當我們說資料敏感度時，我們到底在說什麼？
“你不適合做資料分析，沒有資料敏感度”
最近一直在看範冰和曲卉老師的增長黑客實戰筆記，乾貨很足。增長黑客是非常典型的以資料驅動決策的崗位，隨便翻一翻各大招聘網站關於增長黑客的要求，都必然要求一條“擁有優秀的資料敏感度”。有興趣的朋友可以留意一下這條要求。
當然，我今天並不是討論如何成為一名優秀的增長黑客，而是我每次看到“資料敏感度”這個詞的時候，內心都無比複雜，總是會想起那會兒剛入行沒多久，給某款遊戲做留存預測的事兒。那個時候的上級說了句令我記憶猶新的話，“你不適合做資料分析，沒有資料敏感度”，我當時特別好奇，反問他什麼叫資料敏感度，什麼才算好的資料敏感度，遺憾的是，他支支吾吾說了半天也沒能說清楚。
時過境遷，現在回頭來看，到底什麼叫資料敏感度呢？
在我看來， 所謂的資料敏感度，其實就是在大腦內建立了數字和業務之間的聯絡，而優秀的明資料敏感度，就是能夠一眼看出資料的問題和背後可能的原因。
什麼叫一眼看出？
如果你是遊戲行業的，我告訴你這款MMORPG的次留是20%，你能知道我款產品在行業裡處於什麼樣的水準，遊戲前期可能存在什麼樣的問題等；
如果你是O2O行業的，我告訴你外賣訂單量相比於昨天下跌了10%，你能很快判斷出問題的影響面和造成訂單量下跌的可能原因；
如果你是電商行業的，我告訴你我這款產品的復購率是40%，你能很快判斷出我這款產品大概是什麼型別的產品，在行業內是什麼樣的水準；
做到這程度，就叫優秀的資料敏感度。
那如何培養資料敏感度呢？
培養資料敏感度，其實就是在大腦裡培養建立數字和業務之間的聯絡 ，多做業務，多實踐永遠是提升資料敏感度的不二法門，對業務邏輯越瞭解，對資料之間的邏輯關係理解越透徹。
但是對於想轉行的新人，或者說應屆生來說，這個時候還沒有接觸到具體業務的機會，怎麼辦？
說說我對這個問題的理解，首先對於新人或面臨轉行的人來說，這兩種型別的人都缺少對本行業的通識，第一件要做的事就是 背資料 ，記住這個行業的行業平均資料和各項通用指標的定義，這麼做是為了對整個行業有個總體的認知。
以我自己為例，當時從遊戲策劃轉游戲運營，查詢了talkingdata、易觀、dataeye等資料平臺和應用寶、360、硬核等各家平臺釋出的遊戲資料，對當時市面上的各種遊戲型別的留存、付費等資料做了個整理和記憶，比如Arppu、Arpu、次日留存、三日留存、七日留存、月留存、付費率等等。
如果是其他行業，比如電商行業，流量*轉化率*客單價*復購率這個公式則是重中之重等等。
本質上，背誦資料是對行業AARRR模型的一個整體記憶，是在腦海裡刻畫這個行業的專屬模型。每個行業的流量漏斗都大抵離不開以下的模型圖和步驟拆解：
Acquisition（使用者獲取）：渠道曝光、下載、安裝、啟動、註冊、（創角，遊戲行業特有）
Activation（使用者啟用）：這裡的啟用，一般著重指完成了某個關鍵的行為，才視為一個啟用。比如facebook關注了5個好友、閱讀APP瀏覽了多少條新聞、理財APP進行一次理財等。需要特別說明的是，遊戲行業的一個啟用，一般是指完成註冊或者創角，重點強呼叫戶獲取層面。
Retention（使用者留存）：同樣的，這裡的留存仍是指在一定週期內回來完成一次關鍵行為。遊戲行業一般只關注使用者是否回來。
Revenue（付費）：完成關鍵行為的使用者付費概率更高，也就是所謂的留下來的使用者才可能付費。
Referral（使用者推薦）：指產品內的使用者推薦機制，一般更加系統化，和病毒傳播不太一樣。
