CDA一级备考：战略与业务数据分析核心知识点拆解与实战应用

刚开始准备CDA一级考试的朋友，多半会对着第4章“战略与业务数据分析”犯嘀咕：这章怎么全是文字？没有公式，没有代码，连Excel操作都很少，感觉像在看管理学教材。但恰恰是这一章，决定了你后面辛辛苦苦跑出来的模型和图表，能不能真正变成业务决策的依据。我带的几个新人里，有人技术很好，SQL写得飞起，Python可视化也信手拈来，可一到写分析报告就卡壳——不是不会算，是不知道该算什么、算出来又怎么解释。这些问题，基本都能在第4章找到答案。

所以这篇不按教材目录给你念一遍，而是按我备考和实际做项目时重新梳理过的顺序，把战略与业务数据分析的核心知识拆成几条能直接上手的线：考点优先级、指标体系、业务模型、报告落地，外加一份踩坑清单。学完你至少能解决三个问题：看到业务问题知道从哪下手；拿到数据知道该建什么指标；写出报告能让人看懂并愿意采纳。

1. 第4章到底在考什么：战略分析与业务分析的距离感

很多人觉得“战略”和“业务”是两个词，考试也是两个考点。但从工作角度看，它们其实是同一件事的上下半场：战略层告诉你“该往哪个方向走”，业务层告诉你“当前走得对不对、怎么调整”。第4章把它们放在一起，就是因为数据分析师在实际工作中必须同时具备这两层视角。

1.1 教材里的一页目录，现实里的完整闭环

教材第4章的内容拎出来，基本是两大块：一是战略分析，包括宏观环境分析（PEST）、企业内外部分析（SWOT）、行业竞争结构分析（波特五力）、业务组合分析（波士顿矩阵）等；二是业务数据分析，包括目标管理、指标体系建设、用户行为分析、漏斗分析、RFM分析、杜邦分析、盈亏平衡分析等。

刚看目录会觉得这些是零散的模型，背下来就行。但真实项目里它们是串起来的。比如一家零售企业要做明年的增长规划，流程通常是：先用PEST看消费环境有没有变化，用波特五力判断行业竞争格局；再结合自己企业的SWOT确定明年重点是抢占市场份额还是保住利润；落到业务层，就要把战略目标翻译成具体指标，比如“市场份额提升5%”变成“新客获取数”“老客复购率”这类可衡量的指标；最后才是取数、分析、出报告，追踪哪个环节没达标，原因在哪。

考试不会让你走完整条链路，但题目往往只截取其中一个环节问你怎么做。所以理解闭环比死记模型更重要，你得知道手里这个任务是处在整条链路的哪一步。

1.2 学习优先级：备考时间不够怎么取舍

如果你离考试只剩两三周，第4章可以战略性放弃一部分细节。我的建议排序是这样：

• 第一优先级：指标体系（OSM、北极星指标）、漏斗分析、RFM模型、AARRR模型。这些是业务数据分析的高频考点，而且后面面试、工作也天天用。
• 第二优先级：SWOT、PEST、波士顿矩阵。这三个是战略分析的经典模型，考试容易出概念辨析和简单应用，背熟框架就能拿分。
• 第三优先级：波特五力、杜邦分析、盈亏平衡。杜邦和盈亏平衡偏财务，如果数学底子弱可以放到后面，但公式和概念要了解；波特五力喜欢考“某个行业进入壁垒怎么判断”，理解五种力量即可。

很多辅导班让学员把每个模型都背到滚瓜烂熟，其实没必要。第4章的核心考点是“会用”，不是“背全”。能把一个模型放到具体场景里解释清楚，比默写十个模型定义有价值得多。

1.3 区分“分析”与“数据分析”

