公司不大，自己的判断可能并不正确，欢迎大家来进行讨论。

很多项目在初期，对数据的依赖是非常小的，毕竟能养活自己的是订单。

随着项目的壮大，数据量的上升，员工的增加，早期的数据服务不能更好的满足需求了，迫切需要进行数据化的建设。

在我的认知中数据化需要做好两块内容：数据治理及提升数据分析价值。

1、如何进行数据治理

简单解释下何为数据治理：

这篇文章中数据治理指健壮的数据处理流程，全面的数据工具，使得数据准确，可用，好用，方便用。

1.1 规范流程，加强检查

确认埋点的规范，埋点的执行流程，埋点的监测流程。

确认好数仓ETL的流程，并对ETL结果的正确性进行检查，尤其注意数据类型的更改可能带来的影响。

确认好业务数据库改变，数仓对应调整的流程。

确认好数据提取的规范，并对输出数据进行检查。

1.2 减少数据孤岛，ALL in One

早期项目可能购买了多家第三方的数据服务，或者自己有多个数据库，常常这两种情况会同时存在。

数据的分隔会给数据使用造成很大困扰和成本。包括数据口径统一，数据验证，数据处理等。

良好的数据整合，无论是为分析提供数据，还是为应用提供数据，都更加便捷，准确，有效。

1.3 健壮数据提供的工具

埋点管理工具、埋点测试工具

数仓管理工具

数据提取工具

报表工具

BI可视化工具

一般公司一开始有的估计只有 数据提取工具，其他的不一定有合理的解决方案。

2、如何提供数据分析价值

2.1 指标化

合理的宏观指标，可以有效的确认好目标。

合理的组内指标，可以有效的指导组内业务动作。

确认了指标，数据分析就可以更有效的发挥。

下面是去年撰写的一些常用指标 。

2.2 业务数据化

首先需要有业务逻辑线与数据的映射关系，做分析的人需要知道他分析的数据，在业务上是什么样的含义。

在理解业务的基础上，需要将业务过程中产生的数据，进行数据记录，并归入到数仓内。、

有些行业是业务人员会采购一些物品进行活动，或者与某些商家进行了一些活动。这些数据往往都存在于业务人员的笔记本的EXCEL中，并不能与已有的数据联系起来。

2.3 指标制定标准

仅仅有指标和数据，还是会出现不知道做什么情况。

这是因为执行的同学并不清楚，现在企业是什么水平，无法从数据中定位好业务情况。

所以对指标制定标准，非常重要，什么样的表现是合格的，什么样的表现是糟糕的。有了标准，无论是分析，还是落地执行，都将更加有效。

2.4 A/B测试

A/B测试无论如何都会耗费一定的资源。

但是当业务做到一定的程度一定要开始做A/B测试，不仅仅是尝试这种方式，更是在积累足够的测试后，很可能会发现一些有效的业务增长点。

3、要注意的一些问题

3.1 不要否认历史上做出的成绩，即使是推翻重来。

历史上的方案，一定是在当时的情况下，相对合理的选择，只是不再适合现在罢了。

3.2 建议数据单独为一个部门。

直属管理层，与产品、技术、运营统一级别。

数据组工作职能：从数据支撑 转为 商业智能团队，目标是提供战略决策及项目数据化建设。

3.3 较为充足的资源

数据和别的岗位略有不同，想要做的好需要的资源可能会需求更多。

所以相对充足的资源，包括人力资源和财力资源是数据化建设不可或缺的部分。

有一点点像国家铺设铁路，建立公路，早期的投入都不容小觑。

3.4 透明的公司文化

数据对于信息的需求是非常巨大的。

文化的透明，方便大家信息的互通，更容易产出业绩。

3.5 数据培训

数据化需要人的支持，对于分析师和普通业务人员都有培训的需求。

-END-