滴滴分析專家8000字干貨：數(shù)據(jù)如何驅(qū)動(dòng)業(yè)務(wù)增長(zhǎng) ?

來(lái)源：知乎
作者：胡淏

分析師的商業(yè)價(jià)值

直覺驅(qū)動(dòng)的困境

我是統(tǒng)計(jì)科班出身，對(duì)數(shù)據(jù)較為親近，畢業(yè)后便在互聯(lián)網(wǎng)開始從事機(jī)器學(xué)習(xí)與數(shù)據(jù)分析工作。幾年觀察下來(lái)，發(fā)現(xiàn)許多業(yè)務(wù)雖然都會(huì)引入算法工程與分析師等這些數(shù)據(jù)職能，但是大部分的決策還是基于直覺來(lái)拍。當(dāng)然，有些時(shí)候直覺是唯一的選擇，例如產(chǎn)品從零到一的設(shè)計(jì)或者算法早期預(yù)測(cè)和排序目標(biāo)的選擇會(huì)更多參考行業(yè)內(nèi)的成熟做法。但是當(dāng)數(shù)據(jù)積累到一定規(guī)模，業(yè)務(wù)也已經(jīng)過(guò)了早期高速增長(zhǎng)的階段的時(shí)候，如果業(yè)務(wù)還在保留「直覺驅(qū)動(dòng)」的慣性，就會(huì)浪費(fèi)掉許多增長(zhǎng)機(jī)會(huì)點(diǎn)：你們身邊的業(yè)務(wù)是否不經(jīng)過(guò) AB 實(shí)驗(yàn)就去判斷一個(gè)策略是否應(yīng)該上線？是否有算法團(tuán)隊(duì)半年以上一直在圍繞有限幾個(gè)指標(biāo)來(lái)預(yù)測(cè)和排序，但是未曾用數(shù)據(jù)證明過(guò)這些指標(biāo)對(duì)業(yè)務(wù)和用戶體驗(yàn)的實(shí)際價(jià)值？又是否發(fā)現(xiàn)每個(gè)項(xiàng)目的數(shù)據(jù)看起來(lái)都不錯(cuò)，但是公司全局卻沒有增長(zhǎng)？—— 當(dāng)身邊的業(yè)務(wù)出現(xiàn)以上現(xiàn)象，就很可能沒有利用好分析的資源來(lái)催化自身業(yè)務(wù)的增長(zhǎng)。

無(wú)論對(duì)錯(cuò)，當(dāng)下許多互聯(lián)網(wǎng)企業(yè)是采用 OKR 體系做自上而下的目標(biāo)拆解的。一個(gè)業(yè)務(wù)線的 OKR 里面的的「O」通常就是業(yè)務(wù)的 KPI，在這個(gè)體系下，不論是算法、運(yùn)營(yíng)、產(chǎn)品、還是分析，日常的項(xiàng)目都可以概括成「通過(guò)策略來(lái)提升 KPI」的過(guò)程。同時(shí)，策略的制定來(lái)源于直覺與客觀事實(shí)（數(shù)據(jù)）兩個(gè)方面，只有輕重多寡之分，「直覺驅(qū)動(dòng)」更依賴經(jīng)驗(yàn)判斷，「數(shù)據(jù)驅(qū)動(dòng)」更多基于客觀事實(shí)反推決策。因此，一個(gè)業(yè)務(wù)當(dāng)下的策略應(yīng)該更多依賴直覺還是數(shù)據(jù)就需要看清過(guò)往一段時(shí)間「直覺驅(qū)動(dòng)」與「數(shù)據(jù)驅(qū)動(dòng)」策略哪個(gè)提升 KPI 的成功率是最高的。業(yè)務(wù)開展早期，「直覺驅(qū)動(dòng)」成功率更高，可能也是僅有的方案。但是隨著業(yè)務(wù)發(fā)展，好的直覺會(huì)被逐漸窮盡，業(yè)務(wù)增長(zhǎng)進(jìn)入瓶頸期的時(shí)候，「數(shù)據(jù)驅(qū)動(dòng)」的價(jià)值就會(huì)越來(lái)越大。

分析師是誰(shuí)？做什么？產(chǎn)出的價(jià)值？
「宋世君：我們談?wù)劇癉S 是誰(shuí)”. 用心理學(xué)的術(shù)語(yǔ), 這個(gè)其實(shí)是 DS 的“本我”。我們是一群在相關(guān)量化領(lǐng)域受過(guò)專業(yè)的訓(xùn)練, 并且希望應(yīng)用自己的量化能力, 在數(shù)據(jù)中挖掘?qū)I(yè)務(wù)有用的信息, 并且通過(guò)這些信息為業(yè)務(wù)發(fā)展提供助力但是同時(shí)又保持?jǐn)?shù)據(jù)的中立性的人。......，從個(gè)體的角度, 這也意味著我們看待 DS 并不是看這個(gè)人的學(xué)術(shù)專業(yè), 而是看這個(gè)人的動(dòng)機(jī)和意愿。公司里跟數(shù)據(jù)有關(guān)的職能是多樣的, 有些是把數(shù)據(jù)作為拿到業(yè)務(wù)結(jié)果的抓手, 要對(duì)業(yè)務(wù)結(jié)果負(fù)責(zé), 這些是數(shù)據(jù)運(yùn)營(yíng). 有些是把數(shù)據(jù)作為研發(fā)的對(duì)象, 對(duì)跟數(shù)據(jù)相關(guān)的這些產(chǎn)品負(fù)責(zé), 這些是工程研發(fā). 有些是基于數(shù)據(jù)做實(shí)時(shí)地在線實(shí)現(xiàn), 這些是算法工程師的工作. 這些都是我們的合作伙伴, 但是我們又有我們自己的定位, 跟這些都不同. 我們應(yīng)該為我們工作的中立性和科學(xué)性負(fù)責(zé). 我們需要有業(yè)務(wù)的思想, 但是我們并不是要做業(yè)務(wù)本身, 我們希望做業(yè)務(wù)發(fā)展的催化劑。」

