中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

無論在哪個行業，數據化在工作中已經成為一種趨勢。那么假如我們在一個數據量并不多的環境下工作，或者業務的領導對數據驅動并不了解，我們要怎樣開展數據驅動業務呢？一起來看看這篇文章，希望能為你的數據分析工作帶來幫助。

最近接了一個讀者的咨詢，針對他所在的公司老板讓他做數據驅動，我最近一年也做過幾個關于數據驅動的咨詢，發現一些共性問題，這些問題并不包含在之前的內容中，于是乎便有了這篇文章。

如果你目前工作的環境，數據很少，或者說你也想在公司開展數據驅動，畢竟團隊建設是俞軍老師提出來的一個基本的能力要求，作為旁觀者和親歷者那么這都是你需要思考的問題，隨著行業逐漸成熟，依賴數據精細化的經營是必然的結果，數據驅動是每個職場人逃不開的宿命。

事情背景老板和我的讀者溝通覺得團隊目前的工作上缺乏數據知道，大部分的判斷都是感覺業務領導的直覺判斷。希望可以做到團隊使用數據來做經營與運營決策，于是他找到了我。

一、審題最重要，最重要，最重要

我自己的調研中發現推動數據驅動的人有一種能力稟賦認為分析力最重要，認為團隊沒有數據分析能力，所以團隊不行。還是我注重數據分析。但是這從商業角度是看團隊不能數據驅動不是個嚴重的問題，商業上最嚴重的問題還是業務上要命的問題，比如不增長，無論是營收還是業務不增長，才是老大最痛的問題。

事實上一個業務人員素質不高，還能保持高增長其實是非常好的（通常這種情況不會發生）如果真有這個情況我覺得老板多半會很happy，人員素質不高，還能高速增長說明人員可替代度高，成本低，這是好生意。

所以這里引出了第一個點“審題”，審題是非常重要的，就是老板說想數據驅動到底想要什么？

大部分老板說出想要團隊數據驅動的時候，其實他們只是想要業務增長，并且大部分的老板本身并不懂數據，也很可能沒有經歷一個數據驅動的業務，他們認為看清數據就可以指導業務，預期上過分拉高了數據價值，核心問題還是在業務上，所以需要實施組建業務團隊的人自己去看下是否團隊具備數據驅動的基礎。

搞清楚老板想要什么，他是如何看待數據驅動的，他把團隊的數據驅動看成是能力建設，還是看成經營策略，在一個沒有數據能力的組織里面，數據驅動一開始更多的是能力建設。

因為業務是通過支撐運營業務的組織來推進的，組織如果沒有數據分析能力，不認同這個能力，不可能讓業務數據驅動起來。不可能只有老板有數據分析能力，或者商業分析部門有分析能力就轉起來的業務。

1. 數據驅動是一個一把手，CEO的事情

通常推動一個團隊數據驅動，需要從：數據基建，工具，工作流程，組織分工，人員績效等多個方向驅動團隊，讓整個團隊進入到數據化日常工作的方式中，因為單一部門無法調度所有的環節，而任何一個環節做不好，都會影響最終團隊是否能夠數據驅動。這就是為什么說數據驅動是一把手的事情，是CEO的事情。

二、團隊數據驅動化過程中老板常犯的錯誤

通常這些問題都會導致數據驅動最終走向失敗，這就是團隊數據驅動難的原因，這些問題可以成為，公司內部展開數據驅動或者你想做數據驅動的一個排查表，如果碰到這里面的問題，要不解決它，要么走人。因為這些問題都會導致最終的結果無疾而終。

首先先要思考業務是否具備了團隊數據驅動的條件，通常業務要么進入到增長期，要么是進入到相對成熟期比較適合做數據驅動，就是業務本身在增長，團隊處于一個奔跑階段，如果目前業務放緩，那么多半不太適合數據驅動。

