我们经常听到诸如“构建运营分析系统、构建性能监控系统、构建产品分析系统”等诉求。 究竟什么是数据分析系统？ 好像经常看到AARRR只有五个字母，而且语言不清。 如何建立一个系统？
构建数据分析系统是从初级数据分析发展到高级的重要环节。 小心。
一、搭建数据分析系统的常见错误
1. 列出没有重点的指标。
很多文章在讲数据分析系统的时候，都会列出大量的指标。 先看哪个，最后看哪个，完全没有说明。 光是看懂上百个指标就需要半天时间，业务上什么都不用做，每天看这里的数字就可以了。
2. 没有目标就陷入细节。
很多同学习惯性的把指标罗列出来，然后开始按照时间、渠道、地区、用户等级拆分，标出一堆涨跌。 问题是没有具体的标准。 奋斗每一天：1%的变化是问题吗？ 问题的百分比是多少？ 见【数据分析终极题：指数波动有多大，才算大！ 】
3.不顾责任，贪图一切。
很多文章的标题都是“电商指标体系”、“运营指标体系”，甚至是“互联网指标体系”，但其实像BATT，一个公司有几十个BU，几十条业务线，都是看一个指标集？ 简单的运营可以分为：用户、产品、数据、新媒体、社区、活动、产品、渠道……几十个运营还看一套指标？ 这些大而全的总结总是看似合理，实则不切实际。
最终的结果是一个自愈的数据报告。 看似列出上百个指标，拆分几十个维度，每天更新，但报告打开率不到10%。 运营、产品、销售人员遇到问题，还提交临时撤单，只跑临时撤单，每天都跑到手指断了……
2. 什么是数据分析系统
从字面上看，数据分析系统包括两点：
1、数据分析：不只是把数据罗列，而是解读数据，解释数据背后的业务意义，找到对业务有用的点。
2、系统：指的是数据不能乱排，而是有节奏、主次、有序地展示数据。 只有这样才能更高效的支持业务，而不是埋没在没完没了的SQL中，也能更好的积累分析经验。
真正的数据分析系统是将数据报表和专题报表结合起来，分层呈现，应用到业务中。
3.构建数据分析系统的基本思路
数据分析的本质是为业务服务。 尽可能多地帮助业务工作，少浪费业务时间是我们的服务宗旨。 因此，在构建数据分析系统时，首先要问自己：
1. 我在为谁服务？
2. 他们各自的职责是什么？
3、提供什么样的数据可以更好的帮助他们工作？
4. 什么时候可以提供帮助以减少对他们的打扰？
这就是构建数据分析系统的基本思路。
第一步：确定服务对象
企业是有部门分工的，所以首先要明确自己是服务于哪个部门。 这是非常关键的！ 因为即使是同一个问题，不同的部门也有不同的关注点。 这也是一个销售问题。 如果是销售部门看，重点是每个销售团队的完成率、进度、质量。 如果你看供应链，重点是总量，每个产品的数量，以及需求高峰期。 如果看风险控制，重点是还款、坏账和套利。 明确部门，有利于了解真正的需求点。
其次，部门有高低之分，需要具体区分：谁需要看报告，他的职责和重点是什么。 同样对于销售，部门领导重点关注下属团队的组建，重点关注哪些领域，重点关注哪些产品。 每个销售人员都关心跟进哪个客户，跟进哪个步骤，见人要说什么。 一般来说，管理层次越高，越要注重战略问题，层次越低，越要注重执行问题。
即使有些工作看似一个人完成，但在企业内部是有分工合作的。 比如在公众号发文章，看似一个人就能写完，但在企业场景中，他们有一个专业名称：新媒体运营，也有详细的分工。
第 2 步：定义您的工作目标
明确了人之后，就要认清每个人的工作目标。 量化目标是数据分析的灵魂。 后续评估工作质量，判断业务趋势是否正常，探索解决问题的方案，都是从计算目标与现状的差距开始的。 这非常非常重要。 很多做数据的同学卡在细节上，做出来的报告看不出原因。 这是因为他们不知道价值是什么。
业务目标并不都是“亿个小目标”这种简单粗暴的形式。 细分下，可以有很多种，比如常见的有：
1.按达成时间：年、季、月
2.按聘任形式分：长期任务/临时任务
3.按服务对象分：本部门/其他部门
4、按服务对象分：领导/班组长/员工
5.按过程定位：结果型目标/过程型目标
继续以新媒体运营为例，一个群体可能同时承载多个目标：
注：不同目标之间存在逻辑关系。 比如每年的增粉任务可能由推广活动、裂变增粉、爆款文案、自然增长组成。 一个大目标对应多个小目标。 把各个目标按照大小和时间顺序梳理出来，你就有了分析系统的基本框架。 以后可以按照这个框架跟踪目标的完成情况，诊断运营效果。 这将进入下一步。