我非常認(rèn)同世君老師上面這段話對(duì)分析師的定義。分析師需要兼?zhèn)涠磕芰蜆I(yè)務(wù)思維，在保證科學(xué)性與中立性的前提下，通過(guò)定量手段（數(shù)據(jù)驅(qū)動(dòng)）來(lái)補(bǔ)足直覺驅(qū)動(dòng)的短板。「直覺驅(qū)動(dòng)」的短板可以分為以下四類：

1. 看不清自己的用戶是誰(shuí)、有什么行為，體驗(yàn)如何「= 拿不準(zhǔn)用戶」；
2. 將頂層 KPI 拆解成若干抓手和子目標(biāo)的時(shí)候，并不明確這些抓手和目標(biāo)事實(shí)上是否可以提升 KPI，或者哪些抓手與目標(biāo)更加有效「= 打法不清晰」；
3. 難以評(píng)估策略對(duì)用戶與 KPI 的影響「= 算不準(zhǔn)影響」；
4. 不知道業(yè)務(wù)健康度如何以及當(dāng)下要采取的行動(dòng)「= 看不清現(xiàn)狀」。

補(bǔ)足短板的具體解決過(guò)程體現(xiàn)了分析師日常在做的事情以及數(shù)據(jù)分析的價(jià)值：

「拿不準(zhǔn)用戶」：當(dāng)直覺不能很好契合用戶訴求的時(shí)候，對(duì)用戶畫像細(xì)分、行為軌跡分析、流程轉(zhuǎn)化等分析可以幫助業(yè)務(wù)更了解用戶：他們是誰(shuí)，喜歡什么，什么環(huán)節(jié)體驗(yàn)不好，什么訴求尚未滿足；
「打法不清晰」：通常業(yè)務(wù)完成某個(gè) KPI 可以用到的抓手非常多，比如，內(nèi)容平臺(tái)的終極目標(biāo)之一是用戶留存，同時(shí)提升留存的抓手有很多，例如 CTR、贊讀比、訪問(wèn)時(shí)長(zhǎng)、公域私域相互導(dǎo)流等。直覺并沒有辦法有效判斷這些抓手哪個(gè)在當(dāng)下最可能把留存提升上去，這時(shí)候，基于數(shù)據(jù)的觀測(cè)性研究可以估算抓手與 KPI 之間的關(guān)系強(qiáng)弱，輔助業(yè)務(wù)排布各個(gè)項(xiàng)目?jī)?yōu)先級(jí)。
「算不準(zhǔn)影響」：直覺無(wú)法策略一個(gè)策略對(duì)用戶的影響，實(shí)驗(yàn)分析是高效評(píng)估策略影響的解決方案，AB 測(cè)試可以幫助業(yè)務(wù)看清每個(gè)策略對(duì)各個(gè)細(xì)分人群體驗(yàn)的影響并持續(xù)小步向前迭代；
「看不清現(xiàn)狀」：當(dāng)大盤指標(biāo)異常波動(dòng)的時(shí)候，異動(dòng)歸因分析相比直覺是更加科學(xué)高效的方法來(lái)定位指標(biāo)波動(dòng)原因并提出解決方案。

業(yè)務(wù)不同階段下數(shù)據(jù)分析的發(fā)力點(diǎn)與交付

良性的業(yè)務(wù)發(fā)展通常要經(jīng)歷從直覺驅(qū)動(dòng)到數(shù)據(jù)驅(qū)動(dòng)的過(guò)程，本節(jié)進(jìn)一步展開這個(gè)過(guò)程并討論不同發(fā)展階段的業(yè)務(wù)特點(diǎn)與痛點(diǎn)，以及這個(gè)階段數(shù)據(jù)驅(qū)動(dòng)業(yè)務(wù)的打法。這里采用 Noriaki Kano 的 KANO 需求模型將數(shù)據(jù)分析需求分成三類：

