创业者必备能力:创业各个阶段应该如何进行数据分析?

2017-04-18 15:41 干货 来源:创头条 查看原文

编者按:Fishtown Analytics的分析师Tristan Handy日前撰文称,分析能力是每个创业者必备的核心能力。在这篇指南文章中,他分析了创业各个阶段所需要进行的分析工作,阐述了如何才能恰到好处地进行分析决策,以帮助公司健康成长。

我非常确定每个人都需要分析。不仅仅是产品,营销,财务,销售以及实施过程。创始公司的每个人都需要分析。从战略到战术,从董事会室到员工队伍,分析影响着每个决策。

这篇文章主要是为了告诉你,如何为你的公司创建分析能力。这不是关于指标跟踪(有很多好的帖子关于指标跟踪),它是关于如何真正让你的公司生产指标。事实证明,“如何建立一个可操作数据的业务”这个问题很难回答。

但是答案正在发生快速变化。分析系统正在迅速变化,你所拥有的选项在过去24个月内发生了重大改变。这篇文章的主要内容是对2017年数据技术的建议和一些经验。

第一:你为什么要听我的

我花了宝贵的二十年来从事分析工作。那时候,我知道很多事情都进展顺利,但是还是有很多不好的事情。 我花了我职业生涯的早期部分,实施传统企业商业智能项目(叹气)。我从2009年至2010年建立了Squarespace的第一个分析板块,并通过数据得到了大量A轮融资。我当时是社交媒体分析公司Argyle Social的首席运营官,随后是RJMetrics(为创业公司提供先进的商业智能平台)的营销副总裁。

现在,作为Fishtown Analytics的首席执行官和创始人,我帮助创业公司执行分析数据。在Fishtown,我们开始与进行过A轮融资的公司合作,并帮助他们建立自己的内部分析能力。我们已经与包括Casper、SeatGeek和Code Climate在内的十几家公司合作过,在这篇文章中,我会描述具体过程。

我将逐步地带你浏览整个过程,关于你的公司应该如何进行数据分析。在每一个阶段,我都会回答“我至少能够逃避掉什么?”我们不是在天空中建造城堡, 我们需要尽可能简单的答案。

我们开始吧。

创始阶段

(0至10名员工)

在这个阶段,你没有资源,没有时间。你需要衡量一百万件事情。但是你非常熟悉业务细节,你可以做出相当好的本能决定。你需要测量你的产品。因为你的产品指标,可帮助你在此关键阶段快速迭代。其他一切都可以往后排。

什么该做

  •  通过 Google Tag Manager在你的网站上安装Google Analytics。数据不会很完美,这需要更多的工作来润色,但不要担心。

  •  如果你做电子商务业务,你确实需要确保你的Google Analytics电子商务数据良好。Google Analytics可以跟踪从访客到购买的整个电子商务业流程,所以你需要花时间来确保Google Analytics数据是正确的。

  •  构建任何类型的软件,你都需要实时的事件跟踪。我不在乎你使用什么工具——Mixpanel和Heap是类似的,他们都很好。在这一点上,我不会太在意你正在追踪的内容:只需使用Mixpanel的autotrack或者Heap的默认安装设置。如果你突然需要一个数据指标,你会发现它已经在那里了。这种方法不能很好地扩展,但是目前为止,它就足够了。

  •  你的财务报告应在Quickbooks中完成。你的预测应该在Excel中完成。如果你从事订阅业务,请使用Baremetrics作为订阅指标。如果你从事电子商务业务,请使用你的购物车平台来衡量商品交易总额。不要太花哨。

如果你不是技术人员,你可能需要一名工程师帮助你使用Google Analytics和事件跟踪功能。整个练习不需要超过一两个小时,包括阅读文档。花点时间建立Google Analytics是值得的。

什么不该做

与上面提到的完全相反。不要买别人的数据仓库,商务智能平台,大的咨询项目,或者...是的,你懂了。保持专注。当你坚持进行分析时,会有持续的花销、数据变化以及业务逻辑变化。一旦你开始这条路,你无法真正把项目暂停。等到公司发展到后期再开始投资。

会有很多问题你们现在无法回答。这没关系(在现在阶段)。

非常早期阶段

(10至20名员工)

你的团队有所增大。人们需要依赖数据来做工作。他们可能是、也可能不是数据专家,你需要确保他们做的事情基本上是正确的。

什么该做

  •  你可能已经聘请了一个营销人员。确保他们使用Google Analytics。让他们负责,以保证数据是干净的。他们需要UTM代码,跟踪他们创建的每个链接。他们需要确保你的子域名不被双重跟踪。你的营销人员可能会说他们不会使用Google Analytics。不要听。网站上有足够的关于Google Analytics的信息,如果他们够聪明并且有动力,他们完全可以学习它并弄清楚。如果他们无法担任工作,就解雇他们,找别人(认真)。

  •  如果你有一两个销售人员并使用客户关系管理系统,请使用内置的报告。确保你的员工知道如何使用它。你需要了解的只有,如阶段性的代表生产率和转换率等。Salesforce可以做到非常独特。不要将数据导出到Excel,在(可怕的)报告构建器中生成报告。即使这是痛苦的,这将在未来几个月节省大量的时间。

