別落后了，開始你的第一方數(shù)據(jù)分析

一、有哪些第一方數(shù)據(jù)？

我們常說數(shù)據(jù)驅(qū)動決策，首要的就是選擇利用什么數(shù)據(jù)，今天這里主要探討的就是用“第一方數(shù)據(jù)”來驅(qū)動決策。第一方數(shù)據(jù)簡單來理解就是自有數(shù)據(jù)，大多數(shù)公司的自有數(shù)據(jù)就是數(shù)據(jù)庫里面的用戶產(chǎn)生的業(yè)務(wù)數(shù)據(jù)，數(shù)據(jù)分析意識高一點的公司在此之外，可能會嘗試通過日志收集一些用戶的行為數(shù)據(jù)。所謂行為數(shù)據(jù)就是包括進入產(chǎn)品，瀏覽等一系列的使用行為。

所以對于一個產(chǎn)品而言，第一方數(shù)據(jù)一般就是用戶從各種來源（包含來源渠道版本等）來到產(chǎn)品開始，接下來在持續(xù)使用產(chǎn)品過程中產(chǎn)生的所有數(shù)據(jù)，包括用戶業(yè)務(wù)數(shù)據(jù)和用戶的行為數(shù)據(jù)。

二、流量時代的第一方數(shù)據(jù)分析

小公司的做法

對于大多數(shù)非數(shù)據(jù)驅(qū)動型小公司而言，都沒有自己的數(shù)據(jù)分析平臺，所以大多數(shù)時候的第一方數(shù)據(jù)分析，是依賴于工程寫腳本，根據(jù)需求查數(shù)據(jù)庫去計算。

很多時候時間都浪費在了溝通，確認需求，寫腳本，等待結(jié)果運算上，我相信很多公司一定有共鳴。

中大公司的做法

對于很多中大型互聯(lián)網(wǎng)公司，公司內(nèi)部也開始構(gòu)建自己的數(shù)據(jù)分析平臺，并且已經(jīng)開始收集用戶的行為數(shù)據(jù)進行分析，但是大多數(shù)對于行為的數(shù)據(jù)利用還是限制于兩種：

第一種做法還是基于Hadoop的統(tǒng)計分析，只是去統(tǒng)計一些關(guān)鍵行為的發(fā)生次數(shù)，常見的就是計算頁面訪問量，獨立用戶數(shù)，留存率等指標(biāo)。

第二種做法就是利用行為數(shù)據(jù)進行個性化的數(shù)據(jù)推薦。

在過去的十幾年，流量時代，得益于人口紅利，人群較為單一，業(yè)務(wù)沒有現(xiàn)在那么垂直細分多樣化，所以大家的關(guān)注點都在于怎么拉新（拉取新用戶），上面這一些指標(biāo)可以比較概括的了解到產(chǎn)品的發(fā)展?fàn)顩r，并且結(jié)合渠道的維度篩選，也能滿足比較拉新流量的需求。

綜合兩類公司的做法來看，其實用戶的產(chǎn)品互動行為數(shù)據(jù)基本上始終被當(dāng)做一個黑盒子來看，推薦算法雖然對這些數(shù)據(jù)利用的比較好但是只是一個對單用戶縱深的分析做法，而橫向的用戶分析最終止于高度匯總的報表，并不能探索和驗證用戶在產(chǎn)品上的行為如何影響了公司的業(yè)務(wù)指標(biāo)。一個典型的現(xiàn)象就是很多產(chǎn)品的迭代決策靠的是猜測或者直覺。

三、現(xiàn)有數(shù)據(jù)分析存在的問題

但最近幾年的創(chuàng)業(yè)浪潮興起，業(yè)務(wù)越來越多樣化，人群越來越多樣化，不同于過往流量時代時人口紅利，單靠根據(jù)DAU，PV這些泛指標(biāo)指示發(fā)展?fàn)顩r，然后逼著眼睛找流量帶來新客戶，現(xiàn)在更多的是對提供用戶的留存和客戶忠誠度的需求，所以分析這些指標(biāo)高低趨勢變化背后的原因也愈加重要了。所以如何去尋找分析背后的價值呢？

數(shù)據(jù)分析場景化

大多的數(shù)據(jù)分析工具，包括很多中大公司的數(shù)據(jù)分析平臺，搭建的出發(fā)點就有一些問題，不是從解決問題的場景出發(fā)，而是要支持多牛逼的數(shù)據(jù)交叉查詢，然后就成了純粹的基礎(chǔ)分析平臺工具，這樣越抽象，對于解決問題就會越遠，需要人參與解讀的就越多。對于大多數(shù)公司而言沒有專業(yè)的數(shù)據(jù)分析師，自然用市面上的通用工具就很難發(fā)揮出價值。同樣，大公司數(shù)據(jù)部門飽受詬病，也有很多原因因為各個業(yè)務(wù)線對于分析的需求不一致，要不然統(tǒng)一平臺開發(fā)迭代慢，要不然就是定制化的分析需求太多，內(nèi)耗也就很大。到最后花費大力氣兼容的分析需求其實最后也不會用的太多，metrics太多不一定是好事，有價值才是最好的。

