你老想著數據驅動業務，但發現有力無處使，或者沒人鳥你，我也有同樣的經歷，下面有18條策略錦囊，望你笑納。

第一條

數據驅動業務中的「數據」廣義來講不僅僅是指存儲在大數據平臺的那堆數據（反映客觀事實），也包括戰略、組織、機制、流程、人性、認知、客戶的想法、一線人員的技能等等，即使它們還沒有被量化或者無法量化，也不能當成看不見，否則就會得出每天看K線的股民比憑經驗決策的老闆更懂數據的謬論。 以下如非特別說明，都指狹義的那個數據定義。

第二條

數據驅動業務中的「業務」不僅僅指產品或業務線，還包括公司戰略制定、組織優化、機制變革、流程優化、商業模式重塑、規劃投資、精細運營、精準行銷、精準建設等等，因此不要總在一個方向猛幹，適當的抬起頭，俯瞰下全域，也許能找到更合適的驅動物件。

第三條

數據驅動業務的策略制定來源於直覺與客觀事實（數據）兩個方面，驅動的策略應該依賴【直覺驅動】還是【數據驅動】取決於企業所處的階段，業務開展早期，【直覺驅動】成功率更高一點，但隨著業務發展，好的直覺不再足以驅動業務繼續增長，這個時候【數據驅動】的價值就會變大，但不能因此否定直覺。

第四條

數據驅動業務有二種情況，驅動自己的業務與驅動別人的業務，驅動自己的業務由於一切數據（廣義）都在掌控中，因此比較容易實現，驅動別人的業務則相反，沒一定的策略往往頭破血流，當然有一種情況例外，即公司領導親力親為頂你，但這種機會可遇而不可求，恰好大魚碰到過一次。

第五條

數據驅動業務有其不可克服的弱點，如果把數據驅動業務比作開飛機，那麼數據就是感測器、儀錶盤、報警燈，感測器獲取數據，儀錶盤展示數據、報警燈進行預警，但飛機主要還是靠發動機驅動，數據僅僅是個輔助角色，當然你說驅動也勉強可以，但很多業務的開拓跟數據真沒關係，比如從0到1的產品創新，因此不要神化數據驅動業務。

第六條

用數據驅動別人業務的不二法則：説明其完成KPI，即使你胸懷天下，也要很謙卑的從幫助別人完成KPI開始，大致可以分為四步：

（1）做好KPI和過程指標，讓別人看得見

（2）做好報表或BI，讓別人看得爽

（3）找到KPI指標的痛點，產生共情，與別人共生

（4）對痛點進行分析，給別人提升的建議，讓別人獲益。

天下熙熙皆為利來，天下攘攘皆為利往，用數據驅動他人業務，最後玩的還是人性和利益。

第七條

數據分析的方法有四步：

第一步：業務理解，就是確定業務目標，理解業務流程，分析每個業務節點;

第二步，量化指標，就是從業務節點中定義衡量指標，明確分析維度;

第三步，指標對比，就是在抽絲剝繭的層層指標比較中發現異動;

第四步，假設建議，就是針對末端葉節點的指標異動給出假設，一般要基於業務的常識進行推斷，然後給出針對性建議。

第八條

理解業務要有三大格局：

（1）中觀：業務對象、業務流程、業務數據和業務問題

（2）上觀：行業、戰略、願景、組織、機制和流程

（3）下觀：圍繞中觀物件刨根解牛，拆解拆解再拆解，直到拆解到常識能理解的程度。

我們習慣於在下路猛幹，往往事倍功半。

第九條

掌握一些分析模型讓我們理解業務事半功倍，這些分析模型包括PEST、5W2H、SWOT、波士頓矩陣、SMART原則、波士頓五種競爭力分析模型、價值鏈模型、邏輯樹方法、魚骨圖等等。

第十條

現代管理學之父彼得·德魯克說：如果你不能衡量它，那麼你就不能有效增長它。 對於業務也一樣，如果你不能用指標描述業務，那麼你就不能有效增長它。

第十一條

好的指標有兩個特徵：

第一是具有核心驅動的特點，一般從戰略開始，然後識別到關鍵成功因素，再推斷出核心指標，比如用戶數和活躍用戶數兩個指標，顯然後者於業務成功更有價值。

第二是比率或者比例，因為有比較才有鑒別。 我們經常看到絕對值指標也會屬於企業的核心指標，一方面是因為其也是比對的結果，只是老闆把這個比對過程隱藏了，另一方面是宣傳的需要，在任何數據分析中給出一個絕對值而不作特別說明，會讓老闆覺得莫名其妙。

第十二條

指標體系的構建也是有模型可參考的，這裡提供5個：

（1）PLC模型，指產品的市場壽命，即一種產品從開始進入市場到被市場淘汰的整個過程。 產品的生命週期有探索期、成長期、成熟期、衰退期

（2）OSM 模型，是指標體系建設過程中輔助確定核心的重要方法，包含業務目標、業務策略、業務度量，是指標內容橫向的思考

（3）指標分級模型，根據企業戰略、企業組織及業務進行自上而下的分級，對指標進行層層剖析，比如一級指標：公司戰略層，二級指標：業務策略層，三級指標：業務執行層

（4）AARRR模型，就是海盜模型，也是使用者分析的經典模型。 它反映了增長貫穿於使用者生命週期的各個階段，即獲取（Acquisition）、啟動（Activation）、留存（Retention）、變現（Revenue）、自傳播（Referral）

（5）RFM模型，該機械模型通過一個客戶的近期購買行為、購買的總體頻率以及花了多少錢3項指標來描述該客戶的價值狀況。

第十三條

數據分析的本質就是將複雜的數據分解到0或1（代表人的常識能判斷的對或錯）的建模過程，與機器學習不同的是，這個過程是人主導的、結構化的，線性可理解的。

第十四條

優秀的數據分析師要有二個執念：

第一，業務是我的生命線，在一個企業內，最容易拉開數據分析師差距的，往往是獨特的業務理解力。

第二，我既要理解他人的需求，更要理解他人的問題。 平庸的數據分析師則用效率來掩蓋自己思維上的惰性，取數機器就是這麼來的，好比一頭拉磨的騾子，每天在那裡轉同一個圈。

第十五條

要想成為一個好的數據分析師，可以問自己五個問題，認知有沒有差別？ 技能有沒有差別？ 效率有沒有差別？ 訊息有沒有差別？ 資源有沒有差別？ 隨著數據開放和基礎設施的普及，數據分析師在操作技能、工具使用、訊息獲取、數據資源上的不對稱優勢逐漸消失，唯一的差異化就是認知，這也是你讀這篇文章的原因。

第十六條

一般的數據分析師用狹義的數據驅動業務，但廣義的數據驅動業務需要戰略、組織、機制、流程、業務等等能力的加持，因此數據分析師的職場最終歸屬一般是業務和管理，如果你執著於做狹義的數據分析師，那BI總監也許就是天花板了。

第十七條

資料驅動業務的四個階段：

第一階段：從零到一，直覺驅動業務野蠻生長;

第二階段：增長放緩，實驗評估助力業務小步反覆運算;

第三階段：增長遇到瓶頸，數據驅動業務找到新目標體系與增長發力點;

第四階段：數據持續驅動細分人群的差異化策略反覆運算。

第十八條

趙括有那麼多的數據，訊息甚至知識，但他還是無法打勝仗，因此，數據本身無法驅動業務，訊息不行，人工智慧也不行，事實上，數據只有轉化為智慧才能驅動業務，上面的十七條也許有助於你找到智慧之路。

文：大魚的數據人生
來源：資料驅動業務的 18 個有效策略 by 大魚先生