第三步：跟踪业务趋势
有了明确的责任人和目标，就可以跟踪业务趋势。 跟踪时，首先要关注的是：目标的达成情况。 对于目标达成率的监管，涉及到一系列的后续动作判断，在看细节之前先判断优先级（如下图）。
注：不同层次的人关注点不同。 以新媒体为例，负责内容的小哥可能负责每篇稿件； 负责发货的小哥对每次发货的效果负责； 如果单次执行不好，就要进行复习总结问题。 但是，作为运营团队的领导者，他可能更关注整体KPI的达成情况。 一篇文章是不够的，只要能有其他文章补充即可。
很多基于传统企业场景的数据分析系统都写在这里。 请注意，此步骤只能视为“数据监管系统”建设完成。 因为光看进球数和完成率是一种知其然不知其所以然的状态。
我们无法回答“为什么做的不好？应该改进什么？”的问题。 要想回答得更详细，就得深入业务流程，了解具体的动作。 （传统企业到此为止，更多是因为传统门店和业务员销售模式缺乏数据记录，不代表不想做深度）。
第四步：了解业务行为
如果你想改进一个业务，你必须了解这个业务。 大多数业务比我们想象的要复杂。 比如新媒体运营，不做的同学可能会想当然：不就是写一篇文章吗？ 我觉得阅读量和转发量都不够……但其实仔细一看，一篇文章可能有很多业务细节（如下图）：
了解业务行为并分解业务细节是为了“找到数据可以提供帮助的点”。 数据不是万能的。 比如新媒体小哥写文章，数据不能只告诉他怎么写。 但是当涉及到业务细节时，数据可以提供很多参考，如下图所示：
这一步是提高数据分析质量的关键。 通过拆解业务动作，找到数据的帮助点，在跟踪进度的同时，进一步分析问题，已经推向下一步。
第 5 步：查看操作结果
如果您对业务操作的细节有很好的了解，您可以查看操作的结果并总结经验。 数据的好处不是直接产生超人的想法，而是事后总结共同的经验。 优秀的业务能力永远是稀缺资源，不可复制。 但是，通过数据分析和回顾，可以总结出明显的死亡行为，避免普通人犯错误。
就像写文案一样，不可能期望每个创作者都成为半佛仙人，但可以得出结论：
1、当前政治话题的转化率低于情感话题的50%，所以不用于转化。
2.周四周六推送阅读比其他时间低40%，不推送
3、链接跳转超过3步，转化率下降30%，链接长度将受到控制。
4....
有了分析结论，已经可以帮助运营避免大量的陷阱。 就算偶尔踩坑失败，也还是看不懂：“没办法，我只好在这个时候发帖，读一丢丢就丢一丢丢”。 做生意从来不怕失败，怕的是失败不明。 如果能够长期积累，业务方的经验会越来越丰富，问题的思路也会越来越清晰，数据的作用才会真正发挥出来。 但问题不是一成不变的，因此数据分析系统必须迭代升级。
4、数据分析系统迭代升级
记住这个标准：坚持你的目标，迭代你的方法，并获得经验。 这是构建数据分析系统的基本方法，底线，也是最高要求。 在此原则下，数据分析系统的迭代升级路线如下图所示：
1、设定目标后，做月报、周报、日报，跟踪目标完成率。
2、当目标实现出现问题时，先确定轻重缓急，再看细节。
3.针对重点问题，临时支持，查找原因，解决问题。
4、根据经验指导后续工作，积累有效方法，指导未来目标制定
有了这样的系统，业务部门也很轻松：平时只需要查看几个核心KPI的达成率，万事大吉就不用担心，还能及时收到预警当趋势变坏时。 想要创意的话，也可以有足够的素材来使用，体验非常爽。 数据分析师本身，固定的KPI和业务支撑做成数据产品，案例分析做专题。 产品和话题多了，也能体现个人的成就。 比没完没了地写sql，写完不知道干什么好太多了。
五、总结
构建数据分析系统本质上是“从业务到业务”的事情。 我们需要花更多的时间在里面。
然而，很多新手过于纠结于理论、方法、模型，忽视、忽视、轻视业务。 感觉别人的工作没有什么技术含量，“不就是发一篇文章吗”，“不就是忽悠客户吗”，唯独自己的算法真牛逼。 遇到问题不会和业务详细沟通，只会去各个数据分析微信群问：“有没有XX指标体系，最好是权威的、标准的、有BAT认证的版本。” 反之，最后只会一句话：你不符合我们公司的情况。
一个好的数据分析师应该像眼科医生一样。 配镜的专业方法和工具可能有很多，但在配镜过程中，医生关心的不是自己的理论，而是用户看清楚的能力，不停地问用户“这可能吗？更清晰？再试一次怎么样？ 以专业的方式服务个人需求是专业人士所做的。与大家分享。
