在踐行數據價值的這條道路上，每個數據人都在用自己的方式積極備考，所以覺得有必要再來寫點什麼，向各位同仁展開我的考卷，不為他，只為對數據的夢想與情懷。
回顧上文，我的數據從業歷程是從諮詢公司切入，那裡有稍微學術點的指標體系和方法論。然後在數據服務公司應用，那裡有比較成熟的數據採集實現技術。而後在微博數據創業公司將之前的知識技能進行應用和商業。回過頭來看，那會的觀點暫時經得起這五年時間的考驗，同時也正是因為沒經歷過甲方公司的數據分析，所以彼時對業務的重要性感知不深，上文也就未有過多提及。本文將來重點講述一下：
一、不懂業務，分析就僅僅只是提數
借用下大數據的梗，“數據分析要懂業務”這句話就像“Teenage Sex”——人人都在談論，但沒誰知道究竟怎麼叫懂業務，人人都覺得別人都懂，所以人人都覺得自己懂業務。請允許我老調重彈，以個人視角闡述下什麼叫懂業務，
不妨以別人家的產品為例——
對於頭條類的內容產品來說，他的業務模式無非是從(內容)生產到分發再到變現，從而實現從投入到盈利，再到盈利增長這樣一個商業閉環，要想將這個模式跑通，他就得有內容（生產者），有用戶（消費者），有平臺（消費平臺），有廣告（激勵生產者和平臺）。
（1）如果懂業務，你就不會在日活出現下行趨勢時單純提出加大廣告投放這樣誰都知道的建議；你就不會在生產者因競品提升激勵費用而出現流失苗頭時，只是輕描淡寫的報一下同環比;你就不會在關於廣告的反饋量異常提升時粗暴建議業務側全局減少廣告頻率……
（2）如果懂業務，你就會知道數據工作該如何推進，第一階段應該是基礎數據建設，保證數據收集的規範化、全景化和擴展化，保障從打點 → 收集 → 清洗 → 統計 → 入庫這個數據生產流程的效率和穩定。
第二階段重點關注種子用戶的數據表現，用戶對產品哪些功能使用不順暢，對哪些品類的內容更加有偏愛，什麼樣渠道的用戶質量更高，並將以上結論同步輸出給業務側，並持續進行PDCA循環，直至通過留存率測算出來的life-time足夠支持進入爆發期。
在爆發期的分析重點就是不斷提升運轉效率，比如根據用戶偏好特徵進行定向組織生產，繼而擴大分發場景，從APP內分發再到APP外分發，不斷提高單篇內容的分發效率；優化產品的欄目佈局、功能按鈕等動線設計，滿足不同人群的使用偏好，提高”坪效、人效”；從買用戶到等用戶再到漲用戶，目前產品的核心用戶群體是誰，在社會人口這個大盤裡是否已滲透徹底，如果沒有，通過什麼渠道可以“捕捉”到他們，以及通過分享/轉發這些策略的設計，實現用戶的自增長。在第二階段的種種目的都是為了不斷放大用戶與內容的規模效應，為商業化做準備。
第三階段的分析重點則是關注商業側表現，內容無論是自產也好，還是UGC也罷，都是有成本的，成本換作了流量，流量又通過商業化實現了變現，所以需要通過數據優化當前的廣告形式和策略，幫助金主爸爸找到最匹配的用戶，以及讓用戶發現最需要的廣告，從而實現ROI的最大化；
第四階段則應關注創新發展，國內同行當前的發展模式都有哪些，以及各自的差異化競爭點，國外是否有類似的行業以及當下現狀是如何，用戶還有哪些延伸需求沒有得到滿足，內容行業的未來發展趨勢是什麼，以及可能會遇到的法律法規等政策風險。
（2）如果懂業務，你就會知道在相應的階段老闆的關注點是什麼，你就會設計出更符合業務視角的報表，通過相應的專題分析，解答老闆還未開口的”需求”。
