一个完整的数据分析体系，该长啥样？

一个完整的数据分析体系，该长啥样？原创

接地气的陈老师

108人赞赏了该文章 2,052次浏览编辑于2022年04月14日 10:46:50

摘要由AI智能服务提供

本文介绍了数据分析体系的建设及其在不同层级（战略级、战术级、战斗级）的应用。强调满足业务需求是出发点，并详细阐述了各层级数据分析的特点和目的。同时，针对中小企业如何从0到1建立数据分析体系提出了建议，并分析了数据建设问题背后的原因，如业务部门强势、技术部门追求显眼成果、公司基础认知不足等。

很多同学抱怨：自己东做一点，西做一点，没有见过完整的数据分析体系是啥样？实际上早在10年前，很多大型银行就已经建立了很完善的数据分析体系，只是因为行业特殊性，导致外人知道的不多。今天跟大家详细介绍一下。

一、建设的出发点

满足业务需求，是建设数据分析体系的出发点，也是最终目的和最高要求。要注意的是，“业务需求”并没有统一的标准。不同部门，不同身份的人，需求是不一样的。从大的方面看，可以分作三个层级：

1、战略级：能决定公司整体方向的高级管理层
2、战术级：决定一个具体职能工作的管理层（销售、运营、产品、售后……）
3、战斗级：没有决定权，只有执行权的一线部门（业务员/客服/审核员/仓管员……）

这三类人，需要的数据类型，数据时效性，数据应用方向是完全不同的。因此需要分别满足需求（如下图）。

二、服务于战略的数据分析

在整个体系中，经营分析是直接服务于战略级决策的。在最高管理层做决策的时候，更聚焦于宏观的问题，比如整体目标达成，外部环境变化，内部举措效果。而不是陷在琐碎的业务细节里。

因此，在做经营分析的时候，要：

1、在经营目标，转化为可量化的指标
2、监控目标达成进度，发现过程中的问题
3、感知外部环境变化，预警潜在宏观问题
4、量化评估各项业务活动对目标的作用
5、考核各项业务活动效益，提出方向性指导

注意：对经营成果的核算是非常复杂和麻烦的。很多经营举措都是跨数周、数月，涉及众多部门和工作。有些基础研发、生产线更新、基建投资更是跨数年。因此经营分析的频率一般不会很高，一般是以月为单位进行。

在经营分析层面做出的决断，往往是方向性的，比如：

1、坚持原定计划还是做调整？
2、销售/运营/产品/营销……谁打主力，谁当辅助？
3、追加投入还是更换方法？

这些决断直接影响到战术级设计。至于具体怎么设计，则要靠战术级的分析来支持。

三、服务于战术的数据分析

战术级的分析是具体到每个职能部门的。比如：

销售部门：销售业绩分析、销售渠道、销售方法、业务员队伍分析
运营部门：活动方法分析、推广方式分析、平台运营分析
产品部门：产品使用情况分析，新版本功能，新版本分析

这些战术级分析的具体内容，常常五花八门，但是核心思路是一致的：

1、策略制定：从众多的战术中，选择一个可以达成目标的
2、监控进度：监控战术落地进度，发现问题，调整战术设计
3、复盘效果：复盘是否达成目标，积累经验，解决问题

具体的细节太多太多，就不一一举例了。有兴趣的同学可以翻看之前分享的运营、产品分析方法。实际上，大部分做数据分析的同学，最常接触的是这一层的分析。最终输出物也是日常监控报表+专题分析报告。

四、服务于战斗的数据分析

严格地来说，战斗级需要的不是数据分析，而是数据。一线工作那么忙，没人有空坐下来细细听报告，能看到数据，就已经足够行动了。比如

一线销售：看到今日业绩目标，今日已完成业绩，待跟进客户名单
一线客服：看到待分配话务量，排队接听数量、投诉数量、投诉结果
一线仓管：看到在库商品数、在途商品数，预计达到商品数，预计出库商品数

有了数据，一线就已经能开展行动了。赶紧干活，把没处理完的任务搞完

如果能在基础名单之上，增加一些辅助工具，就更好了。比如给销售的，不光有个待跟进客户名单，再多给个预计自然消费（通过预测模型给的标签），就能帮销售聚焦到更该主动跟进的人身上。比如再多给个：客户可参与活动/客户可转发海报，就让销售多了一个打动客户的工具。这些工具要比啰里啰嗦分析报告管用得多（如下图）

相当多公司在战斗级的数据分析，只停留在excel日报和ppt阶段，缺少工具设计和开发，导致了数据分析不落地，无法辅助一线等等问题。

看到这里，肯定有同学好奇：老师，我的公司规模没那么大，数据也没那么多，怎么能做的体系化一点呢？这里是有方法的。

五、中小企业，怎么从0到1

初创型的企业肯定没精力搞这么大套数据体系。对初创型企业来说，尽快找到能盈利的MVP才是关键，之后不断的扩大投入，增强收入能力。因此对初创型企业而言，一般精力都放在销售数据/推广数据/渠道数据上，把战术级的分析做好。

对于有一定规模的企业，最重要的反而不是搞各种分析报表（一般该有的也都有了）也不是搞复杂的分析报告。而是加强基础建设，补齐初创期突飞猛进，留下的短板。比如：

1、商品编码体系，商品分级分类标签
2、活动编码体系，活动物料编码体系、优惠券体系
3、财务系统与业务系统打通，财务数据与业务数据对应

这些可能不仅仅设计数据库设计，有可能旧的交易系统、物流系统、费控系统都需要升级，业务流程也要规范，因此是个很庞大的工程。但是如果不迈过这一关，还是在旧基础上继续苟且，就会发现，规模越大，内部系统越乱，数据越复杂，新旧数据越对不上，越往后越难。

在2021年，陈老师经历了若干个营业额30-100亿的中等企业数字化建议，无一例外的有基建薄弱+好大喜功的问题。往往是最基础的商品数据、活动数据、渠道数据都没有建设很好，反而急着上CDP，急着在APP/H5搞算法，急着搞全链路埋点。结果自然是：在烂泥地里建摩天大楼……各种纠结蛋疼，不在话下。

六、问题的背后

以上种种问题，但凡置身其中，都会感受明显。然而为啥没人解决呢？

可能是业务部门自大且强势，不想让数据参与，只让供excel表
可能是技术部门老大想升官，做基建不够显眼，必须上新东西
可能是公司老板压根没见识，吃行业红利发财，缺少基础认知

这些都有可能让数据停在原始阶段。然后又寄希望于一个神通广大的数据分析师能搞掂所有问题，他们还会殷切地拉着你的手说：“我们公司的数据很大，都在那呢，就差个高手来分析了……”

所以如果做分析的同学们遭遇：

东干一块，西干一块
只写sql整理excel
被业务嫌弃没深度

你并非一个人，你和很多同学一样在被煎熬。

文章来源：接地气学堂

发布于数据智能社群

108人点赞

还没有人点赞，快来当第一个点赞的人吧！

打赏

0人打赏

还没有人打赏，快来当第一个打赏的人吧！

赞 108 评论 3 收藏 55