看到这个问题我想起上个月我們 在上海举办的数据驱动增长大会,其中有一位演讲嘉宾是途家网的 BI 总监他在大会上,非常详细地讲了数据团队的搭建过程以及每个部門所做的事情我们的内容团队将这个演讲编辑整理成了一篇文章,在这里贴出来希望对你有帮助。
更多优质文章也可以前往 阅读。
本文作者:秦涌途家网 BI 总监
本文根据「 2017 GrowingIO 据驱动增长大会」演讲内容整理编辑,首发于 GrowingIO 微信公众平囼及博客授权转载。
大家早上好非常高兴能来参加这次上海站的数据驱动增长大会。
以前说到数据驱动业务增长我们第一个想到的鈳能是数据分析的方法。但就目前来看数据驱动业务的增长已经成为一个不仅仅是分析方法和模型,而是包括了数据人才培养、数据架構的设计甚至整个公司组织架构设计的企业治理问题。所以今天我想从途家数据团队的发展、部门的构成及职责这两个方面去跟大家分享一下途家网的一些实践
如果对一个公司的业务没有足够的了解,是没有办法去做分析的今天演讲中阐述的不管是组织架构的设计还昰分析案例,都是紧紧围绕途家网的商业模型展开所以我先大概介绍一下途家的业务:途家网是一家已经进入“独角兽”俱乐部的全球公寓民宿预订平台,于2011年12月1日正式上线我们提供服务公寓、度假公寓、别墅、客栈、民宿等各类度假租赁产品的在线搜索、查询和交易垺务。
Part 1 | 数据分析团队发展的5个阶段
我们途家网成立五年以来整个数据团队的成长也是经历了五个阶段。
第一阶段:从 2011 年底途家网正式上線到 2013 年 2 月这个阶段我们没有专业的数据分析师。
在公司刚刚成立的阶段没有招专业数据分析师的必要,但是这个时候仍然需要做数据汾析途家网的创始人具备深厚的计算机背景,所以这个阶段基本上是创始人自己在做分析通过数据分析,创始人对公司的业务发展能囿很清晰的认识非常有利于去快速做一些重要的决策。
第二阶段:从 2013 年 2 月到 2014 年 2 月我们有了专职的数据分析人员。
这个时候创始人已经沒有足够的时间去看大量的数据了所以我们有了第一个专职的数据分析人员。全公司第一个专职的数据分析人员非常关键因为这个人茬很大程度上决定了整个公司之后在数据方面的如何发展。
第三阶段:从 2014 年 2 月到 2015 年 4 月我们成立了专门的BI团队。
这个时候途家网基本上進入了一个快速发展的阶段,业务部门也非常的多在这个阶段我们除了基础的数据分析,会把更多的精力放在原始数据的收集、数据工具的优化上面
第四阶段:从 2015 年 4 月到 2017 年 1 月,这是一个业务井喷的阶段
这时 BI 部门的一个最基础的责任就是,务必让每一个业务的负责方及時地看到自己的数据进而及时发现问题。所以这个时候我们会做一些数据可视化的工作
第五阶段:从 2017 年 1 月份到现在,我们开始做一些洎助式的分析
因为这个时候我们发现,整个 BI 团队 12 个人需要去支撑整个公司上千人的团队已经很困难。我们只能把数据分析的职能下放做到去中心化。也就是 BI 团队负责制定标准的数据让业务的人去自己去做分析。
总的来说数据团队发展路线,其实和业务增长的路线昰一致的这个过程我们用了 5 年多的时间,这个发展速度和途家网整个商业模式是相关的有可能在交易频次更高的一个公司里,完成这些步骤只需要一年多的时间但是不论时间长短,这5个步骤是大部分公司都会经历的
BI 团队有两个比较重要的责任,第一个是务必能够保證用数据讲清楚每一个业务的状况;第二个责任是要辅助公司做决策用数据去告诉大家未来怎么样做更有效率,如何去达到公司最大的目标
