以前说到数据驱动业务增长，我们第一个想到的可能是数据分析的方法。但就目前来看，数据驱动业务的增长已经不仅仅是分析的方法和模型问题，而是包括了数据人才的培养、数据架构的设计，甚至整个公司组织架构设计的企业治理问题。所以今天我想从途家数据团队的发展、部门的构成及职责这两个方面去跟大家分享一下途家网的一些实践。
如果对一个公司的业务没有足够的了解，是没有办法去做分析的。今天演讲中阐述的不管是组织架构的设计还是分析案例，都是紧紧围绕途家网的商业模型展开的。
所以我先大概介绍一下途家的业务：途家网是一家已经进入“独角兽”俱乐部的全球公寓民宿预订平台，于2011年12月1日正式上线。我们提供服务公寓、度假公寓、别墅、客栈、民宿等各类度假租赁产品的在线搜索、查询和交易服务。
我们途家网成立五年以来，整个数据团队的成长也是经历了五个阶段。
第一阶段：从 2011 年底途家网正式上线到 2013 年 2 月，这个阶段我们没有专业的数据分析师。
在公司刚刚成立的阶段，没有招专业数据分析师的必要，但是这个时候仍然需要做数据分析。途家网的创始人具备深厚的计算机背景，所以这个阶段基本上是创始人自己在做分析。通过数据分析，创始人对公司的业务发展能有很清晰的认识，非常有利于去快速做一些重要的决策。
第二阶段： 2013 年 2 月到 2014 年 2 月，我们有了专职的数据分析人员。
这个时候创始人已经没有足够的时间去看大量的数据了，所以我们有了第一个专职的数据分析人员。全公司第一个专职的数据分析人员非常关键，因为这个人在很大程度上决定了整个公司之后在数据方面的如何发展。
第三阶段： 2014 年 2 月到 2015 年 4 月，我们成立了专门的BI团队。
这个时候，途家网基本上进入了一个快速发展的阶段，业务部门也非常的多。在这个阶段我们除了基础的数据分析，会把更多的精力放在原始数据的收集、数据工具的优化上面。
第四阶段： 2015 年 4 月到 2017 年 1 月，这是一个业务井喷的阶段。
这时 BI 部门的一个最基础的责任就是，务必让每一个业务的负责方及时地看到自己的数据，进而及时发现问题。所以这个时候我们会做一些数据可视化的工作。
第五阶段： 2017 年 1 月份到现在，我们开始做一些自助式的分析。
因为这个时候我们发现，整个 BI 团队 12 个人，需要去支撑整个公司上千人的团队已经很困难。我们只能把数据分析的职能下放，做到去中心化。也就是 BI 团队负责制定标准的数据，让业务的人去自己去做分析。
总的来说，数据团队发展路线，其实和业务增长的路线是一致的。这个过程我们用了 5 年多的时间，这个发展速度和途家网整个商业模式是相关的。有可能在交易频次更高的一个公司里，完成这些步骤只需要一年多的时间，但是不论时间长短，这5个步骤是大部分公司都会经历的。
BI 团队有两个比较重要的责任，第一个是务必能够保证用数据讲清楚每一个业务的状况；第二个责任是要辅助公司做决策，用数据去告诉大家未来怎么样做更有效率，如何去达到公司最大的目标。
为了承担这两个责任，我们成立了四个团队。
商业分析团队，BI报表团队，数据仓库团队，和市场竞争分析团队。
这个团队的两个非常重要的职能，一个是分析一些非固定的专项问题；另一个是当企业大了之后，负责一些分析工具的培训。
接下来我会用3个实践案例去讲这个部门具体做的事情。
在初创的企业做数据分析是一件非常让人头疼的事情，负责数据分析的这个人基本什么都得干。
更重要的是，他会碰到很多很多的问题：
初创企业没有标准的数据，也没有足够多的数据；
业务与业务之间的数据逻辑关系需要大量时间梳理；
没有足够的技术人员帮忙写代码；
不熟悉业务的情况下很难用简短的语言概括分析结果。