因為這是老板和CEO會由于業務壓力更加聚焦數據產生的經營策略，但是通常一個業務進入到不增長或者很緩慢他不是經營策略的問題。既然是一個一把手需要去做的事情，我們就核心列出一把手或者說老板常犯的錯誤。

1. CEO本身沒有數據分析能力，且對數據期望太高

CEO自身缺乏講業務轉化為指標的能力，以及不知道指標和經營動作之間的關系，會導致：

問題1:給予業務的數據溝通形式化。

他不會用數據口徑團隊溝通，很多公司為什么數據分析變成走形式化，大多都是一把手不能夠進行分析，沒有數據感，這會導致他本身不知道數據和指標的價值，也不知道通過數據做經營，以及探察經營方向，逐漸會使得給予數據化的匯報業務形式化，因為沒有價值，這種工作方式就很難維持下去，好比一個人運動是為了瘦，他運動了不瘦就很難堅持下去。必須要有正反饋。

問題2：總覺得數據不夠看。

因為他洞察不出東西來，就認為需要擴大搜索面積，就覺得當前的數據不夠，因為不知道哪些數據可以洞察內容，就會變成一個純基于業務的數據拆解。要知道最好的狀態是使用最小的成本獲取夠用的數據，夠用就好。特別是業務的早期，借用微信和抖音等運營業務，這些工具本身提供了數據就因該支撐起自己對于業務的經營判斷。

數據夠不夠看就好比羅翔老師講的正義的圓，沒有絕對的正義，也沒有絕對的數據看清，數據看清本身有開發成本和時間成本，我們都需要在有限的條件下做判斷。

2.數據驅動中CEO管理上的問題

問題1:通常老板為了短期利益或者迫于業務壓力，會直接把業務壓給商分或者數據科學團隊，這樣會造成幾個問題。

第一是真正實施業務運營業務的是業務方，相當于業務方完全獨立于業務去經營業務，第二是會造成商分或者數據科學團隊被夾在中間，一遍是老板的業務壓力，一般是沒有參與進來的業務方。第三就是這會直接導致商分從輔助業務的角色變成業務對立面。

詳細講解一下這張圖：團隊數據驅動整個事情上，真正讓業務數據驅動起來是CEO和業務方，必須要真正做一線事情的人開始懂數據，具備數據分析能力才能做。

CEO不知道看哪些數，以及不知道數據代表著什么，他也很難和各個業務方溝通。核心還是CEO和團隊去經營，數據分析團隊在這里面輔助經營決策，提供數據，降低數據獲取成本。

說白了就是業務方懂業務，數據方懂數據，業務方有業務實施的權利，需要互相配合，好的流程是左邊的樣子，不好的流程是右邊的樣子，很多老板會把業務壓力直接給到商分屬于典型的權責利不對等。

第二點是數據驅動是一個短期對業務方有傷害的事情，誰不喜歡摸魚，大鍋飯，你忽然間把所有的業務現狀和經營動作都透明化了，濫竽充數就不容易了。

組織變革本身各個部門老大是沒有數據能力的。他們也沒有很強的改革動力，但是長期看無論從商業角度還是從個人能力角度都是好事情。所以數據驅動要“悄悄的進村”逐步提升強度。就算是CEO直接推進也要逐步提升強度，否則容易造成和業務方對立。

咨詢的案例中很多數據驅動都是老大有變革的動力，相關方沒有，但是老板由于各種原因沒法硬推，抵制的人繞不過去，擔心用力猛了團隊散了，導致項目最后擱置。這就是為什么多人說數據驅動是一個CEO一把手來做的事情就在于只有CEO通過工作流程和組織流程去驅動業務一線人員參與到這個里面，才能讓數據進入到日常的工作中來。

3. 團隊缺乏數據能力，無發推進流程

團隊數據無法驅動的原因，在團隊方向上主要有兩點，第一是人員能力模型的缺失。之所以業務不數據化，其實是做業務的人不數據化，業務是被人做出來的，第二是業務方缺乏提升數據能力的方法和策略， 所以單純的要求很容易導致團隊和領導對立。

