神策数据创始人兼CEO桑文锋：如何成为数据驱动型公司

【引言]】这是在 Xtecher 大数据微信群里做的一个分享，感谢高琳记录整理。

大家晚上好，很高兴能够有机会做这次分享。我今天分享的内容是如何成为数据驱动型公司。我看到今天这群里有一些是投资人，还有一些本身就是数据从业者，光 CEO 就有好几个。今天我讲的内容有可能还是比较基础一些，希望起到抛砖引玉，促进大家一起探讨。

一、什么是数据驱动

先看一个故事。秦朝末年的刘邦、项羽，当时都是起义军。最早是刘邦先打到了咸阳，但他没有烧杀抢掠。他手下有一个谋士，就是大名鼎鼎的萧何。萧何做了一件事情，就把丞相、御史家里的书和地图之类都收集起来了，然后他们撤出了咸阳。后来过了几个月项羽来了，那就是烧杀抢掠，把阿房宫也给烧了。之后项羽分封各路诸侯，刘邦被分到了四川，也就是巴蜀之地。那个时候萧何经过数据分析，发现了一个特点。就是在汉中那个地方，在当时秦国的偏南一点，巴蜀北边。地方不大，但是占秦国的税收比例还挺大的。萧何就劝说刘邦，让刘邦找找人把这个地方分给他们。刘邦还真找到人了。当时项羽就觉得这个地方偏而且不大，反正也没多大关系，就把汉中给了刘邦。刘邦就是在汉中之地集结力量回击的，几年之后把项羽给搞定了。

我们可以看到古代也是这样，会数据分析的人和不会数据分析的人，差距还是很大的。萧何会数据分析，帮助刘邦做出了关键的决策。而像项羽这样不会数据分析，最终导致亡国都有可能。

（图 1 楚汉争霸图，来源于百度图片）

我们接下来说为什么要做数据驱动。其中数据很大的价值就是：驱动决策。大家平时做一些讨论，讨论什么事情该做不该做，项目怎么样，许多时候是凭感觉来拍脑袋的。这种方式有可能拍对，有可能拍错。更好的方式要靠数据来驱动的。比如，一个产品的界面，到底绿色背景好还是蓝色背景好，从设计的层面考虑，是都有可能的。那我们可以做一下 A/B 测试。可以让50%的人显示绿色背景，50%的人显示蓝色背景，然后看用户点击量。哪个点击比较多，就选择哪个。这就是我们讨论的数据驱动。这样就转变成不是拍脑袋，而是通过数据去决策。

2001 年我刚读大学，电脑输入法都是用智能 ABC。打字非常慢的，需要打然后去选，效率很低。后来出现了紫光拼音，相比之前就好了很多。打起字来感觉按键都没有按下去，字就已经跳出来了。但是也有问题，就是互联网新出现的词汇打不出来。这是因为它的词库更新比较慢。到了 2006 年的时候，搜狗输入法出现了。当时给我的感觉是比较震撼的。网上出现的一些新词汇，很快就能打出来，并且很流畅，就是因为它利用了数据。不论是打的字也好，还是搜索引擎里用的字也好，搜狗都会收集起来，进行统计分析。通过词频统计，把一些新出现的词抽出来，更新到用户的词库里边，这样就让输入法变得更好。对比之前的输入法产品，其中最大的区别，就是利用了大数据。

结合以上这两个例子，我想表达的就是数据的价值有两点：一是数据驱动决策。帮助你拍板，更科学的做决策。二是数据驱动产品智能。怎样让产品变得更加智能化。

下面我将主要围绕这两个视角，来讲数据驱动的价值。

二、数据驱动决策

（图 2 数据驱动决策）

在互联网公司，数据驱动决策包括三个视角：

• 运营监控。搞一些运营活动，不管是市场活动，线上线下活动，总之针对用户的运营。运营情况、转化情况，都是要通过数据进行监控的。
• 产品改进。产品的新功能使用情况如何，接下来该怎么迭代，都要基于数据。
• 商业决策。是否要在新领域开展业务，是否要收购一个公司，都是要通过数据来做决策。

