运营分析从哪几个方面分析(没发现和分析师配合错了，用对方法业务才增长)

那这个时候其实分析师对商科知识，对沟通，对所谓的就是经济模型，就是不是单位经济模型，就商业的经济模型这方面能力都比较强的，对这些方面的要求会很高，最好是读过MBA的就是或者说学过商科相关专业的同学，他能够帮助大老板去合理的预估目标，并且沟通下来这些目标，能够理解公司的业务和经营策略。

没发现和分析师配合错了，用对方法业务才增长

最近发现读者们对如何与分析师配合比较困惑，特别是产品和运营如何划分与分析师工作边界会非常的困惑，当然也包括高级管理者不知道分析师工作内容，工作价值以及对于如何招募分析师很苦恼，我尝试去总结了一下分析师的价值和成长路径，以及配合方式希望对读者们有帮助。

就比如说日报导读就尽管就今天没有任何问题，那你必须要明确的说出来，经过排查没有问题，所有的指标是平稳的，今日没有任何问题，这是一个判断，就是有这个判断在，我们今天基于这个数据做的所有的决啊，就有的这种就是异常的观察，其实都是在一个有效的范围内完成的。

当然有问题的话，也好明确出来是哪里有问题，不管是一个业务问题还是数据异动，都要明确写出来。

我其实不太赞成，就是所有的分析都必须要落地到抓手，因为这个是很难的。就是一个好的分析，它确实往往可以落地到抓手，但是反过来说，不能落地到抓手的是不是就是不好的分析？这个其实不一定，特别是在越复杂的问题越高阶的决策支持过程中，一个分析，暂时不能支持到落地动作其实是非常正常的。

我要求比较严格的是分析师必须要永远知道在回答什么，不能是罗列一堆一堆数据，但是说我不清楚我正在回答什么问题，只是这很重要，我觉得大家可能就是要看，我觉得不放是不妥的，这个不行。你如果如果不清楚在回答什么问题的话，那你就不要放。

就是你如果真的认为它很重要，你一定要搞清楚它重要在哪，它在回答什么问题，然后按照定性的业务问题这个脉络来组织你要呈现的数据，最好就是有这种倾向性的判断，就是直接把它写出来，就哪怕这个判断是我暂时不能做最终的结论，这也是一个判断，要围绕定性的业务命题来展开回答。

我们就是要求以终为始，就我定义场景不是为了解决场景的有问题，我希望场景能回答哪些人群的层级是不同的，哪些消费层级是不同的，哪些场景对某种体验的诉求倾向性是不同的。

比如说分析师要能告诉我这个场景，用户对性价比有更高的要求，还是说你对便宜有更高的要求，就是如果这个场景回答不了这种倾向性，并且不能回答这个消费者的这种分层。那这个场景对我来讲是没有意义的。就在最早罗列需要收集定义的场景的这个阶段就已经去做了，做了这个预判，我要的场景必须能回答这三个问题。

我发现就是依赖某种统计学技能，或者说依赖某种流程，或者依赖就是我们的这个中立监督身份，想去做好决策支持是不够的，核心战略承载，不能是技能流程或者说是独立的被考核或者说监督的身份。核心战略的承载，依靠人才的吸引和培养。我们需要对解决方案全过程有理解能力，有一定的判断力，然后对目标和市场有理解力和有一定的判断力的综合性的人才。

特别是对分析师的选拔上商业理解能力是一种更为稀缺的能力。当然这并不是说数据获取能力不重要，只是它没有商业理解重要。但是数据分析师基础还是要能够拿到数据。

就如果讲专业化分工，看起来好像分析师很不专业，但其实相对服务的业务方来讲，分析师最大的专业其实就是提供信息的广度，就分散和广度是分析师相对业务方最大的专业职责，就因为分析师提供的广度，为我服务的业务方，他在决策的时候，不会因为缺失一些信息，错误地利用一些信息，就可能会降低决策水平。

因为想具备这种全面对商业的理解能力，其实对观念和对能力都有很高的要求，这些要求如果没有在招募阶段就解决的话，后面的解决的成本会非常巨大。所以招聘非常重要。就既具备商科的这方面的素质和潜力，也具备这种解决方案的过程的这种理解力和掌控力，就具备这种双方面的素质的人才是稀缺的。这也是最需要的。

