周末和朋友出去吃饭。他讲述了自己出去吃饭不向妻子报告，回家被盘问的过程。这道考题让我想起了5W2H的经典分析方法框架。那次他回家晚了，他老婆挡在门外问了如下问题：1.你做了什么？2.和谁一起？3、你怎么这么晚才回来？4.它在哪里？5、你怎么又约了？这是5W，还有2H：1.谁请来的？2.你花了多少钱？问题恰到好处，一个也没有漏掉。准确询问了约朋友外出的所有要点。没有什么该知道的，整个思考和提问的过程顺畅、顺畅、合乎逻辑。你不得不佩服它。不知道大家经历过没有，师兄也经历过这种思维，所以明白了吧~那么结合工作，我们在做需求的时候是不是也可以借鉴一下这种思维呢？！一个需求也可以从以下几个角度拆解：what：whathappenedwho：whowhen：whenwhere：where：why：whyhow：howtodoitmuch：花了多少钱，比如一个的GMV最近产品掉线了，我们想分析一下原因。怎么用5W2H拆呢？what：问题是什么？明确问题是什么，比如需求是GMV下降了。我们要分析为什么GMV下降了。但是我们不仅仅需要弄清楚GMV下降的问题，我们最好能够量化它下降了多少。比如XX时间的绝对值同比下降了多少（环比），相对值下降了多少。一般情况下，GMV在什么地方波动，这次GMV下降是在这个范围内波动还是超过这个波动范围。如果在此范围内波动，属正常现象。如果超过，我们将判断为异常。who：谁说明了GMV的下降，是什么用户导致了下降。是新用户还是老用户？如果是新用户，是不是因为我们的渠道策略变了，新拉进来的用户不是我们的目标用户，或者这些用户对这类产品不敏感。如果是老用户，是老用户的复购率在下降，还是老用户的单价在下降。when：下降是从什么时间、什么时间点开始的，下降的比较条件是同比、环比或者定基比。从日级别来看，是每天下跌，还是某个节点下跌后停止下跌；从小时来看，是全天都在跌，还是特定的几个小时都在跌。我们可以将它们拆分成更细粒度的时间维度数据。where：是全国下降还是部分省份下降？是哪个渠道源的GMV在下降，还是渠道整体在下降？我们可以把每一个可以拆分的地理信息、渠道信息、产品信息进行拆分，细分为这些实际地理信息和虚拟地理信息维度下的数据情境。why：why就是通过以上的原因，我们总结出到底为什么会下降，得出一个基于事实的原因解释。我们拆分了那么多维度，总会有异常的数值，结合这些异常的数值，总结出具体的原因和结论性的观点。how:howtodo如果我们想提高GMV，我们该怎么做。相应地，我们找到了结论，那么我们就解决了过去的问题。因为我们提出这个需求就是为了解决他以后可能会继续下滑的问题。所以我们需要给出解决方案，也就是结合当前存在的问题，在产品、运营、策略等方面提出我们的建议。给出相应的解决方案，应对未来的方向和策略，才是我们应该做的。howmuch：如果我们提出一个解决方案需要花费多少，那么我们就要计算在这个解决方案下的得失。比如我们认为解决GMV下降的办法是提高产品的单价，那么我们要考虑这个做法对我们整体有多大的好处。而提高单价可以提高ARPU值，但会影响购买率。总的来说，我们是亏了还是赚了。也就是说，我们不仅要提出相应的策略，还需要对相应策略的收益和影响进行预估，从而更好地衡量我们策略的效果，对策略做出合理的评价。通过拆解，我们不仅定义了GMV是否异常，还明确了导致GMV异常的原因，并提出了相应的解决方案和解决方案的好处。这也是一个完整的需求拆解加工过程。很多时候，我们可能只做拆解和变态解读，其实2H我们并没有做。在很多情况下，统计分析方法也来源于生活。多问自己几个生活中的为什么，总结一下自己在工作中的打法。大家多想想降水。比如出去玩，根据我对这些年来过的人的经验总结，还是要“报”给家里人，让家里人更安心~我就到此为止吧今天，再见。
