例如◆★■◆◆★，面对“最近销售业绩下滑”的问题，如果不考虑★◆★■“用哪些数据◆★◆、看哪里■■、怎样看”就开始分析■◆◆★，就可能花费了大量时间和精力，却仍然无法获得理想的结果■★◆■。

　　也就是说，顾客在再次购买汽车时◆★◆★◆，选择其他公司产品的比例增高了。接下来，将问题关键锁定为“车型 B 及车型 C 的客户忠诚度”的过程如下：

　　（1）新车销售额减少不是价格（保持在±5% 之间）降低造成的，而是销售数量减少造成的

　　（3）根据对整体销售数量的影响■★★，应该关注的对象车型依次为车型B◆★、车型C和车型D

　　那么，这些工作对解决问题能产生多大作用呢★◆★◆？数据分析并不是到考虑对策就结束了★★◆。

　　首先★◆，最近的销售额减少到了 3.1 亿日元。其中首次购买部分与再次购买部分各占一半，所以假设再次购买部分为 50%。根据各车型销售比例饼状图可以得知，车型 B 与车型 C 加起来共占 60%◆◆■★★。本次主要针对这 60% 的部分锁定原因★◆，并提出了改善措施★◆。假设通过一系列措施实现了公司决策层设定的目标，成功地将客户忠诚度提高了 25%，则可以按照下面的公式计算出由此增加的销售额。

　　也就是说，通过以上过程，发现销售减少的主要原因，车型B是“与竞争对手的价格比”，车型 C 是■★◆★◆“售后服务满意度◆★◆”。经过进一步挖掘，还可以得知车型 C 的“售后服务满意度■■■★◆”受“服务态度◆★■■”的影响最大

　　再次购买数量的减少不是再次购买对象人数的减少造成的，而是对本品牌产品的再次购买率（客户忠诚度）降低造成的。

　　（2）销售数量减少不是首次购买数量（基本维持不变）的减少造成的，而是再次购买数量的减少造成的

　　然后我们为了确认问题，还需要明确现状和计划之间的差距■◆★◆★★，这样接下来就不会偏离目标■★■，可以有效地进行分析了◆■◆。

　　根据上述内容，我们将问题关键锁定为“车型 B 和车型 C 的客户忠诚度”★◆◆。至此为止的整体逻辑结构如下图所示：

　　根据问题的关键我们下一步就可以找数据了◆■，简单过程就不详细说了，直接列出原因点：

　　其实就好比中学里学习了方程之后★■■★★★，就可以直接套用公式应对很多数学题一样，数据分析也是有着固定的“套路◆■■★”的，能够在通用的场景下快速套用■★■★■■，下面给大家介绍一种我经常用到的思路★■★★◆：

　　这就是一套比较通用的数据分析方法，将实际的场景形成一个完整的故事，从而解决问题。而了解了基本的分析方法和思维方式■■◆◆，还需要针对具体问题加以必要的调整，然后才能使它们得到充分应用■★■。为此，需要处理大量实际问题来积累经验。

　　可能很多人都曾经有过类似的徒劳经历，为什么会发生这种情况呢？其原因在于，分析者没有确立把握数据特征的视点■★◆◆◆★，就开始着手整理数据。

　　首先我们需要明确分析的目的是什么，汽车销量下降似乎就是我们要分析的问题◆◆◆★，那么是不是我们就要把这句话设定为分析问题呢？

　　在假设和检验的过程中循序渐进，将所发现的事实和逻辑一层层积累起来，这个过程对任何问题来说都是相同的。

　　明确目的把握现状之后，下一步就要进行假设的阶段，那么怎么找到问题的关键呢？

　　“汽车销售额一年内下滑◆★，月均销售额直接下降了15%◆■◆■★”◆★★★，首先要明确销售额能否作为衡量汽车销量下降的指标★★。

　　无论解决什么问题，都需要这样一步步锁定对象，摸索原因★■■◆★■。不过实际工作中，我们未必能马上获得自己所需的数据，常需要对假设进行重新调整，反复尝试多个回合◆★。

　　答案是不可以，因为销量下滑这个问题非常的主观，定量评价或判断数据分析结果时◆◆◆，尤其需要客观的判断标准。如果标准含糊不清，我们花费大量时间和精力得出的分析结果就有可能在最后关头被全盘推翻■◆★◆■◆。

　　在实际的数据分析场景当中，刚刚接受业务的同学可能很难形成真正的分析思路★◆■◆■★，导致的结果就是胡子眉毛一把抓。

　　某车企今年的销售额情况一直处于下降状态■◆，与去年一年的月平均销售额对比，本年度最近一个月的新车销售额减少了约15%◆★★◆★■，对比本年度计划约有10%的目标无法实现。

　　其实这些工作都只是“数据整理★◆◆■”，并没有通过◆■“数据分析”来寻找导致销售额减少的原因及其对策。