下载掌阅APP，畅读海量书库
立即打开
导读：清楚了什么是指标，了解了常见的指标，接下来就需要建立一个完整、有效的数据指标体系来帮助数据分析人员更好地梳理、理解业务，发现业务过程中出现的问题，进而推动业务的迭代优化。本问就从什么是指标体系、为什么需要指标体系、如何建立数据指标体系这三个方面介绍指标体系的基本概念和构建方法。
1．什么是指标体系？
指标体系，即相互之间有逻辑联系的指标构成的整体，所以一个指标不能叫指标体系，几个毫无关系的指标也不能叫指标体系。好的指标体系有如下特点：
（1）能体现当下业务的关注点。
我们知道，业务在不同时期的重心不同，关注的核心指标也会不同。例如，一般在业务初期会重点关注新用户的增长和留存；中期会关注用户的活跃和转化复购；后期会关注用户的流失和召回。不同阶段关注的核心指标不同，所对应的指标体系也必定有所差异，所以不能指望一套指标体系从头用到尾，每个阶段都应该针对当下的业务关注点搭建指标体系，这样才能够和业务保持一致，真正起到指标体系的价值。
（2）同时包含结果性指标和过程性指标。
我们习惯通过指标体系监控业务的发展趋势和出现的问题，但更重要的是，我们希望了解问题背后的原因，知其然更要知其所以然，对症下药才能够针对性地进行改进和优化。所以一个好的指标体系除了要有表征现状问题的结果性指标，还要有影响这个结果的过程性指标，这样才能在出现问题时有据可循，快速找到出现问题的原因。
（3）有对应的业务抓手。
在前面两点的基础上，我们除了希望通过指标体系反映业务现状、定位问题原因外，更希望它能够指导业务动作，告诉哪些部门应该在哪些环节进行改进，这个就是我们说的“要有对应的业务抓手”。要有具体到人、具体到策略的指导性意见，否则就算定位到了问题的原因所在，没有对应的人和策略跟进，问题依然得不到解决。
注意：建立指标体系不是一个人能够完成的，需要业务部门（市场、运营、产品部门等）、数据部门、开发部门相互协作，共同讨论确认。一个人闭门造车建立的指标体系很容易和业务脱节，也很难落地。在日常工作中，业务部门、数据部门、开发部门也需要紧密合作。
2．为什么需要指标体系？
指标体系的作用如下：
（1）全面诊断业务现状。
没有指标对业务进行系统衡量，就无法明确业务现状，也就无法把控业务发展，尤其现在很多业务比较复杂，单一数据指标容易片面化。因此，搭建系统的指标体系，才能全面衡量业务发展情况，针对性地制定业务策略，促进业务良性增长。
（2）快速定位业务问题。
一个完整的指标体系能够明确结果型指标和过程型指标的关系，不仅能监控结果，更能分析过程。通过结果型指标回溯到和用户行为相关的过程型指标，找到解决问题的核心原因。如转化率这种结果型指标，影响它的可能是浏览次数、停留时长等过程型指标，通过指标体系，能明确转化率和浏览次数、停留时长的关系。
（3）有效驱动业务发展。
产品、运营、市场营销等部门都是促进公司发展的重要组成部分，而这些部门都需要通过数据发现业务上的问题，针对性地提升改进。产品需要通过数据评估版本迭代效果；运营需要通过数据验证运营策略；市场营销需要通过数据洞察用户的消费习惯。通过完整的指标体系和数据分析，可以有效指导各部门的工作，通过数据找到业务当前痛点和瓶颈，以数据驱动找到优化方向，进而实现业绩的提升。
3．如何建立数据指标体系？
一个指标体系的构建通常需要先确定一个核心指标作为一级指标，然后将核心指标进行逐层拆解，得到一个完整的指标体系。这里涉及几个关键的问题：如何确定这个核心指标？如何进行业务拆解？拆解后的过程如何进行衡量？这里介绍一种常用的构建指标体系的模型—OSM（Object Strategy Measure）模型，这个模型的含义如下：
O（Object，目标）： 在建立数据指标体系之前，一定要清晰地了解当下的 业务重点和目标 ，也就是模型中的O。换句话说，业务的目标对应着业务的核心指标，了解业务的核心指标能够帮助我们快速厘清指标体系的方向。
