商业分析的流程一般分为5个步骤
明确问题-拆解问题-安排工作任务-推进工作任务-输出分析报告
1、明确问题
首先在解决问题前，我们一定要知道问题到底是什么？这样我们就知道了后期工作的方向，避免了以后出现的没必要的争论。对于如何明确问题，可以用SMART法则来说明
S——Specific 具体明确的，不能将问题说得太抽象
比如小米手机想要卖的好，就不能简单的说成小米手机要做成让每个人都喜欢的产品，而是应该说成小米手机的出货量要达到去年的150%
M——Measurable 可衡量的，不管是问题的本身还是目标要量化出来
还是小米的例子，出货量达到到去年的150%，那么150%就是可以量化的标准
A——Action-oriented 行动导向 就是说明问题时，必须要有解决的方向
比如小米通过销售改进、加大市场推广、增强产品研发能力这三种方式使出货量要达到去年的150%。
R——Relevant 相关联的，行动与问题存在相关性
小米通过销售改进、加大市场推广、增强产品研发能力对提升出货量是有相关性的，不能说小米通过进入笔记本电脑领域的方式去增加手机的出货量，开发笔记本电脑这个产品线这个行动跟提升手机出货量没有任何关联
T——Time-bound 时间限制
计划使出货量增加到去年的150%，可能过了两年手机的出货量也没有提升到150%，所以明确时间尤其重要 ，比如我计划用8个月的时间使手机出货量达到去年的150%。当然，时间的限定一定要从实际情况出发，要具备一定的合理性
2、拆分问题
拆分问题需要用到逻辑树模型
逻辑树分析模型顾名思义，就是把一个已知明确的问题作为树干，分析哪些问题跟这个问题有关，把相关的问题作为树枝加入到树干当中，由此不断向下拓展，就会将问题拓展成一个逻辑树
使用逻辑树模型的优点：
● 保证了解决问题的完整性
● 理清了所有的思路
● 避免了重复和无关的思考
除此之外，还有2个法则能更好的帮你理清思路，分别是MECE分析法和二八法则
MECE分析法即把一个工作项目分解为若干个更细的工作任务的方法
它主要有两条原则：
完整性
分解工作的过程中不要漏掉某项，要保证完整性
比如市场推广和提升产品研发能力就是2个不同的解决问题方向，漏掉某一项都会使解决问题的方向不完整
独立性
每项工作之间要独立，每项工作之间不要有交叉重叠
比如小米手机想要增加出货量可以提升产品研发能力和把手机设计得更好看，那么这2个子问题就重合了，因为产品研发能力包含了手机设计能力
二八法则，通俗理解就是在任何一组东西中，最重要的只占其中一小部分，约20%，其余80%尽管是多数，却是次要的
逻辑树分析模型中也是一样，要时刻关注重点问题，对于一些非重点的问题舍弃掉，减少工作量的同时集中力量解决重点问题
3、安排工作任务
将相互关系紧密的问题作为一个独立项目-确定项目负责人和工作推进计划表；特别是重要节点-负责人不时检查工作，按计划推进工作
4、推进执行任务
既然是商业分析，那么我们就要知道从哪几个维度去分析，以及如何获取有用的信息。明确这两个问题，我们就能很好的推进执行任务
3个分析维度
市场分析-竞争者分析-用户分析
以小米案例说明：
首先我们要了解整个手机市场的概况，对于手机市场的规模多大，供应链上下游的情况一一了解清楚，根据手机市场的环境来预测未来手机市场的发展趋势，做到快人一步
对于竞争者分析，我们要知道整个手机市场的几个大的玩家，以及他们的市场占有率是多少，还要具体分析每个竞争对手的概况和优劣势，包括渠道、供应链、产品等等方面。对于手机行业来说，苹果、华为、OPPO、vivo这几个大玩家是一定要仔细研究
最后是用户分析，要从用户属性、购买产品的决策等等因素上精准定位粉丝，了解用户需求，抓住用户痛点，帮助公司获取和留存用户。手机行业，OPPO和vivo因为渠道优势，对于目标人群的需求抓得非常精准
3种获取信息的方式
案头研究-用户调研-实地考察
案头研究，互联网时代，我们可以从网络获得相关新闻和一些专业的数据库，但是由于信息量极大，我们也要注意筛选出可靠准确的目标信息