2.1 数据驱动运营监控

对于运营监控，可以分成三点：

• 留存。用户有很好的黏性，不断过来用产品。
• 拉新。怎么获取新用户。
• 变现。怎么从用户身上赚到钱。

对互联网产品来说，我觉得运营的核心就是把这三件事做好。

首先，从用户留存的角度。留存在我看来，重要性比拉新还高。做一个产品，我们把产品推上线，首先要关注的是，不是拉很多用户过来，而是已有的用户，哪怕是种子用户，来了之后都不走了。黏度很高，来的用户都能留下来，那以后滚起来是很厉害的。但如果比较低，拉多少用户，就像猴子掰玉米一样，结果只剩了两个，这个就大打折扣了。

那怎么做留存分析呢？我们来看一个例子。经常看到一些餐馆会搞一些会员活动，比如每周二东坡肉半价优惠。那会员活动会带来什么后果呢，是会员进店次数增多呢，还是只有会员日过来，其他时间就不过来，只是换了个时间，占了点便宜呢？这些我们通过留存分析，就会发现到底活动是不是有效的。

（图 3 餐馆门店留存分析）

这是一家连锁店，连锁店有好几家分店。红色标注的是案例门店。这家店以及倒数第二家都搞了会员活动，我们看到它们的前三周留存率都超过了 20%。没有搞的店就没有这样好的数据。因此可以判断会员活动本身就是非常有用的。不止会员日当日会过来，在其他时间表现也是非常好的。通过留存分析，就很好地解答了会员活动是否有效这个问题。

运营的第二个事情就是拉新，我们怎么去获取新用户。

获取新用户，不能只关心怎么到你这里的。许多市场的同事容易存在这种误区。在做宣传的时候，用户注册了，就是达到目的了。其实不然，要衡量用户激活。什么意思？用户激活就是完整的体验了你产品的核心流程。如果做不到这一点，那注册的价值就没有那么大。就拿一家新闻网站来说，如果用户只停了 0.5 秒就跑了，那不叫激活用户。用户起码得看个 20 秒或者 30 秒才行。

我们来看一个例子。这是在 8 月初的时候，我发现我们从某网站来的流量忽然增加了，明显要高一些。问团队的同学是不是有什么合作。后来得知，是在合作伙伴那里把我们加上去了，从那导入了一些流量。我问效果怎么样，市场负责同学就说挺好的，访问首页每天都增加这么多流量。我听完就笑了，用户来了之后，是否变成了一个激活用户？不然来了可能都是无效流量。

（图 4 首页访问来源分析）

对于自己官网来说，只是到首页还是远远不够的。我会关心这个用户是否会注册申请使用，注册之后就会发一个账号，还关心是否会登陆，是否会进行关键的操作。这样就形成一个漏斗，这一系列的之后，我判断他是一个激活用户。做市场活动，就是要把登陆使用的用户吸引过来。中间环节虽然有用，但达不到最终目的。当你通过数据发现异常的时候，就尽快去用它。

（图 5 用户试用转化漏斗）

按照来源分组后，我发现这个来源的用户，转到到试用的比例非常低，因此判断这个合作伙伴链接，并不是一个有效的渠道。

运营的最后一步是变现。举个例子，滴滴打车。平台对司机要进行抽成，那抽成多少比较合适呢，这也要通过大量的数据来进行分析，不是随便拍脑袋做的决策。

2.2 数据驱动产品改进

讲完运营监控，接下来讲数据怎么驱动产品改进。大家可以回想一下平时是怎么做产品的。

（图 6 产品迭代的错误流程）

我把它归结为两个环：一个是拍脑袋，一个是研发功能。基本上，产品经理通过一些调研，想了一个功能，做了设计，把这个研发出来，然后看一下效果怎么样。都是凭一些感觉，然后再去做下一步。基本上就是不断的拍脑袋做功能。这样总是出现问题，很容易走一些弯路。产品经理也不知道问题出在哪，所以更好的方式还是要把数据用起来。