S（Strategy，策略）： 了解业务目标和核心指标之后，就需要在此基础上根据用户行为路径进行拆解，这个拆解一定对应着 业务策略 ，也就是模型中的S。把核心指标拆解成一个个过程指标，每个过程指标对应着相应的行动策略，这样就可以在整条链路中分析可以提升核心指标的点。
M（Measure，指标）： 针对上面拆解的每个业务过程，制定对应的 评估指标 ，也就是模型中的M。评估指标的制定是将产品链路或者行为路径中的各个过程指标进行下钻细分，这里用到的方法就是麦肯锡著名的MECE模型，需保证每个细分指标是完全独立且相互穷尽的。
下面通过一个电商行业的案例来了解如何基于OSM模型构建指标体系。
（1）明确核心指标。
构建指标体系的第一步，需要明确当下业务的目标（Object）是什么，找到核心指标作为一级指标。例如当下的业务目标是增加营收，对应的核心指标就应该是总营收（Gross Merchandise Volume，GMV）。
（2）拆解业务过程。
明确了核心指标或者一级指标是GMV，接下来就要对业务过程进行拆解，影响到GMV的各个环节有哪些？用户到最终付费贡献营收一般需要经历以下完整过程：注册产品→登录产品→商品曝光给用户→点击商品浏览详情→收藏加购→成交转化。
这样一来就把核心指标对应的中间过程梳理出来了，同时，针对每个中间过程也有对应的策略（Strategy），例如在注册环节，可以通过广告投放和优惠激励的形式进行拉新、提高注册量等。
（3）指标体系细分。
对这些中间过程建立指标，并向下进行逐层拆解，这个过程我们称为指标体系分级治理，用到的模型是MECE模型。MECE模型的指导思想是完全独立、相互穷尽，根据这个原则拆分可以逐层细化，暴露业务本质，帮助我们快速地定位业务问题。
例如，针对第（2）步拆解的每个环节，建立对应的指标进行评估。在注册、登录、曝光、点击、成交各环节，可以通过各环节的UV（Unique Visitor，独立访问数）去衡量。
同时，还可以建立相邻环节之间的转化率，用于评估整个环节中各个漏斗的转化率，例如点击率（点击人数／曝光人数）用于衡量从曝光到点击环节的转化率。
经过以上一步步的拆解，最终形成初步的指标体系，如下图所示。
当然这个指标体系还比较简单，因为只进行了一层拆解，实际上针对以上每个过程，可以进一步拆解细分。例如，我们可以对点击UV按照来源渠道等进行逐层拆解，拆解成自然流量点击和付费流量点击，自然／付费流量点击又可以进一步细分为PC端和移动端的点击，以此类推，逐层拆解。
4．小结
数据指标体系搭建的方式不拘一格，拆解方式也多种多样，但原则一定是结合着业务进行，因为数据指标体系最终一定是指导业务，帮助业务发现和解决问题，脱离了业务的指标体系只能是纸上谈兵，毫无意义。
导读：数据指标体系指导业务，帮助业务发现和解决问题，那么实际工作场景中如何应用数据指标体系呢？此时，就需要配合“数据监控体系”，通过业务数据监控、分析、复盘等找出问题，寻求解决方案，为业务下一阶段目标进行预测和决策，有效地发挥出“数据指标体系”的作用。
1．什么是数据监控体系？
“数据监控”即“采集+呈现”，也就是将用户全链路行为数据以及业务数据采集过来，并用可视化的图表呈现出来。“数据监控体系”就是将这些单一的数据指标体系与管理流程结合起来，来满足复杂的产品业务线的监控需求。
数据监控体系的重要性如下：
（1）反映过去产品和业务情况。
能够反映过去产品和业务的情况，对现在情况做对比和参考。
（2）现有业务线的状态监控。
对目前产品业务线的状态进行监控。
（3）发现数据异常等问题。
及时发现业务指标升高或降低，以及产生的原因。
（4）预测业务发展。
反映产品业务线未来可能发生变化的趋势，再根据指标数据控制成本等。
2．数据指标体系的应用思路是什么？
（1）明确产品业务目标、 KPI 和所处的产品阶段。
需要认清和明确目标（量化以及拆分目标是数据分析的灵魂）。一个业务目标的达成可能是多个团队、多个地区、多个渠道共同促成的，所以，在了解整体目标的同时也要关注局部目标，增加分类维度，明确局部的好坏状态。而判断业务走势正常还是异常，探索解决问题的办法，都是从计算目标和现状的差距开始的，这一点非常重要。不同的产品阶段有不同的产品目标业务。
