談到數據分析，大家往往會聯想到壹些密密麻麻的數字表格，或是高級的數據建模手法，再或是華麗的數據報表。其實，“ 分析 ”本身是每個人都具備的能力；數據分析是為了能以量化的方式來分析業務問題並得出結論。
其中有兩個重點詞語：量化和業務。首先講下量化。量化是為了統壹認知，並且確保路徑可回溯，可復制。 統壹認知後，才能保證不同層級，不同部門的人在平等話語權和同壹個方向的背景下進行討論和協作，才能避免公司內的人以“我感覺”、“我猜測”來猜測當前業務的情況。
路徑可回溯可復制指的是，通過量化後的結果，許多優化的方法是可以被找到原因並且可以被復制的。同樣是轉化率優化，用 A 方案和 B 方案，誰的效果會比較好和具體好多少，都是可被預測的。
要想做到量化，需要做到三點：建立量化體系，明確量化重點和保證數據準確性。
建立量化體系
主要是根據“指標設計方法”，設計業務的核心指標+拆解指標+業務指標，最後落地成全公司通用的“指標字典”和“維度字典”。這種工作壹般是由數據分析師或數據 PM 來擔任完成。通過這種方式，我們就能初步建立面向全公司全面而系統的量化分析框架，保證日常分析可以做到逐層拆解，不重不漏。
明確量化重點
每個階段，都應該明確當前的業務重點。量化體系需要根據業務階段，更改量化重點及方式。這同時意味著，有更細節的指標及更大的監控和推廣力度。
比如外賣行業早期，經歷了看重訂單數，到訂單額，到新客數+補貼率，到新客數+資金使用效率（交易完成進度/費用完成進度）的歷程。
我們可以看到，隨著戰爭開拓的階段不斷升級和變化，從不計成本打下市場份額，到看中訂單質量，到存量市場爭得差不多了，開始考慮新客數量，同時控制補貼力度，到戰爭趨於常態化，開始控制整體補貼額度，靠拼效率來戰勝對手。
每個階段，都需要根據不同的戰場情況來判斷當前重點，從而圍繞該重點建立壹套360度無死角的分析監控體系。
確保數據準確性
在數據準確性這個話題裏，數據產品已經有成熟的數據質量管理方法，涉及了數據源，指標計算和數據呈現等各個環節的監控。
站在業務的角度
除了量化之外，另外壹個重點詞語是業務。只有解決業務問題分析才能創造價值。價值包括個人價值和公司價值。
如何站在業務方的角度思考問題呢，總結起來就是八個字“憂其所慮，給其所欲”。這裏不僅適用於分析師這個崗位，在所有以供需為主要關系的交互過程裏，精準理解對方需求對於供給方都是最重要的。
這些小型決策，其實都是依照我們腦海中的數據點作出判斷，這就是簡單分析的過程。對於業務決策者而言，則需要掌握壹套系統的、科學的、符合商業規律的數據分析知識。
數據分析的戰略思維
無論是產品、市場、運營還是管理者，我們必須反思：數據本質的價值，究竟在哪裏？從這些數據中，團隊都可以學習到什麽？
數據分析的目標
對於企業來講，數據分析的可以輔助企業優化流程，降低成本，提高營業額，往往我們把這類數據分析定義為商業數據分析。商業數據分析的目標是利用大數據為所有職場人員做出迅捷、高質、高效的決策，提供可規模化的解決方案。商業數據分析的本質在於創造商業價值 ，驅動企業業務增長。
數據分析的作用
我們常常講的企業增長模式中，往往以某個業務平臺為核心。這其中，數據和數據分析，是不可或缺的環節。
通過企業或者平臺為目標用戶群提供產品或服務，而用戶在使用產品或服務過程中產生的交互、交易，都可以作為數據采集下來。
根據這些數據洞察，通過分析的手段反推客戶的需求，創造更多符合需求的增值產品和服務，重新投入用戶的使用，從而形成形成壹個完整的業務閉環。這樣的完整業務邏輯，可以真正意義上驅動業務的增長。
數據分析進化論
我們常常以商業回報比來定位數據分析的不同階段，因此我們將其分為四個階段。
階段 1：觀察數據當前發生了什麽？
首先，基本的數據展示，可以告訴我們發生了什麽。例如，公司上周投放了新的搜索引擎A的廣告，想要比對壹周下來，新渠道 A 比現有渠道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，新上線的產品有多少用戶喜歡，新註冊流中註冊的人數有多少。這些都需要通過數據來展示結果，都是基於數據本身提供的“發生了什麽”。
階段 2：理解為什麽發生？
如果看到了渠道 A 為什麽比渠道B帶來更多的流量，這時候我們就要結合商業來進壹步判斷這種現象的原因。這時候我們可以進壹步通過數據信息進行深度拆分， 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。這種數據深度分析判斷，成為了商業分析第二個進階，也同時能夠提供更多商業價值上的體現。
階段 3：預測未來會發生什麽？
而當我們理解了渠道 A、B 帶來流量的高低，就根據以往的知識預測未來會發生什麽。在投放渠道 C、D 的時候，猜測渠道 C 比渠道 D 好，當上線新的註冊流、新的優化，可以知道哪壹個節點比較容易出問題；我們也可以通過數據挖掘的手段，自動預測判斷 C 和 D 渠道之間的差異，這就是數據分析的第三個進階，預測未來會發生的結果。
階段 4：商業決策
所有工作中最有意義的還是商業決策，通過數據來判斷應該做什麽。而商業數據分析的目的，就是商業結果。當數據分析的產出可以直接轉化為決策，或直接利用數據做出決策，那麽這才能直接體現出數據分析的價值。
數據分析的 EOI 框架
EOI 的架構是包括 LinkedIn、Google 在內的很多公司定義分析型項目的目標的基本方式，也是管理者在思考商業數據分析項目中壹種基本的、必備的手段。
其中，我們先會把公司業務項目分為三類：核心任務，戰略任務，風險任務。
數據分析項目對這三類任務的目標也不同，對核心任務來講，數據分析是助力（E），幫助公司更好的盈利，提高盈利效率；對戰略任務來說是優化（O），如何能夠輔助戰略型任務找到方向和盈利點；對於風險任務，則是***同創業（I），努力驗證創新項目的重要性 。
