多年以来我和数百家企业打过交道，在这个过程中，我领悟了让数据分析项目成功的一些因素，也亲眼看着很多项目失败。

最常见的失败原因说出来可能会让你惊讶。并非是缺乏数据专业知识或者整合失误，而仅仅是因为企业没有让“利用数据”成为任何人员的职责。太多公司花费好几个月收集有趣的数据，然后让它们静静地躺在角落里积攒灰尘。这个现象驱使我来撰写本文，希望它能给你灵感，让你为下一个分析项目增加一些结构性。 对分析的应用，本应该成为你不断汲取的商业泉源。

如果能为下列每个角色，找到至少一个乐于担当的人选，我保证你项目成功率会增加一千倍！对每个角色的具体描述和建议见下文。

*并未经过科学证实

角色及其输出

项目领导者有一个团队成员要负责分析工作的实施交付。你可能已经知道，一个高效的项目管理者要：

• 识别项目的利益相关者，并搞清他们需要什么。这些人会问“我们要回答的商业问题是什么？”
• 设定并传达工作目标、范围和时间，落实到每个相关人员。
• 管理项目所依赖的资源，发现交付过程中的障碍。
• 确保项目如实交付、达成目标（例如，数据确实回答了对业务至关重要的问题）。
• 确保每个相关人员，从工程师到产品经理，同步工作并理解要交付什么。这个部分比较重要，因为人们通常低估或高度数据的作用。

对项目领导者的建议：

• 如果你专注于那些可以直接为产品或业务带来改变的问题，你的分析项目会得到最及时的反馈。例如：新的宣传活动带来的顾客是否转化为付费用户了（是否该继续在这个宣传渠道上继续投资）？或者，我们准备取消这个功能，你能否查看一下是否有付费用户在使用这个服务？
• 保证项目的规模尽可能小。一开始，只跟踪对于业务重要的少数几个关键行为，这样就能够快速回答最紧迫的商业问题（如，使用这个此功能的用户留存度如何？）及时的，有用的分析结果会让你所在的机构着迷，他们很快会提出更多你在下一轮要回答的问题。换句话说，分析工作应该是敏捷的，随着每次迭代更加深入。如果分析项目的规模太大（如，需要花费工程师两周时间），那你可能冒着拖延其他紧急项目的风险。

数据建构者

这个头衔听起来很炫，但它只是意味着你的团队需要有个懂技术的人创建数据模型，并理解查询语句如何工作。数据模型可以很简单，甚至像一封电子邮件，列出你要跟踪的行为和优先级。这个模型有助于确定和传达你的项目范围。数据建构者帮助整个团队评估哪些业务问题可以被回答，哪些不能。通常这个人不必是数据科学博士，一般由一个app开发人员，或者懂得用电子表格建立模型的人担任。

对数据分析者的建议：

• 花点时间让曾经使用过相同工具的人看看你的数据模型。例如，如果你在使用Keen，就跟使用过Keen的开发者聊聊。也可以让分析服务提供者和你一起审阅你的数据模型。不管你在使用什么工具，都会有些事情需要取舍，解决方案总有些部分不会按照预期工作。节省些时间，跟有过相同经历的人谈谈你的计划吧。
• 建立数据模型时，使用客户和业务领域的习惯用语，而不是应用开发者的习惯用语。例如，不要去追踪“阶段变化”，客户和你公司里的其他人无法理解它。如果能保证使用的语言是业务导向的，它会帮助你的机构/企业理解如何去查询和使用数据。
• 保证让至少一个人审阅你的数据模型，保证模型可被他人理解。你可能会发现有些对自己来说很直白的标签，对其他人来说并不清晰。比如，对于机构里的不同人员，“uuid”意味着不同的东西。
• 不要重复发明轮子（不要做无用功）。

产品开发者

项目一开始，就要有至少一个开发人员承担埋点的工作。他们在各处加一些代码，这样每次登录、购买、上传和其他行为的数据都能被保存。如果事件的来源有很多，比如移动应用+网页，这个工作可能由多个开发者完成（如，一个网站开发者和一个移动开发者）。在小一些的机构，埋点的开发者通常也扮演数据建构者。在大一些的团体中，开发者和数据建构者紧密合作，确保模型数据足够理想，以及事物被跟踪并以一致的格式标记（如“user.id” = “23cv42343jk88” 不是 “user.id” = “fran@cooldomain.com”）。埋点是个相对直接的过程，许多分析服务有直接可用的客户库使得此过程简化，不过，你的团队依然需要决定要跟踪什么行为，如何命名。