  •  你可能有几个人在做客户成功方面的工作。大多数平台帮助系统都没有很好的报告,所以选择可以在界面内轻松测量的关键绩效指标。

  •  确保跟踪净推荐值指数。使用Wootric或Delighted

什么不该做

数据仓库和基于SQL的分析还为时过早,因为建立它们需要太多时间。你需要花费所有时间做事,而不是分析,最直接的方法是使用你运营业务的各种SaaS产品的内置报告功能。你不应该雇用全职分析师。在这一点上,你有限的资金要花费到更多的重要的事情上。

早期阶段

(20至50名员工)

这是事情变得有趣的地方,过去两年的改变真的开始变得明显。一旦你进行了A轮融资,并有20多名员工,你就有了新的选择。

这些选择都是由一个事情驱动的:分析技术越来越好,越来越快。 以前,这种类型的基础工作被保留给更大的公司。自己分析的好处? 是有更可靠的指标,更多的灵活性和更好的未来增长平台。

这是最困难和最关键的阶段:如果你做的对,这是有前途的,但如果你做错了就会很痛苦。

什么该做

  •  建设数据基础。这意味着选择数据仓库,ETL工具和BI工具。对于数据仓库,选择使用“Snowflake ”和“Redshift”(我喜欢使用Snowflake进行选择)。对于ETL工具,使用Stitch和Fivetran。对于BI,使用Mode and Looker。这个有很多很多的产品;这六个是我们从客户的反馈中得知的。

  •  聘请强大的分析主管。今后,你将需要一个完整的专家分析团队:工程师,分析师,数据科学家...但现在,你只能支付(至多)一个人。你需要找到那个,能够在第1天就提供价值的特殊人才,并随着他的成长,可以雇用他周围的团队的人。这个人很难找到——投入时间去寻找他们。通常,这些人有咨询或财务方面的背景,他们有MBA学位。虽然这个人应该可以亲力亲为,撸起袖子大干一场。但是,你需要雇用一个可以专注于考虑数据以及关于你业务的人。策略:未来很多年,他们将成为你的分析难题中最重要的一部分。

  •  考虑聘请顾问。尽管你已经发现了分析主管,但是该人不具备将技术堆栈的所有组件结合在一起的专业知识,也不能解决你将面临的所有的不同问题的分析经验。随着你的成长,如果在这个关键阶段出现错误,那么以后会付出很多时间和金钱的代价,所以重要的是打下坚实的基础。为了做到这一点,今天更多的创业公司选择与顾问合作以帮助他们建立基础,然后在该基础架构周围建立一个团队。

什么不该做

  •  除非机器学习是你产品的核心部分,否则请勿雇用数据科学家。你需要一名通才,而不是专家来建立你的分析团队。

  •  请不要建立自己的ETL传递途径。这将浪费数小时的工程时间。请到Stitch或Fivetran购买现货。

  •  不要使用我上面提到的两个以外的其他任何商务智能工具。你会在将来付出代价。

  •  请勿尝试使用像Postgres这样的更传统的数据库作为数据仓库。它不便宜,如果以后当你达到极限时才切换,将会是非常痛苦的。Postgres不能像数据仓库一样扩展。

中期阶段

(50至150名员工)

这个阶段可能是最具挑战性的。你仍然拥有一个相对较小的团队和少量资源,但是你需要为企业提供越来越复杂和多样化的分析,你的工作可以直接影响到整个公司的成功或失败。别太有压力。

重要的是在这里取得进展,同时确保你继续为未来增长阶段奠定基础。如果你不考虑未来,你在这个阶段所做出的决定可能会导致你直接陷入僵局。

什么该做

  •  为基于SQL的数据建模,实施稳定的流程。你的数据模型是你分析业务的逻辑基础,并应在所有分析用例中共享(从商务智能到数据科学)。确保你的流程,允许所有用户对数据建模脚本进行更改,由版本控制,并在透明环境中运行。我们在维护一个名为dbt的开源产品,许多增长阶段的公司都使用这个产品来做建模。

  •  从你现有的网络分析和事件跟踪迁移到Snowplow  Analytics。Snowplow具有所有付费工具都具备的功能,但它是开源的。你可以自己运营(只需支付你的EC2实例费用),或者你可以支付Snowplow或Fivetran,让他们帮助你运营。如果你不在此阶段进行这样的过渡,那么你将丢掉更多细节数据。而且你以后会收到来自Segment、Heap或Mixpanel的庞大的账单。一旦你挺过去这个阶段,这些付费工具就可以轻松收取每月最低10万美元的费用。

  •  深思熟虑地增长你的团队。你团队的核心人物应该始终是业务分析师:谁是SQL专家和你的商务智能工具。并花时间与业务用户合作,帮助他们服务于他们的数据请求。了解这个人的背景,以及如何训练和装备他们是非常重要的。在这个阶段你也应该聘请你的第一位数据科学家。在雇用经验丰富的(和昂贵的)数据科学人才之前,让你的数据基础架构和核心分析团队准备好,是非常重要的,但在某些时候你应该添加这个技能组。

