近年来，互联网行业也不断涌现了许多新鲜的名词，现如今，数据分析被广泛的应用到各行各业当中。本文通过方法论及业务实践的方式，阐述数据分析与业务发展之间的相互作用以及企业是数据分析管理，希望对你有所启发。
近些年，互联网行业涌现过许多特有的名词，例如：
有很多名词已经过气，当然也有新的名词不断的在涌现。
而“数据分析”可以说是一个经久不衰的词汇，当然它代表了一项工作性质，也代表了一个行业。
说起数据分析，当下一定有很多人会把它与大数据联系在一块，毕竟大数据也是当下的一个热词，也是被大众误理（夸张理解/懵懂/感觉很厉害）最多的一个词。
不严格的来说，数据分析的渊源可以追溯到17世纪的统计学，并且，其确实也是由统计学发展而来。
直到18世纪初，苏格兰工程师威廉•普莱费尔发明了统计制图法，用于时间序列数据的折线图和面积图，柱状图用于描述不同类别的数量之间的比较，饼状图用于描述隶属同一组的多个数值的比例，这是一种数据可视化的雏形，却也为现代数据可视化（data visualization）和探索性数据分析（exploratory data analysis）奠定了基础。
随着科技的发展，尤其是计算机技术的突飞猛进，算法、模型、数据库、机器学习被应用到了统计学与概率学当中，至此，便有了现代化的数据分析、预测、数据挖掘等。
现如今，数据分析被广泛的应用到各行各业当中。有些观点认为，似乎企业的发展、运营，已经离不开数据分析，甚至主要依靠数据分析。不可否认，伴随着近些年大数据、云计算、人工智能、物联网等业务的火热，数据价值也确实被更多的挖掘，大数据、数据资产、数据治理等基础数据业务也在不断的夯实，但我们也要客观的去看待数据分析的应用能力、使用方法、应用结果。
毕竟，近些年倒下的大企业也不少，例如每日优鲜，数据分析应该占据着企业极高的业务比重，但依然默默的退出了市场。
本文将从数据分析本身出发，通过方法论及业务实践的方式，去阐述数据分析与业务发展之间的相互作用，以及企业对于数据的分析管理过程。我们不去讨论结局，但希望这个过程能够给大家带来启发。
管理学大师彼得.德鲁克曾说过：“如果你不能量化它，你就无法管理它。”
从字面上看，数据是基础，而分析才是核心，数据是经营的量化结果，洞悉数据背后的逻辑、规律、趋势，提取出有价值的信息、形成建议，这个过程就是数据分析。
可以说，数据分析是一项入门容易、但精通困难的学科、工作。我们常说，数据本身并没有价值，从数据中提取有效的信息，才使得数据拥有了价值。而数据分析的核心工作，就是提取数据价值，反哺业务。但做到这些并不容易，许多企业都在做数据分析，他们渴求着从中挖掘出数据价值，但现实却给出了相反的结果。
有效的数据分析需要懂业务、懂分析（思维方法模型）、懂工具（分析工具），以及敏锐的商业洞见。精通每个环节并不容易，这也是为什么，能够崛起的企业总是凤毛麟角，大多数企业都在蹒跚前进。可以说，数据分析能力也是决定企业发展的关键因素。
从数据——到信息——到业务流程/业务经营，是数据发挥价值的过程。数据能力从：结果描述（知其然）、数据分析（知其所以然）、发现业务风险及机会、直接用于业务过程成为生产力，其能力价值也是不断演进提升的过程。
一般来说，企业的数据分析能力越强，其在市场的竞争优势越大。
综合来说，对于能力的理解，可以归纳为四个过程：
①描述过去已经发生的
在这个阶段，我们可以通过常规的报表去查询每日的运营状况，包括销量、用户活动、库存等。
②了解现在正在发生的