对产品开发者的建议：

• 确保根据对你的机构有意义的数据模型进行埋点。如果你的团队没有数据建构者，那么就扮演这个角色，在开始埋点之前规划一个模型。这会帮你理清思路，也更利于与他人沟通。
• 使用分开的repository，带有各自的key，针对dev, test和prod，这样就不会让生成数据和测试数据混淆。
• 埋点成功后，在正式使用前找个人审阅一下存进来的数据。和产品的其他功能一样，分析的实施也需要有个QA过程。埋点过程中错误很常见，如，把数字发送为字符串、命名不清、不正确地使用JSON的格式，或者标签里有错别字。

分析者你会收集很多有意思的数据，但如果没人利用，这些数据就不会有价值。团队里需要至少有一个人对数据背后隐藏的东西非常好奇。我把这些人称为分析者。分析者通常是个开发者、产品经理或产品团队/营销团队的某个人。这些人不仅疯狂地想了解业务问题的答案，还能时时提出新问题。分析者喜欢钻研项目第一阶段收集的数据，而且有很多点子，引出下一阶段应该收集的新东西。换句话说，团队中需要有个人享受实践分析的过程。不要着急，这样的人有很多:)。技术背景对这个角色有很大帮助，这使得他们能快速理解什么样的查询语句可以得到想要的答案。这个角色对于项目成功至关重要，如果没人从数据中理解、学习，就无法从中得到任何价值。

对分析者的建议：

• 分析的结果可能对你自己而言显而易见或很有意义，但别人看来可能不是这样。这是因为你从一开始就知道要回答什么问题。你知道数据包含哪些不包含哪些。此外你写的查询语句最终生成了可视化结果或报告。要让他人理解最终得到的数字都意味者什么，那么你要分享很多上下文内容给他们。
• 分享分析的结果时，需要写明你从数据中得到的结论，以及根据分析结果应该采取什么业务行动（如，上个版本发布后我们的转化率下降了，所以应该改回去）。其他人可能不仅没有正确解读数据所需的上下文，他们也很可能不像你那样感觉数据很迷人，且没时间去试图理解其意义。
• 不要用力过猛，不过，对于这个岗位来说沟通技巧很重要。分析者大约半数的时间都用在了沟通上。解释与总结从数据中获得的结论、结果需要花点时间。如果你的分析结果不能只是静静躺在别人的收件箱里。有些你是机构里唯一意识到某个机会或问题的人，应该确保机构对机会或问题有所反应。有时你得做那个难搞的人。不要低估自己工作的价值。
• 如果分析工作是你常常要做又来不及做的，试着把它加入你官方的职位描述中，每周或每月贡献固定时间在上面。不要让它干预你的其他时间。

报告制作者

这个角色不是必需的，但你可能会想要制作一些报告，便于整个团队和其他利益相关者获取。要想让数据的实用性会大大提升，数据应该更紧密地与业务流程相连，而不是被遗弃在数据库里等着有人翻阅。一个前端开发者要能够把query变成产品经理和其他业务人员阅读的报告。下面是一些可能有用的例子：

• Email寄送周报
• 内部网站的一个页面
• 在面向用户的app中
• 用Google表格公开发布
• 推送到slack频道
• 在某个面板上展示
• 推送到salesforce
• 对报告制作者的建议：
• 确保报告的使用者能理解数据才能让你的工作产生最大价值。一个办法是，不断问他们“当你看到转化率5.2%时，这对你来说意味着什么？你会认为它是怎么计算出来的？”
• 另一种提高报告可读性的方式是写一份指南（如注释），以解释数据从何而来、如何被计算。例如，数据是否包含从网站和app获取的用户，或只是来自其中一种的用户？它是否包括测试用户和公司的内部用户，或者他们已经被过滤掉了？
• 玩得开心点！整个分析项目中最棒的部分，就是看着有人因为从结果学到了新东西而双眼放光，而你，通常就是让这一切发生的人。

原作者@Michelle Wetzler     翻译@王鹏宇

本文由@Datartisan数据工匠（微信公众号：shujugongjiang) 授权发布发布于人人都是产品经理 ，未经许可，禁止转载。