數據分析與數據科學如何為業務賦能 | CDA持證人專訪

主持人：
2023 CDAS「心中有數」峰會，舉辦在即。

舉辦前，我們邀請到了CDAS的峰會演講嘉賓——數據分析行業大牛曾津老師來參加我們的CDA持證人采訪。曾老師可以和大家打個招呼。

嘉賓：
大家好，海龍老師好。

我簡單給大家做一個自我介紹。其實我跟我們CDA 是挺有淵源的。我是　CDA LEVEL 3 數據科學家的持證人。曾經先后在探探，以及去哪兒網等一些互聯網公司作為數據分析和數據產品的負責人。

那么主要在公司負責指標體系的搭建、BI系統的構建、實驗分析還有用戶畫像等等這樣一系列跟數據相關的工作。

今天非常高興能夠到這里，跟大家一起來交流關于數據分析師這個崗位和數據賦能相關的內容。

問題 1：
作為一個擁有10多年的數據分析工作經驗的資深分析師，可以給我們介紹一下互聯網企業中數據分析和數據科學都是從哪些方面賦能給業務的嗎？

嘉賓：
以我個人的工作經驗來講的話，互聯網企業里面對于數據賦能，其實主要分為兩個大的方面。

第一個大的方面其實是數據診斷。

所謂的數據診斷就是在構建完一套比較合理的指標體系的基礎上，我們去通過數據發現問題、診斷問題，幫助找到業務上發展不好的章節。這個叫數據診斷。

數據診斷里面其實我歸納一下有兩字訣：

第一個字就是拆。大問題拆成小問題，難問題拆成簡單的問題。

像平時的這個金字塔原理。

還有漏斗思維，然后這些其實都屬于拆分的思維。

第二個字其實是比。指的是各種比較。

比如說可以通過帕累托原則跟我們自己比。找出真正能解決80%問題的20%的這些小的點。
?
另外還可以根據行業比，跟其他的類似的要點比。

所以說，數據指標體系構建的基礎上的一個拆一個比。這是數據診斷方面。

另外一個方面，其實是數據策略應用。

我們企業一般會積累很多數據，這些數據是數以TB級的，所以這么大量的數據如果沒有形成策略，沒有形成應用那是非?？上У?。

或者是我們可以依靠數據構建用戶畫像，對用戶做一些差異化的策略。然后千人千面，讓我們的企業能夠有更好的效果。

問題 2：
能舉個例子嗎？比方說業務數據的診斷過程當中，昨天的日活量它下跌了30%，今天的這種轉化率成交量還不超過1%。

嘉賓：
業務診斷在數據分析師日常工作中是非常非常重要的一個點。

剛才我也提到了，對于業務診斷的第一步其實是拆，第二步是比。

我們其實就用我剛才提到那個拆的思路來就是應對一下海龍老師這兩個問題。

比如說DAU某一天跌了30%，那首先我們就要想到，怎么樣把這個30%的下跌量拆分到不同的一些簡單的維度或者問題中去。

打個比方說其實可以用DAU的公式去拆解。

DAU=DNU+留存的用戶+回流的用戶。

所以 DAU 無非是這三個部分組成的。

做了第一層拆解之后我們就要看，DAU 下跌30%是新增用戶貢獻多少，留存用戶貢獻多少，回流用戶貢獻多少。針對這三個不同的用戶的原因，其實我們可以進一步拆解。

如果是新增用戶對下降貢獻的比例比較大，我們需要看哪一個新增渠道下降最多，那么去做進一步拆解。

如果是留存的數據下降比較大，那么這個時候我們需要去做的一件事情是什么呢？

首先需要看是哪一個人群留存下降特別多，或是哪一個手機平臺，iOS或者PC端哪個下降比較多。通過這種拆解的方式，一步一步接近真相接近重要的答案。

通過這個方式我們就能夠了解到 DAU 下降30%的原因最具體歸因于是在哪一塊。

這是王老師的第一個問題，我們再來看第二個問題，就是轉化率。

從瀏覽頁面到購買下單的這個轉化率不超過1%，這個怎么解決？

仍然是第一步是拆，只不過在這里的拆我們可能又要用到另外一種工具，就是漏斗拆分。

我們可以思考，從瀏覽頁面到下單，其實一共可以分成4個步驟。

第一步是瀏覽頁面，第二步是商品詳情，第三步是下單，第四步是支付。

可能經過這4個步驟，每一個步驟它其實都是一個漏斗。漏斗的環節率轉化越低，越是我們需要關注的環節點。

比方說，我們從瀏覽到詳情頁的轉化率低，原因大概率是推薦算法或者推薦策略不奏效。沒有推到這個用戶比較喜歡的商品，所以用戶不會點擊。

如果修復了、優化了算法之后，這個轉化率就會有所提升。

再比如說如果已經下單了，還沒有支付。

那這種情況下，第一個要不然用戶可能手頭不是特別寬裕，這個時候可能會給他一個補助的優惠券輔助他下單，那么另外可能就是我們的下單接口到支付接口是不是有一些bug，會有一些問題。如果一旦修復，這個轉化率也上去了。

因為漏斗分析它各環節之間是一個乘數的關系，每一個環節的轉化率是一個乘法的關系。所以你每優化一個環節，都會使你的轉化率有一個非常大的提升。

主持人：
其實聽了曾老師這個介紹，我就是聽到了兩個字，第一個字就是“拆”，第二個字還是“比”對。

就是你先拆找到原因，然后在這個原因的基礎上你去對比說哪個的這個得分降低最大，在那個基礎上我們再去修復你的這個規則，指標體系選擇的合理與否，直接影響到這個評判的標準。

問題 3：
那我們該如何搭建一個這種科學的指標體系呢？

嘉賓：
這個問題確實是非常重要的一個問題。

其實我們大家可能會認為，指標體系是一個非?；A的事，可能并不是特別難，但是實際上它對于我們數據分析來講是一個非常重要的事。

因為巧婦難為無米之炊，如果沒有指標體系的話，后面所有的分析都是搭建在一個空中樓閣的基礎上。

正常的在企業中，從零搭建一套指標體系可以有一個模型可以借鑒，這個模型我們把它叫做 OSM 模型，它實際是將目標、戰略和度量三個單詞的首字母結合到一起作為這樣的一個模型。

