無論是身處什么行業(yè)什么領(lǐng)域，數(shù)據(jù)分析越來越成為一向必不可少的技能，而運(yùn)用數(shù)據(jù)思維進(jìn)行決策更能產(chǎn)生形成高質(zhì)量的決策結(jié)果。

數(shù)據(jù)分析正在滲入到各行各業(yè)的商業(yè)活動中以及各種細(xì)小決策中，判斷一個人了是否有數(shù)據(jù)思維，最核心的因素是看他有沒有通過數(shù)據(jù)分析做決策的習(xí)慣。

一個合格的數(shù)據(jù)分析師要掌握各種數(shù)據(jù)分析模型和算法以及熟悉SAS、R、Python等統(tǒng)計工具。有些人可能會說，數(shù)據(jù)分析的門檻太高了，其實(shí)除了數(shù)據(jù)工作相關(guān)產(chǎn)品經(jīng)理和分析師，并非所有產(chǎn)品經(jīng)理都需要熟悉數(shù)據(jù)分析模型和工具，日常大部分?jǐn)?shù)據(jù)分析都能夠通過Excel分析出來，如果是比較復(fù)雜的數(shù)據(jù)，產(chǎn)品經(jīng)理可以通過自己了解業(yè)務(wù)知識與數(shù)據(jù)分析師有效的協(xié)作，做出有數(shù)據(jù)依據(jù)的決策。

但是每個產(chǎn)品經(jīng)理都需要了解數(shù)據(jù)分析思維的重要性，以及熟悉數(shù)據(jù)分析思維工作流程。

數(shù)據(jù)分析思維的由來

過去人們做決策主要靠定量分析，定量分析的決策依據(jù)來自于決策者的經(jīng)驗(yàn)和直覺，這種決策的缺點(diǎn)主要在于決策結(jié)果的不可確定性，決策失誤的概率很大。

隨著互聯(lián)網(wǎng)的不斷發(fā)展和物聯(lián)網(wǎng)設(shè)備的不斷普及，人們活動的各種數(shù)據(jù)被有意識的存儲下來了，數(shù)據(jù)的收集，讓我們可以通過定量分析數(shù)據(jù)，利用數(shù)據(jù)實(shí)現(xiàn)更好的決策制定。

比如像很多互聯(lián)網(wǎng)公司都成立了大數(shù)據(jù)團(tuán)隊(duì)，收集用戶的社交、電商、搜索行為等數(shù)據(jù)，通過所搜集的大數(shù)據(jù)來制定商業(yè)決策依據(jù)，以及通過數(shù)據(jù)挖掘形式，找到創(chuàng)新產(chǎn)品的機(jī)會。

大的互聯(lián)網(wǎng)公司在滿足自己內(nèi)部決策需求的同時，也成了了大數(shù)據(jù)部門給其它公司進(jìn)行賦能，比如螞蟻金服的數(shù)據(jù)產(chǎn)品芝麻信用，不僅能夠成為螞蟻內(nèi)部各種金融產(chǎn)品的信用審核依據(jù)，也開放給了很多行業(yè)如出行、金融、共享服務(wù)公司等，極大提高了基于信用服務(wù)的門檻和便捷性。

熟悉NBA的球迷都知道，勇士隊(duì)曾長期以來一直是聯(lián)盟里的魚腩球隊(duì)。但是自從來自硅谷風(fēng)險投資者拉科布收購勇士之后，把數(shù)據(jù)分析的思想充分融入到了球隊(duì)的訓(xùn)練之中，他們雇傭了許多數(shù)據(jù)分析師，為球隊(duì)提供咨詢幫助，并最先在球館中引入球館錄像和分析系統(tǒng)，為了更好地監(jiān)測球員的健康狀況。

同時他們根據(jù)團(tuán)隊(duì)對歷年來NBA比賽的統(tǒng)計，發(fā)現(xiàn)NBA最有效的進(jìn)攻是眼花繚亂的傳球和準(zhǔn)確的投籃，而不是看似觀賞性很強(qiáng)的突破和扣籃。在這個思想的指導(dǎo)下，勇士隊(duì)開創(chuàng)性的發(fā)明了小球戰(zhàn)術(shù)，以三分作為主要進(jìn)攻手段，開創(chuàng)了四年奪三冠的王朝偉績。