• 基本型需求：分析師必須具備的能力與交付，是分析師做事情的行為底線。基本型需求完成不好的時(shí)候，再多的錦上添花也是徒勞，也會(huì)直接失去業(yè)務(wù)方的信任；
• 期望型需求：一般業(yè)務(wù)與分析師正式拉會(huì)所討論的項(xiàng)目與預(yù)期就在期望型需求的范圍，這部分需求完成的越及時(shí)或者越多，業(yè)務(wù)方對(duì)數(shù)據(jù)分析的評(píng)價(jià)也會(huì)越高；
• 驚喜型需求：主動(dòng)分析，跳出業(yè)務(wù)的思考框架，數(shù)據(jù)分析產(chǎn)生的洞見幫助業(yè)務(wù)解決困惑，發(fā)現(xiàn)戰(zhàn)略機(jī)遇，或者數(shù)據(jù)所提供的策略幫助業(yè)務(wù)完成難以達(dá)成的目標(biāo)，就是驚喜性需求。驚喜性需求沒有被滿足業(yè)務(wù)不會(huì)不滿，一旦被滿足的時(shí)候業(yè)務(wù)的滿意度是非常高的；

第一階段：從零到一，直覺驅(qū)動(dòng)業(yè)務(wù)野蠻生長(zhǎng)

業(yè)務(wù)開展早期通常可以通過(guò)學(xué)習(xí)頭部競(jìng)品的成功經(jīng)驗(yàn)快速獲得大規(guī)模的業(yè)務(wù)增長(zhǎng)，同時(shí)，產(chǎn)品運(yùn)營(yíng)同學(xué)也很容易在業(yè)務(wù)早期的雛形中憑直覺找到增長(zhǎng)抓手。雖然從 0 到 1 的開展業(yè)務(wù)是非常辛苦的，但是單從獲得業(yè)務(wù)增長(zhǎng)而言，這卻是最輕松的第一階段，第一階段的典型特點(diǎn)就是：從零到一，直覺以較高的成功率驅(qū)動(dòng)業(yè)務(wù)早期的野蠻生長(zhǎng)。數(shù)據(jù)分析在這個(gè)階段會(huì)跑在后面緊跟，業(yè)務(wù)在第一階段對(duì)數(shù)據(jù)的需求就是 T+1 準(zhǔn)確反映業(yè)務(wù) OKR 指標(biāo)表現(xiàn)，分析師及時(shí)做好 BI 角色支持，不要在業(yè)務(wù)需要臨時(shí)看數(shù)據(jù)的時(shí)候連現(xiàn)成的 sql 都沒有備好：

基本型需求：埋點(diǎn)、OKR 指標(biāo)口徑與常用 sql、數(shù)倉(cāng)明細(xì)表；期望型需求：業(yè)務(wù)日?qǐng)?bào)（OSM），每天早上盯住關(guān)鍵指標(biāo)并及時(shí)報(bào)備異常波動(dòng)；用戶生命旅程數(shù)據(jù)刻畫（UJM） 驚喜型需求：通過(guò)描述性統(tǒng)計(jì)幫助產(chǎn)品找到發(fā)力點(diǎn)：用戶屬性、行為研究幫助產(chǎn)品看清各個(gè)模塊與內(nèi)容上面的用戶密度；產(chǎn)品漏斗轉(zhuǎn)化率分析幫助業(yè)務(wù)看清產(chǎn)品各環(huán)節(jié)表現(xiàn)，找到轉(zhuǎn)化瓶頸并重點(diǎn)改善體驗(yàn)。比對(duì)分析競(jìng)品該業(yè)務(wù)早期的關(guān)鍵指標(biāo)數(shù)據(jù)，大致判斷目前的增長(zhǎng)速度是否足夠快，空間還有多大。

第二階段：增長(zhǎng)放緩，實(shí)驗(yàn)評(píng)估助力業(yè)務(wù)小步迭代

第一階段臨界終點(diǎn)的時(shí)候，直覺依然可以找到大量改進(jìn)措施，但是從大盤指標(biāo)上可以看出業(yè)務(wù)增長(zhǎng)放緩甚至橫盤。這時(shí)業(yè)務(wù)就進(jìn)入了第二階段，這個(gè)時(shí)期顯著影響大盤指標(biāo)的策略會(huì)越來(lái)越少，很難通過(guò)上線前后大盤數(shù)據(jù)對(duì)比來(lái)判定業(yè)務(wù)動(dòng)作的好壞：投石問(wèn)路的過(guò)程中業(yè)務(wù)最怕的是聽不清石頭落地的聲音，因此分析師在這個(gè)階段為業(yè)務(wù)提供的關(guān)鍵價(jià)值就是引入實(shí)驗(yàn)機(jī)制，以 AB 測(cè)試為典型的統(tǒng)計(jì)方法可以精確、科學(xué)的度量每個(gè)實(shí)驗(yàn)的微弱效應(yīng)，幫助業(yè)務(wù)在投石問(wèn)路過(guò)程中「聽到」方向。實(shí)驗(yàn)機(jī)制是業(yè)務(wù)第二階段的高效解決方案的另外一個(gè)原因是，實(shí)驗(yàn)可以對(duì)線上同時(shí)運(yùn)行的多個(gè)策略帶來(lái)的影響分別進(jìn)行準(zhǔn)確估算，因此實(shí)驗(yàn)機(jī)制在速度和精度上都全面超越原始的事前事后對(duì)比法。在這個(gè)階段，分析師需要充分發(fā)揮統(tǒng)計(jì)專業(yè)能力，做好實(shí)驗(yàn)方法咨詢的角色并積極推進(jìn)技術(shù)、業(yè)務(wù)部門之間協(xié)作打通實(shí)驗(yàn)平臺(tái)：

