这套方法，更容易让数据分析师立功，比算法模型好用
共 2562字，需浏览 6分钟
·
2020-11-18 22:16
上一篇【这套系统，可能真的是数据分析师们未来5年的机遇！】引起了同学们强烈反响，其中提到一个关键点：CDP与增长实验结合，很容易让数据分析师立功。今天我们就系统的讲解下这一点。话不多说，直接上干货！
数据分析想立功，核心难点在于：立功的事是别人办，出事的锅却是自己背。特别在增长问题上。用户最后注册的页面是产品经理设计的，购买的产品是商品运营选款的，使用的优惠券是用户运营发的——是滴，直观看起来，这跟数据分析一毛钱关系没有。庆功的时候也是这些人冲在最前边。
但是，万一注册的人不够，购买的人太少，用券跟没用一样。
这些人会异口同声地说：
“我们的用户画像太过粗糙”
“我们的数据预测不够精准”
“我们的ABtest不够严密”
“为什么不能提前分析出来！”
你一张嘴对抗他们三张嘴，怎么辩解都是输
所以，往往我们看到所谓用户画像，ABtest，预测模型，要么就是那些顺风顺水的大厂在说，要么就是当产品准备卖给乙方的甲方在说。一但大形势不好，过往吹得再厉害的模型、画像、测试统统都不管用了。
问题的核心，在于：数据分析不能孤立在增长项目以外，像个街边摆摊算卦的半仙一样，等着业务甩任务过来。
“大师你看看我这命数咋样”
“你精准预测下用户响应情况”
这两句话没有本质区别，都是放弃了主观能动性，指望靠计算得出结果。
数据分析要和业务并肩作战，打包成一个项目组，才有彻底脱离苦海的机会。
而增长实验，刚好满足这个要求。
并且，它对业务方也是一个解脱，最有可能达成双赢局面。
增长实验，重点在“实验”。这么叫，主要是区别于以往做增长“大干、快上、跟风走”的搞法，真正落地小步迭代。增长领域是时髦名词最多的领域，“私域流量，直播带货，圈层营销”总之隔三天一个新词冒出来。与新词一起出来的，是各路神仙吹嘘“我是如何0投入增长100万用户的”。
在这种背景下，业务部门的压力是很大的。
不做，被老板批跟不上时代
做，投多少，做不成咋办，都不知道。
因此，为了避免被领导们过高的期望压死，在传统企业做数字化转型的时候，业务部门开始大谈增长实验：咱做实验，一步步来。搞出来个增长实验做法。这个概念和互联网公司谈的增长团队，本质上没啥区别。但是传统企业更重现实效益（销售收入，利润）的考核，因此在做法上更效益导向。
第一步：清晰实验定位
做Abtest的时候，要先考虑流量。而业务部门做增长实验，先考虑的是：“到底这个实验对公司意味着什么”以及“为了这个期望，我得投多少钱，多少人”。没钱、没人，谈啥增长。
清晰了定位以后，是落实具体的增长目标。要注意，互联网企业和传统企业在设定目标上完全不同，大部分互联网企业都是圈钱过日子，因此能采用类似“活跃用户人数”这种很虚的指标做目标，能写进融资ppt就行。传统企业还指望挣钱度日，因此设太虚的指标，在考核的时候会直接被判死刑。即使要设类似“新会员数量”这种指标，也要捆绑一个“新会员总销售收入”这样才牢靠。
第二步：设定待实验的增长路径
这个路径有四条（如下图）：
这一步非常关键。历史已经反反复复的证明：越是指望毕其功于一役，越是输的裤子都不剩。最近最见到的，就是传统企业跟风上直播带货，又给折扣，又吐爆款，又砸坑位费，最后亏的底掉。因此在设计策略的时候，尽量清晰每一个策略的逻辑，才更适合循序渐进，总结出经验。
第三步：观察实验结果
对单次试验而言，数值并不是最终的结果。因为业务更多期望通过实验探索出一条道路来，因此，的把实验数据，解读成业务可用的结论。
增长效果要回答五个核心问题：
1、业务流程是否能跑通，是否有设计缺陷。
2、流程能跑通前提下，第一次试验，是否达到预期。
3、第一次试验达到预期的前提下，第二次是否可复现
4、第二次可复现前提下，第三次是否有边际效益递减
5、边际效益递增/递减的前提下，峰值/谷底在哪里
