深度解析——數據分析是什麼！
趁著大過年的，這段時間很悠閑，咱們來思考一個深刻的問題：數據分析究竟是什麼？這是一個坑，跳進去很容易出不來，但是，自己如果不學著從這個坑裡面爬出來，以後遇上別人給你挖一個類似的坑，就很可能跳不過去。
像「數據分析究竟是什麼？」這種類似的問題有很多，比如：
1、在面試的時候被問到：談談你對數據分析的理解，你為什麼選擇這個職位，這個職位長期發展的前景如何？
2、各種數據分析群里的討論：Data Scientist是什麼？出路在哪裡？為什麼做 Analytics 的活 title 卻是 Data Scientist?
3、同事之間的交流：咱們明年的項目計劃怎麼填，下一年要做什麼？
等等諸如此類的，問法雖然不同，但討論的內容其實是類似的：數據分析(Data Analytics)究竟有什麼用？
我們先來回顧一下，在工作中做決策的幾個階段。
第一階段：沒有數據，更沒有分析
不管是產品也好，還是運營也好，總要做出各種決策，例如某個功能要不要做、要不要和某個渠道合作、怎麼合作，是換量還是買量等等，非常多的決策問題。在項目剛開始的階段，因為團隊還是很小，十幾個人左右，這時候一般憑的是從上到下的決定，靠的是經驗和感覺。
這種類型的決策，就是沒有數據，也沒有分析。因為最後效果如何，沒有一個數據上的衡量標準，或者只有簡單粗暴的幾個數據：DAU、MAU、有多少人用（購買），收入多少，成本多少，最後賺了多少等。
第二階段：有數據，看起來好像有分析
很快，團隊意識到，拍腦袋做出的決策，很容易導致拍大腿，沒有量化的指標，也不知道產品功能的上線或者運營方案的實施，是否達到了預期的效果。
於是，招了幾個大數據開發工程師，開始採集各種數據，在產品中加入各種埋點，收集各種用戶的行為數據，同時把用戶各種維度的數據，例如機型、地域、操作系統、網路類型、推廣渠道等等上報到數據倉庫裡面。
然後，大數據開發工程師根據以往的經驗，把每個功能的DAU、MAU、留存、召回、轉化等等報表做出來，還有各種特殊需求的報表，放在一個報表系統裡面，滿目琳琅，很全面。
這個階段，我們已經達到了數據分析的第一個目的，就是知道了過去，也就是明白過去發生了什麼事情，想要知道過去發生了什麼，很簡單，把報表系統做好即可。但是一碰上一些特殊的事件，例如某天某個功能的DAU下降了，咋回事呢？不知道怎麼回事了。
這時候，我們自然而然地想到，要通過數據去解決問題。慢慢地，我們進入了第三個階段。
第三階段：有數據，有分析，有原因
這個階段開始引入hypothesis的概念，我們不但要知道發生了什麼(reporting)，還要知道為什麼會發生 (hypothesis driven)。知道為什麼會發生很重要，首先這個是你老闆經常要你回答的問題。其次，知道為什麼發生，可以告訴我們，以後做類似的事情，可能會發生什麼。
要回答為什麼發生，只需要一種數據分析方法即可，那就是對比分析，做起來，就有三個手段了。
第一個手段，就是多維度對比分析，前面我們收集了那麼多維度的信息（機型、品牌、地域、操作系統、版本等等），多維度對比分析，也經常被稱為用戶畫像分析，通過多種維度的對比，我們很容易就發現了某個指標的變化，是由於哪幾個維度的變化而導致的。
第二個手段，就是相關分析，相關分析通過對比多個指標之間的相關性，找出指標之間的相關關係，例如廣告費用和每日新增用戶數之間的關係一般是強正相關的，應用內廣告的頻次的數量一般和留存率是強負相關的等等，通過相關分析，可以把要分析的指標轉移到另外一個指標去，例如我們分析為什麼日活躍用戶數降低了，如果發現應用內廣告的頻次增加了，留存是降低了，那麼日活說不定就收到影響了，這時候，我們把這個影響量化，基本上就可以回答為什麼這個問題了。
第三個手段，就是A/B test了，這個比較具有難度，首先，要做A/B Test需要前端和後端的支持，而且，這個測試，是和核心功能無關的工作，因此，經常得不到各個部門的支持。但是，做A/B Test非常有必要，因為，它可以找到因果性，也就是證明了，為什麼會發生。有沒有發現，我前面說的話，都是可能、說不定的詞語，做了A/B Test，你就可以拍胸脯用「肯定」這個詞了。沒做實驗，誰都沒有發言權。
實驗這個詞，是否有點高端？這是一個經常在大學裡面聽到的詞，大學裡面誰經常干實驗這個事情？沒錯，就是科學家，因此，數據分析為什麼稱為數據科學？現在知道了吧。也就是說，你要做到使用實驗，來驗證數據分析的結論，要做到這種程度，才可以稱為數據科學。
這裡我們還需要注意一下，科學（Scientist）的定義並不是說，採用的分析方法多麼高大上（例如回歸、神經網路、聚類、有監督、無監督等等），而在於其解決問題的方式：通過對現有問題做出各種假設，然後通過實施各種A/B Test的科學實驗，驗證假設是否正確。
總結一下第三個階段的核心，第二個階段是知道過去發生了什麼事情，而第三個階段，則是知道現在發生了什麼事情，也就是可以通過數據去解釋業務中的問題。如何了解目前業務中的問題呢？一般我們會通過專題分析，不停地去對比數據之間的差異性，找出業務問題發生的原因。
第四階段：知道發生了什麼、知道為什麼發生、知道接下來應該做什麼
數據分析的終極階段，就是我們不但知道發生了什麼(reporting)，知道為什麼發生 (hypothesis-driven)，還知道接下來應該做什麼 (product/strategy leadership)。
這個階段有很多難點：本身搞清楚應該做什麼就很難，還需要把這些東西 sell 出去，就更是難上加難了，但是這恰恰是數據分析的作用之一。不管數據分析做出了什麼結果，如果沒有把結論應用到實際product change裡面去的話，都是紙上談兵。
對於大多數的數據分析崗位來說，階段二是基礎，階段三是應該做到的，階段四是好像能做到一些，但是還有很大提高餘地的。而數據分析的作用和影響力，就來源於階段四。這也是為什麼很多數據分析的職位看起來要求很低，但是要做得好卻很難。因為第四階段做得如何，實在是太難量化了。
數據分析第四個階段的核心，就是不僅知道了過去以及現在的業務狀況，還需要指導業務的下一個走向，也就是未來應該做什麼。通過數據分析確定下一步應該做什麼，可以讓組織達到最大化的提高。
最後，我們來總結一下，數據分析的作用。很簡單，用趙本山春晚小品的節目名字就可以總結，那就是《過去、現在和將來》。通過報表（reporting），可以知道業務過去發生了什麼，通過專題分析（hypothesis driven），可以知道目前某個業務問題為什麼產生，最後通過數據分析結論，推動產品的改進（product/strategy leadership），知道將來應該做什麼。
TAG:數據分析實戰 |