在电商领域，最常遇到老板丢过来一个问题：“最近这个销售额在下降啊你来给我分析分析，想出几个有用的解决办法来”。又或者在数据分析师面试的时候面试官喜欢问：“现在有个产品的销售额下降了，你能给我拆解一下原因吗？”
这当然是数据分析师必备的知识储备啦，有同学就会回答：销售额=单价*销量。从价格方面找，是不是降价啦？是不是促销折扣太大啦？从销量方面找，是不是价格太高或者产品太差或者服务不好或者缺货或者物流等等导致销量下降啦？这思路没问题。但却是正确的废话，真让你找数据分析，得出有效的结论和措施就会狗咬刺猬——没处下嘴。你想，降价了你能怎么办，再涨回去？质量太差你就不卖了？物流太慢你能让它快一点？
实际上分析一个问题需要知道它的来龙去脉，拆解过程中应该有完备性。有些时候一个不起眼的因素成为主要矛盾，但也有很多时候真正原因是多种因素综合的结果，很难一一解析清楚。所以并不是单价、销量分析那么简单。这样说明你的思路其实还是不清楚。
最典型的分析思路就是医生的“望闻问切”看病过程。比如一个简单的感冒，医生会问：“你有什么症状（判断并假设疾病类型）？这样多久了（判断严重程度）？最近去过哪里？（判断是不是传染）你以前这样过吗（是否有病史）？去检查一下吧（有假设但需要证实）！你这个指标有点低啊，可能是某某病（作出结论），给你开点药，注意防寒保暖（提出办法），你回去吃两周，再来复查（持续监控）。”这就是一个完整的分析思路。
同样地，我们用5W2H的方法来分解一下看怎样全面完整、逻辑清晰地分析销售指标在下降该怎么办。下面这张图展示了分析框架：
1.What是什么？
a.验证数据准确性，是不是搞错了呢？
如果你只是被跑抛一个结论说某某指标下降了，首先得先确认是不是数据源有问题，如果数据口径、存储过程出现问题就会导致出现异常情况。
b.确认指标变动的幅度，是不是随机波动呢？
如果懂得时间序列分析的话，就知道对于销量这类时序问题，可能存在周期性、季节性、趋势和随机波动四种成分。如果是周期性、季节性，实际上你分析了也没用，说明整个行业都这样，你也不例外。如果是随机波动（没有超过以往的波动幅度）就属于正常情况而不必管再深入下去，毕竟要讲究投入产出比。
2.Who谁在下降？
a.从客户角度看，哪一类客户（重要价值客户、一般价值客户）的销售额在下降呢？
b.从员工角度看，哪些销售员工（新员工、老员工）的销售额在下降呢？
c.从产品角度看，哪个产品线（品类、型号）的销售额在下降呢？
d.从渠道角度看，哪个销售渠道（线上、线下、网站、直播）的销售额在下降呢？
3.When什么时候？
a.什么时候开始下降？是最近还是一个月前？
b.持续了多久？是一周还是一个月还是一个季度？
4.where哪里在下降？
a.在哪个地理区域下降？
5.Why为什么在下降？
找原因怎么找？往往既有内部原因，又有外部原因。这里我们就可以使用在另一篇文章里介绍的PEST模型和波特五力模型，它是从外部分析影响业务的理论。而对内部分析，又可以使用“人货场”模型。
从外部分析：
PEST角度：
1.P(Politics)：新出台法律政策，比如直播电商政策，对电商零售流量就会有影响。
2.E(Economics)：整体经济形势对行业的影响，财政税收政策对行业的影响，行业所处发展周期。
3.S(Social)：消费者观念、生活方式是否转变，时尚潮流的走向。比如大家对新能源汽车的接受度。
4.T(Technological)：是否有新技术出现？新技术是改进还是颠覆性的？比如区块链、元宇宙技术的发展。
波特五力角度：
1.上游供应商原材料供应、生产技术、行业政策是否发生变化？比如缺芯问题对华为，苹果公司砍掉欧菲光供应商后千亿市值瞬间暴跌。
2.下游经销商分销、囤货、窜货等是否管理混乱，如果依赖某平台，平台政策是否发生变化？比如亚马逊网站在2020年发起对中国商家扣仓储的风波。
3.竞争对手是否有降价、促销、活动等恶意行为？或者是否有新技术产品、成本控制方式？
4.替代品行业是否发生新技术、新服务，消费者是不是再向替代品转移？比如电子照相机技术对胶卷巨头柯达的影响；新能源汽车对传统能源汽车的影响。
5.是否有新进入者在搅局？是否有资金、产品、技术实力。比如小米进军新能源汽车对特斯拉、蔚来的市场份额的影响。
从内部分析：
1.人的角度：
a.顾客：用户需求是否发生变化？消费者满意度是否发生变化？新老顾客是否都在减少？
b.员工：客户服务质量是否下降？销售技能培训是否到位？是否有频繁销售事故？
2.货的角度：
a.货的供应：产品供应不足？物流运输出现问题还是生产制造环境？
b.货的质量：产品的质量在下降？核心功能问题增多？
c.货的价格：产品的性价比不高？产品功能没达到心理预期？
d.货的关联：是否有同类产品相互消耗流量，品线搭配混乱？
3.场的角度：
a.拉新：广告、促销、秒杀、下载等广告宣传是否出问题？
b.激活：浏览、喜欢、交易过程中是否有因素阻碍？
