• 33
创企想“从0到100”,首先要做好这些分析工作
统计 阅读时间大约8分钟(3049字)

2017-04-15 创企想“从0到100”,首先要做好这些分析工作

“不光是产品、营销或金融、销售、物流......每家创企都需要分析。”

【猎云网(微信号:ilieyun)】4月15日报道(编译:蔡妙娴)

编者注:本文作者为Tristan Handy,Fishtown创始人兼总裁。文中会提到他的创业故事,以及他对企业发展路径的探讨。

你需要分析。对此我非常自信,因为在今天,谁都需要分析。不光是产品、营销或金融、销售、物流,每家创企都需要分析。分析结果决定着公司决策,大到战略目标,小到战术目标;大到董事会议,小到员工事宜,无不需要分析。

本文将就“如何建立公司分析竞争力”进行阐述。我们所要谈的,不是你应当追踪哪些指标,而是如何生成所需数据。我们发现,“如何打造一门能够产出全面、精确的数据的生意”是一个非常难以得到答案的问题。

而且,这个答案还在不断变化中。分析系统发展极快,你所拥有的选择可能在24个月里就发生了翻天覆地的变化。

首先:为什么要听我的?

过去20年,我一直在和分析打交道。在此期间,我见到过成功案例,但更多的是失败案例。我职业生涯的前部分时间忙于开发传统的企业商务智能系统,2009至2010年,我打造出了Squarespace的首款分析系统,并凭借产出的数据收获了A轮融资;我先后到社交媒体分析创企Argyle Social担任COO,及商务智能平台RJMetrics担任营销副总裁。

后来,我创办了Fishtown Analytics并担任CEO,致力于帮助创企管理人员分析运营数据。在Fishtown,我们最开始的目标客户是那些完成A轮融资的公司,帮助他们建立分析系统。

现在,我会一步一步指导你,如何根据发展阶段进行数据分析。无论是哪一个阶段,我所围绕的中心都将是:我至少可以避免什么?我们不是来建空中楼阁的,答案还是越清晰越好。

创始阶段(0-10名员工)

在这个阶段,你还没有任何资源或空闲时间。但你要确保一件事情:收集好产品数据。其他事情都可以退居次位。

如何行动?

用谷歌Tag Manager在网站上安装一个Google Analytics(GA)。在处理之前这些数据可能不甚完美,但此时你还无需担心这一点。

如果你是一家电商公司,那么你需要确保GA数据是有效的。GA可以帮你追踪用户的购买过程,你要做的,就是花点时间保证数据质量。

如果你是一家软件开发公司,那么你需要追踪消费者行为。我不管你用的是Mixpanel还是Heap,这两种工具都是很不错的。在这个时候,不要花过多心思去考虑追踪哪些数据,总之安装上Mixpanel的自动追踪系统或Heap的默认系统就可以了。

如果你不太懂技术,那可能需要一位工程师来帮助你运行GA。整个安装过程大概耗费1-2小时,但绝对是值得的。

需要规避的行为

任何上述以外的行为都应避免。不要听信别人让你去买数据仓库、商务智能平台等等。保持专注。当你决定进行分析后,成本是在所难免的。数据在变,商业逻辑也在变。一旦踏上分析的道路,你就不能停下来。

超早期阶段(10-20名员工)

你的团队已经得到了一定程度的拓充。团队成员想要做好工作,也是需要有数据提供参考的。他们也许不是数据专家,但是你要保证他们能够出色完成基础工作。

如何行动?

这时的你大概已经招聘了一位营销人员,你要把GA交到他们手里,并让他们负起责来,以确保数据的准确性。营销人员可能会跟你说,“我不是做GA的料”,不要相信这样的话。

如果他们足够聪明,足够勤奋,网上有关GA的信息足够他们学习、理解。如果他们确实不能理解,那就开除另征人才吧。对,我是说真的。

需要规避的行为

现在讨论数据仓库还为时尚早,也没必要进行SQL(结构化查询语言)为基础的分析,因为它们会占用你太多时间。你需要把精力全部放在做实事上,而不是分析。为此,你就要充分利用各种SaaS产品中的内置汇报功能。此外,这时候就雇用一名全职分析师也不是明智的选择,在资金有限的条件下,重要事情还有很多。

早期阶段(20-50名员工)

从这个阶段开始,有意思的要来了,过去两年的努力逐渐显现出成果。当你完成A轮融资,拥有20多名员工的时候,你就有了更多选择。

不过,这些选择都基于这样一个前提:分析技术的快速升级。过去,分析基础设施是大公司的特权,现在一切都变了。那么,分析能够带来多少好处?答案是,它能制定更可靠的指标,增强公司灵活性,完善平台助力未来发展。

早期阶段最为艰难也最为关键。数据处理好将受益无穷,处理不好苦痛也就随着而来。

如何行动?