这时候公司可能会考虑选择去招一个大公司背景的专业的数据分析师，但是实际情况是，在发展已经成熟的公司里，一个数据分析师背后是有成千上百人的数据产品和数据技术团队支撑的，成熟的分析师在商业分析上更擅长，但在整合数据的生产流程上未必非常清楚。
所以我觉得，初创型的公司除了招聘一名成熟的数据分析师，还有更高效率的解决方案。
我们途家网的解决方案是，让一个熟悉业务的老员工转岗去做数据分析；或者说让一个熟悉技术，又懂业务的人去转岗，避免沟通上的低效。同时使用成熟的数据分析工具，避免在数据质量、重复性工作上浪费大量的时间精力。
通过这样的方式，这个人会很快地把整个数据分析的框架搭建起来。最后你会发现，在公司成立四年到五年之后，这个人就是整个公司通过数据去驱动业务增长的灵魂。
一个企业无法脱离的目标是盈利。现在国内的市场竞争日趋激烈，大家都在拼命去抢市场，但是在这个过程中可能会阶段性忽略盈利这个指标。
途家网一直非常注重财务结合业务的分析，我们的业务分析人员和财务分析人员，每周都会固定地去看一下，业务上的动作在财务报表上的表现。这对管理层来说是一件非常让人放心的事，因为能非常清楚地知道资金和人的精力花在了什么地方，有什么样的效果。
为什么要做这件事情？
因为通常来讲，从业务前端到最后财务数字的整个链条里，业务分析人员很难掌握财务收入的确认规则，财务人员又需要更多时间去学习掌握不停变化的业务逻辑。
通过财务分析人员和业务分析人员深度的互补和互动，能够驱动企业尽快地盈利。至少这个过程让我们知道，盈利的来源是什么，哪怕目前是亏损，你也能知道为什么是亏的，以及怎么能做到止损。
案例3，大胆假设，小心求证的分析思维
以上两个案例是比较宏观一些的商业分析人员需要解决的问题，以下这个案例则是日常工作中经常发生的：当业务人员来找分析师要一个数据的时候，负责任的数据分析师需要帮业务人员梳理分析的逻辑。
比如业务人员问你要一个APP订单变化的数据，但其实他想看的东西，或者应该看的东西，远不止这些。
这时候再回过头去问他，你到底要干什么？这个时候你会发现，有可能是老板发现昨天的订单比前天的订单突然增长了50%，超出了他的预期，但是他又不知道为什么发生了这些增长。
业务人员在做分析的时候，经常提出来的是一个点。但是对于一个数据分析师来说，你需要帮业务人员具体理这些分析的框架，最终找到数据变化的原因。
不管是你在初创型的公司还是中型公司，在做数据分析的时候一定不要忘记这三个步骤。
定义问题，想清楚数据分析的目的是什么？
大胆假设，思考出现这个数据变化所有可能的原因。
小心求证，得到比较客观的结论。
对于比较初级的分析师来讲，可能适应这个思维会花一定的时间；但是一个商业敏感度非常高的分析师，可能只需要几分钟就能够完成以上 3 个步骤并给出客观的分析结论。
接下来我们从一个具体的案例去验证以上的分析逻辑：假设今天我们的订单突然增长50%，为什么？
我们可以通过多维度分析的方式去考察，第一个是城市的维度，第二个是渠道维度。
第一个场景，从城市的维度上看，每个城市大概增长了5%，都是等比的增长。从渠道上看，APP 增长了 80%左右，但是其它的渠道并没有带来这么多的增长。所以这个时候我们可以得出一个结论，这种数据现象有可能是我们在 APP 端投放的启动量导致的增长。
第二个场景，北京这个城市增长很多，但是其他城市基本上没什么增长；APP 也同样是 80%左右的增长。结合这两个图，我们就会得出，有可能是一个北京的 KA 用户，在 APP 下了订单导致的增长。
这两个数据的图形看起来非常相近，但是得出的结论很不一样，最后导致的企业决策也会很不一样。
BI 报表团队的 3 个重要职责
