商業分析應該怎麼做？一篇文章把思維和工具說清楚了！
商業分析，是識別業務需求和確定業務問題解決方案的研究學科。通常包括戰略規劃、流程改進、組織變更、以及透過資料分析等手段來研究並解決問題。
商業分析應該怎麼做？一篇文章把思維和工具說清楚了！
商業分析，是識別業務需求和確定業務問題解決方案的研究學科。通常包括戰略規劃、流程改進、組織變更、以及透過資料分析等手段來研究並解決問題。
01 什麼是商業分析？
維基百科給出的解釋：
商業分析，是識別業務需求和確定業務問題解決方案的研究學科。通常包括戰略規劃、流程改進、組織變更、以及透過資料分析等手段來研究並解決問題。
個人覺得，培養商業分析能力：
- 首先要培養思考問題的思維能力，通過思維模型的訓練。
- 然後再結合商業經驗和業務理解，藉助數據分析的手段，或者直接應用商業分析模型，來解決商業問題。
02 如何培養思維能力？
1. 結構化思維
結構化思維其實就是把複雜問題分解成多種單一因素的過程，並且將這些因素加以歸納和整理，使之條理化、綱領化。這個過程猶如抽絲剝繭，將一團亂麻理地條條順順。
如何練習結構化思維，這其中會運用一個很重要工具，那就是金字塔模型。
根據《金字塔原理》，“任何事情都可以歸納出中心論點，由中心論點出發，可由三至七個論據支撐，每個一級論點可以衍生出其他的分論點。”如此發散開來，就可以形成以下的金字塔結構思考方式。
但是在你還沒有掌握這種結構化思維方式時，直接用這種思考方式是有一定難度的。這時候就可以採用金字塔原理中的MECE法則去思考結構。具體的操作方式是：
- 儘可能列出所有思考的要點
- 找出關係，進行分類
他的原則是論點之間相互獨立，不重疊；論據窮盡劃分，不遺漏。
舉個例子：現在有一個線下銷售的產品。我們發現8月的銷售額度下降，和去年同比下降了20%。我想先觀察時間趨勢下的波動，看是突然暴跌還是逐漸下降。再按照不同地區的資料看一下差異，有沒有地區性的因素影響。我也準備問幾個銷售員，看一下現在的市場環境怎麼樣，聽說有幾家競爭對手也縮水了，是不是這個原因。
用結構化思維梳理，就是：
用這種方式思考，能確保思考的點成體系，邏輯嚴謹，要素相互之間不凌亂不打架，思考的點都窮盡。長期練習這種方法，不僅更容易找到邏輯結構，也更容易培養你的結構化思維。
具體可閱讀書籍：《金字塔思維》
2. 假說演繹思維
以情況為起點的推理方法是歸納推理，以規則為起點的推理方法可以稱之為演繹推理。
比如： 某自營電商網站，現在想將商品提價，讓你分析下銷售額會有怎樣的變化？
首先可以確定銷量會下降，那麼下降多少？這裡就要假設商品流量情況，提價後轉化率的變化。
具體的變化情況都可以根據過往的資料來擬合，統計學上也有一些科學的預測模型。
假設先行就是以假設作為思考的起點，先提出問題，然後用MECE原則梳理關聯因素間的結構關係。
在實際情況中，可針對不同的專案要求進行組合應用。在經過一定階段的訓練後，可以幫助提升業務熟悉程度，完成業務的初始積累後，後續的分析過程中就可以逐步減少拓展推理的層級及組合，逐步提升問題原因定位的效率。
3. 5W2H模型
5W2H分析法主要針對5個W以及2個H提出的7個關鍵詞進行資料指標的選取，根據選取的資料進行分析。
4. 邏輯樹分析模型
將問題的所有子問題分層羅列，從最高層開始，並逐步向下擴充套件。
把一個已知問題當作樹幹，考慮這個問題和哪些問題有關，將相關的問題作為樹枝加入到樹幹，一次類推，就會將問題擴充套件成一個問題樹。
邏輯樹能保證解決問題的過程完整性，將工作細化成便於操作的具體任務，確定各部分優先順序，明確責任到個人。
邏輯樹分析法三原則：
要素化：把相同問題總結歸納成要素 框架化：將各個要素組成框架，遵守不重不漏原則 關聯化：框架內的各要素保持必要的相互關係，簡單而不孤立
5W2H分析模型的應用場景較廣，可用於對使用者行為進行分析以及產品業務分析；
而邏輯樹分析模型主要針對已知問題進行分析，透過對已知問題的細化分析，透過分析結論找到問題的最優解決方案。
03 商業分析模型有哪些？
其次，擁有了科學的思維能力之後，再結合商業場景/問題來分析，可以應用現成的商業分析模型，比如PEST、4P營銷理論等，透過這些商業分析模型的訓練，能幫助快速完成商業感的積累，完成原始業務邏輯積累，在此基礎上快速定位業務問題，提升分析效率。比如：
1. PEST分析模型
（1）經濟環境：
宏觀和微觀兩個方面。
宏觀：一個國家國民收入，國民生產總值以及變化情況，以透過這些指標反應國民經濟發展水平和發展速度。
微觀：企業所在地區的消費者收入水平、消費偏好、儲蓄情況、就業程度等因素，這些因素決定著企業目前以及未來的市場大小。
關鍵指標：
GDP及增長率、進出口總額及增長率、利率、匯率、通貨膨脹率、消費價格指數、居民可支配收入、失業率、勞動生產率等。
（2）社會環境：
