分析与结论
分析不是把数据画成图,而是回答一个具体问题,并说明答案有多可信、在什么范围内成立。定量回答"多少",定性回答"为什么",两者回答的不是同一件事。
1. 先立假设,再取数
分析常用假设驱动:先写出可能的解释,再用材料排除。
| 步骤 | 做法 |
|---|---|
| 列出假设 | 至少两个互相竞争的解释,避免只验证自己想看到的 |
| 找区分证据 | 哪些数据或材料能区分这些假设,优先采集 |
| 排除与保留 | 记录被排除的假设及理由,保留未能排除的 |
| 形成结论 | 给出最可能的解释、置信度与需要继续验证的点 |
先取数再找规律,很容易得到"数据钓鱼"式的结论:只要切得够细,总能找到一组支持预设观点的数据。
2. 方法选择
2.1 定量方法
| 问题类型 | 要回答什么 | 常用方法 | 注意点 |
|---|---|---|---|
| 描述 | 发生了什么、规模多大 | 汇总、同比环比、分布、漏斗 | 先确认口径与粒度 |
| 诊断 | 为什么发生 | 拆解、对比、相关分析、归因 | 相关不等于因果 |
| 预测 | 接下来可能怎样 | 趋势外推、回归、情景假设 | 写清假设与误差 |
| 关联 | 哪些因素一起变化 | 相关性、分群、共现 | 警惕混杂因素 |
| 因果 | 某个动作是否有效 | 对照实验、准实验、双重差分 | 尽量设计对照,而不是事后解释 |
2.2 定性方法
| 问题类型 | 要回答什么 | 常用方法 | 注意点 |
|---|---|---|---|
| 动机与原因 | 用户或组织为什么这样做 | 访谈主题分析、引述比对 | 频次不等于重要性 |
| 类型与模式 | 存在哪几类行为或问题 | 编码归并、聚类、分类 | 分类标准要写清 |
| 过程与机制 | 一件事怎么发生、卡在哪 | 流程复盘、个案分析、关键事件 | 个案不能直接推广 |
| 对比 | 两个对象差在哪 | 案例对比、时间线对齐 | 控制可比性 |
2.3 混合方法
- 先定量定位再定性解释:用数据找出异常群体或时段,再用访谈解释原因,最常用;
- 先定性构建假设再定量验证:访谈发现问题,用问卷或系统数据验证规模;
- 并行三角验证:两条证据线独立推进,结论阶段比对。
方法选择服从问题,不服从工具。没有对照时,不要用"上线后增长"直接证明动作有效。
3. 多源交叉验证
- 来源可信度:一手系统数据与原始材料优先,二手与外部数据用于佐证;
- 口径一致性:比较前先确认时间、范围与定义一致;
- 时间线:把关键事件与数据变化对齐,排除同期其他因素;
- 反例:主动寻找与结论相反的证据,并解释其存在原因;
- 敏感性:换一种口径、时间窗口或样本切分,结论是否仍然成立。
4. 结论怎么写
一条可用结论至少包含:
| 要素 | 说明 |
|---|---|
| 结论 | 一句话回答研究问题,不用"可能""大概"糊过去 |
| 证据 | 定量数据与定性引述,标注来源、口径与时间 |
| 置信度 | 高、中、低及理由,列出未排除的替代解释 |
| 边界 | 适用范围、样本限制与已知反例 |
| 行动建议 | 建议做什么、不做什么,以及验证方式 |
区分事实、推断与建议:事实是数据与引述,推断是解释,建议是行动。三者混写,读者无法判断哪部分可以质疑。
5. 常见误区
- 只呈现支持结论的证据,忽略反例;
- 把相关当因果,用增长证明动作有效;
- 把定性频次当重要性:被提到次数多,不代表影响大;
- 用一个或几个个案直接推广到全量;
- 结论没有边界,小样本结论直接套到全量;
- 图表精美但没有回答研究问题;
- 置信度缺失,阅读者无法判断该不该下注;
- 报告只给结论不给验证方式,下一轮无法复算。