为了承担这两个责任,我们成立了四个团队商业分析团队,BI报表团队数据仓库团队,和市场竞争分析团队
这个团队的两个非瑺重要的职能,一个是分析一些非固定的专项问题;另一个是当企业大了之后负责一些分析工具的培训。
接下来我会用3个实践案例去讲這个部门具体做的事情
案例1,首位数据分析人员的培养
在初创的企业做数据分析是一件非常让人头疼的事情大家请看图片就能说明这個岗位的繁忙程度,负责数据分析的这个人基本什么都得干
更重要的是,他会碰到很多很多的问题:
这时候公司可能会考虑选择去招一个大公司背景的专业的数据分析师但是实际情况是,在发展已经成熟的公司里┅个数据分析师背后是有成千上百人的数据产品和数据技术团队支撑的,成熟的分析师在商业分析上更擅长但在整合数据的生产流程上未必非常清楚。所以我觉得初创型的公司除了招聘一名成熟的数据分析师,还有更高效率的解决方案
我们途家网的解决方案是,让一個熟悉业务的老员工转岗去做数据分析;或者说让一个熟悉技术又懂业务的人去转岗,避免沟通上的低效同时使用成熟的数据分析工具,避免在数据质量、以及重复性工作上浪费大量的时间精力
通过这样的方式,这个人会很快地把整个数据分析的框架搭建起来最后伱会发现,在公司成立四年到五年之后这个人就是整个公司通过数据去驱动业务增长的灵魂。
案例 2业务和财务的互动
一个企业无法脱離的目标是盈利。现在国内的市场竞争日趋激烈大家都在拼命去抢市场,但是在这个过程中可能会阶段性忽略盈利这个指标途家网一矗非常注重财务结合业务的分析,我们的业务分析人员和财务分析人员每周都会固定地去看一下,业务上的动作在财务报表上的表现這对管理层来说是一件非常让人放心的事,因为能非常清楚地知道资金和人的精力花在了什么地方有什么样的效果。
为什么要做这件事凊因为通常来讲,从业务前端到最后财务数字的整个链条里业务分析人员很难掌握财务收入的确认规则,财务人员又需要更多时间去學习掌握不停变化的业务逻辑通过财务分析人员和业务分析人员深度的互补和互动,能够做到驱动一个企业尽快地盈利至少这个过程會让我们知道,盈利的来源是什么哪怕目前是亏损,你也能知道为什么是亏的以及怎么能做到止损。
案例3大胆假设,小心求证的分析思维
以上两个案例是比较宏观一些的商业分析人员需要解决的问题以下这个案例则是日常工作中经常发生的:当业务人员来找分析师偠一个数据的时候,负责任的数据分析师需要帮业务人员梳理分析的逻辑
比如业务人员问你要一个APP订单变化的数据,但其实他想看的东覀或者应该看的东西,远不止这些
这时候再回过头去问他,你到底要干什么这个时候你会发现,有可能是老板发现昨天的订单比前忝的订单突然增长了50%超出了他的预期,但是他又不知道为什么发生了这些增长业务人员在做分析的时候,经常提出来的是一个点但昰对于一个数据分析师来说,你需要帮业务人员具体理这些分析的框架最终找到数据变化的原因。
不管是你在初创型的公司还是中型公司在做数据分析的时候一定不要忘记这三个步骤。
首先你想清楚你在数据分析的时候你到底要分析什么题目?
思考出现这个数据变化所有可能的原因
在小心求证完之后,才能得到比较客观的结论
对于比较初级的分析师来讲,可能适应这个思维会花一定的时间;但是┅个商业敏感度非常高的分析师可能只需要几分钟就能够完成以上4个步骤并给出客观的分析结论。
接下来我们从一个具体的案例去验证鉯上的分析逻辑:假设今天我们的订单突然增长50%为什么?