将业务方常规需要查看的数据沉淀为 BI 报表；
帮助业务人员实现可视化的自助式数据分析；
分析师沉淀一些主动分析的数据结果给大家看。
接下来我还是用3个具体的实践案例去讲这个团队在做的事情。
案例1，可视化
这个报表是我们每周在每一个渠道上面的表现。当然我们做的实际报表会比这个更长一些，包括每一个渠道吸引过来的注册，以及这些注册用户在未来的一段时间内的留存率以及价值转化。
这个报表在每一个公司都非常常见，但是它的核心的目的是什么呢？是让我们的业务人员清楚地知道投放的效果，以此来决定未来的投放资源如何去调整，进而提升投放的 ROI。
这个目的需要通过报表的制作以及一些额外的可视化来实现，报表负责展示数据，可视化负责让业务人员花更少的时间去获取数据之上的关键信息：假设我们根据过去的业务情况得出，ROI 低于 10 是不能接受的，做一些简单的可视化工作就能够突显这个信息。
案例2，可视化基础上的自助式分析
在业务线和业务部门越来越多之后，我们希望业务人员能够自主地在报表上完成一些初步的分析。所以这个 BI 报表实际上就是在可视化的基础上，做了更多的自助设计分析。让业务人员能够通过一些拖拉拽的钻取操作，快速的看到问题的所在，找到问题的原因。
这个报表其实是可以支持下钻的，如果某个渠道的 ROI 过低，可以点击下钻到每个订单的其他属性，例如什么会员级别、什么落地页、什么优惠措施、买的产品是哪些，提供产品的商户的服务质量怎么样。这个报表对我们分析师团队来说，也大幅度地提升了工作效率。现在我们可以在 10分钟内知道整个公司一周的业务变化。
案例3，商业分析师的报表沉淀
传统的报表制作流程是，需求方把需求提出来，然后工程师来负责把报表做出来。但是我们会更强调商业分析师的主动性，这个主动性是什么？
第一个主动性的要求是因为商业分析师在看过海量的数据之后需要产生自己的一些想法。从不同的维度上去分析数据，可能会对业务有额外的帮助。
第二个是因为，对于一个业务人员来讲，每天只看自己业务范围内的数据即可，但是跨业务之间的数据产生的价值大部分时候是被忽略的。所以商业分析师需要主动的去思考跨业务之间的逻辑，然后固化在报表上面，给业务人员提供更多的价值。
下面我提供一个途家网自己的案例：
我们是一个在三亚起家的住宿型公司。通过数据我们发现，夏天西南地区的人去三亚比较多；而冬天东北地区的人会大量地去三亚过冬。因为东北的冬天非常冷，有很多老年人在这样的天气里会很不舒服。
我们通过用户季节性的分析，发现一些规律。这样的规律对线上线下的活动投放非常有帮助，尤其是在冬天投放线下户外广告的时候，我们会把更多的精力放在北方区域。
我们还做了很多其他的实践去体现数据分析的价值。比如分析师会去挖掘，这个商圈到底是 300 块钱的房子更好卖，还是 400 块钱的房子更好卖？怀柔区可能两室一厅的房子更好卖，但 CBD 就有可能是一室一厅的房子更好卖，用这些分析的结果指导销售人员获取房源，一个量化的结果就是新签房屋的动销率提升了 20 个百分点。
目前我们已经沉淀了 300 多个报表，有 84%的报表在一周之内被打开过，这些报表平均每天被 100 多个人访问，每天大概被访问 300 多次。
这样的做法会让 BI 团队的人感到自己非常有价值，而且这么多的报表经常被打开，说明整个公司的数据价值没有被浪费掉，也说明数据驱动业务增长的理念是深入到公司大部分的人心里的。
在更大的公司，或者说在 BAT ，数据仓库应该是被放在技术部，而不是 BI 部门。我们为什么要放在 BI 部门呢？因为这样能让分析师知道每一个指标，在数据库里是怎么被算出来的。数据的标准性和严谨性会有很大程度上的提升。
