数据，看上去只是冷冰冰的数字，但是通过数据分析能够挖掘出数字背后暗藏的玄机。前面文章提到了那么多基础技能。同学们都很想知道，到底什么时候开始讲整个分析的流程啊？
别急，本篇开始要逐步开始进入数据分析过程的讲解了。
为什么是逐步呢，因为本篇也只是一个引子，想做好分析，必须了解业务。
本文就通过生活中的一个例子简单地说明一下业务是个什么样子，数据分析又扮演了什么角色。
举个生活中的例子。
吊丝追女神，都要经过哪些流程？
大多数人肯定想到类似这种流程：一开始加个微信，然后约出来吃饭，再一起看电影等等。
要说错吧，也没错。
大部分人追女神确实走的都是这个流程。
循序渐进，一步步确立关系。你总不能一上来就想着让女神把户口本带上去民政局吧。
但是这种流程有一个问题，你很难找到追不下去的原因。
为什么女神吃了一次饭就不肯一起去看电影呢？是上次吃饭说错了什么话？还是吃饭地点选的不对？
所以我们来拆解一下，到底怎么用数据分析思维追女神。学会这种分析思维，你追女神的机会都比以前大了不少。
一、追到女神的核心决定因素是什么
追女神这个过程，以下最核心的决定因素是什么？
女神父母的支持你是高富帅，还是对女神的态度软磨硬泡？
妥妥的是女神对你的态度啊。你是高富帅又怎么样？女神心里觉得没感觉就是没感觉，你能怎么办？要是女神觉得你挺好的，没准父母反对都能成。其他的因素都是次要因素，只要女神喜欢你，一切都好说。还好，女神的态度转变也是遵循一定的规律的，这也就有了分析的空间。
- 首先妹子至少得不排斥你这个人吧，否则根本没有后续的事了。女神不排斥你，这样你才有机会要个女神的微信。
- 然后微信聊了几天，初步了解之后，妹子对你还有点兴趣。你约出来吃饭，女神想着反正也没事，蹭顿饭也好。
- 然后吃了几次饭，女神觉得你人还行，之后再看电影啊啥的也就顺理成章了。
女神对你的态度肯定是一步一步发展起来的，简单的说就是“不排斥，有兴趣，有好感”这样的一个流程。那么这个流程跟之前的流程有什么区别？之前的“”微信-吃饭-看电影”流程是表象，“不排斥-兴趣-好感”这个流程才是关系发展的核心流程。
如果是做业务的话，想要把业务做起来就得让客户满意才行，让客户经历“不了解，了解，购买”，这才是业务最核心的流程，所以这个流程可以称作业务流。
二、追女神，要做什么
原来的流程也不是一无是处。虽然“不排斥-兴趣-好感”的流程是最接近事物发展本质的流程，但是妹子会直接告诉你她的感受吗？估计妹子自己都说不清啥感受，你咋能知道？除非你是那种吴彦祖级别的帅哥，女孩见了你都是倒追你的，当然这种不在讨论范围了。
普通男生什么都不做妹子会倒追你吗？别做梦了，没钱没颜的男孩还是得主动一点。
聊微信、约吃饭这些动作可以增加和妹子彼此之间的了解，推进两人的关系。约看电影、旅游这些动作可以确定和妹子之间的关系进行到了哪一步。巴拉巴拉巴拉巴拉，具体不细说，这是数据分析教学，不是PUA教学，我钢铁直男也不会那么多。
总之，要追到妹子，就要改变妹子对你的态度，从陌生人到亲密朋友再到男朋友。但女神的态度转变不会自己发生，需要男生主动改变。吃饭看电影这些是男孩子们为了追到妹子，采取的管理动作，所以这个过程可以称为管理流。
三、最后才是数据
业务流和管理流都会留下一些信息，这些记录的信息的流程可以被称为数据流。管理流最容易产生信息，而且信息含义比较清晰。
比如约出来吃饭，到底有没有约成功，去哪吃饭的，吃了什么，几点吃的。这些信息很容易就会记录下来。虽然不一定真正地用笔或者电脑记录，但是脑子里肯定还是会有印象的。还有一些没那么明显的信息，如果你有一定敏感度的话也不难收集。
比如聊天中获得的一些女孩的兴趣爱好、口味、作息规律、偶像爱豆等等。还有一些更贴近业务流的数据，一些可以反应妹子对你态度的信息。比如女神是不是会主动找你，会不会向朋友介绍你，你说到一些话题时候妹子的反应等等。这种就得非常精明的人才会注意了，一般人根本不会注意到这些。但这些信息非常重要，下文会告诉你原因。
以上三个流程，总得来看，关系如下：
四、数据分析究竟做什么
我先抛一个我自己的观点，数据分析解决的问题简单的说就是分别解决一下三个问题：
是什么？为什么？怎么办？
具体这三点下一篇再细说，这篇先讲一下这几个问题和业务流程之间的关系。
数据流+管理流，找出问题对我们来说最直观的就是数据流。数据高了低了，很明显，一看就知道。或者做了什么事，什么时候做的，记录得很清楚。通过这些数据，集合管理流，我们就可以了解目前的现状，可以解决“是什么”的问题。
跟妹子发展到哪一步了？看一下数据。吃了三次饭，分别吃的是什么，什么时候吃的，和女神的发展现状基本可以看出个七七八八了。通过一堆数据分析，发现最近两次约看电影都没有成功，女神都不肯出来。问题来了，最近两次都没有约出来了。通过数据综合判断，发现最近两人关系发展的不太好，主要表现在女神拒绝了一起看电影。
到此“是什么”的问题解决了，接下去我们得找找原因，也就是解决“为什么”。
直男式分析法为什么不肯一起看电影呢？是不是这部电影不够吸引她？是不是她没空？是不是电影院看完太晚了？怎么办呢？约看电影约不出来是吧？想各种办法呗！
换一个她可能爱看的电影，找她比较空的时间约约看，直接买好票，约出来吃饭直接带去电影院。
使出浑身解数，终于把女神约出来了，管理流走到了“一起看电影”这一步了，离追到妹子越来越近了，哦耶。如果看到这觉得没有什么不对的男同学，一定要提高警惕啊，你这样估计是找不到女朋友的，这种生搬硬套的办法明显是有问题的。
在业务流找原因前面已经提到了，推进流程的核心问题在于妹子对你的态度。加微信、吃饭、看电影都只是为了推进关系发展的手段。这个前提一定要记牢。
问题的根源在于业务流，不在管理流。管理流的问题是表象，业务流的问题才是根本。现在管理流的表现是”妹子拒绝一起看电影”，如果你一直在管理流找原因 ，就会想着到底如何才能让妹子一起看电影。追妹子追不下去，为什么？就是因为约看电影约不出来啊，约不出来怎么办？想办法约出来嘛。
这种脑回路可千万要注意，你这样数据分析做不好就算了，女神追不到事情就大了。
那究竟什么问题呢？如果你平时没有认真收集业务流的数据，这个时候只能两眼一抹黑，啥都不知道。所以数据采集很重要，一定要事先准备好。
如果如果你平时有高超的敏感度，对妹子的一举一动都观察很仔细，那就有后续分析的可能。你分析业务流数据发现，两人上一次吃饭的时候，自己提到最近最近正在换工作，妹子后来就表现的有点犹豫。会不会是妹子对你的工作有意见，觉得你的工作不稳定，或者觉得总是跳槽不够稳重？这好像比较更接近事实真相了。
基本解决了“为什么”的问题，后续怎么办？
在管理流找解决方案前面提到过，要影响业务流，我们只能通过管理流，看看我们的可以用哪些办法让妹子打消疑虑。你可以下一次有意无意透露一下自己这次换工作是因为有一个更好的机会，之后的发展会更加有前景之类的巴拉巴拉~
如果妹子之前真是觉得你工作有问题，你这一通解释打消了她的疑虑，自然也就继续发展下去了，问题就这么解决了。
五、回顾整个过程
上面的例子其实已经非常形象地描绘出了数据分析是如何在业务上发挥作用的。
首先我们要对整个业务发展过程梳理一下几个不同的流程。
- 业务流：业务的驱动因素的发展流程。这是最重要的流程，我们做的所有的事情都是为了让这个流程顺利发展。
- 管理流：影响业务流的一系列行为的流程，我们能做的事都在这个流程里。
- 数据流：业务流和管理流产生的信息。这是我们能看到的信息，一切分析的起点都是从数据流开始的。
数据流不仅来自于管理流，更要来自于业务流很多数据分析问题分析不下去的原因是业务流的数据太少，或者干脆没有业务流数据。
做一个活动分析，只有漏斗转化，没有用户访问行为数据，对着一个漏斗图想破了脑袋也不知道问题出在哪。
为了之后的分析深度，必须在分析前就规划好需要收集哪些数据。不能只收集方便收集的，忽视那些重要却隐蔽的数据。找原因，要落到业务流在管理流上找原因，得出的结论往往没不伦不类。
女神最近对我不冷不热的，为什么，因为她不肯跟我去看电影。追女神这个案例一说你就懂，但是到了业务上，“为什么用户转化上不去？因为落地页到购买页转化率低。”你听了却觉得很合理。