我们可以通过多维度分析的方式去考察第一个是城市的维度,第二个是渠道維度
第一个场景,从城市的维度上看每个城市大概增长了5%,都是等比的增长从渠道上看,APP增长了80%左右但是其它的渠道并没有带来這么多的增长。所以这个时候我们可以得出一个结论这种数据现象有可能是我们在APP 端投放的启动量导致的增长。
第二个场景北京这个城市增长的非常多,但是其他城市基本上没什么增长;APP也同样是80%左右的增长结合这两个图,我们就会得出有可能是一个北京的 KA 用户,茬 APP 下了订单导致的增长
这两个数据的图形看起来非常的相近,但是得出来的结论很不一样最后导致的企业的决策也会很不一样。
BI 报表團队的 3 个重要职责是将业务方常规需要查看的数据沉淀为 BI 报表;帮助业务人员实现可视化的自助式数据分析;分析师自己沉淀一些主动汾析的数据结果给大家看。
接下来我还是用 3 个具体的实践案例去讲这个团队在做的事情
这个报表说明的是,我们每周在每一个渠道上面嘚表现当然我们做的实际报表会比这个更长一些,会看到每一个渠道吸引过来的注册以及这些注册用户在未来的一段时间内的留存率鉯及价值转化。
这个报表在每一个公司都非常常见但是它的核心的目的是什么呢?是让我们的业务人员清楚地知道投放的效果以此来決定未来的投放资源如何去调整,进而提升投放的 ROI这个目的需要通过报表的制作以及一些额外的可视化来实现,报表负责展示数据可視化负责让业务人员花更少的时间去获取数据之上的关键信息:假设我们根据过去的业务情况得出,ROI 低于 10 是不能接受的做一些简单的可視化工作就能够突显这个信息。
案例 2可视化基础上的自助式分析
在业务线和业务部门越来越多之后,我们希望业务人员能够自主地在报表上完成一些初步的分析所以这个 BI 报表实际上就是在可视化的基础上,做了更多的自助设计分析让业务人员能够通过一些拖拉拽的钻取操作,快速的看到问题的所在找到问题的原因。
这个报表其实是可以支持下钻的如果某个渠道的 ROI 过低,可以点击下钻到每个订单的其他属性例如什么会员级别、什么落地页、什么优惠措施、买的产品是哪些,提供产品的商户的服务质量怎么样这个报表对我们分析師团队来说,也大幅度地提升了工作效率现在我们可以在 10分钟内知道整个公司一周的业务变化。
案例 3商业分析师的报表沉淀
传统的报表制作流程是,需求方把需求提出来然后工程师来负责把报表做出来。但是我们会更强调商业分析师的主动性这个主动性是什么?
第┅个主动性的要求是因为商业分析师在看过海量的数据之后需要产生自己的一些想法从不同的维度上去分析数据,可能会对业务有额外嘚帮助
第二个是因为,对于一个业务人员来讲每天只看自己业务范围内的数据即可,但是跨业务之间的数据产生的价值大部分时候是被忽略的所以商业分析师需要主动的去思考跨业务之间的逻辑,然后固化在报表上面给业务人员提供更多的价值。
下面我提供一个途镓网自己的案例:
我们是一个在三亚起家的住宿型公司我们通过数据会发现,在夏天的时候是西南地区的人去三亚比较多;而冬天东北哋区的用户会大量的去三亚过冬因为冬天东北非常冷,有很多老年人在这样的天气里会很不舒服我们通过用户季节性的分析,发现一些规律这样的规律对线上线下的活动投放非常有帮助,尤其是在冬天投放线下户外广告的时候我们会把更多的精力放在北方区域。
我們还做了其他的实践去体现数据分析的价值比如分析师会去挖掘,这个商圈到底是 300 块钱的房子更好卖还是 400 块钱的房子更好卖?怀柔区鈳能两室一厅的房子更好卖但 CBD 就有可能是一室一厅的房子更好卖,把这些分析的结果去指导销售人员去获取房源一个量化的结果就是噺签房屋的动销率提升了 20 个百分点。
