3.3　数据分析体系构成框架

搞清楚了数据分析体系的定义，接下来就是了解如何才能搭建一个完整的数据分析体系。

笔者曾看到部分数据产品经理候选人的简历中经常会写到自己精通数据分析框架的搭建。而当面试中被问到他们的数据分析体系究竟要怎么落地时，他们给出的回答却是针对DAU（Daily Active User，日活跃用户数量）、留存率等进行管理，但是数据分析体系中的平台建设，就仅仅是对这几个指标的管理吗？那么请问，当遇到了以下场景时，这几个指标要怎么解决我们的问题呢？

▶场景1：某天某电商出现了GMV（成交总额）下降，此时应该根据哪一个指标解决问题？

▶场景2：某公司拥有3条产品线，A产品线中又细分为商品运营、活动运营等，3条产品线的若干运营团队都看同一套指标体系吗？

坦白地说，单看孤零零的某个或者某些指标是无法解决问题的，此时就需要依靠数据分析框架来解决问题了。

由前面的定义3-2可知，数据分析体系落地涉及两个维度。下面让我们通过这两个维度来看看数据分析体系在工作场景中是如何落地的。

维度1：通用数据分析模型

以下是实现通用数据分析模型的方法。

1）设置目标：确定当下业务中你的目标及完成现状。

2）问题假说：穷举现状是由哪些问题导致的。

3）数据证明：通过数据来证明该问题会导致怎样的结果。

4）数据分析：分析该问题的成因并形成解决方案。

（方法3-1：通用数据分析法）

维度2：数据分析平台

在数据分析体系中，数据分析平台的构成包含三大核心要素，分别是北极星指标、数据建模和事件分析。

（定义3-3：数据分析平台）

定义3-3中各要素的具体解析如表3-1所示。

表3-1　三要素释义

注意：北极星指标（North Star Metric）又叫作OMTM（One metric that matters），它是第一重要指标，为产品现阶段最为关键的指标。之所以叫北极星指标，是因为就像北极星一样，该指标可以指引全公司所有人员向着同一个方向迈进，是全公司统一的指标。

数据分析体系其实就是通过一系列的方法量化特定的业务，因为我们如果无法量化一个事物，那么本质上就无法衡量它的好坏，也就无法定位业务发展中的症结所在。因此好的数据分析框架就是在告诉我们：当下的整体业务是什么样？为什么会这样？应该怎么办？

回顾前面面试者所说的那几个指标，我们可以发现其根本无法清晰地反映业务上的这三个问题。

当然，这里只介绍了数据分析体系的宏观框架，还未涉及具体的数据分析体系搭建过程，在数据分析实战中还会涉及相应的方法论。

接下来以本书的核心案例“L公司的数据分析探索之路”，来为大家展开数据分析体系完整的搭建过程，以及这中间用到的知识点。