“流量为王”的时代已经过去，互联网企业正在向精益运营转型。然而，做好精益运营需要大量的数据来支持决策，这对企业的数据收集和数据分析能力是一个很大的挑战。

中美在数据分析上差距很大，数据分析只能在国内一些特别大的企业，比如BAT，才能更加重视。当然，这是由于他们的长期积累，这是数据和操作的良好结合。这是我回国后的大致感受。国内企业对数据本身及其所能提供的价值的深入了解不如美国，差异相当大。

问题一：什么样的公司需要重视数据？不同阶段有什么区别？

一般来说，目前国内比较注重数据的公司都是客单价高、转型重的公司，比如互联网金融、电商、交易平台、SaaS、在线旅游等。这类客户单价高，不完全拼流量，让创业者有动力提升转化。

宏观来说，创业者会经历产品的四个生命周期阶段。

第一阶段叫冷启动。这个时候公司特别早，天使轮或者A轮，甚至融资都不成功。对于现阶段的公司来说，用大数据驱动是一个伪命题，因为客户数量有限，样本不足。他们需要更多地了解潜在客户的需求，并要求客户使用这种产品。

第二阶段是成长初期。冷启动快完成了。有经验的创业者会开始布局一些与成长相关的核心指标，比如日/月活跃度和留存率。这些指标的目的不是衡量产品当前的表现，而是为未来的增长制定可比的基准。

第三阶段是成长期。在这个阶段，我们可以看到一家好的创业公司和一家普通的创业公司之间的巨大差异。无论公关还是做活动，都需要人力和时间成本。如何找到最高效的增长渠道？我觉得这就是创业公司之间PK的核心竞争力。如果不做数据驱动，凭直觉一次可以做两次，但是赌场里没有人能连续赢一万次。因此，直觉需要与数据相结合，让企业快速优化各种渠道，提高单位时间的转化效率。

第四阶段是清算期。业务实现需要高用户基础。通用互联网产品，其中少数高度活跃、经验丰富的用户将转化为付费用户。类似漏斗，不断筛选，这是为了争取运营效率。比如电商用户的转化漏斗一般是：访问——、注册——、搜索——、浏览——、加入购物车——、支付、或者以后退货。这是一个非常非常长的漏斗。要真正做好数据运营，就要对漏斗的每一个环节进行跟踪。

一个好的企业，尤其是未来想要创收的企业，一定要注重各个部门、各个环节的转化效率。这种转化效率可以通过营销、产品改进甚至客户运营来实现。而且每一个环节都略有提升，这加起来就是多重提升。这种乘法，没有做过数据运算的人很难意识到会有多大。

问题2:好的数据分析应该是什么样的？

好的数据分析可以让公司的每个人受益。这不是一种特权，不仅仅是公司一两个人的特权，而是公司所有运营部门，尤其是战斗在一线的部门，直接受益。

光说战略、大方向、CEO、VP、运营是不够的。我们需要把它交给一线员工，让他们可以使用。我认为这是数据驱动型企业和非数据驱动型企业的一大区别。效率提升意味着每个人都得到提升，而不是一两个人。

要建立完整的数据分析机制，公司要从业务入手。所有数据分析操作或数据系统都应该从业务和客户开始。这个数据分析系统不仅仅要解决一两个非常狭隘的问题，还需要一个系统和一个大局。然后，其实数据分析最难的部分是数据收集和数据整理，这是最费时间的，可能是因为最初的计划不够全面。因此，我们应该更加重视数据的收集和有计划的数据整理。

后来，数据分析不能只停留在报表的基础上，但它的价值仍然不够。最后，在那些数字出来之后，告诉别人怎么做是正确有效的。在这里，有很深的学问，需要很强的操作能力。

所以，一个企业不仅要有全局观，更要注重可执行性。我建议一般企业要想打造自己，首先要从单点突破，找到一个转化点，看到价值。经过这次练习，它可以学习下一次练习的方法。这也是一个学习的过程。不要一上来就搭建一个庞大的系统，上来就整合50个数据圈，试图搭建一个数据科学框架。我认为如果你想这样做，除非你有很多资源，否则你会失败。

