提起數(shù)據(jù)分析，大家往往會聯(lián)想到一些密密麻麻的數(shù)字表格，或是高級的數(shù)據(jù)建模手法，再或是華麗的數(shù)據(jù)報表。其實，“ 分析 ”本身是每個人都具備的能力；比如根據(jù)股票的走勢決定購買還是拋出，依照每日的時間和以往經(jīng)驗選擇行車路線；購買機票、預訂酒店時，比對多家的價格后做出最終選擇。
這些小型決策，其實都是依照我們腦海中的數(shù)據(jù)點作出判斷，這就是簡單分析的過程。對于業(yè)務決策者而言，則需要掌握一套系統(tǒng)的、科學的、符合商業(yè)規(guī)律的數(shù)據(jù)分析知識。
無論是產(chǎn)品、市場、運營還是管理者，你必須反思：數(shù)據(jù)本質的價值，究竟在哪里？從這些數(shù)據(jù)中，你和你的團隊都可以學習到什么？
對于企業(yè)來講，數(shù)據(jù)分析的可以輔助企業(yè)優(yōu)化流程，降低成本，提高營業(yè)額，往往我們把這類數(shù)據(jù)分析定義為商業(yè)數(shù)據(jù)分析。商業(yè)數(shù)據(jù)分析的目標是利用大數(shù)據(jù)為所有職場人員做出迅捷、高質、高效的決策，提供可規(guī)?；慕鉀Q方案。商業(yè)數(shù)據(jù)分析的本質在于創(chuàng)造商業(yè)價值 ，驅動企業(yè)業(yè)務增長。
我們常常講的企業(yè)增長模式中，往往以某個業(yè)務平臺為核心。這其中，數(shù)據(jù)和數(shù)據(jù)分析，是不可或缺的環(huán)節(jié)。
通過企業(yè)或者平臺為目標用戶群提供產(chǎn)品或服務，而用戶在使用產(chǎn)品或服務過程中產(chǎn)生的交互、交易，都可以作為數(shù)據(jù)采集下來。根據(jù)這些數(shù)據(jù)洞察，通過分析的手段反推客戶的需求，創(chuàng)造更多符合需求的增值產(chǎn)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(yè)務閉環(huán)。這樣的完整業(yè)務邏輯，可以真正意義上驅動業(yè)務的增長。
我們常常以商業(yè)回報比來定位數(shù)據(jù)分析的不同階段，因此我們將其分為四個階段。
首先，基本的數(shù)據(jù)展示，可以告訴我們發(fā)生了什么。例如，公司上周投放了新的搜索引擎 A 的廣告，想要比對一周下來，新渠道 A 比現(xiàn)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(chǎn)品有多少用戶喜歡，新注冊流中注冊的人數(shù)有多少。這些都需要通過數(shù)據(jù)來展示結果，都是基于數(shù)據(jù)本身提供的“發(fā)生了什么”。
如果看到了渠道 A 為什么比渠道 B 帶來更多的流量，這時候我們就要結合商業(yè)來進一步判斷這種現(xiàn)象的原因。這時候我們可以進一步通過數(shù)據(jù)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(shù)據(jù)深度分析判斷，成為了商業(yè)分析第二個進階，也同時能夠提供更多商業(yè)價值上的體現(xiàn)。
而當我們理解了渠道 A、B 帶來流量的高半年銷量不到百萬部，蘋果要放棄印度市場嗎？低，就根據(jù)以往的知識預測未來會發(fā)生什么。在投放渠道 C、D 的時候，猜測渠道 C 比渠道 D 好，當上線新的注冊流、新的優(yōu)化，可以知道哪一個節(jié)點比較容易出問題；我們也可以通過數(shù)據(jù)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(shù)據(jù)分析的第三個進階，預測未來會發(fā)生的結果。
所有工作中最有意義的還是商業(yè)決策，通過數(shù)據(jù)來判斷應該做什么。而商業(yè)數(shù)據(jù)分析的目的，就是商業(yè)結果。當數(shù)據(jù)分析的產(chǎn)出可以直接轉化為決策，或直接利用數(shù)據(jù)做出決策，那么這才能直接體現(xiàn)出數(shù)據(jù)分析的價值。
EOI 的架構是包括 LinkedIn、Google 在內(nèi)的很多公司定義分析型項目的目標的基本方式，也是首席增長官在思考商業(yè)數(shù)據(jù)分析項目中一種基本的、必備的手段。
其中，我們先會把公司業(yè)務項目分為三類：核心任務，戰(zhàn)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(jīng)被證明的商業(yè)模型，并已經(jīng)持續(xù)從中獲得很多利潤。谷歌的戰(zhàn)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占領，所以要花時間、花精力去做，但商業(yè)模式未必成型。風險任務對于創(chuàng)新來說是十分重要的，比如谷歌眼鏡、自動駕駛汽車等等。
