职场中，需要的是「解决问题」的能力，对于数据分析师同样如此。
数据分析解决业务问题有一套“标准化流程”：从明确需求、清洗数据，到分析原因、提出建议。对于这大同小异的过程，有的分析师驾轻就熟赋能业务，但有的却频频卡壳，或许拿了数据不知从何入手，或许分析一轮后却被否认。
针对这些问题，我们需要「以终为始」，使得数据分析的全流程，始终围绕着同一个目的进行：解决业务问题。
什么是「以终为始」？
- 以终为始是一种「逆向思维」，要求从目的出发，倒推现阶段要做的事
- 以终为始是一种「目标管理」，把当下要做的事限制在「目标达成」的框架里
- 以终为始是一条「通关路径」，沿着它向前奔跑不会偏离方向
比如我要把「饼干数据分析脑暴会」打造成以乐于分享的社群，这是目标，那如何衡量目标达成？确定评估指标为：每月达人直播分享会数量，即每月都有1个达人进行主题直播分享。
要达成这个目标，需要先考虑一个问题：达人为什么会来直播分享？回答：按等价交换原则，达人来分享是帮助提高社群活跃度，那么达人能获得什么呢？从物质、精神维度划分，或许是金钱、名声。所以社群就需要解决付费、以及听众的问题。
听众的问题，可以量化成社群人数，认为社群覆盖的人数足够多，达人即可获得更高知名度; 对于付费的问题，一般认为更多人愿意为优秀产品付费，所以该问题可以转为如何做一场优秀的分享会。
要提高社群人数可以通过内容创作及多渠道宣传，而为了帮助达人做优秀的分享会，需要把分享会经验沉淀成开箱即用工具包，帮助降低分享门槛的同时确保分享会质量。
至此，我们为了达成“乐于分享的社群”的目标，倒推至当下要做的事就是创作内容、积攒分享会经验，逆着以上思路便可形成阶段里程碑。这就是以终为始的具象表达。
为什么「以终为始」很必要？
数据分析过程中很多存在的问题，都是因为没有「以终为始」引发的：
想要转行数据分析，但是学海茫茫，不知从何学起？
「以终为始」：先结合个人发展规划，明确数据分析领域的岗位。对标中大厂该岗位的要求，形成学习技能树目标，“按部就班”即可。
学习过程中，为了学习工具而学习工具，没有困难也要给自己制造困难
「以终为始」：以解决问题的思路，先简单后复杂，先入门后进阶，先完成后完美。在学习过程中，对需要的知识应该有“程度”的把控，某知识点应该学到什么程度？设定里程碑阶段，确保方向正确，才能离目标达成越来越近。
给业务进行数据分析的过程中，没有思路，不知道从何开始搭框架？
「以终为始」：回到此次数据分析的目的，是要解决特定业务场景下的业务问题。没有思路，是否因为没有把对应的业务问题拆透？需要进一步把业务问题根据「业务目的」拆解成多个子问题，才能转成数据问题，才能基于此搭建分析框架。
数据分析师如何做到「以终为始」？
做事前，从业务层面思考，先问为什么：
想清楚做这件事是要解决什么问题？
学习数据分析知识前，先明确岗位要求，就是考虑要达成的数据分析能力可以解决什么样的业务问题？比如是围绕用户的运营，还是针对互联网产品的优化。
上述“单品价值模型”的案例中，业务要解决的是库存挤压占用资金成本，希望通过优化「库存结构」来解决此问题。换成商品运营的语言，就是通过采购更多高价值的单品、清理低价值单品等方式，提高库存周转率，提高资金利用率。
从数据层面思考，分解目标：
搞清楚真正的问题在哪？
可以借用Issue Tree逻辑树和SMART原则工具，对目标进行管理，最终映射到数字空间，转成数据问题。
上述“单品价值模型”的案例中，问题转成了如何计算单品的价值？回到业务需求中，优化库存结构的结果通过「存销比」来衡量，也就是说单品价值的计算公式需要与存销比指标挂钩，换句话说需要通过指标公式判断热销产品。
那如何判断热销产品？
在零售行业，可以套用人货场模型：
- 人：历史数据中更多人买的商品？还是针对核心用户群的商品
- 货：单价在哪个区间商品？还是不同品类决定了销售情况？
- 场：热销品是否存在季节效应？
从执行层面思考，制定做事顺序：
形成解决问题的步骤框
这一步需要对由业务问题转成的数据问题进行原因分析。分析过程中，需要「以终为始」思考最终数据分析的产出形式，也就是说在原因分析过程中需要围绕着最终的「业务目标」和「产出形式」形成完整的分析框架。
上述“单品价值模型”的案例中，问题转成了通过人货场模型找到热销产品的特点，考虑到最终的产出是以模型公式的形式，对每个单品的价值进行定义计算，所以在人货场模型的分析后，需要形成公式：单品价值 = 用户指标×商品指标×周期指标。
结尾
如果说什么是数据分析逻辑，我认为「以终为始」就是重要的思考能力，可以帮助我们梳理分析框架的同时，真正解决业务问题。