4. 貿然想通過專項，工具來實施數據驅動

不要試圖通過專項來解決問題，主線路有問題，就改造主線路，臨時抱佛腳有用，但是無法持續到主業務當中。工具沒有思想不產生分析思路，好比再好額毛筆，主要是不會畫畫，而不是工具不得手，不要試圖通過工具給出分析框架，這不現實。現實中的業務復雜度高得多，如果一個工具框架可以解決分析問題，那么這些所數據分析工具的公司也不會被收購。

5.組織分工錯誤，商分隸屬各個業務線

數據分析師和商業分析師團隊一定要獨立于業務線，隸屬于CEO，這樣他們才能說真話，不然會為了論點找論據，碰到過很多的公司，團隊一匯報業務都在漲，但是匯總之后發現大盤沒有動靜。

6.CEO不花時間

既然是能力建設問題，又涉及到很多部門的協調，CEO就要親自問，親自追，花時間和精力上去。能力建設就是復雜的，涉及到組織，工作業務流程，中臺架構等方方面面，不能跳步，需要一步步拆解。妄圖想把事情全權交給一個統籌的人不太現實，權責上他就做不到，既然重要就是看CEO花的時間，時間是CEO最重要的資源。最后講講數據驅動到底是什么，該怎么做。

三、數據驅動是什么

1. 什么是數據驅動

首先說一下數據驅動到底是個什么事情？我試圖尋找「數據驅動」的定義。維基百科上的解釋說這是一件事情，它整個流程是由數據驅動決策，而不是靠經驗和直覺。我們說數據驅動的時候，它的對立面更多的是一種經驗，或者是直接的驅動。

2.數據科學家或者商業分析師是什么樣的人

數據科學家是比軟件工程師更懂統計，但是是比統計分析師更懂編程的人?；蛘哒fData sicentist的基本的素質需要有一定的編程能力。

另外一部分需要理解一定的統計學，當然這是比較窄的視角。其實國內因為互聯網的快速崛起，剛剛流行起Data sicentist和business intelligence等職位，相比較產品，運營這些，數據分析是一個相對新興和工作內容和范圍權責不明確的職位。

我覺得這張圖能比較代表數據科學到底是什么的。

最上面的最重要的是業務邏輯和業務的理解能力，首先公司是商業經營，任何的動作離不開商業經營。這也就是說數據科學家首先是要深入業務，要否則的話分析是沒有目標的，脫離經營就沒有結果。

第二個是右下角這邊需要有一定的編程語言和數據操作能力，這指能夠從復雜的數據里頭提煉出需要的數據，然后能做一些分析。

最后一個是科學的方法論，這就包括一些統計的方法和經營分析方法，這個至少能夠讓我們的分析能有一定的科學性，而不是說瞎分析，這三個領域的一個交集，其實就是現在所謂的數據科學，或者是做商業分析師。

3. 團隊難于數據驅動的原因

很多地方都說團隊數據驅動很難。出了我上面說的CEO是最重要的驅動力之外，通常的問題。

第一是數據，數據的收集往往是不完整和不準確的，比如說某些指標跑出來，可能不同的人給出的結果都不一樣，或者說某個實驗測完了以后，可能不同的時間，測的這個結果都不一樣，反正本身就不太完整或不太準確。

第二是人的天性在做決策的時候，往往都是憑經驗和直覺的，不管大家意識到還是不意識到，這就是我們的大腦。大體上就是為了這個來設計的，《思考快與慢》人下意識就會通過直覺做判斷。所以說本質上數據驅動，我們說的是基于數據，基于科學的證據。而不是說基于經驗和直覺，這個事情本身是一種反直觀的事情，做這個事本身是需要能量的。

