创业公司做好数据化运营，需要先搞清这6个问题
创业公司做好数据化运营，需要先搞清这6个问题
“流量为王”的时代已经结束，互联网企业正在向精益化运营的方向转型。而做好精益化运营需要大量的数据来支撑决策，这对企业的数据采集和数据分析能力都是非常大的挑战。
中美在数据分析上存在较大的差距，数据分析在国内一些特别大的企业，比如 BAT里，才能得到较高的重视;当然这得益于他们的长期积累，对数据和运营结合的比较好。这是我回国以后的总体感受，国内企业对数据本身，以及数据所能提供价值的认识程度，没有美国那边那么深入，并且差异还蛮大的。
问题1：什么样的公司需要注意数据?不同阶段有何差异?
一般来说，目前国内比较重视数据的是高客单价，重转化的公司，比如互联网金融、电商、交易平台、SaaS、在线旅游类的公司。这类客户客单价高，不是完全拼流量，如此创业者才有提高转化的动力。
宏观的讲，创业者会经历产品4个生命周期阶段。
第一个阶段，叫冷启动。这个时候公司特别早期，天使轮或者A轮，甚至融资还未成功。处在这个阶段的公司，用大数据驱动是一个伪命题——因为客户数量有限，样本性不足。他们需要更多地去了解潜在客户的需求，去“求”客户来用这个产品。
第二个阶段，增长前期。就是冷启动接近完成。有经验的创业者，会开始布局和增长有关系的一些核心指标，比如说日/月活跃，留存度。这些指标的目的不是为了衡量产品当前当下的表现，而是为了未来做增长时有可比较的基准。
第三个阶段，增长期。这个阶段就能看出来好的创业公司和普通创业公司的巨大差别——效率。无论PR还是做活动，都需要人力和时间成本。如何在增长中，找到效率最高的渠道?这个我觉得，是创业公司之间PK的核心竞争力。如果不做数据驱动，靠直觉，一次两次可以，但没有人能进赌场连赢一万次。所以，直觉需要和数据进行结合，这样企业能迅速优化各个渠道，来提高单位时间的转化效率。
第四个阶段，变现期。业务变现，要求很高的用户基数。一般互联网产品，其中一小部分高活跃、体验好的用户，会转化为付费用户。类似一个漏斗，不断地去筛，这里面就是要拼运营的效率了。比如说，电商用户的转化漏斗一般是：访问——注册——搜索——浏览——加入购物车——支付，或者到未来的退货。这是非常非常长的一个漏斗，真正要做好数据化运营，要对漏斗的每个环节持续地进行追踪。
一个好的企业，特别是以后要做营收的企业，必须要关注各个部门各个环节的转化效率。这种转化效率，要达成的手段，可以通过市场营销的方法、产品改进的方法、甚至客户运营的方法。而其中每个环节小幅提高，加在一起就是一个倍数的提高。这种倍增，如果没有做过数据化运营的人，很难体会到会有多大。
问题2：好的数据分析应该是怎么样的?
好的数据分析，能够让公司里所有人都获益。它不是一种特权，不是只给公司里的一两个人看，而是能够让公司里面各个运营部门，特别是前线打仗的部门，能够直接得到好处。
普通只讲战略，只讲大方向，只给CEO看，只给VP或者运营看——这不够。需要把它给工作在一线的员工，让他们用起来。这个我觉得是区分一个数据驱动型企业，和非数据驱动型企业一个很大的区别。效率提升，是所有人提升，而不是一两个人提升。
一个公司要建完整的数据分析机制，首先应该从业务开始。所有的数据分析运营或者数据体系，都应该从业务，从客户开始。这个数据分析体系，不应该只解决非常狭窄的一个或者两个问题，需要有体系和大局观。然后，实际上数据分析里面，最难的一个部分是数据搜集和数据整理，这个过程最耗费时间，可能因为刚开始的计划就做的不够周全。所以说，在数据采集和数据整理方面，应该很有计划的重视。
到后面，数据分析，不能只仅仅停留在报表的基础上，价值还是不够多。最终还是，那些数字出来以后，告诉别人应该怎么做是对的、有效的。这里面的话，就是有很深学问，需要很强的操作能力。
所以说一个企业，既要有大局观，又要注重可执行性。我建议一般企业想自建的话，应该先从一个单点突破，找到一个转化点，看到了价值，通过这一次的实践，再学习下一次实践的方法。这也是一个学习的过程。不要上来就建立庞大系统，上来就把50个数据圆圈综合在一起，想建立一套数据科学框架。我觉得一般要这样干的话，除非你有很多资源，否则一定会失败的。
问题3：企业数据分析都可以分为哪些阶段呢?