在做分析的时候能够注重于表述现象，而不是跟我读数据。你得跟我讲，现在供需是平衡的，成交率是80%，你不能过来只跟我讲成交率80%，因为这里面差距差别很大，这里面包含有没有一个具体的判断，就是你跟我讲供需没有异常，这里面其实包含很多很多信息，然后你后面追一句成交率是80%，其实只是给了我一个辅助的刻度，告诉我平衡点在哪。

如果你光是告诉我这个成交率是多少，那么等我做分析，如果我是业务方，你出了个题考我目前成交率80%，他是不是好的，这是不是平衡的，放在当前的竞争环境里面是不是好的。作为业务方我会很痛苦。等于你没有看清业务。

要求是要能够综合权衡你对业务方的目标，决策过程和抓手都得有理解，所以在分析的时候选择千千万，可以拆解的维度千千万，你得有选择，做哪些分析是能服务目标的，做哪些分析是能有实施方案的，这些分析要优先做。凡是没什么用的，就是除非精力有富裕，或者说就是有一些其他的输入，那就要减少投入，要取舍，因为对过程的了解，对目标的了解，有取舍的能力这是对中级分析师的要求。

要求在商业层面上，跟业务方能够意见一致，和业务方对于业务的认知深度是一致的，这种商科知识要足够对市场，对对手，对增长，对财务的基本概念都得有。并且对于什么问题是重要问题，什么问题是不具备可行性的，也有一些基本的判断，免得完全在聚焦趋势上跟自己业务对不齐。

要具备深刻的洞察，这种深刻能够确保关键的业务方在做某些关键决策的时候，必须要把你叫过来，因为你具备这个某一方面的深刻，我不跟你讨论一下，我觉得不放心，就真正的成为这种第一团队的成员，而不是说你可以帮我管20个分析师。

你可以组建一个商业分析团队，而是说你是我第一团队的人，我的核心决策必要有你在，也不是说有一个统计学问题，我不懂，你帮我把把关，那这种第一团队的成员就含金量还不够高，要具备某种深刻。

就我在用观念和认识能力来牵引大家，某种程度上我淡化了系统性思考和执行方面的管理能力，当然这两方面也很重要，特别是对很多工作来讲，有系统化思考能力，就是基本上决定一个人段位的基础的。

就是我一定程度上淡化了对这两方面的牵引，当然就是公司的职级要求会讲那个scope，就是你的责任边界和你服务的业务方是不是重要，能不能打通多个领域，但是那个可能是一个结果，当你做到关键水平足够高，然后并且事实能运作好一个团队，决策知识那些东西也自然会拿到。

我其实做了一个取舍，这种认识层面上的对齐，是最难攻克的，就是对于做好分析来讲，可能也是决定性的，这是我们怎么牵引人，培养人的，就重在关键层面的提升。

就是如果作为一个产品经理或者公司的业务方，想跟数据分析师合作的比较好，要注意什么，其实最重要的就是数据驱动就是它到底有哪些成功的实践，然后就是在什么样的情况下应该配置什么样的资源，其实是有泾渭分明的好几种模式，上面我们也讲了一下数据驱动的模式，我们下面想家这些模式对应的分析师画像。

如果你的产品是非常适合用实验迭代的方式去追求一个快，你的业务框架是比较完善的，比较可靠的。那这时候你所需要采取的模式可能就是硅谷这种增长黑客的模式，在这种情况下，数据团队可以为你提供的支持，是通过比较专业的方法来实现。

就是说小样本精确地回答迭代方向，你不需要太多的数据量，在一个很局部的空间里面，在很短的时间里面就可以回答，他可以回答哪些方案是更好的，还是需要修正的，其实就是快。

这时候对数据团队的要求就是你得找一些实验设计，对埋点的规范性流程控制很有经验，同时在统计方法上面就有掌握的比较全面的分析师。再有就是他在这个中立性上，个人诚信，中立性也是比较好的，就可以做到。你需要的分析师就是这个类型，这个其实在业界中资源其实还是比较多的，你首先就是做如果做这种选择的话，你需要的是相对比较偏技能的偏专业的，然后对固有流程就掌握得比较好的人。

这种模式是做这种用户研究，做这种流量研究，就像我说的，当我想进入一个细分领域，我现在有一个口红叫宫墙红，故宫口红，这个口红可能是个小众品牌，但是我想把它经营好，就我得不断的去试什么样的slogan，什么样的花色是我的用户最喜欢的，然后还要结合一下线下的判断。