大家都是这么分析的嘛，我都告诉业务方落地页转化率不行了啊，做高转化率是业务方想的事情，跟我有什么关系。这就是站在数据分析师的角度看问题，而不是站在数据分析的角度看问题。
数据分析，最终的目的是为了解决问题。能用数据深挖出更多价值，就不应该只停留下管理流层面的分析。找到原因，要回归管理流找到问题在业务流层面的原因，还得回归管理流找方法。
女神好像对我的工作情况有点不满。原因找到了，怎么办呢？如果没有办法改变，那找到了原因也没用。这一步已经有点跳脱数据分析的范畴了，但是还是可以提供一些业务上的参考。
下一篇文章会详细说说。
免责声明：本文版权归原作者所有，文章系作者个人观点不代表蜗牛派立场，如若转载请联系原作者；本站仅提供信息存储空间服务，内容仅为传递更多信息之目的，如涉及作品内容、版权等其它问题都请联系kefu@woniupai.net反馈！
]]>“推动业务”是数据人最怕的词了。妈耶，还推动业务呢，我自己不被业务部门天天追着屁股要数就不错了，咋个推动法。可领导们最喜欢提这种要求。今天我们就来详细聊聊。首先要分清的是，提这个问题的人是谁，很重要。
问：以下两种情况有什么区别？
A、业务部门领导问：数据分析，如何推动业务发展？
B、数据部门领导问：数据分析，如何推动业务发展？
答：主导权不一样。业务部门问了建议，可以直接去落地。数据部门只是个辅助，说的话如果不对业务胃口，就永远悬在天上。就像开车，抓方向盘的人听了建议能换路线，做副驾驶的哔哔太多，很容易造嫌弃。所以提问人不同，应对思路是不一样的。今天我们先讲业务来提问。
1、推动业务的错误做法
很多同学一听“数据推动业务”，直观的想法就是：
- 我通过数据，发现活跃率低了
- 我建议：要搞高！推着业务搞高！
- 搞啊！你们快搞！我早说了要搞啊！
- 你看看，活跃率高了，我真厉害
这么干肯定被业务喷死
随便问几个问题：
- 谁来搞？
- 啥时候搞？
- 搞到多少？
- 花多少钱搞？
- 有这钱我搞别的不行吗？
- 用大转盘搞还是浇花种树搞？
- 浇花种树是送实物水果还是券？
- 用券搞还是积分搞还是礼品搞？
- 券派10、20、30、40、50……？
- 搞起来了但是转化率跌了行不？
一个都回答不上来。
错误在哪里？错误在把业务想简单了。即使看似简单的：“活跃率低了”真要付诸行动，也得考虑上边列出来的众多环节。并且这些环节里，有一些不是数据能直接解决的（比如签到活动的创意设计，浇花、种树、养金猪、造电器……这些靠加减乘除可算不出来）。所以想要推动业务，就得认真分类业务工作，找到数据的发力点。
2、推动业务的切入点
业务解决问题，从决定立项到执行完成，分为四大环节（如下图所示）
在整个过程中，数据分析不能包打天下。作为一种理性、量化的工具，更适合用于解决战略、战术决策工作，适合战况监控。至于战斗动作，数据只能作为参考，一个有经验的策划远远比加减乘除管用。因此合理安排输出产物，才能更好地推动业务去行动，而不是让业务患上数据依赖症：“你用人工智能大数据分析一下我这一幅画该几点红几点绿”——数据不是这么用的。
3、推动业务的顺序
清晰了输出内容，就可以规划推动顺序了。这里很多新人会犯个错误：指望一步到位，自己拼命做一个很细很细，细到可以执行的方案就算成功。这样一来直接替代了业务的工作，把自己累得半死。二来业务也不领情——“你算老几，你替我拿主意？？！！”
要知道：没人能未卜先知，在一开始规划清楚所有事。推动业务的过程是循序渐进，在不断共识的基础上，从不清晰到清晰，逐步深入的。特别是一些关键节点：谁来负责，出多少预算，考核指标是什么，考核多少。这些是需要请示部门领导，甚至部门之间共识，和老板共识才能确认的。所以要沉住气，一步步来（如下图）。
4、推动业务的坑点
本篇讨论建立在“业务部门领导提问且亲自下场”的基础上，所以想做数据推动，是有强力的上层支持的。但有了尚方宝剑不见得真的敢拔出来随便砍人。在具体推动过程中，有一些新人常见坑点，必须注意：
坑点1：直接信了业务的判断。注意，业务的判断不见得都是基于数据，甚至不见得都是事实。很常见的，比如：
- 我看对手做了，我们没做
- 我看朋友圈文章说该这么做
- 我被老板骂了，我也不敢问为啥
- 我听客户反馈，用户都在骂这个
- 我精心想的点子，我非把它弄上线
- 我和老婆吵了一夜，现在看谁都不爽
是滴，各种情绪、立场、单个事件，都会干扰到人们的判断。所以业务跟你说：我们活跃率不行；我们的转化还得加强；我们的用户体验不好的时候，一定要追溯的问题源头，落实到一个数字或者一件事上，具体讨论到底是啥问题。
坑点2：没有相关指标分析。很多非利润、成本类指标，都容易产生虚荣效应：
1、容易被刷高：大转盘一摇，活跃率铁高！
2、无实际产出：活跃高了又怎样，他又不买
3、无长期效果：短期刺激完又怎样？不做活动又跌
所以当业务关注这些指标的时候，一定要做相关的指标分析，特别是要关联到一个有最终考核意义的指标，比如利润、成本之类。至少要保证这几个主要指标是联动的，允许有虚荣成分，但是不能全是水。
坑点3：没有事前定义目标。这也是业务经常干的事：
1、我要提升活跃率——从多少提升到多少？不知道！
2、我要提升消费——从多少提升到多少？不知道！
3、我要拉动业绩——从多少拉动到多少？不知道！
4、我要激活用户——啥叫沉睡？咋算激活？不知道！
是滴，很多业务部门干活完全是凭经验，凭感觉，凭习惯。完全没思考过到底考核啥指标，又到底该做多少。一问就是不知道，要么就是说：“和自然状态下对比下？”问题是很多业务根本就是促销不断，活动不停，咋个自然状态法。所以想做数据推动，必须认认真真看数据定目标，不能含糊。
坑点4：过往策略没有收集。过往用过的策略目标，打法、效果，全部没有收集。导致需要数据支持的时候不知道看啥，最后还是凭经验决定（如下图）。
坑点5：创新方案没有标签。同上，创新方案想做测试，要有具体的标签才好后期做对比分析，不然只看一个很粗的响应结果，还是没法指导到设计的细节工作。
坑点6：测试方案不看整体。这是上一个问题的另一个极端，测试的时候太过计较细节，比如页面颜色，按钮左边右边，优惠券20、30纠结太多，导致见细节不见整提，到了用户那里：这啥破活动，不玩了。
坑点7：执行过程没做监控。急着上线，需求反反复复改，最后埋点没做好，数据没打通，结果吗，自然……
总之，数据推动业务，就像开车开导航一样。大家都觉得导航好用，可最后支撑导航功能的，却需要GPS定位，道路图，实时数据反馈，路线规划算法等等复杂系统。理论说起来容易，执行起来只能看菜下饭，且行且珍惜了。况且这还是在业务部门推动的情况下，如果是数据部门自己想推动，那就更得付一番精力。
免责声明：本文版权归原作者所有，文章系作者个人观点不代表蜗牛派立场，如若转载请联系原作者；本站仅提供信息存储空间服务，内容仅为传递更多信息之目的，如涉及作品内容、版权等其它问题都请联系kefu@woniupai.net反馈！
]]>近些年来，与数据分析相关的岗位越来越火热，拥有数据分析能力的数据分析人员，越来越受各大企业的欢迎。
一、为什么传统企业的数据分析工作很难推动？
某数据大拿说过，数据分析实现价值的最好状态是“不仅仅得到有创造力的数据分析结果，还要能够运用策略和各业务部门合作”，但是现状是，大部分企业第一步都没做好，又怎么去做第二步。
如果说互联网的数据分析“短平快”，那传统企业的数据分析工作更需要一步一步来。
传统行业的数据应用并不是十分先进：
- 一方面信息化程度并不是很高，底层基础还不扎实，业务系统没上全或没用起来，数据仓库还在建设中；
- 另一方面，传统企业的业况很庞杂，大量的上下游，业务交叉，往往流程上还是混乱的状态。而IT部门或者数据中心并不是核心部门，大多是服务性质，有些改革一旦涉及战略，还会触动上层的利益。
这都决定了企业数据分析是一个被动而长线的工作。
二、如何去推动数据分析工作并得到老板重视？
1. 注意关注企业的痛点，对于那些高品、刚需的痛点，首先要去满足
从以往的实践来看，为什么有的领导会逐渐觉得数据重要，实际上很大原因是做了运算管理以后，领导能对比分析中下层的管理情况，能看到关心的结果，逐渐看到数据的价值。
那么，如果要让数据分析产生成吨的效果，并为领导认可记住。那我们就在一些症结问题，棘手的问题上用数据分析去解决，优先满足眼下，高品刚需的痛点。
