每个互联网岗位的JD都有一句话：对数据敏感。

什么叫“对数据敏感”？可能做了三年运营，你都没看过关键数据。可能做了三年产品，公司连个数据展示平台都没有。这种情况下，是不是就没法训练自己对数据的敏感了？

我们用一个案例，来描述一下，对数据敏感是什么意思，以及如何训练自己的数据思维。

请听题：假设你在京东的3C品类部门工作，你发现手机销量在过去三个月中稳步下滑。你该怎么办？

划重点：要解决这些问题，不是直接从解决方案入手，而是一定要先研究难题本身。你得找出这个难题的症结，诊断出问题的起因，然后才解决它。培养数据思维，培养数据敏感度，从定位问题开始。

要注意的是，某些情况下，你可能最终会走到一个岔路，这个岔路上，面对一个不可调和的矛盾。

举个例子，假设你遇到一个这样的问题：“你推出一个分享优质内容的产品，而且已经试验过一个发布内容的新界面。这个新界面增加了用户停留在网站上的时长，但却减少了分享内容的数量。你怎么办？”

如果必须二选一，那就以公司的目标做决定吧。

每个公司不止目标不同，就连一个产品在不同时期也可能有不同的目标。

举个例子，一个创业公司，在A轮、B轮的时候，最初可能会将获取用户作为首要目标，等到C轮、D轮之后，就可能优先考虑收入。

不同阶段，重点不同。什么都想要的公司，即便不死，也是不死不活。

职业生涯也一样，不同阶段，重点不同，什么都想要，什么都得不到。

面对这种问题，将问题拆解开来，可以帮助你找到问题的真正原因。以下是一些常见的数据问题，一起看一下，如何拆解这些数据问题。

一、常见数据问题及原因

这里，为大家提供一些常见的数据问题和引起它们的原因。

同时呢，用公式来解决问题，会让一个的复杂问题，变得简单化。遇到问题的时候，尽量把问题拆解成公式。

利润下滑：利润=收入-成本。所以，要么是收入下滑，要么是成本上涨。

收入下滑：收入=销量*价格。所以，要么是销量下滑，要么是价格下降。

这种数据问题的原因：如果是利润下滑，或者是收入下滑，这可能意味着用户在不同产品级别上的购买行为的转变。

销量下滑：销量=用户*购买转化率，用户=新用户+老用户。所以，要么是新用户减少，要么是老用户流失，又或者是购买转化率下降。

新用户减少：新用户=流量*获取转化率，所以，要么是流量减少，要么是获取转化率下降。

这种数据问题的原因：如果是销量下滑，或者新用户减少。这两者的话，可能分别源于产品的老用户数量和新用户数量的变化。

成本上涨：成本=固定成本+附加成本，所以，要么是固定成本上涨，比如人力、原材料、进货、供应链等成本上涨，要么是附加成本上涨，比如打折促销花费、偏远地区邮费等等都是附加成本。

