在做数据分析的时候，很多同学在面对一堆数据会无从下手，觉得从哪个角度分析都可以得到很多结论，导致分析的战线越来越长，但是却始终得不到想要的结果。
造成这种现象的问题很多，比较核心的是缺乏对业务的深入理解，也有的是分析方法缺失、分析逻辑缺乏等等原因。这篇文章主要解决的是分析方法的问题，以星巴克买一送一活动为例，阐述基本的分析思路。
星巴克新上线了线上点餐消费app，为了提升app的注册用户数量、提升用户使用app的粘性、提升app的活跃和流程，星巴克上线了买一送一活动，使用的方式也非常简单，每个周五到星巴克店内，消费时出示一下app上的二维码就行了。
活动上线后，店内非常热闹，基本上来买咖啡的人都在问买一送一的事情。当然，指标上表现也很漂亮，具体呈现的结果数据如下图所示：
从上图我们很容易发现在支付入口uv和星巴克交易额、交易总人数这三个指标上都呈现明显的7天周期性。单看支付入口的UV，平时最低是5000，平时最高7000，波峰和波谷距离2000，平均值在6000左右，而且集中在6200上下。周五买一送一活动一来，UV直接飙到100000，最差也有80000。看着似乎效果不错。
下图就是对支付入口uv这个指标做基本的统计分析：
基于这些描述性分析，我们可以知道对应指标的平均数、中位数（以及四分位数）、众数、几何平均数、调和平均数、方差、标准差、分布等，分析的目的是从表象和整体观察样本的特征。
在对其他指标进行描述性统计后，得到了第1条事实：星巴克的买一送一效果确实明显！
但是，这些分析都是基于数据层面的非常浅层面的分析，作为数据分析师是绝不能止步于此的。那么接下来自然就需要考虑如何评估效果明显？有多明显？如何量化？
单说支付入口UV，平日对比前日的变化有涨有跌，集中在 -7.6% ～+24.1%，星巴克同比上周却不断下降，降幅最高可达-11%。
在对其他指标分析变化后，得到了第二个事实：星巴克对比平日涨幅10几倍，但同比呈下降趋势！是否效果在逐步减弱？
星巴克效果明显，但是同比却在不断下降，很自然会问：这是为什么呢？只看同比还是有点单薄和局限，是否有其他更多的角度去看呢？
[if !supportLists]ü [endif]从和支付入口UV相关的维度来看，于是可以得到如下的结论：
[if !supportLists]ü [endif]从品类来看，美式的占比表现稳定，占比变化不大
[if !supportLists]ü [endif]从杯型来看，大杯的占比表现稳定，占比变化不大
[if !supportLists]ü [endif]从城市来看，广州的占比下降明显，其他城市变化不大
[if !supportLists]ü [endif]从时间场景来看，青年人下降明显，其他年龄层用户变化不大
通过多个维度去分析后，得到了第三条事实：星巴克同比呈下降趋势，其中广州和青年人（18～30）的消费占比下降明显。
星巴克效果明显，但是同比下降，广州和青年人占比下降明显。自然会问，除了支付入口UV，其他指标的情况呢？相互之间是否有什么关系吗？这就需要多个指标结合在一起做更深入的分析，即交叉分析。
这个时候不能单看一个指标了，加上了支付入口ctr，同支付入口UV进行交叉分析。
支付入口UV在星巴克活动的时候涨的很厉害，但是支付入口的ctr基本稳定在10%上下，最低9.2%，最高10.5%，幅度在-0.8%～+0.5%，甚至做活动的时候还出现比平时更低的情况。
因为ctr是百分比指标，故ctr变化不大的可能原因即分子和分母同步增长，是否可以认为新增的流量基本都来星巴克买一送一，即星巴克活动带来的新增流量全都进入了星巴克，而未给其他板块带来收益呢？
通过交叉分析，得到了第4条事实：支付入口UV和支付入口ctr交叉分析后发现，ctr几乎没有变化，暴涨的流量难道都是来消费星巴克的吗？UV和ctr是否真的如数据所示毫无关系吗？
支付入口的UV和支付入口的ctr，看上去似乎没有任何联系，你涨你的，我维持惯性不变。自然会问：这两个指标是否真的看上去毫无影响和关系吗？如果有关系，怎么衡量他们之间的关系和影响程度呢？
量化两个指标之间的关系，即相关性分析，结果如下图所示：
通过相关性分析，得到了第5条事实：支付入口UV和支付入口的ctr存在微弱的联系，从业务层面来看，可以认为两者互不相关。
分析了这么多，基本上把能拿到的数据分析的七七八八了。面对这些历史数据，自然也会问：后续情况会怎样发展呢？这就需要在分析历史数据的基础上着手了趋势预测，看一看未来可能的发展趋势。
通过预测分析，得到了第6条事实：支付入口UV未来逐步降低维持在25000上下。
通过以上的分析，我们得到了6个结论，每个结论互相促进，都是都前一个问题的解决，层层深入，最终解决所有的疑惑。