AIU人工智能学院：数据科学、人工智能从业者的在线学院。

数据科学（Python/R/Julia）数据分析、机器学习、深度学习

1、罗列指标，没有重点。很多文章一讲数据分析体系，就铺陈了大量指标。先看哪个，后看哪个，根本没说明。光把几百个指标理解一遍都要半天，业务啥也不用干了，每天就在这瞅数好了。

2、陷入细节，没有目标。很多同学习惯性列了指标，就开始按时间、渠道、区域、用户等级拆分，拆来拆去，标出一堆涨了跌了。问题是没个具体标准。每天纠结：1%的变化到底是不是问题？百分之几是问题？

3、不分职责，贪大求全。很多文章一列标题就是《电商指标体系》《运营指标体系》甚至是《互联网指标体系》，可实际上像BATT，一个公司十几个BU几十条业务线，都看一套指标？单纯运营就分：用户、产品、数据、新媒体、社群、活动、商品、渠道……几十种运营，也看一套指标？这些大而全的总结，总是看似有理，实际不好用。

最终导致的恶果，就是：自嗨型数据报表。看似罗列几百指标，拆分数十维度，每天更新累的夯吃夯吃，可以看报表打开率：不到10%。运营、产品、销售们遇到问题，还是提临时取数单，每天光跑临时取数就跑到断手指……O(╥﹏╥)o

什么是数据分析体系

如字面意思，数据分析体系包含两点：

1、数据分析：意味着不能光罗列数据，而是要对数据做解读，解释数据背后的业务含义，找到对业务有用的点。

2、体系：意味着不能毫无逻辑的铺陈数据，而是有节奏、有主次、有顺序的展现数据。这样才能更有效率的支持业务，而不是埋没在无穷无尽的码sql里，也能更好地积累分析经验。

把数据报表、专题报表串起来，有层次展现，应用到业务中的，才是真数据分析体系。

搭建数据分析体系的基本思路

数据分析本质是为业务服务的。尽可能多帮助业务工作，少浪费业务时间，才是服务宗旨。所以，在搭建数据分析体系时，要先问自己：

1、我在为谁们服务？
2、他们中每一位，有什么工作职责？
3、提供什么样数据，能更好帮助他们工作？
4、在什么时间提供帮助，能更少干扰他们？

这就是搭建数据分析体系的基本思路

第一步：认准服务对象

企业有部门分工，因此第一步要认准：我在为哪个部门服务。这非常关键！因为即使同一个问题，不同的部门的关注点会不同。同样是销售问题，如果是销售部看，关注的是每一支销售队伍完成率、进度、质量。如果是供应链看，那关注的就是总量、各产品数量、需求高峰期。如果是风控看，那关注的就是回款、坏账、套利。认清部门，有利于了解真正需求点。

其次，部门内有职级高低，要具体区分：谁需要看报表，他的责任与关注点是什么。同样是销售，部门领导关注的是下属队伍的排兵布阵，重点在什么区域，主打什么产品。每一个销售人员，关注的是要跟进哪个客人、跟进哪一步、见人说什么。一般来说，越是管理层就越关注策略问题，越是基层就越关注执行问题。

即使有些看起来一个人也能办的事，在企业里也有分工合作。比如公众号发文章，似乎一个人就能写，可在企业场景里，人家有专业的名字叫：新媒体运营。也有细致的工作分工。

第二步：明确工作目标

清晰了人以后，要认清每个人的工作目标。量化目标，是数据分析的灵魂。后续评价工作的好坏，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。这一点非常非常重要。很多做数据的同学陷入细节，做的报表看不出所以然，都是因为压根不知道到底数值是几才算好导致的。

业务目标并不都是“1个亿小目标”这种简单粗暴的形式。细分之下，可以有多种类型，比如常见的：

1、按达成时间分：年、季度、月
2、按委任形式分：长期任务/临时任务
3、按服务对象分：自身/其他部门
4、按服务对象分：领导/组长/员工
5、按流程位置分：结果型目标/过程型目标

继续拿新媒体运营举例，一个小组，可能同时背着多个目标：

注意：不同目标之前有逻辑关系。比如年度的涨粉任务，可能由促销活动涨粉、裂变涨粉、爆款文案涨粉、自然增长多种形式组成，一个大目标对应多个小目标。把各种目标按大小归属、时间顺序梳理清楚，就有了分析体系的基础框架。后续，我们可以跟着这个框架来跟踪目标完成情况，诊断运营效果。这就推进到了下一步。

第三步：跟踪业务走势

有了清晰的责任人、目标，就可以跟踪业务走势。在跟踪的时候，首先关注的是：目标达成情况。对于目标达成率监督，涉及到后续一系列行动判断，遇事先判断轻重缓急，再看细节（如下图）。

