?我們經常聽到“搭建運營分析體系、搭建業績監控體系、搭建商品分析體系”等求?？蓴祿治鲶w系到底是什么？似乎經?？吹降?，只有AARRR五個字母，又語焉不詳，到底怎樣才算是建了個體系？

搭建數據分析體系，是初級數據分析向高級發展的必備一環。留心看哦。

一、搭建數據分析體系的常見錯誤

1、羅列指標，沒有重點。

很多文章一講數據分析體系，就鋪陳了大量指標。先看哪個，后看哪個，根本沒說明。光把幾百個指標理解一遍都要半天，業務啥也不用干了，每天就在這瞅數好了。

2、陷入細節，沒有目標。

很多同學習慣性列了指標，就開始按時間、渠道、區域、用戶等級拆分，拆來拆去，標出一堆漲了跌了。問題是沒個具體標準。每天糾結：1%的變化到底是不是問題？百分之幾是問題？參見【數據分析終極一問：指標波動有多大，才算是大！】

3、不分職責，貪大求全。

很多文章一列標題就是《電商指標體系》《運營指標體系》，甚至是《互聯網指標體系》，可實際上像BATT，一個公司十幾個BU幾十條業務線，都看一套指標？單純運營就分：用戶、產品、數據、新媒體、社群、活動、商品、渠道……幾十種運營，也看一套指標？這些大而全的總結，總是看似有理，實際不好用。

最終導致的惡果，就是自嗨型數據報表?？此屏_列幾百指標，拆分數十維度，每天更新累得哼哧哼哧，可一看，報表打開率不到10%。運營、產品、銷售們遇到問題，還是提臨時取數單，每天光跑臨時取數就跑到斷手指……

二、什么是數據分析體系

如字面意思，數據分析體系包含兩點：

1、數據分析：意味著不能光羅列數據，而是要對數據做解讀，解釋數據背后的業務含義，找到對業務有用的點。

2、體系：意味著不能毫無邏輯地鋪陳數據，而是有節奏、有主次、有順序地展現數據。這樣才能更有效率地支持業務，而不是埋沒在無窮無盡的sql里，也能更好地積累分析經驗。

把數據報表、專題報表串起來，有層次地展現，應用到業務中，才是真數據分析體系。

三、搭建數據分析體系的基本思路

數據分析本質是為業務服務的。盡可能多地幫助業務工作，少浪費業務時間，才是服務宗旨。所以，在搭建數據分析體系時，要先問自己：

1、我在為誰們服務？

2、他們中每一位，有什么工作職責？

3、提供什么樣數據，能更好幫助他們工作？

4、在什么時間提供幫助，能更少干擾他們？

這就是搭建數據分析體系的基本思路。

第一步：認準服務對象

企業有部門分工，因此第一步要認準：我在為哪個部門服務。這非常關鍵！因為即使同一個問題，不同部門的關注點會不同。同樣是銷售問題，如果是銷售部看，關注的是每一支銷售隊伍完成率、進度、質量。如果是供應鏈看，那關注的就是總量、各產品數量、需求高峰期。如果是風控看，那關注的就是回款、壞賬、套利。認清部門，有利于了解真正需求點。

其次，部門內有職級高低，要具體區分：誰需要看報表，他的責任與關注點是什么。同樣是銷售，部門領導關注的是下屬隊伍的排兵布陣，重點在什么區域，主打什么產品。每一個銷售人員，關注的是要跟進哪個客人、跟進哪一步、見人說什么。一般來說，越是管理層就越關注策略問題，越是基層就越關注執行問題。

即使有些看起來一個人也能辦的事，在企業里也有分工合作。比如公眾號發文章，似乎一個人就能寫，可在企業場景里，人家有專業的名字叫：新媒體運營，也有細致的工作分工。 

第二步：明確工作目標

清晰了人以后，要認清每個人的工作目標。量化目標，是數據分析的靈魂。后續評價工作的好壞，判斷業務走勢正常還是異常，探索解決問題的辦法，都是從計算目標和現狀的差距開始的。這一點非常非常重要。很多做數據的同學陷入細節，做的報表看不出所以然，都是因為壓根不知道到底數值是幾才算好導致的。

業務目標并不都是“1個億小目標”這種簡單粗暴的形式。細分之下，可以有多種類型，比如常見的：

1、按達成時間分：年、季度、月

2、按委任形式分：長期任務/臨時任務

3、按服務對象分：自身/其他部門

4、按服務對象分：領導/組長/員工

5、按流程位置分：結果型目標/過程型目標

繼續拿新媒體運營舉例，一個小組，可能同時背著多個目標：

注意：不同目標之前有邏輯關系。比如年度的漲粉任務，可能由促銷活動漲粉、裂變漲粉、爆款文案漲粉、自然增長多種形式組成，一個大目標對應多個小目標。把各種目標按大小歸屬、時間順序梳理清楚，就有了分析體系的基礎框架。后續，我們可以跟著這個框架來跟蹤目標完成情況，診斷運營效果。這就推進到了下一步。

