今天要和來大家說明一下分析的基本框架要如何展開。這邊提供的是一套思考的流程，提醒大家展開分析的過程中你所需要注意的地方。

發現問題

首先它（分析的需求）會從一個問題開始。這個問題有可能是從業務端、用戶端來的反饋，也有可能是你從數據中看出的端倪。

總之，有一個「問題」出現了，而你現在需要去解決它、查看它的原因。

在發現問題後並不是就開始撈數據、著手進行分析，你必須試著拆解它，並理解問題背後所隱藏的假設或現象。

在解決問題之前，你必須先定義問題。

無論是大至公司策略級別的專案還是小至部門周會的例行分析，在分析前千萬不要忘記問「為什麼」，明確好此次分析的目的，才可以透過分析得到有力的建議和深刻的洞察。

提出假設

在定義好問題後，我們可以針對它可能發生的原因進行假設。

由於我們目前不知道問題是如何發生的，因此我們需要先透過推論來進行驗證。

提出假設必須具備一定的領域知識基礎，以及熟悉各個業務指標之間的關係，如果兩者都欠缺的話，推測的方向可能會有很大的錯誤。

設立實驗 or 整理數據

我們可以透過兩種方式來協助驗證我們所提出的假設：設立實驗或是整理過往的數據。

整理過往數據的方式，往往是從業務端或需求端出發的問題，因此我們返回資料庫去撈出相關數據來驗證我們對於問題所提出的假設。

而設立實驗往往會是我們已經從數據中看出了一些問題，為了要驗證我們的猜測，我們透過實驗的方式來規範蒐集資料的方式，透過新的一批數據來佐證我們的猜測是否正確。

發現與建議

當我們跑完這一整個流程後，我們會得出我們的「結論」，並產出所謂的洞察、發現和對於未來或是下一步的建議。

這些洞察和發現有時候違反直覺，而正是這些違反直覺的發現更加寶貴，也更需要分析師們去解釋背後的脈絡。（很多符合直覺的原因常常會被業務端嗆這我早就知道了，或是被主管說這跟我猜的一樣嘛！）

而針對違反直覺的結果，很多時候分析都會停在結果本身，而忽略了解釋的重要性（從數據和實驗結果看就是這樣等等），這也跟「對於資料的解釋性」往往需要靠強大的領域知識，或是實際針對商業情境與用戶情境去分析和補充有關。不過由於這一點常被疏忽，因此往往建議被主管或是老闆採取的可能性也會降低。

當你無法解釋數據之間的關係時，建議也會變得更加薄弱。

對於問題追根究柢的好奇心相當的重要！

雖然有時候可能礙於時間上的壓力或是資源上的不足而讓這次的分析不夠完整，但希望大家都盡可能的去理解數據背後的原因，而不僅僅只是單純停留在數據上的解釋而已。

接下來就要進入該怎麼分析的基礎－統計學的世界中了～我們明天見！