问题3:企业数据分析可以分为哪些阶段？

第一阶段，它什么都不是；

第二阶段，公司需要能够追溯历史：知道自己的产品正在发生什么是最基本、最原始的阶段；

第三阶段，内部做产品、运营、营销的人需要问为什么：这个阶段是在预测，也就是预测某一群人，下一步要做什么，这样才能有针对性、更好地开发产品；

第四个阶段是要有解决方案：就是我预测到这群人会这样做，所以我给了它一个更好的解决方案，让它更好的转化和留存，带来更好的创新。

效果；
　　
　　第五个阶段，是优化，多样产品线如何能找到最好的平衡点：在价格、营销，产品设计，销售各个角度有一个平衡点，这个平衡点是创业者的利益最大化点，也是用户最喜欢这个产品的点。
　　
　　这五个阶段，需要花时间来不断积累的，不要跳跃，跳跃往往失败，从基础做起。
　　
　　问题4：为什么许多公司的数据分析流于形式？
　　
　　这主要是因为很多企业在三个层面上的认知不足：数据的价值、数据分析方法论和实际的操作方法。
　　
　　1）价值的认知
　　
　　许多公司处于疯狂增长时期，大家一拍脑子做的决定，可能已经产生很多价值了；这种情况下他们很难意识到数据决策能产生比暴力性增长更大的价值。
　　
　　2）基本方法论的认知
　　
　　意思是核心但简单的方法论。目前国内对基础的方法论没有太多的认知，可能因为国内发展时间还比较短，而美国已经开发好几十年了。
　　
　　3）实际操作方法的认知
　　
　　国内一线员工用数据来指导工作运营，比如产品、客户、销售等实际操作经验相对来说少一些。一方面，因为发展时间短，另一方面，数据使用理念积累也相对较少。
　　
　　不过，国内公司已在迅速地提升这种认知。但是这个认知，是分阶梯的，循序渐进的一个过程。在美国，认知和方法论已经慢慢进行了良好的统一——技术和业务之间，用数据来融合。
　　
　　许多国内的企业家，最开始意识不到数据的价值；等意识到数据的价值时，他的期期望又往往很高。这种大鸿沟，也无法让价值真正落地，甚至让人们产生“这个价值是否真能实现”的质疑，缺乏耐心。
　　
　　问题5：中国公司对于数据存在哪些共性的迷思？
　　
　　我觉得国内公司对数据分析的理解，分两极：一种认为这是纯技术，还有一部分是比较迷信，认为只要一上大数据，就变成高大上的公司了。我觉得这两种方式，都存在一定的误解。
　　
　　核心的话，我觉得你做的这个东西能不能有价值，有没有效果？用效果来衡量是最直接的。另外一些公司想自建平台，搭建很大的团队，效率和产出都比较低，这个我建议大家慎重。随着生态圈的不断发展，现在很多工具都很好用，你得学会用工具。这是创业者成功的一些很好的辅助——不能说因为你会用工具，所以你就创业成功；但是好的创业者，一定能用这些各种工具，达成目标。
　　
　　问题6：如何打破数据无法“物尽其用”的怪圈？
　　
　　过去几个月，我们跟客户打交道发现，有的企业用我们的产品用得非常好，有的企业就一般。通常内部有人核心负责数据的企业，会用的就非常好；有的企业没有核心的人来追这件事情，做得就比较一般。
　　
　　所以，在运营部门里面，至少得有一个人有一定的数据分析概念。就好像我们把一套高级手术仪器搬到公司去，如果没人会操作也不行。
　　
　　我认为最好的知识获取方式，就是实际操作。实际操作的前提，是最好有一个稍微懂一些的人，能带着做几次。然后转起来、学起来了，这就是获取数据分析知识最快、最有效的方式。我不觉得纯读书或者读一些课本，看一些外面的大数据指导类的书籍，能有这种效果。
　　
　　有了这个人，再能从懂这方面的人和公司产品，获取方法论的支持，这种学习机制就建立起来了。这个还是蛮重要的，否则系统虽然强大，但是没人会操作，就无法物尽其用。