數(shù)據(jù)分析流程分為發(fā)現(xiàn)問題、數(shù)據(jù)的收集和加工、數(shù)據(jù)分析、解決對策四個步驟。

發(fā)現(xiàn)問題

在工作中并不是所有的事物都需要用到數(shù)據(jù)分析，只有出現(xiàn)了問題才需要用到數(shù)據(jù)分析。一類問題是對現(xiàn)狀的不滿意，另一類問題是對未來的預(yù)測。

在數(shù)據(jù)分析中，發(fā)現(xiàn)現(xiàn)狀問題有一個萬能的公式，即問題=預(yù)期和現(xiàn)狀之間的差距，比如當(dāng)商品廣告投入和產(chǎn)品質(zhì)量沒有變化的情況下，本月用戶的平均消費(fèi)金額下降了。如果廣告和產(chǎn)品質(zhì)量沒有變化，正常的情況是本月用戶的平均消費(fèi)金額不變才對，現(xiàn)狀卻是本月用戶的平均消費(fèi)金額減少，那么我們就認(rèn)為這里有問題需要被挖掘，利用數(shù)據(jù)分析的方法，去發(fā)掘問題背后的原因。

那么如何找到預(yù)期和現(xiàn)狀之間的差距呢？

有兩個辦法找到預(yù)期和現(xiàn)狀之間不符的情況下背后的原因。分別是：將數(shù)據(jù)分解后觀察和將數(shù)據(jù)比較后觀察

1. 將數(shù)據(jù)分解后觀察

一般一個預(yù)期結(jié)果由多因素決定，可以將現(xiàn)狀的數(shù)據(jù)分解后進(jìn)行觀察什么因素對結(jié)果的影響。對數(shù)據(jù)分析來講，比較有效的數(shù)據(jù)分解方式是因素分解方式，即對數(shù)據(jù)結(jié)果進(jìn)行四則運(yùn)算分解。

比如：本月平均消費(fèi)金額=本月消費(fèi)總額/本月消費(fèi)人數(shù)。

所以本月平均消費(fèi)金額減少，要么是本月消費(fèi)總額減少，要么是本月消費(fèi)人數(shù)增加了。接著我們可以去深挖為什么本月平均消費(fèi)金額減少或者本月消費(fèi)人數(shù)增加，直到找到最根本的原因。

如果數(shù)據(jù)不能由公式進(jìn)行分解，那么需要討論數(shù)據(jù)結(jié)果的所有決定因素，以及每種決定因素影響的大小，然后分析有變化的決定因素。比如產(chǎn)品本月用戶滿意度降低了，滿意度并不能通過因素分解，那么可以分析滿意度所有的決定因素，比如涉及滿意度的因素可能有售前和售后服務(wù)效率、產(chǎn)品質(zhì)量、品牌影響力等因素，看看是否有因素發(fā)生了變化，如果有因素發(fā)送了變化，那極有可能是影響滿意度的決定因素。

2. 將數(shù)據(jù)比較后觀察

將數(shù)據(jù)比較后觀察指的是發(fā)生問題的數(shù)據(jù)和未發(fā)生問題的數(shù)據(jù)進(jìn)行比較，從而找到問題的原因。數(shù)據(jù)比較的方式比較多，比如按時間序列進(jìn)行比較，比如昨天和今天的比較、上月和本月的比較、上周和本周的比較、去年和今年的比較，以及同一個活動上次和本次的比較等。

也可以空間進(jìn)行橫向比較，比如和競爭對手的數(shù)據(jù)進(jìn)行比較，公司內(nèi)部不同部門之間的數(shù)據(jù)比較等。

還有一種重要的方式是按照用戶的屬性數(shù)據(jù)進(jìn)行比較，常用的用戶屬性有用戶性別、用戶來源、用戶操作系統(tǒng)類型、用戶手機(jī)類型、用戶年齡、用戶地域、用戶偏好等。

數(shù)據(jù)比較看似原理比較簡單，但是解釋了為什么我們做的報表和數(shù)據(jù)分析經(jīng)常要做比較，因?yàn)橹挥斜容^才能發(fā)現(xiàn)問題。

數(shù)據(jù)的收集和加工

不管是現(xiàn)狀問題還是對未來的預(yù)測，數(shù)據(jù)收集和加工的過程是非常重要的，數(shù)據(jù)的收集和加工是整個數(shù)據(jù)分析過程的“原材料”。如果沒有豐富的“原材料”，那么“巧婦也難為五米之炊”。

