有了好坏判断，可以进一步思考原因。但在思考原因之前，最好先看下指标内部结构，找到影响指标的大头。这样重点清晰，更容易看出问题所在。
比如看销售情况，销售讲究人、货、场，先从用户、商品、渠道三个维度，单独看内部结构，看哪个类型的占比高，哪个类型在当前表现好/差。这样分清重点，容易形成思路。
比如看成本情况，区分可变成本、固定成本，可变成本区分商品成本、营销成本。固定成本里区分前台、后台成本。这样更容易看出哪一块是波动来源。
有了这一步，后续再找原因就轻松很多了，可以直插重点。
第5步：列假设有些比较懒的同学，直接在上一步就下结论了。比如最近销售不好是因为A商品没卖好。成本高了是因为促销花钱太多……
可这种原因往往太肤浅。一来，有可能A商品没卖好是因为其他藏得更深因素导致的（有更深因素）；二来，有可能A商品没买好是因为某几类用户在流失（其他因素波及）；三来，即使A没买好是因为A不行，那也不见得短期内能改正，还是得想其他办法（问题分析的可落地性）
所以，再往下深入，一定要清晰假设，撸出来问题背后的逻辑。很多同学到这一步会傻眼，觉得原因千头万绪，我该怎么列才合理？
这里有两个简单的办法：
1、从最近发生的事件入手。
2、从业务可能采取的行动入手。
从最近发生的事情入手，能快速找到解释问题来源的假设。我们可以先收集最近发生的正向/负向的事件，然后逐一看：
理论上：这个事件对哪些指标有影响
实际上：这个事件的发生程度，相对应数据变化
这样逐一排查，找出问题来源。
从业务可能采取的行动入手，则能快速找到业务应对手段的假设。比如面对业绩下降，短期内业务就三板斧：
1、上促销，派一堆优惠券
2、搞培训，抓几个典型示范
3、改文案，把推广链接换换
那么，我们可列假设：
1、按过往投入产出比，促销可以拉升业绩
2、人员是参差不齐的，有标杆可以参照
3、推广是参差不齐的，有标杆可以参照
之后逐一检验即可。
第6步：验真伪有了假设可以验证。注意，很多日常数据波动，是没资源给我们一一做ABtest来验证的。因此这里说的验证，更多是找证据。找到足够多的、明显的、数据上的证据，来证实观点。
比如我收到最近商品调价信息，那么理论上，如果是畅销品，快供不应求调价，是会提升收入的，而普通商品被逼无奈地调价只会伤害销量。那么验证的思路就是：
1、调价商品过往销售、库存数据如何（判断类型）
2、调价商品从哪一天开始调的，调完了销售有啥变化
3、调价商品影响面有多大，剔除这个商品，其他还有问题不
这样综合利用数据，就能下判断。
比如我们假设：做促销可以拉升业绩。那么可以把之前促销效果数据拿出来参考
1、当时投入了多少，做了几天
2、当时提升了多少
3、目前按这个数量，能否填上坑
这样也能下判断：如果现在上促销，能拯救局面不，还需要哪些措施。
第7步：得结论到这一步我们已经做了充足的功课，交作业的时候，可以做非常详尽的汇报：
1、现状很好/很差，表现为……（第123步的结论）
2、现状好，是因为……（第4步的结论）
3、更深层的原因是……（第5步的结论）
4、这种好预计是可以持续/不可持续的，因为……（第6步结论）
5、因此，建议……（继续观察/采取措施/集体研讨更进一步方案）
附件里，附上详细的数据过程，就显得既全面，又有深度了。
7步骤的开展顺序注意，这7步骤，不用等到有人提问的那一刻才开始做。因为：
第1、2、3步，完全是基础数据解读，平时就能干
第4步，要收集近期业务动作，行业大事，平时就能干
第4步，要对业务过往行动做复盘，历史上有记录
平时做好功课，事到临头要做的，其实只有第5步中的利用历史数据测算和验证影响两件事。
所以我们常说，数据分析师想要加强数据洞察能力，就得多积累分析经验，针对具体业务问题，收集业务动作，多复盘，这样才能认识得越来越深入。每次具体问题来了，才有丰富的弹药库可用。