第三是說建立數據驅動的這種模式。培養一個正常的思維模式，其實需要時間。

第四個是環境，做這件事情需要一定的信任和鼓勵講真話的氛圍。通過數據得出結論要有講出來的環境，而不是先確定結論，然后找數據支持。

第五個其實是平衡，很多時候做數據分析其實是一個速度，實施成本之間的最優解平衡。舉個例子，我們要做個決策，我們是不是要AB測試一下，答案是并不是一定的，就說測試有測試的好處，但是它有成本的，很多時候AB實驗會把業務節奏減慢，但是它的好處是在一定程度上能夠得到一些最優解的結論。所以這是一個速度與成本之間的最優解的問題。

4. 好的數據驅動是什么樣子

我們希望好的數據驅動是什么樣子，團隊能力有提升，業務有成長。

它能變成一個成長中的職能，比如說我們這工作回報很高，能夠得到強烈的身份認同，這個是很重要的，然后這樣的結果就是能力強的員工會更愿意留在這個職能里面，可能就會更加積極努力，更加的主動帶來非常強的業務的影響，業務影響就會帶來更強的認知認可，就會變成一個正向的循環。

我們希望整個的職能在一個公司中是這么一個狀態，但是能實現這么一個狀態，其實不是這一個職能部門自己的事情。需要多個部門的配合，它本身不是孤立存在的，就是說和其他的職能一起在工作。這其實也需要各個職能一起去支持和幫助。因為業務他不是孤立運行的。

5.為什么數據驅動是能力建設問題

說這個本質上的問題數據驅動能力建設是漫長的，它在建設的過程中會逐步對業務有提升。

就說我們看中國大的人才市場，數據分析，或者說數據科學，這個職能相較于其他的職能而言，我指的是工程師或者產品經理或UI設計。

數據科學依然是一個非常年輕的角色，其實大家看一看，就是說工程師就不用說了，那好幾十年了，產品經理這個角色在這個科技行業至少有20年的積累了，而數據科學可能也就是個最近5，6年，最多這個詞的出現都不會超過10年，所以說相對來講它是一個相對年輕的角色。

這就意味著在整個商業環境里面，其實數據科學是在快速的追趕其他的職能，這個放在國內就尤其明顯，數據科學現在還是要比硅谷那邊整體的認知要差。我覺得要落后不少，但是這不光是中國的問題，就是即使在硅谷本身，在Facebook或者Google都是在一直探索，數據科學到底在一個公司做什么事情，這是沒有定論的。

就是說今天數據分析師和四年前的數據分析師差別是很大的，中國的公司也是在慢慢完善我們自己的認知。逐步探索出數據分析師的商業價值。

第二個打造一個數據驅動的團隊需要時間。這個這本質上是個思維模型的問題，這件事情本質上是打造整個全公司對這個數據的認知，然后團隊一點點努力，這不是一天一兩天能夠改變的事情，這需要時間。

第三就是打破現狀需要資源努力和耐心，而且需要各方面的配合，本質上推動數據驅動這個事情是文化建設，其實是個認知升級的過程，很多人認為數據驅動或者數據能力是個能力建設，其實不只是那么簡單，最主要的其實是參與業務方個認知升級。

6. 數據驅動的四個階段

到底要怎么才能實現數據驅動？

一般來講，我們先拋一個框架出來，數據驅動大概有四個階段，最基本的是第一個階段，就是說數據首先要能夠呈現出發生的事情，客觀的呈現，換句話說，比如說昨天一天或者上個月，業務發生了什么事情，有多少訂單，多掙了多少錢，有毛利又怎么樣？我們體驗如何？指標怎么樣，我們的業務到底是掙錢還是虧錢，首先我們要能知道我們發生了什么。

我們先不要說洞見，先能夠客觀地反映現實中發生的事情，這是第一個。能做到這一點，其實已經相當不容易了。很多公司數據指標還都不完備，或者數據指標都不統一的，口徑也不統一。所以說經常說要問一個什么事情，大家可能給出的結論都不一樣。

