不能度量，就無法增長！
提起數據分析，大家往往會聯想到一些密密麻麻的數字表格，或是高級的數據建模手法，再或是華麗的數據報表。其實，“ 分析 ”本身是每個人都具備的能力；比如根據股票的走勢決定購買還是拋出，依照每日的時間和以往經驗選擇行車路線；購買機票、預訂酒店時，比對多家的價格後做出最終選擇。
這些小型決策，其實都是依照我們腦海中的數據點作出判斷，這就是簡單分析的過程。對於產品、市場和運營，則需要掌握一套系統的、科學的、符合商業規律的數據分析知識。
1.數據分析的戰略思維
作為業務決策者，你必須反思：數據本質的價值，究竟在哪裡？從這些數據中，你和你的團隊都可以學習到什麼？
1.1 數據分析的目標
對於企業來講，數據分析的可以輔助企業優化流程，降低成本，提高營業額，往往我們把這類數據分析定義為商業數據分析。商業數據分析的目標是利用大數據為所有職場人員做出迅捷、高質、高效的決策，提供可規模化的解決方案。商業數據分析的本質在於創造商業價值 ，驅動企業業務增長。
1.2 數據分析的作用
我們常常講的企業增長模式中，往往以某個業務平臺為核心。這其中，數據和數據分析，是不可或缺的環節。
企業增長模式
通過企業或者平臺為目標用戶群提供產品或服務，而用戶在使用產品或服務過程中產生的交互、交易，都可以作為數據採集下來。根據這些數據洞察，通過分析的手段反推客戶的需求，創造更多符合需求的增值產品和服務，重新投入用戶的使用，從而形成形成一個完整的業務閉環。這樣的完整業務邏輯，可以真正意義上驅動業務的增長。
1.3 數據分析進化論
我們常常以商業回報比來定位數據分析的不同階段，因此我們將其分為四個階段。
商業分析進化論
階段 1：觀察數據當前發生了什麼？
首先，基本的數據展示，可以告訴我們發生了什麼。例如，公司上週投放了新的搜索引擎A的廣告，想要比對一週下來，新渠道A比現有渠道B情況如何，A、B各自帶來了多少流量，轉化效果如何？ 又比如，新上線的產品有多少用戶喜歡，新註冊流中註冊的人數有多少。這些都需要通過數據來展示結果，都是基於數據本身提供的“發生了什麼”。
階段 2：理解為什麼發生？
如果看到了渠道A為什麼比渠道B帶來更多的流量，這時候我們就要結合商業來進一步判斷這種現象的原因。這時候我們可以進一步通過數據信息進行深度拆分， 也許某個關鍵字帶來的流量，也許是該渠道更多的獲取了移動端的用戶。這種數據深度分析判斷，成為了商業分析第二個進階，也同時能夠提供更多商業價值上的體現。
階段 3：預測未來會發生什麼？
而當我們理解了渠道A、B帶來流量的高低，就根據以往的知識預測未來會發生什麼。在投放渠道C、D的時候，猜測渠道C比渠道D好，當上線新的註冊流、新的優化，可以知道哪一個節點比較容易出問題；我們也可以通過數據挖掘的手段，自動預測判斷C和D渠道之間的差異，這就是數據分析的第三個進階，預測未來會發生的結果。
階段 4：商業決策
所有工作中最有意義的還是商業決策，通過數據來判斷應該做什麼。而商業數據分析的目的，就是商業結果。當數據分析的產出可以直接轉化為決策，或直接利用數據做出決策，那麼這才能直接體現出數據分析的價值。
1.4 數據分析的 EOI 框架
EOI 的架構是包括 LinkedIn、Google 在內的很多公司定義分析型項目的目標的基本方式，也是管理者在思考商業數據分析項目中一種基本的、必備的手段。
EOI 的分析架構
其中，我們先會把公司業務項目分為三類：核心任務，戰略任務，風險任務。以谷歌為例，谷歌的核心任務是搜索、SEM、廣告，這是已經被證明的商業模型，並已經持續從中獲得很多利潤。谷歌的戰略性任務（在2010年左右）是安卓平臺，為了避免蘋果或其他廠商佔領，所以要花時間、花精力去做，但商業模式未必成型。風險任務對於創新來說是十分重要的，比如谷歌眼鏡、自動駕駛汽車等等。