日常，我们就把关键指标、关键绩效通过仪表盘展示出来。领导往往更关注实在的指标，例如销售额、核心客户数、亏损量，围绕这些指标去做分析，去帮助做KPI管理，有时更能带来实效。
2. 尝试用数据分析的过程去优化管理决策
决策过程是为分析提供场景。决策可以分为这样几个层面：最高的层面是战略决策，然后是战术决策，还有经营决策。它们的频度和影响是不一样的，战略层面上的影响非常大，一般企业每过5年、10年或者更大的一个周期，才会去做一个战略上的变化，战术的决策次之。
数据分析先要服务好经营层面的决策，服务好每个业务部门的核心目标。
操作上，在前期建立数据平台时，可以不断定一些目标，定一些主题，做成果展示，经常让业务人员以及领导分享，让其参与评价和建议，不断优化和改善，当相关人员都有参与感时，数据平台才会持久发展。
3. 学会告诉老板数据分析带给企业的效益
用一个有表现力的图表或报告让领导眼前一亮，也许背后开发的心血可能领导看不到，但是一个非常亮丽的报表尤其是在超越了领导期望的情况下才是IT的最高境界。数据分析要在领导下一个需求位置等而不是永远跟在他的需求后面跑，力求创新。
4. 细节着手，潜移默化地培养领导和老板的数据化意识
- 首先，让数据快速地展现，创造方便，尽量少用邮件Excel以及纸质报表，可以用移动端把领导关心的指标展示出来，每天定时定点推送，培养这样的习惯。
- 还有，有的企业尤其是大型国有集团，会常常使用数据大屏（虽然有点泡沫但对于外行来讲是十分震撼的），一旦有政府领导或者合作方来参观的时候，领导会觉得倍儿有面子。其次，楼上说的竞品也是一回事，数据分析和大数据已经成为很多的共识，外界各行各业都有关于数据的大会，有特定的CIO圈，老板圈，比如地产界的明源。其实老板比任何人都重视效益和效率，可以说服他们经常参加这样的会议，看行业领先者如何做的，看竞品如何做的。
- 最后，汇报时强调这是数据分析带来的结果balabala，现在很多汇报都可以用电子的形式，总监可以直接用数据发报的功能跟领导汇报。
FineReport做的可视化驾驶舱
三、传统企业推动数据分析的案例
每个企业都不一样，老板不一样、管理方式不一样、信息化程度不一样。因此推动企业的数据分析进程需要根据各个公司的情况进行具体分析。以下列举几个行业的例子，案例都是帆软公司真实的客户，希望可以给大家一些启发，案例的具体细节这里就做隐匿处理了。
案例一：某医药行业——数据决策应用于业务管理
医药商业作为供应链的中间环节，在发挥物流配送功能的同时，承担着资金周转的重要职能，因此对于医药企业利润最大化的关键因素是毛利水平的提升和费用成本结构的优化。公司运用全成本核算的方法，创新了CVP价值分析模型，精确测算客户、品种、供应商的净利润水平，并进行因素影响分析，通过挖掘利润增长点，提供营销决策参考。
那么这个对于整个医药运营来讲一个算输入一个算输出，围绕着输入输出我们开展了几个维度的分析，客户层面的和业态层面的，第二个是供应商层面的，第三个是品种层面，然后是业务人员层面。在这个模型中，有很多指标，很多关键项因素，我们要让大家知道每个指标之间的关系是什么，每一项指标的语意的定义是什么并且统一。
于是，我们建立了上下一致的对数据理解的过程，除此之外利用这样一个架构去完成几个场景的决策。
- 第一个是业务结构的优化。通过平台上的数据去分析什么样的品种可做什么样的品种不可做，哪些品种带来的利润收益最大，哪些不挣钱。目的是指导大家做业务的结构调整。
- 第二个就是谈判就是贸易。我们要去引进一个新的品种，这个品种能带来多少收益？我们通过数据平台的这些参数的关系，在每一次谈判之前由我们的财务部门做分析和策划。
- 第三个是经济化的预算。
- 第四个是对人员的考核，考核的指标来自之前提到的各个维度，比如说利润。
- 第五个是项目决策。每一次做项目投入，都通过数据平台来做支持。
案例二：某制造业——数据分析提高生产线的效率，实现生产可视化
制造业比较注重生产效率的提升，而生产效率受企业管理、制造、流程、创新等多因素的影响。比如在生产效率核算方面，通过记录考勤数据和生产线产量数据，导出各条生产线的实际消耗工时值，并通过实际与计划消耗工时的比值，计算各生产线的效率值。该效率值可用于合理安排各工段不同阶段的班次需求和人员配置方案。
案例三：某餐饮——数据分析帮助市场部门店选址
一家新餐厅的开设，前厅和后厨的面积应该是怎样一个比例？二人桌、四人桌、八人桌以及包间该怎么搭配摆设？
这些信息在过去都是凭借经验去决定，通过对以往餐厅数据的统计和分析，可以得到一个准确的数据参考，降低开设的风险。
以往公司的领导比较热衷于大店的模式，但是到底适不适用，并没有一个准确的结论。后来针对这些门店做了一个评测方面的数据分析，分析每平方米可获得多少营收。最终发现小型门店所获得的效益要比大型门店高。因此针对这种情况，公司在战略上做出了相应的调整，降低部分大型门店的数量，增加小型门店。
案例四：某航空公司——数据分析与业务合作的操作思路
操作上，在前期建立数据平台时，可以不断定一些目标，定一些主题，做成果展示，经常让业务人员以及领导分享，让其参与评价和建议，不断优化和改善，当相关人员都有参与感时，数据平台才会持久发展。
- 确定数据平台技术架构与确定分析主题并行。
- 快速迭代，缓解业务部门手动分析压力。
- 先出报表，积累业务经验建立模型进行分析并不断改进。
- 注意技术准与业务知识准备，以备滞后的大数据分析平台和业务建模。
作者：李启方，专注数据分析和企业数据化管理；公众号：数据分析不是个事儿；系统学习数据分析，代表作《十周入门数据分析》系列
免责声明：本文版权归原作者所有，文章系作者个人观点不代表蜗牛派立场，如若转载请联系原作者；本站仅提供信息存储空间服务，内容仅为传递更多信息之目的，如涉及作品内容、版权等其它问题都请联系kefu@woniupai.net反馈！
]]>营销向来是各种玄幻词汇出没之地，特别是阿里高调大喊“数字化转型”以后，又冒出来一个“数字化营销”。搞得很多做数据的同学一脸蒙圈：咋个又数字化了，到底我能干点啥？今天我们剥皮抽筋，最通俗的介绍下啥叫数字化营销。
1、什么是营销
营销本质上就是解决“酒香也怕巷子深”的问题。产品再好，没人宣传，也会埋没在市井之中。况且很多产品本身就是换皮、跟风、仿冒之作，“产品不够，营销凑”，就更得可劲的吹了。
抛开各种玄幻概念，问：“巷子深，我该怎么办！”你可能直观想到就是把酒搬到巷子口不就好了——恭喜你答对了，这就是营销的一条：place（渠道建设）的概念。
Place营销方法
渠道营销常见方法：
- 把酒搬到巷子口（位置选择）
- 开一间巨华丽的大酒楼（终端设计）
- 找很多小市肆一起卖（渠道投放）
哇塞，原来这就是营销，好简单！估计其他很多答案已经在大家嘴里跃跃欲出了。
比如另一个直观想法：我把酒卖便宜点。——恭喜也是答对的，这就是营销讲的price。只不过具体玩法，可以有6种策略：
Price的6种策略
- 高端路线：定价很高，吊起来卖
- 低端路线：定价很低，走量
- 价格差：先定高价，再打折
- 满额减：满500元，优惠50元
- 会员制：根据消费力给会员级别，不同等级有优惠
- 隐形歧视：定高价，但通过复杂活动派优惠券
比如另一个直观想法：我卖酒的时候送点啥。——恭喜也是答对的，这就是营销讲的promotion。具体可以送的东西很多，比如：
Promotion的方法
- 增值服务：买酒有漂亮小妞陪喝
- 交叉销售：买酒得酱牛肉券一张
- 增量销售：买一坛送一坛
- 联盟权益：买酒送隔壁戏园子票一张
当然，有些同学会想到：酒香也怕巷子深，那我把酒做的香香香，能飘香到巷子外边不就好了？理论上可以这么做，但注意区分：酿酒师和营销师的区别。酿酒师傅才是真正考虑怎么把酒做的很香的人。但注意：如果客人不来喝，你做的再香人家也不知道。营销师，得解决“如何在客人不喝的情况下，也觉得酒很香”的问题。
这才是营销考虑的Product（产品）。说到这，你可能直观的想到：我多在酒里加点香精蒙过去。恭喜你答对了！这才是营销人的思路，而不是酿酒师的思路。实际上，我们在很多饭店门口闻到的香味，在电影院门口闻到的爆米花味，都是这么吹出来的……理解了这层，你又能自然的想到：
