數據對于產品的發展起著決定性的指導作用，那么公司在運營的過程中具體需要一個什么樣的數據來支撐服務呢？本文來自于我的新書《高階產品經理必修課》

1

為什么需要數據分析體系

在很多不成熟的小公司中，雖然也有使用數據去驗證產品的思路，但是他們在實際工作中往往是這樣取用數據的：

• 產品部同事找到數據分析師，問他昨天剛上線的版本用戶點擊率是多少。

• 運營部同事找到數據分析師，問他前兩天上線的拉新活動是否帶來了用戶量的增加。

• 公司某領導找到數據分析師，問他這兩天的訂單量是否有所增長，上月交易額環比增長是多少。

可見，各個崗位都會有自己的一套數據需求，所以此時的數據分析師只能逐個地進行數據計算。

而由于人力資源有限，數據分析師往往無法及時反饋所有的數據需求，這將會導致一些運營活動或產品規劃錯過最佳的時機。例如，在“雙11”前夕想要準備“雙11”促銷活動，卻遲遲拿不到過往的運營活動數據。

正是基于這樣或那樣的原因，很多企業演化出了一類數據產品——數據儀表盤，如圖1所示。

▲圖1 數據儀表盤

數據儀表盤就是將各個數據需求方常關注的數據匯總在一張報表中，這樣大家可以在這里統一看到整個產品的用戶數、交易數等的變化，能在一定程度上滿足大家對數據的需求。

但是隨之而來的新問題如下：

產品部的同事抱怨：雖然看到昨天新上線的版本中用戶轉化率下跌了，但是根本看不出來原因是什么，不可能是產品的問題，肯定是運營部的活動導致的。

運營部的同事抱怨：我雖然看到了拉新數，但我有三個用戶拉新渠道，到底哪個拉新渠道的拉新能力最強，帶來的用戶質量最高呢？

而且事實上任意一個比較健全一點的產品，怎么對它進行評價其實不是一件容易的事情，因為它已經是一個有機生命體了。一個生命真的足夠復雜到你難以完全明了，但我們聰明的人類有自己辦法解決這個問題，那就是抓住核心要點，忽略細枝末節的誤差。

因此面對這樣的進階需求，就需要一套完整的數據分析體系來做支撐，進而來幫助我們掌握數據變化情況并快速定位變化背后的原因。

2

數據分析體系概念的常見誤區

一提到數據分析體系，常見的一個認知誤區就是將數據分析體系等同于單一的某一個數據分析產品，如活動運營監控平臺、用戶畫像平臺等。

其實這里最大的錯誤就是將一個體系割裂開來，只看到了承載數據的產品而沒有重點關注使用者的使用方法，就好像認為數據分析一定要有一把“利刃”，但是卻不去關心舞劍者的功力一樣。

最早提出這一認知的是錢學森先生，他在系統工程學中提出了軟系統概念：

任意一個體系要想發揮正確價值，必須通過產品與使用者這兩部分共同協作，這兩者合二為一稱為軟系統。

所以數據分析體系的正確定義應該是：

數據分析體系通常由數據使用者的分析模型和數據分析平臺這兩部分構成。

這也告訴我們，在數據分析學習和構建數據分析系統的過程中，只有掌握使用數據的方法，才能以正確的方式解釋數據。然而，在一些公司的運營過程中，這一點往往被忽視，導致完整的數據分析平臺無人使用。

確切地說，就是我們沒有使用正確的思維或方式，還是在使用新系統時使用舊思維，其核心就是沒有升級使用者的數據思維與認知，從而不能發揮新系統其應有的價值。

這就好比當我們給數據使用者造了一輛汽車，但他們還是在尋找韁繩以期駕駛汽車，這就是典型的大多數傳統企業遭遇的問題。

這時數據產品經理就應該化身作為企業內部的數據分析咨詢師，幫助業務方看懂數據背后所反應的價值。所以數據產品經理在一家公司中應該有如圖2所示的雙重身份。

▲圖2 數據產品經理的雙重身份

3

數據分析體系構成框架

搞清楚了數據分析體系的定義，接下來就是了解如何才能搭建一個完整的數據分析體系。

筆者曾看到部分數據產品經理候選人的簡歷中經常會寫到自己精通數據分析框架的搭建。

而當面試中被問到他們的數據分析體系究竟要怎么落地時，他們給出的回答卻是針對DAU、留存率等片面的指標進行管理，但是數據分析體系中的平臺建設，真的就僅僅是對這幾個指標的管理嗎？