这种模式就是流量选择的解读，实际上很大程度上是由行业专家来完成的，如果放在互联网公司，更多的是由业务方或者产品经理完成这种功能替代或者业务调整的。

数据分析师就是对流量的存在和流量的监控，分析师能够完成技能性的工作，但是对每一种流量变化的解读，它是需要有这种口红的行业知识的人去完成这种解读和下一轮迭代的。就这时候就要求就是双方的配合必须特别的亲密无间，而且对这个对流量的利用其实更多的主动权在行业专家这边，分析师所需要做的事情可能就是一个特别好的特别自动化的流量看板，然后不断的让行业专家利用数据做启发性分析，进而去调整业务策略来和用户互动。

就是所谓的就是在美团可能叫商业分析，就帮助大领导拉齐各个业务团队的目标，并且追踪进度，一定程度上有的时候会去帮助预测目标。

那这个时候其实分析师对商科知识，对沟通，对所谓的就是经济模型，就是不是单位经济模型，就商业的经济模型这方面能力都比较强的，对这些方面的要求会很高，最好是读过MBA的就是或者说学过商科相关专业的同学，他能够帮助大老板去合理的预估目标，并且沟通下来这些目标，能够理解公司的业务和经营策略。

这时候其实你要的人才实际上是偏商科的，而且相对来说可能会比较偏沟通，有的时候会借助算法，但这时候借助算法倒不是说对技能本身有多高的要求，是需要一个中立方出来说服大家，以科学为名消除争议。这种类型就是需要这种比较综合的决策支持。其实一定程度上决策者本身就跑不掉的。

在第三种模式中还存在了一种分析师，或者我们不能叫他分析师，就是通过业务数据看清帮公司去做上市的时候数据的提供的。

这类人群当然首先是要看清公司的经营数据和业务数据，但是最重要的是寻找某种逻辑或者业务的关联度，能够通过当前的数据支持自己的观点，与商业分析师不同的点在于，商业分析师更多是基于数据来看，或者推导对于业务观点结论。

这种分析师更多是基于结果目标，要做多少的估值，我要去做这样的论证。所以他的画像更偏向于咨询公司或者投资公司或者行业研究公司去寻找。他需要对估值逻辑有很深入的理解，同时能理解业务，有商科背景，也能解读数据建立当前业务数据和目标估值的论证关系。

所以首先想用好数据分析师要分模式，就自己是用哪种商业模式来运作自己的团队，你希望的高效是哪一种？高效这个最重要。

其实大体上分析师可以分成就是几种段位，就从下往上都是有各种明显的不足的，配合的方法也不尽相同：

就第一种是数据获取能力强，但是商业分析能力弱的，技能很全面，就是作为业务方你所要的信息，你只要能够说得非常明白我要什么，然后它是能够从技能层面上获得信息来源的，就是技术准确性上能够给你保证的。

但是它的缺点就在于，他不见得能够从商业层面上去领会你的问题，你得说得非常明白，我要什么，并且我想从哪个角度来看，跟谁比出现什么样的迹象才是好，什么是不好，就必须要把这个方向，参照系，这个度量和这个判断依据讲得非常清楚，才能够就是做非常好的配合。就是就是可能比较初级或者说特别偏技能的同学，就是所需要的这种合作方式。

然后再往上一层会有这种见识特别广的。他自己对商业问题会有感受能力的。同时它也有一些其他领域的方式方法能够拿出来给你做参考的。那这种时候就需要在目标层面上，在趋势逻辑层面上，在解决方案层面上多做沟通的。这个是可以有一些交流和效率提升机会的。

更好的就是说决策过程中就能参与进来的分析师，就是你对于目标的探讨和这个方案的探讨的过程中，可能有一些潜在的信息来源，本身就可以影响这个方向性的决策，那可以在前期就引入进来。

所以分模式，分能力水平，去具体问题具体看待，怎么合作这个是最重要的。一般情况下，大家对于自己在哪种模式里面认识是比较清楚的，但是一般情况下，大家也得不到特别高阶的分析师的直接服务，所以往往就需要找到合适的人，并且把参照系和衡量标准讲得特别清楚，才能够就是有比较高的合作效率。这里面稍有稍有差池就可能会变成尽管各自都在独立输出，但是对于决策的知识效果会差。