Product的方法
- 明星代言：找明星来喝我的酒
- 吹嘘功效：喝了咱滴酒啊，一晚七次肾不愁
- 产品体验：准备一些小样给老酒鬼们先试试
- 洗脑宣传：喝酒就喝XXX，（营销界叶大师尤其深谙此道）
总之，找最广为人知的宣传渠道，讲最浮夸的台词，最卖力的洗脑，“谎言重复1千遍就能成为真理”“要吹就吹个大的”这样让你的“产品功能”深入人心。
以上就是经典的营销4p套路。当然在此之上衍伸出来的套路有更多，比如改一改形式，改成种水果、抢红包、拼手气、砍一刀之类。比如改一改规则，现付定金再领红包红包膨胀再付尾款之类。本质都是围绕着这些点做文章。只是用不同形式，让大家觉得好玩，觉得不是在被商家套路。用不同的规则，来过滤羊毛党、锁定库存量，避免打折越打越低，不打就没人买而已。
2、为什么营销需要数字化
细数完营销各种套路，大家可能自然而然觉得：都这么套路化了，还搞啥数字化。实际上，营销领域的数字化有两重驱动：
内部驱动：营销天生需要数据指导。因为营销是打辅助的，所以必须控制住节奏，根据业务发展走势做调整，这就涉及到了数据监控与数据分析（如下图）
外部驱动：营销渠道数字化变革。在传统时代，营销渠道非常狭窄：
- 电视上热门时间段就那几个；
- 报纸、杂志版面就那么多；
- 线下热门商业街就那几条；
- 大型超市就那么几家；
因此搞营销的，大可以开起旗舰店，铺货进大卖场，然后开组马力在各大电视频道投广告——你看也得看，不看也得看。
但是现在鬼还看这些。微商城、网店、外卖等数字化渠道极大分散了实体店作用；抖音、微博、公众号、小红书等数字化媒体才是现代人精力所在。人们在数字媒体和数字渠道上的精力是很分散的，这极大改变了营销玩法。
就像大家都玩抖音、微博、刷朋友圈，但是对抖音、微博、公众号的各个号主的关注是很分散的。看似在传统媒体上霸占话语权的明星们，到了数字媒体领域渣渣都不是。这段时间频繁爆出的明星收天价直播坑位费，结果只卖出个位数商品的丑事，一方面和明星不自量力有关，另一方面也和传统商家不懂数字媒体，照搬电视台做法有关系。
总之，时代变了，狗二蛋。现在的数字营销大潮已经由不得你不玩，只是自己主动下去游，还是站在岸上被冲下水的区别。那面对数字化营销大趋势，数据分析师能干什么呢？
3、数字化营销与数据分析师的关系
第一重挑战：基础数据。接数据，才是最大的挑战。自有微商城、天猫店、线下店，再加上直播带货、公众号投放，往往数据来源千奇百怪。想建立统一的用户画像，对应到每个渠道的商品销售，难度非常大。更不要提为了赶进度，埋点没有认真做，会员登录指引很潦草，最后数据都不全。其中心酸，大家自己体会。
第二重挑战：持续数据监控。支持数字化营销，对数据的监控、复盘频次是大大增加了的，因此工作量肯定需要增加（如下图）。
第三重挑战：营销创意VS数据。数字化营销，在新媒体上形式百花齐放，很多数据分析师会发蒙：我到底要搞什么。这里要结合开篇讲述的营销的具体形式，先认清当前大目标是啥，通过啥手段实现，再看细节，比如选哪个网红，用什么礼品。（如下图）
很多同学会说：这些数据分析，看起来都很普通呀，没有啥炫酷科技。是滴，本身数字化的目的就不是拿来炫技的，而是实打实的通过数据分析，做科学调配。过去电视广告+旗舰店，才是营销大师炫技的年代——反正没有数据论证效果吗，只要牛逼吹的够炫酷就完了，奥力给！
反而最重要的，是最不起眼的数据打通、数据建设。基础数据一坨屎，指望里边能挖出宝来，就见鬼了。拒绝玄幻概念，脚踏实地工作，从我做起，人人有责。
免责声明：本文版权归原作者所有，文章系作者个人观点不代表蜗牛派立场，如若转载请联系原作者；本站仅提供信息存储空间服务，内容仅为传递更多信息之目的，如涉及作品内容、版权等其它问题都请联系kefu@woniupai.net反馈！
]]>很多小伙伴在数据分析的道路上都会有一些疑问，今天我们请了某大型集团公司商业数据团队负责人于泽来为大家解答一些很多伙伴都关心的问题。于泽曾在阿里、字节跳动核心团队就职，经历了短视频从0-1的迭代过程，曾担任某直播中台数据分析团队负责人，具有多年的数据分析经验及团队管理经验，小洛平时也经常和他一起探讨交流数据分析方面的问题，让我们一起来看看他对数据分析的一些见解吧！
问题一：不同阶段数据分析师所必备的能力都包含哪些？
数据分析师有很多方向，在此我们先指讨论业务向分析师的必备能力，我们把分析师划分为初级、中级、高级三个阶段：
初级分析师：
1、基础数据能力：数据提取(sql)、sql调优（小公司需要）、基本分析能力、数据处理能力（工具不限，excel或者python等都可以） 2、良好的沟通表达能力
中级分析师：
在初级分析师的基础上，需要具备统计学、概率论、量化计算能力、项目管理、业务理解能力。统计学概率论的知识运用能力及深入程度将影响到思维的天花板，而项目管理、业务理解能力将直接影响到所做事情是否可以落地，发挥价值。提到对应的能力都可以展开很多内容，抽象一下就是需要更强的通过数学与实践结合的能力以及团队配合沟通能力。
高级分析师：
1、更深的业务理解能力：初、中级分析师在初期大部分都是承接相对基础，或者某个功能项的事情，没有系统化沉淀好业务思维。在这个阶段的业务理解一定会结合着历史经验或者是之前对于经验的抽象整理。
2、判断力：判断力依赖于几点：一是行业经验，经验是基于实践过的事情去总结归纳，所以在这个过程中，我们所做的事情以及当时是否可以拿到正确且科学的业务结论非常重要，可以为之后的判断提供依据。二是拓展数据以外的能力，数据分析是支持发现问题、解决问题的一种线索，但是真正决定问题及解决问题的思维方式是源于生活的，所以在生活中的经验很多时候可以反哺为业务sense。此外，补充其他领域的知识比如心理学、设计、经济等，也是非常有必要的，这些都会在潜移默化中，提升我们的判断力。
3、保持初心：分析师的价值在于可以用最公正的视角看待问题，不做数据游戏。时刻保持对所做事情的热情，促进自己不断思考不断进步，不断追求真理才是我们应该做的。
问题二：数据分析如何渡过中年危机？
首先明确一点，中年危机是任何行业及岗位都会面临的问题，并不局限于数据分析岗位。所以，这个问题其实我们可以理解为，我们需要了解自己所做职位可以为企业所贡献的价值，这样我们才能知道，随着年龄变大我们怎么才能够不被淘汰。
1、尽早明确个人规划，业务分析师、数据科学（算法、挖掘）、数据产品等，了解每个方向对应重点能力模型，专注精力在一个重点方向上面。尽量要发展自己的核心竞争力，看过一部分分析师的bad case。例如业务分析师很喜欢研究算法，但是实际工程能力不强，可能导致在工业生产即使有想法也很难落地。还有一些分析师会乐于接触方方面面的知识，包括算法、统计、战略、模型，但是却没有自己的核心竞争力，导致对任何方面都不够深入。看上去什么都在做，什么做的都不深入。所以要基于自己的职业方向，早早的有意识的提高自己在对应职业的核心竞争力。
2、积累目标方向的能力并积累价值较高的业务经验。那么什么经验算是价值高的业务经验的呢？我理解在公司商业模式上的主链路的事情是高价值经验，例如：头条的增长、推荐、商业化。这种经验非常宝贵，任何一家公司都需要具备这样经验的人才。陌陌的社交方向，豆瓣的社区方向，长视频的内容分析等。每个人都在随着团队和公司成长，公司在这个方向更有优势自然个人可以吸收的内容会更多。目标方向能力指的是在职业规划中，哪个专业能力是必须的，比如：目标规划往技术方向发展，工程能力的提升就更重要一些。对应的能力模型也会和业务分析师不一样。
3、提升所专攻方向的专业能力。专业能力融合为思想，指导决策：例如算法能力，并不是说了解很多常用算法就说明算法能力强，要了解算法思想。不同的算法是在不同的阶段、面对不同业务场景，以及当时数据处理能力，总结出来的。所以算法本身是会更新迭代的。所以没有一成不变的算法，只有相对稳定的算法思想。例如统计学思维，大部分在课本中学过一些统计思想，但是真正和实际场景结合的过程中，该如何应用，相信很多人是无法很好的结合的。是因为没有很好的理解统计思想。
4、人脉。随着自身能力的加强，身边人的层次和能力也是同样会之增长，所以不论是分析师、产品、还是其他岗位，到某个阶段后，对应行业的圈子是不大的。所以后面可以依赖身边的这些伙伴互相成就，机会很多时候会自己找过来。
