我們也許經常會聽到“搭建運營分析體系、搭建業績監控體系、搭建商品分析體系”等等要求，可到底數據分析體系是什麼？到底怎樣才算是建了個體系？今天我們系統地解釋一下。

搭建數據分析體系，是從初級數據分析向高級發展的必備一環，數據分析本質是為業務服務的。所以，在搭建數據分析體系時，要先問自己：

1. 我在為誰們服務？
2. 他們中每一位，有什麼工作職責？
3. 提供什麼樣數據，能更好幫助他們工作？
4. 在什麼時間提供幫助，能更少干擾他們？

這就是搭建數據分析體系的基本思路

第一步：認準服務對象

企業有部門分工，因此第一步要認準：我在為哪個部門服務。這非常關鍵！

因為即使同一個問題，不同的部門的關注點會不同。同樣是銷售問題，如果是銷售部看，關注的是每一支銷售隊伍完成率、進度、質量。如果是供應鏈看，那關注的就是總量、各產品數量、需求高峰期。如果是風控看，那關注的就是回款、壞賬、套利。認清部門，有利於瞭解真正需求點。

其次，部門內有職級高低，要具體區分：誰需要看報表，他的責任與關注點是什麼。同樣是銷售，部門領導關注的是下屬隊伍的排兵佈陣，重點在什麼區域，主打什麼產品。每一個銷售人員，關注的是要跟進哪個客人、跟進哪一步、見人說什麼。一般來說，越是管理層就越關注策略問題，越是基層就越關注執行問題。

即使有些看起來一個人也能辦的事，在企業裡也有分工合作。比如公眾號發文章，似乎一個人就能寫，可在企業場景裡，人家有專業的名字叫：新媒體運營。也有細緻的工作分工。

第二步：明確工作目標

清晰了人以後，要認清每個人的工作目標。

後續評價工作的好壞，判斷業務走勢正常還是異常，探索解決問題的辦法，都是從計算目標和現狀的差距開始的。這一點非常非常重要。很多做數據的同學陷入細節，做的報表看不出所以然，都是因為壓根不知道到底數值是幾才算好導致的。

業務目標並不都是“1個億小目標”這種簡單粗暴的形式。細分之下，可以有多種類型，比如常見的：

1. 按達成時間分：年、季度、月
2. 按委任形式分：長期任務/臨時任務
3. 按服務對象分：自身/其他部門
4. 按服務對象分：領導/組長/員工
5. 按流程位置分：結果型目標/過程型目標

繼續拿新媒體運營舉例，一個小組，可能同時揹著多個目標：

第三步：跟蹤業務走勢

有了清晰的責任人、目標，就可以跟蹤業務走勢。在跟蹤的時候，首先關注的是：目標達成情況。

對於目標達成率監督，涉及到後續一系列行動判斷，遇事先判斷輕重緩急，再看細節（如下圖）。

很多基於傳統企業場景的數據分析體系，寫到這就結束了。請注意，做到這一步只能算完成了“數據監督體系”的建設。因為僅僅看目標數量和完成率，是知其然、不知其所以然的狀態。我們並不能回答：為什麼做的不好？該改善什麼？這種問題。想要回答的更細，就得深入的業務過程中，瞭解具體行動。

第四步：瞭解業務行動

想要改善一個業務，就必須瞭解這個業務。

大部分的業務比我們想象的要複雜。比如新媒體運營，不做的同學可能想當然的認為：不就是寫個文章嗎？我看閱讀數、轉發數這些數據不就好了……可實際上，細看之下，一篇文章可能有很多業務細節（如下圖）：

瞭解業務行動，分解業務細節，是為了：找到數據可以幫助的點。數據不是萬能的，比如一個新媒體小哥寫文章，數據不能只告訴他怎麼寫。但是具體到業務細節，數據可以提供很多參考，如下圖所示：

這一步，是提升數據分析質量的關鍵。拆解業務行動，找到數據的幫助點，我們就能在跟蹤進度的時候，進一步分析問題，這就推動到了一下步。

第五步：覆盤行動結果

對業務行動細節很瞭解，就能覆盤行動結果，總結經驗。數據的優勢，不是直接生產出超人的創意，而是事後總結出普遍的經驗。優秀的業務能力永遠是稀缺資源，是不可複製的。但通過數據分析覆盤，可以把明顯的作死行為總結出來，避免普通人犯錯。

就像寫文案，指望每個創作者都成為半佛仙人這種聖手是不可能的，但是能總結出：

1. 時政類話題熱點轉化率低於情感類50%，不用來做轉化。
2. 週四、週六推送閱讀低於其他時間40%，不做推送
3. 鏈接跳轉超過3步，轉化率下降30%，控制篇幅

分析結論，就已經能幫助運營規避大量坑點。即使偶爾採坑失敗，也敗的明白：“沒辦法了，必須這個點發文，虧一點閱讀就虧一點”。做業務從來不怕失敗，怕的是敗的不明不白

。如果能長期積累，業務方經驗越來越豐富，遇到問題的思路也越來越清晰了，就真正發揮了數據的作用。但是，問題不是一成不變的，因此數據分析體系也要不斷迭代升級。

數據分析體系迭代升級

牢記這個標準：堅守目標，迭代方法，積累經驗。這是數據分析體系建設的基本方法，底線，也是最高要求。在這個原則下，數據分析體系迭代升級路線如下圖所示：

1. 設定目標後，分月、周、日報表，跟蹤目標完成率。
2. 在目標達成出現問題時，先判定輕重緩急，再看細節。
3. 針對重點問題，提供臨時性支持，探索原因，解決問題。
4. 根據經驗指導後續工作，沉澱有效方法，指導以後目標制定

這樣的體系運作，業務部門也很輕鬆：平時只要看幾個核心KPI達成率即可，平安無事就不用擔心，趨勢向壞的時候能及時收到預警。想要思路，也能有足夠素材用，使用體驗非常爽。而數據分析師本身，固定KPI、業務支持做成數據產品，個案分析做專題。產品和專題做多了，也好體現個人成績。總比無休無止寫sql，寫了也不知道幹啥去了強的多。

小結

建設數據分析體系，本質是個：從業務中來，到業務中去的事。需要大家多在內部花心思。然而，很多新手太過糾結理論、方法、模型，忽視、無視、輕視業務

。覺得別人的工作沒技術含量“不就是發個文章”“不就是忽悠客戶”，只有自己的算法才是真牛逼無雙。遇到問題，不會細緻的和業務溝通，只會上各個數據分析微信群問：“有沒有XX指標體系啊，最好是權威、標準、BAT認定版的”。這就南轅北轍了，最後只會換來一句：你這不符合我們公司情況啊。

好的數據分析師，要像眼科醫生一樣。配眼鏡可能有很多專業的方法，有很多專業的工具，可在配的過程中，卻醫生糾結的不是自己的理論，而是關注用戶看的清不清楚，不斷問用戶“這樣可以嗎？這樣更清楚嗎？再這樣試試呢？”用專業的方法服務個性化需求，這才是專業的人乾的事。與大家共勉。