  •  开始选择性地应对一些即将到来的挑战。预测比运行计数更难,但是潜伏在几个关键领域是非常有意义的。如果你是做SaaS业务的,你应该研究一个流失预测模型。如果你是做电子商务的,你必须要做一个需求预测模型。这些模型不需要特别复杂,但它们将比可以随便入侵的杂乱无章的Excel工作簿要好的多。

  •  花时间和精力找到你的营销归因。这是一个独立的自发博文,意思是说,你不能把这个关键的商业问题给交给第三方处理。

什么不该做

很容易被自己带上道,然后开始投资重型数据库基础设施。不要这样做。在这个阶段,主要的基础设施投资仍然是一个昂贵的部分。以下是如何保持灵活的一些建议:

  •  大力支持SQL和数据仓库。你可以使用数据仓库的,处理这个阶段几乎全部的操作。 你可以随便购买任何需要的数据仓库马力,因为支付服务器比支付人力要便宜得多。

  •  在Jupyter Notebooks中添加数据科学工作。如果数据已经在你的仓库中预先聚合,则通常不需要在Spark或Hadoop集群上进行此处理。

  •  寻找低成本的ETL数据集,我们不需要装配好的成品。这就是为什么我们喜欢Singer的原因之一。

避免昂贵的琐碎小事,可以让你专注于解决实际的业务问题。

成长阶段

(150至500名员工)

这个阶段需要创建扩展的分析流程。你需要取得两者的平衡。一者是你今天需要的答案,而另一者是当你扩大规模时,你需要执行的数据分析业务。

有150名员工,你可能只有一个小团队(3-6人)全职专注于分析。当你拥有500名员工时,你可以轻松拥有30名或以上的员工分析数据。3-6名分析师可以以非常特殊的方式运作,非正式地交换知识(和代码)。当你有多于8名分析师时,这就要崩盘了。

如果你不能很好地管理这种转换,那么你的团队就无法健康成长:你需要更长时间才能产生有意义的见解,你的答案质量较差。这只是非线性复杂性的一个功能:你将有更多的数据被生产,并且更多的分析人员使用它。为了解决这个问题,你需要将流程保持在可靠的状态。

什么该做

  •  实施数据检测。这时候,你至少有十几个来源的数据流入你的数据仓库,你需要一个程序,来确保正在载入的数据将继续符合你的期望规则:独特性,外键关系,非空字段以及自定义业务逻辑。如果你没有一个坚如磐石的自动化流程来检查这个东西,你分析的质量将会持续下降,而且你还不知道为什么。我们使用dbt的功能为我们的客户测试。

  •  使用拉扯请求和代码审查。你的分析代码是一种资产,就像你的网站和应用程序的代码一样。制作高质量的代码需要严格的版本控制。让你团队中的每个成员都使用Git,培训他们如何使用分支,并禁用强制推送。所有部署到生产的代码都应该通过 pull request 过程进行合并,并让一个团队成员审核。

  •  认真对待文档。你公司的数据环境很复杂。有效管理知识并与你的团队分享的唯一方法是花费时间和精力来记录。这将增加一些开销,但如果你不进行此项投资,你会发现分析师花更多的时间来了解获取数据的位置和使用方法,而不是在真正地分析数据。Airbnb在这方面做得很好。

  •  策划分析团队的结构。分析团队的组成方式有两个主要模式:集中式和嵌入式。没有固定的正确答案。但是这一决定,将是你如何向不断增长的组织提供分析的核心。卡尔·安德森(Carl Anderson)在他的《创建数据驱动组织》一书中描述了权衡之术。

什么不该做

不要找借口。在这个层面上进行分析是项艰苦的工作,需要一个不断创新/改进的有才华和积极的团队。审查代码需要时间和精力。分析师不经常测试他们的代码。文件分类也很痛苦。不要这样做,特别是在记住“过去美好日子”的长期团队成员中。但是,随着复杂性的增加,你需要通过改进流程来适应环境。

这些过程实际上会使分析更简单,快速和可靠,但是实行这些过程,会感觉像拔牙。 如果你认真对缩放分析进行思考,你将会深入了解。

你是先驱者

在公司内部经过多年的努力后,我已经经历过了这些建议中的每一项。现在将这种做法扩展为顾问。 我与一系列类似的客户合作,已经非常清楚公司该如何做得很好。

如果你采纳了这篇文章中的所有建议,那么你将成为世界上功能最强的分析机构之一。 具有良好的竞争优势。

想聊聊你的分析方法? 我很乐意接你的电话并倾听!你可以在Tweeter上@jthandy。另外,如果你订阅了我每周发布的通讯数据科学综合报告,我会深感荣幸。每周我会从互联网上搜集最有用的数据科学文章。这些文章每周天早上将陪你度过早茶时间。

谢谢!

翻译来自:虫洞翻翻    译者ID:王炜   编辑:郝鹏程

为您推荐: