从数据爆发中挖掘机遇，手把手教你建立数据型公司

　　欢迎关注“创事记”的微信订阅号：sinachuangshiji

　　文/红杉美国数据科学团队

　　来源： 红杉汇 （ID:Sequoiacap）

　　近十年来，互联网普及率迅速提高，用户交互数据量激增。这可以帮助公司从数据爆炸中发掘可行的机遇。因此，产品数据分析作为一种功能出现，并催生了各种测试和实验的良性循环，导致产品迭代加快，开发版本加速，带来了复合产品的增长。渐渐地，一家公司的产品竞争力和创新力，取决于它是否能够利用产品数据分析来挖掘发展机会。换句话说，未来属于“数据知情型（data-informed）”公司，下文中，我们暂且称之为数据型公司。

　　在接下来的一系列文章中，我们将提供更深层次的建议，指导创业者建立世界级的数据型公司，充分发挥产品分析的潜力，产生最大的影响力。

　　今天的文章，为大家介绍科学的产品数据分析的过程、数据型公司的文化特征，以及它们通常会遇到的陷阱。本文研究成果来自红杉美国数据科学团队。

　　构建科学的产品数据分析过程

　　数据爆炸之前，产品主要靠直觉构建。

　　随着数据的爆炸，企业开始寻找有效利用数据来推动影响的方法。产品数据分析学成为一种功能，数据科学、数据工程和数据基础设施，成为产品组织中的关键。

　　早期的数据工作都是关于计数的（例如我们有多少用户？我们的收入是多少？）。

　　产品数据分析的第二个阶段，是通过构建报表和可视化来实现自动化计数。这是数据基础结构和数据工程功能的本质。

　　产品数据分析的下一个阶段是确保交付正确的产品和功能。

　　实验是这一进化的重要组成部分，原因有两个：增量的力量和直觉的失败。首先，尽管我们倾向于寻求大的胜利，但成功往往是把许多小事做好。随着时间的推移，增量和复合的力量最终推动了大多数产品的成功。其次，我们的直觉很容易出错，在很多情况下，它不比随机选择好多少。为了让数据型公司保持不断改进，“从测试中学习”的文化是很有必要的。

　　最后，产品数据分析的价值不仅在于计算数字、构建报表和交付产品，还在于帮助定义目标、路线图和策略。可以说，这是分析团队提供的最大价值。Facebook和Instagram就是很好的例子，如果没有分析团队的战略洞察力，Facebook Live、Instagram新闻推荐排名等，就不可能存在。

　　建立数据型公司的七个核心要素

　　所有公司都有自己的使命。数据型公司制定可量化的标准和目标，以支持他们完成使命。他们强大的数据型公司文化表现出以下特征：狂热地关注数据的影响，以及建立一种衡量和寻求真理的文化。

　　▨ 定义影响

　　如果不了解或不定义产品的成功，就很难定义影响。设定正确的目标和度量标准有助于量化产品的成功。有了这点，人们也可以开始客观地量化影响。

　　一流的数据型公司由统一度量标准规划和推动。统一的度量标准是一个单一的、可操作的、清晰的、概括了产品愿景的度量标准。它应该易于测量，并且与公司业务的核心驱动力有明确联系。如果没有统一的度量标准和相关的目标，企业很难真正成为数据型公司，也很难实现其最大潜力。

　　然而，仅仅有一个统一的度量标准是不够的。如何使用它同样重要。它必须由高层领导调动，以确定和告知哪些目标和度量标准比较重要。

　　这两点清晰后，公司中的每个人都能优先考虑要做的工作，从而提高生产力，减少不必要的争论。

　　如果没有测量影响的工具，人就会盲目前进，不会真正知道他们是否在朝着目标进步。

　　▨ 度量影响

　　影响一般可分为三类:

　　● 改变指标：假设你的团队有每月活跃用户（MAU）数量的目标。当团队发现增加MAU的创造性方法，并将这些方法付诸实现，他们就是通过改变指标来造成影响。

　　● 影响产品或业务变化：假设你的团队通过深入的探索性分析发现，在印度，用户更关注安卓上的短信通知，这将有助于提高MAU的数量，如果这样做，就是通过推动产品变化来造成影响。

　　● 影响流程变化：假设你的团队已经确定了一种新方法来实现自动化或扩大规模，以用更少的资源做更多事情。这是通过影响流程变化来造成影响。

　　虽然这些衡量影响的标准并不非常全面，但确实是很好的参考。

　　▨ 创造灵活的基础架构

　　一个优秀的分析团队，需要具有定量思维的人员（分析师、数据科学家），也需要数据工程师（DE）和数据架构师（DI）。

　　工程师构建可扩展的数据基础架构，确保速度、可靠性和可用性。

　　好的基础架构必须灵活并能适应未来的需求。那些只针对短期需求就对基础架构进行优化的公司，通常无法实现规模扩张。

　　如果基础架构不是经过深思熟虑的，不是构建良好的，最好的情况是，对业务的影响会延迟；而最坏的情况是，他们根本无法理解这些现象。

　　▨ 拥有实验文化

　　公司需要建立强大的“在测试中学习”的文化，将直觉转化为假设和实验。这种测试和学习方法的基础是：每周的小改进带来的影响之和，要比偶尔的巨大进步带来的影响大得多。因为能带来巨大收益的想法不但更难识别，而且也不具备扩展性。因此，在所有一流的数据型公司中，能推动和影响公司发展的实验文化已经变得很普遍。