还有一点容易被忽略：第4章其实不怎么考数据分析技术本身，它考的是“分析思维”。换句话说，哪怕你完全不会Python、没写过SQL，也不影响你把这一章的题答对。

举个例子，题目问“某电商平台用户复购率持续下降，请给出分析思路”。这时候不需要你说用什么算法，而是要你拆解：先确认复购率指标口径是否变了；再按新老客、品类、渠道等多个维度下钻，定位下降集中在哪类用户；然后结合运营动作、竞品变化、商品供给等因素提出假设；最后用数据验证假设，给出建议。

这个拆解过程就是第4章要训练的能力。很多技术很强的人在这里翻车，就是因为总是急着上工具，却说不清楚“为什么分析这个、第一步看什么”。所以学这章的时候，刻意逼自己少想代码，多想逻辑链，收获会大得多。

2. 指标体系搭建：从北极星指标到OSM模型

如果你只从第4章带走一个技能，我建议是指标体系。原因很简单：不管你在哪个行业做数据分析，第一件事永远是“看什么数”。指标选对了，分析就成功了一半；指标选错了，后面全是白忙。

2.1 北极星指标为什么不能只有一个

“北极星指标”这个概念，考试直接考定义的概率不低，但更重要的是理解它的选择和权衡。北极星指标指当前阶段对业务最核心、能代表产品给用户创造价值的那一个关键指标。

举几个典型例子：电商类产品常用GMV或订单量；内容社区常用日活跃用户数或总使用时长；SaaS产品常用付费转化率或活跃使用率；游戏产品常用玩家留存率。你会发现，不同业务的北极星指标不一样，甚至同一家公司在不同时期也会换。

考试里容易出的题目是“某社交App现在的北极星指标是什么”，或者“为什么不能同时用三个指标当北极星”。原因很简单：指标越多，团队注意力越分散。北极星的意义是让所有人朝同一个方向使劲，如果同时考核拉新数和留存率，运营会迷茫——到底先做哪个？

实际工作中还要注意，北极星不等于唯一指标，它是“主指标”，下面必须挂一堆辅助指标形成体系。比如北极星是GMV，那辅助指标至少包括访客数、转化率、客单价、复购率。这样GMV涨了你能解释是哪个环节贡献的，跌了也知道从哪排查。

2.2 OSM模型：目标、策略、度量怎么一起写

OSM模型是搭建指标体系时特别实用的方法。O是Objective（业务目标），S是Strategy（策略），M是Measure（度量指标）。它强迫你把“想达成什么”和“怎么衡量”对齐。

举个例子，某教育培训公司想在暑期提升课程销量。按OSM拆：

• O（目标）：暑期营收同比增长30%
• S（策略）：一是增加低价体验课投放，吸引新用户报名；二是对老用户做续费优惠，提升复购
• M（度量）：体验课报名转化率、体验课转正价课率、老用户续费率、暑期总营收

考核一般会考“给一个目标，让你设计指标体系”，或者反过来“给一堆指标，让你反推业务目标”。记OSM的框架最好用，它既好写又不容易漏项。我在带新人时也会要求他们每次出分析方案先把OSM写出来，写不出来就说明业务没想清楚，这时候不应该急着取数。

2.3 UJM与漏斗：用户生命周期和阶段转化

UJM（User Journey Map，用户旅程地图）和AARRR模型是分析用户行为的重要工具。第4章讲用户行为分析时经常用到，二者其实是一体两面：AARRR是Acquisition（获取）、Activation（激活）、Retention（留存）、Revenue（收入）、Referral（传播）五个阶段；UJM则是按用户和产品的关系阶段来划分，比如注册—首次使用—持续使用—付费—推荐。

考试常考的是“画出AARRR模型并说明每个阶段的分析重点”。回答的时候不能只写英文单词，要结合指标。

• Acquisition（获取）：渠道新增用户数、获客成本CAC、渠道转化率
• Activation（激活）：注册转化率、首次点击核心功能率、激活率
• Retention（留存）：次日/7日/30日留存率、流失率
• Revenue（收入）：付费率、客单价、用户生命周期价值LTV
• Referral（传播）：邀请率、K因子