那么請問這幾位面試者，當你遇到了以下場景時，這幾個指標要怎么解決實際的問題呢？

場景1：某天某電商出現了GMV（平臺成交總額）下降，此時應該根據哪一個指標解決問題？

場景2：某公司擁有3條產品線，A產品線中又細分為商品運營、活動運營等，3條產品線的若干運營團隊都看同一套指標體系嗎？

坦白地說，單看孤獨的某個或某些指標是解決不了問題的，此時就必需要依靠一些數據分析框架來解決該問題。

由前面的數據分析體系可知，數據分析體系落地涉及兩個維度。下面讓我們通過這兩個維度來看看數據分析體系在工作場景中是如何落地的。

維度1：通用數據分析模型

以下是實現通用數據分析模型的方法。

設置目標：確定當下業務中你的目標及完成現狀。

問題假說：窮舉現狀是由哪些問題導致的。

數據證明：通過數據來證明該問題會導致怎樣的結果。

數據分析：分析該問題的成因并形成解決方案。

而日常業務運作中，常見的目標及工作概括起來就是：拉新、促活、留存 + （銷售、活動等）；

而整個運營工作中，一定要有一個基于業務目的的最關鍵指標，其他所有的衍生指標都是基于該指標的分解，目的都是通過提升各衍生指標而最終提升最關鍵指標。而運營就是有方向性的通過自身的工作去提升各個衍生指標從而最終提升那個最關鍵指標。

維度2：數據分析平臺

在數據分析體系中，數據分析平臺的構成包含三大核心要素，分別是北極星指標、數據建模和事件分析。

數據分析平臺定義中各要素的具體解析如下所示。

• 北極星指標：每個階段針對具體業務領域確立的商業/業務目標

• 數據建模（又稱指標體系）：DAU、GMV、留存率、訂單量等

• 事件分析：漏斗模型、海盜模型、杜邦分析等

數據分析體系其實就是通過一系列的方法量化特定的業務，因為我們如果無法量化一個事物，那么本質上就無法衡量它的好壞，也就無法定位業務發展中的癥結所在。因此好的數據分析框架就是在告訴我們：當下的整體業務是什么樣？為什么會這樣？應該怎么辦？

回顧前面面試者所說的那幾個指標，我們可以發現其根本無法清晰地反映業務上的這三個問題。

當然，這里只介紹了數據分析體系的宏觀框架，還未涉及具體的數據分析體系搭建過程，在數據分析實戰中還會涉及相應的方法論。

在我們知道了指標體系與其對應的作用后，接下來就要來學習如何為自身企業業務量身打造一套數據指標體系了。

要想構建一套完善的指標體系，除開對業務流程有十分熟悉的敏感度以外，有著一套恰當的基本建設方法論也是必不可少的。

通常指標體系的建立方法可以劃定為這樣的過程，依次是：數據規劃、數據采集、數據分析和數據決策。

在行動上共分如下4步：

1）確定數據分析目標。

2）縱向指標維度定義（層級設計）。

3）橫向指標維度定義（指標填空）。這其中，又分為自上而下探尋（業務域驅動指標定義）和自下而上探尋（功能逆推指標定義）。

4）各維度指標項定義。

首先目標指的是在整個數據分析框架中要分析的對象，也就是圍繞用戶我們要用數據完成什么？

建設數據分析體系，本質是個：從業務中來，到業務中去的事。需要大家多在內部花心思。然而，很多新手卻在此處忽視、無視、輕視業務，導致分析目標并不是問題的本核，這是最嚴重的問題。