数据仓库的主要4个职能
1、负责整个原始数据的收集和清洗
对任何一个初创型的公司来讲，这个工作都是要花费大量人力的，所以我们选择使用 GrowingIO 的产品，获取实时全量的用户行为数据。
2、负责数据报表的抽取
因为公司的数据结构越来越复杂，数据报表越来越多。让数据仓库团队做一些数据指标的抽取工作，就可以让分析师直接去分析已经抽取过的统计表，大量地节省分析师在原始代码上的精力。
3、负责各个系统之间的数据规整
各个系统都会展示一些数据，但是每个系统展示的数据可能都不太一样。为了解决这个问题，我们会让数据仓库的工程师去做统一数据的输出，务必保证每一个人在每一个平台上看到的数据都是一致的。
4、负责一部分分析的职能
以上 3 个最基础的工作完成之后，数据仓库的人员也会承担一些分析的职能。
整个互联网公司市场竞争会越来越激烈，涉及到的是企业内部每个细节的竞争。我们在BI 团队设置了一个这样的职能，是因为BI团队对企业内部各个环节的数据都非常的清楚，此时他在研究外部竞争对手的时候，就会非常透彻。而整个企业内部的数据和企业外部的信息，才能组成一个企业数据完整的图谱，这样才能在一个完整的生态中找到企业增长之道。
以上的分析零散地介绍了数据团队日常的一些案例，以及为什么设置这些职能、这些职能在驱动业务增长的过程中起到什么作用。总结一下，有 6 个经验：
1、了解业务
分析师一定要足够地了解业务，因为对于一个分析师来讲，商业敏感度是第一位的。
2、主动梳理业务框架
分析师一定要主动地梳理业务问题框架，而不是被动地接受业务方提上来的每一个小问题。
3、可视化
BI 报表团队要保证每个人都有数据可看，而且务必要通过一些可视化的手段提升业务人员阅读数据的效率，让他们能迅速地提取关键的信息。
4、推动自助式分析
在企业从小到大的过程中，推动一些自助式的分析，因为自助式的分析能够解决分析师的瓶颈问题。
5、善用工具
尤其是企业成立初期，大量的数据没有规则，也没有经过任何整理，工具能够很大程度上提升分析的效率。
6、数据分析视野问题
内部的数据一定要分析的非常透彻，但是每一个分析师的眼界不仅仅如此，更要有整个行业的宏观数据，这样才能找到企业的增长之道。
以上这些经验都仅仅局限于途家网。每一个公司的行业特征、人才配置、碰到的问题都不一样，所以经验的适用程度也不一样。
除了以上这 6 个经验，还有一些通用的思考是想和各位数据从业人员，尤其是管理人员交流的。
1、我们对数据的要求是讲清楚业务，还是通过数据变现？
这其实是一个数据从业者或者说整个公司的数据负责人应该去想的一个很大的问题。途家网的商业模型决定了目前对数据的应用是这样的，但是放在别的公司，我们对数据的要求又是什么？
2、在什么阶段应该成立BI团队？
途家网是在运营两到三年后成立了BI团队。但是对于交易频次更高的公司，有可能半年左右就需要快速地成立BI团队，这样整个公司的数据才够扎实。
3、数据分析师是不是有足够的权威？
分析师提出的意见在业务改进，或者驱动业务成长过程中到底能起到多大的作用，这也是我们每一个数据管理者应该去思考的问题。
4、在特定的阶段，是研发一个工具，还是采买一个工具？
这是一个效率提升的问题，要综合考虑公司目前的数据、人员等等情况。
5、业务方是否会主动看数据？
BI 团队会把数据梳理清楚，但是我们有没有做好日常的驱动工作，让每一个业务人员去看这些数据？
6、集中式分析还是自助式分析？
集中式分析的好处是，一个人能够把公司的数据情况说得非常的清楚；但在业务发生井喷的情况下，12个人，或者20个人，甚至50个人的数据团队，也是没办法应付公司所有的业务分析需求的。
所以在不同的阶段，需要推动不同的分析方式。