在做数据分析的时候，很多同学在面对一堆数据会无从下手，觉得从哪个角度分析都可以得到很多结论，导致分析的战线越来越长，但是却始终得不到想要的结果。

造成这种现象的问题很多，比较核心的是缺乏对业务的深入理解，也有的是分析方法缺失、分析逻辑缺乏等等原因。这篇文章主要解决的是分析方法的问题，以星巴克买一送一活动为例，阐述基本的分析思路。

星巴克新上线了线上点餐消费app，为了提升app的注册用户数量、提升用户使用app的粘性、提升app的活跃和流程，星巴克上线了买一送一活动，使用的方式也非常简单，每个周五到星巴克店内，消费时出示一下app上的二维码就行了。

 

活动上线后，店内非常热闹，基本上来买咖啡的人都在问买一送一的事情。当然，指标上表现也很漂亮，具体呈现的结果数据如下图所示：

从上图我们很容易发现在支付入口uv和星巴克交易额、交易总人数这三个指标上都呈现明显的7天周期性。单看支付入口的UV，平时最低是5000，平时最高7000，波峰和波谷距离2000，平均值在6000左右，而且集中在6200上下。周五买一送一活动一来，UV直接飙到100000，最差也有80000。看着似乎效果不错。

下图就是对支付入口uv这个指标做基本的统计分析：

基于这些描述性分析，我们可以知道对应指标的平均数、中位数（以及四分位数）、众数、几何平均数、调和平均数、方差、标准差、分布等，分析的目的是从表象和整体观察样本的特征。

在对其他指标进行描述性统计后，得到了第1条事实：星巴克的买一送一效果确实明显！

但是，这些分析都是基于数据层面的非常浅层面的分析，作为数据分析师是绝不能止步于此的。那么接下来自然就需要考虑如何评估效果明显？有多明显？如何量化？

单说支付入口UV，平日对比前日的变化有涨有跌，集中在 -7.6% ～+24.1%，星巴克同比上周却不断下降，降幅最高可达-11%。

在对其他指标分析变化后，得到了第二个事实：星巴克对比平日涨幅10几倍，但同比呈下降趋势！是否效果在逐步减弱？

星巴克效果明显，但是同比却在不断下降，很自然会问：这是为什么呢？只看同比还是有点单薄和局限，是否有其他更多的角度去看呢？

[if !supportLists]ü  [endif]从和支付入口UV相关的维度来看，于是可以得到如下的结论：

[if !supportLists]ü  [endif]从品类来看，美式的占比表现稳定，占比变化不大

[if !supportLists]ü  [endif]从杯型来看，大杯的占比表现稳定，占比变化不大

[if !supportLists]ü  [endif]从城市来看，广州的占比下降明显，其他城市变化不大

[if !supportLists]ü  [endif]从时间场景来看，青年人下降明显，其他年龄层用户变化不大

通过多个维度去分析后，得到了第三条事实：星巴克同比呈下降趋势，其中广州和青年人（18～30）的消费占比下降明显。

星巴克效果明显，但是同比下降，广州和青年人占比下降明显。自然会问，除了支付入口UV，其他指标的情况呢？相互之间是否有什么关系吗？这就需要多个指标结合在一起做更深入的分析，即交叉分析。

这个时候不能单看一个指标了，加上了支付入口ctr，同支付入口UV进行交叉分析。

支付入口UV在星巴克活动的时候涨的很厉害，但是支付入口的ctr基本稳定在10%上下，最低9.2%，最高10.5%，幅度在-0.8%～+0.5%，甚至做活动的时候还出现比平时更低的情况。

因为ctr是百分比指标，故ctr变化不大的可能原因即分子和分母同步增长，是否可以认为新增的流量基本都来星巴克买一送一，即星巴克活动带来的新增流量全都进入了星巴克，而未给其他板块带来收益呢？

通过交叉分析，得到了第4条事实：支付入口UV和支付入口ctr交叉分析后发现，ctr几乎没有变化，暴涨的流量难道都是来消费星巴克的吗？UV和ctr是否真的如数据所示毫无关系吗？

支付入口的UV和支付入口的ctr，看上去似乎没有任何联系，你涨你的，我维持惯性不变。自然会问：这两个指标是否真的看上去毫无影响和关系吗？如果有关系，怎么衡量他们之间的关系和影响程度呢？

量化两个指标之间的关系，即相关性分析，结果如下图所示：

通过相关性分析，得到了第5条事实：支付入口UV和支付入口的ctr存在微弱的联系，从业务层面来看，可以认为两者互不相关。

分析了这么多，基本上把能拿到的数据分析的七七八八了。面对这些历史数据，自然也会问：后续情况会怎样发展呢？这就需要在分析历史数据的基础上着手了趋势预测，看一看未来可能的发展趋势。

通过预测分析，得到了第6条事实：支付入口UV未来逐步降低维持在25000上下。

通过以上的分析，我们得到了6个结论，每个结论互相促进，都是都前一个问题的解决，层层深入，最终解决所有的疑惑。

但是还没结束，因为数据分析的目的和结果是要落地到业务，最终能够实打实的在业务层面上产生效果，那接下来就可以带着从数据获得的所有分析结果和困惑和业务同学沟通，尽可能的找到造成这些问题的原因，并且形成最终的数据分析报告。