爲什麼要做數懶—
業務訴求
如果你做業務，你一定會遇到這些問題
-
設計驅動業務，發力點在哪？如何發掘？業務如何認同你的建議？ -
業務認爲某個功能點存在問題，大家發生了衝突，如何有理有據地說服業務？ -
頁面的數據增長和設計或者某些功能點到底存在什麼關係？是否有因果聯繫？ -
如何處理數據，收集到的數據如何分析，業務的北極星指標和哪個數據有關 -
...
作爲業務前端，在工作中打交道最多的莫過於每年各種各樣的活動了，而對於活動來說，最重要的就是數據。
所謂「數據」，是未經加工的原始素材，而我們需要的則是「信息」，信息纔是分析加工之後能夠用於決策的依據。在大數據時代，數據分析能力是每個增長團隊提高用戶增長最主要的決策依據，從數據中我們可以總結出活動的效果和不足，來爲交互的體驗、視覺的設計和業務側的運營策略提供可靠的支撐。
但是，以往我們分析數據，都是依靠人力提數、清洗、分析、畫圖，最後做成分析報告，流程非常繁瑣，並且極度消耗人力，所謂“工欲善其事，必先利其器”，業務方迫切需要一個能夠集數據分析、可視化於一體的工具。
現有解決方案
市面上已經存在一些可視化的數據工具，很多人肯定會有疑問：“爲何不使用他們？再做一個工具是否會重複造輪子？”
因此我們針對公司內部和外部的數據工具進行了一輪調研。調研結果顯示，目前的大多數工具都只能提供一些基礎的數據展示功能，至於可視化之後，如何利用數據、如何分析數據，則基本是一片空白。有些工具有一些簡單的指標對比，但是也無法得出對比後的結論，依然需要使用者自行處理，並且業務方反映，這些工具基本無法爲他們提供幫助。而那些商業化工具，大多需要高昂的使用費用。
於是，我們想做一款 “對業務有幫助” 的數據分析工具。
流程拆解—
我們首先要清楚，我們的分析流程具體是什麼樣，爲了方便理解，我們根據數據分析的生命週期，將整個流程拆分成了幾個階段：分析前、分析中，以及分析後，通過這幾個階段，我們來逐一實現具體的需求。
分析前
“數據質量差、口徑不一，處理數據實在是太太費時了……”
在分析前，主要存在以下幾個痛點：
-
數據的口徑不統一，處理麻煩 -
數據量大，效率低下
業務方有很多的提數平臺，不同平臺來源的數據格式、指標都不一樣，這就導致了業務方處理數據的效率會十分低下。例如雙十一活動，總項目將近 200 個，僅數據清洗的工作，就達到了 25 天，往往數據清洗完畢，活動都已經結束了，並且有的項目的數據指標格外不一樣，這就必須手動處理一次。
所以我們需要一個清洗工具，能將不同來源的表，統一清洗成同樣的格式進行分析，並將原始數據存入數據庫。
數據清洗的主要流程：
-
將所有數據來源按照數懶的標準格式進行抹平 -
解析頁面、樓層、坑位數據 -
錯誤檢查 -
存入數據庫
分析中
“怎麼分析數據？難道我要去學數理統計嗎？”
在得到數據後，所有的一切都是圍繞“如何分析數據進行”，但是專業的數據分析流程，非常複雜，即使是我們經常提的 ABtest，也不是一般人能夠掌握的技能。因此，我們如果需要自動化分析，就必須將數據分析的過程進行解構：
-
目標制定 -
指標分析 -
定位問題 / 優勢 -
得出結論 / 驗證以往結論
分析後
“分析報告太多了，檢索好麻煩啊，寫報告好累啊...”
在分析結束後，我們需要將所有的分析結果進行收集、分類以及存儲，並且提供檢索功能，能夠直接通過關鍵字或者項目直接提取報告，業務反饋“最好”有報告生成功能。
數懶—
最終，數懶誕生了。數懶是一款可視化數據分析工具，與以往數據工具不同的地方在於，數懶在可視化展示的基礎上，將數據的維度從項目細分到了樓層、坑位，並且提供了數據清洗、策略驗證、結論報告導出功能，一次性將數據分析的整個流程打通，爲需求方提供一個完整的解決方案。
分析流程
1.數據清洗
數懶提供了一個可視化的桌面清洗工具，用戶可以使用該工具對數據進行清洗，並且會對數據進行錯誤校驗，最終得到高質量的標準數據格式。隨後，數據會被直接上傳到數懶上進行存儲和檢索。
2.數據分析
a. 頁面大數分析：
大數是數據中最核心的指標，指 PV、UV、點擊率、轉化率 等。這些數據能直觀的顯示分析目標的基本情況。通過分析頁面的大數，數懶會提供一些能夠反映頁面問題的指標分析結論，例如頁面的效果、收益或者吸引力。
數懶支持 2 個指標同時分析，可以發現大數的規律，並梳理出了 27 種特殊的數據場景，系統自動判斷後將會輸出結論並追溯原因。
b. 樓層細化分析
與大數一樣，樓層分析功能通過細分頁面數據的樓層 ID，向用戶展示每個樓層的基本數據信息，最後分析數據，得出一些場景結論。