管理者需要對公司業務及發展趨勢有著清晰的認識，合理分配數據分析資源、制定數據分析目標方向。
數據分析的基本思路
而面對海量的數據，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據分析時的 基本思路，希望在數據分析的實際應用中能給大家帶來幫助。
數據分析的基本步驟
上面我們提到了數據分析與商業結果之間關聯的重要性，所有商業數據分析都應該以業務場景為起始思考點，以業務決策作為終點。數據分析該先做什麽、後做什麽？基於此，我們提出了商業數據分析流程的五個基本步驟。
第壹步：挖掘業務含義。
首先要了解市場部想優化什麽，並以此為北極星指標去衡量。對於渠道效果評估，重要的是業務轉化，重點在於如何通過數據手段衡量轉化效果；也可以進壹步根據轉化效果，優化不同渠道的運營策略。
第二步：制定分析計劃。
以 “投資 理財 ” 為核心轉化點，分配壹定的預算進行流量測試，觀察對比註冊數量及最終轉化的效果。記下倆可以持續關註這些人重復購買理財產品的次數，進壹步判斷渠道質量。
第三步：拆分查詢數據。
既然分析計劃中需要比對渠道流量，那麽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、網站訪問深度以及訂單等類型數據，進行深入的分析和落地。
第四步：提煉業務洞察。
根據數據結果，比對廣告投放後的效果，根據流量和轉化兩個核心KPI，觀察結果並推測業務含義。假設移動搜索效果不好，可以思考是否產品適合移動端的客戶群體；或者仔細觀察落地頁表現是否有可以優化的內容等，需找出業務洞察。
第五步：產出商業決策。
根據數據洞察，指引渠道的決策制定。比如優化移動端落地頁，更改用戶運營策略等等。
DOSS 思路
DOSS 思路是從壹個具體問題拆分到整體影響，從單壹的解決方案找到壹個規模化解決方案的方式。快速規模化有效的增長解決方案，DOSS 是壹個有效的途徑。
數據分析的八種方法
數字和趨勢
看數字、看趨勢是最基礎展示數據信息的方式。在數據分析中，我們可以通過直觀的數字或趨勢圖表，迅速了解例如市場的走勢、訂單的數量、業績完成的情況等等，從而直觀的吸收數據信息，有助於決策的準確性和實時性。
維度分解
當單壹的數字或趨勢過於宏觀時，我們需要通過不同的維度對於數據進行分解，以獲取更加精細的數據洞察。在選擇維度時，需要仔細思考其對於分析結果的影響。
用戶分群
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壹群用戶的特定信息，創建該群體用戶的畫像。例如訪問購物網站、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，我們可以進壹步觀察他們購買產品的頻度、類別、時間，這樣我們就創建出該用戶群體的畫像。
轉化漏鬥
絕大部分商業變現的流程，都可以歸納為漏鬥。漏鬥分析是我們最常見的數據分析手段之壹，無論是註冊轉化漏鬥，還是電商下單的漏鬥。通過漏鬥分析可以從先到後還原用戶轉化的路徑，分析每壹個轉化節點的效率。
其中，我們往往關註三個要點：
01）從開始到結尾，整體的轉化效率是多少？
02）每壹步的轉化率是多少？
03）哪壹步流失最多，原因在什麽地方？流失的用戶符合哪些特征？
行為軌跡
關註行為軌跡，是為了真實了解用戶行為。數據指標本身往往只是真實情況的抽象，例如，網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妳的產品。
通過大數據手段，還原用戶的行為軌跡，有助於增長團隊關註用戶的實際體驗、發現具體問題，根據用戶使用習慣設計產品、投放內容。
留存分析
在人口紅利逐漸消褪的時代，留住壹個老用戶的成本要遠遠低於獲取壹個新用戶。每壹款產品，每壹項服務，都應該核心關註用戶的留存，確保做實每壹個客戶。我們可以通過數據分析理解留存情況，也可以通過分析用戶行為或行為組與回訪之間的關聯，找到提升留存的方法。
除了需要關註整體用戶的留存情況之外，市場團隊可以關註各個渠道獲取用戶的留存度，或各類內容吸引來的註冊用戶回訪率，產品團隊關註每壹個新功能對於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
A/B 測試用來對比不同產品設計／算法對結果的影響。產品在上線過程中經常會使用 A/B 測試來測試不同產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、內容、廣告創意的效果評估。
要進行 A/B 測試有兩個必備因素：第壹，有足夠的時間進行測試；第二，數據量和數據密度較高。因為當產品流量不夠大的時候，做 A/B 測試得到統計結果是很難的。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 測試往往在公司數據規模較大時使用會更加精準，更快得到統計的結果。
數學建模
當壹個商業目標與多種行為、畫像等信息有關聯性時，我們通常會使用數學建模、數據挖掘的手段進行建模，預測該商業結果的產生。
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據、公司信息、用戶畫像等數據建立流失模型。利用統計學的方式進行壹些組合和權重計算，從而得知用戶滿足哪些行為之後流失的可能性會更高。
我們常常說，不能度量，就無法增長，數據分析對於企業商業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。