在任何數據相關的分析工作中，我們要牢記一句話：用戶是數據的來源，也是數據分析最終要服務的對象。

從第二項開始便是進入數據指標的維度與定義設計，所謂維度定義就是是指從業務需求出發，將指標從多個維度進行拆分。

在維度層面我在前一篇文章中舉過一個最簡單的例子，我再摘取過來：

在一家公司不同層級的人員對于業務指標有著不同的觀察訴求，因此我們要將數據指標面對不同層級的人存在不同的需求，做了一個分層定義，具體如下表所示：

序號	角色	描述	指標類型
1	老板	目的了解業務總體運行狀態	結果指標
2	管理層	了解負責的業務板塊運行狀態	過程指標
3	執行層	了解手上的運營動作好與壞	動作指標

這里引用網上關于分層的一個典型的實操經驗，在進行整個指標分級的時候，我們一定需要先思考：

一級二級指標，能否反應產品當前的運營情況；

三級四級指標能否幫助一線人員定位問題，指導運營工作。

當然還有很多劃分維度的方法，比如按照群組，按照生命周期等業務層面的要求都可以去劃分。

再舉個常用的例子，數據分析最常用的一個維度劃分就是，按照時間流程大致分為事前分析、事中分析和事后分析。

在劃分完畢后接下來就是要對劃分好的維度進行逐一填充，繼續以我上面表格中的例子，對于老板要看的結果指標要定義哪些具體指標？執行層的動作指標又需要哪些具體的指標？以上完成詳細的指標定義。

在完成這一切的定義后，我們就可以交由開發同學幫助我們實現從用戶、業務系統，到數據采集平臺、ETL、數據倉庫的落地，

再交由業務人員與產品自己實現從BI、DM、AI、洞察，再到決策、行為、價值，最終回到用戶的完整數據驅動鏈路。

---

附錄：常見的3種數據分析方法

01 細分分析

細分分析是分析的基礎，單一維度下的指標數據的信息價值很低。我們需要通過逐步分析來拆分信息， 比如：來北京市的訪客可分為朝陽，海淀等區；

02 對比分析

對比分析主要是指將兩個相互聯系的指標數據進行比較，從數量上展示和說明研究對象的規模大小，水平高低，速度快慢等相對數值，?通過相同維度下的指標對比，可以發現，找出業務在不同階段的問題。

常見的對比方法包括：?時間對比，空間對比，標準對比。

時間對比有三種：?同比，環比，定基比。

例如：?本周和上周進行對比就是環比；本月第一周和上月第一周對比就是同比；所有數據同今年的第一周對比則為定基比。通過三種方式，可以分析業務增長水平，速度等信息。

03 漏斗分析

轉化漏斗分析是業務分析的基本模型，?最常見的是把最終的轉化設置為某種目的的實現，最典型的就是完成交易。但也可以是其他任何目的的實現，比如一次使用app的時間超過10分鐘。

漏斗幫助我們解決兩方面的問題：

在一個過程中是否發生泄漏，如果有泄漏，我們能在漏斗中看到，并且能夠通過進一步的分析堵住這個泄漏點。

在一個過程中是否出現了其他不應該出現的過程，造成轉化主進程收到損害。

如果你喜歡這篇文章，歡迎關注上面的公眾號

最后，我建立了各大城市的產品交流群，想進群小伙伴加微信：yw5201a1??我拉你進群。

視頻號推薦

關注微信公眾號：產品劉?可領取大禮包一份。

··················END··················

今日報告：羅蘭貝格發布《中國行業趨勢報告——2022年度特別報告》，下載報告去公眾號：硬核劉大??后臺回復“?行業趨勢”，即可下載完整PDF文件。

申明：報告版權歸?羅蘭貝格?獨家所有，此處僅限分享學習使用，如有侵權，請聯系小編做刪除處理。

RECOMMEND

推薦閱讀

跳槽時，漲薪幅度比現有薪資高多少才劃算？

手把手教你做B端產品經理

實例講解策略產品經理工作內容

面試官是如何發掘有潛力的產品經理的？

點擊“閱讀原文”

查看更多干貨

總結

以上是生活随笔為你收集整理的数据分析体系构建那点事！的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。