基本型需求：實(shí)驗(yàn)分析支持 為業(yè)務(wù)方提供統(tǒng)計(jì)專業(yè)咨詢，e.g. 實(shí)驗(yàn)設(shè)計(jì)，AB 數(shù)據(jù)含義，統(tǒng)計(jì)指標(biāo)的計(jì)算口徑 期望型需求：聯(lián)動(dòng)業(yè)務(wù)、后端、前端開發(fā)、BI 協(xié)同搭建實(shí)驗(yàn)平臺(tái) 平臺(tái)可以并行線上實(shí)驗(yàn)同時(shí)可以自動(dòng)化處理實(shí)驗(yàn)分流不均、檢驗(yàn)指標(biāo)顯著性 向業(yè)務(wù)普及 AB 方法與對(duì)業(yè)務(wù)的價(jià)值，出具實(shí)驗(yàn)分析白皮書強(qiáng)化業(yè)務(wù)對(duì)實(shí)驗(yàn)的信任 驚喜型需求：將實(shí)驗(yàn)分析報(bào)告模板化，賦能業(yè)務(wù)在脫離分析師資源的情況下自主完成實(shí)驗(yàn)設(shè)計(jì)與分析報(bào)告 維護(hù)業(yè)務(wù)上下線的實(shí)驗(yàn)明細(xì)日志，包含實(shí)驗(yàn) ID、業(yè)務(wù)策略、影響、上下線時(shí)間、上下線理由，季度性提供給業(yè)務(wù)去復(fù)盤總結(jié)

第三階段：增長(zhǎng)遇到瓶頸，數(shù)據(jù)驅(qū)動(dòng)業(yè)務(wù)找到新目標(biāo)體系與增長(zhǎng)發(fā)力點(diǎn)

與第二階段不同，在第三階段開始的時(shí)候，策略的成功率與影響程度都大幅降低。這個(gè)階段，產(chǎn)品和運(yùn)營(yíng)側(cè)好的直覺基本被窮盡，算法側(cè)已經(jīng)把特征體系和技術(shù)選型迭代到了相對(duì)完備復(fù)雜的水平，再想提升預(yù)測(cè)精度是非常困難的，便開始頻繁出現(xiàn)實(shí)驗(yàn)結(jié)果不顯著或者負(fù)向的業(yè)務(wù)策略，業(yè)務(wù)增長(zhǎng)正式進(jìn)入橫盤階段。在業(yè)務(wù)缺少方向感的時(shí)候，數(shù)據(jù)驅(qū)動(dòng)業(yè)務(wù)方向的選擇就越來(lái)越被重視。分析師的話語(yǔ)權(quán)也開始變大，畢竟到了第三個(gè)階段產(chǎn)品運(yùn)營(yíng)與算法團(tuán)隊(duì)初步具備了一定規(guī)模，不增長(zhǎng)的后果是很難想象的。

因此，分析師一定在這個(gè)階段有業(yè)務(wù)主人翁的意識(shí)，開始深度思考業(yè)務(wù)問(wèn)題并主動(dòng)提出需要數(shù)據(jù)分析的問(wèn)題。有必要強(qiáng)調(diào)的是，分析師在這個(gè)階段要主動(dòng)思考和分析，不能被動(dòng)響應(yīng)業(yè)務(wù)需求；不要妄想去證實(shí)業(yè)務(wù)這個(gè)階段的直覺是不是對(duì)的，而要站在更加全局的層面去思考業(yè)務(wù)發(fā)展的關(guān)鍵問(wèn)題是什么；不要再沉浸在實(shí)驗(yàn)方法的優(yōu)化上面，而要開始頻繁旁聽業(yè)務(wù)討論會(huì)，重點(diǎn)體會(huì)業(yè)務(wù)高層在會(huì)上提出來(lái)的問(wèn)題以及流露出來(lái)的困惑點(diǎn)。這些對(duì)于分析師找到需要分析的關(guān)鍵問(wèn)題是非常重要的，也是分析師在這個(gè)階段產(chǎn)生影響的第一步。

