張溪夢：14年數據分析經歷，我總結為這三點「道、術、器」

本文選自 GrowingIO 《 產品經理數據分析手冊》 ，根據張溪夢演講內容整理編輯;原文發於GrowingIO 博客 和公眾號，授權大數據文摘發布 / 轉載 。

本文作者：張溪夢， GrowingIO 創始人 & CEO，原 LinkedIn 商務分析高級總監。張溪夢先後服務過EPSON、eBay、LinkedIn 等矽谷明星企業，有著 14 年的數據分析、用戶增長經驗，曾被美國 Data Science Central 評為 「世界前十位前沿數據科學家」。t

回國創業兩年多來，不斷有朋友、客戶、合作夥伴問我關於數據分析的問題。我發現大家對於數據分析的好奇心、求知慾非常強，這是一個非常好的趨勢。但是問題也很突出: 大家對於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 ;大家的視野更多局限在數據報表、BI 系統、廣告監測等領域，對於數據以及數據分析其實是缺乏深層次洞察的。

借這個機會和大家分享一下我過去十多年的數據分析體會，希望看完這篇文章後，你對數據分析所需要的能力有一個系統性的認識和提升。

一、數據分析能力體系的三大層次

用中國的文化來定義數據分析所需要的能力，我把它總結為為「道」，「術」、「器」 三個層面。

圖1:數據分析能力體系金字塔第一點，什麼是「道」?道是整個體系的基礎，指的是大家對數據、對數據分析的理解和認知，是價值觀層面的概念。

第二點，「術」是什麼?術是指方法(論)，做數據分析需要掌握一套科學的方法，下面我會有具體的介 紹。

第三點，「器」是什麼?器是指工具，沒有工具的話數據分析只能是空談、無法落地。

二、道:數據分析的價值觀

上面我介紹了:「道」指的是價值觀，即如何看待數據分析的價值。要想真正吃透這一點，必須在價值認同、工作定位和商業模式三點上取得突破。

圖2:數據分析的價值觀做好數據分析，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。

（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，企業內部還需要有數據驅動的公司文化。如果大家寧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，而不應該流於形式，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。

圖3:數據分析的 EOI 框架

當時我們還採用了一套 EOI 的分析框架，對不同業務的數據分析價值有明確的定位。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別起到助力(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於企業的增長目標，所以 務必要對行業背景、業務含義、產品和用戶有著深刻的認知 。

圖4:數據在 LinkedIn 整體戰略中的地位

還是以 LinkedIn 為例，作為企業增長的重要環節，LinkedIn 在產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，然後產生大量的數據，最後根據數據進行業務變現(企業廣告、企業招聘、高級賬號等業務)和用戶增長，從而不斷良性循環。

「道」 是整個數據分析能力體系的基礎，只有認可分析價值、明確工作定位、深諳商業模式，數據分析才能走在正確的軌道上。

三、術:數據分析的方法論

如果說「道」的層面大家接觸得有點少，那麼「術」就是大家經常討論的地方了。我這裡講的 「術」 是方法，包括數據分析的流程框架、宏觀方法論以及具體分析方法。

(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、數據採集、數據分析和數據決策。 從用戶、業務系統，到數據採集平台、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。

圖5:數據分析的框架

上面整個分析框架中，越底層的佔用的時間和精力越多，而頂層的耗時較少。從產生的價值來看，越底層的產生的價值越低，越頂層的產生的價值越高。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採集、清理、轉換等臟活累活上面，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，並且儘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、產品、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。

圖6:AARRR 模型

AARRR 是著名的 Growth Hacker (增長黑客)海盜法則，依序分別是 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，應該考慮用戶正處於 AARRR 模型的哪個部分、關鍵數據指標是什麼、對應的分析方法又是什麼?

圖7:學習引擎模型

「 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採納。

當我們有一個想法的時候，可以採用最簡可行化產品(MVP)的方式將其構建(Build)出來。產品上線後，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。

圖8:數據分析的具體方法

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。以產品經理為例，可以把「用戶行為 - 數據分析 -產品設計&優化 」三位歸於一體，在不斷的實踐應用中掌握各種分析方法的精髓和要義。 關於具體的分析方法，推薦大家看一篇我同事 Justin 的文章，其中有詳細的闡述。

數據來源於用戶，數據分析的最終目的也是服務於企業和用戶。 做數據分析之前，一定要清晰業務目的和數據指標，選擇科學的分析方法，用數據來指導產品和用戶增長。

四、器:數據分析的工具篇

「 大數據、大數據，最重要的就是數據。但數據在哪裡呢?現在最缺乏的，是統一的數據採集平台!」這是很久之前我接受採訪時的觀點，現在仍是如此!

(一)為什麼工具那麼重要?

在我創立 GrowingIO 的時候被投資人拉進一個交流群，群裡面是矽谷各種創業公司的 CEO。我發現群裡面討論的東西很有趣，就兩件事情:一個是創業增長的方法論，另外一個就是討論各種工具。「 工欲善其事，必先利其器 」 說的就是這個道理，古今中外概莫如此!

圖9:數據分析金字塔

很久之前我就跟人談起過這個問題，整個數據框架下面的部分可能花費了你 80% 的時間和精力，但是產生了不到 20% 的價值。大家都在搭建數據採集平台、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 。

以前我在 eBay、LinkedIn 工作的時候，市面上沒有好的數據分析工具，我們不得不自己去部署很多的系統、建立很多的機制，甚至僱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(特別是成長型企業)，大家完全沒有必要內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)選擇合適的分析工具

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。每種場景都有若干種工具可以選擇，有些工具也可以用於多種分析場景，關鍵在於你對工具的熟悉和理解。

圖10:數據分析工具匯總

Excel 絕對是最基本、最常見的數據分析工具了，對於數據量較小的情況，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資料庫來支持。

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。產品和運營重點關注用戶行為和產品使用，用戶行為數據分析工具是他們的首選。以前大家只關注業務數據，然而這些結果型的數據並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。

「道」、「術」、「器」，這三者構成了數據分析的能力體系。只有認同數據分析的價值(道)、掌握數據分析的方法(術)並且靈活應用數據分析工具(器)，才能真正做好數據分析。

推薦閱讀：