1. 數(shù)據(jù)收集

一個有數(shù)據(jù)思維的產(chǎn)品經(jīng)理，在產(chǎn)品設(shè)計階段就會盡量把數(shù)據(jù)提前收集，做數(shù)據(jù)埋點(diǎn)和數(shù)據(jù)校驗(yàn)，保證數(shù)據(jù)的精準(zhǔn)性和完整性。比如設(shè)計一個APP的埋點(diǎn)包括啟動次數(shù)、頁面訪問時間、功能點(diǎn)擊次數(shù)等。

數(shù)據(jù)校驗(yàn)也很重要，千萬不要想著功能先做上去就好了，數(shù)據(jù)校驗(yàn)可以慢慢做，這樣造成的影響就是在數(shù)據(jù)統(tǒng)計的沒有校驗(yàn)的數(shù)據(jù)統(tǒng)計價值不高。比如下圖中的

系統(tǒng)中，在錄入車輛品牌的時候，直接是錄入操作，而不是品牌選擇，這意味著沒有做數(shù)據(jù)校驗(yàn)。

沒有做數(shù)據(jù)校驗(yàn)的字段意味著用戶可以隨意填寫該字段，如下圖：

在做數(shù)據(jù)收集的時候，同樣一個車輛型號，有多行記錄，在數(shù)據(jù)收集和分析的時候，就需要去額外的投入去判斷哪些數(shù)據(jù)其實(shí)是一個數(shù)據(jù)。

今日頭條作為一款成功的新聞推薦產(chǎn)品，能做到信息推薦的千人千面，這得益于他們數(shù)據(jù)收集的完整性，完整性體現(xiàn)在頭條把用戶數(shù)據(jù)分為人的特征、環(huán)境特征、文章特征等。每個特征又分為很多更細(xì)化的特征，如文章特征又分為文章時效性、文章熱度、相似文章、停留時間、閱讀的細(xì)節(jié)行為等。

頭條甚至能通過數(shù)據(jù)了解用戶什么地方快速劃過、什么地方仔細(xì)閱讀過等數(shù)據(jù)，完整的數(shù)據(jù)收集為頭條眾多的算法策略提供了數(shù)據(jù)原料。

在數(shù)據(jù)收集時，從數(shù)據(jù)的獲得成本來講，代價最低的是收集已經(jīng)保存的數(shù)據(jù)，所以產(chǎn)品經(jīng)理在設(shè)計產(chǎn)品的時候，就需要考慮數(shù)據(jù)保存。

代價最高的是從外部去購買數(shù)據(jù)，比如在互聯(lián)網(wǎng)金融中，很多平臺會從第三方大數(shù)據(jù)機(jī)構(gòu)中購買反欺詐名單、黑名單、多頭借貸等數(shù)據(jù)，外部購買的數(shù)據(jù)一般是按每筆收費(fèi)。

2. 數(shù)據(jù)加工

數(shù)據(jù)收集完成之后就是數(shù)據(jù)加工，大部分?jǐn)?shù)據(jù)都零散的存放在數(shù)據(jù)庫中或者文件里面，所以數(shù)據(jù)加工首先需要將數(shù)據(jù)整合在一塊，如果數(shù)據(jù)保存在數(shù)據(jù)庫中那么需要用SQL整理，如果數(shù)據(jù)保存在文件中那么就用Excel或者R語言整理。

數(shù)據(jù)加工的目標(biāo)是為了得到數(shù)據(jù)指標(biāo)的結(jié)果，數(shù)據(jù)指標(biāo)是我們?nèi)粘９ぷ鞯臄?shù)據(jù)化表現(xiàn)，比如我們上面講到本月消費(fèi)總額和本月消費(fèi)人數(shù)。越是數(shù)據(jù)驅(qū)動的產(chǎn)品，數(shù)據(jù)指標(biāo)越多，指標(biāo)越精細(xì)，比如上面今日頭條的基于人、環(huán)境、文章等非常精細(xì)的數(shù)據(jù)指標(biāo)。

除了常規(guī)的數(shù)據(jù)指標(biāo)，在數(shù)據(jù)加工的時候還需要對一些連續(xù)數(shù)據(jù)進(jìn)行指標(biāo)離散化，在數(shù)據(jù)加工階段，為了在數(shù)據(jù)分析的時候，方便采取更準(zhǔn)確的決策，我們可以把一些連續(xù)數(shù)值的數(shù)據(jù)離散化。