數據分析項目對這三類任務的目標也不同，對核心任務來講，數據分析是助力（E），幫助公司更好的盈利，提高盈利效率； 對戰略任務來說是優化（O），如何能夠輔助戰略型任務找到方向和盈利點；對於風險任務，則是共同創業（I），努力驗證創新項目的重要性 。管理者需要對公司業務及發展趨勢有著清晰的認識，合理分配數據分析資源、制定數據分析目標方向。
2. 數據分析的 3 大思路
面對海量的數據，很多人都不知道從如何準備、如何開展，如何得出結論。下面為大家介紹做數據分析時的 3 個經典的思路，希望在數據分析的實際應用中能給大家帶來幫助。
2.1 數據分析的基本步驟
上面我們提到了數據分析與商業結果之間關聯的重要性，所有商業數據分析都應該以業務場景為起始思考點，以業務決策作為終點。數據分析該先做什麼、後做什麼？基於此，我們提出了商業數據分析流程的五個基本步驟。
第一步，要先挖掘業務含義，理解數據分析的背景、前提以及想要關聯的業務場景結果是什麼。
第二步，需要制定分析計劃，如何對場景拆分，如何推斷。
第三步，從分析計劃中拆分出需要的數據，真正落地分析本身。
第四步，從數據結果中，判斷提煉出商務洞察。
第五步，根據數據結果洞察，最終產出商業決策。
數據分析的基本思路
舉個例子：
某國內互聯網金融理財類網站，市場部在百度和 hao123 上都有持續的廣告投放，吸引網頁端流量。最近內部同事建議嘗試投放神馬移動搜索渠道獲取流量；另外也需要評估是否加入金山網絡聯盟進行深度廣告投放。
在這種多渠道的投放場景下，如何進行深度決策？ 我們按照上面商業數據分析流程的五個基本步驟來拆解一下這個問題。
第一步：挖掘業務含義。
首先要了解市場部想優化什麼，並以此為北極星指標去衡量。對於渠道效果評估，重要的是業務轉化：對 P2P 類網站來說，是否發起 “投資理財” 要遠重要於 “訪問用戶數量” 。所以無論是神馬移動搜索還是金山渠道，重點在於如何通過數據手段衡量轉化效果；也可以進一步根據轉化效果，優化不同渠道的運營策略。
第二步，制定分析計劃。
以 “投資理財” 為核心轉化點，分配一定的預算進行流量測試，觀察對比註冊數量及最終轉化的效果。記下倆可以持續關注這些人重複購買理財產品的次數，進一步判斷渠道質量。
第三步，拆分查詢數據。
既然分析計劃中需要比對渠道流量，那麼我們需要各個渠道追蹤流量、落地頁停留時間、落地頁跳出率、網站訪問深度以及訂單等類型數據，進行深入的分析和落地。
第四步，提煉業務洞察。
根據數據結果，比對神馬移動搜索和金山網絡聯盟投放後的效果，根據流量和轉化兩個核心KPI，觀察結果並推測業務含義。如果神馬移動搜索效果不好，可以思考是否產品適合移動端的客戶群體；或者仔細觀察落地頁表現是否有可以優化的內容等，需找出業務洞察。
第五步，產出商業決策。
根據數據洞察，指引渠道的決策制定。比如停止神馬渠道的投放，繼續跟進金山網絡聯盟進行評估；或優化移動端落地頁，更改用戶運營策略等等。
以上這些都是商務數據分析拆解和完成推論的基本步驟。在接下來的內容中，我們都會有這個分析思路。
2.2 內外因素分解法
在數據分析的過程中，會有很多因素影響到我們的北極星指標，那麼如何找到這些因素呢？在此向大家推薦內外因素分解法。內外因素分解法是把問題拆成四部分，包括內部因素、外部因素、可控和不可控，然後再一步步解決每一個問題。
內外因素分解法
舉個例子：
某社交招聘類網站，分為求職者端和企業端。其盈利模式一般是向企業端收費，其中一個收費方式是購買職位的廣告位。業務人員發現， “發佈職位” 的數量在過去的 6 月中有緩慢下降的趨勢。對於這類某一數據指標下降的問題，可以怎麼分析呢？
根據內外因素分解法，我們可以從四個角度依次去分析可能的影響因素。
內部可控因素：產品近期上線更新、市場投放渠道變化、產品粘性、新老用戶留存問題、核心目標的轉化。