第二個階段，就是說能夠被動地支持業務方的決策，我這個業務在這里只是一個寬泛的概念，這里包括產品，包括運營，更多的是指我們這個業務能夠被動的能支持這方面的角色。

舉個例子，用戶買了三件商品和買了一件商品，用優惠券和不用優惠券，以后的留存是不是有影響，這個影響是怎么樣的，像這類問題都是客觀上業務方面的問題，但是如果這個問題提出來了，作為數據分析師能夠被動回答這樣一個問題，這至少能做到第二步，就是我能夠回答問題。

第三步就非常的進階了，相當于如果能做到第三步的話，其實已經非常的上道了，數據分析也要能主動地去定義問題，這個怎么去指導業務方主動定義問題，其中包含了一個發現的概念。

就是說因為問題有了就不叫定義了，很多時候要我們主動地去找，要發現什么業務機會，舉個例子，假如說沒有任何人問的情況下，像數據分析師去給自己問一些問題，用戶一次不好的購物體驗對長期留存有啥傷害，假如說這個不是業務方洞察的機會，就是我們自己問出的問題，我們可能會考慮怎么分析這個事情，可能有些分析的框架，那更多的是這個問題本身代表什么，代表我們以后能夠對不好的購物體驗把它能夠轉換成業務留存，提升業務收益。

第三步的時候，其實就是需要完全不同的能力模型了。這需要問題框架的能力。這個產品經理可能都會有比較深的認識，就是說很大程度上產品做的事情就是框框架一個問題，其實數據分析也是一樣。

達到第四步，其實就是說數據可以深入，就是我們平時思維和工作的方方面面都有數據作為輔助，我相信到這個時候，公司不會再沒事兒談數據驅動，因為這個東西已經不用談了，就相當于深入我們的毛細血管一樣，這個時候大家會忽略它的存在，因為已經有隨時隨刻的這種意識了。我還沒有見到任何公司達到這一步。

這個我覺得這東西更多的是給大家一個框架來考慮一下，我們怎么考慮數據的這個進階過程。

7. 數據科學家或者商業分析師工作內容

數據科學家要做些什么，我這里列了兩個維度，上下維度，上面是洞見，下面是呈現，大家可以想象，一個就是說下面更多的是發生了什么，上面是為什么發生，就是說發生了什么和定位意味著什么，一個更多的去展示，而另外一個是展示之后的一個事情，這是一個維度，左右維度很容易理解了，就是主動和被動的區別。

左下角這個象限，大家去看一下，就說是被動地呈現事情，其實基本上就是取數，最簡單的就是取數，還有一些基本的數據報表。

右下角的象限其實是主動的去呈現一些事情，比如說做指標監控異動的監測產品運營，我們的產品做的是指標和dashboard這些是屬于相對主動的，但是它還是個呈現層面的事情，還是「發生了什么」沒有到「為什么發生」的層面。

左上的一部分，就是說是屬于被動的，但是給出洞見，比如說數據驅動的四個階段，第二個階段的問題就是我們能夠回答問題，但是這個被動的問題，包括回答業務上的問題，包括一些用戶分層，分類這樣這類的事情，大體上屬于這個象限的事情。最上面就是最右上的這個象限，就是最進階的部分，這屬于主動地去提出洞見。

首先將不同，不明確的問題框架化，發現戰略的機遇，打造一些可持續的方案。這個就說是比較難的，這是一個越往右上是越偏長期影響，越往左下是越偏短時需求。我們希望把它往右上去牽引，但是這并不是說數據分析，我們只希望做右上角象限的事情，其實四個象限的事情都需要做，這是一個綜合的事情，我們需要的是一定平衡，但是不能只做左下角的。