这个阶段，我们可以通过平台的能力、实时计算能力，查看当前数据状况，例如实时销量、实时库存、在途商品等；同时，也会对突发状况进行告警，例如POS掉线、并发堆积引发阻塞等，我们需要针对现状进行问题疏导和解决。
③预测未来可能发生的
这个阶段，需要借助人工智能、算法、机器学习等智能化的工具，进行业务预测，当然这个前提是海量的基础数据训练。例如，交通状况的预测就需要增长率法、重力模型法、遗传算法、ConvLSTM等多种算法的混合支撑。
④优化策略驱动增长
这个阶段，我们已经拥有全数据链路能力，所以才能更好的为业务发展过程给出最得体的运营方案。
例子不多举，我想说的是，一个完整的数据分析过程，需要拥有这样最基本的过程，当然这又回到上述的观点，这些都需要懂业务、懂工具、懂分析、懂商业洞察。业务是根本，工具是手段，分析是能力，商业洞察才是创新，才能发现问题、预防问题、预测走向、引领转变。
数据分析的价值，是其最大程度的体现。但就我国目前企业的能力而言，只能说通过数据分析，达成了哪些目的。
基于我们以往的经验及应用过程，可以归纳为六点。
企业利润和成本，是能够数据价值的最直接体现，是最终端的效应。但数据分析手段如果仅仅作用在最终侧，那么将会导致一个弊端，就是需要经常调整决策，这对于企业的发展是有反作用力的。
所以，数据分析的底层作用，是企业管理的提效，通过对生产、管理、供应链、物流、成本、销售等基本环节的把控，夯实企业发展基础，是企业利润和成本的根本保证。
最后，在市场竞争中脱颖，做好自身仅仅是基础，更多的是需要迎合市场，所以外部数据、价值挖掘的价值利用，才是企业发展的助推器。
我们说了这么多，相对应的各位看官，自己的企业又是处于什么发展阶段呢。我们姑且将其分为五个阶段，而这几个阶段也与上文中的分析能力过程和数据分析价值相对应。
①数据应用薄弱阶段
阶段目标：需要获得足够的数据来了解企业的经营状况。
问题：还不能完整了解企业正在经历着什么，更不用说外部环境。
②局部业务/职能使用数据分析
阶段目标：通过数据分析、数据工具，解决某一项工作的问题，从而进行改进。
问题：如何进一步提升效率，如何全产业应用。
③对应数据应用进行整合
目的：利用数据能力提高差异化能力。
问题：通过数据分析现在在发生什么？我们可以从当下的趋势中推论出什么。
④整体数据应用并取得单点优势
目标：数据能力是业绩和价值的重要驱动因素。
问题：数据应用怎么驱动经营和管理创新，如何实现差异化。
⑤全面凭借数据开展竞争并持续优势
目标：数据能力是业绩和价值的首要驱动因素。
问题：下一步应该怎么做，有怎样的可能性，如何保持领先地位。
了解的自身状况，后面我们就要根据自身状况去进行改变。
数据分析体系，是企业业务发展的综合整理，既表达了企业发展的现行业务架构，也体现了企业内部精细化分工。
数据分析体系，是由数据分析模型构建。
客观事物或现象，是一个多因素综合体，因素之间存在着相互依赖又相互制约的关系。为了分析其相互作用机制，揭示内部规律，可根据理论推导，或对观测数据的分析，或依据实践经验，设计一种模型来代表所研究的对象。一般构建数据分析模型体系分为一下几个步骤：
①理解业务
思考该模块工作的目标、业务流程、核心指标及行动方案；
思考业务流程各阶段的待解决问题，初步确定需要几个分析模型来支持和指导业务运营、决策支持。
以商品销售为例，销售模块的核心指标一定是销量、利润。但结合整体业务流程，还需要了解后台配套的商品库存、人工成本、供应链成本、物流成本等，通过逐步拆解细分，才能得到混合型的支撑模型。
②模型验证和调优