對(duì)于增長(zhǎng)而言，第三階段也許最為重要的指標(biāo)就是用戶留存率。用戶增量 = 新用戶+沉默召回用戶+活躍用戶*留存率，業(yè)務(wù)早期的增長(zhǎng)可以通過(guò)業(yè)務(wù)之間導(dǎo)流與拉新來(lái)完成，當(dāng)業(yè)務(wù)成熟后，提升存量活躍用戶的留存是最為經(jīng)濟(jì)的手段。不過(guò)實(shí)際上，每個(gè)業(yè)務(wù)策略、項(xiàng)目、或者算法模型的目標(biāo)與留存提升之間通常是靠直覺強(qiáng)行連接起來(lái)的，不夠，目標(biāo)是否有可能錯(cuò)了？能夠有效提升留存的目標(biāo)應(yīng)該是什么？這就是分析師要在第三階段試圖用數(shù)據(jù)來(lái)回答的關(guān)鍵問(wèn)題。當(dāng)初筆者剛接觸一個(gè)做社區(qū)內(nèi)容平臺(tái)的業(yè)務(wù)時(shí)，該業(yè)務(wù)快半年內(nèi)的所有算法和業(yè)務(wù)策略都沒有任何提升用戶留存的跡象，分析團(tuán)隊(duì)在梳理這塊業(yè)務(wù)時(shí)候發(fā)現(xiàn)業(yè)務(wù)和算法都在用 CTR、贊讀比、收藏讀比等有限幾個(gè)指標(biāo)來(lái)衡量用戶的閱讀體驗(yàn)并做排序。分析師基于 DID 建模分析發(fā)現(xiàn)當(dāng)時(shí)大盤用戶里面留存提升的群體通常伴隨著上一期深度閱讀量與 CTR 的顯著提升，而贊讀比、收藏讀比與留存的相關(guān)性并不高。問(wèn)題是，業(yè)務(wù)過(guò)高估計(jì)了贊讀比、收藏讀比的價(jià)值，并在排序的時(shí)候沒有考慮內(nèi)容被深度閱讀的概率高低。團(tuán)隊(duì)后續(xù)推進(jìn)了一系列的策略建議：我們首先大幅提高了 CTR 的排序權(quán)重，這個(gè)簡(jiǎn)單的策略就打破了長(zhǎng)達(dá)半年來(lái)業(yè)務(wù)留存率無(wú)法提升的困境；團(tuán)隊(duì)進(jìn)一步在排序目標(biāo)里面引入深度閱讀概率、平均閱讀速度等與留存關(guān)聯(lián)性最強(qiáng)的指標(biāo)，并設(shè)計(jì)了多目標(biāo)融合的公式，這個(gè)新目標(biāo)（公式）成為了算法、產(chǎn)品運(yùn)營(yíng)的新業(yè)務(wù)目標(biāo)，并帶來(lái)了新一輪的留存增長(zhǎng)，業(yè)務(wù)順利走過(guò)了第三個(gè)階段的增長(zhǎng)瓶頸期。

平臺(tái)的終極目標(biāo)是流量、利潤(rùn)，這個(gè)頂層目標(biāo)會(huì)在 OKR 體系下被拆解成二級(jí)指標(biāo)，三級(jí)指標(biāo)等子目標(biāo)。無(wú)論是業(yè)務(wù)策略還是具體算法，它們都在直接影響一個(gè)子目標(biāo)（e.g. 價(jià)格，CTR，時(shí)效性），無(wú)論他們?cè)谕瓿蛇@個(gè)子目標(biāo)的時(shí)候多么數(shù)據(jù)驅(qū)動(dòng)，通常都在基于直覺假設(shè)他們的子目標(biāo)與公司的終極目標(biāo)是直接掛鉤的。問(wèn)題是，直覺是會(huì)犯錯(cuò)的，因此才存在業(yè)務(wù)第三階段的瓶頸期，這時(shí)也就體現(xiàn)了數(shù)據(jù)驅(qū)動(dòng)的價(jià)值。

基本型需求：通過(guò)歷史策略和數(shù)據(jù)開展觀測(cè)性研究，通過(guò)數(shù)據(jù)估算策略當(dāng)下每個(gè)子目標(biāo)對(duì)公司頂層指標(biāo)的影響，聯(lián)動(dòng)業(yè)務(wù)制定并落地新的目標(biāo)和增長(zhǎng)方案；期望型需求：積極主動(dòng)創(chuàng)新，尋找更具增長(zhǎng)潛力的新指標(biāo)，納入當(dāng)前業(yè)務(wù)的子目標(biāo)體系，提供子目標(biāo)整合成統(tǒng)一一個(gè)目標(biāo)的方案；驚喜型需求：觀測(cè)性研究方法工具化，賦能業(yè)務(wù)在脫離分析師資源的情況下自主完成目標(biāo)優(yōu)化。

第四階段：數(shù)據(jù)持續(xù)驅(qū)動(dòng)細(xì)分人群的差異化策略迭代

數(shù)據(jù)在第三階段驅(qū)動(dòng)業(yè)務(wù)增長(zhǎng)的同時(shí)，業(yè)務(wù)也因此在每次評(píng)估策略影響的時(shí)候要兼顧更多的用戶體驗(yàn)指標(biāo)。在此基礎(chǔ)上，業(yè)務(wù)增長(zhǎng)到一定規(guī)模之后就要開始承擔(dān)更多全局責(zé)任，開始承擔(dān)孵化新業(yè)務(wù)的角色，這會(huì)進(jìn)一步擴(kuò)展業(yè)務(wù)的指標(biāo)體系。走到這個(gè)階段的業(yè)務(wù)通常是寸步難行的，因?yàn)槊孔咭徊蕉家?jīng)過(guò)互斥、此消彼長(zhǎng)的層層指標(biāo)關(guān)卡。在第四個(gè)階段，通常是每個(gè)策略迭代都伴隨留存不顯著波動(dòng)但是二級(jí)指標(biāo)互有漲跌的現(xiàn)象。糟糕的是，當(dāng)留存等頂層指標(biāo)不變但二級(jí)指標(biāo)互有漲跌的時(shí)候，數(shù)據(jù)不能給出明確策略上下線的建議，業(yè)務(wù)便又退回到了基于直覺來(lái)決策的原始形態(tài)。在這個(gè)階段，不夠克制、盲目上新的產(chǎn)品會(huì)變得臃腫，給用戶帶來(lái)產(chǎn)品功能復(fù)雜冗余的不良體驗(yàn)。