第一个阶段，是什么都没有的;
第二个阶段，需要公司能够回溯历史：知道自己产品在发生什么，这是最基础的、最原始的一个阶段;
第三个阶段，内部做产品、做运营、做市场营销的人，需要问为什么：这个阶段，是预测，即预测某种人群，下面会干什么事，这样能有针对性地，更好地去开发产品;
第四个阶段，是要有解决方案：就是我预测到了这组人会这么做，那么我给它一个更好的方案，让它有更好的转化、留存，带来更好的拉新效果;
第五个阶段，是优化，多样产品线如何能找到最好的平衡点：在价格、营销，产品设计，销售各个角度有一个平衡点，这个平衡点是创业者的利益最大化点，也是用户最喜欢这个产品的点。
这五个阶段，需要花时间来不断积累的，不要跳跃，跳跃往往失败，从基础做起。
问题4：为什么许多公司的数据分析流于形式?
这主要是因为很多企业在三个层面上的认知不足：数据的价值、数据分析方法论和实际的操作方法。
1)价值的认知
许多公司处于疯狂增长时期，大家一拍脑子做的决定，可能已经产生很多价值了;这种情况下他们很难意识到数据决策能产生比暴力性增长更大的价值。
2)基本方法论的认知
意思是核心但简单的方法论。目前国内对基础的方法论没有太多的认知，可能因为国内发展时间还比较短，而美国已经开发好几十年了。
3)实际操作方法的认知
国内一线员工用数据来指导工作运营，比如产品、客户、销售等实际操作经验相对来说少一些。一方面，因为发展时间短，另一方面，数据使用理念积累也相对较少。
不过，国内公司已在迅速地提升这种认知。但是这个认知，是分阶梯的，循序渐进的一个过程。在美国，认知和方法论已经慢慢进行了良好的统一——技术和业务之间，用数据来融合。
许多国内的企业家，最开始意识不到数据的价值;等意识到数据的价值时，他的期期望又往往很高。这种大鸿沟，也无法让价值真正落地，甚至让人们产生“这个价值是否真能实现”的质疑，缺乏耐心。
问题5：中国公司对于数据存在哪些共性的迷思?
我觉得国内公司对数据分析的理解，分两极：一种认为这是纯技术，还有一部分是比较迷信，认为只要一上大数据，就变成高大上的公司了。我觉得这两种方式，都存在一定的误解。
核心的话，我觉得你做的这个东西能不能有价值，有没有效果?用效果来衡量是最直接的。另外一些公司想自建平台，搭建很大的团队，效率和产出都比较低，这个我建议大家慎重。随着生态圈的不断发展，现在很多工具都很好用，你得学会用工具。这是创业者成功的一些很好的辅助——不能说因为你会用工具，所以你就创业成功;但是好的创业者，一定能用这些各种工具，达成目标。
问题6：如何打破数据无法“物尽其用”的怪圈?
过去几个月，我们跟客户打交道发现，有的企业用我们的产品用得非常好，有的企业就一般。通常内部有人核心负责数据的企业，会用的就非常好;有的企业没有核心的人来追这件事情，做得就比较一般。
所以，在运营部门里面，至少得有一个人有一定的数据分析概念。就好像我们把一套高级手术仪器搬到公司去，如果没人会操作也不行。
我认为最好的知识获取方式，就是实际操作。实际操作的前提，是最好有一个稍微懂一些的人，能带着做几次。然后转起来、学起来了，这就是获取数据分析知识最快、最有效的方式。我不觉得纯读书或者读一些课本，看一些外面的大数据指导类的书籍，能有这种效果。
有了这个人，再能从懂这方面的人和公司产品，获取方法论的支持，这种学习机制就建立起来了。这个还是蛮重要的，否则系统虽然强大，但是没人会操作，就无法物尽其用。