数据分析的价值

作者从12年开始接触数据分析，到现在差不多八年了，这八年也一直负责公司大数据与AI相关业务。早期也亲身参与了数据分析业务的需求开发，虽然这几年没有亲自参与一线数据开发工作，但是一直在跟团队伙伴一起参与数据分析需求的讨论、落地。我自己和团队在做数据分析过程中也走了很多弯路，对数据分析业务有一定的感悟，特别是数据怎么产生价值。

目前很多互联网公司都有数据分析岗位，但是真正让数据分析产生业务价值的公司少之又少。因此，本文结合作者自己多年数据分析的经验和理解，来谈谈数据分析的价值，希望给从事数据分析工作或者对数据分析感兴趣的读者提供一个思考数据分析价值的框架，更好地帮助大家利用好数据分析这个强有力的工具，最终让数据分析产生业务价值，利用数据来驱动业务发展。

一、数据分析为什么如此重要

对于toC类产品，由于覆盖的用户范围广、用户基数大，用户千差万别，背景各异。我们又很难对用户进行透彻的了解(问卷调查也只能覆盖一部分用户，并且问卷调查得出的结论可能不一定真实反映整体用户情况)，因此产品怎么更好地服务于用户、真正对用户产生价值是每个提供toC产品与服务的公司非常头痛的问题。幸好，数据分析为我们了解用户打开了一扇窗，用户在产品上的操作行为为我们了解用户提供了“蛛丝马迹”，用户的操作行为也是用户最真实意图的反馈，通过分析用户行为，我们可以对用户进行更加细致的了解，最终指导我们更好地迭代产品为用户提供更好的服务体验，通过用户行为分析获得的认知，也可以指导我们更好地运营内容及用户。通过更好地服务用户，借助合适的变现手段，最终产生商业价值。

深刻地理解和认识数据分析的价值，可以更好地帮助我们发展业务。而数据分析的价值，可以从多个维度来理解，下面我们在第二、第三小节分别从数据分析本身及业务维度来讲解数据分析的价值。

二、从数据分析本身的维度来思考数据分析的价值

所谓数据分析，就是利用一些数据分析工具、手段、方法或者思维，从海量和异构的数据中发现规律，从而揭示出数据背后的真相，为我们提供决策的依据，指导业务发展。从数据分析本身的方法和形式来看，数据分析的价值体现在如下6个层面。

1. 展示

通过将一些重要的日常关键指标，比如每日新增用户数、DAU(Daily Active User)、会员用户活跃度、会员购买率等，通过数据可视化的方式展现出来，可以让公司老板或者业务负责人对整体核心数据有一个整体的了解，能够把握大的趋势。这类数据分析的产出一般通过数据报表、DashBoard等方式呈现出来。阿里双十一大屏实时展示总成交量(GMV)就属于这类价值产出形式(见下图)。

不同公司由于业务属性不一样，需要展示的数据指标也会差别较大，甚至同一公司在不同发展阶段，需要了解的数据也都不一样。对于初创公司，可能会比较关注新增、日活、渠道发展与留存等，对于成熟阶段的公司，可能会更多关注商业变现相关的指标，如会员发展、会员留存、客单价、广告库存等。

不管怎样，对于处在某个发展阶段的某个公司，作为数据分析师和数据产品经理，一定要提炼出最具价值的核心指标供公司管理层用于决策(很多核心指标就直接来源于管理层的需要)，并且具备从不同维度来分解展示数据指标的能力(数据下钻)。核心指标展示也会为下面其他维度的数据价值体现提供线索和依据。

2. 解释

通过数据分析，我们可以对产品或者用户行为中的一些现象或者数据变化进行解释，让我们知道现象发生或者数据波动的原因。比如某个版本发布后发现APP打开的crash率提升了，通过数据分析不同硬件设备的crash率，发现在某个型号的硬件设备上crash率非常高，比之前版本高很多，那么可能就是这款设备上的兼容性测试存在问题，导致APP更容易crash。

数据分析的解释价值，更多是比较简单的情况导致的问题或者异常，也就是原因是单方面的，这种问题往往容易发现，通过简单数据分析就可以搞定，而下面的归因分析可能就是更加复杂的情况了。

3. 归因

归因不像上面的解释，可能引起的原因是多方面的，复杂的，归因分析需要找到引起问题的主要原因，通过解决主要矛盾来避免问题恶化或者提升数据指标，比如找出用户流失率高的原因。这些分析原因的过程及总结可以沉淀为对产品和用户的深刻洞察。

不管是解释还是归因，都需要进行多维度的分析比较，将核心指标层层拆解，从中发现问题的蛛丝马迹。并且需要丰富的业务知识和数据分析技巧，才能从纷繁无渣的现象中发现问题的本质。