这种数据问题的原因：而固定成本或附加成本，这两个，可能是因为供应商价格上涨、经销商改变利润结构、退货量增加或各种各样其他方面的变化。

用户减少：可能原因是新用户数量减少、老用户数量减少，或者这二种用户停留时间的减少。新用户减少：新用户数量=搜索来的新用户+推荐来的新用户+直接访问来的新用户，

所以，这种数据问题的原因：可能是搜索流量减少、推荐流量减少或直接访问量减少。

二、利用第一性原理定位真实的问题所在

举个例子，如何搞清楚利润下降的原因？

首先，我们明确一下，利润等于什么？

利润 = 收入-成本 = 销量*价格 -（固定成本+附加成本）=（新用户量+老用户量）*购买转化率-（固定成本+附加成本）

当然，这个公式，你还可以继续拆解，比如新老用户的购买转化率可能不一样，你可以计算新用户的转化率，老用户的复购率。

这样子的问题，通过公式，你就可以可以将【利润】拆解为收入、销量、新客户量、用户转化率，等等。

这其中，关键是要确定问题的根源。一旦我们搞清楚了是哪个变量在发生变化，就能够分析问题出现的原因了。但是这类型的问题，原因可能是任何原因。

但是呢，任何问题，它会存在一个最基本的问题，而这个问题，不能被违背或删除。这就是亚里士多德提出来的——第一性原理。

这里呢，提供一些建议，如果你遇到这种难题，可以试试这个思维方式——第一性原理去定位你遇到的基本问题。

比如，你要利用第一性原理，先去确认一下，是哪里出了问题。

所有地区都发生了同样的变化吗？

我们有多少条业务线？这个变化是否在所有产品上都发生了？

据我们所知，同行业的竞品是否遭遇了同样的问题？

其他相关产品是否遭遇了同样的影响？

是否与季节性有关？

我们是否对生产线做了什么变更？

是否有新竞争者进入市场？

如果将用户按新用户和老用户分开，我们会看到什么不同？

用户粘性的数据怎么样？

我们的客户最近有什么反映？

最近我们收到的投诉是否比平时多？

是否有留意到推荐流量的任何变化？

以上就是一个基本的拆解思路，不断地用问题，来定位最基本的命题。

三、搞清目标

在着手开始解决之前，要搞清楚你的解题目标。

如果你一上来就去想解决方案，那做出来的东西，很大的可能性是又进入了一个坑。因此必须把问题拆解出来。

当你能够一步一步的确定是哪里出了这个问题之后，就离解决问题不远了。

接下来，我们试着拆解一下这个问题，我们可以试试这样子的回答。

四、案例分析

所以，我们还是要用一个案例，来说明一下，实际问题如何解答。

假设你在京东的3C品类部门工作，你发现手机销量在过去三个月中稳步下滑。你如何弄清楚其背后的原因？

其实，这个问题，有两个关键词，【手机】、【稳步】。要拆解问题，要顺着这种关键词去。

如果只是【你发现销量下滑了】，我们就要确定，是什么东西下滑？还是所有的都下滑。同时，关于这个【下滑】，我们也是要确认，是稳步下滑，还是突然间的断崖式下滑，以及下滑幅度。这个我们一定要注意，要确认好这种关键词是什么含义。

手机的销量下滑了，假定这里指的是大幅度销量下滑。我们需要知道更多信息，才能找到原因。

首先，为什么是过去的三个月？这事情其实很奇怪，肯定是某些方面有了一定的变化，这些方面可能是手机、3C产品、京东、电商，或者只是跟具体的这段时间有关系。

我们可以排除电商或JD.COM。因为，如果这两者受到了重创，我们肯定会知道，而且那个时候我们要担心的就不只是手机这个商品销量下滑这个问题了。一定是全局变化的。

同样，我们也排除掉京东3C销量的下滑，因为，假如是整个3C类别的问题，那我们就不会特别来担心手机的销量了。

时间问题也挺有意思的。将销量与和三个月前作对比，不是一个好的选择。因为，对于当前一年范围内，手机的销售每个月应该都不是固定的，而是会随着一些因素而变化。

所以，即使要作对比，也该和上一年的同一时期对比，以此排除季节性的原因。

同时呢，我们假设，这个问题背后，其实还是存在一些别的问题。而开头也提到了，这个销量是稳步地下滑。这就意味着，问题应该不会是由于某个产品功能或者别的外部负面的新闻变动之类的原因造成的。因为在那种情况下，销量会突然下滑，断崖式下滑，而不是稳步下滑。

//第一性原理思维要上了啊~这也是一种结构思维。

这个时候，我们想要搞清楚手机类别内部的销量。

是否所有手机的销量都下滑？还是只有某些特定的品牌？

淘宝上的手机是否遭遇了一样的情况？我们可以用爬虫获取对方公开的数据，尤其销量、用户评价这种数据，都可以爬取过来分析。像咱们这样的大公司，一定是不断地爬竞品数据的。

如果淘宝也受影响了，那我们其实可以假设整个电商上的手机都受影响了，这很大程度是外部因素，而不是内部的特定原因。

因此呢，我们假设是京东上的手机受影响，而淘宝不受影响。这样，我们就能把问题归结到先前拆解的那些公式上了，而这些特定原因，其实也是我们能控制的原因。

如同前面所说的，销量是一个关于用户和转化率的函数。如果销量下滑了，就说明要么是用户变化了，要么是转化率有变化。

我们可以将用户与转化率按用户类型进行划分：

京东搜索流量（在JD.COM上进行搜索的用户）

浏览流量（在JD.COM上浏览并找到目标商品类别的用户）

外部搜索流量（搜索引擎流量，如百度、360、搜搜等）

直接流量（直接打开特定产品页面的用户）。

我们的目标是，在这些访客类型中，锁定那些在用户量或用户转换率上有所下滑的类型。

比如，如果外部搜索流量下滑了，那我们可以对可能造成PR值（Page Rank网页等级）下降的改动进行调查。如果在这些类型的用户量中看不到异常，就得从别处寻找可能影响销量的东西。

再比如，这可能是因为手机的价格大幅上升。还有可能是因为系统的搜索功能或购买流程出了错，影响了销量。（这个如果真出现，部门奖金是不是可以取消了，或者是不是可以裁员了？?）

以上，就是我们来处理这个问题的基本流程了。

OK，这样的问题，逻辑就拆解到这里。回顾刚才这个例子，我们在这个过程中，紧紧抓住了这个问题的关键词：这是“某个商品类型”销量的“稳步”下滑。要寻找可能造成问题的原因，就一定是从这两个关键词来寻找的。

同时，还在“逻辑推导”和“直觉回答”之间保持了平衡。

逻辑就是你要不断的去拆解这个问题，销量= 用户 * 转化率。然后用户怎么样，转化率怎么样。 比如而直觉，就是拍脑袋，比如手机一般不会突然间就卖得不好。

逻辑很重要，偶尔也需要直觉来参与一下。