需要注意：不同等级的人，关注重点不同。还拿新媒体举例子，具体负责内容的小哥，可能要对每一篇稿子负责；负责投放的小哥，要对每一次投放效果负责；单次执行不好，就得进行复盘，总结问题。但作为运营组的组长，可能更关注整体KPI达成情况，一篇文章不行，只要从其他文章能补回来就行。

很多基于传统企业场景的数据分析体系，写到这就结束了。请注意，做到这一步只能算完成了“数据监督体系”的建设。因为仅仅看目标数量和完成率，是知其然、不知其所以然的状态。我们并不能回答：为什么做的不好？该改善什么？这种问题。想要回答的更细，就得深入的业务过程中，了解具体行动。（传统企业停在这里，更多是传统的门店、业务员销售模式缺少数据记录，不代表不想深入做）。

第四步：了解业务行动想要改善一个业务，就必须了解这个业务。

大部分的业务比我们想象的要复杂。比如新媒体运营，不做的同学可能想当然的认为：不就是写个文章吗？我看阅读数、转发数这些数据不就好了……可实际上，细看之下，一篇文章可能有很多业务细节（如下图）：

了解业务行动，分解业务细节，是为了：找到数据可以帮助的点。数据不是万能的，比如一个新媒体小哥写文章，数据不能只告诉他怎么写。但是具体到业务细节，数据可以提供很多参考，如下图所示：

这一步，是提升数据分析质量的关键。拆解业务行动，找到数据的帮助点，我们就能在跟踪进度的时候，进一步分析问题，这就推动到了一下步。

第五步：复盘行动结果对业务行动细节很了解，就能复盘行动结果，总结经验。数据的优势，不是直接生产出超人的创意，而是事后总结出普遍的经验。优秀的业务能力永远是稀缺资源，是不可复制的。但通过数据分析复盘，可以把明显的作死行为总结出来，避免普通人犯错。就像写文案，指望每个创作者都成为半佛仙人这种圣手是不可能的，但是能总结出：

1、时政类话题热点转化率低于情感类50%，不用来做转化。
2、周四、周六推送阅读低于其他时间40%，不做推送
3、链接跳转超过3步，转化率下降30%，控制篇幅
4、…

有分析结论，就已经能帮助运营规避大量坑点。即使偶尔采坑失败，也败的明白：“没办法了，必须这个点发文，亏一点阅读就亏一点”。做业务从来不怕失败，怕的是败的不明不白。如果能长期积累，业务方经验越来越丰富，遇到问题的思路也越来越清晰了，就真正发挥了数据的作用。但是，问题不是一成不变的，因此数据分析体系也要不断迭代升级。

数据分析体系迭代升级

牢记这个标准：坚守目标，迭代方法，积累经验。这是数据分析体系建设的基本方法，底线，也是最高要求。在这个原则下，数据分析体系迭代升级路线如下图所示：

1、设定目标后，分月、周、日报表，跟踪目标完成率。
2、在目标达成出现问题时，先判定轻重缓急，再看细节。
3、针对重点问题，提供临时性支持，探索原因，解决问题。
4、根据经验指导后续工作，沉淀有效方法，指导以后目标制定

这样的体系运作，业务部门也很轻松：平时只要看几个核心KPI达成率即可，平安无事就不用担心，趋势向坏的时候能及时收到预警。想要思路，也能有足够素材用，使用体验非常爽。而数据分析师本身，固定KPI、业务支持做成数据产品，个案分析做专题。产品和专题做多了，也好体现个人成绩。总比无休无止写sql，写了也不知道干啥去了强的多。

小结

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，很多新手太过纠结理论、方法、模型，忽视、无视、轻视业务。觉得别人的工作没技术含量“不就是发个文章”“不就是忽悠客户”，只有自己的算法才是真牛逼无双。遇到问题，不会细致的和业务沟通，只会上各个数据分析微信群问：“有没有XX指标体系啊，最好是权威、标准、BAT认定版的”。这就南辕北辙了，最后只会换来一句：你这不符合我们公司情况啊。

好的数据分析师，要像眼科医生一样。配眼镜可能有很多专业的方法，有很多专业的工具，可在配的过程中，却医生纠结的不是自己的理论，而是关注用户看的清不清楚，不断问用户“这样可以吗？这样更清楚吗？再这样试试呢？”用专业的方法服务个性化需求，这才是专业的人干的事。与大家共勉。

关注“AIU人工智能实验室”，回复“录播”获取更多人工智能精选直播视频！