解读数据的三个层次

1、解读数据的三个层次关于认知和解读数据，我其实也不是权威，只想借机让各个零碎的知识联结成网。互联网所有工作的本质都在于解决问题，归因、聚合、离散等等都是把一切问题变得有条理的手段，有条理是我们无限期待接近的目标。01 解读数据的三个层次面对相同的数据信息，不同的人因认知程度不同，可以洞察的信息会有很大差异，大致可分为三个层次：感知：知道数据是多少认知：知道数据的变化原因底层：预测数据的变化趋势这三个层次是循序渐进的，可以作为是否透彻洞察数据的一个标准。尤其是第三个层次，通过过去与现在洞察未来，并作出决策和判断。这其实是一个标准职业经理人需要具备的素质，这里吐个槽，哪怕在行业头部企业，这样的人也并

2、不多见，这世上多的是南郭先生。02 数据的三个大致分类互联网公司每天会产生上千万上亿的数据，其实这些数据大致都可以分为三类：用户数据（谁）eg：用户画像、用户活跃、用户生命周期、用户价值行为数据（做了什么）eg：浏览、访问、停留时长、跳转、跳出业务数据（结果如何）eg：转化率、GMV、客单价、毛利率业务数据往往是比较直观的，它直接对应你的OKR或者KPI，最重要的业务目标在增长黑客里也有一个说法叫北极星指标。它最大的特点在于可衡量、可拆解。用户数据这里也不用多说，一个业务或者产品面对的目标用户，它的具体用户画像和特征，无论是用研调查还是技术算法，都会穷尽可能，让你感知和了解用户大盘。行为数据这

3、里稍后会展开，结合UJM+OSM聊一聊。其实对于每一个数据字段，也可以进一步分类：维度（Dimensions）度量（Measures）这里看英文可以更直观，在统计学中，单一数据字段可以被分为离散和连续。离散通常是维度，特征是有限数量的值，比如城市名称；连续通常是度量，特征是不可罗列，可能为任一数值，比如GMV。但维度和度量其实也并不是泾渭分明的，比如金额，可以做维度，也可以度量。但绝大多数情况下，可大致如此分类。1. 行为数据UJM+OSM模型UJM即User Journey Map，用户旅程地图；OSM即Objective-Strategy-Measurement，目标、策略和衡量；这两个模

4、型在绘制产品和业务大图时常常会结合使用。插一句，这里其实就是我和老板相互画饼的日常，哈哈哈这里简单绘制一个示意图大家感知一下即可：2. 搭建数据指标体系的tips1）明确核心指标核心指标必须有业务可解释性，能够结合业务充分对数据进行解读核心指标必须可拆解，进一步拆解为各个子目标明确产品不同发展阶段下的不同核心指标：产品生长期、成熟期和衰退期，核心指标应随之发生改变2）核心指标拆解核心目标的拆解有多种方法，业内常用的比如加减乘除公式、二八法则、漏斗转化等。在公式拆解这里有一个小tips：宏观角度用乘法：例如规模=触达量级x渗透率x点击率微观角度用加法：例如发送量=营销型+产品型=（个性化+品牌+

5、活动）+（更新+迭代）3）数据指标口径由于互联网公司部门与部门间的沟通成本巨大，数据指标口径建议在统一达成共识后，数据口径、关键库表、SQL统一进行归档。03 以流量数据为例进行解读这里以常见的C端流量数据为例，进行一个初步的数据解读，也不枉上边讲了一堆方法论，也好有一点实操感。1. 流量数据分类日常流量运营里，可以用“4W1H”进行一个简单的流量数据划分。原则上画图会更清晰，但太麻烦了，就简单罗列一下：Where 营销场渠道场景/流量位/资源位Who 人用户/人群网格化细分What 产品供给内容/创意/商品How 分配策略/匹配策略When 时机/事件/时间2. 流量数据分析关于流量数据分析

6、，可以简单用一句话概括：流量从哪儿来？经过什么？产生了什么价值？如果波动，波动原因是什么？渠道分析从哪儿来转化分析经过什么价值分析产生什么价值波动分析异常波动的关键因素以上是整体的分析思路，具体的业务场景里，包括结构分析、趋势分析、对比分析等；一些思维方法包括网格化、象限法、漏斗法、公式结构等；常用的数据工具就更多了，Excel、SQL、Python、FBI看板等等。总而言之，理清主要思路，具体用哪一种方式，从A到B有无数条路径，这个可以千人千面。04 数据认知能力培养关于这个part我也还在进行时。我的观点是无论解读数据的能力，还是关于数据认知的敏感，这都是一个任重而道远的过程，需要有长期主义的心态，保持持续学习的态度和热情。保持数据洞察，其实可以随时随地进行练习。对待任何一个事物或者产品，保持结构化理性，充分吸收外部信息和整理内化信息。例如思