这里有个小技巧：答题和做项目时，最好把“阶段—定义—关键指标”列成表格，一眼能看出你理解用户生命周期。比如“激活”这个阶段，如果产品是工具类的，激活通常要看“是否完成首次核心操作”；如果是内容类的，则要看“是否产生了首次有效阅读”。不同业务，同一个阶段的关键指标完全不一样，这点说出来会很加分。

2.4 指标口径：统一口径比指标数量更重要

这是我在实际工作中踩过最大的坑，也是备考时最容易忽略的点。教材可能只在某一段提了一句“要明确指标口径”，但工作的每一天都在跟口径较劲。

同一个“GMV”，各个部门给出的数可能相差20%以上。为什么？因为有的口径含未付款订单，有的只算已支付；有的按下单时间统计，有的按支付时间统计；退款订单扣不扣？优惠券金额算不算在GMV里？这些问题不统一，业务方和数据分析师吵架的根源基本都在这里。

考试里不会让你去核对口径，但会在案例题里暗示你“指标口径变化导致分析结论受影响”。答题时要带上这一层意识，比如分析销售数据下降，先确认口径是否发生了改变，再谈业务原因，这是一个很容易被忽略但很显功底的思路。

实战层面，建议每个公司都做一份数据字典，把每个指标的名称、定义、计算公式、统计时间、负责人写清楚。第4章学习时你也可以自己练手，挑选一个你熟悉的产品，试着定义它的“新增用户”“活跃用户”“付费用户”等概念，很快就会发现口径问题比你想象的复杂。

3. 业务分析工具箱：模型不用背，关键是知道什么时候用哪个

第4章涉及的模型数量不算少，但它不要求你建模，而是考你知不知道这些模型的含义、适用场景、输入输出。我按战略层、业务层、财务层三类帮你重新归一下类，用的时候对号入座。

3.1 战略层：PEST、SWOT、波特五力怎么组合使用

三个模型经常被混在一起讲，但它们的分析层级其实不同，组合使用更合理。

PEST是宏观环境分析，从Political（政治）、Economic（经济）、Social（社会）、Technological（技术）四个角度扫描外部大环境，回答的是“大气候怎么样”。比如一家做线下健身房的企业，用PEST分析时可能发现：健康意识提升（社会因素）、智能健身设备普及（技术因素）都是利好，而经济下行压力可能影响用户办卡意愿（经济因素）。注意政治这块写教材时涉及政策导向，实际应用时点到“监管变化”“行业政策”这类中性的描述即可，考试答题一般不会往敏感方向深入。

SWOT是内外结合分析，S和W看内部，O和T看外部。它比PEST更具体，更适合落到某个企业或某个业务线。做SWOT时容易犯的毛病是写得像形容词表，比如“品牌强（S）”“竞争激烈（T）”，但没数据支撑。正确的做法是每条后面都能联想到具体的数据证据，比如“品牌强（老用户推荐占比达35%）”，这样分析才有说服力。

波特五力分析行业的竞争结构，五种力量是：供应商议价能力、购买者议价能力、潜在进入者威胁、替代品威胁、行业内竞争程度。考试常考“某个行业的五力分析”，答题思路是逐个判断强弱并简单解释原因。

三个模型的组合逻辑是：PEST看大环境→五力看行业→SWOT看企业自身定位。我在做项目时习惯把PEST和五力压缩成两张表格，SWOT作为给老板汇报的总结页，一页纸讲清楚“环境允许什么、行业卡什么、我们有什么”。

3.2 业务层：波士顿矩阵、RFM、AARRR

波士顿矩阵（BCG Matrix）用来划分产品/业务组合，按市场增长率和相对市场份额两个维度分成四类：明星类（高增长高份额）、金牛类（低增长高份额）、问题类（高增长低份额）、瘦狗类（低增长低份额）。考法通常是给你几个业务线的数据，让你判断各属于哪一类，并给出资源投入建议。