外部可控因素：市場競爭對手近期行為、用戶使用習慣的變化、招聘需求隨時間的變化。
內部不可控因素：產品策略（移動端/PC端）、公司整體戰略、公司客戶群定位（比如只做醫療行業招聘）。
外部不可控因素：互聯網招聘行業趨勢、整體經濟形勢、季節性變化。
有了內外因素分解法，我們就可以較為全面地分析數據指標，避免可能遺失的影響因素並且對症下藥。
2.3 DOSS 思路
DOSS 思路是從一個具體問題拆分到整體影響，從單一的解決方案找到一個規模化解決方案的方式。快速規模化有效的增長解決方案，DOSS 是一個有效的途徑。
DOSS分析法
舉個例子：
某在線教育平臺提供免費課程視頻，同時售賣付費會員，為付費會員提供更多高階課程內容。如果我想將一套計算機技術的付費課程，推送給一群持續在看 C++ 免費課程的用戶，那麼數據分析應該如何支持呢？
我們按 DOSS 思路的四個步驟，分解如下：
具體問題：預測是否有可能幫助某一群組客戶購買課程。
整體影響：首先根據這類人群的免費課程的使用情況進行數據分析、數據挖掘的預測，之後進行延伸，比如對整體的影響，除了計算機類，對其他類型的課程都進行關注。
單一回答：針對該群用戶進行建模，監控該模型對於最終轉化的影響。
規模化方案：之後推出規模化的解決方案，對符合某種行為軌跡和特徵的行為進行建模，產品化課程推薦模型。
3. 數據分析的 8 種方法
上面介紹了 3 個經典分析思路，它們可以幫你搭建一個清晰的數據分析思路框架。那麼對於具體的業務場景問題，我們又該怎麼辦呢？
我們以一個電子商務網站為例，用數據分析產品 GrowingIO 對該網站進行快速地數據採集、清晰和可視化展示，然後給大家分享這 8 種常見的數據分析方法。
3.1 數字和趨勢
看數字、看趨勢是最基礎展示數據信息的方式。在數據分析中，我們可以通過直觀的數字或趨勢圖表，迅速瞭解例如市場的走勢、訂單的數量、業績完成的情況等等，從而直觀的吸收數據信息，有助於決策的準確性和實時性。
數字和趨勢
對於電子商務網站，流量是非常重要的指標。上圖中，我們將網站的訪問用戶量（UV）和頁面瀏覽量（PV）等指標匯匯聚到統一的數據看板（Dashboard），並且實時更新。這樣的一個數據看板，核心數字和趨勢一目瞭然，對於我們來說一目瞭然。
3.2 維度分解
當單一的數字或趨勢過於宏觀時，我們需要通過不同的維度對於數據進行分解，以獲取更加精細的數據洞察。在選擇維度時，需要仔細思考其對於分析結果的影響。
維度分解
舉個例子，當監測到網站流量異常時，可以通過拆分地區、訪問來源、設備、瀏覽器等等維度，發現問題所在。圖【數字和趨勢】中，當天網站的訪問用戶量顯著高於上週，這是什麼原因呢？當我們按照訪問來源對流量進行維度拆分時（上圖 ），不難發現直接訪問來源的訪問量有非常大的提升，這樣就進一步把問題聚焦了。
3.3 用戶分群
針對符合某種特定行為或背景信息的用戶，進行歸類處理，是我們常常講到的用戶分群（segmentation ）的手段。我們也可以通過提煉某一群用戶的特定信息，創建該群體用戶的畫像。 例如訪問購物網站、寄送地址在北京的用戶，可以被歸類為“北京”用戶群體。而針對“北京”用戶群體，我們可以進一步觀察他們購買產品的頻度、類別、時間，這樣我們就創建出該用戶群體的畫像。
用戶分群
在數據分析中，我們往往針對特定行為、特定背景的用戶進行有針對性的用戶運營和產品優化，效果會更加明顯。上圖中，我們通過 GrowingIO 的用戶分群功能將一次促銷活動中支付失敗的用戶挑選出來，然後推送相應的優惠券。這樣精準的營銷推廣，可以大幅度提高用戶支付的意願和銷售金額。
3.4 轉化漏斗
絕大部分商業變現的流程，都可以歸納為漏斗。漏斗分析是我們最常見的數據分析手段之一，無論是註冊轉化漏斗，還是電商下單的漏斗。通過漏斗分析可以從先到後還原用戶轉化的路徑，分析每一個轉化節點的效率。
