“你做数据分析的方法论是什么？”这个问题让很多新手同学两股战战。啥是数据分析方法论？每天select from有啥方法论？难倒很多同学。
其实所谓方法论就是处理具体问题的套路。只要大家把数据分析运用到实际业务中，肯定都多多少少有一些，只是缺乏整理汇总而已。今天我们就讲一个最最最简单的方法论：OSM模型，帮大家找点信心。
1、OSM模型是什么
OSM模型是三个词缩写：
目标Objective
策略Strategy
度量Measurement
它是一套业务分析框架，非算法模型。适用于：目标已经清晰，行动方向已经明确的情况。当清晰目标以后，需要制定执行计划。OSM模型，就是把宏大的目标拆解，对应到部门内各个小组具体的、可落地、可度量的行为上。从保证执行计划没有偏离大方向。
举个简单例子：某生鲜电商APP，给运营部门目标：提升沉睡用户付费激活率，至少提高一倍吧。
第一步：把语文变成数学，定义O（如下图）。
图片
第二步：梳理流程，找到可改善的S（如下图）。
图片
第三步：为每个S梳理子指标，便于后期执行（如下图）。
图片
三步，就搞掂了一个数字化执行计划。下边可以推动创意设计，或者直接交付执行监控了。这个方法非常简单，其实和平时拆解监控指标的做法差不多，就是多加了一步：对应业务策略而已。所以很容易上手。
2、OSM模型的用法
OSM模型有正向和反向使用两种用法：
1、正向使用：在项目开始前，分解大目标，明确行动和每个行动考核指标。这是上边的例子所演示的工作流程。如果企业数据驱动氛围很好，理应这么工作。
2、反向使用：项目前期没有做啥筹备，事后复盘发现一堆问题。这时候想要检讨为啥做烂了，也能按这个思路，把项目中做的事一一梳理出来，看这些事能影响什么子指标，实际影响到了没有，这些子指标和大目标之间有啥联系。
在数据驱动氛围不好的企业里，反向使用的用处更大！因为很多企业就是干事拍脑袋，出事拍大腿。在策划阶段压根没有动脑子：
至于这么干：
- 有没有影响？
- 能有啥影响？
- 影响到了谁？
- 与大目标有没关系？
- 与大目标有多大关系？
这时候重新复盘是很有必要的。通过OSM梳理，能发现一些明显然并卵的行为，从而积累分析经验，避免下一次犯错。
比如还是上边的例子。
听着牛逼但没用的S：比如建立精准的用户流失预测模型。听起来很牛逼，可实际上预测完了对指标有改善吗？屁用没有，最后还是得发信息、派券、选商品。没有模型这些照样做，有了模型这些也得做。所以建立精准预测，就应该只是一个二级小行动，不能放在一级行动。
有用，但只有局部用处的S：比如在APP内派券。注意，我们是针对已注册但至少30天未购货用户。所以单纯的站内派券，只能影响仍有登录的部分用户。这时候可以看：到底这些用户有多大比例会登录，未登录的部分是明显没影响的。
全局有用，但用处有限的S：比如做个花里胡哨的签到，浇水种树送果实，养金猪什么的。你看人家并夕夕都在用呢！听起来能影响全局，但是很有可能落地完了响应率、打卡完成率低的一塌糊涂。这时候可以就能判断，这玩意看着香，吃起来臭。
总之，即使公司数据驱动程度很低，也不影响数据分析师利用OSM方法积累经验。只要我们自己能梳理清楚流程，熟悉流程上常见的业务玩法，是能基于OSM，诊断业务问题的。
3、还有哪些数据分析方法
数据分析本身是个名词，就和“打”“吃”“说话”一样，如果脱离“打什么”“吃什么”“说什么”，空谈方法论，是很奇怪的。
请问：怎么吃？——卧槽哥哥你在问什么呀
请问：买了一只河豚怎么吃？——诶呀，这个就专业了！
所以脱离业务流程和业务场景，企图纯粹的谈数据分析方法论，就容易陷入形而上学的窘境，讲了一堆听起来牛逼但是很虚的东西。所以想讲清楚方法论，一定要具体一些。
站在业务流程角度，有5个大环节可以产生分析方法（如下图）。
图片
