数据分析秋招回顾 - Day2：业务分析（Part 1）
作为一个2022届的数据分析岗位的秋招党，在去年的秋招中也成功上岸，在整个过程中也收获结识一群优秀的朋友，大家也都拿到不同大厂的数分offer，创作这个专栏主要是为了分享我们在去年整个秋招过程中如何准备面试，沉淀下来的一些知识点以及一些走过的雷区，希望能够尽量给予未来优秀的“数分人”一些帮助和岗位的资讯。也希望大家能够互相交流行业资讯，积累人脉。******** （记得添加来自‘牛客’备注哦）
Day2：业务分析（Part 1）
业务分析是数据分析重要的一个环节，如果说SQL，统计学，机器学习是数据分析的基础技能，那么业务能力及思维则决定了数据分析师的发展潜力
业务能力，往往可以考察出一个人的思维逻辑，总结归纳，快速反应等综合素质，即使硬技能方面比较差，但如果在业务分析层面能够体现出很好的素质，也往往能够得到面试官的青睐，拿到不错的offer
一 业务分析的主要思路梳理
业务分析一般都是开放问题，比如常见的异动分析题目（去年公司商品销售量突然异常下滑，请分析原因）。
本人认为，在回答业务分析题目时，最重要的是展示自己思考过程，逻辑的条理性，和归纳总结的能力。在数据分析的面试中，大致分为三种就是维度拆解，链路拆解，指标拆解。
维度拆解：将某一个问题以横向的方式拆成不同小类。如去年公司商品销售量突然异常下滑这个题目，首先可以做问题的分类，比如按商品的品类分类，分成母婴、服装、电器等多品类，查看各品类销售量，具体下滑的品类是哪个？再比如按用户人群分类，将用户按年龄、性别、新老、用户渠道划分，查看是哪类人群销售量下降。
链路拆解：考虑一样事情发生的链路过程。如公司商品成交的步骤可以初步划分为用户引流-用户登录-用户选品-用户支付等，在列举出递进关系的每一个步骤后，便能够查询每一步骤之间的转化率，挖掘是否是哪个步骤的转化率下降，造成明显的销量下滑。
指标拆解：指标拆解是对要分析问题的指标进行拆分，如销售量可拆解为用户人数*CTR*CVR*客单价*复购率。可查询销售量拆解的指标中哪个指标有明显下滑，从而找到原因。
从这个过程中我们可以看到，维度拆解、链路拆解、指标拆解这三种方式并非完全互斥的，如通过指标拆解，发现用户人数这一指标异常下滑后，那进一步分析用户人数下滑的原因，则可以将用户分类（如按性别、年龄、新老划分），或者分析用户引流的递进渠道（如广告曝光-广告点击-进入APP）等
因此，现实面试中，需要根据实际业务问题，自行选择使用维度拆解、链路拆解、指标拆解的哪种，并互相嵌套、组合，形成自身的答案。但这些开放题目本身就没有标答，只要熟练运用三种方式，显示出自己充分的逻辑性，就足以在面试中表现突出。
当然，通过前人总结，也有许多数据分析的分析模型和思维框架，这些模型能够帮助你组织自己的逻辑思维，在回答问题时更显示出逻辑和专业性。但建议求职者不能为了套分析模型而套，得充分记着，展现自己的逻辑本身才是最重要的目的。在不适合的场景对分析模型生搬硬套反而可能起到反效果。谨记：一切数据分析业务问题的核心就是一个字：拆。
二 RFM分析模型
RFM模型是衡量客户价值和客户创利能力的重要工具。主要用于给客户分类，即维度拆解中的一种模型。
R (Recency)：指用户的最近一次消费时间，简单来说就是用户最后一次下单时间距今天有多长时间了，这个指标与用户流失和复购直接相关。
F(Frequency)：指用户下单频率，简单来说就是用户在固定的时间段内消费了几次。这个指标反映了用户的消费活跃度。
M(Monetary)：指用户消费金额，简单来说就是用户在固定的周期内在平台上花了多少钱，直接反映了用户对公司贡献的价值。
通过RFM分析可以将客户群体划分为一般保持客户、一般发展客户、一般价值客户、一般挽留客户、重要保持客户、重要发展客户、重要价值客户、重要挽留客户等八个级别。
三 人货场模型
人货场，是指影响销售的三个重要因素，是一种答题的分类思路，尤其适用在电商场景中。基本所有电商的业务分析都可以从人货场的角度去拆解，如电商为什么销量下降，从人角度讲可能是用户数量降低，从货角度讲可能是货物供给不足，从场角度讲可能是页面设计不合理等。个人建议许多电商、销售场景的题目在没有分析思路时都可以用人货场框架去回答。
人：来自销售人员、顾客的因素
销售人员：人员是否足够，素质是否满意，执行是否到位？
顾客：是否有足够顾客到来，是否有成交，成交消费力如何？
货：商品因素
商品质量：种类是否丰富、款式是否够吸引、有没有爆款。
商品数量：商品备货是否充足，畅销品是否短缺，滞销品有多少。
场：卖场/门店/销售渠道因素
卖场数量：线下门店数量/位置、线上引流渠道数量/类型。
卖场质量：线下门店装修、面积、陈列，线上引流渠道的转化路径，页面设计。