一、 数据在哪里？

前段时间问一位从美国回国创业的朋友：“ 以你的实际感受来看，中美创业圈有何主要不同？” 其中她谈到一点我印象很深，那是关于虚和实的关系，老美更关注一个个具体问题的解决，而中国人则更关注愿景、概念与追踪热点。有些技术在国内不断被当作热点在炒，而歪果仁们却早已默默做了多年。

这意味着什么呢？意味着为什么美国能出产这么多技术极客，而中国则诞生了众多“自媒体说客” 。。。（此处省略八千万字）。。。其实并非是打压“自媒体”，实事求是地讲，对创投生态的认知、世界前沿情报的传递等等自媒体们功不可没，但自媒体也是一种文化的折射，反映出了整体的喧嚣。但科技的前进，愿景不可少，潜心精进更不可少。抬头看路固然重要，低头拉车才是根本。

今天的话题也是从此引出——数据。。。大数据。。。现在估计没几个人不知道大数据，也没几个人不说数据很重要，为什么呢？因为听的太多了啊，既然大家都在喊数据，那么它肯定重要咯。嗯，就酱。再具象一点说就是，10个喊数据的人里面能有两个真正做数据就不错了。

在我们接触的不少客户中，对于互联网运营的数据和KPI来讲，大多数人更看重后者，即使他们知道这二者具有因果关系，而且他们还更看重如何快速的实现KPI，那么问题就来了。数据运营不是一日之功，数据运营还很繁琐，你要埋点、设置指标、跟踪、对比、分析，而且循环往复，这的确是一项苦差事，是一项颇具研究院与实验室风格的任务，这必须是由一些文化底气支撑才能坚持下去的任务，在一个“天下武功、唯快不破”的崛起型商业国度里，这似乎有点违和感不是吗？通过这样的路径去实现KPI，被很多人认为是很傻很天真的事情。

但热点肯定是要追的，于是就出现了“千层酥”。概念上肯定要打数据牌的，但内里可以玩杂家杂派，反正我给你提供数据支持，但数据的SOURCE你别管。。。 (此处再省略8千万字）

以上是今天谈的第一点。

二、远离数据的江湖

现在让我们深入数据运营的日常，毕竟总是要脚踏实地干活的、归根结底要做事的。在实际的运营中，有如下三类问题尤其需要我们慎重对待：

1、不要动辄就大数据

数据分大小，但并非大了才重要。追热点的原罪之一，就是让人们忽视细微处的考量与脚踏实地的作风，这对于互联网这种流的作业方式很危险。大数据分析没那么容易，原因之一就是人们太缺乏只有通过小数据分析才能建立起来的数据思维、技能与洞察，这些绝不会凭空而来,所谓"不积跬步,无以行千里"。对此不多赘言，推荐一篇文章大家参考：《你不需要大数据——你需要的是正确数据》。

2、不要上来就是电话号码

接触到不少这样的CASE，提到用户数据，就问是否包括电话号码，如果问，你要电话号码做什么呢？答曰：让SALES给他们打电话啊。。。

如果这就是你所理解的数据相关，那本文可以忽略不读，直接去买黑市数据吧。但我要问的是： 这样打电话过去就大功告成了吗？事实是，很可能功亏一篑。这是10年前的数据思维。用户数据必须是一连串的、前后呼应的信息组合，你可以通过这些信息了解用户在一系列特定方面的行为特征，然后你才可以有的放矢的去跟TA联系，否则可定性为“骚扰”。在一个讲究用户体验的时代，冒昧电话是最不尊重用户体验的行为。

3、数据分析的价值在事件、在场景

做营销或运营人经常说“数据质量”，简单讲它是对于数据维度和精准度的要求，但数据还要分流量数据和用户数据，各自的指标也不一样，而用户数据又分为个人数据与行为数据，下面就这几类数据分别列举一些常见指标：

流量数据： PV, UV，source ( referral, direct,等等）,DAU, MAU

用户个人数据： 常见于移动端，包括机型、性别、地域、电话号码等

用户行为数据： bounce rate, clicks, page view, share,等等

需要注意的是，用户行为数据与流量数据会有交集，也正是这种交集呈现了流量分析的新维度，可以让分析有更深入的视角。实际上对于大多数互联网运营而言，真正有意义的不是用户的个人数据，而是用户行为数据+流量数据的组合，通过这些组合我们可以发现产品运营规律、产品迭代的依据与如何去做用户的细分管理，而用户细分管理又反过来指导产品的更新、使之不断贴近用户需求，以及帮助我们去做更精准的营销。

