数据分析师之所需要了解的产品系列知识（十一）——数据型（数据知情）公司的构建

阅读之前看这里👉：博主是正在学习数据分析的一员，博客记录的是在学习过程中一些总结，也希望和大家一起进步，在记录之时，未免存在很多疏漏和不全，如有问题，还请私聊博主指正。
博客地址：天阑之蓝的博客，学习过程中不免有困难和迷茫，希望大家都能在这学习的过程中肯定自己，超越自己，最终创造自己。

博主之前关于产品和数据的的文章：：

数据分析师之所需要了解的产品系列知识（一）——产品的演化周期
数据分析师之所需要了解的产品系列知识（二）——如何测试产品健康
数据分析师之所需要了解的产品系列知识（三）——定义产品成功：指标和目标
数据分析师之所需要了解的产品系列知识（四）——如何提高用户留存率
数据分析师之所需要了解的产品系列知识（五）——如何保持产品的可持续增长
数据分析师之所需要了解的产品系列知识（六）——如何打造成功的产品框架
数据分析师之所需要了解的产品系列知识（七）——如何对产品指标变化分析
数据分析师之所需要了解的产品系列知识（八）——利用数据构建消费产品
数据分析师之所需要了解的产品系列知识（九）——参与驱动黏性，留存驱动增长
数据分析师之所需要了解的产品系列知识（十）——如何驱动参与（7）：双边市场与参与

在过去的十年中，互联网普及率提高，连接设备数量增加以及便宜和可访问性更高的存储的结合，导致用户交互数据量激增。这可以帮助公司从数据爆炸中发掘可行的机遇。因此，产品分析作为一种功能开始出现，产生了更多的A / B测试和试验的良性循环，从而导致更快的产品迭代，开发版本加速，带来了复合产品的增长。渐渐地，一家公司的产品竞争力和创新力，取决于它是否能够利用产品数据分析来挖掘发展机会。换句话说，未来属于数据知情的公司。

今天的文章，为大家介绍科学的产品数据分析的过程、数据型公司的文化特征，以及它们通常会遇到的陷阱

一、充分发挥产品分析的潜力

在数据爆炸之前，产品主要是使用直觉构建的。直觉可以基于数据，但不一定以结构形式为基础。直觉来自于下意识地处理所有可用的定量和定性数据。由于数据仅限于你所看到的内容和所学的知识，并且未遵循完全科学的数据科学方法，因此通常存在偏差，并可能导致错误的决策制定并带来重大风险。

这并不意味着直觉在产品开发中没有地位。在不存在数据的产品开发的早期阶段，它仍然非常有价值。在此阶段，产品开发的许多方法在很大程度上取决于设计和工程，而较少取决于数据科学。十年前也是如此，当时对于更高级的产品，捕获和分析的数据要少得多。结果，大多数早期产品都是设计和直觉驱动的。

随着数据的爆炸式增长，公司开始寻找有效利用数据来推动影响和价值的方法。产品数据分析学成为一种功能，数据科学、数据工程和数据基础设施，成为产品组织中的关键。

早期的数据工作都是关于计数。（例如我们有多少用户？我们的收入是多少？）数据背后确实没有科学依据。

产品数据分析的第二个阶段是通过构建仪表板和可视化来自动进行计数。此阶段的大部分时间都与记录正确的数据，确保其高质量和正确定义有关，并创建正确的管道和工具以可伸缩的方式自动执行所有这些任务。这是数据基础结构和数据工程功能的本质。

数据分析发展的下一阶段是确保交付正确的产品和功能。这是数据科学的到来—将科学方法应用于产品开发。实验是这种进化的很大一部分，其原因有两个：增量的力量和直觉的失败。首先，尽管我们倾向于寻求大的胜利，但成功往往是把许多小事做好。随着时间的流逝，增量和复合的力量最终将推动大多数产品的成功。其次，我们的直觉非常容易出错，在许多情况下，这并不比随机选择好。为了使了解数据的公司不断取得进步，必须建立“从测试中学习”的文化。

最后，数据分析不仅对计数，建立仪表板和交付产品，还在于定义目标，路线图和策略。可以说，这是分析团队提供的最大价值。Facebook和Instagram就是很好的例子：如果没有分析团队的战略洞察力，Facebook Live、Instagram新闻推荐排名等，就不可能存在。

二、建立数据型公司的七个核心要素

所有公司都有自己的使命。数据型公司制定可量化的标准和目标，以支持他们完成使命。他们强大的数据型公司文化表现出以下特征：狂热地关注数据的影响，以及建立一种衡量和寻求真理的文化。