8. 數據科學家或者商業分析師對于業務的價值

這個就是到了一個關鍵的地方，我們總說數據分析師要做些什么事情，產生什么洞見，到底要做什么，本質上是我們要增大影響力，回到一個核心問題，叫什么叫影響。

對于分析師而言，做的分析報告也好，洞見也好，其實也是一樣，或者說你做一些產品的工作或者運營的工作，不管它是什么，它產生的影響是什么？

影響通常發生在四個方面，往往是我們做了什么分析，然后影響了某個指標，這個是最很常見的一種現象，比如我們研究留存最終提升了留存率。第二個影響產品形態，就是我們做的分析，直接影響到產品經理對產品的一些設計對產品一些定位。

第三個是影響操作流程，這個往往比較常見的是一些跟人相關比較多的，比如說運營它的配券兒的策略，它配券的模式，像這些也是屬于影響，比如說我們做了一些系統運營工具導致他和以前不一樣了。

第四個是屬于打造可以擴展的解決方案，這更多的是影響效率的事情。舉個例子，比如說像我們很多時候做模型，做統計模型也好，做預測模型也好，其實本質都屬于這么一類，這個模型能夠使業務更加有效。

什么是不能被稱作影響呢？比如說完成了一項高難度的分析，這個是很多分析師容易掉的一個坑，就是說他容易去追求分析的難度和深度，這個本身沒有問題，沒有錯誤，但是到這一步還不能成為影響，關鍵是做完這個分析難度高也好，高精尖高大上也好，但關鍵是后面產生了什么事情.

第二個參與了一個成功的項目，如果是看項目成功與否來判定分析師價值，會導致很多人會喜歡挑項目，會覺得哪個項目容易成功，他愿意去哪個項目，本質上這么一個問題是說我們的激勵機制是有一定問題的，或者是我對他的理解是有一定問題的。

項目成功與否其實并不表示你的影響，關鍵是一個非常失敗的項目，如果你一個人在這里頭，那個項目失敗得不那么難看，其實這也是影響，但是一個非常成功的項目，如果你在里頭，你說明不了你做的什么事情，使得這個項目變得更成功了一些。其實這也不是影響，換句話說還是我們要產生的，我們要考慮這個增量的問題.

一句話就是，我們認為分析本身是沒有什么內在價值的，除非其分其結果影響到什么其他東西，讓業務發生了改變最重要。

9. 數據科學家或者商業分析師如何融入業務

工作流程中分析師如何參與呢？每一個步驟參與。最左上角就是說一些，求的分析，在我們決定做一個項目之前，其實DS往往就開始參與了。

比如說發現用戶的問題，從產品角度講，就是發現用戶的痛點，發現用戶的價值，定義機會點，大概看一下這個東西多大天花板，有大的空間可以做，然后是不是值得我們開始下一個功夫，我們要做一些什么樣的解決方案，然后要說服這個業務方也好，或者是合作方也好，能做這件事兒。

然后全過程參與，要及時參與埋點的。分析師應該是在一開始在埋點的時候就應該參與埋點，因為最終是這個數據的使用方。所以說分析師應該參與數據的上游和下游配合。

第二個就是考慮我們這個test plant 就是我們到底做什么樣的測試，要怎么做？怎么發布測試，標準是什么樣的，什么叫做好的結果，什么樣的結果是不好的。不好的話要怎么解釋，就說整個全產品周期或者不管什么項目周期，其實分析師需要全程參與從一開始到最后，而并不是說只是做AB測或者給個上線結果就完事兒了。

10. 數據分析師的特質

很多開始啟動數據分析的團隊，會非常迷戀工具，我個人覺得這個東西其實并不那么重要，所有的圖紙都是他都是關于怎么做的問題，本質上數據分析重要的是能夠思辨，能夠想問題，并且能夠推動。

對于業務機會洞察，為什么要去做，為什么不去做，因為所有的決策依靠數據，成功的概率會高很多。特質上說，你有很強的主人翁精神，這樣的話你就會主動去尋找業務的機會。

第二有很好的框架問題的能力 ，很多的業務其實都不是有明確問題的，就是說很多時候我們自己問出來一些有深度的問題，把業務的問題，框架為一個問題，這個能力其實很難獲得的，但是是一個很核心的能力。