而更为重要的是，用户行为分析必须绑定具体的业务场景，越是这样，越能体现出分析价值，所以对事件或event的分析近年来已经成为重点。企业业务场景有很多类别，每一类都可以建立相应的数据包。这既是数据分析的魅力所在、也是难度所在。

近来不时听到一些”数据反对派“指责数据分析的”假大空“， 除去各种违规行为不谈，这种指责其实意味着对数据分析的偏见与认知缺乏，原罪还在于那些假大空的概念炒作。数据分析是最为真实的行为，是各种互联网运营的标配，所以它不假也不空，当然也未必大，关键是你如何把它做到实处。

比如，任何一个活动或产品版本上线，是否都预留了数据采集接口？是否都做了JS或SDK跟踪？是否都设置了分析指标？是否都能耐下心来做各种相关性分析？是否考虑好了用哪种数据库语言以便于与其他系统做对接及融合？这都是最实在不过的事情，但就怕一边抱怨数据假大空，一边又懒得理会这些”枯燥“的工作日常。

所以你会常见一些企业说他们缺乏数据支持等等，可你看到他们每年动辄百万、千万以及上亿的营销推广支出时，整个人都懵了，这么多银子都做了什么？这么多的营销任务、事件和场景不都是（绝佳的）数据采集入口吗？为什么忽视不见却要考虑去哪里买数据？那些买到的数据跟你的产品和受众有多大关系？

三、数据采集的光辉大道

上面吐槽有点多，恨之深爱之切。继续追根溯源方是根本。以上谈到的种种数据处理的难，其实与一个潜在的技术瓶颈有关。数据分析的价值（比如用户画像、业务决策、商业预测等等）与数据的采集逻辑高度相关，而采集逻辑又与业务场景高度相关，如此一来，分析算法倒显得有点没那么高冷了。

所以即使你买到一些行业相关数据，即使你有最牛掰的算法工程师，但如果采集逻辑缺失了，这些也只能是事倍功半。当然现实的骨感也表现为一些心有余而力不足，比如既熟悉业务场景又懂数据采集的人，似乎太难寻得。

有困难就会有办法，此厢是否有突破口呢？让我们来分析一下。采集的难度在于埋点、在于技术壁垒，这是一个需要坐下来两耳不闻窗外事的活儿，所以要求一个数据工程师同时也是业务高手，这有点儿违反纲常（未来的机器人或许可以），反过来要求一个业务高手兼具技术能力也是一样。其实即便是对于纯的数据工程师，数据处理也不是一个EASY的活儿。所以近年来国际上兴起了“去技术化”数据分析的热潮，比如著名的HeapAnalytics, Miapex等，凭良心说数据的“假大空“与数据处理的门槛太高不无关系。

“去技术化”首先体现在 “采集”，便于业务人员而非技术人员在一线的实时操作，这绝对是一个不大不小的生产力革命。讲真，惟有业务人员最懂场景，由他们采集数据才更有意义。所以为他们扫清障碍也是顺应天理。业务人员完成了初步采集，后面的分析处理则交给工程师，大家都HAPPY。

“去技术化”还体现在 “与业务场景紧密嵌套、水乳交融”，当前大多数的数据分析工具都是与业务场景相对独立的模块，大多数的数据采点也是与业务半交叉甚至平行的关系，这不仅增加了人力沟通的成本，也降低了实效；更有一些产品的数据模块仅仅起一个辅助统计的作用，并未去深挖场景下的用户行为特征以及进一步的商业意义。

比如，我们此时在用的微信公众平台，数据分析目前也是有点呵呵，其统计的比重远大于分析。相比之下美国一款做邮件直投的SaaS产品Mailchimp的数据分析就做的比较充分，它内置了谷歌的GA，对于每个用户的行为周期规律都有详细的洞察与分析，并按照用户按行为规律进行分组管理。我们有理由预测，在不远的将来，产品或者商业任务的设计，除了对用户需求的满足，数据模块的深度植入将成为第二大核心竞争力所在。

以上，你也可以理解为数据分析的逻辑推演。

备注：本文的讨论主要从互联网运营角度展开，企业交易链条比如销售、客服、采购等业务数据分析请大家酌情参照。