思考数据驱动

近来研读了很多数据驱动方面的书籍，以此重新思考数据驱动企业发展的逻辑、阶段，并对日常工作中面对的具体任务进行拆解。

文章结构

文章结构

数据驱动的逻辑

企业经营的过程是由一系列的决策构成的。譬如，创业公司为了探索新的业务场景，上线了新的业务线，管理层需要知道新业务线表现如何，对全局的影响如何，目前哪些执行动作需要做出调整；又如，对于运营人员来说，最近有一个促活活动，要如何给用户分群，可以实现 ROI 最大化；而对于产品同学来说，他们关心的是下次迭代哪个功能，可以让用户更满意、更爽。数据作为一种「精细化」的工具，参与到企业运营的决策中去，减少「人治」，以自动化的方式驱动业务发展，以此来「降低成本，提高效率」。

决策的过程可以抽象为：面临问题--›思考并列举出有哪些解决方案--›从中选择某个适当的方案解决问题。数据帮助解决决策过程中的三类问题，分别是：「是什么」「为什么」「怎么办」。

• 「是什么」
  一般是用描述性的统计方法，定量或者定性地出呈现出事物/问题样貌。比如，通过对全体用户的分析盘点，可以帮助企业掌握用户规模、质量，以及用户的新增、活跃、留存及流失情况，定位业务的发展阶段，是处在引入期、成长期、成熟期、衰退期、流失期。指导平台把握大方向，找准当前的发力点。
• 「为什么」
  对具体的问题做数据分析，找出问题的原因。比如，我们发现某天客户端的访问量激增，我可以通过数据分析定位原因。分析的思路可以是这样：首先了解流量的来源，流量主要可以分为广告流量、SEO流量、搜索流量、直接流量、及其他流量来源；定位具体是哪些分类流量明显增长；然后根据不同流量来源类型来分析，如果是广告流量明显增长，可能的原因为：1）广告位置变化，比如以前这个广告的位置在角落里，现在放到了首页非常显眼的位置；2）广告创意优化，符合用户使用习惯；3）广告所在页面流量激增。如果是其他来源的流量，也可以做相应的分析。
• 「怎么办」
  基于「为什么」问题的分析，结合业务背景和手头的资源，提供可选的建议，最后交给运营或者管理层来拍板选择相关可行方案。

数据驱动的阶段

由于起步早晚、数据量级、技术能力、商业环境等因素的不同，数据团队面临着不同的发展阶段。每个阶段都会涉及到要解决上面提到的「是什么」「为什么」「怎么办」的问题，但对不同的问题的解决程度、方式是不一样的。按照日常数据工作中面临的问题，将数据驱动发展的阶段分为：数据可视化阶段、数据分析产品化阶段、数据驱动阶段。

• 数据可视化阶段
  这个阶段是数据团队发展的早期阶段。面对的问题是，想要数据的时候没有数据。所以，在这个阶段，我们需要做的就是让数据可以快速、直观、全面的展现出来——数据可视化。

• 数据分析产品化阶段
  数据可视化主要做的是把数据呈现出来，减少了人肉提取数据的重复劳动。但对于数据驱动整个过程而言，这只是一个开始，我们只是将数据堆叠在系统上，如何把这些数据组织起来，去分析出「是什么」「为什么」「怎么办」，还要数据分析师来做。在这个阶段，我们需要将数据分析师头脑中的分析模型、分析思路固化到系统中，更进一步地降低数据分析的成本，提高效率。

• 数据驱动阶段
  这个阶段，数据将成为基础设施，数据的意识深入到公司的各个层级，业务运营的各个环节也有数据参与其中，所谓的「业务数据化，数据业务化」。数据成为业务的一部分，变被动为主动，以前根据业务的需求提取、加工、展示、分析数据，现在数据部署到业务的各个环节，让它们自动化地运行起来，主动发现问题、分析问题的原因、给出解决方案。