c.转化：服务和产品是否促使用户转化为老用户？
d.收益：新客户销量大但销售额小，老客户销售额大但频次低。
e.传播：活动、社区、粉丝沟通是否出现问题导致信任危机？
6.How怎么办？
解决问题就是问问题的过程，一个一个的拆解提出假设，再一个一个的找数据、资料去证实/证伪假设，排除问题。最后总体作出判断来确认问题。
上面每个小问题都可以从下面三个方面判断问题的严重程度：
1.短期性下降：这是排除了数据源出错、随机性波动假设之后确认的问题形态。如果是某个时间节点发生，对于内部因素，就需要快速定位到出问题的部位采取相应对策；对于外部因素，就需要持续关注竞争对手、行业应对措施。如果幅度变动异常大，就需要评估是否是突发事件，突发事件的破坏程度。比如节假日前后，比如重大赛事活动，比如丑闻。
2.周期性下降：这是进行同环比验证之后确认的问题形态。需要剔除季节性和周期性变化后看幅度，如果与以往相比幅度差不多，问题不严重不需要担心，仍然是持续观察防止问题向恶化的方向转化；如果幅度加大，可能恶化已经开始，需要从内外部找原因。
3.趋势性下降：其实这个时候往往已经不是数据分析师的事儿了。趋势性下降是指持续很长一段时间，数据分析师的作用就是在一出现异常情况就开始跟进，就是上面的1和2阶段，这个阶段反复假设和验证都还解决不了问题的下跌，只能是行业趋势造成，考虑的就是业务转型了。
这只是告诉了判断标准，那怎么具体实施呢？就需要用到假设检验法和相关分析法。这里用一个案例来举例：
这里有家北美自行车制造和销售公司2011年1月1日到2011年5月31日的订单数据，它的主要产品是Roadbike和MontainBike自行车，在美国西南、东南、西北、东北和欧洲、澳洲销售。
假设1：销售额是临时性下降。
与上一季度（2011季度4）比的确是下降了。但是与上年同期环比呢？2012年一季度前两月实际上反而还在略微上升，但是三、四、五没有如期上升，只有一年数据，也没法确定是不是趋势。所以判断是短期性下跌或者周期性下降叠加短期性下跌两种可能性，假设可以证实。
那么接下来怎么分析呢？大家都知道销售额=销售数量*平均价格，那么就拆解这两个指标。
假设2：销量在下降？
看到2012年5月销量确实比前两个月下降，但是与去年同期相比，是还是比较高的。假设2得到证实。也说明这种下降既不是趋势性也不周期性，而是短期性波动。同时引出了假设3。
假设3：平均价格是不是降了呢？
这就很明确了，不仅销量在下降，价格也在下降，这两个都在下降那总销售额能不下跌么？但是哪个是主要矛盾呢？这也是实际工作中常常遇到的问题，你以为你一下子能找到主要原因，但很多都是联动的。
假设4：是老客户销量在下降？
一拉数据按客户ID分组计数，发现尴尬了，没有老客户，全是新客户。其实一些案例分析复购率多高多高，客户粘性好，忠诚度高，实际上还是遵循二八法则，甚至一九比例都不到，绝大多数消费者都是一次性的，月复购率做到10%就烧高香了。
所以从用户这端分析是走不通了。那看产品、看区域呢？这就没法假设了，因为没看数据谁也不知道。
1.销售额
2.销量
3.均价
从上面三张图标题就可以看出分别是从产品类别、地理区域、促销类型细分来看销售额下降。从产品看，之前Roadbike销售额占主导，但是到2012年一下子降低很多;从区域看，之前Australia和AmericanSouthwest占主导，但是2012年也一下子降低很多；从促销来看，之前没有做促销，到2012年做了促销，但是还是没能阻挡销售额下降。
结合上面这些信息我们可以判断，这是一次短期性下跌，可能的原因是RoadBikes类的各种车型销售额都在下跌，它在销售额占大头的Australia和AmericanSouthwest都在下降；但是RoadBikes类车销量却没有明显下降，而是与前期大致持平；最后从价格上得到验证，原来两类车型均价都在下跌，但是RoadBikes类的均价跌幅更大还有继续下跌的趋势，再叠加促销，使得总体销售额呈下降趋势。以此类推，我们从一个指标分解分析、二个指标交叉分析，还可以从三个指标、四个指标透视分析，如果没有找到问题发生部位，就一层一层定位。
解决办法：知道了原因，就可以对症下药，如果是产品原因，那就去改进产品，如果是消费者，那就去拉新留老，提高客户体验；如果是外部因素，那就见招拆招。但是这里是由于调整价格导致销售额下降的主动性策略，可能是由于竞争对手、市场需求改变而做出的，但这本身是一种措施而不是问题，所以没必要惊慌，作为数据分析师应该持续监控，如果后续仍然没有起色，这时候就需要找内外原因了。
当然以上案例只是简单的运用了一些常见方法，并不难解决实际问题。作为数据分析师，面临的问题更加复杂，这是需要坚持长期分析、深入分析、独立分析，这样才能生产出有效的分析结论。
最后欢迎大家关注我，我是拾陆，搜索公众号“二八Data”，更多技术干货持续奉献。