数据分析前的准备及如何为我们带来长期价值？

数据分析在如今的互联网公司中很常见，但是很少有人思考分析数据前要做哪些准备，以及数据分析是如何带来长期价值的？本文将从三个方面展开分析，对数据分析感兴趣的童鞋不要错过。

一、数据分析前的准备

数据分析前的准备过程，在我看来比实际的分析更为重要。

假设目标是错的，我们就不应该执行。而目标不同，分析类型和分析内容也不同，同时执行多个方向，很容易使自己陷入混乱。

1. 定义目标，辨别指标

数据分析，能帮助我们了解业务运行状况，并从中发现问题、优化问题。其次，还能够帮助洞察下一个增长点。

但数据分析的意义，往往在数据产生之前。我们应围绕产品目标，进行产品设计以及运营策划。如果最开始的目标及指标设置错误，后续的工作将难以为继。

目标是结果，而指标是对结果分拆的具体要求，是对目标的衡量。

假设我们的目标是提升年度成交金额，那衡量这个目标的方法是什么呢？

根据衡量的方法我们才能定向的设置调整产品设计及运营策略。如果缺少可衡量目标的单位和方法，目标会难以达成。

而围绕目标设置数据的采集方案，可以大大节省数据过滤和清洗的时间。

甚至于在明确指标后再最开始就设置好分析模型，通过监测模型中的数据情况更及时的发现问题，做出更高质、高效的决策。

2. 辨别指标的目的

辨别了目标和指标，下一步则是运用结构化思维进行拆解、延伸。

在拆解之前，需要对自己提问：拆解出的指标目的是什么？根据目的我们才能有倾向性的分析。

根据指标目的，可以分为结果指标、过程指标以及观察指标。

结果指标用于衡量目标，过程指标用于体现如何完成。观察指标则指的受影响指标，其是否会受到自变量（结果指标）的影响，导致上升或下降。

在上图中，基于成交订单数，设置过程指标为订单平均金额及商品分布能帮助我们了解完成的方式。

而观察指标的设置，是为了跳出框架思考。

上图的用户付费率，可以监测成交订单数上升，是否带动用户付费率的上升，从而判断是局部还是整体上升；而成交深度及ARPU/LTV则可以帮助我们考察下一个增长点是什么。

在设置结果指标时，除了核心指标，还应辅以制衡性指标，它的目的是希望核心指标完成的更为健康。

核心指标和制衡性指标所延展的过程、观察指标是不同的。

3. 确认分析类型

完成了目标和指标的设置，接下来是对每个指标进行细化分析，分析类型包含：描述性分析、预测性分析和规范性分析。类型不同，作用也不同。

1）描述性分析

表现形式：数据报表。

数据报表能够帮助我们描述事件发展的情况，但很难解释某种结果发生的原因和未来可能的趋势。

它更偏向结果性的描述，此前的结果对此后是不具备太多参考意义的。

2）预测性分析

表现形式：用户相似度及物品相似度计算、用户购买饱和度、用户成交影响因子。

预测性分析可以理解为对结果和变量的关系进行预测的过程，包含相似度、相关性分析、回归分析等。

相似度多用于推荐算法，通过计算用户的相似度和商品相似度从而推荐给用户。而相关分析用于预测变量的关联性，如用户的成交会受什么因素影响。

3）实证性分析及规范性分析

表现形式：A/B实验。

实证性分析，指是什么，偏向于客观；规范性分析指应当做什么，偏向于主观。

在实际使用过程，上述的4种分析类型常常会被混合使用，混合使用时应明确不同类型我们应采取的分析维度。

数据分析是有顺承关系的，先采集事实，再根据事实或者预测，提出我们的假设。逐步灰度地验证假设，最终才输出我们的结论。

不能将主观猜测强加于事实之上，已经发生的结果并不一定是未来的结果。

二、数据分析如何带来长期价值

学习了方法，做好了准备，终于进入了分析的环节。

笔者此前面向的数据分析，常常是“一锤子买卖”，花了很大的力气采集数据却没有了下文。

为了使有用功更多，下文将从用户和收益2个维度分享数据如何为我们沉淀长期价值。

1. 了解我们的用户

这一步是为了让我们知道完成指标的用户是谁，常常以产品的会员体系作为切入点。会员体系越清晰，分析效果越好。

本节将以电商产品为例，和各位分享如何基于用户的延伸分析。

1）基础信息

基础信息，指用户本身的属性。