首先要对自身模型检验。第一要查看分析模型在业务应用中是否体现了结构化（有序的、层层递进）、公式化（可量化）、业务化（贴合实际）的思维；第二要查看分析模型是否能够支撑完整的业务闭环；第三要查看分析模型是否达成业务目标。
其次，要对分析模型产生的数据结果进行验证，针对数据偏离进行模型调优；
最后，对模型进行解读，即用户如何理解数据、用数据，根据用户体验优化模型。
③构建分析模型
明确每一个分析模型适用业务场景、解决什么问题、和使用的角色；
明确各个模型分别是什么模式，描述性分析、诊断性分析、预测性分析、决策建议性分析；
按照目标-核心指标-围绕核心指标建立分析模型的方法，推导分析模型；
细分模型所需的指标维度、以及告警设计；
思考该模型与其他模型之间的关系是什么，进行模型的跳转与连接。
所以，根据方法论所述，构建数据分析模型体系，基本步骤可以概括为：
①理解业务，立足目标
通过核心指标监控、业务流程分析等方法来发现业务问题，针对性的进行数据分析与挖掘。
积累的问题解决经验、成熟的分析思路，经过系统的梳理，梳理为一个或多个成型的数据分析模型。
②细化流程，发现问题
细化流程的方法：一种是按照组织管理职能将业务模块分解，另一种是参照业界业务自然的发展阶段来细化分解。
数据分析模型的核心，不在于图表华丽、方法炫酷，而是能够适用业务、解决问题、带来业务改善。
③逐个梳理分析模型
您的模型应用了何种分析思维，是公式化、结构化还是业务化。
您的模型应用了何种分析模式，描述性分析、诊断性分析、预测性分析、决策建议性分析。
您的模型应用了何种分析模式，描述性分析、诊断性分析、预测性分析、决策建议性分析。
模型与模型之间的关系是什么，无关、关联、递进、基础。模型之间的下钻关系是什么。
④指标维度告警考虑
角色：首先要进行角色区分，角色分为运营、采销、管理等，模型是为哪些角色建设的，不同角色所需的指标维度告警方式是否一样。
指标：模型所需的指标是哪些，将指标定义和计算公式梳理清晰，并且对核心指标进行解读，如果指标缺失则加快指标建设。
维度：维度是分析和汇总数据的视角；模型所需的维度是哪些，维度之间的钻取关系，如果维度缺失则加快维度建设。
告警：核心指标是否需要设置异常值提醒通知，是否需要将异常信息推送给相关人员等。
⑤数据验证
按照分析思路填写真实数据；
检查数据指标及分析思路的严谨性；
请使用方试用模型，提修改建议；
结构化、公式化、业务化思维、闭环、目标达成等；
存在问题按重复上述步骤。
⑥解读模型构建关系
对模型进行解读，异常分析的路径，怎么理解数据背后的含义、如何用数据驱动业务改善。
基于整个业务的全流程及分析问题，全盘思考模型之间的关系是什么，模型与模型的跳转与连接是怎样的。
我们结合电商综合体，进行了行业经营分析模型体系构建。
基于分析模型构建方法论，将庞大的业务进行拆解，构建细分业务的详细指标，考虑模型之间的流程流转、业务跳转等，从而展现电商综合体的经营架构和内部业务细分，体现其核心的业务模式，窥探可创新发展方向。
在大的方向上，电商综合体的经营分析体系可分为：经营环境分析、财务分析、人力分析、战略发展分析，以及最重要的业务分析。
业务分析，根据实际业务发展状况，进行模块化拆解，可分为：流量、销售、会员、门店、商品、广告、服务、单品、绩效、商户、连发。
以流量为例，流量主题的业务目标是：提升流量的数量及质量、提高转化率、促进销售增长、赋能智慧零售。模型目标是：监控线上运营流量核心指标、及时发现异常、细化分析、及时调整。