O 就是目標。第一步就是找到我們的目標，俗稱北極星指標。所有的業務動作，都需要圍繞這個北極星指標去貫徹。

比如說淘寶，它肯定是以 GMV 為北極星指標。再比如說Facebook，Facebook它是一個社交網絡，所以它的北極星指標是一個用戶量。

什么樣的指標適合做北極星指標呢？

那必須是滿足兩個方面的條件：

第一個是滿足用戶價值。也就說這個北極星指標必須能夠體現用戶對產品或者這個業務的喜愛程度，這是第一個方面。

第二方面它必須滿足我們企業的商業價值。也就是說如果這個北極星指標上漲，企業就能夠掙到更多的錢。

第二步就是策略。其實我們圍繞實現北極星指標提升這個目標，我們需要訂立很多的策略。這個策略就是我們制定指標體系的關鍵。

比方說，我的公司如果讓 DAU 作為我的北極星指標，那么我的策略無非有三條。

第一個是拉新增，就是讓大量的這個新增用戶來我的這個產品上體驗。

第二個策略是促留存，讓用戶留下來。

第三個是回流召回，這個時候我們的指標可能要圍繞這個新增用戶 DNU 和這個留存用戶的這個留存率，以及回流用戶的數量，這樣一些數據指標來進行構建。

OSM中M實際上是測量，就是說我們要找到可以計量，并且容易操作的指標來考量我前面說的策略是否執行得好。

這個是我們構建一套指標體系的方法。

另外在增長黑客領域，還有一些非常著名的指標體系。

比如說海盜法則，這也是我們能夠在這個構建指標體系的時候參考的一些依據。

問題 4：
您剛才也提到了數據賦能業務這一方面的這個策略應用，就是您能詳細的舉一個例子或者說明策略應用的內容嗎？

嘉賓：
其實數據應用在我們互聯網企業里面有很多體現。

首先我想舉的一個例子是用戶畫像。

用戶畫像其實我們大家其實都比較了解。它能夠給企業帶來千人千面的策略，為用戶提供更加個性化的體驗。

比如說我們身邊都能接觸到的抖音和快手，通過用戶畫像和推薦策略是能夠讓我們體驗出那種沉浸感。

然后再比如說視頻網站。通過分析用戶畫像和歷史數據，能夠知道你更喜歡哪位明星。

用畫像的好處是能夠用非常少的成本為我們去獲得比較大的產品收益。

另外，在這個增長黑客里面還會經常提到的一個概念，就是魔法數字。

如果一個用戶能夠在我們運營的體系的引導下完成這樣一個數字，他就能夠見證我們產品和業務的美好，他就會留下來繼續使用我們的產品。

比如說Facebook，他們的分析師通過分析數據就發現新增用戶在注冊7天內加了10個好友，那么他就會長期留存在他們的平臺。

有了這樣魔法數字，運營或者產品的同事就能夠設計一些打卡活動，然后或者設計一些產品功能引導用戶完成這個魔法數字，最終成為我們的忠實用戶。

還有一個場景就是AB測試。

比如說產品經理認為，我們的文案這樣設計可能會帶來更多的轉化率，那么他沒有量化的支撐，他只是憑自己對產品的經驗和認知得出這樣的結論。

但是，如果數據分析師幫助他們用AB測試的方式去，測一下就能夠告訴他你用這個文案能夠提升3%的轉化率，能夠非常直觀和量化的給予他迭代的結果和依據。

問題 5：