數(shù)據(jù)分析項目對這三類任務的目標也不同，對核心任務來講，數(shù)據(jù)分析是助力（E），幫助公司更好的盈利，提高盈利效率； 對戰(zhàn)略任務來說是優(yōu)化（O），如何能夠輔助戰(zhàn)略型任務找到方向和盈利點；對于風險任務，則是共同創(chuàng)業(yè)（I），努力驗證創(chuàng)新項目的重要性 。首席增長官需要對公司業(yè)務及發(fā)展趨勢有著清晰的認識，合理分配數(shù)據(jù)分析資源、制定數(shù)據(jù)分析目標方向。
而面對海量的數(shù)據(jù)，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(shù)據(jù)分析時的 3 個經(jīng)典的思路，希望在數(shù)據(jù)分析的實際應用中能給大家?guī)韼椭?br />
上面我們提到了數(shù)據(jù)分析與商業(yè)結果之間關聯(lián)的重要性，所有商業(yè)數(shù)據(jù)分析都應該以業(yè)務場景為起始思考點，以業(yè)務決策作為終點。數(shù)據(jù)分析該先做什么、后做什么？基于此，我們提出了商業(yè)數(shù)據(jù)分析流程的五個基本步驟。
第一步，要先挖掘業(yè)務含義，理解數(shù)據(jù)分析的背景、前提以及想要關聯(lián)的業(yè)務場景結果是什么。
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(shù)據(jù)，真正落地分析本身。
第四步，從數(shù)據(jù)結果中，判斷提煉出商務洞察。
第五步，根據(jù)數(shù)據(jù)結果洞察，最終產(chǎn)出商業(yè)決策。
舉個例子：
某國內(nèi)互聯(lián)網(wǎng)金融理財類網(wǎng)站，市場部在百度和 hao123 上都有持續(xù)的廣告投放，吸引網(wǎng)頁端流量。最近內(nèi)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(wǎng)絡聯(lián)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(yè)數(shù)據(jù)分析流程的五個基本步驟來拆解一下這個問題。
首先要了解市場部想優(yōu)化什么，并以此為北極星指標去衡量。對于渠道效果評估，重要的是業(yè)務轉化：對 P2P 類網(wǎng)站來說，是否發(fā)起 “投資理財” 要遠重要于 “訪問用戶數(shù)量” 。所以無論是神馬移動搜索還是金山渠道，重點在于如何通過數(shù)據(jù)手段衡量轉化效果；也可以進一步根據(jù)轉化效果，優(yōu)化不同渠道的運營策略。
以 “投資理財” 為核心轉化點，分配一定的預算進行流量測試，觀察對比注冊數(shù)量及最終轉化的效果。記下倆可以持續(xù)關注這些人重復購買理財產(chǎn)品的次數(shù)，進一步判斷渠道質量。
既然分析計劃中需要比對渠道流量，那么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(wǎng)站訪問深度以及訂單等類型數(shù)據(jù)，進行深入的分析和落地。
根據(jù)數(shù)據(jù)結果，比對神馬移動搜索和金山網(wǎng)絡聯(lián)盟投放后的效果，根據(jù)流量和轉化兩個核心KPI，觀察結果并推測業(yè)務含義。如果神馬移動搜索效果不好，可以思考是否產(chǎn)品適合移動端的客戶群體；或者仔細觀察落地頁表現(xiàn)是否有可以優(yōu)化的內(nèi)容等，需找出業(yè)務洞察。
根據(jù)數(shù)據(jù)洞察，指引渠道的決策制定。比如停止神馬渠道的投放，繼續(xù)跟進金山網(wǎng)絡聯(lián)盟進行評估；或優(yōu)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(shù)據(jù)分析拆解和完成推論的基本步驟。在接下來的內(nèi)容中，我們都會有這個分析思路。
在數(shù)據(jù)分析的過程中，會有很多因素影響到我們的北極星指標，那么如何找到這些因素呢？在此向大家推薦內(nèi)外因素分解法。內(nèi)外因素分解法是把問題拆成四部分，包括內(nèi)部因素、外部因素、可控和不可控，然后再一步步解決每一個問題。
舉個例子：
某社交招聘類網(wǎng)站，分為求職者端和企業(yè)端。其盈利模式一般是向企業(yè)端收費，其中一個收費方式是購買職位的廣告位。業(yè)務人員發(fā)現(xiàn)， “發(fā)布職位” 的數(shù)量在過去的 6 月中有緩慢下降的趨勢。對于這類某一數(shù)據(jù)指標下降的問題，可以怎么分析呢？