第三，就是數據獲取能力。這個不多說。

第四，數學，統計有一些統計學的分析背景保證你的分析是有顯著性是一個科學的分析。

第五個很重要，要能夠講這樣的故事，Good story telling ，因為分析本身是沒有任何的內在價值的，你需要能夠推動業務方能夠給人家說講明白我們為什么做這東西，為什么有用，為什么你要聽我的，這個能力非常重要。

第六就是驅動力 ,很多人做完分析之后，然后過兩個月發現沒什么效果，或者是沒有什么后續。做分析的人其實是要追著業務方的，你要自己對結果負責，分析師不是分析，是分析之后什么東西變了，你要對這個東西負責。

所以做了一個分析，要追的業務訪問這分析到底有用沒用，要是沒用，我做的不對，哪里做得不夠，還是說我做錯方向了，它沒有業務影響沒關系，但是我要從中學習到一些東西，以后盡量避免這種事情，或者說為什么業務方不做下一步。

說到這里有機會，為什么我們現在做了一個月要過兩個月了，業務方還沒有動靜，你要去關心。所以說這種推動力是很重要的。常見的背景，數學統計物理計算機都比較適合，但是不一定非要是個統計背景或者怎么樣，大家的背景可以五花八門，但是核心是要有足夠的思考能力，要有主人翁精神，推動精神都可以。

分析的邏輯性，思維的發散性，這些能能力是一些個其實相對來講比較難獲得的，而那個技術本身它是相對容易獲得的。

11. 數據分析常見的誤區

常見的這個錯誤或者說陷阱。就是有的人認為數據可以解決所有的問題。

這個其實是不對的，就是數據其實只是提供一種視角，一個決策依據，它不光是數據視角，也不是說唯數據論，比如說產品有產品的視角，設計有設計的視角，工程有工程的視角，數據有數據的視角，說我們最終做一個產品或者一個功能，需要把所有的信息匯總分析，數據是很重要的一部分，但是并不是說數據要要加凌駕于任何其他的方面之上，這是首先要明確的。

第二點也是非常重要的是，數據看到發生了什么并不一定能夠解釋為什么發生，并不一定能夠給出策略，從看到數據到給出有效的策略他是一個過程，不要過分的神話數據能力。很多問題其實并不是一個數據問題。

舉個例子比如說像供需問題?；▎栴}，他并不是通過數據洞察來解決的業務問題，其實辯證本身并不一定是數據問題，數據可以幫助把這個問題框架好了，但這個問題的決策本身其實是個手感問題，就是我們在當今的情況下，我們覺得先做供給，還是先做需求，基建或者供應鏈投入多少。數據能夠幫我們理解這個事情，看清這個事情，但是這個本身并不是一個數據決策。

第三個ABtest必須做，這個大家不用說了，就是說很多東西不是說什么所有都開AB實驗，也不是所有的都可以AB實驗。其次是AB會降低業務迭代速度，你要等待顯著性，這需要時間。

第四比如負向的統計上不顯著，所以就全量推功能。其實也不是那么回事兒，很多時候其實它是有負向影響的，只不過我們的樣本量也好，測試的方法也好，并沒有明確的把它就說測出來，統計上不顯著，并不代表沒有影響，這首先要比較確定。相反的，就是說這個東西是統計上顯著的，所以就是說我們應該上全量，其實也不一定。

舉個例子，比如說我們要提高一個東西，假如說提高GMV，我們可能做了一個什么事情，然后GM提高了，比如說0.1%這個提升非常小，但是統計上是顯著的，可能也不值得去投入更多資源。并不是所有的問題都是一個數據角色，但是數據能夠幫助你框架化問題，并且顯示發生了什么。

希望這對你明白如何數據驅動有幫助。