这就是《精益创业》里的提到的一个理念。相比前面的两个环，加入数据分析。我们是有一些点子，通过点子去研发这些功能。研发这些功能之后，重要的是要进行数据收集，然后进行数据分析。基于数据分析得到一些结论，然后基于这些结论，再去进行下一步的操作。整个过程就形成了一个循环。这样人为的因素影响越来越少，更多的时候是用一种科学的方法来进行产品的迭代。
（图 7 产品迭代的正确流程）

2008 年我在百度知道做研发。我们做了一个个性化推荐的功能。就是根据用户以往回答过的问题或浏览过的页面，推荐待解决问题。那引导语是用“等待您来解答”，还是“我来帮忙解答”。当时很难做决策。产品经理就做了一个测试，最终通过数据来判断采用哪个。我们发现“等待您来回答”，比“我来帮忙解答”点击率高了 15%，用哪个不用哪个就很显然了。如果这些事情不通过数据分析是很难知道的，也不够客观。

（图 8 百度知道问题推荐）

2.3 数据驱动商业决策

第三点就是数据驱动商业决策。比如：我们一段时间官网访问的用户分布。北京第一，上海第二，深圳第三，杭州第四。一般人觉得广州也挺多的，但是数据显示广州还没有青岛多。青岛为啥这么多，这个我也感觉挺奇怪的。后来了解到，青岛那边有很多孵化器、科技园等产生了影响。那如果我们自己要开分部，那我们就按照这个这个数据，哪里访问量多，我就到开到哪里去。这样跟我的用户分布是匹配的。

（图 9 神策官网用户分布）

三、数据驱动产品智能

讲完了数据驱动决策，那数据更大的一个价值就是产品智能。什么是产品智能呢？数据能够自动反馈到产品里边去，就像百度搜索上的点击调权。根据用户点击情况，去调整在搜索结果中的位置。我们把数据收集起来，然后在这个基础上，去设计一些算法，这样让产品变得更加智能化。产品智能覆盖的面比较广，个性化推荐、精准广告、AI 等，都属于这个范畴，我就不展开来讲了。

（图 10 数据驱动产品智能）

四、不同创业阶段的数据分析

再来看一下，在不同的创业阶段，怎么做数据分析。

我把创业公司分为三个阶段：

首先是 MVP 阶段，也是《精益创业》里边提到的一个概念，即最小可行产品。这个阶段产品没有定形，我们总是在试探产品核心功能该做成什么样子。这些时候也没什么数据，主要是做定性分析，种子用户可能都是你认识的，这时候并不需要专门的数据投入。

接下来就会进入增长阶段。你的产品出来了，相对比较成型了，这个时候你就需要关注留存、拉新。首先保证老的用户体验比较好，不断留下来。另外新的用户怎么吸引过来。这些过程需要做大量的数据分析，我们就需要专门的数据工程师、数据分析师，来去支持数据分析的工作。同时也要借助一些数据分析工具。

（图 11 理想和现实中的数据驱动）

在这个阶段经常出现的问题，是在数据分析这块效率比较低。一般市场、产品、运营都有数据需求。那工程师从杂乱的数据中满足需求，效率比较低，几天一个。因此还是要把数据源整好，数据源整全整细。让业务人员自助地去完成数据分析的需求，这样就从串行的事情变成并行的事情，从几天满足的需求，变成几分钟几秒钟满足的需求。效率就得到提升了。

到了增长阶段后期，也就是变现阶段。用户到了一定规模，那一定要考虑变现方面的事情。这时候可能营收相关的数据分析比例就会非常大。那你会关注渠道、成本这些东西。对于大体量公司来说，一般就会有专门的数据团队，适当借助第三方工具。