同时流量主题又可细分为线上流量、线下流量。线上流量又可通过转化路径，细分到页面、搜索、站外等。搜索模块再而细分，直至到形成商品购买页的流量转化归因及闭环。
数据分析工具，是数据分析的核心手段。借由数据分析体系构建的思路，数据分析工具的建设，同样应该坚持结构化、公式化、业务化的原则，支持业务的精细化拆解，支持不同角色的业务需求，最终还是要提升业务的流转效率、经营效率、管理效率。
图（分析工具产品架构）
我们从业务角度触发，将分析工具分为前端的业务应用和后端的处理核心。
前端的核心应用就是数据分析门户，为经营管理人员、数据分析人员、门店人员、促销人员等。
后端的系统，集成了告警、算法、营销引擎、智能化产品。后端系统不直接应用于经营管理部门，但为业务经验经营提供基础的数据处理、指标处理、业务告警、智能推荐、智能数据服务、智能客服服务等能力，是前端业务经营的智慧大脑。
①指标维度建设内容
指标维度的建设思想，在数据分析体系建设中已经有过阐述，在此不再多述。
在这里要额外说一下维度，维度是指标的属性描述，例如流量，流量的相关维度例如：线上/线下、app/web/小程序、首页/商品页/购买页、地域、门店等等。在数据分析管理当中，维度也被用来做权限的管控。最典型的案例：通过门店维度，管控店长仅能看到自身店铺的相关数据。
②业务驾驶舱
现在的BI工具，驾驶舱的特性已经被追求到了极致。但好的驾驶舱搭建并不容易。
驾驶舱搭建应遵循一下步骤：
驾驶舱类型与指标紧密结合。战略型驾驶舱，一般展示宏观指标，例如当日商品销售（排行）；分析型驾驶舱，则会体现各个指标之间的联系，例如总体销售、分时销售、维度销售；操作型驾驶舱，则体现业务的时效性和预警能力，例如退出率、闪退率、XX失败数等。
③报表市场
报表市场，顾名思义，是一个报表的汇聚。通常适用于跨部门、跨业务的数据查询分析。当然，这需要配套权限的解冻、流程审批，避免数据权限的扩大。一般来说，审批过程会大大减少数据外泄的隐患（关于数据安全不在此描述）。
④分析报告
某些大型企业来说，分析报告是亮点，需要算法的支撑。
通常来说，传统分析报告一般为模板化的格式，是一种报表数据的汇总体现。但经过算法的融合，分析报告可以变的更加的灵活，丰富。尤其是当前openapi开发的cp4.0的出现，分析报告完全可以交由AI来做。AI提供的报告的创造性远超我们。
⑤自助分析
自助分析可以说是一些企业运营的命脉，这一现象普遍存在与中小企业当中。其原因我们不取追究，但坦率的来说，通过托拉拽的方式，将由指标、维度、事件周期模块化置于画布，由数据分析人员自由操作，要比固定的预置报表更加灵活。同时配以人员的创新性，更加适合数据分析人员进行个性化、临时性的数据分析、数据创新。
以XX品类会员生命周期及画像分析为例：
问题背景：XX品类年度买家规模占比在全品类的20%以上，是会员运营的重点品类。但从买家增长和销售增长趋势看，2020年该品类一级商品组销售规模同比下降XX%，正向买家规模同比增长XX%，增长率较18、19年同比增长率下滑严重。且在2021年1-5月，销售及买家规模均同比下滑。
分析目的：通过分析了解会员生命周期结构情况，各阶段人员画像特征，以及如何针对性采取行动来做策略干预，提升用户规划、优化用户结构、提升会员价值。
分析思路：
生命周期分析：结合会员生命周期理论框架及自身特征、品类特性，定义XX品类会员生命周期阶段，了解各阶段会员概况、价值和生命周期结构。
画像分析：从会员个人属性特征、消费偏好特征、交叉购买方面，分析各阶段生命周期人群画像，为会员运营提升提供决策建议。
