编辑导语：数据分析这个岗位很容易背锅，结果是好的那就另说，但如果结果不令人满意，各方就会来找数据分析师的麻烦；数据分析师要做一个好的结果，需要掌握一些方法，比如本文说到的“增长实验”；本文是作者分享的关于数据分析师的一套方法，我们一起来看一下。
上一篇【这套系统，可能真的是数据分析师们未来5年的机遇！】引起了同学们强烈反响，其中提到一个关键点：CDP与增长实验结合，很容易让数据分析师立功；今天我们就系统的讲解下这一点。
话不多说，直接上干货！
一、数据分析想立功，难在哪里
数据分析想立功，核心难点在于——立功的事是别人办，出事的锅却是自己背。
特别在增长问题上，用户最后注册的页面是产品经理设计的，购买的产品是商品运营选款的，使用的优惠券是用户运营发的——是滴，直观看起来，这跟数据分析一毛钱关系没有，庆功的时候也是这些人冲在最前边。
但是，万一注册的人不够，购买的人太少，用券跟没用一样。
这些人会异口同声地说：“我们的用户画像太过粗糙。”“我们的数据预测不够精准。”“我们的ABtest不够严密。”“为什么不能提前分析出来！”
你一张嘴对抗他们三张嘴，怎么辩解都是输。
所以，往往我们看到所谓用户画像、ABtest、预测模型，要么就是那些顺风顺水的大厂在说，要么就是当产品准备卖给乙方的甲方在说；一但大形势不好，过往吹得再厉害的模型、画像、测试统统都不管用了。
问题的核心，在于——数据分析不能孤立在增长项目以外，像个街边摆摊算卦的半仙一样，等着业务甩任务过来。
这两句话没有本质区别，都是放弃了主观能动性，指望靠计算得出结果。
数据分析要和业务并肩作战，打包成一个项目组，才有彻底脱离苦海的机会。
而增长实验，刚好满足这个要求。
并且，它对业务方也是一个解脱，最有可能达成双赢局面。
二、增长实验是什么
增长实验，重点在“实验”；这么叫，主要是区别于以往做增长“大干、快上、跟风走”的搞法，真正落地小步迭代。
增长领域是时髦名词最多的领域，“私域流量、直播带货、圈层营销”总之隔三天一个新词冒出来；与新词一起出来的，是各路神仙吹嘘“我是如何0投入增长100万用户的”。
在这种背景下，业务部门的压力是很大的。
不做，被老板批跟不上时代。
做，投多少，做不成咋办，都不知道。
因此，为了避免被领导们过高的期望压死，在传统企业做数字化转型的时候，业务部门开始大谈增长实验：咱做实验，一步步来。
搞出来个增长实验做法，这个概念和互联网公司谈的增长团队，本质上没啥区别；但是传统企业更重现实效益（销售收入、利润）的考核，因此在做法上更效益导向。
1. 第一步：清晰实验定位
做Abtest的时候，要先考虑流量；而业务部门做增长实验，先考虑的是：“到底这个实验对公司意味着什么”以及“为了这个期望，我得投多少钱，多少人”。
没钱、没人，谈啥增长。
清晰了定位以后，是落实具体的增长目标。
要注意，互联网企业和传统企业在设定目标上完全不同，大部分互联网企业都是圈钱过日子；因此能采用类似“活跃用户人数”这种很虚的指标做目标，能写进融资ppt就行。
传统企业还指望挣钱度日，因此设太虚的指标，在考核的时候会直接被判死刑；即使要设类似“新会员数量”这种指标，也要捆绑一个“新会员总销售收入”这样才牢靠。
2. 第二步：设定待实验的增长路径
这个路径有四条（如下图）：
这一步非常关键，历史已经反反复复的证明：越是指望毕其功于一役，越是输的裤子都不剩。
最近最见到的，就是传统企业跟风上直播带货，又给折扣，又吐爆款，又砸坑位费，最后亏的底掉；因此在设计策略的时候，尽量清晰每一个策略的逻辑，才更适合循序渐进，总结出经验。
3. 第三步：观察实验结果
对单次试验而言，数值并不是最终的结果；因为业务更多期望通过实验探索出一条道路来，因此，的把实验数据，解读成业务可用的结论。
增长效果要回答五个核心问题：业务流程是否能跑通，是否有设计缺陷。流程能跑通前提下，第一次试验，是否达到预期。第一次试验达到预期的前提下，第二次是否可复现第二次可复现前提下，第三次是否有边际效益递减边际效益递增/递减的前提下，峰值/谷底在哪里
实验结果，很可能呈现以下四种效果：
根据实验效果来调整后续工作，好的措施继续用，不好的措施废弃，积累经验，这样就能推动业务越做越好。
显然，这种做法还没有大面积的推广起来，还有很多企业停留在：拉起一面横幅《大干100天，数字化转型必须完！》然后网上时髦啥（阿里的人吹了啥）就照吵啥的原始阶段。
相比之下，当然是条理清晰一步步走的增长实验要更靠谱。
三、增长实验与数据分析
明眼人一眼就能看出：这套玩法是高度数据驱动的。
几乎每个环节，都需要大量数据分析介入，这样才能导出正确的结论。
同时，这样做对数据分析师的要求也提高了：要有能力把控大局，对整体业绩发展有自己判断。而不是傻乎乎问业务：目标是多少？对业务逻辑有拆解能力，能把复杂的业务标签化，从而细致分析每一个改进点（如下图）。对无法实施分组对比的情况下，如何剔除季节因素，客群属性差异等分析能力有要求（这一点很常见，比如普通一个企业要玩私域流量、玩微商城、玩裂变、玩线上引流、玩企业微信+个人微信，是根本没法获取大量用户信息，再按属性分层抽样再分AB组的，只有大流量高粘性的平台才玩的起）。
因此，需要数据分析的能力更高；但往好处看：这可能是数据分析师们建功立业的最好机会！
想想看，项目组一般都是按项目效益拿提成，凭什么数据分析师要背着锅领死工资呢？
比起坐在后台等着别人来问：“你来个人工智能大数据精准预测一下”；能亲手做出好的结果，不是更有吸引力吗。
下一篇我们分享如何对经营状况走势做整体判断，如果面对经营走势只会写“高了”、“低了”。
#专栏作家#
本文原创发布于人人都是产品经理。未经许可，禁止转载
题图来自Unsplash，基于CC0协议。