在已經對行業AARRR模型已經有所瞭解的基礎上，對於已經在工作崗位的人來說，就是熟悉公司業務資料了，從大盤到細分資料，都應該做到心中有數，最後按照一定的分析思路來分析資料。
以《增長黑客實戰筆記》中的例子為例，來談談具體遇到具體資料問題的時候的思路：
假如你是百度外賣的運營負責人，某天移動端的訂單量比前一日下降了5%，你的老闆要求你對這一變動做出合理解釋，你如何應答？
其次先明確指標變動的異常程度和影響面，訂單量比前一日下跌5%，是否大到必須加以重視。
以2015年百度外賣B輪融資計劃書展示的資料看，其擁有3000萬的註冊使用者，日訂單數量超過110萬，客單價可達50元左右。以此資料估算，假設2016年底註冊使用者數達到6000萬，日訂單資料量突破200萬，客單價基本不變，那麼5%的訂單量下滑意味著當日損失500萬營收。天然的單一突發事件幾乎不可能造成這麼大的損失，因此足以引起團隊的重視（這裡只是以融資計劃書的付費資料為例，實際上作為運營負責人，這些資料都是內部可直接獲取的）。
確定需要引起重視後，就需要尋求資料分析的角度，排查異常原因，影響資料異常變動的原因可能有哪些？這裡的思考模式其實就是金字塔結構思維模式：
PS：強烈推薦職場新人看看這本書
先考慮全域性指標：包括一定時間內新增使用者量、總體付費率、總留存率、使用者活躍度、各環節總轉化率、搜尋功能使用率、翻頁率、崩潰率等。全域性指標用於分析對全體使用者產生影響的共性原因，絕大部分問題都會在全域性指標上體現出來；
再看分渠道指標：可以按不同使用者屬性（新老使用者）、使用者來源（下載渠道）、使用者自然屬性（地域、性別）網路環境（網路運營商、網路接入方式）等維度觀察不同渠道資料是否存在異常。
舉個例子，曾經運營某款遊戲的時候，突然某段時間有大量使用者投訴無法登入，經過大量技術排查工作之後，最後確認是該地區的行動網路出現故障；
在上述兩項指標基礎上，再考慮使用者行為資料：重點觀測使用者在不同時間段、不同需求型別下的行為，從而定位到由於某一細分人群的定向變化產生的資料異常；
時間因素：外界環境的影響也可能對產品資料造成影響，因此觀測環比和同比資料都很重要。典型如“月末效應”，即一定規模的使用者群體因月底流量耗盡而減少上網行為，造成整體流量的下滑。另外，對於一款外賣產品而言。天氣變化也會造成資料波動，通常陰雨天氣的訂單量會走高。
同樣的，“週一效應” “寒暑假效應”也是遊戲行業比較常見的效應，遊戲dau在週一往往會走低，在寒暑假往往會走高；
其他產品線監控：百度集團旗下的其他產品線變動也可能成為造成訂單量下滑的原因，例如91應用市場改變了App廣告的展示位置，或是搜尋引擎的演算法調整降低了網民常用關鍵詞的權重等（通過下載來源的分渠道資料可以明顯看到哪個下載來源的資料有減少）；
輿情監控：包括但不限於通過人工或機器方式，從內部反饋渠道如客服系統到論壇、貼吧、微博、朋友圈等處採集大眾對產品的實時意見。極有可能因此發現導致產品資料驟然降低或飆升的特殊輿情，如競爭對手有了哪些動作、母公司運作重大紕漏等；
定位到具體的問題和原因後，給出對應的結論和解決方案，比如修復某個bug，針對競爭對手的營銷策略做出同等力度的折扣反擊等。
分析出問題原因只是第一步，提出解決問題的方案才是最關鍵的。
以上，關於這段時間的小小總結。希望這篇文章能夠幫助到所有曾經和我有過相同疑問的朋友，職場不易，自當奮力前行。
| 延伸閱讀