要点是记住每种类型的应对措施：明星业务加大投入、金牛业务维持并获取现金流、问题业务选择性投资或放弃、瘦狗业务考虑退出。记住这个逻辑，答题时只需要把数字往矩阵里扔就行。

RFM模型是用户分群经典模型，按最近一次消费时间（Recency）、消费频率（Frequency）、消费金额（Monetary）三个维度把用户分群。实际使用时会把每个维度分成高/低两组，得到八类用户；也可以简化为三组（高价值、中价值、低价值）。考法可能是“给你一张用户表，让你设计RFM分群的规则”，这时要答出每个维度的计算方式（如R=当前日期-最近一次消费日期，F=统计周期内消费次数，M=统计周期内消费总金额）以及分阈值的方法（均值/中位数/分位数）。

RFM最有价值的应用场景是做精细化运营：高R高F高M用户是核心用户，要重点维护；低R高F高M用户是沉睡高价值用户，要设计召回策略。这个逻辑在面试时几乎必考，建议提前准备一个真实案例。

AARRR前面已经提过，这里补一句：考试喜欢考“某个指标属于AARRR哪个阶段”，比如“安装量”属于Acquisition，“注册完成率”属于Activation，“次日留存”属于Retention，“付费率”属于Revenue，“邀请好友率”属于Referral。这类题不难，但容易粗心丢分，看清楚题干说的是“安装”还是“激活”。另外，现在很多公司用RARRA模型（优先留存），答题时如果你能补充一句“近年也常用RARRA强调留存优先”，会显得你不是死背书。

3.3 财务层：杜邦分析、盈亏平衡

杜邦分析（DuPont Analysis）不用深究财务细节，但要理解核心逻辑：ROE可以拆成三部分——净利率、总资产周转率、权益乘数。ROE = 净利率 × 总资产周转率 × 权益乘数。

这个公式的意义在于拆解利润来源：净利率高说明产品赚钱能力强；周转率高说明资产利用效率高；权益乘数高说明用了更多杠杆。考法一般是“某公司ROE下降了，从杜邦分析角度怎么看”，答法是把ROE拆开，看是哪个因子变化引起的。

盈亏平衡分析要会算基本公式：盈亏平衡点销量 = 固定成本 / （单价 - 单位变动成本）。考试会让你根据给定数据计算盈亏平衡点，或者判断“提高单价/降低固定成本对盈亏平衡点的影响”。注意区分固定成本和变动成本，有时候题目给的不是直接数据，需要你先计算单位边际贡献。

财务模型对非财务背景的人可能有点劝退，但公式不难。备考时把这几个公式写到一张便签上，考前看一遍，考试时基本够用。

3.4 模型使用原则：模型是框架，不是答案

最后强调一个通用原则，也是我在项目评审里反复跟新人说的：模型的作用是帮你有条理地思考，不是直接给你结论。你完全可以用波士顿矩阵把一个业务划成“瘦狗”，然后建议退出，但业务负责人可能会告诉你：这个业务虽然不赚钱，但它承担了品牌曝光功能，不能退。这时候模型没错，错的是你完全依赖模型输出而忽略了业务背景。

所以答题时给结论之前，一定要加一句“在XX假设条件下”或者“建议结合XX情况进一步判断”。这句话在考试里可能不直接给分，但它体现了分析思维的严谨性，在真实汇报中也能帮你避免被业务方挑战到哑口无言。

4. 从分析到落地：数据梳理、可视化与报告撰写

第4章最后往往落到“怎么写分析报告”和“怎么做数据展现”。这些内容很多同学觉得是套话，反而容易忽略。实际上，报告和展现才是你把前面的分析转化成业务价值的那一步。

4.1 分析前的数据梳理：数据来源与数据质量

每次做分析，第一步不是写SQL，而是先想清楚数据从哪来。常见的数据来源包括：业务数据库（通常通过SQL取数）、埋点日志（用户行为数据）、第三方平台（广告投放、问卷调研）、excel手工台账（业务方自己维护的数据）。第4章不考你会不会SQL，但考你能否判断“这个数据能不能支撑结论”。

