【來源丨APP干貨鋪子】

【作者丨白東立】

【編輯丨大胡子】

 

今兒我想來淺談一下“數據驅動”在一家企業落地所要經歷的5個階段，先來看下圖：

 

 

從我實際的觀察，結合對數據的理解，和對未來的預期來看，數據分析或數據驅動在不同的公司，在不同的階段落地，經歷了或者正在經歷著這樣的5個階段：

 

1.無意識：靠經驗+拍腦袋決策

 

2.感知數據：統計數據產生后的數據結果

 

3.開始思考：分析數據產生背后的原因

 

4.開始行動：根據數據分析的結論開始行動

 

5.數據驅動：讓期望產生的結果產生

 

 

為了能夠讓大家清晰的理解這5個不同階段，我就從要用什么人，用什么工具，做什么樣的事兒，能夠給企業帶來哪些價值這幾個方面通俗的講一下，以便大家來判斷你所在的企業，在數據驅動方面正處在哪一個階段，或者是不是具備在不同階段的能力。

 

1.企業對數據人才的需求和投入（人）

 

2.分析數據的工具（工具）

 

3.分析數據的深度（做啥事）

 

4.能夠給企業帶來的價值（啥好處）

 

無意識階段

 

說是無意識階段，其實指的是在企業中，從上到下，沒有什么人有強烈的數據意識，也很少有人關注除了收入和一些General指標以外的數據，而企業決策基本是靠老板拍腦袋，部門決策基本是靠有經驗的人，執行層面的人幾乎沒有什么工具和方法論做指導，公司如果處于這樣的階段，是完全和數據驅動理念不掛鉤的。

 

人：處于這樣階段的企業，基本上沒有數據分析部門，也沒有數據方面的人才，對于企業運營過程中的常規數據分析，基本上由產品運營人員手工做報表，定期給老板發郵件，或者匯報工作。

 

工具：公司自己內部沒有專門開發的數據分析系統，也沒有接入第三方數據分析平臺。

 

做啥事：啥都做，就是不做數據分析。

 

啥好處：無法通過數據給企業帶來額外的信息和價值。

 

感知數據階段

 

這個階段，是關于如何回答好5W2H的，而回答5W2H的方法是通過數據統計的結果展示在各種報表和Dashboard中，再由分析數據的人員介入，跟據企業自身特點將各種數據做匯總分析，這樣企業經營者就可以量化企業運營的狀況了。

 

5W2H是指什么人，在什么時間，什么地方，做了什么，為什么做，怎么做的，花了多少成本做（Who、When、Where、What、Why、How、How Much），一個典型的公司，尤其是大量產生數據的互聯網公司的如下一些部門均會產生數據：

 

對于對外的市場投放部門、渠道（聯運&分發）部門是花錢的部門，投放經理和渠道經理需要實時統計的是關于花了錢獲取到的用戶是從哪兒來的，來的用戶都是什么用戶，怎么能獲取到更多的用戶，花多少成本才能獲得，諸如此類的問題。

 

而坦白講，現在絕大多數企業的對外市場投放部門和渠道部門，還無法100%回答這些問題，例如來的用戶都是什么用戶這個問題，就不是通過單一統計數據就能得來的，很多公司甚至也不關心來的用戶都是什么用戶。

 

對于絕大多數公司的產品和運營部門是企業掙錢的部門，所關心的產品數據是對于用戶使用產品后所表現的用戶行為結果的統計數據，也可以叫用戶行為數據的分析，是分析用戶用了產品的什么功能，用了多久，在哪兒流失了，什么因素導致了流失，怎么吸引用戶留下來，如何設計付費點，產品賣多少錢最合適等等問題的。

 

產品數據分析是一個可深可淺的工作，說淺一些，很多公司只要接一個第三方數據分析平臺，把每天產品的新增、活躍、留存、付費、流失和核心功能每天多少人參與統計了就可以了。

 

而如果往深了做，工作量就大了，通用的AARRR模型（Acquisition、Activation、Retention、Revenue、Refer）的每一個不同階段都可以深入下去，做不同的模型，隨著用戶獲取成本越來越高，現在越來越多的企業不得不開始在分析產品數據和用戶行為方面投入越來越多的精力。

 

而運維和前后端技術等部門作為企業的研發成本中心，服務器產生的大量系統日志、前后端代碼性能和生產環境的Web Log分析，也被越來越多的企業所重視，哪些系統服務最吃資源、哪些程序需要優化、哪些SQL耗時最長、為什么會產生504 Code、怎么節約服務器成本等等，這些都是技術部門需要負責的工作，而有統計的數據是技術接下來解決問題的基礎。

 

現在很多公司都在這個階段，有些企業開始構建自己的數據部門，來專門做數據的統計和分析，有些企業則會選擇第三方的數據統計工具，不論用哪種方式，目的都是希望能把企業各個部門所產生的數據監測和統計起來。

 

看一個TrackingIO的事件分析的截圖，通過使用TrackingIO，幾乎可以滿足這個階段所有對于數據統計和分析的需求。

 

人：在這個階段的企業，需要有數據分析師的角色幫助各部門分析各類數據，另外各個部門的人也都需要時刻關注數據報表，及時進行分析和決策。

 

工具：公司可以成立自己的數據團隊來開發自己的數據分析工具，也可以選擇第三方的數據分析平臺，不論哪種方式，都要收集足夠豐富的數據，另外也要滿足各個部門分析數據的基本需求，想要分析的數據可以比較方便、靈活的進行分析，市面上滿足不同部門數據分析需求的產品也很多，例如熱云數據就有監測市場廣告投放數據的平臺、分析產品用戶行為數據的TrackingIO，而分析服務器性能和系統日志的例如OneAPM、日志易等。