第三步：跟蹤業務走勢

有了清晰的責任人、目標，就可以跟蹤業務走勢。在跟蹤的時候，首先關注的是：目標達成情況。對于目標達成率監督，涉及到后續一系列行動判斷，遇事先判斷輕重緩急，再看細節（如下圖）。

需要注意：不同等級的人，關注重點不同。還拿新媒體舉例子，具體負責內容的小哥，可能要對每一篇稿子負責；負責投放的小哥，要對每一次投放效果負責；單次執行不好，就得進行復盤，總結問題。但作為運營組的組長，可能更關注整體KPI達成情況，一篇文章不行，只要從其他文章能補回來就行。

很多基于傳統企業場景的數據分析體系，寫到這就結束了。請注意，做到這一步只能算完成了“數據監督體系”的建設。因為僅僅看目標數量和完成率，是知其然、不知其所以然的狀態。

我們并不能回答“為什么做得不好？該改善什么？”這種問題。想要回答得更細，就得深入到業務過程中，了解具體行動。（傳統企業停在這里，更多是傳統的門店、業務員銷售模式缺少數據記錄，不代表不想深入做）。

第四步：了解業務行動

想要改善一個業務，就必須了解這個業務。大部分的業務比我們想象得要復雜。比如新媒體運營，不做的同學可能想當然地認為：不就是寫個文章嗎？我看閱讀數、轉發數這些數據不就好了……可實際上，細看之下，一篇文章可能有很多業務細節（如下圖）：

了解業務行動，分解業務細節，是為了“找到數據可以幫助的點”。數據不是萬能的，比如一個新媒體小哥寫文章，數據不能只告訴他怎么寫。但是具體到業務細節，數據可以提供很多參考，如下圖所示：

這一步，是提升數據分析質量的關鍵。拆解業務行動，找到數據的幫助點，我們就能在跟蹤進度的時候，進一步分析問題，這就推動到了一下步。

第五步：復盤行動結果

對業務行動細節很了解，就能復盤行動結果，總結經驗。數據的優勢，不是直接生產出超人的創意，而是事后總結出普遍的經驗。優秀的業務能力永遠是稀缺資源，是不可復制的。但通過數據分析復盤，可以把明顯的作死行為總結出來，避免普通人犯錯。

就像寫文案，指望每個創作者都成為半佛仙人這種圣手是不可能的，但是能總結出：

1、時政類話題熱點轉化率低于情感類50%，不用來做轉化。

2、周四、周六推送閱讀低于其他時間40%，不做推送

3、鏈接跳轉超過3步，轉化率下降30%，控制篇幅

4、…

有分析結論，就已經能幫助運營規避大量坑點。即使偶爾踩坑失敗，也敗得明白：“沒辦法了，必須這個點發文，虧一點閱讀就虧一點”。做業務從來不怕失敗，怕的是敗得不明不白。如果能長期積累，業務方經驗越來越豐富，遇到問題的思路也越來越清晰了，就真正發揮了數據的作用。但是，問題不是一成不變的，因此數據分析體系也要不斷迭代升級。

四、數據分析體系迭代升級

牢記這個標準：堅守目標，迭代方法，積累經驗。這是數據分析體系建設的基本方法，底線，也是最高要求。在這個原則下，數據分析體系迭代升級路線如下圖所示：

1、設定目標后，分月、周、日報表，跟蹤目標完成率。

2、在目標達成出現問題時，先判定輕重緩急，再看細節。

3、針對重點問題，提供臨時性支持，探索原因，解決問題。

4、根據經驗指導后續工作，沉淀有效方法，指導以后目標制定

這樣的體系運作，業務部門也很輕松：平時只要看幾個核心KPI達成率即可，平安無事就不用擔心，趨勢向壞的時候能及時收到預警。想要思路，也能有足夠素材用，使用體驗非常爽。而數據分析師本身，固定KPI、業務支持做成數據產品，個案分析做專題。產品和專題做多了，也好體現個人成績?？偙葻o休無止寫sql，寫了也不知道干啥去了強得多。

五、小結

建設數據分析體系，本質是個“從業務中來，到業務中去”的事。需要大家多在內部花心思。

然而，很多新手太過糾結理論、方法、模型，忽視、無視、輕視業務。覺得別人的工作沒技術含量，“不就是發個文章”“不就是忽悠客戶”，只有自己的算法才是真牛逼無雙。遇到問題，不會細致地和業務溝通，只會上各個數據分析微信群問：“有沒有XX指標體系啊，最好是權威、標準、BAT認定版的”。這就南轅北轍了，最后只會換來一句：你這不符合我們公司情況啊。

好的數據分析師，要像眼科醫生一樣。配眼鏡可能有很多專業的方法，有很多專業的工具，可在配的過程中，卻醫生糾結的不是自己的理論，而是關注用戶看得清不清楚，不斷問用戶“這樣可以嗎？這樣更清楚嗎？再這樣試試呢？”用專業的方法服務個性化需求，這才是專業的人干的事。與大家共勉。?