很多做数据的同学，只看自己的报告，却看不到自己的建议 被登陆后，我常常感到遗憾。我认为不可能像产品/运营那样打造数据分析的闭环，能力也无法提升。这其实是一种误解。今天，结合一个具体案例，我们来看看数据分析的闭环以及如何构建。

问题场景：

商场原本可以免费停车的一家餐厅，但从这个月开始改为收费停车，停车费相当贵。餐厅经理纠结：停车费会不会影响收入。问：如何进行分析？

1。失败分析

这里最容易犯的错误就是罗列一堆数据

• 昨天收入1万
• 前天收入12000
  li>
• 比上个月增加了 20%
• ……

这是一个失败的答案。只是列出数字，没有任何结论。因为问题是：“停车费会影响收入吗？”所以分析的最终结论至少应该是：“会/不会”。

请注意，仅回答是/否仍然不是完整的答案。

如果会影响的话，会影响一点点，还是只会毁了店铺？

如果不影响，那为什么停车场收费后“感觉”客人少了？

这些问题需要进一步解答。一个完整的分析不仅应该陈述结论，还应该伴随数据论证过程。这是数据方法与其他方法最大的区别。

第二，从失败到完成

就算不做数据分析，大家也可以随便说说：

• “只有几个人开车，没影响。”
• “这么多人开车，影响很大。”
• “你觉得门口人少吗？！”

听来有道理，但完全无法用数据来验证，所以纯口讨论。

要进行完整的分析，您需要使用数据来支持您的论点。例如，论据：它不会影响收入。

证明如下：

• 收费前后总收入没有变化（最直接的证据）
• 没有收费前后收入结构的变化（不是有的人少，有的人多，金额不变）
• 收费后的波动是非停车因素造成的（如自然波动、促销效果）
• 其他效果消失后，充电后的波动也消失，与充电前相同

这四项可以通过计算以下信息进行验证：

排除异常日期后剩余天数的下雨/促销收入。

如果所有论证都成立，则可以得出结论。

注意，收费可能会带来长期的影响，可能需要几周的时间才能观察到更明显的规律，所以结论可以分为短期、中期，而且是长期的。因此，在给出结论时，最好给出监测指标，以免后续无法跟踪长期效果。

但这还没有形成一个闭环。因为即使在这一点上，输出仍然是一个结论。结论是否正确，还需要时间来检验。结论是否有用，需要在业务中得到落实才能生效，所以我们必须继续向前推进。

三个。从完整到闭环

注意，同样的数据结论在业务中实施时可能会有完全不同的声音。比如前一阶段就已经实施了：停车费会影响会员用户消费的数量，就牢固确立了。

我该怎么办？可能有四种不同的声音：

A说：找物业协调一些免费停车罚单，谁给谁停车。

B说：老会员跑了，新会员补不了。是时候给新成员补贴了。

C 说：如果老会员跑了，他们应该把老会员弄到手，给他们补贴。

D 说：人家生气了一阵子，过几天就回来了，别着急！

四种声音相互矛盾。无论如何，最后只能采纳一个意见。其他三个很可能永远没有机会进行测试。

这个时候数据分析师应该怎么做？答：先用MECE法梳理各种意见，再设置监测指标。之后，无论执行哪种意见，都可以监控其走势，以检查分析是否正确（如下图所示）。

经过检查，保留正确理解，问题结束，闭环完成。错误的理解可能需要多轮测试才能消除，逐渐接近正确的理解。在这里可能需要很多时间，特别是对于很多产品/运营迭代非常慢的公司来说，可能几年后才有可能。

这里也很可能会消耗大量成本，尤其是业务无视数据，固执，不撞南墙不回头，甚至打满血的脑袋不'回头看。

行动迟缓、对数据的无知、自我使用都会导致业务失败。但请注意，这些都是企业本身所犯的错误。如果数据分析可以在多次迭代中成功预测这些错误结果。然后数据分析实现了闭环分析，提升了自身的能力。

有一个问题需要特别注意，就是在假设阶段，只给出预判断，没有给出预判断逻辑。在总结阶段，只看大的结果，不看过程。这种罔顾细节，无异于算命，经不起反复实验的考验。