所以分析必須從場景化出發(fā)，才能更快速解決問題。那么有哪些場景呢？一般來講，也就是公司的各個職能分析需求，例如產(chǎn)品，銷售，運營，ERP，CRM，客服，財務(wù)等等，分析需求也就需要應(yīng)用到這些場景中去了。每一個場景都有自己關(guān)注的指標(biāo)類型，比如產(chǎn)品就是用戶持續(xù)使用情況，訪問路徑等等，銷售就是客戶轉(zhuǎn)化周期和轉(zhuǎn)化漏斗，運營是活動效果監(jiān)測，來源對比等等，所以需要將分析從這些場景所需要關(guān)注的指標(biāo)去抽離工具，能滿足這些場景分析的思路或者關(guān)注指標(biāo)進行設(shè)計。

數(shù)據(jù)分析難點

通常數(shù)據(jù)分析難的問題在于以下幾點：沒有分析目標(biāo)

沒有分析目標(biāo)帶來最大的兩個問題是：

第一，會收集所有的數(shù)據(jù)，總覺得可能用得上，會分析。

第二，收集了很多維度的數(shù)據(jù)，無從下手，不知道哪些維度可以找到問題。

不懂基本的分析方法

基本上會看整體的變化趨勢或指標(biāo)，但是不太會篩選業(yè)務(wù)相關(guān)的指標(biāo)數(shù)據(jù)進行查看，所以忽視了很多指標(biāo)是虛榮指標(biāo)：

一來可能是某些指標(biāo)單調(diào)變化，無法反映真實情況。

二是沒有同期群的對比，影響數(shù)據(jù)剝離對比。

三是只注重結(jié)果，但是不會用漏斗去分析路徑，或者用自定義留存去觀察滿足某一條件用戶的實際使用情況。

不能驗證跟蹤

在推薦系統(tǒng)中用戶的反饋很重要，同樣在數(shù)據(jù)分析過程中，我們也需要去驗證一些分析結(jié)果，也要跟蹤改進后的用戶效果。

四、場景時代的第一方數(shù)據(jù)分析

指標(biāo)會轉(zhuǎn)向跟更多業(yè)務(wù)相關(guān)，并且數(shù)據(jù)不再是高度匯總的報表，而是我們能循蹈到這些報表背后的元數(shù)據(jù)關(guān)系，過去數(shù)據(jù)分析大多都是根據(jù)預(yù)想分析展開維度，基于這些維度統(tǒng)計發(fā)生次數(shù)，丟失的用戶的行為路徑，所以也就很難找到背后數(shù)據(jù)組織的邏輯，打開產(chǎn)品黑盒子，利用起第一方數(shù)據(jù)分析，很重要的一點就是需要基于用戶維度進行分析，例如諸葛io分析平臺就是基于用戶的。

另外一方面產(chǎn)品的業(yè)務(wù)數(shù)據(jù)大多也是從用戶的行為數(shù)據(jù)轉(zhuǎn)化過來的，所以類似諸葛io分析會記錄用戶的行為用業(yè)務(wù)維度描述，這樣了解不是一個個粗粒度的頁面訪問，而是功能模塊的流向，當(dāng)以用戶維度記錄這些流向之后，自然也就能從最后業(yè)務(wù)指標(biāo)的變化，找到流失人群或者價值人群了，那么對于提供用戶的留存度和客戶忠誠度也就有了方向，找到價值人群的價值共性，或者彌補流失人群的缺陷共性。

五、第一方數(shù)據(jù)分析如何落地

對于簡單的分析，可以用后臺工程師利用ELK(Elasticsearch+Logstash+Kibana)這一類的技術(shù)組件進行搭建分析平臺，但是對于更復(fù)雜的，還是不要自己搭建平臺，內(nèi)耗太大，我相信隨著諸葛io，GrowingIO，AppAdhoc等這一類的平臺興起，對于大多數(shù)公司而言分析也會變得越來越簡單，并且不同過去大多數(shù)據(jù)分析平臺多為第三方數(shù)據(jù)分析，雖為免費使用，實際數(shù)據(jù)會被交換給其他平臺，而這些第一方的數(shù)據(jù)分析平臺也會更加保障數(shù)據(jù)的安全性。