问题三：如何说服业务方配合，让分析结果可以落地？
通常，对于在业务部门的分析师来说，和业务合作会较顺利，所以我们重点展开说跨部门的合作。其实跨部门和业务方配合种种的不顺利的根本核心原因不外乎几点，了解根本原因，从而针对性的交流沟通。
1、绑定双方共同目标，所有人配合的前提是大家目标一致，所以需要先找到双方一致的点，从而切入。需要领导支持，明确这种业务配合方式是否合理。
2、培养信任感，信任感是基于历史一件件正反馈的事情积累下来的，所以需要我们真正能帮业务解决实际的问题，业务方才会基于信任，配合分析结果的落地。在分析师没有业务经验的时候可以先静下心来多听听业务的思维，并结合自己的理论知识思考，再基于实际业务的结果形成自己的商业思维。
3、足够的业务能力，分析师不仅要发现问题，还要给出针对问题想到解决方案。且解决方案要相对可落地。如果我们对于解决方案侧的能力没有业务强，我们需要主动去向业务方学习，这也是大部分分析师没有做到的很重要的一点。比如：分析师发现了推荐算法对应点击率比同行业差，但是对于推荐不了解，问题扔给推荐同学。推荐同学可能对这个问题也没有更好的解决方法。像这种case本身是因为对于推荐侧的了解不多。
问题四：分析师如何衡量工作产出？
1、明确的业务结果，分为支持工作的业务指标增益以及主动提建议的指标增益，这些都是实打实的价值。
2、有突破性的认知发现，例如工作中发现、解决的流程类问题等。
3、专业能力成长，专利数、解决技术问题难度等。很多处理或者模型搭建并不是大家都会的，所以专业能力的变化需要关注。
4、解决问题的能力。关注团队同学的成长，团队内每个同学都会有配合过程中的各种问题，关注这个人对于自身问题的解决情况。
最后给大家一些在职场上的小建议：
1、保持好奇心，追求真理，保持上帝视角解决问题：不论是否在业务团队内，不要有领地意识。要时刻保持追求做对的事情。这样你才可能离真理更近，同时个人才能成长的更快。
2、勇于承担更多的事情：不要怕多承担事情，任何事情在业务的一环都是相对有价值。保持热情，可以加速自己在各个领域的成长，同时反哺分析思路。
3、多体验生活，多总结思考：其实生活和工作很多时候会有一定的相关性，互联网连接了人和需求。所以只有多体验生活（娱乐，生活，社交等）才能活得更有“人”味。这个会帮助我们在工作中拓展思路。
4、做数据的解读者，而不是数据的提供者：一个数据不同的人看到想法不一样，只有慢慢的对业务理解深度越来越强，才能知道每个数据背后的业务含义。
免责声明：本文版权归原作者所有，文章系作者个人观点不代表蜗牛派立场，如若转载请联系原作者；本站仅提供信息存储空间服务，内容仅为传递更多信息之目的，如涉及作品内容、版权等其它问题都请联系kefu@woniupai.net反馈！
]]>随着数据科学的兴起和数据文明的普及，越来越多传统领域的企业也开始重视数据在生产运营与管理中的作用，由此，也衍生出建立专职数据分析团队的需求。但是，建立数据分析团队不是一蹴而就的事情，必须保证有合适的投入产出比，让其它部门看到这支团队的价值，才能确保数据分析团队在企业内部能够长期存活下去。那么，怎么做才是正确的创建数据分析团队的姿势呢？笔者结合多年的从业经验，谈谈自己的看法。
不论是在甲方内部创建数据分析团队，还是在乙方咨询公司内部建立数据分析团队，背后的工作方法和套路大部分是相似的。这里，以在乙方公司内部从零开始建立数据分析团队为例进行阐述。
简而言之，笔者认为，从零开始建立数据分析团队的关键在于“214”：即秉持两种心态、找准一个切入点和把握四个步骤。
一、秉持两种心态
所谓秉持两种心态是指从零开始创建数据分析团队时，应保持创业心态和做MVP（最小可行产品）的心态。创业心态容易理解，就是要从零开始做起，将打造数据分析的业务当作要新开一家公司来看待，要自负盈亏、自己养活自己；做MVP的心态指的是在团队创建初期在人员缺乏的情况下要走MVP的路线，先用最少的资源投入跑通一个业务模型，验证和判断业务模式和运转流程的可行性，然后再谈业务扩张和团队扩容的事情。
团队创建之初保持创业心态和做MVP的心态很重要，切不可贪大求全、求胜心切，要先从“小”做起，项目小或者事情小并不代表价值就低。要通过“小”项目的成功，打开局面，树立信心、激励团队。如果刚开始上来就啃硬骨头，一旦久攻不下，出不了成绩，就会折损士气，影响公司对团队的评价，对大家都不好。所以，团队创建伊始，找准切入点很关键。
二、找准一个切入点
对于新建立的数据分析团队，切入点就如同第一次的实战亮相，是很关键的一次项目展示。好的切入点能让团队扬名立万、展现价值，迅速融入到公司的体系中，而切入点选取不当可能会是自掘坟墓，让团队陷入泥沼、难以脱身。切入点可以看作是公司为新建数据分析团队准备的一场测试，考得好了新团队就能过关，能在公司内部挺直腰杆，一旦考的不好新团队可能就面临重组或被砍掉的命运。
既然，找准一个合适的切入点如此关键，那么，应该怎样才能找准切入点呢？笔者认为：好的切入点应该是客户需求最痛点、团队做起来最有把握做好的，同时也是最容易出效果的一个项目机会。能同时满足这三个条件的项目机会一般是可遇而不可求的，实际操作时我们可以退而求其次，找团队相对较擅长的、比较容易出效果的项目来做。最重要的是容易在短期内出效果，这一点是选择切入点核心条件。如果作为切入点的项目第一炮没有打响，体现不出团队的能力和价值，那么，对于团队的立足和发展就是一个危险信号。
好的切入点有时候还真要靠运气，不管怎样，作为数据分析团队的创建人或首任领导一定要懂得运筹帷幄、顺势而为，一定要努力为团队去争取一个合适的切入点。
三、把握四个步骤
以上是从心态和技巧层面对创建数据分析团队的解析。在运营和管理层面上，笔者认为这件事情的基本步骤是：首先需要明确做什么样的事情，然后再说定多大的目标，接着才是为了达到目标组建什么样的团队，最后才是具体怎么去落实。因此，笔者认为需要把握四个步骤：明定位、定目标、建团队、抓运营。
1、明定位
为数据分析团队进行价值定位是正式组建团队之前应该回答清楚的问题，价值定位问题是起点，也是初心。怎么才能做出合理的定位呢？笔者认为首先要摸清楚家底，也就是先搞清楚内部状况，了解企业自身的历史沿革、组织结构、客户分布、资源与能力的现状，当然还有近期的发展战略是什么。着重要分析提出组建数据分析团队的背景和动机，以及组建数据分析团队的目标和期望。然后，再进行SWOT分析，也就是公司进军数据分析与咨询业务的优势、劣势是什么，面临的机遇和威胁有哪些。在此基础上，形成关于数据分析与咨询业务的价值定位：即我们是谁、我们为谁服务、我们提供什么服务、我们的价值主张是什么。
定位就是要明确做什么事情，以上只是提供一个思路和框架，具体到某公司的实际则需要做更为深入和细致的分析。特别是针对客户对分析与咨询这方面的需求需要做更细深入的研究，需要将这些需求进行细化和分类，再结合企业自身的能力进行匹配。
2、定目标
在明确了新建团队要做的事情后，就需要为这个团队设定作战目标。目标分为远期目标和中短期目标。远期目标一般比较务虚、相对空泛、难以量化，个人建议重点先做1年内的短期目标规划。团队创建第一年内建议以“筑基”和“突破”作为目标和关键词。所谓“筑基”是指打造团队基础的服务能力，“突破”则是指项目签单、项目金额、客户数量等KPI上实现从无到有、从少到多的提升。
“筑基”和“突破”这两个方面都是需要进一步量化和分解的。SMART是设定组织目标经常采用的一套原则，SMART原则是指具体性（S）、可衡量性（M）、可实现性（A）、相关性（R）和时限性（T），在为数据分析团队设定目标时也应遵循这一原则。而落实SMART原则最恰当的方式就是将总体目标分解为各个里程碑的目标。将总体目标的实现分为几个里程碑来完成，比如：第一个里程碑是核心人员到位，第二个里程碑是首次项目签单，第三个里程碑是首个项目完成交付，诸如此类。
总之，设定新建团队的目标，并将目标量化和分解为各里程碑的目标，是第二步要做的事情。
3、建团队
明确了要做的事情、要达成的目标，接下来就是怎么才能实现这些目标了，这就顺理成章要谈到人员配置的问题了，也就是在第三步要申请资源、组建团队了。
