100人，第二天一共获客80人。问获客数量减少的原因是什么？
具体分析如图所示。
- 把总获客数按4个渠道拆解，发现A渠道获客数量减少的人数最多（少15人），B渠道获客数量减少的人数居其次（少5人）得到的结论: 主要原因是A渠道少了，次要原因是B渠道少了，所以总获客数量少了。
- 把A渠道的获客数量按获客流程拆解，拆解为展示页一落地页一转化三步，发现A渠道第二天是在转化环节获客数量变少了。因此得到结论：因为A渠道的最终转化环节出了问题，所以总获客数量少了，下一阶段应改善A渠道的表现（见图）。
看起来回答得很完美，原因已经找到了。可这种回答经不起业务部门的追问:“为什么 A渠道的转化率降低了?
- 投放经费未减少。
- 展示页、落地页的设计未更换。
- 前后只差1天，为什么差异这么大呢?
- 为什么只有A渠道变得那么差，其他渠道不变呢?
估计这些问题，分析师很难立刻回答上来。
所谓的拆解法，本质上只是通过细分锁定了问题发生的位置，但是并不能找到导致问题的“元凶”。所以常常被用来发现问题，而不是解释问题。不过，在某些分工明确的企业中，能锁定问题的发生点已经足够了。比如在上面的案例中，发现A渠道的获客数量大幅度下降后可能负责A渠道的业务部门已经开始着手制订优化计划了，此时只要继续验证其优化计划是否见效即可。
二、相关系数法
统计学里有一些可以确认数据之间相关分析的方法，如经典的Person相关分析法。举个简单的例子，有一家企业，各产品年度营销投入与年度销量之间的关系如图所示。
即使不用统计学公式，通过观察数据散点图我们也能看出：年度营销投入与年度销量之间有一定的关系。这种关系可以通过统计学的公式进一步得到确认。比如在上图所示的数据中，通过Excel工具中的CORREL函数，可以计算出年度营销投入与年度销量的相关系数是0.95（相关系数越接近1，说明统计意义上的相关性越大）。
要注意：相关分析、回归分析、聚类分析，本质上不是“分析”，而是计算。通过计算,得出两列数字或几列数字之间的关系。至于这个关系到底有没有含义，计算公式本身是不负责解释的。因此，如果不考虑现实场景，生搬硬套，则经常出现一些让人哭笑不得的问题。
比如，统计学领域经典的“龙脉说”。
- 国家GDP年年涨。
- 我家门前的树年年长。
- 把两个数据分别填进去，通过计算得出其相关系数为0.99。
- 所以，我家门前的树是国家的“龙脉”!
所有的统计学方法都有类似的问题，只能解释数据本身的关系，解释不了现实中两个事物的关系。更本质地看：是否所有的业务行为，外部因素都能量化？完全不是。比如用户对品牌的信任、产品体验的好坏、竞争对手的吸引力，这些都很难量化。
因此，统计学方法经常用于大范围的筛选指标。比如在不清楚情况的时候，将可能有关系的数据指标全部放到计算工具里计算，挑出统计意义上相关系数最大的指标，再进一步分析是什么样的业务逻辑，造成了这两个指标相关系数最大。
三、因果分析法
基于最朴素的业务逻辑：既然A事件会引发B事件，那么A事件产生了，B事件就应该产生A事件结束了，B事件也会慢慢结束。基于这种朴素逻辑，可以总结出因果推断的四大原则。
- 原因发生在结果以前。
- 原因发生以后，结果发生。
- 原因持续期间，结果持续。
- 原因消失以后，结果消失。
这样的推断符合人们的直观感受。更重要的是，做这种判断需要的数据非常少!只要一个指标走势就能“看图说话了”。
举个简单的例子，某实体店店长反馈：这个月因第三周连续降雨，导致本月销售受到了明显的影响。此时，有了一个简单的推断逻辑：因为下雨，所以业绩降低了。想要检验这个逻辑是否成立，需要查看4个条件，如图所示。
- 雨开始下，指标下降。
- 指标下降得很厉害。
- 雨持续下，指标持续下降。
- 雨停了，指标恢复了。
这样才能说下雨是影响业绩的主要原因，要不只能说这是影响因素之一。