4. 预测

预测是对产品未来趋势的判断，有了精准的判断可以指导经营活动。比如，如果我们可以相对精准地预测广告库存，就可以指导我们更好地进行广告的销售与投放。预测DAU、销量、订单量等等都是常用的形式。

不同行业也会对需要预测的指标不一样，电商行业可能对每日订单量、GMV等数据比较关注，视频行业对每日播放量会比较关注(播放量的多少直接决定了有多少广告贴片CPM)。有些需要实时动态预测，比如滴滴会预测在将来某个时刻的客户订单量，有些可能只做T+1预测就可以了，比如视频行业的贴片广告库存量，一般不需要实时预测。

数据指标的预测需要构建数学模型(比如时间序列模型)，我们通过历史数据和提取的重要特征来构建模型，具体选择什么维度作为特征，需要行业经验及对相关预测问题有深刻的理解，因此对数据分析师有一定的要求，不只是简单的数据分析，需要懂机器学习或者熟悉业务特征。

5. 预防

预防是有针对性的防御措施，是提前思考产品迭代或者运营推广可能会产生的(负面)影响，针对每类影响确定可能带来的后果及可行的应对策略。比如产品在首次开启广告商业化尝试时，预估到广告可能会对用户体验的伤害，我们需要从多个维度定义一些统计数据和指标，对广告投放前后的指标进行比较分析，有针对性地提供一些在出现不利某些情况下(比如用户留存率下降、投诉增多等)的应对方案。再比如，通过预测双十一可能产生的流量高峰，事先对服务器进行扩容，避免大流量冲击对业务造成影响。

预防是一种事前防御策略，数据分析在其中的作用可以是对将要发生的事件的预判(如上面的预测双十一的流量高峰)，也可以对数据指标的监控，根据指标的变化实时对业务进行动态调整。

6. 决策

决策是数据分析的终极价值体现形式，是通过各种维度数据对比、交叉分析、趋势分析，形成产品迭代、运营的最终解决方案，期望通过该方案的落地执行，提升产品的用户体验与创造商业价值。所有数据分析的最终目的是指导运营与决策。

比如，通过数据分析发现某个页面用户体验很差，进而提出优化该页面的方案，这就是一种决策过程。又例如，通过渠道分析，对比各个渠道新用户的留存，再结合各个渠道的推广费用，挖掘出优质的、性价比高的渠道，从而加大在该渠道上的推广。这些都是利用数据分析进行决策的例子。

数据分析与挖掘主要的价值体现是上面的6大类，其中(1)、(2)、(3)是对数据的事后探索分析，即对已经发生的事件进行分析、形成结论，(4)、(5)、(6)是事先的决策，在事件发生之前，形成应对方案、解决方案，提前规划。后面的预测、预防、决策也依赖于前面(1)、(2)、(3)的各种探索与分析。

数据分析的价值要想很好体现出来，需要利用探索分析最终形成指导产品迭代优化与运营的最终决策方案。可以说事先决策是比事后探索分析更高级更有难度的价值体现形式，作为数据分析师一定要有从事后探索分析进化到事先决策的意识，这样才能有更大的成长，也更能发挥数据分析的价值。

三、从业务价值维度来思考数据分析的价值

任何公司经营的最重要的目标是获取商业价值，而商业价值的获得依赖于用户，特别是对提供toC类产品的公司。如果营收是会员变现，那么收益直接来源于用户(比如爱奇艺的视频会员)。即使是广告，看起来收益是来源于广告主(广告主通过直接或者借助于第三方广告代理商支付广告费在你的平台上投放广告)，实际上广告主之所以愿意在你这个平台投放广告，看上的是你的用户，投放广告的价值就是通过广告被用户观看、点击、购买等形式体现出来的(广告主的目标要么是让用户记住品牌，要么是让用户直接购买某中产品或者服务)，这么说来，广告变现的价值也是完全依赖于用户。对于游戏或者增值业务，收益也是直接来源于用户。可以毫不夸张地说，互联网toC产品一切经营收益直接或者间接来源于用户。

简单来说，toC互联网产品的总收益等于活跃用户数 ✖️转化率 ✖️客单价(真实的收益计算比这个复杂得多，这个公式只是一个最初略的简化模型)，因此，是否有海量的活跃用户是公司能否获得较大商业利润的前提。

而想要从用户身上挣钱，你首先必须为用户提供某种服务，该服务能够满足用户的某种需求(电商产品满足用户购物的需求，视频类产品满足用户娱乐休闲的需求)。只有服务好用户，用户才会舍得为你的产品或者服务买单，服务好用户是前提，变现是服务好用户后的副产品，这个逻辑关系不能颠倒，这一定是公司经营发展的最基本的哲学，所有违反这一逻辑的经营都将无法长久生存。