举个例子：分析客户满意度，你手里只有投诉工单数据，这份数据只能反映“投诉用户”，不能代表全体客户。答题时如果说“用投诉率衡量客户满意度”，会被扣分，因为没有覆盖未投诉但不满意的沉默用户。正确的思路是结合满意度问卷或NPS数据。

数据质量方面，要关注缺失值、异常值、重复值。第4章不考怎么清洗，但考你要不要清洗。比如用户年龄字段出现“-1”，说明取数时默认值处理有问题，分析时要排除或标注。报告里也应该说明排除规则，免得业务方追问“为什么你的用户数和后台对不上”。

4.2 可视化与报表设计：图表选择不是凭喜好

可视化的核心是“让看图的人一眼get到结论”，而不是“把所有数据铺出来”。考试和实际工作都吃这一套逻辑。

图表选择有个简单判断表：

做报表时我个人的习惯是：一页只回答一个问题，一个图表只讲一个核心信息。不要在一个大屏上堆20个图表，那是监控大屏，不是分析报告。分析报告里每个图表都要有“所以呢”的结论，图表下面是文字说明，一句话讲清楚趋势和原因。

4.3 分析报告的结构：先给结论，再给过程

第4章关于报告结构几乎必考“分析报告包括哪几部分”或者“如何撰写数据分析报告”。常见的结构是：背景与目的、分析思路、数据说明、分析过程、核心结论、行动建议。但要注意，这是文档的写作顺序，不是阅读顺序。

给决策层看的报告，建议把结论放在最前面，用一页摘要讲清楚：发现了什么问题、建议怎么解决、预计带来什么收益。后面才是详细过程和依据。因为老板时间有限，你花了三天做的分析，他只有三分钟看。如果前三分钟没看到重点，这份报告就算白写了。

很多新人害怕“先说结论错了怎么办”，其实先说结论恰恰给了你充分展开论证的空间，决策者带着结论去看依据，更容易理解你的逻辑。我在实际汇报时用的框架是：结论先行→数据支撑→关键假设→其他可选方案。屡试不爽。

4.4 汇报技巧：如何把数据讲给业务方听

写报告是静态的，汇报是动态的。第4章不太直接考汇报技巧，但案例分析题需要你口述分析思路，本质上是一样的。

汇报的要点是“不念数据，讲业务”。比如你分析出“新用户次日留存率从20%降到15%”，不要只说“下降了5个百分点”，要说“这5个百分点意味着每一万新增用户里，第二天留下的少了500人，如果持续一个月，累计流失的新用户会非常可观”。把数字换算成业务损失，别人才能意识到问题有多严重。

另外，提建议时一定要给优先级。一次汇报不要给七八条建议，老板记不住，业务方执行不了。最好的方式是：一条核心建议，两条配套建议，每一条都带上预期的代价和收益。这样讨论才能进入“怎么做最合适”，而不是停留在“你这个数对不对”的拉锯战中。

5. 备考与实战避坑清单：我自己踩过的五个坑

写这部分不是凑篇幅，是真的希望你能绕开我走过的弯路。有些坑考试时丢分，有些工作里挨骂，但本质上都是同一个问题：第4章的知识学得太浅、太孤立。

5.1 坑一：背了模型名称，不会套用场景

第一个坑就是背模型背得滚瓜烂熟，拿到题就傻眼。有次我带新人做用户流失分析，他说“这题可以用RFM模型”，我问他“然后呢？”他沉默了。模型选对了，但不知道怎么落地。