根據(jù)內(nèi)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(nèi)部可控因素：產(chǎn)品近期上線更新、市場投放渠道變化、產(chǎn)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(nèi)部不可控因素：產(chǎn)品策略（移動端/PC端）、公司整體戰(zhàn)略、公司客戶群定位（比如只做醫(yī)療行業(yè)招聘）。
外部不可控因素：互聯(lián)網(wǎng)招聘行業(yè)趨勢、整體經(jīng)濟形勢、季節(jié)性變化。
有了內(nèi)外因素分解法，我們就可以較為全面地分析數(shù)據(jù)指標，避免可能遺失的影響因素并且對癥下藥。
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(guī)?；鉀Q方案的方式。首席增長官需要快速規(guī)模化有效的增長解決方案，DOSS 是一個有效的途徑。
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(nèi)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(xù)在看 C++ 免費課程的用戶，那么數(shù)據(jù)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(jù)這類人群的免費課程的使用情況進行數(shù)據(jù)分析、數(shù)據(jù)挖掘的預測，之后進行延伸，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(jiān)控該模型對于最終轉化的影響。
規(guī)?；桨福褐笸瞥鲆?guī)?；慕鉀Q方案，對符合某種行為軌跡和特征的行為進行建模，產(chǎn)品化課程推薦模型。
上面介紹了3個經(jīng)典分析思路，它們可以幫你搭建一個清晰的數(shù)據(jù)分析思路框架。那么對于具體的業(yè)務場景問題，我們又該怎么辦呢？我們以一個電子商務網(wǎng)站為例，用數(shù)據(jù)分析產(chǎn)品 GrowingIO 對該網(wǎng)站進行快速地數(shù)據(jù)采集、清晰和可視化展示，然后給大家分享這 8 種常見的數(shù)據(jù)分析方法。
看數(shù)字、看趨勢是最基礎展示數(shù)據(jù)信息的方式。在數(shù)據(jù)分析中，我們可以通過直觀的數(shù)字或趨勢圖表，迅速了解例如市場的走勢、訂單的數(shù)量、業(yè)績完成的情況等等，從而直觀的吸收數(shù)據(jù)信息，有助于決策的準確性和實時性。
對于電子商務網(wǎng)站，流量是非常重要的指標。上圖中，我們將網(wǎng)站的訪問用戶量（UV）和頁面瀏覽量（PV）等指標匯匯聚到統(tǒng)一的數(shù)據(jù)看板（Dashboard），并且實時更新。這樣的一個數(shù)據(jù)看板，核心數(shù)字和趨勢一目了然，對于首席增長官來說一目了然。
當單一的數(shù)字或趨勢過于宏觀時，我們需要通過不同的維度對于數(shù)據(jù)進行分解，以獲取更加精細的數(shù)據(jù)洞察。在選擇維度時，需要仔細思考其對于分析結果的影響。
舉個例子，當監(jiān)測到網(wǎng)站流量異常時，可以通過拆分地區(qū)、訪問來源、設備、瀏覽器等等維度，發(fā)現(xiàn)問題所在。圖 7 中，當天網(wǎng)站的訪問用戶量顯著高于上周，這是什么原因呢？當我們按照訪問來源對流量進行維度拆分時（圖 9 ），不難發(fā)現(xiàn)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。
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(chuàng)建該群體用戶的畫像。 例如訪問購物網(wǎng)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(chǎn)品的頻度、類別、時間，這樣我們就創(chuàng)建出該用戶群體的畫像。
在數(shù)據(jù)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(chǎn)品優(yōu)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，然后推送相應的優(yōu)惠券。這樣精準的營銷推廣，可以大幅度提高用戶支付的意愿和銷售金額。