建设数据基础设施。也就是说,选择数据仓库、ETL(数据的抽取、转换、装在)工具和商务智能工具。数据仓库方面,Snowflake和Redshift都是不错的选择;ETL工具则可以选择Stitch和Fivetran;商务智能可以考虑Mode 和Looker。当然,还有许许多多相关工具,只不过这6种是我们经常推荐给客户的。

招聘一位强势的分析负责人。随着公司发展,你将需要一支专业分析团队:工程师、分析师、数据科学家……但目前而言,你能负担得起的,也就是一名全职员工。你需要找到一个从入职第一天起就为公司带来价值的人,同时,在公司发展的过程中,还要围绕这个人壮大分析团队。这种人很难找,所以别怕花时间。一般来说,拥有顾问、金融背景的人较为适合这个岗位,他们通常也都有MBA学位。

这个人要敢于卷起袖子大干一场,敢于吃苦、受累,要以战略性的眼光分析数据和公司业务。在未来的日子里,他将成为分析团队最重要的一部分。

另外,还可以考虑雇用一位顾问。即使你找来的分析负责人非常优秀,也不能保证他完全明白如何整合技术堆栈,或有充足的经验,解决公司发展过程中的所有分析问题。在此关键阶段,一旦犯错,将给公司带来金钱和时间的双方面损失,因此,打下坚实的基础很重要。这就是为什么越来越多的创企开始选择聘请一位分析师,帮助他们搭建基础,并围绕这一基础组建团队。

需要规避的行为

除非机器学习是产品的核心部分,否则尚且没必要招聘数据科学家。你需要的是一位全才,而非专家。

哪怕你爱得要命,也不要尝试自己搭建ETL管道。因为这会浪费工程师太多时间。现成的Stitch或Fivetran就很好。

中期阶段(50-150名员工)

这一阶段可能是最具挑战性的。你的团队规模尚且较小,资源较少,但多方均要求你赶紧对业务进行精细、多样的分析,而你的工作将直接影响公司的成败。

在此阶段,向前发展的同时也要回过头来看看基础设施是否牢固。毕竟,未来的发展还要倚仗这些基础设施。

如何行动?

完成SQL为基础的数据建模。数据模型是分析服务的基础,并应广泛分布于所有的分析用例——从商务智能到数据科学。

另外,要将现有网页分析和活动追踪迁至Snowplow Analytics。Snowplow拥有所有付费工具的功能,但是开放源码。如果你没有将上述内容迁至Snowplow,你将漏失许多细微数据。

扩张团队时要考虑周全。团队的核心永远是业务分析师,也就是那些拥有SQL经验,熟练使用商务智能工具,并将时间花在企业用户打交道,以帮助他们解决数据需求的人。这样一个人应当具备哪些素质,应当如何培训,应当给予怎样的工作条件,这些都是要你仔细考量的。同时,这个阶段你还应当聘请一位数据科学家。

要有选择地解决某些潜在问题。预测问题的发生比想象中要难,但你可以从以下几个重要方面着手。如果你是一家SaaS公司,则应当建立用户流失预测模型;如果你是一家电商公司你,则应当建立需求预测模型。这些模型不一定要多细致,但总比在Exel里填充数字要精确得多。

花些时间、精力进行营销归因。这个问题其实能写上一整篇文章,但我要说的一点是,不要把这么重要的问题交给第三方负责。

需要规避的行为

这时候的你很容易在数据基础设施上投资过多时间和精力。千万不要这样。在中期阶段,大型基础设施投资依旧会浪费你的很多资源。

成长阶段(150-500名员工)

这一阶段的重点在于打造规模化的分析程序。你要掌握好平衡,让今天的分析过程也能适应未来的团队发展。

当员工人数达到150人时,你大概会有一支3-6人的全职分析团队;但当员工总数达到500,这支团队也就相应扩大到了30多人。3-6名分析师还能进行点对点合作,互相交换信息和代码;一旦分析师的人数超过8,事情就开始乱套了。

如果你不处理好这一转变过程,那么团队越大,你们的工作效率反而越低。你会发现,挖掘深入结论的时间更长,分析结果的质量却更低。当数据越来越多,分析师也越来越多时,你要制定好工作流程,以保证他们顺畅合作。

如何行动?

进行数据测试。在成长阶段,多个渠道同时向仓库输入数据,你需要确定的工作流程来保证数据流入遵循公司的需求。如果缺少这一过程,你的分析结果质量将不断下降,而你还丈二和尚摸不着头脑。

需要规避的行为

不要接受理由或借口。这一阶段的数据分析工作一定是痛苦的,需要有能力的团队不断创新、提高。分析师们并不习惯于测试自己的代码,一定会有人厌恶这样的工作,尤其是那些记得“过去的美妙日子”的老员工。

过程虽然痛苦,但最终将会使数据分析更加便捷、快速,结果更佳可靠。如果你真心热爱你的事业,你会挺过来的。

1、猎云网原创文章未经授权转载必究,如需转载请联系官方微信号进行授权。
2、转载时须在文章头部明确注明出处、保留官方微信、作者和原文超链接。如转自猎云网(微信号:lieyunjingxuan
)字样。
3、猎云网报道中所涉及的融资金额均由创业公司提供,仅供参考,猎云网不对真实性背书。
4、联系猎云,请加微信号:jinjilei
相关阅读
推荐阅读
{{item.author_display_name}}
{{item.author_display_name}}
{{item.author_user_occu}}
{{item.author_user_sign}}
×