在深耕數據領域的這幾年，您感觸最深的是什么？然后有哪些成就感，同時又遇到了哪些挫折呢？

嘉賓：
有兩點感觸是相對比較深的。

第一個感觸就是數據分析也好，數據科學也好，這個崗位實際上是終身學習的崗位，并不是說可以一蹴而就的。

無論是你在工作第幾年的時候，都需要有這種學習的心態。

比如說最近出了ChatGPT，然后也非?；??；旧夏軌蛭磥泶笥腥〈阉饕娴内厔?。如果不學習這樣東西，不保持長期的這樣學習的心態，是很容易落伍的。

第二個點人與人的差異，企業與企業差異是非常之巨大的。

人與人的差異我舉個例子，其實數據分析師這個崗位來講，是易學難精的崗位。

入門非常簡單，可能你通過Excel或者通過SQL這樣一些很簡單的工具，你就能夠成為初級的數據分析師。

但是你要到了真正能夠去影響業務，能夠達到比較高層次分析師的水準，其實是需要很多的努力，才能達到的。

第二個就是，企業與企業之間的差異也非常之巨大。

有些企業數據庫里面有數以TB的數據，但是沒有應用。所以在企業從數據到應用的這個過程中是有gap的。

這個gap你要跳過去是驚險的一跳，那么在這個過程中必須需要產品經理、運營、數據分析師以及企業領導能夠通力合作，才能夠使企業完成這樣數字化的跳躍過程。

剛才王老師提到了最開心的或者最有成就感的事情是什么，那一定是自己的數據洞見和數據分析的結論為起為業務所用，能夠起到真正的作用。

那其實最大的挫折也是我們分析了半天，最后沒有用上，沒有起到實際的業務效果。

所以說作為數據分析師這樣一個崗位來講，他的喜怒其實是跟業務應用息息相關的。

主持人：
最近曾老師也上架了一本新書《數據分析實戰——方法、工具與可視化》，您是什么樣的契機激發寫這本書的呢？

嘉賓：
其實我寫這本書跟我個人的這樣一個工作經歷是息息相關的。

因為剛才提到，我其實并不是一個科班出身的數據分析師。我其實是一個文科生。

所以我一路從數據分析這個崗位走過來，我知道一個數據分析師從初中級走到高級他需要做些什么。

所以我希望給大家寫這樣一本關于實踐的書，尤其是關于初、中級數據分析師，或者是非我們數據分析行業，想了解這塊內容的這樣一些讀者。這是寫這本書的初衷。

第一個方面就是希望這本書能夠大家拿起來看就懂，并且其中有260張圖片，畢竟圖片還是傳達信息最快的方式，所以整本書要做到第一個點。

第二個就是翻開看就能用，這本書里面有50多個案例，都是一線互聯網企業中
最直接，最接觸到這個前沿的這樣一些案例。

主要的覆蓋對象其實是三類人。

第一類的人，剛才提到初、中級數據分析師想要讓自己的理論和工具真正應用到業務上的這一類人。

第二類其實是我們這個其他崗位上想要通過數據賦能，來幫助自己提升業務效果的產品經理或者運營這樣一部分人。

第三類這本書還比較適合于學校中的學生，將來想從事數據分析工作的學生。因為里面的很多，這個實戰和工具以及理論是大家直接在面試的時候就能夠用到的。

主持人：
那其實像曾老師今天說的這個內容，我們在這本書里面都有講到大家喜歡這本書的可以去京東和當當去搜。謝謝大家的觀看。