在這個(gè)階段，數(shù)據(jù)評(píng)估層面需要做系統(tǒng)改善來(lái)保障決策的科學(xué)性。實(shí)際上很大概率成立的一個(gè)事實(shí)是：把所有用戶當(dāng)做一個(gè)大盤整體來(lái)評(píng)估用戶體驗(yàn)是低效且失真的，策略在大盤層面的「表象影響」是細(xì)分用戶群體層面的「實(shí)際影響」的累加，而「實(shí)際影響」在不同用戶群體之間可能存在顯著差異。下圖內(nèi)容平臺(tái)的實(shí)驗(yàn)數(shù)據(jù)就是一個(gè)典型：大盤（左）數(shù)據(jù)表現(xiàn)出來(lái)的留存不顯著+二級(jí)指標(biāo)互漲跌實(shí)際上是細(xì)分用戶群體后指標(biāo)普漲、普跌、互漲跌。

分析師在這個(gè)階段需要在細(xì)分用戶群體粒度整合階段二的實(shí)驗(yàn)?zāi)芰碗A段三的觀測(cè)性研究能力，打通數(shù)據(jù)驅(qū)動(dòng)細(xì)分策略迭代的流程：

Step1：基于細(xì)分實(shí)驗(yàn)分析，策略在指標(biāo)普漲用戶群體上線，普跌群體下線；Step2：產(chǎn)品運(yùn)營(yíng)與分析師聯(lián)動(dòng)展開用戶調(diào)研與觀測(cè)性研究，針對(duì)體驗(yàn)不良的用戶群體探索新的增長(zhǎng)發(fā)力點(diǎn)；Step3：循環(huán) 在此基礎(chǔ)上，分析師需要在這個(gè)階段打磨到細(xì)分用戶群體的異動(dòng)歸因分析能力，幫助業(yè)務(wù)及時(shí)發(fā)現(xiàn)問(wèn)題和增長(zhǎng)點(diǎn)。異動(dòng)歸因分析方法建設(shè)是另外一個(gè)比較大的話題，有興趣的讀者可以參考《解構(gòu)平臺(tái)，一套數(shù)據(jù)驅(qū)動(dòng)平臺(tái)增長(zhǎng)與異動(dòng)歸因的理論與工具》，這篇文章針對(duì)異動(dòng)歸因一個(gè)點(diǎn)有更多細(xì)節(jié)上的展開討論。

分析師的工具

分析本質(zhì)上是在做什么？分析本質(zhì)上就是在「比較」。

好的分析就是一個(gè)「數(shù)據(jù)比較 -> 洞見 -> 業(yè)務(wù)優(yōu)化」的過(guò)程。洞見離不開「比較」：無(wú)論是我們看指標(biāo)走勢(shì)，AB 差異，同比環(huán)比，或是回歸分析模型中的參數(shù)，這些都是我們「比較」的不同形式。具體來(lái)說(shuō)，數(shù)據(jù)比較來(lái)源于三種分析場(chǎng)景：

• 實(shí)驗(yàn)分析；
• 異動(dòng)歸因：日?qǐng)?bào)周報(bào)解讀，突發(fā)指標(biāo)異動(dòng)分析；
• 觀測(cè)研究：增長(zhǎng)抓手分析，未經(jīng)實(shí)驗(yàn)全量上線的策略評(píng)估，長(zhǎng)期戰(zhàn)略規(guī)劃。

AB 實(shí)驗(yàn)是在 AB 兩組之間進(jìn)行比較，異動(dòng)分析是兩個(gè)時(shí)間段之間的比較，觀測(cè)研究實(shí)際上是在分析一個(gè)指標(biāo)變化相比不變化對(duì)業(yè)務(wù)的潛在影響。

比較有兩個(gè)要素：1. 研究群體和參照群體（Benchmark），2. 評(píng)估指標(biāo)。

比較時(shí)所選擇的 Benchmark 好壞直接影響分析結(jié)論的可信度。舉個(gè)例子：「產(chǎn)品轉(zhuǎn)化率是 5%，還有提升的空間」就是一種很常見的分析結(jié)論，但是這個(gè)結(jié)論本身毫無(wú)邏輯，為什么 5% 是較低的水平？提升轉(zhuǎn)化率的抓手又是什么？這類分析的問(wèn)題就是沒有找到好的 benchmark。相比而言，「產(chǎn)品轉(zhuǎn)化率是 5%，我們競(jìng)品的轉(zhuǎn)化率是 8%，我們和競(jìng)品的主要差異是 xx，所以轉(zhuǎn)化率還有提升空間，建議優(yōu)化 xx」的可信度就更強(qiáng)，因?yàn)榉治稣业搅藚⒄眨⑶矣?xx 作為輔助評(píng)估的指標(biāo)。