絕大部分商業(yè)變現(xiàn)的流程，都可以歸納為漏斗。漏斗分析是我們最常見的數(shù)據(jù)分析手段之一，無論是注冊轉化漏斗，還是電商下單的漏斗。通過漏斗分析可以從先到后還原用戶轉化的路徑，分析每一個轉化節(jié)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，原因在什么地方？流失的用戶符合哪些特征？
上圖中注冊流程分為 3 個步驟，總體轉化率為45.5%；也就是說有 1000 個用戶來到注冊頁面，其中 455 個成功完成了注冊。但是我們不難發(fā)現(xiàn)第二步的轉化率是 56.8% ，顯著低于第一步 89.3% 和第三步轉化率 89.7%，可以推測第二步注冊流程存在問題。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；如果要提高注冊轉化率，我們應該優(yōu)先解決第二步。
關注行為軌跡，是為了真實了解用戶行為。數(shù)據(jù)指標本身往往只是真實情況的抽象，例如，網(wǎng)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(chǎn)品。
通過大數(shù)據(jù)手段，還原用戶的行為軌跡，有助于增長團隊關注用戶的實際體驗、發(fā)現(xiàn)具體問題，根據(jù)用戶使用習慣設計產(chǎn)品、投放內(nèi)容。
上圖中展示了一位用戶在某電商網(wǎng)站上的詳細行為軌跡，從官網(wǎng)到落地頁，再到商品詳情頁，最后又回到官網(wǎng)首頁。網(wǎng)站購買轉化率低，以往的業(yè)務數(shù)據(jù)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(fā)現(xiàn)一些產(chǎn)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(jù)。
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于獲取一個新用戶。每一款產(chǎn)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(shù)據(jù)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(lián)，找到提升留存的方法。
在 LinkedIn，增長團隊通過數(shù)據(jù)發(fā)現(xiàn)，如果新用戶進來后添加 5 個以上的聯(lián)系人（上圖紅色線條），那么他/她在 LinkedIn 上留存要遠遠高于那些沒有添加聯(lián)系人（上圖綠色和紫色的線條）的留存。 這樣，添加聯(lián)系人稱為 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(nèi)容吸引來的注冊用戶回訪率，產(chǎn)品團隊關注每一個新功能對于用戶的回訪的影響等等，這些都是常見的留存分析場景。
A/B 測試用來對比不同產(chǎn)品設計/算法對結果的影響。產(chǎn)品在上線過程中經(jīng)常會使用 A/B 測試來測試不同產(chǎn)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(nèi)容、廣告創(chuàng)意的效果評估。
舉個例子，我們設計了兩種不同的產(chǎn)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(shù)據(jù)量和數(shù)據(jù)密度較高。因為當產(chǎn)品流量不夠大的時候，做 A/B 測試得到統(tǒng)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(shù)據(jù)規(guī)模較大時使用會更加精準，更快得到統(tǒng)計的結果。
當一個商業(yè)目標與多種行為、畫像等信息有關聯(lián)性時，我們通常會使用數(shù)學建模、數(shù)據(jù)挖掘的手段進行建模，預測該商業(yè)結果的產(chǎn)生。
作為一家 SaaS 企業(yè)，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(shù)據(jù)、公司信息、用戶畫像等數(shù)據(jù)建立流失模型。利用統(tǒng)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后流失的可能性會更高。
我們常常說，不能度量，就無法增長，數(shù)據(jù)分析對于企業(yè)商業(yè)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(shù)據(jù)分析的方法大家不妨在自己日常工作中，有分析相關項目里嘗試使用，相信可以事半功倍，創(chuàng)造更多商業(yè)價值。