（3）如果懂業務，你就會想到首先要了解各業務角色的KPI。對於團隊協作來說，最有力的方法就是驅之以利，而非驅之以理，當業務人員知道你們是利益共同體的時候，良好的協作也就有了保障。
……
說了這麼多，那問題來了，如何檢驗自己是否懂業務，個人有個小經驗，就是看你的主要時間花費和產出都在哪裡？如果懂業務，你的主要產出就一定不會是提數，因為老闆&業務部門知道，讓你提數那就是浪費公司人效&損害自己利益。否則，分析就僅僅只能是提數。
二、迴歸本質，數據才能為業務賦能
數據就是數值，他是我們通過觀察、實驗或計算得出的結果。數據有很多種，最簡單的就是數字。
數據的本質是數值，只是屬於結果而已，要想改變結果，只能去尋找因，從因上做改變，才能引起數變。
這段話可能不太好理解，舉一個大家都知道的流水萬能公式—-
流水=日活*購買率*人均購買金額，這個公式還可以繼續往下拆，並將拆解後的因子交給不同的業務小組負責，美名其曰—KPI。老司機都知道，這個公式最大的意義是跟蹤和監控，而不能作為執行目標，初期可能還行，但到了穩定期後，日活一旦大幅提升，購買率和人均購買金額反而出現了下降；業務做了很多優化，好不容易購買率得到了提升，購買金額反而下去了；為了人均購買金額達標，運營推薦了很多高價商品，結果購買率卻又下降了。。。
為什麼，因為流水只是個結果表現，這個結果是由用戶決策產生的，決定流水的正確因子應該是用戶的需求強度，購買力，以及相應購買力用戶與相應價格檔商品的匹配程度。如果不從因果關係上想解決辦法，而只在當前的存量購買力下，追求各個偽因子，就會出現按下葫蘆浮起了瓢。尤其在甲方業務環境裡，各個小組都是緊密圍繞在核心KPI的基本路線，如果數據側陷入到各業務小組的KPI分析需求裡而沒有及時糾錯，那後果將萬劫不復。
再舉一個例子，下圖是業務裡常用的數據報表視圖，並隨著業務的迭代和細化，出現各種報表堆砌，潑盆冷水，這種報表哪怕就是有幾萬份，哪怕就是進行分鐘級別的異動監控，可能對業績提升也於事無補，該跌還是跌
我們不妨將視圖變換一下，
以上表頭只是示意，並沒有詳細展開，主要思路是將結果型報表變換成過程型報表，以用戶視角將整個報表分成基本屬性 、興趣偏好 、使用特徵 、商業貢獻四個單元。
基本屬性主要是以新增日期，渠道，機型，性別，年齡等為代表的用戶基礎描述。
興趣偏好是用戶在使用產品之後表現出來的特性，比如喜歡卡牌、RPG等品類遊戲。
使用特徵則是用戶在使用產品時留下的數據行為，比如瀏覽/點擊/搜索次數。
商業貢獻則是衡量用戶對商業化的貢獻，比如購買次數，購買金額。商業貢獻結合基礎屬性其實就是用戶LTV的整個監控。
有了這種視圖後，就等於有了自變量與因變量，就可以回到我們熟悉的因子，迴歸，判別這些多變量分析方法上來，至於RFM、CRM、渠道評估/反作弊等解決方案的產出更不在話下。
正是基於這種過程型數據結構，我們做了很多有意思的項目研究，比如如何提高遊戲下載量，如何提高用戶活躍度，如何降低卸載率，如何提高PUSH轉化效率，如何將當前收入再翻倍，流失用戶的再召回等等，並且創新的結合用戶反饋等文本數據，很通暢的將定量+定性這些只能在傳統市場研究公司實現的研究方法在互聯網業務模式進行了再現，至於項目效果，抱歉無法提供太多，但我想說，這個圈子其實沒多大，想打聽，其實不難。
一直堅信一點，在數據分析這個行當是永無止境的，因為產生數據的主體——人始終在變，所有的經驗和方法今天可能是你的利器，明天或許就是傷害你的兇器。熟悉業務的好處是可以有相同的對話語境和立場，但弊端就是常常因走得太近，走得太快而忘記數據的本質，一個優秀的分析師是需要建立起一套屬於自己的分析系統，其中，很重要的一個環節是自我糾錯機制，這點，我也是在摸索。