搭建数据分析与咨询团队需要注意三个方面。其一是，公司内部目前是否有数据分析相关的人员需要整合进来，比如公司之前有少量数据分析师，现在要新成立数据分析团队，他们可以考虑吸收进来，毕竟他们对公司的业务比较熟悉，团队成立之初可以借助这些老员工的力量；其二是，要考虑人员的能力结构与搭配，一般数据分析与咨询团队需要配备的人员包括：数据分析师，算法工程师或数据科学家，咨询顾问等，如果涉及到大数据项目则需要考虑大数据架构师、大数据工程师等角色；第三个方面就是要注意团队组建的节奏和步伐，团队组建时要先leader、后组员，同时要根据项目的人员需求分批次招聘合适的人员。公司不养闲人，团队也是一样的，人员引进应根据项目节奏、客户的需求等分批次进行招聘。
团队创建初期没有旁观者，大家都要身先士卒、深入一线，就连团队的负责人都要沉到具体项目中去。所以，团队成立初期建议优先招聘多面手，也就是那种可以身兼多职的能人，当然这样的能人可能要价也高，如果真的很合适、也紧急需要的话，这时候作为团队领导可以主动申请公司走特批流程。
4、抓运营
具体到做事情的层面主要是项目运营、业务拓展和能力建设三个方面。项目运营主要就是要开好头，投入团队的核心力量，在客户面前树立专家形象，打造标杆项目；业务拓展的关键则是实现从零到一，一方面可以借助公司原有的资源和优势，在传统优势项目的基础上搭车推荐数据分析的新业务，另一方面就是我们主动去聚焦，集中力量专攻有紧急需求的或者痛点很痛的客户。为了实现从零到一的突破，前期可以尝试提供短期免费服务模式，当客户认同我们的服务时再来谈合作模式，或者针对少数战略型客户，可以免费服务，只为获得项目案例和原型客户，后续可以将这个免费的案例作为标杆案例进行全行业推广；能力建设主要指团队内部进行方法论总结和解决方案开发工作，这些工作主要由咨询顾问来完成。
以上就是我认为从零开始搭建数据分析团队的应走的套路，不一定完全正确，也不一定符合每个公司的实际，但仍希望对即将组建新团队的leader们有些价值。
免责声明：本文版权归原作者所有，文章系作者个人观点不代表蜗牛派立场，如若转载请联系原作者；本站仅提供信息存储空间服务，内容仅为传递更多信息之目的，如涉及作品内容、版权等其它问题都请联系kefu@woniupai.net反馈！
]]>上周作为点评嘉宾参加了一次有关业务问题定位与排查的线上圆桌讨论，有发言选手在大数据分析公司工作，将公司已有的分析框架拿出来套用。在点评时，明确点出了这个选手拿出这套框架的两个明显问题：分析前提是要有数据和需要结合对业务理解做分析。因此并不存在一个框架解决所有问题的情形。本篇就谈谈作为产品经理关于数据分析的几个关键认知。
业务目标
无论C端or B端业务，本质都是为商业服务的，这里的商业并不一定都是直接带来营收或赚钱，但实现商业目标不会变。因此无论做C端or B端都不要担心谈业务目标，业务目标更明确，C端产品经理不必在交互或体验上皓首穷经，B端目标更明确反而更有利于打磨产品符合企业需求。
最近这些年从业做推荐服务，就是通过算法或规则的方式，实现企业某些目标的提升，最终实现商业价值。
数据分析的价值也在于实现商业目标，在此基础上拆分成一些关键的指标，并通过运营或产品动作，将关键指标不断提升。
例如公众号运营，可能会是企业获取营销线索或积累私域流量的来源，运营人员就会关注用户的累计值及增减值，并且通过运营动作与数据增减关系，实现对受众与用户偏好的理解，再不断常规化或增强正向动作，以更加促进核心指标的增长。有数据指导动作，相比没有数据而言，通过「假设-验证-调整」打法迭代会更加快速。
数据量前提
在这些年做智能推荐业务的过程中，不断有垂直企业也希望实现智能分发，但经过评估后，最终还是无法承接这类企业的需求。主要原因就是小数据量跑模型无法保证泛化能力，即不一定就能够比企业方制定规则效果更好。数据分析也一样，在数据量不大的情况下，作出的分析和洞察很可能只看到了局部，但并不能代表整体。因此在任何时间点，产品从业者都要认知数据分析是辅助做决策参考，但不能代表决策本身。
有朋友公众号注册后偶尔运营，粉丝十几个，在这样的数据量基础上，很难分析判断潜在粉丝就是这十几个粉丝的特征，因为很多个人公众号早期的粉丝多为亲朋好友，公众号想要长足运营，最重要一点就是要“出圈”。
在数据量小时，更多的是需要快速尝试不同的渠道和方式，做产品或业务增长，而非钻到数据中出不来。再讲回智能推荐的需求，很多企业期望在业务早期引入智能推荐，无非是希望促进增长，但智能推荐本质又是在大数据量小提升留存上限的工具，早期业务反而不那么适用，最后折腾半天，无论是招聘算法人员，还是对外采购推荐服务，ROI都不是正的。
分析的精髓
上周圆桌活动，比较多的参与者将talk king给到了最后一位选手，主要的原因在于这位选手以思维导图的方式，拆分了不断下钻分析的过程，给大家展示出了通过数据分析定位问题的过程。这里面就涉及到数据分析的精髓：对比和细分。
对比是数据分析的基础。无论做产品或运营动作，期望看后续是否有效果，最基础的动作，就是与之前指标做对比，通过对比对动作效果一目了然。
比如公众号做了一场互推活动，将活动后一周用户增量与之前用户增量做对比，即能明确感知到互推的价值。如果互推有效，是否要定期组织或参加互推；如果互推无效，是什么原因。
数据分析另外一个精髓就是细分。在对比的基础上，不断的细分指标，逐步加深对产品或业务的洞察，找到最关键的因素或指标。
再拿公众号互推活动举例，假设互推活动后，虽然有短暂用户增长，但之后用户流失增加，这时如果能够细分流失用户特征，就能够找出流失的原因，挽回损失。公众号后台本身提供了一些简单的细分能力，例如城市、性别、手机型号。
人货场分析
除了一些纯工具类产品，大部分的产品都是提供内容或商品或服务，这些产品做产品或运营的本质便是实现人与物的高效匹配，最终带动最大化的商业价值。因此数据分析不止限于对功能、用户属性或用户行为的分析，还应关注物的分析。物品的销售量变动、物品的各指标细分、物品的库存、物品的利润。
拿公众号运营举例，除了对用户总量和增减的分析外，还需要对文章阅读量、点赞量、在看量、评论量、收藏量做细致分析，不断定位出用户对哪些内容或话题有偏好，最终带动公众号商业价值的提升。
免责声明：本文版权归原作者所有，文章系作者个人观点不代表蜗牛派立场，如若转载请联系原作者；本站仅提供信息存储空间服务，内容仅为传递更多信息之目的，如涉及作品内容、版权等其它问题都请联系kefu@woniupai.net反馈！
]]>现在又是到了毕业生求职的季节，近些年来，求职者对数据分析岗位的热度是越来越高；作为大学生，很多人在大学期间，掌握了很多数据分析工具和技能，但是在面试或者实际工作过程中，依然做不好数据分析。面对具体的业务问题，我们还是容易两眼一抹黑，思维是乱的。
所以单单会工具和技能是不够的，还必须拥有数据分析思维，结构化的分析思维。
数据思维决定了你如何思考问题，如何搭配这些分析方法，如何确定问题。如何得出结论。
先看几道面试题，自己可以先思考一下，文末附有参考和总结：
①如果次日用户留存率下降了 5%该怎么分析？
②如果现在有个情景，我们有一款游戏收入下降了，你怎么分析。
③一个网站销售额变低，你从哪几个方面去考量？
④用户流失分析？
一、逻辑树思维
如图的树状逻辑相信大家已经见过许多回了。一般说明逻辑树的分叉时，都会提到“分解”和“汇总”的概念。
我们这里把它变一变，使其更贴近数据分析，称为“下钻”和“上卷”。
下钻，就是在分析指标的变化时，按一定的维度不断的分解。所谓上卷就是反过来。
随着维度的下钻和上卷，数据会不断细分和汇总，在这个过程中，我们往往能找到问题的根源。
下钻和上卷并不是局限于一个维度的，往往是多维组合的节点，进行分叉。
事实上，逻辑树思维也可以理解为结构化思维或“金字塔思维”
更详细来讲就是：
核心论点：寻找金字塔的塔点（假设/预测/问题/原因）
结构拆解：自上而下将核心论点层层拆解成分论点，上下之间呈因果/依赖关系
MECE：相互独立，完全穷尽（分论点之间避免交叉重复，尽量完善）
验证：核心论点/分论点都是可量化的、可验证的，要用数据说话
举个简单的例子：比如我们发现有一个线下的销售产品，9月份销售额比去年同比下降了20%，按照结构化的思维我们就可以将问题拆分为：
