企业要需要注意数据，不同阶段的各种差异

中美数据分析差距较大。只有在BAT等国内一些特别大的企业中，数据分析才能得到高度重视；当然，这是由于他们的长期积累，数据和操作的良好结合。这是我回国后的总体感受。国内企业对数据本身和数据所能提供的价值的理解不如美国深入，差异很大。问题1：什么样的公司需要注意数据？不同阶段有什么区别？一般来说，目前国内更注重互联网金融、电子商务、交易平台等高客户单价、重转化的公司，SaaS、在线旅游公司。这类客户单价高，不能完全拼流量，这样创业者才能有动力提升转化率。从宏观上讲，企业家将经历产品的四个生命周期。第一阶段叫冷启动。此时公司特别早，天使轮或A轮，甚至融资还没有成功。由于客户数量有限，样本性不足，现阶段的公司使用大数据驱动是一个伪命题。他们需要更多地了解潜在客户的需求，并“寻求”客户使用该产品。第二阶段，早期增长。即冷启动即将完成。经验丰富的企业家将开始布局一些与增长有关的核心指标，如日/月活跃和保留。这些指标的目的不是衡量产品当前的性能，而是为了在未来的增长中有一个可比的基准。第三阶段，增长期。在这个阶段，我们可以看到好的初创公司和普通初创公司之间的巨大差异——效率。PR和活动都需要人力和时间成本。如何在增长中找到最有效的渠道？在我看来，这是创业公司PK的核心竞争力。假如不做数据驱动，靠直觉，一两次就可以了，但是没有人能进赌场连赢一万次。因此，直觉需要与数据相结合，使企业能够快速优化各种渠道，提高单位时间的转化效率。第四阶段，实现期。实现业务需要很高的用户基数。一般来说，一小部分高活跃度和良好体验的互联网产品将转化为付费用户。类似于漏斗，不断筛选，这是为了争取操作效率。比如电商用户的转化漏斗一般是:访问-注册-搜索-浏览-加入购物车-付款，或者以后退货。这是一个非常非常长的漏斗。要做好数据操作，就要不断跟踪漏斗的每一个环节。一个好的企业，尤其是未来要做收入的企业，一定要注意各部门、各环节的转化效率。通过市场营销、产品改进甚至客户运营，可以实现这种转化效率的手段。而且每一个环节都略有提升，加在一起就是倍数的提升。这种倍增，如果没有做过数据操作的人，很难意识到会有多大。问题2：好的数据分析应该是什么？好的数据分析可以让公司里的每个人都受益。这不是一种特权，不仅仅是给公司里的一两个人看，而是让公司里的各个运营部门，尤其是前线作战部门，都能直接受益。一般只讲战略，只讲大方向，只给CEO看，只给VP或者操作看——这还不够。需要给在一线工作的员工，让他们使用。我认为这是一个数据驱动型企业的区别，与非数据驱动型企业的区别很大。提高效率是每个人的提高，而不是一两个人的提高。公司要建立完整的数据分析机制，首先要从业务入手。所有的数据分析操作或数据系统都应该从业务和客户开始。该数据分析系统不应只解决一个或两个非常狭隘的问题，而应具有系统性和整体性。然后，事实上，在数据分析中，最困难的部分是数据收集和数据整理。这个过程是最耗时的，可能是因为最初的计划不够全面。因此，在数据采集和数据整理方面，要有计划地重视。后来，数据分析不能仅仅停留在报告的基础上，价值仍然不够。最后，这些数字出来后，告诉别人该怎么做是对的，是有效的。在这种情况下，有很深的知识，需要很强的操作能力。因此，一个企业既要有大局观，又要注重可执行性。我建议一般企业要想自建，首先要从单点突破，找到转化点，看到价值，然后通过这次实践学习下一次实践的方法。这也是一个学习过程。不要上来就建立一个庞大的系统，上来就把50个数据圈整合在一起，想建立一个科学的数据框架。我认为如果你想这样做，除非你有很多资源，否则你会失败。问题3：企业数据分析可分为哪些阶段？第一阶段，什么都没有；第二阶段，公司需要回顾历史：知道产品发生了什么，这是最基本、最原始的阶段；第三阶段，内部产品、运营、营销人员需要问为什么：这个阶段是预测，即预测人群，以下会做什么，以便更好地开发产品；第四阶段，有一个解决方案：我预测这群人会这样做，所以我给它一个更好的解决方案，让它有更好的转换，保留，带来更好的新效果；第五阶段是优化，如何找到各种产品线的最佳平衡：价格、营销、产品设计、销售的平衡，这是企业家利益的最大化，也是用户最喜欢的产品。这五个阶段，需要时间不断积累，不跳跃，跳跃往往失败，从基础开始。这五个阶段，需要时间不断积累，不跳跃，跳跃往往失败，从基础开始。问题4：为什么许多公司的数据分析只是一种形式？这主要是因为许多企业在数据价值、数据分析方法论和实际操作方法三个方面缺乏认知。1、价值认知许多公司正处于疯狂增长的时期，人们的决定可能产生了很多价值；在这种情况下，他们很难意识到数据决策比暴力增长更有价值。2、基本方法论的认知意义是核心但简单的方法论。目前国内对基本方法论的认识不多，可能是因为国内发展时间短，而美国已经发展了几十年。3、国内一线员工利用数据指导工作运营，如产品、客户、销售等实际操作经验相对较少。一方面，由于发展时间短，另一方面，数据使用概念的积累也相对较少。然而，国内公司已经迅速提高了这种认知能力。但这种认知，是一个循序渐进的过程。在美国，认知和方法论在技术和业务之间逐渐统一，数据被整合。许多国内企业家一开始并没有意识到数据的价值；当他意识到数据的价值时，他的期望往往很高。这种巨大的差距，也不能让价值真正落地，甚至让人们产生“这个价值是否真的能实现”的质疑，缺乏耐心。问题5：中国公司对数据有哪些共性的迷思？我认为国内公司对数据分析的理解分为两个极端：一个认为这是纯技术，另一个更迷信，认为只要大数据，它就会成为一家高公司。我认为这两种方法都有一定的误解。核心的话，我觉得你做的这件事能有价值，有效果吗？用效果来衡量是最直接的。其他公司想建立自己的平台，建立一个大团队，效率和产出相对较低，我建议你要小心。随着生态系统的不断发展，现在很多工具都很容易使用，你必须学会使用工具。这是企业家成功的一些很好的帮助——不能说你创业成功是因为你可以使用工具；但是好的企业家必须能够使用这些工具来实现他们的目标。问题6：如何打破数据不能“物尽其用”的怪圈？在过去的几个月里，我们与客户打交道，发现有些企业用我们的产品很好，有些企业一般。一般内部有核心负责数据的企业，会用得很好；有些企业没有核心人员来追逐这件事，做得比较一般。因此，在运营部门，至少要有一个人有一定的数据分析概念。就像我们把一套先进的*仪器搬到公司一样，如果没有人能操作。我认为获取知识的最好方法是实际操作。实际操作的前提是最好有一个稍微懂一点的人，能做几次。然后转身学习，这是获取数据分析知识最快最有效的方法。我不认为纯粹的阅读或阅读一些教科书，阅读一些外部大数据指导书籍，可以有这种效果。有了这个人，我们可以从了解这方面的人和公司的产品中获得方法论的支持，建立这种学习机制。这个挺重要的，不然系统虽然强大，但是没人能操作，物尽其用。