对一家公司来说，所有数据分析的工具、平台都自己开发，这也不现实。这就像在电气时代，每家都建个电厂，也不现实。有一些公司专门做工具，其他公司用这个工具去提升效率，那就可以了。

五、常用数据分析工具

那在数据分析这块，我把常见的工具分成 6 类：

第一类：流量分析类（Google Analytics、百度统计、CNZZ 等）

这类产品都是流量时代的产物。三大门户、新闻网站，包括个人网站等，那个时候谁的流量大谁就牛。所以关注点主要是访问量统计。

第二类：App 分析类（友盟、TalkingData、百度移动统计等）

2009 年智能手机慢慢起来了。起来之后，出现了专门针对 App 做分析的。这些统计工具关注的点，就关注 App 装机量、激活量，统计一下活跃用户数。这些是可以，做一些深度的分析还是不太行的。

第三类：用户行为分析类（Mixpanel、Heap Analytics、神策分析等）

相比于 App 分析类，这类公司偏向于用户行为分析的深度分析。比如我们神策分析可以自定义事件、维度、指标体系，数据源采集上也会支持的更全更细。

第四类：数据可视化类（Tableau、Qlik、BDP、永洪 BI 等）

这类产品主要解决数据可视化的问题，特别是老板看报表的需求。

第五类：应用市场监控类（App Annie、ASO100、ASO114 等）

偏向于监控在应用市场中下载和评论这些数据。

第六类：广告效果检测类（AppsFlyer、Adjust、秒针、AdMaster 等）

AppsFlyer、Adjust，这些都属于这一类，一些出海的应用在用，监控 Facebook 之类的广告效果投放。

六、数据分析的流程

接下来看一下数据分析金字塔：

（图 12 数据分析金字塔）

第一层：要做数据采集，把数据采集源头整好。

第二层：对数据进行建模。

第三层：真正去做数据分析的事情。

那我们要避免的误区就是：我们只关注第三层的数据分析，只关心要取数，把数拿到，但是不关注把底层数据采集跟建模这些事情做好。那就会发现这个数据本身也很容易出错，另外去获取数据的时候效率非常低。

七、互联网公司的数据分析痛点

再来看互联网企业在数据驱动这点上，常见的问题：

1、创始人／管理者本身缺乏数据意识

平常都是拍脑袋做决策，凭感觉行事，下面的人就没有动力去关注数据了。所以想成为数据驱动企业，创始人本身要对数据要有敬畏之心。要知道不管什么时候，看数据是第一位的。

2、工程团队和数据团队的配合问题

数据本身是牵扯到整个业务的方方面面，扎根到一个产品里边的各个环节里面去。但是工程团队一般都是在忙着开发功能，在做这个产品迭代。数据相关的需求都是比较低优先级的，都是顺便搞一搞。这样就导致第三个问题，那就是数据采集缺失或埋点混乱，数据根本就没有采。数据根基不行，想要的数据都拿不到。

3、数据采集缺失或埋点混乱

4、缺乏数据工程师／分析师人才

数据工程师还好，数据分析师没有系统的培养方案，大学没有相关的专业，也没有很好的培训课程。这是一个比较大的问题。

八、传统企业的数据分析痛点

传统企业，问题更大。前面说的互联网企业的问题，它一个不会少，另外一点它还有它更大的问题，最突出的两点：

1、数据采集条件不具备

2、数据分析的能力欠缺

最后做一个总结。对于一家企业，想要成为数据驱动型公司，要做到以下三点：

1、培养数据驱动的意识。

2、重视数据采集。

3、借助合适的数据分析工具。

如果你想成为数据分析师

不管是在知乎上，还是在一些线下沙龙，许多数据分析爱好者都想能够系统的学习数据分析知识，而不是琐碎的学习。遗憾的是现在没这样的专业，系统性的培训也是少之又少。我是在想有没有可能通过几轮迭代，创造出一个适合数据分析人员学习的培训课程。

作者：桑文锋，神策数据创始人兼 CEO，前百度大数据部技术经理