正确做法是选完模型后，立刻思考三个问题：这个模型需要哪些输入数据？这些数据我现在有没有？模型输出后能支撑什么决策？如果三个问题都答不上来，说明你还没真正理解这个模型。

应对“某平台付费转化率下降3个百分点，怎么排查”这类题，思路应该是：先明确口径是否变化；用漏斗定位转化率下降发生在哪个步骤；结合维度拆解（渠道、品类、新老客）定位问题集中点；再结合近期业务动作（如改版、提价、促销减少）提出假设；最后用数据验证并给出建议。整个流程就是OSM+漏斗+下钻，这套组合可以在面试时提前排练好。

5.2 坑二：指标口径不统一，分析结论打架

你以为两个人拿的是同一份数据，其实每个人算出来的“活跃用户”都不一样。有人说按登录算，有人说按浏览算，有人说按注册算。口径不一致，结论自然对不上。

第4章很少直接考“口径”，但案例题里的陷阱经常在口径上。比如题目给了“某平台Q2新用户数比Q1下降了10%”，要你分析原因。如果你直接分析业务原因，很可能漏掉了最基础的检查项：统计口径是不是从“注册用户数”改成了“完成首次交易用户数”？这个检查项往往就是题目的核心得分点。

工作上解决口径问题的最好办法，就是之前说的数据字典。没有数据字典的公司，数据分析师至少要主动找业务方确认每个关键指标的定义，再谈分析。多问一句“你这里的GMV含不含退款”，能省掉后面几天的扯皮。

5.3 坑三：把所有数据都塞进图表

我见过最夸张的一张PPT里放了一屏密密麻麻的表格和折线，自己讲的时候都要找半天数据。这不是数据分析，这是数据搬运。

图表是辅助你做判断的工具，不是展示数据的装饰品。一句话能说清的事，就不要放一张图；一张图能说明白的事，就不要放三张图。选择图表时想清楚：我是要让别人看到趋势、对比、分布，还是结构？然后用最合适的图表把答案直接凸显出来。

5.4 坑四：把相关性当因果，归因归错方向

“销售数据和冰淇淋销量同步变化，所以销售增长导致冰淇淋卖得好”这种话听起来很荒谬，但在真实分析中到处都是。比如夏季游泳馆的客流量和溺水事故数正相关，你不能说游泳馆客流量导致了溺水，它们都是被“夏天”这个共同因素驱动的。

考试里不会直接考统计学因果推断，但会考你的分析结论是否站得住脚。答归因类题目时，至少加一句“相关性不意味着因果关系，建议结合A/B实验验证”。这句话能体现你对数据分析的基本素养，比硬编一个业务原因显得靠谱得多。

5.5 坑五：忽略业务目标，技术做得再炫也没用

最后一个坑是“数据正确但问题答偏了”。比如老板问“为什么这季度利润下滑了”，你分析了一整天“客单价下降了”，但没接上下文。实际上这个季度客单价下降是主动促销的结果，真正的利润下滑来源是物流成本上升。

这就回到本章一开始说的：战略与业务数据的本质，是让你理解目标和业务，再决定分析什么。哪怕你用再高级的模型，如果回答的不是老板问的问题，或者没顺着业务逻辑挖掘下去，结论都会被弃用。

建议每次接到分析任务时，先花半小时写下三件事：业务方希望我解决什么问题？这个问题解决后会影响什么决策？我需要哪些数据才能支撑这个判断？写完再开始做，你会发现很多任务根本不需要跑特别复杂的模型。

第4章学到最后，你会发现它不像技术知识那样有“标准答案”，反而更像一种思维方式的训练。我个人备考那段时间，每天晚上会把当天学的模型挨个套一遍公司的业务：如果是我们这个产品，北极星指标应该选什么？用RFM分群的话，哪类用户最该召回？这样练了不到一周，再看到数据就条件反射地开始想业务含义，而不是先想代码怎么写。这种“跳出事外看业务”的能力，才是第4章真正想教给你的东西。