1978年聖誕節前夕，正在北大西洋上航行的「慕尼黑號」遭遇了猛烈的風浪。雖然「慕尼黑號」無法避開風浪，但船長預測風浪對船威脅不大。然而，現實卻極為慘烈，遭遇風浪僅三小時後，這艘巨輪竟消失得無影無蹤。大規模的搜救行動無功而返，最終搜救人員只找到一艘破損的救生艇。
這場悲劇的罪魁禍首就是瘋狗浪（Rouge Waves）。
瘋狗浪的形成源自物理學中的相長干涉，即兩個波的峰值相互重疊，形成波並，一波未平，一波又起，會短暫地產生一個比這兩個波大一倍的複合波，產生的力量摧枯拉朽。
20世紀以來，隨著科技技術的發展，很多行業也如「瘋狗浪」般迎來了急速的增長。
如今，無論是曾經風光無限大廠還是時刻精耕細作的小作坊，業務、市場及運營部門，都必須面對新環境所帶來的生存挑戰，在新現實下兢兢業業探索，小心翼翼前行。
不過，即使大家都已經意識到了大環境的轉變，在應對外部脆弱的時候，很多公司還是習慣於用戰術上的勤奮來掩蓋戰略上的懶惰。其結果是，各種品牌之間競爭白熱化，性能趨同，渠道趨同，在「卷」的路上越走越窄。但與此同時，也有一些「小而美」的企業，深入細緻地耕耘自己的產品和市場，通過不斷的精細化運營，找到了最適合自身的渠道觸達自己的特定客戶群體。而精細化運營的真正奧秘其實在於：不斷從數據中挖掘增長點和良好的業務洞察力。
因此，環境變化越快，市場越複雜，要在不可捉摸的一片混沌中把穩方向，就越需要踏踏實實地做好數據分析工作。
然 而，從事過數據分析或者市場營銷工作的人都會同意一個看法，想通過數據驅動增長和業務洞察容易，真正要落地實現它太難，這是因為數據和分析之間存在巨大的基礎設施和實現技能的鴻溝。
01
實操過程中的問題
筆者長期為各行業的數據人提供諮詢，經常收到一些非常實際的提問：
●我在化妝品公司給一款口紅做推廣，公司在直播平台帶貨一段時間了，效果不錯，目前需要做比較細緻的用戶畫像，看看需要在哪個客戶群體繼續發力。
●公司在抖音、快手、知乎和小紅書這幾個平台都有廣告投放，但是有的效果比較理想，有的就沒那麼理想。我們收集了數據，但是想知道數字背後的具體原因。才確定在哪些渠道進一步改進。
●我們是一家線下門店，已經10多年歷史了。客戶忠誠度一直很高，不過，最近一年多以來，突然出現了明顯的客戶流失現象，我們很想做一些客戶留存相關的數據分析，但是缺乏相關專業人才，不知如何下手。
那麼，面對上面「有數據，不知道怎麼辦」的情況，我們如何破局？
02
想想你擁有哪些數據
在給出具體解決方案之前，讓我們先來看看你或者你的公司可能已經擁有了哪些數據。
內部結構化數據：公司在正常交易期間收集的信息，例如銷售價值和金額、客戶聯繫信息或產品日誌。它們是有意的信息收集過程的結果，也是公司可獲得的最簡單、有時也是唯一的信息來源。
外部結構化數據：是來自外部資料庫的信息，包括政府統計數據、客戶報告或市場研究等。這些外部結構化增加了可供公司使用的數據量。
內部非結構化數據：這些通常通過電子郵件、聊天室、論壇或維基等非正式工具傳播。有些甚至可能無法以任何數字形式提供，因此並非所有內部信息都可以隨時使用。合併非結構化數據源是一項複雜的工作。
外部非結構化數據：包括來自公司與客戶或利益相關者互動的社交媒體、社區博客和其他在線論壇的信息。
在這幾種類型的數據中，其實特別值得你注意的是，應該如何利用外部非結構化數據，尤其是社交媒體和博客，論壇中的數據。鑑於當今這些自媒體數據的共享量和速度，將其納入決策過程是一項非常有難度的挑戰；但是一旦成功，將極大地提升商業決策的效能和質量。
03
商業數據分析的類型
下面，我們再來看看我們有哪幾種利用這些商業數據的方法。
描述性分析——發生了什麼：允許公司確定以前期間發生的事情。它可以幫助管理人員衡量績效和關鍵指標，並且通常被翻譯成報告和儀錶板。它側重於過去的表現，並在檢測到偏差時觸發反應。
解釋性分析——與什麼相關：研究變量之間的相關性並關注原因，因此，從描述性分析到解釋性分析是一個飛躍性的轉變。在這個過程中，業務洞見顯著增加。然而，它仍然只是提供了一個回溯式的願景。它幫助我們理解為什麼某些事情會發生而其他事情不會發生。好的解釋模型可能會變成好的預測模型，但二者的出發點並不相同。