目标细分可以有多种类型，常见的有以下几种：
● 按达成时间细分：年、季度、月。
● 按服务对象细分：各个部门、整个公司。
● 按流程位置细分：结果型目标、过程型目标。
（2）根据业务目标，确定判断标准。
依据判断标准，查看数据指标体系中的核心指标是否达标。没达标的话差多少，是亏空还是差一些，是什么原因造成的，问题大不大；达标了超出多少，为什么会超出，有没有更多的机会。判断标准的维度如下图所示。
（3）根据业务需求，从数据指标体系中挑选相应数据指标，进行拆解。
数据指标体系里有很多数据指标：日活（DAU）、月活（MAU）、下载量、激活量、新增注册量、次日留存率、次人均时长、首页访问率、停留率、人均充值金额（ARPU）、商品交易总额（GMV）、客单价，等等。
针对不同的指标，拆分不同的层级。不一定要拆得很细，否则层级会过深，基本上3个层级就能够指导我们去做一些动作。
（4）查看不同层级的数据指标，找出原因。
确定哪些数据指标没达标，是什么原因，是推广少、成本高、用户少，还是转化率低或者付费率低等。
（5）搭建以日、周、月为单位的数据指标监控体系报表。
监控每日、每周，以及上周、上月同周、上上月同周的数据报表，以图表展示，来反映产品的变化趋势，通过过去一周的数据反映产品现状，通过过去三个月的产品业务线数据变化趋势预估未来的变化趋势。
数据监控指标体系的基本逻辑是先看一级指标，再结合二、三级指标预测未来趋势。
（6）根据数据监控结果 / 数据指标体系进行多维度分析，明确管理流程，实现控制。
具体操作步骤如下：
① 进行多维度分类分析。如：
● 哪些区域、团队、渠道，完成目标是下降还是持续上涨；
● 哪里没做好，是什么原因；
● 看看是谁能力大，是谁影响了整体。
② 确定指标异常状态，明确运营策略执行者。如：
● GMV降了→客单价降低了→用户运营想策略；
● GMV降了→某类商品降幅大了→商品运营想策略；
● GMV降了→外部流量太少了→渠道运营想策略。
③ 明确执行时间，要有时间状态和走向判断。如：
● 过去+负向→关注什么问题；
● 过去+正向→发现什么经验；
● 未来+负向→警惕什么风险；
● 未来+正向→提示什么机会。
④ 明确需要多大力度。如：
● 注意出现异常；
● 提高、降低、保持等动作；
● 立即执行。例如，“客单价不能在3天内得到改善提高，本月KPI将不达标，要立即优化商品组合，提升客单价”。
⑤ 复盘改善后效果。最主要环节就是效果的复盘，而且要先看是哪个层数据指标的效果，再看具体效果并进行改善。
3．小结
“数据指标体系”应用要配合“数据监控体系”，这需要我们不断地总结过往经验，了解未来产品业务计划，甚至收集一些竞品的情况，把整体现阶段的目标具体到某个人，有明确指向，不断地完善“数据监控体系”，发挥出“数据指标体系”的应用价值。
导读：随着大数据时代的到来，商业市场对“数据分析”相关岗位的就业需求也水涨船高。尽管如此，在与数据分析新人交流的过程中，仍会听到许多人对该岗位有“容易被替代”“发展前景窄”“价值难体现，沦为工具人”等疑虑。本问通过对数据分析价值的阐述，为心存顾虑、犹豫不决的读者提供一个参考。
在“第2问：数据分析是怎么来的？”这部分内容中，我们了解了数据分析的起源，明确了数据分析这个职能在经营全局中的定位。在此基础上，我们把镜头拉到微观的经营活动中，讨论数据分析是如何影响业务流程、产生价值的。
1．描述现状—发现问题
有时业务可能并不存在确切的“问题”，需要通过加深对现有业务场景的理解、关键数据指标的监控（如每日新增用户数、DAU、转化率、复购率等），将数据可视化，用数据报告的方式呈现，来描述当下业务的现状，让业务相关人员对整体业务现状有所了解，以此来产出有效策略，优化业务现状。
