滴滴资深分析专家：数据如何驱动业务增长.docx

滴滴资深分析专家：数据如何驱动业务增长 分析师的商业价值 直觉驱动的困境 我是统计科班出身，对数据较为亲近，毕业后便在互联网开始从事机器学习与数据分析工作。几年观察下来，发现许多业务虽然都会引入算法工程与分析师等这些数据职能，但是大部分的决策还是基于直觉来拍。当然，有些时候直觉是唯一的选择，例如产品从零到一的设计或者算法早期预测和排序目标的选择会更多参考行业内的成熟做法。但是当数据积累到一定规模，业务也已经过了早期高速增长的阶段的时候，如果业务还在保留「直觉驱动」的惯性，就会浪费掉许多增长机会点：你们身边的业务是否不经过 AB 实验就去判断一个策略是否应该上线？是否有算法团队半年以上一直在围绕有限几个指标来预测和排序，但是未曾用数据证明过这些指标对业务和用户体验的实际价值？又是否发现每个项目的数据看起来都不错，但是公司全局却没有增长？—— 当身边的业务出现以上现象，就很可能没有利用好分析的资源来催化自身业务的增长。 无论对错，当下许多互联网企业是采用 OKR 体系做自上而下的目标拆解的。一个业务线的 OKR 里面的的「O」通常就是业务的 KPI，在这个体系下，不论是算法、运营、产品、还是分析，日常的项目都可以概括成「通过策略来提升 KPI」的过程。同时，策略的制定来源于直觉与客观事实（数据）两个方面，只有轻重多寡之分，「直觉驱动」更依赖经验判断，「数据驱动」更多基于客观事实反推决策。因此，一个业务当下的策略应该更多依赖直觉还是数据就需要看清过往一段时间「直觉驱动」与「数据驱动」策略哪个提升 KPI 的成功率是最高的。业务开展早期，「直觉驱动」成功率更高，可能也是仅有的方案。但是随着业务发展，好的直觉会被逐渐穷尽，业务增长进入瓶颈期的时候，「数据驱动」的价值就会越来越大。 分析师是谁？做什么？产出的价值？「宋世君：我们谈谈“DS 是谁”. 用心理学的术语, 这个其实是 DS 的“本我”。我们是一群在相关量化领域受过专业的训练, 并且希望应用自己的量化能力, 在数据中挖掘对业务有用的信息, 并且通过这些信息为业务发展提供助力但是同时又保持数据的中立性的人。......，从个体的角度, 这也意味着我们看待 DS 并不是看这个人的学术专业, 而是看这个人的动机和意愿。公司里跟数据有关的职能是多样的, 有些是把数据作为拿到业务结果的抓手, 要对业务结果负责, 这些是数据运营. 有些是把数据作为研发的对象, 对跟数据相关的这些产品负责, 这些是工程研发. 有些是基于数据做实时地在线实现, 这些是算法工程师的工作. 这些都是我们的合作伙伴, 但是我们又有我们自己的定位, 跟这些都不同. 我们应该为我们工作的中立性和科学性负责. 我们需要有业务的思想, 但是我们并不是要做业务本身, 我们希望做业务发展的催化剂。」 我非常认同世君老师上面这段话对分析师的定义。分析师需要兼备定量能力和业务思维，在保证科学性与中立性的前提下，通过定量手段（数据驱动）来补足直觉驱动的短板。「直觉驱动」的短板可以分为以下四类： 看不清自己的用户是谁、有什么行为，体验如何「= 拿不准用户」； 将顶层 KPI 拆解成若干抓手和子目标的时候，并不明确这些抓手和目标事实上是否可以提升 KPI，或者哪些抓手与目标更加有效「= 打法不清晰」； 难以评估策略对用户与 KPI 的影响「= 算不准影响」； 不知道业务健康度如何以及当下要采取的行动「= 看不清现状」。 补足短板的具体解决过程体现了分析师日常在做的事情以及数据分析的价值： 「拿不准用户」：当直觉不能很好契合用户诉求的时候，对用户画像细分、行为轨迹分析、流程转化等分析可以帮助业务更了解用户：他们是谁，喜欢什么，什么环节体验不好，什么诉求尚未满足；「打法不清晰」：通常业务完成某个 KPI 可以用到的抓手非常多，比如，内容平台的终极目标之一是用户留存，同时提升留存的抓手有很多，例如 CTR、赞读比、访问时长、公域私域相互导流等。直觉并没有办法有效判断这些抓手哪个在当下最可能把留存提升上去，这时候，基于数据的观测性研究可以估算抓手与 KPI 之间的关系强弱，辅助业务排布各个项目优先级。「算不准影响」：直觉无法策略一个策略对用户的影响，实验分析是高效评估策略影响的解决方案，AB 测试可以帮助业务看清每个策略对各个细分人群体验的影响并持续小步向前迭代；「看不清现状」：当大盘指标异常波动的时候，异动归因分析相比直觉是更加科学高效的方法来定位指标波动原因并提出解决方案。 业务不同阶段下数据分析的发力点与交付 良性的业务发展通常要经历从直觉驱动到数据驱动的过程，本节进一步展开这个过程并讨论不同发展阶段的业务特点与痛点，以及这个阶段数据驱动业务的打法。这里采用 Noriaki Kano 的 KANO 需求模型将数据分析需求分成三类：