数据分析体系的价值与原则
If you can't measure it, you can't manage it.
如果你无法衡量它，那就无法管理它。
—— Peter Drucker
所有的产品设计、迭代、运营、增长工作开展的基础是 “认知”。认知意味着需要了解目标用户、竞争对手、市场趋势以及产品的关键指标。理解和掌握这些关键信息能够更好地开展工作，知道 “要做什么” 以及背后的目的。
建立认知最好的办法之一是理解 背后的数据，数据虽然不能预测未来，但是能告诉我们过去和当下发生了什么。因此搭建数据分析体系是一件非常重要、基础的事情。通过数据，可以获得客观的见解，帮助更好地决策和优化产品。
数据分析这个职能在不同的公司会有不同的负责人，常见的做法是由运营、产品、业务一同提出需求，再由广义上的数据分析团队汇总、分析和搭建。但并非所有的公司都有一套合理高效的数分规范，多数情况还是比较 “野生” 的。
有这样一些场景，比如：
- 每次提数据需求，数分都告诉我要排期，可能在 2~3 周后才能看到报表；
- 之前上线的看板现在不怎么去看了；
- 昨天销售数据骤降，但是现在的报表无法帮你找到问题，需要紧急取数找原因；
- 数分建议你去学 SQL；
- 分析了两天最后发现数据取错了，口径不一致导致结果没有参考意义；
- 找了一周没有找到问题，领导看了 10 分钟就找到了答案；
- 写周报的时候还是需要把数据都导出用 Excel 处理后才敢拿出手
这些问题的出现往往是因为对于数据分析体系的设计还不够好，如果将数据分析体系也看作一个"产品”，那么其同样有价值定位，也需要：分析、规划、迭代。
数据分析体系的价值
数据分析体系的价值从产品生命周期来看主要用于支撑经营规划和过程管理，帮助公司发现事务背后的本质。
经营规划：选择正确的事
过程管理：把事情做正确
支撑经营规划
当一个公司的业务基础扎实之后，必然希望不断扩张规模和丰富度，而根据飞轮效应理论，常见的扩张方式均是基于公司目前的优势去衍生。如何了解公司的优势和机会？如何推断和合理设想扩展的方式？这些问题都要从数据中寻找答案。
主动分析
数据分析体系能够从公允的指标角度，结合市场数据，客观地帮助公司判断目前的优势和问题在哪些方面。
例如：
- 产品在证券开户人群上具有规模优势，适合继续开展衍生业务，关 注用户进行证券交易的业务机会；
- 用户经常在 App 中搜索基金相关关键词，但是产品目前仅有证券业务，尚未开展基金承销业务；
- 部分机构用户在完成交易之后，通常还会进行套利操作，是否设计快捷下单链接，提高交易效率；
- 线下开户团队的人员成本连续 3 个季度低于线上电销团队，需要判断是否调整策略或进行优化
在主动分析中展示出来的优势和问题，是验证公司或业务是否可行，是否符合预期的标准。比如说在撰写这本产品入门手册的时候，如果日均涨粉 1 人，或者用户的付费意愿很低，一个月只有 2 个人付费，那么大概率上这个业务是存在问题的，需要从过程中去寻找导致这些问题发生的原因。
被动分析
数据分析体系能够解答由业务方提出的设想是否可行、是否符合司情。例如：
- 瑞星星咖啡希望通过定价调整，在下个季度提高 10% 的咖啡销售额。经分析，将咖啡单价调整到 9.9 元，每周发放 1 张低价优惠券的形式最具可行性，甚至能通过销量带动更多利润。
- 瑞星星老板希望加大线上支付订单的占比，以减少线下门店员工指导客户下单的工作量，提高出单效率。经分析，在线上优化小程序和 App，线下展示小程序下单优惠的立牌，通过引导客户进行扫码下单能有效提高效率。
被动分析的目的是验证业务方提出的设想是否可行，是否符合司情。
支撑过程管理
制定好规划以及确定落地方案后，接下来便是执行。一般来说，企业业务的开展都会制定明确的目标，具体到周度、月度、季度和年度，并一层层拆解到员工的日常工作当中。
公司管理是反规模效应的，规模越大，目标越细碎、复杂、越难协同。优秀的数据分析体系可以更好的帮助各级管理层盯紧业务进度，识别业务风险。比方说基层团队A首月的销售额落后了 15%，根据分析，是竞品的推出挤占了市场份额，且产品在未来 2 个月内很难达到季度目标。那么基层团队B能否提高销售额，来弥补A团队的销售额亏空？如果不行，还有什么其他的方法？
