我是这样做数据分析的( 二 ) 我是一个着迷于产品和运营的

如果你不能衡量它，那么你就不能有效增长它。
所谓衡量，就是需要建立统一的标准来定义和评价。你认为的不错，别人不一定这么认为，老板可能还认为很糟糕。所以，建立指标的目的其实就是统一口径，使得同一份数据能让更多人得到一致的理解。
建立和使用单一指标是数据分析的第一步，接下来你需要建立指标体系，因为孤立的指标发挥不出数据的价值。
一个还不错的指标体系，至少要满足以下三点：
有三个以内的核心指标。核心指标不仅仅是数字，是所有人需要盯着看去努力的。就像销量和销售额，用户数和活跃用户数，大多数情况下后者都比前者重要。指标之间存在关联性。单一指标至少有两个以上维度。（比如，同比、环比等）指标体系没有放之四海而皆准的模板，不同业务形态有不同的指标体系。移动APP和网站不一样， SaaS和电子商务不一样，低频消费和高频消费不一样。比如婚庆业务不需要考虑复购率指标；互联网金融必须要风控指标；电商领域里的用户需要分为卖家和买家，而且他们的指标各不一样。
对我们上面的案例，摆上指标后大致是这个样子。

文章图片
/04清洗数据/
好了，「体」建设完之后，接下来就是把数据填入进去了。但是在复杂的数据分析场景下，我们可能在数据填入之前还要做一件事。
由于在实际的业务场景中，原始数据可能会来自于各个内部以及外部系统。指标口径对不上，总会出现不一致、重复、不完整、存在错误或异常的数据。
因此需要通过一些额外操作对这些数据做清洗，得到符合我们要求的原始数据。我们这里不讲太技术性的东西。从逻辑上主要做以下几件事。
数据清洗：去掉噪声和无关数据数据聚合：将多个数据源中的数据结合起来存放在一个一致的数据存储中数据转换：把原始数据转换成为适合做分析的数据格式。/05用数据验证/
好了，框架搭好了，原始数据也有了。剩下的就是通过数据来验证猜想了。
怎么验证呢？
这里我又要给出一个大杀器了，就是多用「演绎法」，而不是「归纳法」。
虽然这俩这都属于逻辑思维，但是归纳法有一个很大的问题：因为我们不可能观察到某个事物的所有影响因素，所以归纳法得出的结论是不一定是正确的。
比如，某个指标下降了5% ，真的是个不好的情况吗？不一定，如果行业下降了20% ，你才下降了5% ，这就是一个还不错的结果。
而演绎法的本质是，找到发生变化的原因，如果某个原因在未来还会继续存在，那么可以支撑某个结论。
比如，行业为什么下降了20%？导致下降的原因未来是否还会存在？如果这些因素无法消除，那么未来继续下滑是在预期之内的。
/06保持迭代/
当你形成了一套自己的数据分析体系之后，还不能一劳永逸，需要保持迭代。因为在业务的不同时期，我们关注的点会不同。
比如，在业务的初期，我们会更多关注流量、转化率这些，但到了成长期以及成熟期之后，还需要关注用户活跃度、复购率等等数据指标。
好了，这次就聊这么多。惯例总结一下。
这篇呢， Z哥和你分享了我在数据分析上的一些经验。
我的思路其实是一个构建「点->线->面->体」的过程，主要分为以下六个步骤。
带着目的分解目的验证子问题清洗数据用数据验证保持迭代希望对你有所帮助。