数据对于产品的发展起着决定性的指导作用，那么公司在运营的过程中具体需要一个什么样的数据来支撑服务呢？本文来自于我的新书《高阶产品经理必修课》
1、为什么需要数据分析体系
在很多不成熟的小公司中，虽然也有使用数据去验证产品的思路，但是他们在实际工作中往往是这样取用数据的：
- 产品部同事找到数据分析师，问他昨天刚上线的版本用户点击率是多少。
- 运营部同事找到数据分析师，问他前两天上线的拉新活动是否带来了用户量的增加。
- 公司某领导找到数据分析师，问他这两天的订单量是否有所增长，上月交易额环比增长是多少。
可见，各个岗位都会有自己的一套数据需求，所以此时的数据分析师只能逐个地进行数据计算。
而由于人力资源有限，数据分析师往往无法及时反馈所有的数据需求，这将会导致一些运营活动或产品规划错过最佳的时机。例如，在“双11”前夕想要准备“双11”促销活动，却迟迟拿不到过往的运营活动数据。
正是基于这样或那样的原因，很多企业演化出了一类数据产品——数据仪表盘，如图1所示。
▲图1 数据仪表盘
数据仪表盘就是将各个数据需求方常关注的数据汇总在一张报表中，这样大家可以在这里统一看到整个产品的用户数、交易数等的变化，能在一定程度上满足大家对数据的需求。
但是随之而来的新问题如下：
产品部的同事抱怨：虽然看到昨天新上线的版本中用户转化率下跌了，但是根本看不出来原因是什么，不可能是产品的问题，肯定是运营部的活动导致的。
运营部的同事抱怨：我虽然看到了拉新数，但我有三个用户拉新渠道，到底哪个拉新渠道的拉新能力最强，带来的用户质量最高呢？
而且事实上任意一个比较健全一点的产品，怎么对它进行评价其实不是一件容易的事情，因为它已经是一个有机生命体了。一个生命真的足够复杂到你难以完全明了，但我们聪明的人类有自己办法解决这个问题，那就是抓住核心要点，忽略细枝末节的误差。
因此面对这样的进阶需求，就需要一套完整的数据分析体系来做支撑，进而来帮助我们掌握数据变化情况并快速定位变化背后的原因。
2、数据分析体系概念的常见误区
一提到数据分析体系，常见的一个认知误区就是将数据分析体系等同于单一的某一个数据分析产品，如活动运营监控平台、用户画像平台等。
其实这里最大的错误就是将一个体系割裂开来，只看到了承载数据的产品而没有重点关注使用者的使用方法，就好像认为数据分析一定要有一把“利刃”，但是却不去关心舞剑者的功力一样。
最早提出这一认知的是钱学森先生，他在系统工程学中提出了软系统概念：
任意一个体系要想发挥正确价值，必须通过产品与使用者这两部分共同协作，这两者合二为一称为软系统。
所以数据分析体系的正确定义应该是：
数据分析体系通常由数据使用者的分析模型和数据分析平台这两部分构成。
这也告诉我们，在数据分析学习和构建数据分析系统的过程中，只有掌握使用数据的方法，才能以正确的方式解释数据。然而，在一些公司的运营过程中，这一点往往被忽视，导致完整的数据分析平台无人使用。
确切地说，就是我们没有使用正确的思维或方式，还是在使用新系统时使用旧思维，其核心就是没有升级使用者的数据思维与认知，从而不能发挥新系统其应有的价值。
这就好比当我们给数据使用者造了一辆汽车，但他们还是在寻找缰绳以期驾驶汽车，这就是典型的大多数传统企业遭遇的问题。
这时数据产品经理就应该化身作为企业内部的数据分析咨询师，帮助业务方看懂数据背后所反应的价值。所以数据产品经理在一家公司中应该有如图2所示的双重身份。
▲图2 数据产品经理的双重身份
3、数据分析体系构成框架
搞清楚了数据分析体系的定义，接下来就是了解如何才能搭建一个完整的数据分析体系。
笔者曾看到部分数据产品经理候选人的简历中经常会写到自己精通数据分析框架的搭建。
而当面试中被问到他们的数据分析体系究竟要怎么落地时，他们给出的回答却是针对DAU、留存率等片面的指标进行管理，但是数据分析体系中的平台建设，真的就仅仅是对这几个指标的管理吗？
那么请问这几位面试者，当你遇到了以下场景时，这几个指标要怎么解决实际的问题呢？
场景1：某天某电商出现了GMV（平台成交总额）下降，此时应该根据哪一个指标解决问题？
场景2：某公司拥有3条产品线，A产品线中又细分为商品运营、活动运营等，3条产品线的若干运营团队都看同一套指标体系吗？
坦白地说，单看孤独的某个或某些指标是解决不了问题的，此时就必需要依靠一些数据分析框架来解决该问题。
由前面的数据分析体系可知，数据分析体系落地涉及两个维度。下面让我们通过这两个维度来看看数据分析体系在工作场景中是如何落地的。
维度1：通用数据分析模型
以下是实现通用数据分析模型的方法。
- 设置目标：确定当下业务中你的目标及完成现状。
- 问题假说：穷举现状是由哪些问题导致的。
- 数据证明：通过数据来证明该问题会导致怎样的结果。
- 数据分析：分析该问题的成因并形成解决方案。