针对执行的过程管理，一般会有进度和效率两个维度进行支撑分析。
进度分析
通过合理的分层报表体系能够了解公司的整体进展、某些重点业务的进展是否顺利。是否出现有严重影响的进度风险，若有，则需要立即决策如何追加或调整资源分配，把企业的整体步伐调一致。如上面提到的基层团队销售额落后的问题。
效率分析
这一部分关注业务各个环节效率异动是否合理，比如：
- 昨日的整体商品订单规模出现了 30% 的下滑，经分析是因为昨日 iPhone 的支付功能出现了问题，导致 iPhone App 支付成功率整体从 95% 下降至 25%，对大盘造成了显著影响；
- 3C 部门最近的退货率骤增，经过分析与调研，主要原因是有极个别的黄牛用户上周批量囤了过多的 X 品牌手机导致数据异常，已经协同封控团队对此类用户和行为进行了识别和屏蔽；
- 最近 3 天北京的打车订单规模和接单率比往年同期下降了许多，经过内部分析和竞品数据分析，发现北京市场整体的订单都在下降，进一步调研发现最近北京出现了罕见的暴雨天气，企业、学校出现大面积停工停产，因此整体出行需求发生了下降；
- 上月增加的抖音投放渠道经过一个月的运行，新客 7 日 ROI 高于目前占比 50% 的微信投放渠道，值得继续扩大抖音投入，提升整体的获客 ROI。
之前在社群我分享过一个入门的数据分析教学，B站链接如下：
这套课程在后半部分会讲到归因分析，使用的就是效率分析的方法。在进行数据分析之前，还需要搭建好一套合理的数据分析体系。
搭建方法
当我们了解了数据分析体系的价值后，便可以有针对性的进行规划和搭建，以实现这些价值。
业务分析
首先要像产品经理设计产品那样去拆解产品，将产品的核心流程、模块、功能、页面都了解清楚，进行共性的抽象、归纳。如果公司的业务不完全依托于产品，那就需要把业务同样吃透。这个阶段的重点是用分析师的头脑还原业务与产品，分析什么是会持续变化的，什么是稳定不变的。
如果是刚入职的小伙伴，可以多找一些业务、产品、运营的伙伴调研，了解他们日常工作中的 Excel 表都长什么样，为什么长这样。这有助于理解你所要分析的目标。
体系规划
体系规划是数据分析体系搭建中最核心的环节。一个好的规划就像给建筑打地基。地基打得好，楼房才能住的安全。数据体系规划得好，能够避免后期反复修改，甚至能避免因业务变化对数据体系进行重构的问题。在做规划时要遵从几个基本原则：
- 关注长期需求，避免就事论事；
- 合理分层、分维度，避免大杂烩；
- 逻辑清晰，循序渐进；
- 表达清晰，口径统一，图表运用合理。
关注长期，面向对象
当业务方抛过来一个数据需求，你会怎么做？最简单的方法就是实现它，不问原因。但是业务方的需求通常代表着当下的急迫诉求，并不能体现诉求背后的矛盾。还记得在 什么是产品思维？中提到的一段话吗？
产品经理需要找到需求背后的人和问题，甄别、洞察之后，再去考虑找解决方案。
同样的，数据分析师也需要发现需求背后的问题，为长期价值做计划，关注变与不变。什么是变和不变呢？比如：
- 市场部：分析抖音投放效果是 “变”，比对不同投放渠道的效果是“不变”；
- 采购部：分析咖啡豆购买人群是 “变”，分析商品的消费用户画像是 “不变”；
- 人事部：分析电销团队的绩效变化是 “变”，分析公司不同岗位间的成本和收益是 “不变”；
- 产品部：分析磨豆器下单页转化率下降是 “变”，分析流量转化效率是 “不变”。
笼统来说，变化的是当下的需求，关注的是短期价值；不变的是体系架构，关注的是长期价值。
如上图所示，对象是不变，实例是变。抖音投放效果分析是实例，投放渠道分析是对象；分析咖啡豆购买人群是实例，分析商品消费用户画像是对象，类似集合和子集。 不变的数据对象能够做到可持续、可复制、可挖掘。试想一下，当你将公司（不仅是业务）的对象都梳理清楚后，无论需求方是谁，他们提出的实例必然包含在对象当中，这有利于避免重复劳动，降低没人使用的报表。
分层定责，分维归因
不同层级的员工关注的数据颗粒度不尽相同，老板和管理层更多地看公司和地区的销售业绩，基层员工需要看推广和运营计划带来的销售数据变化。这些数据颗粒度不同、作用不同，即便是针对同一个对象，也要做好层次布局。