三、數據先行，增長才能更加穩準狠
伴隨著人口紅利消解，互聯網大盤流量增長接近上限這個大背景，增長黑客（Growth Hacker）的概念現在越來越火，這裡，我想說兩點，
1. 對於微信裂變、社群運營、用戶補貼、拼團這些來說，都是屬於增長手段
手段是有有效期和環境的，他的有效往往是在透支行業平均成功率的基礎之上,畢竟後來者的複製會加快人群防疫力的構建, 不僅會慢慢失效，還有可能會對自身造成傷害,在模仿手段的這個賽道里恐怕只有第一,沒有第二。
電商行業有句打油詩是這麼說的——
“用戶促活一句話：推送信息把券發，
有事沒事發短信：您要登陸把禮拿，優質產品在秒殺，再不來就沒有啦~
要是客戶不買賬，直接拿券頭上砸”
這種生搬硬套無腦跟風做增長的後果就是成本越來越高，效果越來越差。用戶的購買決策體系發生紊亂，商家的定價權也受到質疑，“價格太虛了，啥時候有優惠啥時候再來買，反正也不著急”。薅羊毛的用戶越來越多，平臺陷入了飲酖止渴的尷尬境地。
2. 增長黑客正確的姿勢應當是數據先行
數據的優勢是可以客觀的，全局的，通過一組指標還原用戶場景和動機，進而歸納演繹->找到差異->抓住增長點。再往大了說，數據增長還應包括用戶定位，產品設計，價格策略等一系列全鏈條環節，這個後面有機會再聊。
同時增長類項目能發揮多大效能，還取決兩個前提：
數據增長是遊離在產品、運營、技術、品牌之外的一種高效組織形式，打破常規分工模式和業務慣性，需要跨部門/跨角色間的聯動，這種聯動越高效越好.
正是因為與原有分工體系遊離和並存，所以不可避免會有碰撞和交融，那麼對增長小組進行直接授權和負責的管理層級別越高越好。
下圖是根據淘寶親情賬號的公關稿以及一組假數據結合的增長案例，
如上所說，流水=日活*購買率*購買金額，在存量購買力下，單純提高某一個因子對總流水的提升都於事無補，但可以做的是通過數據還原用戶的需求場景，繼而進行場景再造，健康的將業績目標進行穩定增長。
四、總結
數據分析師是個孤獨的圈子，孤獨在沒法跟同行交流和切磋，泛泛談沒有價值，說來說去就是那麼幾點—趨勢/細分/對比/多變量，有價值的是背後各種方法的嘗試以及遇到的坑，難免不涉及業務細節，也就沒法展開進行描述，不得已用了很多別人家的案例，有不太清楚的地方歡迎留言評論進行具體交流。
至於數據分析的前景，無需多做宣貫，只提一點，當像充電寶，單車，咖啡，甚至汽車、大賣場這些傳統行業都逐漸開始互聯網化的時候，意味著互聯網從輕資產走向重資產時代，你覺得企業還會不重視精細化運營麼？產品有bug我們可以及時回滾，可智能硬件的生產製造都是有成本的，一旦生產多了賣不出去就成了庫存積壓，生產少了用戶買不到體驗就不好，至於新零售的本質就更是提高人貨場的週轉效率，這些可都是數據問題啊。效率運營的精細化程度可能逐漸成為未來產品間的護城河。
好槍手是靠子彈喂出來的，好分析師是靠大量項目實踐沉澱出來的。
上圖是根據資料以及自己的理解進行的歸納提煉—數據應用的三層價值模型&數據人員能力成長體系。筆者目前已從業八年，不論是單方面的個人自評，還是從外圍收穫到的別人他評，數據在互聯網的應用都還屬於低估階段，耐得住寂寞，才能守得住繁華，在數據分析這條道路，讓我們一起夢想與前行。
CIO之家 www.ciozj.com 微信公眾號:imciow
閱讀更多 CIO之家 的文章
