在產品和運營的實踐中，數據是一切動作的依據和指引。作為互聯網產品和運營技戰術體系的第一篇，首先談談我對互聯網數據體系的解讀和使用。

就像人走路的時候需要看到前方的道路，產品和運營在做決策前也需要睜開“雙眼”。左眼，是數據；右眼，是用研。（哎，別問我為什么不是左眼用研，右眼數據。。。）通過線上數據反饋，可以準確地發現問題，找到規律，求證猜想，平息主觀之爭，為產品改進和運營優化的制定和實施提供明確的方向。

互聯網公司數據職能設置

互聯網公司普遍十分重視數據，數據部門職能設置卻各不相同。大多會設置獨立的BI部門（如攜程、京東），有些（如亞馬遜）也會把數據人員分散在各個團隊。

數據職能有三個主要角色：

  • 數據工程師，負責搭建底層數據架構，定義數據埋點規范、編寫埋點代碼（有時也會由開發人員植入埋點代碼）、以及建立和管理數據庫報表。

  • BI，負責根據業務需求在數據庫中抓取對應數據項，編寫SQL代碼，生成各類報表。BI更類似于傳統的數據庫管理員（DBA）。

  • BA，負責對BI生成的報表進行分析，結合業務知識對數據進行透徹解讀，輸出有明確指導意義的觀察和建議。BA人員通常需要有較強的業務背景知識，能夠準確地理解數據背后的業務狀況和波動原因，并用業務“語言”輸出分析結論。

我在實踐中的體會是，兩種組織架構方式各有明顯的利弊，優缺點截然相反。當數據人員集中在一個部門時，數據庫管理和報表定制均十分專業高效。但因為離業務部門較遠，業務理解受到影響，在數據定義和解讀上相對偏薄弱。數據職能分散在各個業務線時則正好相反。并有較嚴重的數據重復拉取，人力浪費不說，還因口徑定義上的差異，導致同一數據在不同部門各不相同。例如轉化率=訂單數／訪客數，有的部門在訪客數中去除“疑似機器人”部分，有的部門則統一訪客數為“二跳訪客”，帶來轉化率數據的明顯差異。

一個比較好的做法是把數據工程師和BI集中在數據部門，在各個業務線分別設置BA人員，兩邊對接。

數據使用方式

互聯網需要進行數據觀察的領域十分廣泛，每個細分領域都有不同的核心KPI，應當根據核心目標拆分背后的影響因素，有針對性地提出數據需求，制定數據報表。

通常數據的使用方式分為如下情況，

1
常規數據報表

常規數據報表主要用于需要長期持續觀察的核心數據。例如：

  • 流量漏斗監控，可分為首頁跳失率、商詳頁到達率（分為瀏覽-商詳、搜索-商詳兩大分支）、加車率、結算率、結算完成率等核心環節漏斗數據。

  • 用戶渠道來源情況，如各渠道來源的用戶數、新客數、訂單占比、轉化情況等等。

  • 品類轉化率波動，如各品類的流量、訂單、SKU銷售數量等。

  • 流量分發效率，如各頻道／欄目的CTR、商詳頁到達、轉化、復訪率等。

當常規監控的核心數據項發生超閾值波動或趨勢性波動時，通常會觸發專題分析，并根據分析結果采取相應對策，以推動數據回到常規范圍。

常規數據報表建議通過公司的BI系統定制在線報表，按監控頻度進行觀察分析。

2
專題分析

專題數據分析通常按專題的主要影響因素確定數據項，拆分觀察維度，抓取多維度數據，對某個專題目標進行分析，找到影響因素所在的數據維度，得出結論，指導后續動作。例如：

  • 針對某個重大事件的狀況或效果分析，如雙11大促后的數據總結盤點。

  • 核心數據出現重大波動，如Web平臺轉化率持續提升的原因分析。

  • 出現趨勢性狀況，如某付費渠道來源的用戶數量持續下降。

  • 某個專題研究，如95后導購特征和消費特征分析。

3AB測試

產品經理常有的困惑是，當上線了某一個功能或者頻道后，目標數據出現了某種變化，然而，變化背后的影響因素非常多，例如時間因素導致的差異（如工作日的轉化率高于周末），競爭對手的動作，季節性因素等等。核心數據的波動往往是這些影響因素綜合作用的結果，很難準確界定該功能本身帶來了多少直接影響。

運營也常有類似的訴求，例如當首頁圖標做了飄紅，或者引導文案做了一些調整，數據出現了波動，但卻很難確定多大程度為該特定運營動作的效果。

上述情況下，最好的方法就是做AB測試：取兩個數據集，在數據集樣本的選取中對各種影響因素做均勻的隨機分布（如地域、用戶群體特性），并對其中一個數據集實施特定產品功能或運營動作，在同的一時段中，觀測目標數據在兩個測試集上的差異，從而精確判定待觀測功能／動作的準確效果。

這里要特別注意兩點：

1，為了確保統計效果的準確性，需要有較大的樣本量和統計時長（結果數量=用戶量*統計時長，要么用戶量足夠大，統計周期可以略短；如果用戶量較小，則需要更長的統計周期）。

2，如果某一個樣本中存在少數對均值影響巨大的樣本（例如一個金額巨大的訂單），需要予以排除，以減少偶然性帶來的偏差。

4
個性化

這是個大數據的時代，差異巨大的用戶群體面對海量的商品和選擇，“千人一面”帶來的糟糕體驗已不再適用。每個用戶在系統中都會留下自己的線索和足跡，體現自己在商品品類、價格段、品牌偏好等方面的階段性需求。系統可以通過數據有效發現當前用戶的當前需求，進行有效的推薦，而用戶也會感受到系統“懂我”，產生良好的購物體驗。亞馬遜早年的“Everything Store”理念，在當前時代下，也逐漸轉化為“Everyone Store”，也就是我們常說的“千人千面”。

數據是千人千面的基礎，通過機器學習和算法設計，讓系統在各個模塊中進行智能化推薦，自動組裝匹配當前用戶的場景，是數據使用的最重要方式之一。這部分我會在后續文章中結合實際案例重點展開。

數據體系運用的后幾篇文章中，我會逐一對常規數據報表、專題分析和AB測試，結合實際案例進行逐一闡述，敬請期待。