其中，我們往往關注三個要點：
第一，從開始到結尾，整體的轉化效率是多少？
第二，每一步的轉化率是多少？
第三，哪一步流失最多，原因在什麼地方？流失的用戶符合哪些特徵？
某網站註冊流程的漏斗圖
上圖中註冊流程分為 3 個步驟，總體轉化率為45.5%；也就是說有 1000 個用戶來到註冊頁面，其中 455 個成功完成了註冊。但是我們不難發現第二步的轉化率是 56.8% ，顯著低於第一步 89.3% 和第三步轉化率 89.7%，可以推測第二步註冊流程存在問題。顯而易見第二步的提升空間是最大的，投入回報比肯定不低；如果要提高註冊轉化率，我們應該優先解決第二步。
3.5 行為軌跡
關注行為軌跡，是為了真實瞭解用戶行為。數據指標本身往往只是真實情況的抽象，例如，網站分析如果只看訪問用戶量（UV）和頁面訪問量（PV）這類指標，斷然是無法全面理解用戶如何使用你的產品。通過大數據手段，還原用戶的行為軌跡，有助於增長團隊關注用戶的實際體驗、發現具體問題，根據用戶使用習慣設計產品、投放內容。
用戶的行為軌跡
上圖中展示了一位用戶在某電商網站上的詳細行為軌跡，從官網到落地頁，再到商品詳情頁，最後又回到官網首頁。網站購買轉化率低，以往的業務數據無法告訴你具體的原因；通過分析上面的用戶行為軌跡，可以發現一些產品和運營的問題（比如是不是商品不匹配等等），從而為決策提供依據。
3.6 留存分析
在人口紅利逐漸消褪的時代，留住一個老用戶的成本要遠遠低於獲取一個新用戶。每一款產品，每一項服務，都應該核心關注用戶的留存，確保做實每一個客戶。我們可以通過數據分析理解留存情況，也可以通過分析用戶行為或行為組與回訪之間的關聯，找到提升留存的方法。
留存趨勢圖
在 LinkedIn，增長團隊通過數據發現，如果新用戶進來後添加5個以上的聯繫人（上圖紅色線條），那麼他／她在LinkedIn 上留存要遠遠高於那些沒有添加聯繫人（上圖綠色和紫色的線條）的留存。 這樣，添加聯繫人稱為 LinkedIn 留存新用戶的最核心手段之一。
除了需要關注整體用戶的留存情況之外，市場團隊可以關注各個渠道獲取用戶的留存度，或各類內容吸引來的註冊用戶回訪率，產品團隊關注每一個新功能對於用戶的回訪的影響等等，這些都是常見的留存分析場景。
3.7 A/B 測試
A/B 測試用來對比不同產品設計／算法對結果的影響。產品在上線過程中經常會使用 A/B 測試來測試不同產品或者功能設計的效果，市場和運營可以通過 A/B 測試來完成不同渠道、內容、廣告創意的效果評估。
A/B測試
舉個例子，我們設計了兩種不同的產品交互形式，通過比較實驗組（A 組）和對照組（B 組）的訪問時長和頁面瀏覽量兩個衡量指標，來評估哪一種交互形式更佳。
要進行A/B測試有兩個必備因素：第一，有足夠的時間進行測試；第二，數據量和數據密度較高。因為當產品流量不夠大的時候，做 A/B 測試得到統計結果是很難的。而像 LinkedIn 這樣大體量的公司，每天可以同時進行上千個 A/B 測試。所以 A/B 測試往往在公司數據規模較大時使用會更加精準，更快得到統計的結果。
3.8 數學建模
當一個商業目標與多種行為、畫像等信息有關聯性時，我們通常會使用數學建模、數據挖掘的手段進行建模，預測該商業結果的產生。
作為一家 SaaS 企業，當我們需要預測判斷客戶的流失時，可以通過用戶的行為數據、公司信息、用戶畫像等數據建立流失模型。利用統計學的方式進行一些組合和權重計算，從而得知用戶滿足哪些行為之後流失的可能性會更高。
我們常常說，不能度量，就無法增長，數據分析對於企業商業價值的提升有著至關重要的作用。當然，僅僅掌握單純的理論還遠遠不夠，實踐出真知。 數據分析的大家不妨在自己日常工作中，有分析相關項目裡嘗試使用，相信可以事半功倍，創造更多商業價值。
閱讀更多 六通有道 的文章