1.定义影响

如果不了解或不定义产品的成功，就很难定义影响。设定正确的目标和度量标准有助于量化产品的成功。有了这一点，人们也可以客观地开始量化影响。

一流的数据型公司由统一指标规划和推动。统一的指标是一个单一的、可操作的、清晰的、概括了产品愿景的指标。它应该易于测量，并且与公司业务的核心驱动力有明确联系。如果没有统一的指标和相关的目标，企业很难真正成为数据型公司，也很难实现其最大潜力。

但是，仅具有统一的指标是不够的。如何使用也同样重要，它必须由高层领导部署，以确定并告知重要的目标和指标。有了这种清晰的说明，公司中的每个人都可以确定工作的优先级，从而提高工作效率并减少不必要的辩论。

这两点清晰后，公司中的每个人都能优先考虑要做的工作，从而提高生产力，减少不必要的争论。

如果没有测量影响的工具，人就会盲目前进，不会真正知道他们是否在朝着目标进步。

2.衡量影响

影响通常可以分为三类：

1. 改变指标：假设你的团队有每月活跃用户（MAU）目标。当团队确定增加MAU的创新方法并执行这些想法时，他们就是通过改变指标来造成影响。
2. 影响产品或业务变更：假设你的团队通过深入的探索性分析发现，在印度，用户更关注安卓上的短信通知，这将有助于提高MAU的数量，如果这样做，就是通过推动产品变化来造成影响。
3. 影响流程变化：假设你的团队确定了一种自动化或扩展的新方法，事半功倍。这通过影响流程更改而产生影响。

虽然这些衡量影响的标准并不非常全面，但确实是很好的参考。并且衡量指标的改变需要灵活的基础架构和实验文化。

3.创造灵活的基础架构

一个优秀的分析团队由具有定量思维的人员（分析师，数据科学家）组成，但还需要数据工程师（DE）和数据基础架构工程师（DI）。工程师构建可扩展的数据基础架构，确保速度、可靠性和可用性。好的基础架构是灵活的，并且可以适应未来的需求。仅针对短期需求优化基础架构的公司通常无法扩展规模。

大多数数据基础架构都涉及一定数量的数据采集（记录的产品事件，销售，外部数据源等），将数据转换为可用格式并将数据加载到支持报告、仪表板和临时分析的系统中。报表和仪表板中的可视化通常是企业的“报表卡”，应仔细观察。分析团队进行临时分析的目的通常是了解指标与期望值之间的任何偏差。

DI小组拥有底层的计算设备，而DE小组则负责在这些系统之间移动数据，并与分析人员一起进行重复分析的生产。

如果没有经过深思熟虑和结构良好的基础架构，最好的情况是，对业务的影响会延迟；而最坏的情况是，他们根本无法理解这些现象。

4.拥有实验文化

尽管直觉对于建筑产品具有不可估量的价值，但它并不能扩展。掌握数据的公司公司需要建立强大的“在测试中学习”的文化，将直觉转化为假设和实验。该测试和学习方法的基础是：每周的小改进带来的影响之和，要比偶尔的巨大进步带来的影响大得多。因为能带来巨大收益的想法不但更难识别，而且也不具备扩展性。因此，在所有一流的数据型公司中，能推动和影响公司发展的实验文化已经变得很普遍。

亚马逊和Facebook是很好的例子，说明了一种实验文化如何允许硬数据来指导产品决策。杰夫·贝佐斯（Jeff Bezos）和马克·扎克伯格（Mark Zuckerberg）的以下两项声明确立了制造产品实验的重要性。

“我们在亚马逊的成功取决于我们每年，每月，每周，每天进行多少次实验。” —杰夫·贝索斯（Jeff Bezos）

我最自豪的事情之一，也是我们成功的关键，就是这个测试框架…在任何给定的时间点，运行的不仅仅是一个版本的Facebook，而是大概一万个版本。—马克·扎克伯格

5.分析团队要有广阔的视野

要建立一个真正伟大的数据型公司，数据分析必须渗透在产品开发的每个阶段，并且需要嵌入到产品团队中。在开始时，分析团队应该帮助制定产品成功的相关指标，持续估算进展，并帮助识别业务的风险区域和增长区域。

此外，他们的数据驱动见解必须是对产品开发的持续投入。通常，核心产品团队包括工程，设计，产品管理，分析和用户体验研究。以下是产品团队在许多公司中通常的运作方式。

1. 工程人员编写代码；
2. 设计师使产品易于使用，外观精美；
3. 产品管理者负责企业愿景，战略和执行；
4. 分析师设定目标，创建产品路线图，并决定策略；
5. 用户体验研究有助于理解用户行为。