比較背后的思考體系 和 AB 實(shí)驗(yàn)很類似，新業(yè)務(wù)策略的思考也是個(gè)比較的過(guò)程，只不過(guò)前者基于數(shù)據(jù)，后者則是在直覺中比較。工作中我們最頻繁的基于直覺比較是在制定 OKR（Objective ~ Key results）的時(shí)候，對(duì)于每個(gè) KR，我們都在比較：有相比沒有這個(gè) KR 對(duì)于 O 而言是好是壞。依照這個(gè)邏輯來(lái)講，分析的價(jià)值在于分析可以提供直覺所欠缺的 O 與 KR 之間的「定量關(guān)系」。

我自己的經(jīng)驗(yàn)是，把業(yè)務(wù)的訴求翻譯成 OKR 的框架里面可以幫助我快速找到分析思路。一方面業(yè)務(wù)一般都是在面向一個(gè)具體的目標(biāo)談?dòng)写龜?shù)據(jù)驗(yàn)證的策略思路，帶入 OKR 框架成功率較高，另一方面解 O 與 KR 之間的「定量關(guān)系」的統(tǒng)計(jì)方法已經(jīng)有一套完整的體系，這個(gè)后面我會(huì)再提及。

總結(jié)下，在對(duì)接一個(gè)業(yè)務(wù)需求的時(shí)候，分析師一定要搞清楚：1. 這個(gè)需求圍繞的業(yè)務(wù)目標(biāo)（O）是什么，什么指標(biāo)去量化 O？2. 業(yè)務(wù)聊的核心用戶群體是誰(shuí)，什么維度可以量化這些細(xì)分用戶群體？3. 潛在的抓手（KR）有什么，業(yè)務(wù)提到了哪些，我們又可以舉一反三出來(lái)哪些？在這些問(wèn)題搞清楚之前，先不要?jiǎng)?SQL 或者建模方法。

不難看出，分析的一個(gè)核心基礎(chǔ)能力就是一套健全的畫像、指標(biāo)體系。

基礎(chǔ)：維度、指標(biāo)體系 無(wú)論是哪種場(chǎng)景，「比較」都要具象化到實(shí)際業(yè)務(wù)場(chǎng)景才能提出可落地的業(yè)務(wù)洞見，而具象化的分析依賴一個(gè)關(guān)鍵工具：畫像體系與業(yè)務(wù)指標(biāo)體系。這個(gè)體系對(duì)業(yè)務(wù)的還原度越高，分析質(zhì)量也越高，因此分析師團(tuán)隊(duì)要不斷去「養(yǎng)」自己業(yè)務(wù)的畫像指標(biāo)體系。最直接「養(yǎng)」畫像與指標(biāo)體系的機(jī)制就是不斷去用，每次應(yīng)用所發(fā)現(xiàn)的問(wèn)題持續(xù)小步迭代解決。指標(biāo)、畫像體系建設(shè)的責(zé)任要落實(shí)到個(gè)人，整合團(tuán)隊(duì)業(yè)務(wù)分析師的畫像與指標(biāo)口徑，持續(xù)優(yōu)化體系的完備性可用性，并推動(dòng)工作成果在業(yè)務(wù)分析、實(shí)驗(yàn)平臺(tái)、業(yè)務(wù)運(yùn)營(yíng)平臺(tái)上落地應(yīng)用。

互聯(lián)網(wǎng)業(yè)務(wù)通常屬于多邊平臺(tái)模式，完備的多邊平臺(tái)畫像需要包含供需+場(chǎng)景的刻畫：

需求畫像：用戶 demographic，訴求歸類（產(chǎn)品 = 訴求），用戶行為、興趣分類；供給畫像：供給形態(tài)、來(lái)源、品類、時(shí)效；場(chǎng)景畫像：時(shí)空，供求關(guān)系，競(jìng)爭(zhēng)，大盤等外生因素刻畫。多邊平臺(tái)的業(yè)務(wù)指標(biāo)體系在描述業(yè)務(wù)健康度，平臺(tái)增長(zhǎng)要么是拉動(dòng)供需規(guī)模要么是增加匹配效率，因此業(yè)務(wù)指標(biāo)體系包含以下三類：

供需結(jié)構(gòu)指標(biāo)：按照需求 + 供給畫像細(xì)分后的用戶數(shù)、供給分發(fā)規(guī)模；
匹配效率指標(biāo)：供給分發(fā)轉(zhuǎn)化率 e.g. CTR、ETA、成交率、交互率...；
體驗(yàn)結(jié)果指標(biāo)：用戶留存，人均消費(fèi)與瀏覽時(shí)長(zhǎng)；