第一条就是当你不断的去讲我概念层面上的目标，就是我定性的目标是什么？

比如说我今天做一个业务叫酒店预订，就我定性的目标到底是什么？到底是我想为这个细分市场打开一条通路，还是说我要看到下个层级的市场是什么，原来的偏快捷酒店的用户开始用我的产品，就我等于独立于原有的大盘，有一些非原有细分市场的用户进来。

还是说我希望通过商旅酒店服务好原有的用户，让整体的均价向下探10%，相对于我的竞争对手构建一个竞争力，还是说我就专门打这个商务出行的高峰期，因为我酒店不够，我就通过提升供给的方式，把我们的高峰期体验提升上去。

当然也可能是三者兼而有之了，就是在定性的层面上讲商业目标，这个是分析师最爱听的，因为这对于他去判断自己在分析过程中怎么取舍，他去判断自己应该去怎么帮对方建立上游观察，他去帮助对方怎么做评估，这个都是非常有意义的输入。

同时就是说要去共同确认这个信息的边界，就这个目标，那我们可以在多大的范围内去谈怎么做好这个目标？比如说我我现在要做商务酒店预订，我选择了要去做高峰期的运营效率的提升。那么有哪几条路径呢？

我是要从工程这个角度去不断把工程效率做高，还是要去跟一些酒店供应链合作，在高峰期期间做切换，就到底有哪几条路径是有可能去探索的，这几条路径就各自需要的信息边界到底有多大，这个都是他们爱听的。

然后第二条是就讲决策思路，就是怎么分轻重缓急，其实每一个团队都是有分轻重缓急的，这个套路是不一样的，背后也就是决策思路是不一样的。

有些团队做决策的时候，他其实非常偏抓手就是但凡是不可行的东西，你跟我讨论再多也没用，就是咱们做产品最烦的就是绝对不可行的东西，你没完没了的跟他跟我讲他商业意义，就是我再跟你讲可行不可行，你再跟我讲这东西价值有多大，或者说我我在跟你讲这里面具体有一个难点是需要资源来克服，你反复跟我强调，这个项目是高层已经决策了，就在不同的层面上讨论。

就每一个团队有自己分轻重缓急的不同的方式，就是典型的就是从可行性角度出发，优先从可行性角度出发，优先从存量资源的角度出发，优先从商业目标的重要性的角度来出发，以及优先从这个就是协调配合的角度来出发，就是讲决策思路，我们业务方式如何分轻重缓急的，这个对分析师也非常有意义。

分析师最不爱听的就是我不管，我要的就是一个准确的数据，就是要的是关于这几个问题的数据，我不管怎么去弄准确的数据，它必须是准的。

这个有些情况下就还好，但有些情况下就确实搞不定。因为一旦边界过大，哪怕是想仅仅把数据搞准都是极其困难的。不可能有无限的资源，也不可能在不明风险的情况下，就把所有的风险在一个线上数据源里面就把它收敛了。这个是分析师比较害怕，不喜欢听的。

第二个不喜欢听的就是你能不能再再找找，为什么我这个新的特性没有收益，你能不能再观察一下其他方向？就我们原本是打算从这两个结果指标来评估，但是没看到。那你能不能看看其他指标呢？我们再找找，说不定我这个迭代是有价值的，就是我们做实验的时候，实际上会碰到这样就是这个观察指标不好，想在更大的范围内找收益，这个是不爱听的。

在做目标预测的时候，有些事是有历史规律的，是可以预测的，有些问题就没有历史规律，就是很难预测的，分析师最不爱听的是什么？你能不能再去从统计这方面找找方法，看看能不能给我估一个准确的估值。

就有些估不准。就确实是估不准，不是说你优化统计的方法去就能排除干扰，就能对一些没有历史，没有历史样本的东西做估算的。这个是比较难办的，就是一旦一个事情超越了它的模式，可能提供决策的能力，其实你通过说我再深入研究研究，再花点儿时间，或者说再去找找其他方法都是解不了的，或者说很难解。

第三种就是说我认为数据不够，你要给我建立更多观察维度，就是完全脱离了业务和定性的目标来聊数据，应该是说我觉得当前的数据在什么程度下，我无法作出决策判断，或者说你可以做判断的依据是什么，而不是说我脱离了业务不断的要求分析师给出更多的分析维度。这个也是分析师不喜欢的。

作者：阿润，公众号：阿润的增长研习社（ID：arungrowth365）

本文由 @阿润的增长研习社 原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自Unsplash，基于CC0协议。

该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。