例如，现在业务使用的是客单价平均值，将客户分为高、低两类人群进行营销，此时数据分析师通过对消费者进行洞察分析，给予更精准的人群划分方案：利用客单价分位数，将客户分为三类人群，这样业务利用更新后的策略进行营销设计，提高转化效果。分析过程可能是做相关分析、回归分析，甚至是无监督的聚类，来对现状进行解释，发现问题。
2．解释原因—解决方案
通过数据发现某一指标异常的现象，需要进一步确定业务异动具体的原因。对产品或者用户行为中一些现象或者数据变化进行解释，让业务相关人员了解发生现象或者数据异常波动的原因，并针对性地给出解决方案。
例如，最常见的数据分析场景，就是业务相关人员发现销售额下降、用户流失、产品跳失率高，也就是业务层面出现了一个待解决的问题，此时需要数据分析师介入，从数据层面挖掘原因、给出解决建议。分析过程可能是做一些探索性数据分析、统计分析、机器学习建模，甚至是做AB测试试验，最终交付分析报告，或者部署上线模型。
3．总结原因—支持诊断
引起问题的原因是多方面的，要多方位思考，将关键指标逐层拆解，抽丝剥茧，从中找出问题的蛛丝马迹。此时，需要找到主要矛盾，让业务相关人员了解问题的根源，从而支持业务诊断。而支持诊断的内容主要集中在自动化报表，甚至是商业智能（Business Intelligence，BI）体系的搭建中。
例如，为了找出销售额低的原因，需要进行更多维度的拆分：销售额=客流量×客单价×转化率×复购率，要想分析销售额，就得从客流量、客单价、转化率、复购率这几个不同的维度去思考。数据分析师也可以通过交付“客单价预警报表”来优化该流程效率。
4．进行预测—探索发现
业务中还存在一种需求，就是对未知的探索和预测。不同业务形态对需要探索和预测的指标不一样。社交类产品比较关注日活、新增等数据，电商类产品比较关注订单量、销售额、转化率等数据。而预测是对业务未来发展趋势的判断，有了精准判断可以让业务相关人员了解业务未来的走向，并制定针对性的防御措施（若进行深层次的建模，就要高层次的机器学习等技术作为支撑）。
例如，针对电商类产品，通过对比往年数据以及针对性的活动预期效果，在“双十一”“618”预测可能产生的流量的峰值，事先对服务器进行扩容，避免大流量冲击对业务造成影响。同时针对广告投放效果进行预测，有针对性地进行广告投放，确保流量，并根据数据指标的实时变化对投放进行动态调整。
5．决策支撑—降本增效
所有数据分析产出的最终价值就在于指导业务决策，实现增长、降本增效。利用对比分析、描述性分析、多维分析、趋势分析等诸多分析方法对各种维度数据进行分析，挖掘数据潜在价值，为业务相关人员提供决策支持，提出解决方案，创造商业价值。
例如，可以利用数据分析筛选优质渠道。通过渠道分析，对比各个渠道新用户的留存，再结合各个渠道的推广费用算出ROI，对比各个渠道费效比，筛选出优质、性价比高的渠道，从而加大在该渠道上的投放费用。
6．小结
通过数据分析挖掘业务中的问题，并定位原因、给出方案建议，实现增长、降本增效，是数据分析最重要的价值。但数据分析最终是否能产生价值，除了上述的发现问题、定位问题、给出方案和建议外，还要注重项目的落地，这里涉及的能力有 项目能力（需求管理、定义问题、落地计划、部署上线）、资源协调、向上汇报、横向沟通等。
导读：我们都知道数据驱动业务的时代，要拿数据说话。数据是反映业务、辅助决策的重要手段，但这些都建立在准确的数据分析结论上。在数据分析的过程中，尤其是对于刚入门的数据分析师，对 数据来源、统计口径、分析方法、业务经验、思考方式 等掌握不牢，很容易产生一些“陷阱”，以致分析的结论出现偏差。
本问将探讨在数据分析过程中几个常见的“陷阱”，给读者提供一些实用的经验，帮助读者在工作中规避这些“陷阱”。
1．不了解数据来源，不确保数据的正确性
很多人在数据分析中十分重视分析方法，却忽略了数据本身，这是数据分析最大的“陷阱”：不了解数据来源，不确保数据的正确性。错误的数据是得不出正确的结论的，因此，数据分析的第一步就是了解数据来源，确保数据正确性。
