這篇文章從整體框架出發，介紹了數據分析的三大層次。包括對數據分析的整體理解和認識，做數據分析的科學方法，以及數據分析相關的工具介紹。

數據分析目前在國内互聯網圈的受重視程度在逐步提升，但是問題也很突出：

1. 大家對于數據分析的認知和理解支離破碎，缺乏一個整體的、系統的思維框架；
2. 大家的視野更多局限在數據報表、BI 系統、廣告監測等領域，對于數據以及數據分析其實是缺乏深層次洞察的。

這篇文章就從整體框架出發，介紹一下數據分析的三大層次。包括對數據分析的整體理解和認識，做數據分析的科學方法，以及數據分析相關的工具介紹。

一、數據分析價值觀

如何讓數據分析真正發揮價值？我認為必須在價值認同、工作定位和商業模式三點上取得突破。

（一）數據分析的價值認同

做好數據分析，首先要認同數據的意義和價值。一個不認同數據、對數據分析的意義缺乏理解的人是很難做好這個工作的。放到一個企業裡面，企業的 CEO 及管理層必須高度重視和理解數據分析的價值。你想一下，如果老闆都不認可數據分析的價值，那麼數據相關的項目在企業裡面還能推得動嗎？然後，企業内部還需要有數據驅動的公司文化。

如果大家甯可拍腦袋做決定也不相信數據分析師的建議，那麼數據分析往往是事倍功半、走一下形式而已，反之則是事半功倍。

（二）數據分析的工作定位

做好數據分析，要對數據分析的價值有清楚的定位。既不要神化數據分析，把它當做萬能鑰匙；也不要輕易否定數據分析的意義，棄之不用。數據分析應該對業務有實際的指導意義，而不應該流于形式，淪為單純的 “取數”、“做表”、“寫報告”。在 LinkedIn 那麼多年的工作時間裡面，我們對數據分析的工作早已有了清晰的定位：利用（大）數據分析為所有職場人員作出迅捷、高質、高效的決策，提供具有指導意義的洞察和可規模化的解決方案。

當時我們還采用了一套 EOI 的分析框架，對不同業務的數據分析價值有明确的定位。針對核心任務、戰略任務和風險任務，我們認為數據分析應該分别起到助力（Empower）、優化（Optimize）、創新（Innovate）的三大作用。

（三）數據分析的商業模式

做好數據分析，要對企業的商業模式非常了解。數據分析的最終目的還是服務于企業的增長目标，所以務必要對行業背景、業務含義、産品和用戶有着深刻的認知。

還是以 LinkedIn 為例，作為企業增長的重要環節，LinkedIn 在産品設計之初就優先考慮到了數據的價值模式。首先是用戶的增長、使用和活躍，然後産生大量的數據，最後根據數據進行業務變現（企業廣告、企業招聘、高級賬号等）和用戶增長，從而不斷良性循環。

隻有認可分析價值、明确工作定位、深谙商業模式，數據分析才能走在正确的軌道上。

二、數據分析方法論

（一）數據分析的框架

在整個數據分析框架中，用戶是數據的來源，也是數據分析最終要服務的對象。整個分析框架可以分為四大層次，依次是：數據規劃、數據采集、數據分析和數據決策。

從用戶、業務系統，到數據采集平台、ETL、數據倉庫， 再到分析、BI、DM、AI、洞察，再到決策、行為、價值，最終回到用戶。

上面整個分析框架中，越底層的占用的時間和精力越多，而頂層的耗時較少。從産生的價值來看，越底層的産生的價值越低，越頂層的産生的價值越高。大家想一下就會理解，做數據分析的過程大多時間是耗費在數據采集、清理、轉換等髒活累活上面，最有價值的分析和決策部分往往耗時很少。

因此，大家做數據分析應該把重心放在最有價值的分析和決策兩個層面上，并且盡可能使用工具實現底層的自動化操作。

（二）數據分析的方法論

數據分析應該幫助我們不斷優化營銷、運營、産品、工程，驅動企業和用戶的增長，而不是為了分析而分析。在這裡我給大家介紹兩個方法論，一個是業務上的 AARRR 模型，另一個是分析上的學習引擎。