樓層分析支持 11 種特殊場景，通過 四象限功能 平面化所有樓層，用戶可以直觀地查看每個樓層分佈的區域，在用戶發現問題，準備溯源的時候，會展示樓層內坑位的核心數據，幫助用戶快速定位問題原因。
c. 用戶畫像
用戶畫像顧名思義，就是提供每個活動的用戶特徵，幫助用戶瞭解用戶的情況，從而在業務中，針對不同的人羣能夠進行相對應的策略推送。
d. 多目標對比
相對於傳統數據工具，數懶最主要的改變就是可以進行不同目標之間的數據對比，從而可以分析出某些活動之間存在的關聯。
用戶可以選擇 2 個目標進行對比，查看 2 個活動頁面之間的指標差異，同樣，與大數類似，用戶可以通過對比 2 個活動，發現問題並獲得相應的建議。
多個目標對比時，會以表格的形式展示所有需要對比的活動的大數指標。
e. 策略驗證
策略驗證是數懶的核心功能，這也是數懶和其他數據工具最大的區別。目前數懶將驗證目標分成了 4 個大方向，每個大方向下細分了不同的貼合業務的具體目標，選擇驗證目標後，系統將會給出最終的 目標達成效果，並呈現可能導致數據變化的原因和分析方向。
在驗證目標後，還可以針對核心驗證指標進行數據拆解，展示細化數據，用戶可以通過分析列舉的因素，追溯影響數據的原因。
f. 報告生成 / 結論檢索
報告檢索是需求方日常工作中比較耗時的操作，他們需要在一大堆文件夾裏，尋找過往的文件。於是，我們使用 Html2Canvas 將頁面的結論直接生成圖片，在生成過程中，用戶可以自由編輯報告的排版，格式等，節約大量時間。
同時，用戶只需要在結論檢索功能中，輸入項目關鍵字，就可以搜索過往分析報告。
數懶的未來
提高分析專業性
雖然目前數懶具備一定的數據分析能力，但是歸根結底，數懶只是一個解決方案，它並不是完美的。數懶目前大部分的分析結論都僅限於我們經手活動的主觀經驗，很多分析的結論並沒有去驗證置信度，並且分析的數據樣本數也過少，很多策略並不能成爲有效結論。
就如前面所說，真正的數據分析，需要具備紮實的專業知識包括數據、定量分析等，這些技能都是需要經過大量的學習才能進行實際應用。而結果是否有效直接影響使用者的最終應用效果，作爲非數據分析專業的開發者，數懶最核心的進化方向就是提高分析過程的合理性和結論的有效性。
功能解耦
「上雲」是所有中臺的未來趨勢，許多合作方也提出能否將數懶的一部分分析功能提供給其研發平臺，說明很多用戶可能其實對數據分析的使用場景是不一樣的，例如某些用戶只想做 ABtest，一些用戶更想要問題歸因，但是數懶是一個獨立平臺，如果所有功能都集成到一個平臺，那麼整個平臺將會十分臃腫，不僅使用體驗會越來越差，整個平臺的開發成本也會越來越高。
所以，將功能進行拆分解耦是必不可少的一步，將不同的分析功能進行拆解，可以適應任何數據格式的分析場景，將不限於目前的數據格式以及分析目標，任何平臺或者用戶接入將只需要選擇特定功能進行使用，不需要依賴數懶整個平臺，不但利於用戶使用，也更有益於數懶的發展。
目前數懶的 ABtest 功能已經解耦完成，接入了其他平臺開始分析工作。ABtest 功能可以對比多個分析對象的活動指標，得出實驗的效果，爲用戶後續的策略提供佐證。
更多策略
做數據分析最重要的就是分析方法，目前數懶的分析策略依然不夠多，後續將會通過積累，建立一個策略庫，對外輸出數據預測、優秀策略建議，對內輸入迭代的目標和具體的方案，最終爲更多業務提供分析能力。
寫在最後—
在這個流量成本愈加昂貴的時代，如何高效低成本地保持增長是所有業務團隊的核心目標，而這其中就離不開數據分析的輔助。離開了數據，所有的一切想法都是“我覺得”、“應該是”，所有的一切嘗試都是在試錯，所以數據分析的重要性對於任何處於增長團隊中的成員都是不言而喻的。人不是萬能的，「磨刀不誤砍柴工」，適當的藉助工具來支撐數據分析工作能夠有效地提升人員效率，而好的工具則會提高最終運營成果，而這就是數懶的目標，數懶將會努力的成爲所有用戶「簡單」「快速」「好用」的小幫手。
凹凸揭祕系列
—
感謝一直關注凹凸實驗室的讀者，爲了提供更優質的內容，希望您能抽出幾分鐘時間，完成一個小調查，明年凹凸公衆號的內容由你決定。
加入凹凸實驗室開放、開源、專業、有愛、有夢的大家庭？掃碼下面的二維碼瞭解職位。
還沒有關注凹凸實驗室的讀者們，關注我們吧，我們一個月只有 4 次推送機會，我們很珍惜每一次推送，不會讓你失望的。
本文分享自微信公衆號 - 凹凸實驗室（AOTULabs）。
如有侵權，請聯繫 [email protected] 刪除。
本文參與“OSC源創計劃”，歡迎正在閱讀的你也加入，一起分享。