導讀：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？

作者：劉天

來源：大數據DT（ID：hzdashuju）

01 為什么需要數據分析體系

在很多不成熟的公司中，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。

• 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數據需求，所以數據分析師只能逐個地進行數據計算。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3-1所示。

▲圖3-1 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，說不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？

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。

02 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與搭建數據分析體系的過程中，掌握使用數據的方法，方能以正確的方法去解讀數據。但在部分公司的運營過程中，往往忽視了這一點，導致搭建出的完整數據分析平臺無人使用。

確切地說，是大家沒有以正確的思維或方式去使用，還是以老式的思維使用新的系統，并沒有在思維與認知上進行升級，從而無法發揮其應有的價值。這就好比我們給數據使用者一輛汽車，但他們還是在尋找韁繩以期駕駛汽車。

這時數據產品經理就應該化身企業內部的數據分析咨詢師，幫助他們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3-2所示的雙重身份。

▲圖3-2 數據產品經理的雙重身份

03 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（Daily Active User，日活躍用戶數量）、留存率等進行管理，但是數據分析體系中的平臺建設，就僅僅是對這幾個指標的管理嗎？那么請問，當遇到了以下場景時，這幾個指標要怎么解決我們的問題呢？

• 場景1：某天某電商出現了GMV（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，單看孤零零的某個或者某些指標是無法解決問題的，此時就需要依靠數據分析框架來解決問題了。

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。

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

• 注意：北極星指標（North Star Metric）又叫作OMTM（One metric that matters），它是第一重要指標，為產品現階段最為關鍵的指標。之所以叫北極星指標，是因為就像北極星一樣，該指標可以指引全公司所有人員向著同一個方向邁進，是全公司統一的指標。

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。

關于作者：劉天，東華大學項目管理碩士，日本京都大學訪問學者，曾為國家科研項目帶頭人，TMT領域投研顧問/MBA特約講師/互聯網峰會特邀演講嘉賓，先后就職于萬達、叮咚買菜等公司，負責過多個集團級中臺與電商平臺業務的產品整體規劃，在商業模式拆解與集團級產品體系搭建方面擁有極其豐富的經驗。著有《中臺產品經理寶典》一書。

本文摘編自《高階產品經理必修課：企業戰略驅動下的數據體系搭建》，經出版方授權發布。（ISBN：9787111694502）

《高階產品經理必修課》

點擊上圖了解及購買

轉載請聯系微信：DoctorData

推薦語：本書知識量豐富，全書一共涵蓋42個數據定義、8個分析方法論、16個必備公式、34個實戰案例，共計100個知識點。書中通過一張完整的數據驅動產品增長全路徑地圖（又稱4F模型）幫助讀者從零到一建立起數據驅動完備知識體系。

刷刷視頻👇

干貨直達👇

• 4637字，看懂從DevOps到DevSecOps的進化之路
  

• Kubernetes集群中要監控哪些組件？采集哪些指標？
  

• 真實案例，手把手教你構建用戶畫像
  

• 手把手教你用Python實現查找算法
  

更多精彩👇

在公眾號對話框輸入以下關鍵詞

查看更多優質內容！

讀書?|?書單?|?干貨?|?講明白?|?神操作?|?手把手

大數據?|?云計算?|?數據庫?|?Python?|?爬蟲?|?可視化

AI?|?人工智能?|?機器學習?|?深度學習?|?NLP

5G?|?中臺?|?用戶畫像?|?數學?|?算法?|?數字孿生

據統計，99%的大咖都關注了這個公眾號

👇

總結

以上是生活随笔為你收集整理的详解数据分析体系构成框架的全部內容，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。