AARRR 是著名的 Growth Hacker （增長黑客）海盜法則，依序分别是 Acquisition（獲取用戶）、Activation（激發活躍）、Retention（提高留存）、Revenue（增加收入）和 Referral（推薦傳播）的首字母簡稱，覆蓋用戶整個生命周期。我們在進行數據分析的時候，應該考慮用戶正處于 AARRR 模型的哪個部分、關鍵數據指标是什麼、對應的分析方法又是什麼？

“ 學習引擎 ” 是《精益創業》一書中提倡的精益化運營方式，在矽谷被大小企業廣泛采納。當我們有一個想法的時候，可以采用最簡可行化産品（MVP）的方式将其構建（Build）出來。産品上線後，我們需要衡量（Measure）用戶和市場的反應。通過分析收集到的數據，我們可以驗證或者推翻我們之前的想法，從而不斷學習（Learn）和優化。

（三）數據分析的具體方法

這篇文章的目的不是介紹具體的分析方法，而是為了讓大家對整個數據分析能力體系有一個系統的認知，所以我就不對每一個方法進行具體的闡述。

懂得每一種方法的原理是一回事，在業務中靈活應用又是另外一回事。以産品經理為例，可以把“用戶行為 – 數據分析 -産品設計 & 優化 ”三位歸于一體，在不斷的實踐應用中掌握各種分析方法的精髓和要義。數據來源于用戶，數據分析的最終目的也是服務于企業和用戶。做數據分析之前，一定要清晰業務目的和數據指标，選擇科學的分析方法，用數據來指導産品和用戶增長。

三、數據分析工具篇

（一）為什麼工具那麼重要？

“ 工欲善其事，必先利其器 ” ！

整個數據框架下面的部分可能花費了 80% 的時間和精力，但是産生了不到 20% 的價值。大家都在搭建數據采集平台、都在寫代碼埋點、都在做 ETL、都在建 BI 系統，哪裡還有更多的時間和人力來做 Analytics 和 Insight 。

以前市面上沒有好的數據分析工具，大家都隻能自己去部署很多的系統、建立很多的機制，甚至雇傭三四個團隊去做一件事。

今天市面上有很多好的工具來幫助我們進行數據分析，為了節省時間、資源（特别是成長型企業），大家完全沒有必要内部建造一套分析系統，應該擅用好的工具來幫助自己做數據分析。

（二）選擇合适的分析工具

選擇什麼樣的分析工具，跟你的工作崗位、分析場景息息相關。每種場景都有若幹種工具可以選擇，有些工具也可以用于多種分析場景，關鍵在于你對工具的熟悉和理解。

Excel 絕對是最基本、最常見的數據分析工具了，對于數據量較小的情況，無論是數據處理、數據可視化還是一些統計分析都能支持。一旦數據量大了，這個時候就需要大型的數據庫來支持。

市場營銷人員需要對廣告投放進行數據分析，網站流量監測是他們關注的重點。産品和運營重點關注用戶行為和産品使用，用戶行為數據分析工具是他們的首選。

以前大家隻關注業務數據，然而這些結果型的數據并不能告訴他們中間發生了什麼、為什麼發生；現在大家越來越關注精細化運營、對用戶行為數據的需求也越來越高，這也是我回國創立 GrowingIO 的原因。

如果你能懂一些 R 和 Python，在數據建模、統計分析、數據科學的方向上有所發展，那麼你的數據分析水平就更上一層樓了。

上面說的這三點構成了數據分析的能力體系。隻有認同數據分析的價值、掌握數據分析的方法并且靈活應用數據分析工具，才能真正做好數據分析。

本文根據張溪夢演講内容整理編輯。

作者：張溪夢，GrowingIO 創始人 & CEO

本文節選自 GrowingIO 2017 年第 3 期電子書《産品經理數據分析手冊》

本文由 @GrowingIO 原創發布于人人都是産品經理。未經許可，禁止轉載。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!