數據分析的一個基本常識：數據本身沒有意義，數據+標準才有含義。然而恰恰是標準二字，弄死了無數數據分析師。常見的問題，諸如：

沒標準：業務說“我的活動提升了業績， 計劃提升多少我也不知道，你分析分析？”然后不管數據提什么，業務說“太少了吧，你沒考慮周全”。

標準不確定：業務要提升“顧客健康度”“渠道質量”，然后不管數據分析師用什么指標，業務都說“你這幾個指標就能代表健康了？那另外一個指標就不健康？”

標準反復橫跳：指標下跌了0.1%，業務緊張得要死，非要深入分析；指標下跌30%，業務說“這是正常的，你分析個屁！”。

找標準，是數據分析核心難題。標準不確定，數據反映出的是不是問題？是多大的問題？是誰的問題？都不能確定，那還咋深入分析呀。那到底標準怎么定？今天系統講一下。

1.為什么定標準那么難

從本質上看，標準難定，主要是來自業務本身考核難度不同：

• 有的業務是搬磚式的，做一件東西就是一件東西，這種最容易定標準，計件工資即可。
• 有的業務是BUFF式的，提高了做東西效率。這種標準就不容易定，因為很難剝離出“沒有buff是多少”，無數的爭論都是從這里來的。
• 有的業務是錦上添花的，就像菜市場小販吆喝“我家番茄又大又紅咯”。這種不做不會死，做了看似更好，但很又很難考證效果。

更糟糕的是：有的數據分析師，不清楚以上區別，以為可以一鍋燉。

更更糟糕的是：有的業務，很清楚以上區別，所以在自己做得不好的時候，故意渾水摸魚，企圖模糊標準，為自己文過飾非。

當一個不懂區分的數據分析師，遭遇一個企圖蒙混過關的業務，就是標準的盲人騎瞎馬了。這才會出現開頭的種種吐槽。更搞笑的是，這時候懵懂懂的數據分析師還沒發現問題，還會在網上到處問：“哪里有中國互聯網數據分析統一標準定義？”

所以破局的思路，就是不能指望業務部門良心發現，而是數據分析師自己練就火眼金睛。辨明是非，分類型看標準如何定。

2.第一類：賺錢的搬磚

比如互聯網行業的推廣、投放，傳統企業的銷售、門店。這種是可以考核到人的，每個人為公司貢獻多少收入、貢獻多少新用戶一目了然。這類工作事關公司收入和業務增長，因此一般都有硬考核指標，且一般都是老板強硬壓下來的。

這種情況下，記得三不扯原則

n 不扯“自然增長率”。該做多少做多少，不服氣去跟老板吵

n 不扯“合理不合理”。老板定了多少就是多少，不服氣去跟老板吵*2

n 不扯“其他深遠效果”。老板沒有定的不理會，不服氣去跟老板吵*3

數據分析師要做的，就是把老板的目標，按業務線/按時間拆解出來。把年度目標，分解到每一個時間段，然后跟蹤完成即可（如下圖）。

3.第二類：供應的搬磚

比如商品備貨、供應。這一類工作要根據銷售情況做準備，但又不能完全照搬銷售指標，因為銷售指標有可能無法達成/超期達成。而一旦目標無法達成，備貨太多，就會積壓，導致損失。超期達成，備貨不足，會失去一些銷售機會。因此定目標，經常是雙重考核：供應充足率/庫存損失率。

4.第三類：普眾式buff

普眾式BUFF，即常見的各種大促銷、新人禮包、滿500減100、買三件送一件、消費10000成為白金卡會員等，一般是運營、營銷、增長部門搞的。這種活動參與規則與參與人群是公開透明的，用戶達標即可領獎。

普眾式BUFF都有明確的目標，比如商品運營，不同階段目標/手法不一樣（如下圖）。

比如用戶運營，不同階段目標/手法也不一樣（如下圖）。

注意！加BUFF的部門，最喜歡扯“自然增長”，扯“深遠影響”，扯“額外增收”。因為這些BUFF是疊加在其他人工作之上的，所以搞活動的部門，生怕不能體現自己的功勞，恨不得把自然增長率搞成負的，把所有增長歸功于自己。也因此搞出很多爭吵。

解決爭吵的辦法，是把“深層次效果分析”與“目標考核”區分開。先達成自身的目標，再復盤達成目標以后的效果。連目標都沒達到，整體業績還在下滑，商品還在滯銷，用戶發展不來，有啥“其他深遠影響”好扯的，都是自欺欺人。

5.第四類：精準式buff

精準式buff，最常見的形式就是精準營銷。通過電話、短信、APP內推送等形式，給不同用戶不同營銷方案，且其他用戶不知情，無法參與。

注意：精準營銷是可以通過封閉信息的方式，設活動組與參照組，相對準確的衡量自然增長率的。因此精準式BUFF可以直接把目標設為：較自然增長，額外提升轉化/消費效果XXX。

怕就怕，做的活動是精準式活動，但是沒有做分組，沒有設參照組，也沒有事前ABtest。啥準備都沒有，事后跑來問：如何精確衡量？肯定回答不了。

6.第五類：錦上添花

所有內部數據記錄不到的任務，都是錦上添花類任務。常見的比如品牌、傳播、服務，對應的指標是用戶知名度、用戶滿意度、用戶忠誠度。

這些數據來源要么靠市場調查、要么靠外平臺的數據記錄，比如公眾號文章閱讀量、視頻播放量等等。

這種標準的最大問題，來自于：數據易操控。市場調查問卷質量太差，樣本太少；外平臺的數據可以靠人工刷量輕松做出來。所以樹這一類標準，有個最簡單的辦法：讓負責部門自己事前提個數，然后看他們能不能達成。

至于這種錦上添花能不能帶來銷售、用戶，等實際效果。作為數據分析只認鏈接。有轉化鏈接，有內部數據記錄，就轉化為普眾buff式工作，考核轉化效率。沒有鏈接，沒有轉化路徑，沒有內部數據，一概不認，斷了他們渾水摸魚的念想。

7.小結

從本質上看，標準問題牽扯績效考核，因此業務方才有渾水摸魚的動力。這是個披著數據問題的辦公室政治問題。因此，想破題，一定不能把解題思路引到“有一個完美的數學算法”上面。任何數學算法都解決不了人心貪婪的問題。

所以數據能做的，就是落實可考核的部分，幫助大家回歸初心，減少胡攪蠻纏，從而更好實現整體目標。畢竟蛋糕做不大，怎么分還是餓。