因此，良好的公司经营就一定要提升用户体验，为用户创造价值，通过发展用户、提升活跃用户规模、提升客单价，通过广告、会员等各种商业化形式来获得商业利润。

那么，基于业务价值维度来考虑，数据分析就应该从上面提到的几点来着手，通过挖掘数据的价值，服务好用户，最终为公司运营获得更多的商业利润。具体来说，数据分析的商业价值主要体现在如下3个维度。

1. 用户发展

toC类产品就是靠规模效应来实现业务增长及变现的，因此发展用户是首要的，特别是对于初创公司，发展用户更是重中之重，否则公司就无法生存下去(里德霍夫曼在《闪电式扩张》这本书中强调了快速发展用户的重要性)。所谓用户发展，就是产品怎么吸引更多的用户使用产品，让用户在产品上停留更长时间，让用户活跃起来。这时我们需要关注用户增长、留存、活跃等常用关键指标以及流失率等反指标，不光是展示这些指标，更应该对这些指标进行拆解分析，从中发现问题，找到突破口，最终通过产品迭代或者运营手段提升这些指标。toC产品是建立在规模用户之上的一种生意，只有有效地发展用户，并让用户留下来，产品才能最终产生商业价值。数据分析可以为用户发展提供数据层面的指导与决策。

2. 用户体验

要想让用户爱上你的产品，经常使用你的产品，产品必须为用户提供满足用户某种需求的价值。对于视频行业来说，用户能够看到喜欢的视频就是平台给用户提供的价值。而要让用户更好地看视频，产品必须提供足够多的、好的、热门的新视频，产品必须做好用户体验，让用户可以快速启动你的产品，保持各种操作相对流畅，也需要让用户可以方便获取内容(搜索得到、编辑人工推荐、内容编排、推荐算法主动推荐等)，并尽量减少对用户的打扰。其他类型的产品，都有类似的用户体验诉求。

用户体验决定了用户是否会使用你的产品，使用多长时间，并且是否会最终留存下来。所有用户体验相关的指标(如人均播放时长、人均浏览次数、搜索转化率、跳出率、crash率、播放成功率、缓冲次数和缓冲时长等)都可以利用数据来量化，通过不断优化产品交互来提升用户体验指标。同时通过进行用户运营、活动运营、内容运营等运营手段来更多地跟用户互动，让用户更有参与感，让用户跟平台的互动更有趣味性，更易于获取有价值的内容与服务，最终提升用户体验，让用户留下来。

3. 商业变现

公司的目标是通过服务用户的同时，最终从用户身上挣取商业利润。因此，数据驱动最终的目标也是更好地帮公司做商业化。

拿视频行业来说，最主流的商业模式是会员与广告，对于会员我们需要关注会员数、客单价、会员活跃度、会员人均使用时长、会员留存等指标。对于广告，我们需要关注APP打开次数、视频播放量(视频行业主要是开屏广告、贴片广告，因此APP每日打开次数、每日播放视频总量决定了可以投放广告次数的上限)等是核心指标。对于其他行业，思考的逻辑也类似。

对于上面提到的核心指标，我们需要形成数据报表，进行监控，时刻关注指标的变动，通过分析拆解指标，发现问题，寻找原因，甚至是找到提升这些指标的突破口。通过数据分析、挖掘、构建用户画像，进行精准的用户运营也是一种非常有效的提升变现能力的手段，同时，多维度的数据分析也可以更好地帮助业务方进行广告、会员的日常运营决策。

总结

对数据分析从业者来说，除了有很好的数据分析专业素养，是否有业务高度，是否能够将数据分析跟公司的业务结合起来，特别是跟商业价值结合起来，通过数据分析来驱动业务发展，是核心所在。一个好的、对公司有价值的数据分析师，一定是一个商业分析师，他时刻会将提升用户体验、通过数据驱动公司业务发展、通过数据为公司产生商业价值作为衡量数据分析价值的最终标准。

对领导或者公司管理层来说，不能只靠拍脑袋来做决策，除非你觉得自己像乔布斯一样牛，能够洞察需求的本质，甚至创造用户需求，否则需要形成利用数据做决策的思维意识，至少要利用数据去支撑你的观点。要善用一切数据来获得对用户和产品的洞察，最终用数据说话，否则数据分析岗位形同虚设，数据分析也将流于形式。

随着大数据技术的发展与成熟，大数据行业应用的不断深入。用户行为甚至是跨域、多维度的数据分析越来越受到重视，有数据驱动意识、能够很好地从数据中发现规律并充分利用这些规律的公司才能够在激烈的市场竞争中更好地生存下来，是否能够利用数据来驱动业务发展已经成为公司的核心竞争力。

相关文章：数据分析的价值 - 知乎

数据分析的价值是什么？

数据挖掘与数据分析的主要区别是什么？ - 知乎