例如，某App上线了新版的落地页，在不同渠道投放。数据稳定后，数据分析师发现某个渠道落地页的点击率、转化率等数据明显要好很多，建议加大这个渠道的投放。然而，突然接到研发人员的反馈，在数据埋点的时候不小心埋错了，这个渠道的数据是其他两个渠道数据的总和。因为错误的数据得出了错误的分析结论，还差一点做了错误的决策。
2．未清洗数据，数据抽样出现偏差
梳理数据来源，确保数据的正确性是前提。但在正式开始分析之前，我们还要保证数据的质量和数据抽样的合理性，少数脏数据和异常值可能会使分析人员得出相反的结论，不合理、不均匀的抽样也可能使得分析结论与整体情况背道而驰。
由于程序错误、第三方攻击、人为等原因，数据采集中很容易出现极端异常值、缺失值等情况，这些脏数据会对分析结论造成很大影响，所以在进行数据分析之前，需要检查各字段的空值、数据分布等情况，并进行异常值剔除、缺失值填充等处理，保证数据质量后再进行分析。
另外，如果受限于数据样本量，要从总体样本中抽样进行分析，想要保证群体样本能够代表整体，就要保证样本均匀随机，避免人为主观的选择性偏差导致结论的偏差，进而得出真实可靠的结论。
例如某App升级后，想通过新版本和老版本用户的活跃情况对比，判断新版本是否优于老版本，但这里实际就隐藏了选择性偏见，升级新版本的用户往往本身就是较为活跃的用户，其活跃情况大概率优于未升级用户，这就是分析样本导致的结论偏差。
3．需求不匹配，分析目的不明确
在了解数据来源并确保了数据质量后，接下来就要明确业务方真实的需求，问题到底是什么，明确了这个才能明确分析的目的，然后针对分析目的，搭建分析框架，选择分析方法，抽取特定的数据进行分析。避免为分析而分析的误区，才能得出正确而有价值的结论。
例如，某App的产品经理觉得目前产品转化率较低，想让数据分析师进行分析。如果数据分析师没有进一步确认是哪些用户／哪个环节转化率低，就开始拉取数据进行分析，很容易乱撞一通抓不到重点。其实产品经理说的是“新用户成单”的转化率低，明确了这个分析目的，数据分析师才可以继续分析是新用户来源不精准，还是引导不够等。
4．指标不合理，评估出现偏差
明确了分析目的，下一步就需要选择合适的指标去定量评估问题，也就是要定义合适的数据指标。每个指标都有特定的统计逻辑，反映事物某一方面的特点。因此，在进行数据分析时，如果指标定义不当，很容易得出错误的结论。
例如，我们经常使用平均值来描述一组数据的集中趋势。但是，有些场景并不适合使用平均值，如果把我和世界首富的财富取平均值，我也是富翁，但很明显，这个平均值没有任何意义，因为个人财富并不服从正态分布，使用分位数、加权平均数可能更有意义。
5．轻视业务，生搬硬套方法论，与实际场景脱节
定义好合适、准确的数据指标后，接下来就是使用各种数据分析方法来分析数据，得出结论，辅助业务决策。数据分析方法论是对一个数据分析项目起到指导作用的思路框架，掌握一些常用的分析方法论可以帮助我们高效地开展分析工作，但实际工作中切忌生搬硬套，不同行业、不同业务、不同阶段，适用的分析方法都有所区别。
例如，同样是用户分析，To B业务和To C业务就有很大的区别，To B的产品一般是解决系统化、流程化问题，关注更多的是效率、功能性等。而To C产品则偏向用户体验，要做到让用户“爽”，更多关注的是用户痛点、产品的交互和使用习惯等。所以，在数据分析过程中，不能完全生搬硬套历史案例的分析方法，而应重视对业务的理解。
实际业务往往比数据更加复杂，分析时需要了解具象化的业务场景，而不只是抽象的数据。数据分析师极易犯的错误就是只懂工具，没有真正理解业务需求。数据分析师一定要多去一线了解业务，多站在业务的角度思考问题，想他人所想，急他人所急，这样才能及时甚至提前帮助业务方解决各种问题。
同时，数据分析师还要及时与业务方沟通，共享数据分析的成果，及时吸取业务方的反馈，不断地更新迭代分析结果，完成“从业务中来，到业务中去”的完整闭环，这样才能体现数据分析的真正价值。
6．小结