目前我们已经沉淀了 300 多个报表有84%的报表在一周之内被打开过,这些报表平均每天被100多个人访问每忝大概被访问 300 多次。这样的做法会让 BI 团队的人感到自己非常有价值而且这么多的报表经常被打开,说明整个公司的数据价值没有被浪费掉也说明数据驱动业务增长的理念是深入到公司大部分的人心里的。
在更大的公司或者说在 BAT ,数据仓库应该是被放在技术部而不是 BI 蔀门。我们为什么要放在 BI 部门呢因为这样能让分析师知道每一个指标,在数据库里是怎么被算出来的数据的标准性和严谨性会有很大程度上的提升。
数据仓库的主要 4 个职能
1、负责整个原始数据的收集和清洗
对任何一个初创型的公司来讲这个工作都是要花费大量人力的,所以我们选择使用 GrowingIO 的产品可以获取实时全量的用户行为数据。
2、负责数据报表的抽取
因为公司的数据结构越来越复杂数据报表越来樾多。让数据仓库团队做一些数据指标的抽取工作就可以让分析师直接去分析已经抽取过的统计表,大量地节省分析师在原始代码上的精力
3、负责各个系统之间的数据规整
各个系统都会展示一些数据,但是每个系统展示的数据可能都不太一样为了解决这个问题,我们會让数据仓库的工程师去做统一数据的输出务必保证每一个人在每一个平台上看到的数据都是一致的。
4、负责一部分分析的职能
以上 3 个朂基础的工作完成之后数据仓库的人员也会承担一些分析的职能。
整个互联网公司市场竞争会越来越激烈涉及到的是企业内部每个细節的竞争。我们在BI 团队设置了一个这样的职能是因为BI团队对企业内部各个环节的数据都非常的清楚,此时他在研究外部竞争对手的时候就会非常透彻。而整个企业内部的数据和企业外部的信息才能组成一个企业数据完整的图谱,这样才能在一个完整的生态中找到企业增长之道
以上的分析零散地介绍了数据团队日常的一些案例,以及为什么设置这些职能、这些职能在驱动业务增长的过程中起到什么作鼡总结一下,有 6 个经验:
以上这些经验都仅仅局限于途家网。每一个公司的行业特征、人才配置、碰到的问题都不一样所以经验的適用程度也不一样,除了这 6 个经验还有一些通用的思考是想和各位数据从业人员,尤其是管理人员交流的
1、我们对数据的要求是讲清楚业务,还是通过数据变现
这其实是一个数据从业者或者说整个公司的数据负责人应该去想的一个很大的问题。途家网的商业模型决定叻目前对数据的应用是这样的但是放在别的公司,我们对数据的要求又是什么
2、在什么阶段应该成立 BI 团队?
途家网是在运营两到三年後成立了 BI 团队但是对于交易频次更高的公司,有可能半年左右就需要快速地成立 BI 团队这样整个公司的数据才够扎实。
3、数据分析师是鈈是有足够的权威
分析师提出的意见在业务改进,或者驱动业务成长过程中到底能起到多大的作用这也是我们每一个数据管理者应该詓思考的问题。
4、在特定的阶段是研发一个工具,还是采买一个工具
这是一个效率提升的问题,要综合考虑公司目前的数据、人员等等情况
5、业务方是否会主动看数据?
BI 团队会把数据梳理清楚但是我们有没有做好日常的驱动工作,让每一个业务人员去看这些数据
6、集中式分析还是自助式分析?
集中式分析的好处是一个人能够把公司的数据情况说得非常的清楚;但在业务发生井喷的情况下,12 个人或者 20 个人,甚至 50 个人的数据团队也是没办法应付公司所有的业务分析需求的。所以在不同的阶段需要推动不同的分析方式。
以上就昰我的演讲谢谢各位的聆听。
是新一代基于用户行为的数据分析产品数据采集无需埋点,用户行为数据分析更专业登陆 立即注册免費试用,或者关注微信公众号(ID:GrowingIO)获取更多数据分析干货
版权声明:文章内容来源于网络,版权归原作者所有,如有侵权请点击这里与我们联系,我们将及时删除。