详解数据分析体系构成框架

hzbooks

于 2021-12-28 08:00:00 发布

阅读量661

点赞数

文章标签：大数据编程语言人工智能机器学习 java

原文链接：https://mp.weixin.qq.com/s?__biz=Mzg5MDU5NTM1NQ==&mid=2247532694&idx=2&sn=a24ec88007797e5fe44dea259d1e21e2&chksm=cfd831e2f8afb8f4d77fb08cbbc6a28af02f16fefe4289be8ef4809542db31d776b18e5e0b74&scene=126&&sessionid=0

版权

导读：数据对于产品的发展起着决定性的指导作用，那么公司在运营的过程中具体需要一个什么样的数据来支撑服务呢？

作者：刘天

来源：大数据DT（ID：hzdashuju）

01 为什么需要数据分析体系

在很多不成熟的公司中，虽然也有使用数据去验证产品的思路，但是他们在实际工作中往往是这样取用数据的：

产品部同事找到数据分析师，问他昨天刚上线的版本用户点击率是多少。
运营部同事找到数据分析师，问他前两天上线的拉新活动是否带来了用户量的增加。
领导找到数据分析师，问他这两天的订单量是否有所增长，上月交易额环比增长是多少。

可见，各个岗位都会有自己的数据需求，所以数据分析师只能逐个地进行数据计算。由于人力资源有限，数据分析师往往无法及时反馈所有的数据需求，这将会导致一些运营活动或产品规划错过最佳的时机。例如，在“双11”前夕想要准备“双11”促销活动，却迟迟拿不到过往的运营活动数据。

正是基于这样或那样的原因，很多企业演化出了一类数据产品——数据仪表盘，如图3-1所示。

▲图3-1 数据仪表盘

数据仪表盘就是将各个数据需求方常关注的数据汇总在一张报表中，这样大家可以在这里统一看到整个产品的用户数、交易数等的变化，能在一定程度上满足大家对数据的需求。

但是随之而来的新问题如下。

产品部的同事抱怨：虽然看到昨天新上的版本中用户转化率下跌了，但是根本看不出来原因是什么，说不定是运营部的活动导致的。
运营部的同事抱怨：我虽然看到了拉新数，但我有三个用户拉新渠道，到底哪个拉新渠道的拉新能力最强，带来的用户质量最高呢？

面对这样的进阶需求，就需要一套完整的数据分析体系来做支撑，进而来帮助我们掌握数据变化情况并快速定位变化背后的原因。

02 数据分析体系概念的常见误区

一提到数据分析体系，常见的一个认知误区就是将数据分析体系等同于单一的某一个数据分析产品，如活动运营监控平台、用户画像平台等。

其实这里最大的错误就是将一个体系割裂开来，只看到了承载数据的产品而没有重点关注使用者的使用方法，就好像认为数据分析一定要有一把“利刃”，但是却不去关心舞剑者的功力一样。

最早提出这一认知的是钱学森先生，他在系统工程学中提出了软系统概念：

任意一个体系要想发挥正确价值，必须通过产品与使用者这两部分共同协作，这两者合二为一称为软系统。

所以数据分析体系的正确定义应该是：

数据分析体系通常由数据使用者的分析模型和数据分析平台这两部分构成。

这也告诉我们在数据分析学习与搭建数据分析体系的过程中，掌握使用数据的方法，方能以正确的方法去解读数据。但在部分公司的运营过程中，往往忽视了这一点，导致搭建出的完整数据分析平台无人使用。

确切地说，是大家没有以正确的思维或方式去使用，还是以老式的思维使用新的系统，并没有在思维与认知上进行升级，从而无法发挥其应有的价值。这就好比我们给数据使用者一辆汽车，但他们还是在寻找缰绳以期驾驶汽车。

这时数据产品经理就应该化身企业内部的数据分析咨询师，帮助他们看懂数据背后所反应的价值。所以数据产品经理在一家公司中应该有如图3-2所示的双重身份。

▲图3-2 数据产品经理的双重身份

03 数据分析体系构成框架

搞清楚了数据分析体系的定义，接下来就是了解如何才能搭建一个完整的数据分析体系。

笔者曾看到部分数据产品经理候选人的简历中经常会写到自己精通数据分析框架的搭建。而当面试中被问到他们的数据分析体系究竟要怎么落地时，他们给出的回答却是针对DAU（Daily Active User，日活跃用户数量）、留存率等进行管理，但是数据分析体系中的平台建设，就仅仅是对这几个指标的管理吗？那么请问，当遇到了以下场景时，这几个指标要怎么解决我们的问题呢？

场景1：某天某电商出现了GMV（成交总额）下降，此时应该根据哪一个指标解决问题？
场景2：某公司拥有3条产品线，A产品线中又细分为商品运营、活动运营等，3条产品线的若干运营团队都看同一套指标体系吗？

坦白地说，单看孤零零的某个或者某些指标是无法解决问题的，此时就需要依靠数据分析框架来解决问题了。

由前面的数据分析体系可知，数据分析体系落地涉及两个维度。下面让我们通过这两个维度来看看数据分析体系在工作场景中是如何落地的。

维度1：通用数据分析模型

以下是实现通用数据分析模型的方法。

设置目标：确定当下业务中你的目标及完成现状。
问题假说：穷举现状是由哪些问题导致的。
数据证明：通过数据来证明该问题会导致怎样的结果。
数据分析：分析该问题的成因并形成解决方案。

维度2：数据分析平台

在数据分析体系中，数据分析平台的构成包含三大核心要素，分别是北极星指标、数据建模和事件分析。

数据分析平台定义中各要素的具体解析如下所示。

北极星指标：每个阶段针对具体业务领域确立的商业/业务目标
数据建模（又称指标体系）：DAU、GMV、留存率、订单量等
事件分析：漏斗模型、海盗模型、杜邦分析等

注意：北极星指标（North Star Metric）又叫作OMTM（One metric that matters），它是第一重要指标，为产品现阶段最为关键的指标。之所以叫北极星指标，是因为就像北极星一样，该指标可以指引全公司所有人员向着同一个方向迈进，是全公司统一的指标。

数据分析体系其实就是通过一系列的方法量化特定的业务，因为我们如果无法量化一个事物，那么本质上就无法衡量它的好坏，也就无法定位业务发展中的症结所在。因此好的数据分析框架就是在告诉我们：当下的整体业务是什么样？为什么会这样？应该怎么办？

回顾前面面试者所说的那几个指标，我们可以发现其根本无法清晰地反映业务上的这三个问题。

当然，这里只介绍了数据分析体系的宏观框架，还未涉及具体的数据分析体系搭建过程，在数据分析实战中还会涉及相应的方法论。

关于作者：刘天，东华大学项目管理硕士，日本京都大学访问学者，曾为国家科研项目带头人，TMT领域投研顾问/MBA特约讲师/互联网峰会特邀演讲嘉宾，先后就职于万达、叮咚买菜等公司，负责过多个集团级中台与电商平台业务的产品整体规划，在商业模式拆解与集团级产品体系搭建方面拥有极其丰富的经验。著有《中台产品经理宝典》一书。

本文摘编自《高阶产品经理必修课：企业战略驱动下的数据体系搭建》，经出版方授权发布。（ISBN：9787111694502）