通过个性化的自助分析，得出以下结果：
从会员生命周期分布结构来看，该品类待挽回会员规模占主导地位，会员结构处于高流失型结构。
生命周期各阶段人均价值下降程度不同，仅成熟期会员的人均价值（贡献交易额）呈正向增长。
客单价≥100 元的会员留存分布结构中，引入期+成长期会员占比过半，成长性较好。可重点关注该部分用户，提高复购，推进向成熟期转化。
分析结论管理建议：
XX品类需要优化会员结构：XX品类 2020 年会员总数虽同比增长，但从生命周期结构来看，待挽回的沉睡期和流失期会员增长较多，留存会员规模及占比均下降，会员 的结构较差。且留存会员中，成熟期占比较低，处于增长阶段的会员占比处于主导地位，而没有有效的转化为成熟期会员。建议在关注会员规模的同时更要关注结构性问题。
XX品类会员贡献价值有待提升：XX品类会员贡献总交易额略提升，但核心的 留存会员贡献总交易额下降，人均贡献交易额下滑。建议从商品结构与用户画像匹配度、 营销方式优化、渠道选择上面，挖掘用户潜在需求，提升用户复购及 ARPU 值。
基于画像分析，从性别、年龄、地区、渠道偏好、购买期偏好等角度分析用户特征，为后续挽回、激活等精准营销策略提供支持。
从交叉购买品类的关联性看，可在运营中对表现较好的交叉品类做进一步联动营销。
告警系统，作用于在数据分析中，对核心指标告警方案配置管理、异常数据主动推送、触达，帮助业务人员及时知晓和处理经营异常。告警系统一般构建与指标体系之上，其核心是告警规则配置。
对于指标的告警配置，是对一个或多个指标设置告警规则，包含但不限于周期设置、阈值设置、维度维值设置、单位设置、时间颗粒度设置、推送策略设置。
基于告警信息，我们需要对告警规则进行解读分析，一方面了解业务运营状况；另一方面对告警规则进行调优。
消息推送是告警系统的基本功能之一，一般会包含邮箱、短信、MSG。每个企业可以根据告警等级，设置不同的通知方式。
最后，告警信息需要由责任人去关闭，从而形成告警的闭环。
应用案例：
黄金流量位在促销时期的 数据告警。
页面运营中有个“黄金流量位”的概念，每个页面、楼层的“黄金流量位” 是有限的，这个坑位运营的商品效果怎么样，需要业务人员实时关注不同楼层和坑位对应商品的实时曝光、点击、加购、提交订单和库存数据，及时进行调整，确保成交最大化。
比如大促预热时，某商品加购达到 100 件，但可售库存只有 20 件，这件商品就不适合作为主推款，占据“黄金流量位”的一定是库存、加购数据都比较优秀且平衡的商品。
类似的，还有高曝光低点击商品告警、有点击无转化商品告警、缺货告警。
整体应用：
细分9个场景：
最后，我们来谈一谈数据分析应用的管理。有效、高效的管理机制，是数据分析价值发挥的催化剂，也是数据工具进化的基础动能，更是企业数据能力提升的铺路石。
①全员参与
好的产品都是运营出来的 ，用户需要持续有效使用中发现问题，发现与业务诉求的偏差，才能促进产品持续不断迭代提升，在应用落地中发挥数据真正的价值。
每个人都能真正从数据应用、数据管理和数据发现高度经营各自的本职工作，能在各自的工作中自觉利用或简单或复杂的数据分析工具，进行大大小小的数据分析挖掘，从数据中发现信息财富，助力公司全方位的提升。
②建立常态化的跨域流程和机制
数据驱动经营是跨专业、跨团队的协同配合，需要建立对应的流程和制度保证最终的实践效果，明确相关方在不同阶段的角色、职能、分工和价值，保障各环节的阶段性目标达成，实现数据驱动经营的闭环。
③管理层的推动作用不可忽视