 

做啥事：這個階段，需要把各個部門所產生的數據，盡可能準確、詳細的統計到，并且有可視化展現的報表可以查看，不能說想要看啥數據沒啥數據，哪怕是讓分析師手工查數據庫也要有可查的數據。

 

啥好處：企業經營者可以通過數據統計的結果，感知到公司各個部門的運營情況，把各個部門的工作內容變成可量化的指標來評估。

 

主動思考階段

 

這個階段是對數據更進一步的認識，是關于通過分析、洞察數據來回答為什么數據會表現出來這樣的結果，是對于上面后知后覺階段的進一步診斷，就像是一個人去了體檢中心做完體檢，拿到了體檢報告，發現有脂肪肝，體檢中心的工作人員說建議這個人去醫院做進一步的檢查，而針對研究這個人為什么檢查出來有脂肪肝，是什么原因導致了脂肪肝，就是數據分析的主動思考階段。

 

例如：

 

為什么A、B、C這3個廣告平臺投放的轉化率低？

 

為什么從A渠道導入的用戶留存率比B渠道導入的用戶留存率高？

 

為什么這周的收入有明顯增加？

 

為什么用戶花了5萬塊錢后就流失了？

 

諸如此類的問題，均是基于數據統計的結果而進一步想要弄清楚的，但坦白講，實際情況是統計數據容易，要想進一步回答為什么數據會呈現出這樣的結果就非常困難了，搞清楚問題的成本也會增加很多，從實際的角度出發，我們不需要搞清楚為什么用戶花了5萬塊錢后流失了，但是我們需要關注花了5萬塊錢后流失的用戶占總付費用戶的比例，假設行業平均數如果是5%，那么只要我們的這個比例不高于5%，我們就不管了，但是我們必須要弄清楚為什么我們的產品里面有20%的花了5萬塊錢的用戶都流失了。

 

人：需要對數據進行多維分析，需要有建模能力，通過鉆取、切片、切塊、旋轉、轉軸來分析產生數據結果的原因，還需要有很強的行業知識，對數據有全方位的認知。

 

工具：除了對第一方數據的全面掌握以外，還需要引入行業參考數據、甚至是第三方數據，TrackingIO將試圖跟蹤每一個用戶的行為變化，例如某用戶從A產品中流失了，A產品可以跟蹤到這個用戶是不是放棄了A產品而選擇了同類型產品，這就要借助大數據的能力。

 

做啥事：跟據自身產品的特點，找到每一個可量化指標的最佳參考數據，監控這些指標，當數據指標不在預期范圍內的時候，快速查找原因。

 

啥好處：對于影響企業運營核心指標的相關因素進行監控，當核心數據的表現不在預期范圍內的時候，能夠清晰的知道是哪些原因導致的，從而做出合理的決策。

 

開始行動階段

 

就好比一個人體檢查出來有脂肪肝，醫生說是由于吃油膩的食物和缺乏運動導致的，那么要想恢復健康，就必須要付諸行動，這是一個關于實踐的階段，企業基于對數據的積累，結合分析數據的結論，進而對市場投放、對產品功能優化等做出來的實際調整，以便獲得想要的結果。

 

如下問題均是關于如何實踐和行動的：

 

如何通過積累的數據來優化移動廣告投放效果？

 

如何通過數據分析的結論，結合A/B Test來優化產品，提升產品留存率？

 

如何通過用戶歷史的行為，預測用戶下一步的行動？

 

如何通過分析用戶的行為，給用戶推薦喜歡的產品和功能？

 

有一點需要區分一下，企業每天都在行動，即便沒有數據分析結論產品都要改，廣告都要投放，我們這里說的行動，指的是基于對數據做了大量的分析，在得到結論或者數據模型之后，對產品做的優化，給用戶提供不同的產品體驗，例如今日頭條是基于對用戶行為的長期跟蹤的分析建模，對每個用戶做的個性化推薦。

 

人：包括數據部門在內的各個部門需要進行聯動，將分析結論和實踐結合起來，讓數據結論不止停留在報表上，要讓數據在產品和營銷中流動起來。

 

工具：能夠讓數據模型、結論和線上的生產系統結合起來，數據不只是報表或者報告，會變成API接口實時和生產系統進行交互。

 

做啥事：通過實際行動來改變數據結果，或者預測接下來要產生的結果。

 

啥好處：數據分析不僅僅是輔助決策，可以變成影響結果的價值工具。

 

數據驅動階段

 

假設一個人的各項健康指標，都有實時監測和預警，身體也可以根據各個指標的反饋，來調整身體機能來避免不必要的疾病產生，那么人是否就會保持健康和長壽呢？

 

現在多數企業都在從第二個階段向第三個階段過渡，也有很多企業正在借助數據能力做實際的行動來優化數據結果，而現在看來，企業要具備全面的數據驅動能力，還有很長的路要走，這也是整個大數據行業未來要解決的問題，無論是數據分析的工具、還是數據積累本身都需要做很多的創新和積累。

 

我們正試圖為企業提供更強大的數據分析平臺工具，盡可能開放更多的數據，來幫助企業實踐，我希望有越來越多的企業進入第四個階段，即不只是分析數據，還要有正確和有效的行動，甚至將來到第五個階段，全面數據驅動的階段。

 

對于這個階段的人、工具以及要做什么事兒，現在講有些為時尚早，到底數據能否發揮出那么大的價值，是以何種形式來驅動企業發展的，需要我們共同來創造。