数据驱动的任务拆解

不同发展阶段，有不同的核心目标，可以拆解出不同的任务。下面分不同的阶段介绍。

1. 数据可视化阶段

核心目标

从没有数据到数据报表，再到统计图的过程。

任务拆解

1. 盘点数据资产
盘点相关数据，包括已经同步和未同步到数据团队的各项数据。在已同步到数据团队的数据中，需要盘点数据库的表，有哪些字段，每个字段的含义是什么，最终形成数据字典，可上传到共享文档中，或放到元数据系统中，目的是让团队相关人员都能看到；未同步到数据团队的数，整理出可能需要的数据，以及数据的来源，并记录下数据更新的时间。

• 2. 建立数据处理和数据映射（ETL）
  对数据进行清洗、转换；

• 3. 建立数据的关联
  面向要分析的问题，将数据关联到一起。

• 4. 数据可视化
  选择恰当的图表，呈现数据。

2. 数据分析产品化阶段

其实在可视化的过程中，已经加入了部分的分析逻辑。比如将数据按照不同的用户群、不同渠道、不同时期进行拆分，之后进行比较。在数据分析产品化阶段，不仅要将数据放到系统中呈现，还要将分析模型固化到系统中去，进一步自动化消除重复，提高效率。这里的重复，主要指的是数据分析师日常分析工作中基础的、同质化的分析工作。比如，使用Excel工具，不断地将相关数据组合到一个统计图当中，以观察哪些数据组合更具有分析价值。

核心目标

将分散在各个分析师身上的零散的、同质化的工作量，通过工具化、自动化的方式呈现出来，帮助数据分析师快速寻找到分析思路。

任务拆解

1. 需求分析（明确关键问题）
数据分析的目的是为了解决业务上面临的问题。不同的业务面临不同的关键问题，问题决定了数据分析的方向。比如流量运营的关键问题是：用最少的钱拉来最多的优质用户，因此，分析的重点方向就是ROI。再进一步，数据还可以细分为不同的渠道。这些问题将引导我们从粗略的方向，向着更细维度的方向思考。我们可以通过形成「关键问题树」的方式来做需求分析。关键问题就是根节点，根据不同的方向，不断拆解深入问题，直到能够与具体的数据项对应上。
2. 数据分析
在明确了关键问题树后，当问题发生时，我们可以快速的定位问题。对于出现问题的部分，进行深入的分析；而对于问题树上下游相关的问题，也需要进行深入的分析。
3. 关键问题树的优化与系统化
当积累了一定的数据分析经验之后，我们就可以优化调整关键问题树，将它固化到产品中。具体要做的，就是将问题树中不同的分支拆解成各个模块，把相关的指标、维度组织到产品模块中去。
4. 建立衡量标准
最后需要设定对产品和业务的衡量标准。衡量标准，通俗一点来说就是发生异常情况的阀值。比如，一款产品每天新增用户不得低于5000人，这里的「5000」就是一个衡量标准，我们可以为系统设定一些行动事项（常见的形式为报警），某天新增用户数低于5000人时，系统会发送报警邮箱，或者在系统中标记出异常，并提供准备好的数据供数据分析师分析问题。

3. 数据驱动阶段

终于写到终极阶段——数据驱动了。在这个阶段实际工作的经验不多，以前在大厂工作时，手上的工作更偏前端（对外的解决方案），目前的小公司还没到达这个阶段。所以具体的任务拆解难以下笔，只能简单谈一谈对数据驱动阶段核心目标的看法，期待与各位的讨论。

核心目标

「业务数据化，数据业务化」中的「数据业务化」是这个阶段核心思想。「数据业务化」指的是将数据变成产品和业务的一部分，更多的依赖数据来做决策，实现自动化。注意这里说的是让数据直接做决策，而不只是简单的数据可视化和分析，比如推荐，数据本身就是产品的一部分。

任务拆解

持续实践中，学成补充。

非常期望与各位同学讨论、学习。
最后，祝各位成长快乐：）