高效、有价值的数据采集和分析

数据采集和分析在现代网络社会已经极为普遍，但也由于数据二字让很多人望而却步。其实数据看似复杂，也无非是对客观事物的归纳。

数据采集主要有三大要点：

全面性：数据量足够具有分析价值、数据面足够支撑分析需求。

多维性：数据更重要的是能满足分析需求。灵活、快速自定义数据的多种属性和不同类型，从而满足不同的分析目标。

高效性：高效性包含技术执行的高效性、团队内部成员协同的高效性以及数据分析需求和目标实现的高效性。

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。这一过程也是质量管理体系的支持过程。在实用中，数据分析可以帮助人们作出判断，以便采取适当行动。数据分析的数学基础在20世纪早期就已确立，但直到计算机的出现才使得实际操作成为可能，并使得数据分析得以推广。数据分析是数学与计算机科学相结合的产物。

一、明确数据驱动目标

数据采集切忌大而全，数据分析需求也是随着产品不断迭代，明确长远和当前阶段的分析需求，让分析更有目的性，技术执行更高效。

二、按需采集数据

为了避免数据冗余带来的无从下手以及全量采集之后不知如何分析的尴尬，应该带着需求和分析目标去采集数据。图示文档可以让数据分析需求人员整理，表格梳理可以由需求人员和技术人员协同，从而提升后续的分析价值和效率。

三、多维交叉定位问题

对数据的应用可分为一般分析和探索性分析。一般分析包括对日常数据如新增、活跃、留存、核心漏斗的检测分析，也包括对各部门日常业务的数据监测。监测每日增长，分析异常情况，比如对注册失败、支付失败事件的监控和及时优化。探索性分析是对数据的高级应用。对核心事件的相关性分析、挖掘产品改进关键点等，如促进用户购买的相关性分析、找到促进留存的重要时刻等。

交叉分析是指对数据在不同维度进行交叉展现，进行多角度结合分析的方法，弥补了独立维度进行分析无法发现的问题。交叉分析以多维模型和数据立方为基础，与细分的概念有些微差异，可以理解为是一种特殊的细分方式。交叉分析是基于不同维度横向的组合交叉，而不是细分在同一维度的纵向展开。

四、衡量

衡量既可能是数据分析到实践的最后一步，也有可能是第一步。有时候我们看似找到了增长点，但实验后发现，事实与预期不符。这个时候，不要灰心更不要放弃，分析过程中对用户的理解、对业务的深度挖掘可能会让下一次优化产生累计价值。

五、数据分析思维

数据采集非常重要，但数据分析也同样重要。不过不要迷信数据，因为比数据采集和分析更为重要的是人的创造力和想象力。数据分析从来不是一劳永逸的，产品在不断迭代，业务在不断更新，从认知到决策，数据更多的是起到了辅助的作用，从梳理需求、到采集、到分析、到实践、再到衡量，它是始终循环在企业增长的整个过程中的。