二、公式化思维
上面学习了逻辑树思维，但它有个缺点：不够公式化。
公式化分析思维意味着：上下互为计算（一切结构皆可量化）、左右呈关联（最小不可分割）
公式化可以简单地看成是利用加减乘除来量化分析的分析思维：不同类别的业务叠加可以用加法，减法常用来计算业务间的逻辑关系；乘法和除法是各种比例或比率。
我们将上图中结构化的思维导图再加上公式化，就变成下面这样子：
三、面试题参考答案
问题1：如果次日用户留存率下降了 5%该怎么分析？
“两层模型”分析：对用户进行细分，包括新老、渠道、活动、画像等多个维度，然后分别计算每个维度下不同用户的次日留存率。通过这种方法定位到导致留存率下降的用户群体是谁。
对于目标群体次日留存下降问题，具体情况具体分析。具体分析可以采用“内部-外部”因素考虑。
a. 内部因素分为获客（渠道质量低、活动获取非目标用户）、满足需求（新功能改动引发某类用户不满）、提活手段（签到等提活手段没达成目标、产品自然使用周期低导致上次获得的大量用户短期内不需要再使用等）；
b. 外部因素采用PEST分析（宏观经济环境分析），政治（政策影响）、经济（短期内主要是竞争环境，如对竞争对手的活动）、社会（舆论压力、用户生活方式变化、消费心理变化、价值观变化等偏好变化）、技术（创新解决方案的出现、分销渠道变化等）。
问题2：如果现在有个情景，我们有一款游戏收入下降了，你怎么分析。
两层模型：细分用户、渠道、产品，看到底是哪里的收入下降了
指标拆解：收入 = 玩家数量 * 活跃占比 * 付费转化率 * 付费次数 * 客单价
进一步细分，如玩家数量 = 老玩家数量 * 活跃度 + 新玩家数量 * 留存率等。然后对各个指标与以往的数据进行对比，发现哪些环节导致收入下降
原因分析：
a. 内部：产品变化、促活活动、拉新活动、定价策略、运营策略、服务器故障等
b. 外部：用户偏好变化、市场环境变化、舆论环境变化、竞争对手行为、外部渠道变化等
如何提高：基于乘法模型，可以采用上限分析，从前往后依次将指标提升到投入足够精力（假设优先分配人力、经费与渠道）后的上限，然后分析“收入”指标的数值提升。找到数值提升最快的那个阶段，就是我们提高收入的关键任务
问题3：一个网站销售额变低，你从哪几个方面去考量？
首先要定位到现象真正发生的位置，到底是谁的销售额变低了？这里划分的维度有：
a. 用户（画像、来源地区、新老、渠道等）
b. 产品或栏目
c. 访问时段
定位到发生位置后，进行问题拆解，关注目标群体中哪个指标下降导致网站销售额下降：
a. 销售额=入站流量x下单率x客单价
b. 入站流量 = Σ各来源流量x转化率
c. 下单率 = 页面访问量x转化率
d. 客单价 = 商品数量x商品价格
确定问题源头后，对问题原因进行分析，如采用内外部框架：
a. 内部：网站改版、产品更新、广告投放
b. 外部：用户偏好变化、媒体新闻、经济环境、竞品行为等
问题4：用户流失分析？
留言区写出你的答案~
四、总结
针对具体业务问题的数据分析，总结如下：
第一步：明确你遇到的场景类型，明确分析目标：
企业数据分析场景可分为以下几种：
经营数据分析：监控企业的运行情况，目标是发现企业经营活动中的问题，主要关注点是销量/销售额总体时序变化、地区分布、总体
销售数据分析：目标是保证完成销售任务，监测销售效率低的原因，提出解决办法，主要关注时序进度、落后原因、销售情况等；
客户数据分析：目标是深入理解客户，典型方法是RFM模型；
营销/市场数据分析：目标是了解投放效果，优化投放计划，提升投放效率，关注点主要集中在ROI相关的指标；
产品数据分析：综合了前边几类分析的内容，分析目标则集中在某个产品上；
目标明确以后，利用数据搭建数据模型，本质上是一系列相关的数据指标的联系：
每一个场景里的内容看似复杂，但记住两个核心，即可推导出所有的分析点：
核心一：绝大多数分析都是针对人（内部人员和客户）、财（收入，支出）、物（产品，服务）三个对象进行的，所有的基础分析指标，由单个对象或对象间的组合推导出来。（即逻辑树和公式推导）
核心二：做分析时处理指标记住八个字：变化、分布、对比、预测
变化：指标随时间的变动，表现为增幅（同比、环比等）；（指标异动的时间点）
分布：指标在不同层次上的表现，包括地域分布（省、市、区县、店/网点）、用户群分布（年龄、性别、职业等）等；（即是找出指标异动的具体点）
对比：包括内部对比和外部对比（找出指标异动原因）
内部对比包括团队对比（团队A与B的单产对比、销量对比等）；
外部对比主要是与市场环境和竞争者对比；这一部分和分布有重叠的地方，但分布更多用于找出好或坏的地方，而对比更偏重于找到好或坏的原因；
预测：根据现有变化情况，给出将来可能情况的结论；
免责声明：本文版权归原作者所有，文章系作者个人观点不代表蜗牛派立场，如若转载请联系原作者；本站仅提供信息存储空间服务，内容仅为传递更多信息之目的，如涉及作品内容、版权等其它问题都请联系kefu@woniupai.net反馈！
]]>我总结成一句话就是：链接超级人脉、举一反三、练就行云流水般的直觉反应。
下面我将结合自己所学的知识和过往的经验，对这三个环节分别展开讨论。
当你遇到复杂的问题时，不妨去寻求超级人脉的帮助。这就好比人生病了，应该去找专科医生。
我们通常认为，要找到复杂问题的答案，一定要经过大量的研究分析才可以。
但真相往往是，专家看一眼就能找到问题的症结，而新手分析个半天也找不到关键。
正所谓，读万卷书，不如行万里路，行万里路，不如名师指路。
问题是：专家为什么要帮你？
我觉得要运用「双赢思维」，先思考自己能为专家做点什么，从而让专家愿意帮你。
我写作分享数据分析方面的知识，一方面是想通过输出倒逼输入，提升自己的能力；另一方面，也是想链接更多有智慧的朋友。
我们可以用类比的思维，把一个领域的方法，应用到另一个领域，从而更好地发挥知识的价值。
最厉害的创新者，通常是在某一个领域钻研很深，同时又能把这个领域的核心技能，运用到临近领域中去的人。
对于数据分析工作而言，懂「技术」很重要，懂「人文」也很重要，更重要的是，把技术和人文相结合，去解决现实中的难题，这种现象正在变得越来越常见。
在企业级悬赏解题网站 InnoCentive 上的那些难题，往往不是本专业的人解决的，而是另外一个领域的人、用你完全没想到的思路给解决的。
数据分析的「技术」水平，可以通过刻意练习来提升，例如 Excel、Python、SQL 等，这些技能练成了马上就能用，见效快。
问题是：如何才能提高「人文」素养？
这就很难找到速成的方法了，往往需要靠长期的积累，而且学了未必有用，也未必会用。
阅读文学作品能提高共情能力，学会理解人。
写作可以提升表达能力，学会影响人。
快速理解他人的想法，并准确表达自己的想法，是极其珍贵的沟通能力。
专家都是建立在丰富经验的基础上，对所在领域的复杂问题有快速直觉的判断。
这就好比一个开车的老司机，驾驶汽车的一系列动作已经自动化了，有时大脑只用潜意识在开车。
同样，专家在思考复杂问题的时候，很多问题也已经是自动化处理，形成了一种「模式识别」的能力。
最厉害的专家，往往能在关键时刻，直指要害。
一位厉害的数据分析专家，除了熟练掌握必要的数据分析能力以外，还同时掌握很多其他能力，比如说，业务理解能力、沟通表达能力、解决问题的能力等，并且需要保持技能的更新，特别是在分析工具快速发展的情况下。
我有一个想法，把数据分析的模型，制作成一张又一张的卡片，就像一个又一个的「药方」。当我遇到难题的时候，就抽出其中几张卡片，尝试用不同的模型来「对症下药」。当数据分析的「临床经验」足够丰富以后，下次再遇到类似的难题，或许就能像行云流水一般，快速解决。
上面介绍的「超一流」方法，我觉得可以简单总结为三句话：
（1）链接专家：把复杂的事情简单做；
（2）成为行家：把简单的事情重复做；
（3）人生赢家：把重复的事情用心做。
很多人总是等着别人告诉自己，下一步应该干什么？下一步应该学习什么？最终把自己变成了一个工具人。
按照《高效能人士的 7 个习惯》中的观点，我们应该用双赢思维、以终为始、要事优先等原则，积极主动地做好自己应该做的事。