而日常业务运作中，常见的目标及工作概括起来就是：拉新、促活、留存 + （销售、活动等）；
而整个运营工作中，一定要有一个基于业务目的的最关键指标，其他所有的衍生指标都是基于该指标的分解，目的都是通过提升各衍生指标而最终提升最关键指标。而运营就是有方向性的通过自身的工作去提升各个衍生指标从而最终提升那个最关键指标。
维度2：数据分析平台
在数据分析体系中，数据分析平台的构成包含三大核心要素，分别是北极星指标、数据建模和事件分析。
数据分析平台定义中各要素的具体解析如下所示。
- 北极星指标：每个阶段针对具体业务领域确立的商业/业务目标
- 数据建模（又称指标体系）：DAU、GMV、留存率、订单量等
- 事件分析：漏斗模型、海盗模型、杜邦分析等
数据分析体系其实就是通过一系列的方法量化特定的业务，因为我们如果无法量化一个事物，那么本质上就无法衡量它的好坏，也就无法定位业务发展中的症结所在。因此好的数据分析框架就是在告诉我们：当下的整体业务是什么样？为什么会这样？应该怎么办？
回顾前面面试者所说的那几个指标，我们可以发现其根本无法清晰地反映业务上的这三个问题。
当然，这里只介绍了数据分析体系的宏观框架，还未涉及具体的数据分析体系搭建过程，在数据分析实战中还会涉及相应的方法论。
在我们知道了指标体系与其对应的作用后，接下来就要来学习如何为自身企业业务量身打造一套数据指标体系了。
要想构建一套完善的指标体系，除开对业务流程有十分熟悉的敏感度以外，有着一套恰当的基本建设方法论也是必不可少的。
通常指标体系的建立方法可以划定为这样的过程，依次是：数据规划、数据采集、数据分析和数据决策。
在行动上共分如下4步：
1）确定数据分析目标。
2）纵向指标维度定义（层级设计）。
3）横向指标维度定义（指标填空）。这其中，又分为自上而下探寻（业务域驱动指标定义）和自下而上探寻（功能逆推指标定义）。
4）各维度指标项定义。
首先目标指的是在整个数据分析框架中要分析的对象，也就是围绕用户我们要用数据完成什么？
建设数据分析体系，本质是个：从业务中来，到业务中去的事。需要大家多在内部花心思。然而，很多新手却在此处忽视、无视、轻视业务，导致分析目标并不是问题的本核，这是最严重的问题。
在任何数据相关的分析工作中，我们要牢记一句话：用户是数据的来源，也是数据分析最终要服务的对象。
从第二项开始便是进入数据指标的维度与定义设计，所谓维度定义就是是指从业务需求出发，将指标从多个维度进行拆分。
在维度层面我在前一篇文章中举过一个最简单的例子，我再摘取过来：
在一家公司不同层级的人员对于业务指标有着不同的观察诉求，因此我们要将数据指标面对不同层级的人存在不同的需求，做了一个分层定义，具体如下表所示：
这里引用网上关于分层的一个典型的实操经验，在进行整个指标分级的时候，我们一定需要先思考：
一级二级指标，能否反应产品当前的运营情况；
三级四级指标能否帮助一线人员定位问题，指导运营工作。
当然还有很多划分维度的方法，比如按照群组，按照生命周期等业务层面的要求都可以去划分。
再举个常用的例子，数据分析最常用的一个维度划分就是，按照时间流程大致分为事前分析、事中分析和事后分析。
在划分完毕后接下来就是要对划分好的维度进行逐一填充，继续以我上面表格中的例子，对于老板要看的结果指标要定义哪些具体指标？执行层的动作指标又需要哪些具体的指标？以上完成详细的指标定义。
在完成这一切的定义后，我们就可以交由开发同学帮助我们实现从用户、业务系统，到数据采集平台、ETL、数据仓库的落地，
再交由业务人员与产品自己实现从BI、DM、AI、洞察，再到决策、行为、价值，最终回到用户的完整数据驱动链路。
附录：常见的3种数据分析方法
01 细分分析
细分分析是分析的基础，单一维度下的指标数据的信息价值很低。我们需要通过逐步分析来拆分信息， 比如：来北京市的访客可分为朝阳，海淀等区；
02 对比分析
对比分析主要是指将两个相互联系的指标数据进行比较，从数量上展示和说明研究对象的规模大小，水平高低，速度快慢等相对数值， 通过相同维度下的指标对比，可以发现，找出业务在不同阶段的问题。
常见的对比方法包括： 时间对比，空间对比，标准对比。
时间对比有三种： 同比，环比，定基比。
例如： 本周和上周进行对比就是环比；本月第一周和上月第一周对比就是同比；所有数据同今年的第一周对比则为定基比。通过三种方式，可以分析业务增长水平，速度等信息。
03 漏斗分析
转化漏斗分析是业务分析的基本模型， 最常见的是把最终的转化设置为某种目的的实现，最典型的就是完成交易。但也可以是其他任何目的的实现，比如一次使用app的时间超过10分钟。
漏斗帮助我们解决两方面的问题：
在一个过程中是否发生泄漏，如果有泄漏，我们能在漏斗中看到，并且能够通过进一步的分析堵住这个泄漏点。
在一个过程中是否出现了其他不应该出现的过程，造成转化主进程收到损害。