用户调查可以分为线上调查和线下调查，线上我们可以通过网络/电话的形式调研，能得到大量的一手信息，但是不一定能得到你想要的全部信息。线下我们可以通过拜访的形式交流调研，线下调查能直接触达用户，了解到你想要的全部信息，但是时间经济成本太高
实地调研一般会和用户调查相结合，能得到一些隐藏但是非常重要的信息，当然，时间经济成本也是非常高
5、输出分析报告
这一步是整个商业分析过程的复盘总结，决定着你的分析结果是否能给企业做出正确的决策
一般来说，输出分析报告可以分为4个步骤
总体概要-整个商业分析的主要内容，包公整体的框架和逻辑
填充整理PPT信息-将信息填充到每个独立的项目，清楚解决问题的细节
沟通优化-内部沟通保证报告的完整性，用户沟通包含用户想要的信息
定稿汇报-对报告内容做到了然于胸，根据不同受众，报告称显得内容和形式不同。
Business analysis. 应属于传统商科，主要是任务是对公司整个运营的流程、业务的开展等方面的分析。比如发现新的商业需求、提出/改善某些商业问题的解决方案。它可能包括公司组织上的变更，业务流程的改善，策略性的规划，政策的制定和提高。这个领域需要一定的数据分析，一方面因为公司发展前期一般主要靠业务的扩展，会涉及一些销售业绩等类似的数据分析。另一方面，大数据时代嘛，很多公司都觉得好像应该顺应潮流掺和一把。但总的来说还是business analysis为主。即定性为主导，数据分析（一般较简单）为辅助。这也是大多数答主所提到的。要在这个领域成长为专业人才，一般会选择MBA，MBA课程一般也会包含一定的相关课程，但很简单。Business analytics. 这才是真正的新兴学科。翻译上都叫商业分析，但内容却差很多，所以特意用英文区分开来。这个行业的核心就是数据分析，而且是高深的技术、模型和算法。通过对数据的深度分析、挖掘来研究公司以往的业绩，对行业市场潜在的商业信息的搜索等。目的是获取那些通过定性分析和简单的定量分析根本无法获得的insights。这个领域逐渐得到了学术界、业界和政府的高度重视：学术界，从纽约大学13年开始开设business analytics的硕士专业以来，全球各大高校纷纷增设相关专业，并且学费直逼MBA，在金钱至上的资本主义国家，高学费往往是高收入和良好职业发展的风向标。业界，更不用说了，BAT都在开设这一类的部门，阿里巴巴去年跟今年就从名校挖了一些这个领域的教授，百度更是把斯坦福大牛Andrew Ng请了来。政府，就我知道的，新加坡和澳洲政府直接拨款赞助开设business analytics部门的公司。
“商业数据分析”，其实是两个词，“商业”和“数据分析”。商业，其实就是对商业的理解，通过理解问题来构建假设和分析框架。数据分析，在我们这类数据控的定义中，基本就是等于分析，没有数据搞什么分析。因此，要点亮这棵技能树，需要完成两个技能树的修炼：商业理解和数据分析。善用逻辑框架Framework。框架的主要作用是不重不漏（Mutually Exclusive and Collectively Exhaustive）得掌握这个行业或者公司的知识，并具有一定的系统性。框架如同拳术或者武功派别，不存在以框架定高低贵贱，核心的还是使用框架的大脑。如果非要推荐，SWOT分析和波特五力竞争模型非常易用且通用，因此内外部沟通也非常方便，理解成本很低。
通俗地讲一下。做一个类比，我们讲「数据分析」，本质上是「基于数据展开分析」，逻辑类似于「用钱买东西」，而讲「商业分析」，本质上则是「用分析支持商业决策」，逻辑类似于「买东西拿来吃」。所以，「商业数据分析」，大致就是「用数据展开分析，将结论用于支持商业决策」的过程，类似于「拿钱去买食物拿来吃顶饱」。通过上述类比介绍，我们知道做「商业数据分析」，首先要搞定的是「获取数据」、「清洗数据」和「数据建模」，就像要买东西吃首先得有钱。但实际工作中，如果一上来就直接奔着「获取数据」来展开工作，可能会出现两种严重的问题：第一种是由于商业问题在事前没有定义清楚，拿到数据之后才发现要解决的问题和手头的数据几乎没有关系，第二种情况更悲催，大量投入资源完成数据获取、清洗之后，发现根本不知道需要用数据解决什么问题，然后开始拿着锤子找钉子的历程。