我们能不能有点勇气，好好思考一下，自己到底想要成为一个什么样的人？想要干成什么事？然后再看看干那件事需要学习什么能力？掌握什么工具？
电影《教父》中有一句经典的台词：
希望我们都能成为能看透事物本质的人。
免责声明：本文版权归原作者所有，文章系作者个人观点不代表蜗牛派立场，如若转载请联系原作者；本站仅提供信息存储空间服务，内容仅为传递更多信息之目的，如涉及作品内容、版权等其它问题都请联系kefu@woniupai.net反馈！
]]>导语：2013 年，作者马特·高盛（Matt Goldman）与他女朋友李丽·斯托尼（Joelle Steiniger）辞职创业，先后创立了第三方分析数据整合网站 Minimalytics，和企业新闻 RSS 定制平台 Hookfeed，至今发展势头良好，作者在本文中总结了一些经验和教训——
时光荏苒。
率先进军 SaaS（软件即服务）行业的经历，就像是坐过山车一般，不断地上下起伏。成功之处不多，失败之处不少，一年过后，剩下的只有经验教训了。
今年我和李丽（我的女朋友和合作伙伴）从 9to5 辞职创业，从一无所有到数千名关注者，与本行业大牛聊天，向同行学习，创立 Minimalytics，然后创立 Hookfeed，遇见了不少了不起的人。
整个过程中，我们不可避免的犯了大量错误，一直以来我们都会把每个小错误写成文章，而本文则是其中分量最大的那些汇总，希望能对读者的创业有所帮助。
产品开发周期并不短，要做好规划。
我们三月初开始开发，首先做好了两个首页，然后开始专注于将创意转化为产品。几个月内就做出了成品，然后赚了一大笔，听起来是否觉得很顺利呢？
并非如此，事实上整个流程是这样的：
4 月 8 日：Minimalytics 的 Teaser 页面开发完毕
4 月 29 日：Hookfeed 的 Teaser 页面开发完毕
8 月 21 日：Minimalytics 迎来首位测试者
Minimalytics 能够整合第三方的数据分析报告，根据你的时间安排，将最重要的其发送给你和客户，节约时间。Minimalytics 支持 Stripe、Google Analytics、KISSmetrics 等多种第三方服务。
10 月 24 日：Hookfeed 迎来首位测试者
Hookfeed 是企业新闻定制平台，能够整合 200 多个程序和网站的通知信息，为团队每个人提供个性化的通知系统。
12 月 17 日：Hookfeed 正式版上线
从开发到网站正式上线，超过 9 个月的开发周期内，我们仅仅正式上线了一个产品。
Minimalytics 仍处于测试阶段，离正式版还差很远，我们把事情弄得过分复杂化了，目前我们的工作就是让它回归本质 :-)。另外，尽管 Hookfeed 上线了，它离盈利也至少还有几个月。
幸运的是，我们做好了打持久战的准备，所以我的建议是，创业者应该留出至少一年的资金储备。
如果你觉得你能在几个月内开发出盈利的产品（我确实做到了这点），听我一言：做好心理准备，产品不会像你想的那么快盈利，也不能像你想的一样赚那么多。
闷声做大事
几乎每次与有经验的创业者在 Skype 上谈话，都以“你们为什么要同时做两个产品？专心做一个。”的建议作为结尾。
每次我们的回答都是，“好吧好吧……我们想做两个产品，所以就开发了两个，感谢您的建议，不过我觉得我们可以先尝试着这么做一下。”
同时开发两个产品是个很棒的事情（下文我会细细说明），但这样做的缺点在于：增加了我们用于营销的时间，增加了支出，放缓了开发进度。话虽这么说，如果时间倒回三月，我还是会这么做，对于那些更聪明的人提供的反馈，我们会更加关注。
实际上，可取的方法是同时营销两个产品，但只专注开发一个。
适时让客户分散我们的注意力
虽然我们创业时有着“再也不给人打工”的梦想，不管是老板还是顾客……还是有个零售业的客户找到了我，他有多个网站需要重新制作。
当李丽来和我一起工作后，我们意识到可以延长开发周期，于是我们与客户签了合同，四个月内重建所有网站。正好我刚刚读过《自由职业者高效工作指南》（编注：本处链接疑似广告故删除处理），找到了适合自己的工作方式，能够以平常 5 倍速度工作。
合同在七月结束，七月前，我们一半工作都不在创业上，事实证明这几乎破坏了产品进程。所以在那之后，我们重新调整了外快和创业的时间安排。
对于创业以外的工作，我们建议如下：
如果客户靠谱就做吧，反之，则一定不能接手。
提高工作效率。
不要按时计费，日薪、周薪、月薪都行，最好是整个项目一起结算。
工作时间不要碎片化，利用整块时间。
不要慌
来日方长，不要总去想成功需要多少努力，这类思考很浪费时间。
也不是说你除了睡觉就必须去工作，但合理安排的工作时间内，一定要完全投入。
当你离开全职工作，成为自由职业者后，你会对全职工作的条条框框产生自然抗拒，“工作时间”就是之一。
以往我得早上 5、6 点起来工作到半夜，而辞职后我睡懒觉，随便吃点什么，去 Tiny Factory 聊聊天，玩玩游戏，尽我所能回避工作。但我决定以后继续 5 点起，在生产力最高时投入工作，下午 6 点给自己下班，并规律生活和饮食。早上做文档和代码编写这类繁重的工作效率高，而下午则适合轻松一些的。
昨天我这样做了，感觉非常赞，下午 6 点时没有任何心理负担，可以思考诸如“一会儿该看什么书？”、“晚上吃点什么？”、“周末找个什么人见面呢？”这类问题。
这可都是过去半年一直被遗忘的美好事情。
我们花太多时间在一起
和女朋友生活、工作在一起时，眼里总是会出现对方，这对于工作并不很好。
我们发现彼此单独工作时效率最高，我早晨 5 到 8 点和下午在咖啡厅或酒吧时效率最高，而李丽不在家工作时，她效率甚至提高了 10 倍。于是我们试着分别走出家门，这不仅提高了效率，还让在一起的时间更加宝贵。
这对于首次约会的一对来说可能有些难做到，尤其是，大部分时间你还得把对面当作商业伙伴而非女朋友看待。
身体健康状况下降
我们本来身体都不错。
但是今年太繁忙，我们就暂停了锻炼，给工作让位，于是身体出现了不同的状况，我比李丽要严重一些。她一直做铁人三项，而我只喜欢散步，反感这些激烈的运动。
总之，如果你有个合作伙伴或团队，一定记得要相互鼓励出去锻炼，保持身体健康，这是无价的。
好得一面
上面是我们的教训，现在就轮到经验了，希望对你有参考价值。
同时进行两个产品的营销
上文提到，尽管同时开发两个产品让我们进度大大减慢，但这样做同时也为我们带来了许多机会，和更多关注者。
我们无意在 Minimalytics 之前推出 Hookfeed，但曾尝试在前者内测申请确认邮件中推广后者，事实证明这一举措有效。
我们还做到了，在一个产品的帖子中，引申出另一个产品的话题，读者会点击这些链接，查看具体内容。Minimalytics 一直比 Hookfeed 更受欢迎，内测申请人数是 2891 比 1322，我们从它的关注者里创造了不少 Hookfeed 的关注者。
至于成本，不过是一个带有动画的首页，用于解释产品用途而已。
不等成功就去讨教
在只有创业的想法时，我们就开始寻求成功创业者帮助，而在首页建立后，我们能够更加光明正大地向他们联系，回复率达到了 100%。这个过程中我们学到了许多，也认识了很多很棒的朋友。
还没有建立首页就去找人取经，让我们一直有些惴惴不安，不过现在我很欣慰，这个选择是对的。
不要怕，去找你的偶像聊天吧。
相信自己
我们创业时各方面状况，都不被看好：
李丽是我同事（勉强算是上级），我们那时开始交往。
我放弃了稳定工作创立 Small HQ（Minimalytics 和 Hookfeed 的母公司），开始用存款创业。
李丽三月时辞职，与我合作创业，之后开始同居。
我们同时开发两款产品。
拒绝了客户任务，没有收入来源。
“你跟女朋友一起工作？噢那可真难……”
李丽对这类嘲讽一般回应，“如果你连合作伙伴都无法忍受，还谈什么恋爱？”
对于其他人的观点，有些要当作建议采纳，有些可以直接忽略。
大多局外人的建议都浮于表面，真正有意义的，还是要看失败者的教训。
免责声明：本文版权归原作者所有，文章系作者个人观点不代表蜗牛派立场，如若转载请联系原作者；本站仅提供信息存储空间服务，内容仅为传递更多信息之目的，如涉及作品内容、版权等其它问题都请联系kefu@woniupai.net反馈！
]]>