这么分析有一个很大的问题，就是无法排除杂糅因素，只能观察到影响最大的那个因素，更无法看到隐藏在背后的深层因素。比如观察外因的时候，只能观察到天气、机动车尾号限行这种明显的因素；观察内因的时候，只能观察到降价这种因素。如果进一步细分降价、产品改版业务员培训各自能驱动多少？则完全无能为力。
因此，这种方法常常用来做排除法,排除不合理的借口。比如：“你说天气不好，业绩就不好那为什么天气差时别人家照样有业绩？”，至于推动业绩的因素到底是什么？还得用其他方法分析。
四、控制变量法
想排除杂糅因素，最好的办法就是分组测试，把样本塞到密封的箱子里，然后一组组地测试效果。比如，想测试用户对不同文案的响应率，理论上应该用同样的产品、价格、转化位置,选同一批人、同一个渠道，然后可以开始测试了。
举个简单的例子，在一个转化流程里，业务方有3个落地页方案：A方案、B方案、C方案因此分别分配了2000个用户来测试转化效果，测试结果如图所示。
可以看到A方案落地页到购买页转化效果更好，因此A方案更适合使用。
TIP
在测试中，尽量测一个变量，保持其他影响因素不变，这样收到的数据准确率最高。
常见的影响因素包括以下几个方面。
- 客群：可能有的客群就是刚需，购买率高。
- 产品：爆款产品更受青睐，买的人就是多。
- 价格：便宜的东西就是好卖。
- 渠道：渠道不同，对应的用户也不一样。
不过在现实中，很难做到完全区分，因此至少抓住产品和价格这两点。因为这两点最容易引发剧烈波动，用户群体特征很难穷尽，所以抓其中关键的，比如累计消费、消费频次即可。这种测试的方法在A/B测试中仍然会用到。
但是，测试手段也有其他问题。
- 很难找到一模一样的两组人，完全排除杂糅因素。
- 很难穷尽目标用户类型，因此测来测去可能都是同一类人的意见。
- 测试环境很难完全封闭，特别是要测试的是大促销、新品这种热门话题。它们天然就0自带热度，很难排除。
- 很难在合法合规的情况下，完全搞差异化方案，这涉嫌价格歧视与欺骗消费者，很有可能引发投诉和相关部门的关注。
- 用户永远是趋利的，一旦发现“同人不同命”的结果，就会主动想办法突破测试屏蔽获得优惠最大的方案。
各种问题导致的结果就是，理想化的测试需要同时符合“即时反馈、封闭信息渠道、个性化推送”三大要求。在各种业务中，类似打车软件、短视频软件、订票平台最接近这个场景。反馈速度稍微慢的，比如电商平台，在做差异化测试的时候，很容易被用户发现其中的问题，最后用户还是哪个便宜买哪个。
五、归因分析的局限性
综上所述，在因果推断方面，几乎没有一种方法完全可靠，包括很多经典的统计学方法和科学实验方法。因为本质上，企业经营是一个社会科学问题，不是自然科学问题。在自然科学领域，有物理、化学、数学等客观原理做支撑，这些原理是稳定、科学、可量化的，因此可以通过“数据统计+科学实验”，慢慢地发现背后的自然规律。
社会科学问题则完全不是这样的，一来它本身就是多种因素共同影响的，很难完全排除干净，二来在于人们在很大程度上就是感性且冲动的，不是所有行为都有理性的思考;三来人们的主动行为能操控改变事情的走向。因此，在社会科学领域，很难直接套用自然科学的方法解决问题。在实践中，以上4种基本方法（拆解法、相关系数法、趋势分析法、控制变量法）都能用来发现规律，可以根据条件选择适合的方法。
可现实是残酷的，往往还会有下面的问题。
- 有问题发生时，部门之间因为责任划分而争吵，很有可能为了撒清责任而强行找理由。
- 有成果产出时，部门之间因为利益分配而争吵，很有可能为了彰显自己的功劳，强行找亮点进行人为干扰，让商业分析更难得到真实的答案。
无论什么问题，一旦和利益挂钩就非常棘手，文中的各种手段就无法运用了。要怎么解决“人心”这个大问题呢？从本质上看，利益冲突不是靠数据分析这种理性方法能解决的,而是通过管理手段解决的。数据分析起到的作用是找应对问题的手段，找收益最大的点。因此抛开职场问题，找到关键问题点与实现增长的手段才是重中之重。