在比较成熟的公司，对数据安全也有比较严格的要求。在券商的数金部门，数分的权限仍需要通过申请开通，甚至区分了不同版本、不同环境（测试、仿真、正式环境）等。在一些在线文档 toB 业务中，对于数据和报表的查看权限划分，也是产品的核心竞争力之一。
另一个角度是分维归因，也即归因分析。不断切换维度寻找数据优劣，从数据分析体系中查找数据或优或劣的原因所在，这有助于我们去把握数据分析的整个流程，同时也能判断数据分析的结构是否科学合理。维度是否合理，直接影响着归因效率。 若发现数据出现异常，结果从报表和看板中怎么也找不到问题，那么有可能在维度制定层面就出现了问题。
举个例子，就获客来源维度来说，可以分为自然新客、付费新客、老客带新等。这个维度几乎会被运用到所有报表当中。如果昨天上海咖啡销售额下降了。从获客来源维度上看，是付费新客的销售额下跌比较严重，那就可以和市场投放的同学开始复盘原因，看是不是引流手段出现了问题，导致这批新客都来薅羊毛，而不买咖啡。
举例一些常见的维度：
逻辑清晰，循序渐进
利用我们的 产品设计必备的五张图 中的 “核心体验路径” 思维来规划报表逻辑结构。例如将与用户获取有关的数据统一到用户增长报表组，将与商品销售结构有关的归入商品销售情况报表组等。
以常见的电商产品举例：
步骤一：根据梳理核心体验路径规划报表分组
比如：获客 — 导购 — 决策 — 购买 — 售后 — 复购，这是用户核心体验路径之一，在报表中的体现如下：
步骤二：按对象拆解，析不同的部门角色和应用场景：
步骤三：规划维度。
如上一部分阐述，常见的维度都要支持，然后分析每个对象是否有一些特殊的、不可复用的维度
报表分析的无非是 3 件事：#、%、￥
#，代表规模，往往是一些绝对值，比如拉新量、订单量、上新量；
%，代表效率，往往是百分比 or 比值，比如下单转化率、支付率、退款率；
￥，代表经济收益，比如拉新单价、退款损耗等。
表达清晰，口径统一
数据分析体系最大的天敌是口径不清晰。 如：销售额。
在以前我不会考虑口径的问题。就销售额这一数据来说，不就是销售数量吗？我卖出了多少商品，我的销售额就是多少。但是细节远比我想的要多，比如以下一些问题：
- 是指支付口径的销售额吗？还是下单口径? 还是完单口径？
- 按定价算，还是按用户实际支付的价格算？
- 已经退款的订单是否要扣除？
- 所有订单类型都要包含？内部员工下单要排除吗？
看吧，做好数据分析的体系规划并非那么简单，相反，这是一件具有挑战性的事情。如果在初 始规划期没有统一好口径，在后期就是灾难。
但统一口径其实是一件比较容易的事情。建立一个wiki、一个在线文档，将报表中出现过的字段都进行解释、举例，甚至将统计公式、代码标注在旁，可以大幅度避免歧义，也可以帮助新人很快融入。
PS：一个口径不统一的严重事故：
1998 年，美国航空航天局发射的 “火星气候轨道器” (MCO)在抵达火星时由于工作人员搞错了英制和公制单位，导致飞船坠入火星大气层解体。数年的努力功亏一篑。
迭代填充
完成数据分析体系规划，也即地基的搭建之后。接下来就是开始装修房子里的一间间房屋了。运用 “对象 — 实例” 的方式，将一个个实例放进去，最终搭建起完整的数据分析体系。
在结束之前，带上本节内容来回顾下文章开头的问题：
1、每次提数据需求，数分都告诉我要排期，可能 2~3 周后才能看到报表；
这种情况意味着过去面向对象的数据体系不够好，在有对象的前提下，填充实例的速度应该越来越快，而不是每次都要重新进行开发。
2、之前上线的看板现在不怎么去看了；
可能是绝大多数产品经理会遇到的坑。这种情况的发生很可能是看板过于面向实例，关注某个短期问题。一旦短期问题被解决或者搁置，则很难会在被复用，或者已经被新的更好的报表所替代。
3、昨天销售数据骤降，但是现在的报表无法帮你找到问题，需要紧急取数找原因；
维度规划不佳。复盘一下是否在分维归因的环节欠缺了细节，还有哪些维度是没有考虑到的。
4、数分建议你去学 SQL；
3、2、1，上链接！
SOL 教程: https://www.w3school.com.cn/sql/index.asp
5、分析了两天最后发现数据取错了，口径不一致导致结果没有参考意义；
口径的定义流程不严谨。在上文已经提及，不赘述。
6、找了一周没有找到问题，领导看了 10 分钟就找到了答案；
归因经验不足，加强实践，没事给自己提一提问题、分析分析。