数据分析的四种类型，用一个真实问题走一遍

数据分析分成四种类型：描述性（发生了什么）、诊断性（为什么）、预测性（接下来会怎样）和规范性（该怎么做）。本文用一家网店的收入下滑走完四种类型，并说明小团队真正需要哪几种。

四种类型，各一句话

数据分析通常分成四种类型，每一种回答的问题都比上一种更难：

• 描述性分析： 发生了什么？
• 诊断性分析： 为什么会发生？
• 预测性分析： 接下来可能发生什么？
• 规范性分析： 我们该怎么做？

下表从问题、常用方法和所需数据三方面对比它们。顺序很重要：没衡量过的变化解释不了；没诊断清楚就做预测，往往会重复同样的错误。

每种类型都依赖它上面那一种。

一个问题走完四种类型

一家小网店周一打开看板。下面是每种分析各自贡献了什么。

描述性。 上周收入比前一周低 12%；订单数下降，客单价没变。这是事实，还不是解释。大多数看板停在这里，大多数团队也从这里开始猜。

诊断性。 把下滑拆开。按渠道，每个来源都降了一点。按设备，桌面端稳住了，移动端转化率从 1.9% 掉到 1.3%。按天，下滑从周三开始，那天上线了新的商品页模板。移动端的会话回放显示，「加入购物车」按钮被一张大图挤到了下面。原因找到了。

预测性。 如果什么都不改，这个月会怎样？用最近几周做个简单预测，收入会比计划低 8% 左右。另一个更有用的预测是按客户的：最近买过的人里，哪些可能不再回来。两者一开始都不需要机器学习：一条趋势线加一条「多久没来」的规则就能走很远。

规范性。 今天就在移动端回滚模板，把修复版本分流测试，再给周三以来放弃购物车的客户发一封提醒。规范性分析是按预期效果和成本给行动排序，它的好坏取决于下面那层诊断。

你真正需要哪几种

• 每个团队都需要把描述性分析做好： 清楚的定义、每个目标几个指标、和上一周期的对比。见怎么做分析看板。
• 大部分价值藏在诊断性分析里。 它需要能拆分的数据（按来源、设备、页面、分群），以及先拆再猜的习惯。大多数「我们需要预测分析」的需求，其实是诊断问题。
• 决策反复出现时，预测性分析才值得做： 预测库存或预算、找出可能流失的账号、给线索打分。
• 规范性分析从一份写下来的预案开始（这个指标掉了，先查这三件事，再这样做），远早于成为一个优化模型。

更快地从描述走到诊断

两个习惯能缩短从「发生了什么」到「为什么」的路：

1. 让工具告诉你出了变化。 带预测基线的监控，比如 TapCub 里的，会拿今天和最近七天以及同一个星期几的均值比，超出区间就报警（需要 14 天历史；异常检测规则要 28 天）。你周三就开始诊断，而不是等到下周一。
2. 记下你改了什么。 把发版、活动、调价作为标注加在图上，很多诊断就变成两分钟的查询。

把领先指标和滞后指标放在同一屏上：滞后指标（收入）告诉你出了事，领先指标（加购率）告诉你出在哪。

常见问题

什么是诊断性分析？

分析某件事为什么发生：按渠道、设备、页面、分群等维度拆开变化，把时间和已知事件对照，再用会话回放这类更细的数据确认原因。

预测性分析和规范性分析有什么区别？

预测性分析估计会发生什么（下个月的收入、谁会流失）。规范性分析建议该怎么应对（联系哪些客户、先上哪个修复）。

哪种分析最常见？

描述性。每份报表、每个看板都是描述性分析。其他三种都建立在它之上。

做预测性分析需要数据科学吗？

起步不需要。趋势线、移动平均、同期对比和简单规则（60 天没下单）就能回答很多预测问题。信号很多、决策需要大规模重复时，模型才更有帮助。

另见：数字分析、网站统计。

另见：什么是诊断性分析？方法和计算示例。