Login Now 数据驱动这件事，说起来容易做起来难。不少公司一上来就想搭个"高大上"的数据平台，觉得有了中台、有了标签画像系统，数据驱动自然就实现了。前几年标签画像平台、数据中心平台这些概念特别火，可它们真的能解决问题吗？真未必。
数据质量一塌糊涂，谈数据驱动就是句空话。这毛病在大中小企业里都很普遍，不是哪一家的特例。
互联网进入下半场，流量红利见底，企业两头着急：一边琢磨着怎么从同一拨用户身上挖出更多价值，一边产品经理、运营、市场这些人都在找数据，想靠数据驱动找到新的增长空间。可问题是，数据驱动到底怎么落地？有效的数据闭环长什么样？
国内企业的数据驱动，现实很骨感
国外有个叫Instagram的照片分享软件，早期其实不温不火。后来团队通过数据分析发现了一个被忽视的需求——用户就是想要个纯粹发照片、分享照片的地方。于是他们大刀阔斧改版，用户量短期内暴涨。这是个教科书级的数据驱动案例。
反观国内，很多创业公司优先想的是怎么搞概念、怎么活下来，很少有人这么扎实用数据去驱动业务。
说到数据驱动，很多人脑子里确实有一套方法论和体系，也能讲出增长黑客这些名词。可一到实操层面，连"事件属性"这种基础概念都搞不清楚——这是很多业务线同学的通病。
还有些公司觉得数据驱动就得配个豪华的数据平台。标签画像、数据中心，听起来很唬人，但真能驱动业务吗？不一定。更常见的情况是，报表做了一大堆，数据质量却惨不忍睹。
早些年大家对数据驱动的理解就是"报表驱动"。2016、2017年的时候，有家深圳C轮D轮的公司，内部攒了1000多份报表，每份报表10个Sheet，每个Sheet二十多个指标。你算算这是多少个指标？更荒唐的是，他们自己的数据团队都说不清哪些指标有用、哪些没用。公司还监控邮件，看大家有没有点开这些报表——仿佛"被看到"就是数据驱动的价值。
我以前做数据产品和数据分析的时候，很多产品同学什么都要埋点：头像点击、按钮点击……我问他，埋这些真的有用吗？你想通过这组数据解决什么问题？对方往往答不上来。数据驱动是好事，但在国内企业的落地过程中，确实处处碰壁。它不是一个工具的问题，也不是多招几个分析师就能解决的，而是整体模式的问题。
拆解几个真实案例
现在很多企业都想做数据闭环。闭环当然是个经典方法论，但这个方法论在组织和团队里真能跑通吗？缺了哪些环节？
有个国内案例值得说说。一家公司最初盯的指标特别多：日活、PV、注册数、功能使用次数、收入、客单价、新老用户占比、增长率、各种转化率……CEO发现，指标全有了，注意力却散了。后来他开始做减法，把团队精力拧到一处，最后只留了两个指标。这是结合产品阶段和公司现状做的选择：当时不急着变现，收入就去掉了；日活本身波动不大，也去掉了；产品留存不错，新客获取也暂时放一放。最后聚焦在日活跃比例和日活跃参与度上，内部报表系统也跟着调整。
很多C端产品今天都要改版升级，但改版前得先想明白：为什么要改？目标是什么？后面所有动作都要围绕这两个问题的答案展开。
友盟做的是B端数据产品，大体分四个层级：基础统计、场景报表、业务洞察、智能变现。每年客户都会提新需求，想提升产品粘性、扩大用户规模等等。功能可以不断迭代，但必须锚定客户的目标。
B端行业典型的流程是自下而上：先定目标——千万别小看这一步，无论是产品功能升级还是其他动作，都得先搞清楚公司KPI，才能确定产品的核心KPI。然后横向拉齐团队。2B企业的目标通常很直接，比如增加付费客户数、提升产品日活、增加新注册客户。再往下拆到产品层面：版本规划、功能模块、与其他产品的协同。目标向上对齐公司，横向对齐合作方，向下拆解到具体功能。
目标要少而精，最好就一两个。B端产品链条长，从官网注册、H5注册、创建项目、集成代码、使用产品、留存活跃到pro付费，KPI可以拆解成注册账号数、注册转化率、有效集成数、首次激活等等。有些目标自己扛，有些得靠其他团队。
目标定了，还得看数据质量。公司内部、部门之间指标定义不一致，数据不准、没有数据、数据脏乱差、不好用，这些问题太常见了。怎么破？
数据背后是业务需求，需求清楚了才能转化为埋点设计，再变成研发任务。产品迭代一次，这个流程就要走一遍。业务需求来自四面八方：产品、运营、市场……产品经理必须盯紧几个关键节点。从业务需求到需求规范，要做统一收口。没有线上工具，就指定专人负责。收口之后，在公司或部门层面形成完整的指标字典和维度字典，再拆出公共指标和个性化指标。
接下来是采集方案设计。公共指标和个性化指标分开，对应公共埋点和个性埋点。公共埋点一般是核心业务指标，长期稳定。研发口径要统一，事件规则、属性规则、采集时机都得管起来，最后做验证。整个流程最重要的是有人统一收口，根据对数据和采集的理解做分流，规范标准和动作——每次新版本、新功能上线都要走这套。
一个视频行业的案例
数据采集方案得按具体需求设计。互联网领域比较流行基于事件和属性的埋点方式，可以把属性挂到事件上，加一些限制条件。比如想看"某个属性的视频点击"，直接就能拉出来。这是个比较理想的埋点标准化体系。
在此基础上，还要对两类事件做统一设计规划：浏览页面和功能交互。这是统计数据里最常见的，如果这两块不规范，数据就会脏乱差。
为什么这么说？以手机淘宝为例，终端有网页、安卓、iOS、小程序等，页面浏览和功能交互各不相同。如果各端各埋各的，数据根本对不齐。现在比较好的做法是前置统一：把功能呈现在页面的哪个位置、设置唯一的参数ID，事件和属性分类管理。这样所有页面和功能只需埋一次，用ID标记。不同终端的ID保持一致，只要需求、事件命名、业务逻辑维护好，最终收集到的数据质量就很高。
让数据真正融入工作流
拿到高质量数据后，具体的数据工作才能展开。前面定的KPI已经拆好了，接下来要让团队每个人清楚自己的KPI。友盟的移动统计产品和阿里云DataV做过联动设计，APP上传自动行为数据后，能快速组合生成团队KPI大屏。
数据结果要嵌入团队的工作流程。比如早上8点，系统把团队最关心的数据自动发到邮箱，营销人员睁眼就能看到报表；上午10点，产品经理登录后台查看最新产品功能数据。疫情期间很多人居家办公，如果数据产品和钉钉打通，某个人KPI异常或波动，会自动同步到群里，分析师在后台跟进原因。运营人员也可以直接在后台用弹框组织活动，触达目标人群并看效果……数据就这样贯穿产品和运营团队，逐渐形成文化。
用户研究对产品经理很重要，但传统方式低频、耗时长，满足不了快速迭代的需求。友盟在产品里加了个人行为细查功能，直接同步到产品邮箱，相关人员可以基于用户洞察做运营干预。
以上主要围绕数据驱动的闭环展开：目标、洞察、迭代、落地，有一套标准方法论。如果这套方法论能系统化、产品化，决策效率就能大幅提升。只有业务数据化、智能化，才能高效决策。现在把这些能力输出给企业，帮它们搭建数据闭环系统，完成业务数据化、智能化，最终实现真正的数据驱动。