以上都是工作中常见的一些数据分析“陷阱”，随着大数据时代的到来，数据量急剧增长，业务场景和数据分析也变得越来越复杂，我们要抱着敬畏的态度，谨慎地使用数据，大胆假设，小心求证，确保数据分析每个环节的可靠，避开数据分析中的“陷阱”，做出准确而有价值的数据分析。
导读：将决策方向从“业务经验驱动”向“数据量化驱动”转型，可以更好地管理企业、驱动业务线的改进、挖掘业务的增长点。本问从业务解决问题的流程出发，探讨关于数据驱动业务增长的底层逻辑。
虽然我们一直说数据赋能业务，但是这个过程是如何落地的呢？回到业务层面，借助黄金思维圈模型，可以把解决问题的过程抽象成 明确问题（What→分析原因（Why）→落地执行（How） ，贯穿这个过程，数据驱动的逻辑可以对应为 业务解构→建模分析→变革提效。
1．明确问题
何为问题？问题是当前课题下，现状与预期之间的差距。
业务场景下，所见即为现状，例如本月销售额100万元，消费人数1万人，客单价100元，这些都是数据现状。一旦预期与现状不符，例如本月预期目标销售额300万元，消费人数1.5万人，客单价200元，这中间的差距（销售额-200万元，消费人数-5千人，客单价+100元）就是问题，这里的“问题”是广义的：针对表现不好的地方，提出解决方案；针对表现好的地方，提炼成功经验。这些都是分析的起点。
业务问题的产生往往依据的是直观的结果：本月销售额不达标、领导要求提升客单价等，而这些原始的需求往往是模糊且无从下手的。只有明确真正的问题是什么，才能解决它。
因此，在该阶段， 数据真正发挥价值的地方在于通过“业务解构”定位核心问题点。 我们说数据分析一定是从业务出发，最终再回到业务落地的过程，而明确问题阶段，对应的就是“从业务出发”：在业务场景下，定义业务现存的问题，或者明确业务期望此次分析能达到的目标，只有明确了目标，才能给分析过程带来明确的方向。
但对业务问题的定义又不能局限在业务层面，之所以是数据分析，是因为需要借助数据的力量，把业务问题转换成数据分析需求，这样才能应用“武器库”里的分析方法解决问题。也就是说，在明确问题阶段，我们需要做以下事情：① 从业务层面明确问题；② 将问题转换成具体的数据分析需求。
这里有一个问题拆解的逻辑，业务方给数据分析师的问题大多是笼统定性的，容易让人无从下手。该怎么办呢？解决方案就是上述的②：从数据层面定义（或拆解）业务问题，把大问题拆解成可解决的小问题，然后在分析原因阶段一个一个解决。
例如，逻辑树方法（详见第25问）就将需求来源的业务拆解，根据生意公式：销售额=消费人数×客单价，把销售额指标的变动拆解到更具体的层面。假设销售额（-30%）=消费人数（-40%）×客单价（-30%），此时可以能看到，面对销售额不达标的场景需求，真正需要解决的是消费人数下降的问题。
2．分析原因
在明确问题阶段，我们能得出此次数据分析项目要达成的分析目标，以及从大问题拆解而来的小问题。除了解决这些问题外，在分析原因阶段有一个重要的任务：追溯数据变动的原因。只有“知其所以然”，才能扩大成功经验、汲取失败教训。
在以往，很多情况下仅能依据业务经验解决问题。这种反馈形式，有如《思考，快与慢》中“系统一”的快思考，建立在个人业务经验基础上，很容易产生偏见。当然不排除存在经历大量刻意练习，或者有丰富实战经验的专家，仅凭感性的认知就能做出正确决策。但是对于大部分人来说，直觉支撑的决策往往站不住脚。
因此，更需要《思考，快与慢》中“系统二”的慢思考，通过深思熟虑的分析、验证，寻求解决问题的方案。数据分析提供基于数据支撑的框架思考能力，就属于这种反馈形式。
在该阶段，数据发挥价值的地方在于“建模分析”。 例如为了解决上述“消费人数下降的问题”，可以搭建AARRR漏斗模型（详见第33问），通过提升上游留存（Retention）阶段的人数，进而提升消费人数（Revenue）。假设对用户行为数据分析发现，只要用户邀请超过10名好友，用户30天留存的概率就会从30%提升到70%，因此，就能给出解决问题的业务策略：通过分享游戏刺激用户邀请超过10名好友。在这个案例中，数据分析通过找到业绩提升的“魔法数字”驱动业务增长。