　　亚马逊和Facebook就是很好的例子，杰夫·贝索斯和马克·扎克伯格都确立了实验对产品创造的重要性。

　　我们在亚马逊的成功取决于我们每年、每月、每周、每天做多少次实验。

　　——杰夫·贝索斯

　　亚马逊创始人兼CEO

　　我最自豪的事情之一，也是我们成功的关键，就是这个测试框架......在任何给定的时间点，运行的不仅仅是一个版本的Facebook，而是大概一万个版本。

　　——马克·扎克伯格

　　Facebook创始人兼CEO

　　▨ 分析团队要有广阔的视野

　　要建立一个真正伟大的数据型公司，数据分析必须渗透在产品开发的每个阶段，并且需要嵌入到产品团队中。在开始时，分析团队应该帮助制定产品成功的相关指标，持续估算进展，并帮助识别业务的风险区域和增长区域。

　　此外，他们由数据驱动的洞见必须持续运用到产品开发中。通常，核心产品团队负责包括工程、设计、产品管理、分析及用户体验研究。以下是产品团队在许多公司中通常的运作方式。

　　● 工程人员编写代码；

　　● 设计让产品使用方便，外观美观；

　　● 产品管理负责企业愿景、战略和执行；

　　● 分析设定目标，创建产品路线图，并决定策略；

　　● 用户体验研究有助于理解用户行为。

　　重要的是，利用分析团队来解决最重要的问题，并让他们产生最大影响。

　　▨ 制定严格的流程

　　迅速的产品发展、测试、迭代，离不开高效的流程路线图。比如，Facebook的发展团队就拥有一套为期10周的产品发展流程。整个过程分为三个阶段：了解、识别和执行。

　　在了解阶段，分析团队深入分析一系列现象（如广告主流失现象），主要的目的是创建路线图。聚焦于分析是为了找到能产生最大影响的问题与机遇。

　　从路线图、计划清单到具体任务，团队最终要进入的是执行阶段，这是最后一个阶段，也是耗时最长的阶段，为期十周。这个过程对快速迭代与优化都非常重要。值得注意的是，团队重点关注的是迅速推进，而不一定非要取得创新。

　　▨ 打造一流分析团队

　　产品分析正处于初期，并且仍在不断发展之中。即使是业内发展最好的一些公司，他们的数据科学和数据工程，都还处在不断的适应和发展中。分析领域的领头者寥寥无几，因为打造世界一流的分析团队比打造其他类型更加困难。

　　即使这样，在未来的几十年里，打造世界一流的分析团队是数据型公司维系下去的唯一途径。大多数公司失败的原因不会只是缺乏志向和愿景，通常他们失败的根本原因是执行力低下。要维系执行力，很重要的一点是打造世界一流的团队。

　　人、文化和进程，是三个必须考虑的关键因素。公司需要向雇佣的人才清晰阐述目标，把他们当成未来领导人培养，给他们赋能，并制定有责任的、值得信任的、自上而下的文化。永远把公司放在优先级的第一位，其次是业务、然后是团队，最后才是个人。

　　通常会遇到的陷阱

　　▨ 高层领导没有很好地接受数据型公司的文化。

　　如果企业的资深领导不相信或者不了解数据分析的作用，那么想要打造一家令人称叹的数据型公司基本是不可能的。

　　▨ 分析被误用于服务。

　　分析需要与产品团队紧密地联系在一起，而不能作为一个咨询部门。分析团队的目标应与产品目标紧密结合，团队的成功和失败应与产品的成功和失败是一致的。最常见的错误有：在多个产品中配置分析员、分散了分析结果，把分析当作工程或产品管理的服务功能，并且没有让数据科学家参与到产品团队中。

　　▨ 对于分析团队的定位太过狭窄。

　　最糟的是，分析团队被看做给团队收集数据的。相反，分析团队应该在产品确立目标、制定流程、发展战略上发挥实质性的杠杆作用。

　　▨ 数据工程团队较为落后。

　　如果数据科学家的比例过高，他们往往会花费很多时间来收集数据，而不是进行分析、提供有价值的思路。

　　▨ 缺乏强大的工具。

　　要扩大分析团队的规模，强大的工具必不可少。这包括数据清理工具、ETL（数据提取、转换和加载）工具、科学工具、分析工具和可视化工具。如果无法具备、整合这些工具，分析团队很难取得重大进展，更不用说扩大规模了。