很多做数据的同学，光看着自己写报告，看不到自己的建议被落地，常心怀缺憾。觉得不能像产品/运营那样，打造一个数据分析的闭环，能力也没法提升。其实这是一种误解。今天结合一个具体案例，看看数据分析的闭环，究竟如何打造。
问题场景：
某餐厅，其所在的商场原本可免费停车，从本月起改为收费停车，而且停车费相当贵。餐厅店长纠结：停车费是否会影响收入。问：该如何做分析？
这里最容易范的错误，就是列了一堆数据
l昨天收入10000
l前天收入12000
l环比增长20%
l……
这是不及格的回答。仅仅罗列了数字，没有任何结论。因为问题是：“停车费是否会影响收入”。所以分析的最终结论，至少应该是：“会/不会”。
注意，只回答会/不会，仍不是完整的答案。
如果是会影响，那到底是影响一点点，还是能直接把店干垮了？
如果是不会影响，那为什么停车场收费以后“感觉”客人少了？
这些疑问需要进一步的回答。一个完整的分析，不应该只陈述结论，而且应该附上数据论证过程。这是数据方法与其他方法的最大区别。
听听都有理，但是完全无法用数据验证，因此也就是纯嘴炮级别的讨论。
要完整地分析，需要用数据论据支撑论点。比如论证：不会影响收入
2、收费前/后收入结构没有变化（并非某些人少了，某些多了，总和不变）
3、收费后的波动，是非停车场因素导致的（比如自然波动、促销影响）
4、其他影响消失后，收费后波动也消失，和收费前一致
注意，有可能收费带来的是长期影响，有可能需要多观察几周才能看到更明显的规律，所以结论也是可以分短期、中期、长期推出的。因此在给结论的时候，最好给出监控指标，避免后续无法追踪长期效果。
但是这样还没形成闭环。因为即使到这一步，输出的还是个结论而已。 结论对不对，需要时间来检验。结论有没有用，需要落实到业务上才能见成效 ，因此还要继续往前推。
注意，同样的数据结论，有可能在落实到业务的时候，出现完全不同的声音。比如已经在上一阶段落实了：停车收费会影响会员用户消费人数，板上钉钉了。
该咋办呢？可能有完全不同四种声音：
A说：找物业协调一些免费停车票不就好了，谁停车给谁
B说：老会员跑了，新会员补上不就好了，该给新会员补贴
四个声音相互矛盾，无论如何，最后肯定只采纳一个意见。另外三种很有可能永远都没有机会检验。
此时数据分析师该咋办？答：用MECE法，把各种意见都梳理出来，然后先设好监控指标。之后无论哪个意见被执行，都能监控其走势，检验分析是否正确（如下图）
经过检验以后，正确的认识被保留，问题结束，闭环完成。不正确的认识，可能需要好几轮测试才能淘汰掉，逐步逼近正确。这里可能需要耗费大量的时间，特别是很多产品/运营迭代很慢的企业，一晃几年都有可能。
这里也有可能消耗大量的成本，特别是业务上无视数据，固执己见，不撞南墙不回头，甚至撞得满头血都不回头的。
行动迟缓、无视数据、刚愎自用，都会导致业务失败。但注意，这些是业务本身犯的错误。如果数据分析能在多轮迭代中，成功预知到这些错误结果。那么数据分析已经实现了分析闭环，并且提升了自身能力。
要特别注意一个问题，就是在提假设阶段，只给预判，不给预判逻辑。在总结阶段，只看大结果，不看过程。 这种不顾细节的做法，跟算命瞎猜没啥区别 ，也经不起反复实验的检验。
聪明的同学们已经注意到了，数据分析的闭环，是不需要经过业务同意就能建立起来的。因为在第三步，已经通过MECE方法，对每种可能性建立了监控指标，并做出了预判，因此无论业务选哪条路，都能检验数据分析的准确性。
相比之下，运营和产品就被动得多，很多基层的运营/产品就是领导的传声筒，除了忠实完成老板交办任务外，没有自己的想法——有也没有用，老板一句不同意，就能把万丈豪情打成粉末。相比之数据分析，真是惨太多了。
如果每次数据分析做出的预判都很准的话，就是所谓： 知其所以胜，知其所以败 ，这就是数据分析的最高境界了。说明分析师本人已经抓住了一个业务的核心规律。
当然，不准也没关系，特别是新手刚起步的时候，能做好前两步已经很好了。这一点需要长时间的锻炼与积累才能实现。同学们一起加油哦。