阿里巴巴有了用戶的歷史消費(fèi)行為、消費(fèi)能力、支付數(shù)據(jù)等數(shù)據(jù)之后，在數(shù)據(jù)加工階段，可以把按風(fēng)險把用戶分為不同的層級。如下是網(wǎng)商銀行對外輸出的客戶風(fēng)險評級：

• A為1-3層用戶，屬于最優(yōu)質(zhì)人群；
• B為4-6層用，屬于良好用戶；
• C為7-8層，屬于風(fēng)險較高用戶，C1為第七層，C2為第八層；
• Other，為拒絕用戶。

定義好離散化的數(shù)據(jù)指標(biāo)之后，那具體哪些用戶屬于什么評級呢，這就是數(shù)據(jù)分析階段需要做的事情了。

數(shù)據(jù)分析

在數(shù)據(jù)分析中，根據(jù)問題的難易程度可以用到“決策支持”和“系統(tǒng)優(yōu)化”的分析方法。

1. 決策支持

決策支持是通過簡單的求和以及易于理解的分析模型，幫助用戶做出決策，比如對比本月同比和環(huán)比用戶平均消費(fèi)金額，從而決定通過什么決策活動來提高本月的用戶平均消費(fèi)金額。比如建立一個廣告投入因素和新增用戶的關(guān)系模型，就能夠預(yù)測投入多少廣告額，能帶來多少新增用戶。

簡單的關(guān)系模型產(chǎn)品經(jīng)理是能通過Excel表格分析出來的，如柱狀圖、折線圖等。

如果一項(xiàng)因素引發(fā)問題的因素很復(fù)雜，則需要建立一個由多個因素組成的預(yù)測模型。通過這個模型，我們可以觀察模型中某個因素對整體結(jié)果造成的影響。預(yù)測模型需要用到的統(tǒng)計方法有交叉列表統(tǒng)計、統(tǒng)計學(xué)假設(shè)檢驗(yàn) 、多元回歸分析等，這個階段大部分產(chǎn)品經(jīng)理都需要求助數(shù)據(jù)分析師的幫助了。

2. 系統(tǒng)優(yōu)化

系統(tǒng)優(yōu)化指的是幫助用戶構(gòu)建讓計算機(jī)執(zhí)行的方案算法，常用的系統(tǒng)優(yōu)化方法有機(jī)器學(xué)習(xí)。

相比簡單模型的決策模型，系統(tǒng)通過機(jī)器學(xué)習(xí)方法分析出系統(tǒng)中更詳細(xì)的因素，比如系統(tǒng)優(yōu)化能分析出廣告投入多少金額，能帶來新用戶的快速增長，以及廣告投放中具體什么投放渠道，效果最好。

機(jī)器學(xué)習(xí)的優(yōu)勢在于能從數(shù)據(jù)中學(xué)習(xí)出其本身包含的模式和規(guī)律，并以此來建立模型。比今日頭條，就是通過分析我們過去瀏覽的記錄，利用機(jī)器學(xué)習(xí)建立模型，從而給我們推薦類似的內(nèi)容。系統(tǒng)優(yōu)化用到的統(tǒng)計方法有邏輯回歸分析、聚類、主成分分析、決策樹分析等。

解決對策

對于數(shù)據(jù)分析中決策支持的得出的結(jié)果，我們可以通過決策結(jié)果直接決定做或者不做某事，對于數(shù)據(jù)分析中系統(tǒng)優(yōu)化得出的結(jié)果，我們可以在計算機(jī)上執(zhí)行解決問題的決策算法。

無論什么決策結(jié)果，都需要評估執(zhí)行決策結(jié)果的成本以及決策風(fēng)險。

為了評估成本和風(fēng)險，在做決策的時候，我們可以通過把預(yù)估的數(shù)據(jù)代入到?jīng)Q策模型中，進(jìn)行模擬仿真，從而得出可能出現(xiàn)的結(jié)果。

與此同時，我們還需要不斷的和周圍的人傳達(dá)我們整個數(shù)據(jù)分析的流程，告訴他們我們的決策是有數(shù)據(jù)依據(jù)的，這樣有助于推進(jìn)決策結(jié)果的推進(jìn)。

#專欄作家#

青蛙王子，微信公眾號：guatalk，qq：1418191947，人人都是產(chǎn)品經(jīng)理專欄作家。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自 Unsplash，基于CC0協(xié)議。