做數據分析的同學，通常都很疑惑，在工作中，自己到底可以怎么立功？做銷售的可以提升銷量，做運營的可以提升各種轉化率，那么做數據的呢？在多年的交流中，我發現，CDP與增長實驗結合，很容易讓數據分析師立功。今天我們就系統地講解下這一點。話不多說，直接上干貨！

數據分析想立功，難在哪里

數據分析想立功，核心難點在于：立功的事是別人辦，出事的鍋卻是自己背。特別在增長問題上。用戶最后注冊的頁面是產品經理設計的，購買的產品是商品運營選款的，使用的優惠券是用戶運營發的——是滴，直觀看起來，這跟數據分析一毛錢關系沒有。慶功的時候也是這些人沖在最前邊。

但是，萬一注冊的人不夠，購買的人太少，用券跟沒用一樣。這些人會異口同聲地說：

“我們的用戶畫像太過粗糙”

“我們的數據預測不夠精準”

“我們的ABtest不夠嚴密”

“為什么不能提前分析出來！”

你一張嘴對抗他們三張嘴，怎么辯解都是輸。

所以，往往我們看到所謂用戶畫像，ABtest，預測模型，要么就是那些順風順水的大廠在說，要么就是當產品準備賣給乙方的甲方在說。一但大形勢不好，過往吹得再厲害的模型、畫像、測試統統都不管用了。

問題的核心，在于：數據分析不能孤立在增長項目以外，像個街邊擺攤算卦的半仙一樣，等著業務甩任務過來。

“大師你看看我這命數咋樣”

“你精準預測下用戶響應情況”

這兩句話沒有本質區別，都是放棄了主觀能動性，指望靠計算得出結果。數據分析要和業務并肩作戰，打包成一個項目組，才有徹底脫離苦海的機會。

而增長實驗，剛好滿足這個要求。并且，它對業務方也是一個解脫，最有可能達成雙贏局面。

增長實驗是什么

增長實驗，重點在“實驗”。這么叫，主要是區別于以往做增長“大干、快上、跟風走”的搞法，真正落地小步迭代。增長領域是時髦名詞最多的領域，“私域流量，直播帶貨，圈層營銷”總之隔三天一個新詞冒出來。與新詞一起出來的，是各路神仙吹噓“我是如何0投入增長100萬用戶的”。

在這種背景下，業務部門的壓力是很大的。

不做，被老板批跟不上時代

做，投多少，做不成咋辦，都不知道。

因此，為了避免被領導們過高的期望壓死，在傳統企業做數字化轉型的時候，業務部門開始大談增長實驗：咱做實驗，一步步來。搞出來個增長實驗做法。這個概念和互聯網公司談的增長團隊，本質上沒啥區別。但是傳統企業更重現實效益（銷售收入，利潤）的考核，因此在做法上更效益導向。

第一步：清晰實驗定位

做Abtest的時候，要先考慮流量。而業務部門做增長實驗，先考慮的是：“到底這個實驗對公司意味著什么”以及“為了這個期望，我得投多少錢，多少人”。沒錢、沒人，談啥增長。 

圖片

清晰了定位以后，是落實具體的增長目標。要注意，互聯網企業和傳統企業在設定目標上完全不同，大部分互聯網企業都是圈錢過日子，因此能采用類似“活躍用戶人數”這種很虛的指標做目標，能寫進融資ppt就行。

傳統企業還指望掙錢度日，因此設太虛的指標，在考核的時候會直接被判死刑。即使要設類似“新會員數量”這種指標，也要捆綁一個“新會員總銷售收入”這樣才牢靠。

第二步：設定待實驗的增長路徑

這個路徑有四條（如下圖）：

圖片

這一步非常關鍵。歷史已經反反復復地證明：越是指望畢其功于一役，越是輸得褲子都不剩。最近最見到的，就是傳統企業跟風上直播帶貨，又給折扣，又吐爆款，又砸坑位費，最后虧得底掉。因此在設計策略的時候，盡量清晰每一個策略的邏輯，才更適合循序漸進，總結出經驗。

第三步：觀察實驗結果

對單次試驗而言，數值并不是最終的結果。因為業務更多期望通過實驗探索出一條道路來，因此，得把實驗數據，解讀成業務可用的結論。

增長效果要回答五個核心問題：

1、業務流程是否能跑通，是否有設計缺陷。

2、流程能跑通前提下，第一次試驗，是否達到預期。

3、第一次試驗達到預期的前提下，第二次是否可復現

4、第二次可復現前提下，第三次是否有邊際效益遞減

5、邊際效益遞增/遞減的前提下，峰值/谷底在哪里

實驗結果，很可能呈現以下四種效果：

圖片

根據實驗效果來調整后續工作，好的措施繼續用，不好的措施廢棄，積累經驗，這樣就能推動業務越做越好。顯然，這種做法還沒有大面積地推廣起來，還有很多企業停留在：拉起一面橫幅《大干100天，數字化轉型必須完！》然后網上時髦啥（阿里的人吹了啥）就照吵啥的原始階段。相比之下，當然是條理清晰一步步走的增長實驗要更靠譜。

增長實驗與數據分析

明眼人一眼就能看出：這套玩法是高度數據驅動的。

圖片

幾乎每個環節，都需要大量數據分析介入，這樣才能導出正確的結論。同時，這樣做對數據分析師的要求也提高了.

第一，要有能力把控大局，對整體業績發展有自己判斷。而不是傻乎乎問業務：目標是多少？

第二，對業務邏輯有拆解能力，能把復雜的業務標簽化，從而細致分析每一個改進點（如下圖）。

第三，對無法實施分組對比的情況下，如何剔除季節因素，客群屬性差異等分析能力有要求。（這一點很常見，比如普通一個企業要玩私域流量，玩微商城，玩裂變，玩線上引流，玩企業微信+個人微信，是根本沒法獲取大量用戶信息，再按屬性分層抽樣再分AB組的，只有大流量高粘性的平臺才玩得起）。

圖片

因此，需要數據分析的能力更高。但往好處看：這是數據分析師建功立業的最好機會！想想看，項目組一般都是按項目效益拿提成，憑什么數據分析師要背著鍋領死工資呢。比起坐在后臺等著別人來問：“你來個人工智能大數據精準預測一下”，能親手做出好的結果，不是更有吸引力嗎。