当然，这仅是其中的一种分析框架、一种驱动路径。概括来说，帮助驱动业务的数据分析方法可以概括为四种： 比较分析、相关分析、预测和发现。
（1）比较分析。
指标的好坏、特征是否显著等都可以通过比较分析的方法来实现，例如常见的归因业务场景，本质就是做比较，通过横向、纵向的比较找出原因。
分析方法：T检验、方差分析、同比、环比、同期群分析等。
（2）相关分析。
分析变量之间的相关性是重要的分析场景。例如，业务中想知道提高广告预算能否或者能提升多少销售业绩，运用相关性分析或许能找到最优投放ROI的配置方案。
分析方法：卡方、皮尔逊（Pearson）相关系数、斯皮尔曼（Spearman）相关系数、结构分析等。
（3）预测（有监督）。
不论是对企业销售的预测，还是对用户行为的预测，都能帮助提升业务效率。例如常见的预测用户流失分析，得到高概率流失的人群名单后，运营及时通过提前营销干预，提高用户留存率。常见的销售预测则能帮助企业在供应链侧做准备。这类场景主要应用的是机器学习中的有监督分类模型。
分析方法：线性／逻辑回归、决策树、时间序列分析、贝叶斯等。
（4）发现（无监督）。
前面三种分析方法都是基于企业已知模式的分析逻辑，还有一种分析方法—无监督的机器学习模型，可以应对未知模式的分析。例如，不知道应该把现有人群分成多少个组来进行营销最合适，就可以对人群基于核心特征做无监督的聚类分析，得出有效分组的界限。
分析方法：Kmeans聚类、DBScan聚类等。
接下来的第2章会为读者带来这些方法更多、更具体的介绍。
3．落地执行
至此，我们在分析原因过程中得到一系列的数据结论，这些数据结论最后还需要通过结合业务场景的定性分析形成业务结论。在业务结论的基础上，我们才能给出落地的业务建议。
什么叫“落地”？即保证业务方可以操作且愿意执行。
“可以操作”说明所给的建议的颗粒度足够细。例如，“要提高客单价”就不可操作，业务方不知道要怎么做才能提高客单价，而“通过促销活动提高某产品系列销售占比至40%”就可以操作，业务方马上就可以围绕该产品系列给出方案。
“愿意执行”说明所给的建议是符合业务方利益的。实际工作中，每个部门都有不同的工作，假设我们给用户运营部门提了产品优化的建议，那用户运营的同事也无法马上对产品做任何操作，因为这超出了他们的权限。所以，要给用户运营部门提用户活动相关的建议才是正解。
面对业务问题，不论分析的过程是复杂还是简单，最重要的是要做出行动，完成数据驱动的“最后一公里”， 在该阶段，数据发挥价值的地方在于“变革提效”。 借用《数据分析即未来》里的观点：判断一个组织的数据能力强不强，并不在于它的算法模型有多复杂，而是数据模型能否融入业务流程中，在不同部门间形成协同。为了达成数据驱动过程，在最后的落地阶段，需要数据分析师完成两项工作：数据故事与模型实施。
（1）数据故事。
分析项目的落地需要多方参与，即使是业务实践经验丰富的分析师，由于流程边界的存在也不可能每步都参与执行。因此，确保项目有效落地的一个必要条件是和业务方达成共识。
为了与业务方达成共识，需要讲数据故事，阐述起因（需求定义）、过程（分析逻辑），确保结局（重要结论）引人入胜（被认可）。这个过程需要制作PPT向上汇报、与业务方沟通，甚至是做跨部门的演讲。
（2）模型实施。
不论是业务模型还是算法模型，最终都需要落地实施、部署上线。到这一步，数据分析结论对业务流程则会产生实质性的影响。
● 对于业务模型，如RFM，则是部署到业务流程中，应用在会员管理、活动营销等环节；
● 对于算法模型，如推荐算法，则是部署到产品功能上线，可以通过内置算法、REST接口等形式落地。
4．小结
数据驱动业务增长是一个厚积薄发的过程，需要在日常业务工作中做好数据收集、数据清洗、数据监控、数据可视化分析、数据产出在内的每一个环节。其底层逻辑体现在基于数据思维进行的业务解构、建模分析，并最终将分析结论在业务流程中落地，实现变革提效。