只有各体系中高层持续推动，才能快速在公司内建立、推广、实施、完善真正的全员参与、跨部门跨专业、具有战略竞争意义的数据驱动运营管理的工作。
④数据文化的培养至关重要
企业的数据能力提升，人是核心动能，人力资源的数据素质培养，氛围不可或缺。通过培养让数据说话的氛围：把数据用起来，让数据反馈管理、改进管理、提升业绩；通过建设数据分析交流的阵地：数据服务号、数据论坛、数据分享会，实现企业员工能的共同提升；保持开放与学习的心态：参加外部学习，吸收行业优秀案例，开拓视野。
为提高核心业务重要数据的应用一致性、完整性、准确性、有效性，在企业层面建立包括数据管理部门、财务中心、业务管理中心、研发中心的“数据常设组织以及运作机制”。
常设数据联合组织整体管理由数据管理部门牵头，组织构成及各域牵头人如下，围绕数据细分域各负责人承担业务域专家、产品专家的角色，协同促进数据建设、应用能力的提升。
基于数据域常设组织的设立，各数据域业务管理方、研发管理方以及角色负责人从需求调研、建设开发、应用管理、应用评估、数据质量监控五个方面监控系统完善数据及应用建设落地，配套各主题域的数据管理机制，从而提升数据分析能力与应用成熟度。
对数据应用管理的评估，可拆解为数据覆盖度、数据分析力、数据准确性、数据触达力、数据驱动能力、用户活跃度、数据使用率等。
我们可以通过各个维度的目标评估，做对应的策略、功能变更。
以用户活跃度为例，内部应用的用户活跃度，是衡量产品优劣的直观表现。但因产品前期的更替因素，结合新老产品的用户适应度来说，前期的产品使用，需要企业上层的推动。在产品后期，用户的反馈直观重要，直接影响员工的后期倾向程度，也会影响产品后期的质量，更甚影响企业长远的发展战略。
数据安全是当下全社会都注重的大事项。但因本文偏重数据分析角度，故数据安全部分仅简述一些。
①全民安全意识
不论是数据安全，还是个人隐私安全，企业都应该从日常的工作、生活中去培养全民的安全意识，这不仅仅是对企业，也是对个人、家庭、社会都是有益的。
我们可以出台一系列安全管理措施，从制度上保障数据安全底线；也可以举办日常培训，重点举例警示众人。
②权限开放与使用
在权限标准上，需评估人员岗位与其所需数据权限的匹配性与合理性，按需开放权限，原则上无特殊原因不得放大岗位权限，发生权限范围和职责不匹配的情况。
非兼岗人员不得与其他岗位角色绑定，造成数据权限放大，存在数据安全隐患。
权限使用上，是严禁将权限借用给他人的。
③数据安全与使用
数据使用上，连续30天未登录系统、门户等，系统自动实现冻结使用权限，解冻需流程审批。
数据安全上，导出权限需申请；导出数据量控制，上限为20万；导出行为纳入数据安全监控和管理。同时，需要制度、机制、产品功能上，控制数据后续的销毁。
以上，是我们从业以来，对于数据分析的一些理解。总结了数据分析的基础方法论、讨论了数据分析体系、数据工具能力建设、数据分析应用场景等相关模块的联系。
我们不去追求每个企业都能够通过数据分析能力的提升，实现自身企业在市场竞争的脱颖而出，毕竟数据分析仅仅是企业前进方向的重要因素之一，而且数据分析对于每个行业、企业的重要性也不能一概而论。
我们只是将数据分析的一些基本理论、过程、效果展示给大家，为大家提供成功、失败的经验总结。
最后，有任何问题，还请大家批评指正，感谢。
本文由 @碧英数据 原创发布于人人都是产品经理。未经许可，禁止转载
题图来自Unsplash，基于CC0协议
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。