三步拆解一个数据分析体系
共 2322字，需浏览 5分钟
·
2021-04-14 17:32
在之前的文章中，我重点为大家介绍了以中台为核心的产品架构设计，但是只有产品功能在日常的运营过程中还是不够全面的，我们还需要另外一个辅助的工具。
1
为什么需要搭建数据分析体系
在进阶的产品经理工作中，我们除了去完成产品功能的架构设计之外，更重要的事情便是要去决定产品方向的走势，在这里我们需要依赖的一个重要工具便是数据。
例如，我们需要用日活来反映产品当前的用户数，需要用订单中购买商品的分布情况来分析年初计划中的核心品类销量是否健康。
那么如何在一个从0~1的产品背后搭建起一套完整的数据分析体系，来支撑日常的产品数据需求，这便是进阶的产品经理工作之一。
也就是说进阶产品至少需要具备两个技能：
l从0~1设计产品架构；
l在搭建起的产品后建立数据体系；
要想建立起一套数据分析体系，很多人看到这可能就已经开始犯怵了，因为在他们的印象中认为数据分析体系的建立是一个非常庞大的工作，而设计这样一套数据分析体系更是无从下手。
但是事实上一套数据分析体系的完整建设过程确实是一个庞大的工作，但是只是设计的过程的话，其实并没有大家印象中的这么麻烦。
接下来我便教给大家一个数据分析体系的三层设计法，帮助大家快速搞定一个最基础的数据分析体系的设计。
2
数据分析体系三层设计法
搞定一个数据分析体系，其实只需要三步就可以进行完成。
也就是说任何数据分析体系都可以拆解为一个三层的三明治结构，如下图所示：
（1）收集：数据源采集层：负责数据采集；
（2）处理：数据处理层：负责数据的规整化；
（3）使用：数据应用层：负责数据二次加工；
我们具体来一个个拆解看一下：
Part1数据源采集层
这一层的本质目的就是去进行数据源的一个收集，我们需要将公司内部各个节点产生的数据都进行一个收集和集中，我们要做的工作主要是两个：
（1）分析并定义公司内部各个业务线所产生的数据有哪些？
eg：商品销量数据，商品上下架数据，订单数据，用户浏览行为数据。
（2）定义各个数据源的存储方式以及集中存储位置。
eg：建立数仓以及对应的数据表来存储对应的数据。
完成这一步，我们就是对整个数据体系最基础的原料来源完成了一个运输管道的建设，如下图所示。
Part2数据处理层
在收集齐了全公司的数据之后，我们要做的下一步也就是将以往分散在各个数据处理单元中都需要进行的数据标准化操作在这里需进行统一实现。
常见的操作分为如下三类：
（1）数据清洗：根据一定的数据规则，将数据中的异常值如负数、零等这些数据进行删除，从而使数据变得合理化。
（2）全局数据口径对齐：在很多时候我们经常会遇到一个情况，就是不同业务线以及不同模块之间对于同一指标定义的计算公式不同，但是数据指标却相同，例如毛利指标的定义等，那么此时我们就需要将原来不同定义的公式计算出的数据结果，以一套标准的公式进行重新计算，得出一个唯一的结果。
（3）数据合并：在数据处理中，很多时候我们处理的数据是冗余的，所以我们需要对这些冗余数据进行一次合并，从而简化数据体量。
经过这样一套统一的标准化操作我们就得到了全公司数据的一个唯一结果，也为我们上层应用去取用数据打好基础，不会出现上层数据应用计算出的结果偏差巨大的现象。
这里我们的建设结果如下图所示：
Part3数据应用层
在前两步完成了基础数据的统一收集，我们相当于拥有了一个可以获取全公司数据的一个数据全集，之后也完成了数据的基本处理，相当于此时我们所拥有的数据便是公司内部最全且最准确的数据。
此时我们就可以根据各个业务线的需求去打造对应的数据应用。
例如最常见的数据应用便是数据报表，我们将业务方想要看到的数据以一定的组织形式展示在一张报表中，例如订单报表。用户报表等等。
此外，还有一些基于数据的辅助决策类应用，例如，采购预测根据近期7天或近14天商品销售的情况来分析出：
（1）哪些商品属于畅销类商品？
（2）商品的平均日销量是多少？
（3）在下一周期中将要需要多少量？
（4）根据现有库存减去预测量得到预测采购数量。
这里我们的建设结果如下图所示：
可以看到经过这三步的设计，我们就得到了一个简单且又全面的数据分析体系框架，如下图所示。
3
最后
在这个框架的基础上，我们可以根据实际业务发展不断去扩充。例如新的数据源加入到数据源采集层以及新的统一的全局数据处理方法，以及基于前两者演化的新的数据应用。
可以说这个数据分析体系框架帮助我们去从0~1搭建了一个可以参考，可以不断扩展的数据分析体系容器，后续只需要不断往里头填充具体场景的解决应用即可，这便是我们的设计思路。
推荐大家关注他的公众号：三爷茶馆
点击“阅读原文”
查看更多干货