使用分析团队来解决最重要的问题并使其产生重要影响非常重要—确保它们可以帮助推动产品的目标路线图和策略。

6.制定严格的流程

迅速的产品发展、测试、迭代，离不开高效的流程路线图。比如，Facebook的发展团队就拥有一套为期10周的产品发展流程。整个过程分为三个阶段：了解、识别和执行。

在了解阶段，分析团队深入分析一系列现象（如广告主流失现象），主要的目的是创建路线图。聚焦于分析是为了找到能产生最大影响的问题与机遇。

从路线图、计划清单到具体任务，团队最终要进入的是执行阶段，这是最后一个阶段，也是耗时最长的阶段，为期十周。这个过程对快速迭代与优化都非常重要。值得注意的是，团队重点关注的是迅速推进，而不一定非要取得创新。

7.打造一流分析团队

产品分析正处于初期，并且仍在不断发展之中。即使是业内发展最好的一些公司，他们的数据科学和数据工程，都还处在不断的适应和发展中。分析领域的领头者寥寥无几，因为打造世界一流的分析团队比打造其他类型更加困难。

话虽如此，建立世界一流的组织是公司数十年来可持续发展的唯一途径。大多数公司失败的原因不会只是缺乏志向和愿景，通常他们失败的根本原因是执行力低下。要维系执行力，很重要的一点是打造世界一流的团队。

建立世界一流的组织时，首先要考虑三个关键方面：人、文化和进程。公司需要向雇佣的人才清晰阐述目标，把他们当成未来领导人培养，给他们赋能，并制定有责任的、值得信任的、自上而下的文化。永远把公司放在优先级的第一位，其次是业务、然后是团队，最后才是个人。

8.其它补充

即使拥有良好的基础设施，实验的文化和适当的流程，但如果领导层不完全接受建立数据知情的文化，那么很难充分利用分析的价值。

例如，在Facebook上，随着公司发展成为数据信息化公司，“代码胜过论”变成了“数据胜过论”。产品评审从白板用户流发展到争论问题陈述，并就定义成功的标准达成一致。“数据识别和设计处理”是产品改进和发展的方式。分析本身从计算数字到建立仪表板再到实验，再到设定产品的目标，路线图和策略。所有这些都是可能的，因此领导层完全将分析视为产品的核心。

在这种演变过程中，设计了一种科学的假设检验方法，并且一种用于设定目标，创建路线图和策略的科学方法也在不断发展。这种持续的改进是打造出色产品的核心，而支持这一点的数据文化势在必行。产品团队的成员需要知道如何有效地使用数据，为此，有必要对每个人进行有关构建数据知情产品的最佳实践的培训。

三、数据知情公司面临的常见陷阱

• 高层领导没有适当地接受数据灵通的文化。
  如果公司的高级领导层不相信或了解数据的力量，那么建立一个出色的数据型公司几乎是不可能的。
• 分析被误用于服务。
  分析需要与产品团队紧密地联系在一起，而不能作为一个咨询部门。分析团队的目标应与产品目标紧密结合，团队的成功和失败应与产品的成功和失败是一致的。最常见的错误有：在多个产品中配置分析员、分散了分析结果，把分析当作工程或产品管理的服务功能，并且没有让数据科学家参与到产品团队中。
• 分析团队的角色定义太狭窄。
  在最坏的情况下，分析将被视为数据抽取团队。相反，分析团队应在帮助定义目标，制定流程和制定产品策略方面发挥重要作用。
• 数据工程团队薄弱。
  扩展数据科学团队的最佳方法是拥有一支出色的数据工程团队。当数据科学家与数据工程师的比例过高时，数据科学家通常会花费太多时间来提取数据，而不是进行能够提供宝贵见解的分析。
• 缺少强大的工具团队。
  为了扩展分析组织，需要强大的工具。这包括数据清理工具，ETL工具，科学工具，分析工具和可视化工具。果无法具备、整合这些工具，分析团队很难取得重大进展，更不用说扩大规模了。

为了使公司在实现其使命方面取得切实和可重复的进步，整个组织必须发挥其全部潜力。专注于影响力并拥有数据知情的文化，对于充分利用分析团队的力量并打造出真正令人惊叹的产品至关重要。

—————————————————————————————————————————————————
博主码字不易，大家关注点个赞转发再走呗 ，您的三连是激发我创作的源动力^ - ^

参考：
红杉资本数据科学团队研究成果