如果天很热 ， 会导致冰棒和汽水的销量比较高 ， 这是一个常识 。 同时天很热的话也会带动比基尼销量的增加 ， 因为夏天很多人会去游泳 ， 去海边去度假 ， 因此比基尼的销量也会提升 。
天很热会导致冰棒和汽水销量增加 ， 这是由客观的外部环境决定的 。 天很热也会导致比基尼销量增加 。 这个过程中单纯分开看这两个因果关系都没有问题 ， 但如果基于这三个一起去做分析的话 ， 就会这样的结论 。
冰棒、汽水的销量和比基尼的销量会成高度的正相关关系 。 如果基于相关性的指标去做KPI改善的话 ， 从而得出结论 ， 提高冰棒、汽水的销量 ， 就能提升比基尼的销量 。 这就是错误的 。
常见的错误相关性应用有：

• 利用增加访问深度来提升订单转化率
• 利用增加网站停留时间来提升订单转化率
• 利用增加老用户占比来提升销售额

使用相关因素来代替因果因素 ， 没有抓住核心因素
通常企业在做完营销活动后 ， 会进行复盘 。 如果这次活动比较好的话 ， 到底是为什么会导致这次运营结果比较好呢？
很多分析师如果没有经验的话可能会这么分析 。 比如把所有能拿到的维度都统一的细分对比分析一遍 。

文章图片

因此会输出图中左侧的结论 。
把所有现在拿到的数据维度 ， 从各个角度上做统计分析和对比 。 这么做没有错 ， 但是没有本质上解答问题 。
如果是有经验的分析师会怎么做呢？他会着重分析运营相关的因素 ， 从而找到里边的经验 。
这里以用户运营为例 ，CRM推送里老用户的销售额贡献占了79% 。 接着重点去分析用户运营里做了什么或者做对了什么 。

• 人群选的对

通过预测模型得出 ， 人群比较精准 ， 因此选对人是一个重要的因素 。

• 商品选的对

通过推送时 ， 商品跟用户购买商品的匹配度会比较高 ， 因此商品选的对 ， 也是一个特别重要的因素 。

• 推送时机、推送渠道、标题策略……

从而通过这样的分析 ， 告诉用户运营部门 ， 当中做了什么样的事情 ， 做对了什么 ， 哪些地方可能没做对 ， 因此之后需要把对的继续保持 ， 错的要做修改和优化去提升 。 这是能够直接从因果关系的层面去分析到底这个活动结果为什么好 。
没有画龙点睛之笔 ， 没有业务的落脚点 。

文章图片

这里面没有业务落脚点就包含两个场景 ， 第一个就是没有落地建议 ， 你只给了他的这种结论分析过程 ， 甚至好多这种模型算法解释 ， 但是分析完之后就没有结果落地建议 。 第二类就是没法落地的建议 ， 给出一些比较难落地的建议 。
因此 ， 我们建议分析师一定要去了解业务 ， 业务方的整个运营流程是怎么样的 ， 以及评估之后 ， 业务方到底有哪些事情可以做 ， 以及它的范围内可以做 。 这些都是你在落地里面需要去考虑的因素 ， 而并不是说基于数据去单纯的做分析和建议 ， 你需要把业务的背景知识和业务的权力范围 ， 以及业务的需求点放到你的建议里面去 。
单因素的因果逻辑 ， 因为差所以要改善

文章图片