一纵一横，搭建完整数据分析体系

编辑导语：如今随着互联网不断发展，各产品的数据体量都变得很大，数据分析体系就发挥了巨大的作用；搭建一个完整有效的数据分析体系，可以提高你的工作效率以及准确度。本文将整个体系概括为：一纵一横。推荐对搭建数据分析体系感兴趣的用户阅读。

新年伊始，很多公司都在制定年度计划，有同学会问：数据分析的计划该怎么定呢？

今天给大家一个最全面的数据分析体系，涵盖了公司级全部场景。大家可以对着参照，看自己的发力点在哪里。

整个体系可以概括为：一纵一横。话不多说，上干货！

一、一纵：从效果角度看工作

问一个简单而关键的问题：数据分析，到底有啥用？

答：站在业务的角度，数据分析有6大用处

1. 目标制定：确定量化目标，分解下发目标
2. 趋势预测：预测正常走势，提供决策参考
3. 过程监控：监控业务发展，发现过程问题
4. 结果复盘：复盘绩效表现，总结成果经验
5. 原因分析：分析问题原因，探索解决方法
6. 方法测试：测试优化方法，选择更优做法

这六个场景，贯穿业务工作全过程，最能体现数据分析的价值。因此，当我们思考数据分析可以做什么的时候，可以先思考这六个场景，目前的工作满足了多少需求？还有哪些是可以做的（如下图）？

注意：数据并非不可替代！这6步即使没有数据，业务方也能做。

比如，经典的场景是：

1. 目标制定，是老板授意财务整出来的。
2. 趋势预测，是领导们拍脑袋拍出来的。
3. 结果复盘，业务自己往自个脸上贴金。
4. 方法测试，压根就不存在（老夫说是，丫就是！）

最有可能，只有过程监控，与发现问题以后的原因分析，是甩给数据分析做的。

但这样的话，工作就太被动了。不清楚目标，不清楚业务基础走势，不清楚方法背后业务逻辑，光看一个数字是很难分析出原因的。

因此相当多数据部门退化成只能监控个数据。甚至只能提个数。

这种被动局面，是在年初定规划的时候要尽力避免的。此时不争，更待何时！

此时可以：

1. 向大老板开展游说，灌输“全流程数据管理”的理念，增加工作场景。
2. 结合行业内成功的数字化案例，向所有人安利数据价值，扩大工作。
3. 观察每个部门的工作风格，看哪些部门容易谈，能找到合作机会。

这样做，就得认真研究企业内各部门分工情况，这就涉及到“一横”概念。

二、一横：从部门角度看机会

问一个简单的问题：是否各个部门对数据重视程度一样？

答：当然不一样！

从部门职责上看，部门可以分为四大类：

1. 管理型

典型如：总裁办、战略发展部、财务部。

这些部门直接与公司最高层沟通，很多重大的发展计划，年度KPI目标，经营任务，都是这些部门参与制定的。这些部门很重视数据！

因为所有的目标、任务、计划都得量化。他们常见的问题是：知其然，不知其所以然，以财务部尤甚。算账算得很精明，可对于业务细节不甚了解。

此时，想要和这些部门交好，可以从提供基础数据突破。

在提供数据的同时，主动帮他们梳理关键业务流程，清晰常规的业务基线，补齐他们在业务理解上的短板。这样能有更多机会合作。（如下图）。

2. 收入型

典型如：销售、投放、增长部门。

这些部门负担主要的收入任务，是业绩、利润的主要来源。但是，这些部门一般都不重视数据。能看到任务目标、完成率就差不多了。

他们更喜欢看案例拆解，看操作指南，看具体做法。总之，手里用得上的才是好东西。

此时，想要和这些部门交好，可以从工具入手。

不要整复杂的报表，而是根据看表人关心的内容，分层级提供数据。越是基层的，给看的数据越少，最好只留关键KPI。

功能上，和CRM等工具打通，在提供数据的同时，直接提供可操作功能，这样才受一线欢迎（如下图）。

3. 成本型

典型如采购、研发、设计。

这些部门基本都在消耗成本，很难直接见成效，万一做不好了引发用户讨厌、产品积压、库存不足，还会影响销量……而且，这些部门又受到销售、营销营销，很难独善其身。

这时候要区别对待：

对于采购、生产、供应这种容易产生硬损失的部门，重点做好数据滚动预测与数据监控。

对于来自上游供给、下游需求、大促活动等影响因素及时收集，结合供给进度与库存情况，预报可能存在的积压/缺货问题（如下图）。

对于研发、设计、产品这种容易产生软损失的部门，重点最好测试平台和测试服务。用常规监测发现问题，用好的测试来检验改善效果（如下图）。

4. 混合型

典型如营销、运营部门。这些部门很喜欢看数据，且其工作效果，是叠加在销售基础上产生的，很难观察。因此做分析的时候特别纠结。好在，他们的工作多是项目制的，可以逐个攻破。

常见的项目，包括：

1. 大促活动
2. 用户洞察
3. 品牌传播
4. 社群运营

这些在之前的文章已经有很多分享，这里就不赘述了。想洞察得深刻，想分析得到位，重点是培养业务部门的好习惯，打好数据基础。

比如：

1. 用户标签、商品标签、内容标签、渠道标签等标签库的完善与维护。
2. 活动标签与活动分类信息管理，活动考核标准记录，事前参照组设计。
3. 社群运营、新媒体运营、短视频带货、直播带货基础数据收集

基础工作做好了，事后大量数据可以分析。

基础工作没做好，事后分析个屁……

整体安排：分阶段，做出标杆项目。

注意：上述的工作，在业务部门那里是有先后顺序的。

1. 一般1、2、3月，做年度规划的比较多
2. 上半年招新人、组团队、小规模试点多
3. 重大促销、节日活动集中在下半年

清晰了业务部门行动以后，数据部门的整体安排就很清晰了：

1. 年初，以预测、目标制定、搭建体系等基础工作为主。
2. 上半年，优先强化基础能力，对基础数据、测试平台、标签库等工具，能强化尽量强化。
3. 下半年，以重大项目为主，做好项目支持，做好监控与复盘，做好用户洞察。

输出的目标，以每个月都能有一个项目上线/更新为目标。这样每个季度的季报容易写，来年年度总结也就不纠结了（如下图）。

以上，就是数据部门规划的整体思路。当然每个企业具体情况不同。同学们可以量体裁衣，根据自己面对具体情况做调整。

当然，可能有同学会说：“规划这种高大上的事轮不到我，我就是一个小兵，日常都在跑数，咋办？！”

碰到这种情况，等待别人施舍肯定不是好办法。普通的日常工作，也能延伸出很多有价值的项目，这是数据分析工作的独特优势。

#专栏作家#

接地气的陈老师，微信公众号：接地气学堂，人人都是产品经理专栏作家。资深咨询顾问，在互联网，金融，快消，零售，耐用，美容等15个行业有丰富数据相关经验。

本文原创发布于人人都是产品经理。未经许可，禁止转载

题图来自Unsplash，基于CC0协议。