包括一個國家或地區的居民受教育程度和文化水平、宗教信仰、風俗習慣、審美觀點、價值觀等。文化水平營銷居民的需求層次，宗教信仰和風俗習慣會禁止或抵制某些活動的進行，價值觀會影響居民對組織目標和組織活動存在本身的認可，審美觀點則會影響人們對組織活動內容、活動方式以及活動成果的態度。
關鍵指標：
人口規模、性別比例、年齡結構、出生率、死亡率、種族結構、婦女生育率、生活方式、購買習慣、教育狀況、城市特點、宗教信仰狀況等因素。
（3）技術環境：
企業所處領域直接相關的技術手段發展變化，國家隊科技開發的投資和支援重點，該領域技術發展動態和研究開發費用總額，技術轉移和技術商品化速度，專利及其保護情況。
關鍵指標：
新技術的發明和進展、折舊和報廢速度、技術更新速度、技術傳播速度、技術商品化速度、國家重點支援專案、國家投入的研發費用、專利個數、專利保護情況。
2. 4P營銷理論模型
產品：
能提供給市場，被人們使用和消費並滿足人們某種需求的任何東西，包括有形產品、服務、人員、組織、觀念和它們的組合。
價格：
購買產品時的價格，包括基本價格、折扣價格、支付期限等。影響價格的主要因素有需求、成本和競爭。
渠道：
產品從生產企業流轉到使用者手上全過程所經歷的各個環節。
促銷：
企業透過銷售行為的改變來激勵使用者消費，以短期的行為促進消費的增長，吸引其他品牌使用者或導致提錢消費來促進銷售增長。
3. 使用者行為模型
使用者行為指使用者為獲取、使用產品或服務才去的各種行動，首先要認知熟悉，然後試用，再決定是否繼續消費使用，最後成為產品或服務的忠實使用者。
行為軌跡：認知->熟悉->試用->使用->忠誠
♦ 這裡要強調的是，每個模型的應用場景根據不同也有所區別：
PEST分析模型主要針對宏觀市場環境進行分析，從政治、經濟、社會以及技術四個維度對產品或服務是否適合進入市場進行資料化的分析，最終得到結論，輔助判斷產品或服務是否滿足大環境；
4P營銷理論模型主要用於公司或其中某一個產品線的整體運營情況分析，透過分析結論，輔助決策近期運營計劃與方案；
使用者行為分析模型應用場景比較單一，完全針對使用者的行為進行研究分析。
04 商業分析工具推薦
光有思維沒有工具怎麼行？
不過別擔心，商業分析沒那麼多高深的工具，Excel/SPSS/R/Python足矣。
再加一個BI工具，去看一下招聘要求就知道，但凡有規模的大公司都會要求會BI工具，如FineBI和Tableau，至於它們是什麼，怎麼做，點選下方鏈接免費體驗FineBI工具demo！
更多資訊，點擊關注臉書，與軟妹一同開啓數據之旅，迎接商業智慧新時代！
[embed]帆軟軟體 以資料賦能企業智慧決策，專注報表&BI領域十六年www.facebook.com
※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※
我是「數據分析那些事」。常年分享數據分析乾貨，不定期分享好用的職場技能工具。各位也可以關注我的Facebook，按讚我的臉書並私訊「10」，送你十週入門數據分析電子書唷！期待你與我互動起來~
文章推薦
◆跟資料打交道的人都得會的這8種資料模型，滿足工作中95%的需求
回顧十週入門數據分析系列文：
關注數據君的臉書：
我是「數據分析那些事」。常年分享數據分析乾貨，不定期分享好用的職場技能工具。按贊我的臉書，會有豐富資料包贈送唷！
메타데이터
- post_id
- 02cb84b42380
- slug
- 商業分析應該怎麼做-一篇文章把思維和工具說清楚了-02cb84b42380
- url
- https://medium.com/@allaboutdataanalysis/%E5%95%86%E6%A5%AD%E5%88%86%E6%9E%90%E6%87%89%E8%A9%B2%E6%80%8E%E9%BA%BC%E5%81%9A-%E4%B8%80%E7%AF%87%E6%96%87%E7%AB%A0%E6%8A%8A%E6%80%9D%E7%B6%AD%E5%92%8C%E5%B7%A5%E5%85%B7%E8%AA%AA%E6%B8%85%E6%A5%9A%E4%BA%86-02cb84b42380
- canonical_url
- https://medium.com/@allaboutdataanalysis/%E5%95%86%E6%A5%AD%E5%88%86%E6%9E%90%E6%87%89%E8%A9%B2%E6%80%8E%E9%BA%BC%E5%81%9A-%E4%B8%80%E7%AF%87%E6%96%87%E7%AB%A0%E6%8A%8A%E6%80%9D%E7%B6%AD%E5%92%8C%E5%B7%A5%E5%85%B7%E8%AA%AA%E6%B8%85%E6%A5%9A%E4%BA%86-02cb84b42380
- author_url
- https://medium.com/@allaboutdataanalysis
- status
- ok
- fetched_at
- 2026-07-24 20:22:33