探索性分析——為什麼發生：使組織能夠探索檢測到的事件並解釋其背後的原因。它意味著對模式、趨勢、異常值、意外結果的廣泛了解，並使用定量和視覺方法的組合來了解數據想要講述的故事。因果關係比相關性更進一步，了解原因是對未來進行預測的前提。
預測性分析——會發生什麼：推斷可能發生的事情、估計影響和預測未來。進行預測分析，需要對業務場景有深入的了解和對數據的高度控制，需要統計學、機器學習和商業知識才能夠做到——從這一步開始，機器學習算法將開始發揮作用。
決策性分析——應該怎麼做：通過已經收集到的深入知識和形成的預測為組織提供了實現特定目標的途徑和商業洞見。它基本上回答了「應該做什麼以達成什麼目標」這個問題。在這個階段，人工干預可以降到最低，並且可以將決策委託給機器以實現業務目標。
以某個金融服務公司的營銷部門為例：
●通過描述性分析提供有關上個月參與特定活動的信息；
●通過解釋性分析研究參與度和營銷支出之間的關係；
●通過探索性分析來研究受眾群體以發現可能的趨勢；
●通過預測性分析得出某個促銷活動能夠帶來多少個新客戶；
●通過決策性分析通知管理層關於實現預期目標的最佳活動如何選擇。
在上圖中，數據分析成熟度逐漸上升，業務洞見也就隨之形成了。不過，老實說，作為一個數據分析或者市場營銷的新手，你可能會問：上面說得似乎挺有道理，但是其實每一步都並不簡單，我經驗少，還是不會真正進行有價值的商業分析實戰，這怎麼解決？
的確，通往分析成熟度的道路更多地在於提出正確的問題、如何利用多樣化數據源以及如何進行流程評估。而這每一步，都需要大量的經驗和案例實踐的積累作為基礎。這是一個先有雞還是先有蛋的問題：我沒有足夠經驗，該怎麼做好？而不知道該怎麼做好，又怎麼可能擁有成功的實戰經驗呢？
04
從思維到實踐促進運營增長
好消息是，筆者最近出版了一本非常有特點的新書，通過6大思維方法和10個商業實戰案例，「一站式」解決你在數據分析和運營增長領域，從思維到實踐中的所有問題。
這本書就是《數據分析咖哥十話 從思維到實踐促進運營增長》，這是我繼豆瓣評分高達9.1的《零基礎學機器學習》的又一力作。本書延續了其風趣幽默，深入淺出的風格，立足於工作實際，以案例的形式，介紹從思維模型分析到場景實踐的數據分析方法。全書圍繞「數據分析」與「運營增長」兩大關鍵要素，在系統介紹數據分析思維、數據分析方法、數據採集技能、數據清洗技能等基礎知識的同時，以問題為導向，解讀運營與增長的關鍵性業務內容，在獲客、激活、留存、變現、自傳播循環等核心運營環節展開數據分析實戰。
▲ 新書助力運行增長
這本書的寫法，令人耳目一新，其實用性令數據分析師們擊節讚嘆，很多數據分析高手讀後評論：
「讀這本書時，有一種「抄作業」式的輕鬆愉悅之感，讀著真的舒服。」
「如果早點讀到黃老師的這本書，將減少當初多少摸索式學習的痛苦。」
這本書還有以下幾個特點：
1. 立足實際
這本書全書立足於數據分析項目實戰。書中內容架構按照全局到具體來安排，保證你每一步都知道怎麼走。基礎先行，宏觀掌握數據分析技能模塊；深度實踐，從頭到尾感受業務全流程。
2. 有趣又有料
這本書的設置是問題導向，用案例手把手帶著你解決實際業務。
3. 培養數據思維
這本書中不僅有業務實戰案例，還囊括了數據分析的重要方法，邏輯思維模型，以及AARRR框架。全書都是圍繞著AARRR這個運營框架中的各個實戰環節而展開的。
▲ AARRR 模型
這本書以 AARRR 模型為框架，以咖哥和小雪為主人公，給出 10 個用數據指導運營實踐的清晰案例。
4. 代碼硬核且活潑
這本書的不僅僅關注理論、思維、實戰流程和方法，相關配套代碼的也是又全又高質量。
這樣學習，即使零基礎也不難上手，難怪很多人感慨這是在「抄作業」。從問題引入，到分析數據，再到代碼實現，為讀者提供一站式的服務。
為了讓讀者真正學懂數據分析，做會運營實戰，作者黃佳老師可是下了真功夫。黃佳老師的上一本書《零基礎學機器學習》，也是以咖哥為主人公，出版一年多以來，廣受讀者喜愛，已經是7次重印，豆瓣評分高達9.1分。作為一本入門書籍，實屬佳作。
▲ 豆瓣9.1的高分佳作
而《數據分析咖哥十話》一書，沿襲了風趣、幽默、輕鬆的風格，寫法上更上一層樓，把數據分析技術融入故事和實操當中，二者結合得更為巧妙。
這樣一本數據分析和運營實戰的精品書，目前正在打折促銷，值得您入手一本。
相信從這本書中，你一定能夠獲益匪淺。
▲ 從數據入手搞定運營問題