畫像與業(yè)務(wù)指標(biāo)設(shè)計(jì)最考驗(yàn)分析師的業(yè)務(wù)理解程度，平時(shí)多留意資深一些的業(yè)務(wù)如何討論用戶和供給，會(huì)啟發(fā)分析師優(yōu)化口徑的設(shè)計(jì)。在知乎遇見過(guò)一些糟糕的畫像，例如一個(gè)刻畫用戶頻次的維度竟然聚類出來(lái)六層，然而每一層都沒有明確的業(yè)務(wù)含義；另一個(gè)維度直接按照高頻、中低頻、新、沉默召回來(lái)切割用戶，簡(jiǎn)單、業(yè)務(wù)意義清晰，業(yè)務(wù)方自然會(huì)去用后者來(lái)看數(shù)據(jù)。或許在知乎見識(shí)過(guò)的最棒的用戶畫像，先將用戶需求抽象成「看熱鬧」「長(zhǎng)見識(shí)」「找解答」「來(lái)創(chuàng)作」四個(gè)大類，然后基于用戶的行為鏈條來(lái)往這四類里面歸，理解業(yè)務(wù)先于制定口徑與技術(shù)選型，畫像的應(yīng)用價(jià)值與空間自然更加寬廣，統(tǒng)計(jì)方法產(chǎn)生的價(jià)值也越大。

未來(lái)分析師所處環(huán)境

幾年前我還是一名算法工程師，跳到阿里剛開始的時(shí)候很不習(xí)慣，因?yàn)樵S多日常人肉要做的工作都被數(shù)據(jù)和算法平臺(tái)解決了，不夸張的講，那時(shí)許多產(chǎn)品運(yùn)營(yíng)同學(xué)訓(xùn)練部署機(jī)器學(xué)習(xí)模型的速度都比我要快。AI + 數(shù)據(jù)的平臺(tái)在逐漸釋放那些高度重復(fù)的數(shù)據(jù)工作，那時(shí)候我意識(shí)到，如果一個(gè) RD 脫離業(yè)務(wù)，時(shí)間精力花在調(diào)包換模型調(diào)參數(shù)這類事情上的話，ta 早晚被淘汰掉。

對(duì)于分析師來(lái)說(shuō)，我們不得不思考的問(wèn)題是自己每天的「分析」工作中有多大比例并沒有在分析？目前來(lái)看，數(shù)據(jù)查詢平臺(tái)還沒智能到通過(guò)拖拽形式來(lái)完成多數(shù)的取數(shù)需求，一些公司內(nèi)不健全的埋點(diǎn)平臺(tái)還有數(shù)倉(cāng)還需要大量分析師花精力排坑填坑。也正是因?yàn)槠脚_(tái)能力尚未成熟，產(chǎn)品運(yùn)營(yíng)自己分析一次數(shù)據(jù)的成本過(guò)高，就會(huì)有大量取數(shù)的需求提到了分析師團(tuán)隊(duì)，導(dǎo)致每個(gè)業(yè)務(wù)下都有一些分析師做了「數(shù)據(jù)的揉面工，業(yè)務(wù)的按摩師」。

最近還留意到兩款明星數(shù)據(jù)產(chǎn)品，Chartio 和 SQLFlow，前者是拖拽式 SQL 與可視化的一站式平臺(tái)，后者是在模型解釋上做了一些增量工作的機(jī)器學(xué)習(xí)訓(xùn)練與部署平臺(tái)。雖然還沒有大規(guī)模商用，但是已經(jīng)能看出趨勢(shì)：SQL、數(shù)據(jù)可視化、訓(xùn)練與部署模型、模型解釋相關(guān)工作的門檻會(huì)越來(lái)越低，數(shù)據(jù)感覺不錯(cuò)的業(yè)務(wù)同學(xué)可以直接通過(guò)這些工具來(lái)快速完成取數(shù)分析師大量的「分析」工作，還省去了不少溝通成本。所以未來(lái)一定會(huì)淘汰掉一些分析師，留下有業(yè)務(wù)思辨能力和定量專業(yè)能力的精英。

未來(lái)分析的工作還是離不開畫像指標(biāo)體系、實(shí)驗(yàn)評(píng)估、異動(dòng)歸因和觀測(cè)研究，但是會(huì)更加關(guān)注這套體系的科學(xué)性與落地上面，也因此可能會(huì)分化出來(lái)兩撥分析師：業(yè)務(wù)導(dǎo)向的分析師優(yōu)化業(yè)務(wù)與數(shù)據(jù)的連接，挖掘業(yè)務(wù)表象的跟因與戰(zhàn)略機(jī)遇，并將洞見以畫像與業(yè)務(wù)指標(biāo)的形式做落地，指標(biāo)與畫像的工作直接優(yōu)化了業(yè)務(wù)的分析質(zhì)量和運(yùn)營(yíng)效率；模型導(dǎo)向的分析師優(yōu)化基于數(shù)據(jù)做評(píng)估、歸因、推斷的科學(xué)性，并落地易用的數(shù)據(jù)產(chǎn)品，在此基礎(chǔ)上，發(fā)現(xiàn)業(yè)務(wù)決策過(guò)程中不科學(xué)的環(huán)節(jié)，推動(dòng)數(shù)據(jù)分析工具在這些環(huán)節(jié)的應(yīng)用。因此我建議分析師在懂 SQL，基本的統(tǒng)計(jì)方法基礎(chǔ)之上，增強(qiáng)自己的業(yè)務(wù)屬性和數(shù)據(jù)科學(xué)屬性：學(xué)習(xí)商業(yè)、經(jīng)濟(jì)學(xué)原理，理解基本的因果推斷與計(jì)量方法，強(qiáng)化構(gòu)建模型內(nèi)核的 scripting 能力。