凹凸技术揭秘 · 数懒 · 增长团队好帮手

为什么要做数懒

业务诉求

如果你做业务，你一定会遇到这些问题

设计驱动业务，发力点在哪？如何发掘？业务如何认同你的建议？
业务认为某个功能点存在问题，大家发生了冲突，如何有理有据地说服业务？
页面的数据增长和设计或者某些功能点到底存在什么关系？是否有因果联系？
如何处理数据，收集到的数据如何分析，业务的北极星指标和哪个数据有关
...

作为业务前端，在工作中打交道最多的莫过于每年各种各样的活动了，而对于活动来说，最重要的就是数据。

所谓「数据」，是未经加工的原始素材，而我们需要的则是「信息」，信息才是分析加工之后能够用于决策的依据。在大数据时代，数据分析能力是每个增长团队提高用户增长最主要的决策依据，从数据中我们可以总结出活动的效果和不足，来为交互的体验、视觉的设计和业务侧的运营策略提供可靠的支撑。

但是，以往我们分析数据，都是依靠人力提数、清洗、分析、画图，最后做成分析报告，流程非常繁琐，并且极度消耗人力，所谓“工欲善其事，必先利其器”，业务方迫切需要一个能够集数据分析、可视化于一体的工具。

现有解决方案

市面上已经存在一些可视化的数据工具，很多人肯定会有疑问：“为何不使用他们？再做一个工具是否会重复造轮子？”

因此我们针对公司内部和外部的数据工具进行了一轮调研。调研结果显示，目前的大多数工具都只能提供一些基础的数据展示功能，至于可视化之后，如何利用数据、如何分析数据，则基本是一片空白。有些工具有一些简单的指标对比，但是也无法得出对比后的结论，依然需要使用者自行处理，并且业务方反映，这些工具基本无法为他们提供帮助。而那些商业化工具，大多需要高昂的使用费用。

于是，我们想做一款 “对业务有帮助” 的数据分析工具。

流程拆解

我们首先要清楚，我们的分析流程具体是什么样，为了方便理解，我们根据数据分析的生命周期，将整个流程拆分成了几个阶段：分析前、分析中，以及分析后，通过这几个阶段，我们来逐一实现具体的需求。

分析前

“数据质量差、口径不一，处理数据实在是太太费时了……”

在分析前，主要存在以下几个痛点：

数据的口径不统一，处理麻烦
数据量大，效率低下

业务方有很多的提数平台，不同平台来源的数据格式、指标都不一样，这就导致了业务方处理数据的效率会十分低下。例如双十一活动，总项目将近200个，仅数据清洗的工作，就达到了25天，往往数据清洗完毕，活动都已经结束了，并且有的项目的数据指标格外不一样，这就必须手动处理一次。

所以我们需要一个清洗工具，能将不同来源的表，统一清洗成同样的格式进行分析，并将原始数据存入数据库。

数据清洗的主要流程：

将所有数据来源按照数懒的标准格式进行抹平
解析页面、楼层、坑位数据
错误检查
存入数据库

分析中

“怎么分析数据？难道我要去学数理统计吗？”

在得到数据后，所有的一切都是围绕“如何分析数据进行”，但是专业的数据分析流程，非常复杂，即使是我们经常提的ABtest，也不是一般人能够掌握的技能。因此，我们如果需要自动化分析，就必须将数据分析的过程进行解构：

目标制定
指标分析
定位问题 / 优势
得出结论 / 验证以往结论

分析后

“分析报告太多了，检索好麻烦啊，写报告好累啊...”

在分析结束后，我们需要将所有的分析结果进行收集、分类以及存储，并且提供检索功能，能够直接通过关键字或者项目直接提取报告，业务反馈“最好”有报告生成功能。

数懒

最终，数懒诞生了。数懒是一款可视化数据分析工具，与以往数据工具不同的地方在于，数懒在可视化展示的基础上，将数据的维度从项目细分到了楼层、坑位，并且提供了数据清洗、策略验证、结论报告导出功能，一次性将数据分析的整个流程打通，为需求方提供一个完整的解决方案。

分析流程

1.数据清洗

树懒提供了一个可视化的桌面清洗工具，用户可以使用该工具对数据进行清洗，并且会对数据进行错误校验，最终得到高质量的标准数据格式。随后，数据会被直接上传到数懒上进行存储和检索。

2.数据分析

a. 页面大数分析：

大数是数据中最核心的指标，指 PV、UV、点击率、转化率 等。这些数据能直观的显示分析目标的基本情况。通过分析页面的大数，数懒会提供一些能够反映页面问题的指标分析结论，例如页面的效果、收益或者吸引力。

数懒支持2个指标同时分析，可以发现大数的规律，并梳理出了 27 种特殊的数据场景，系统自动判断后将会输出结论并追溯原因。

b. 楼层细化分析

与大数一样，楼层分析功能通过细分页面数据的楼层ID，向用户展示每个楼层的基本数据信息，最后分析数据，得出一些场景结论。

楼层分析支持 11 种特殊场景，通过 四象限功能 平面化所有楼层，用户可以直观地查看每个楼层分布的区域，在用户发现问题，准备溯源的时候，会展示楼层内坑位的核心数据，帮助用户快速定位问题原因。

c. 用户画像

用户画像顾名思义，就是提供每个活动的用户特征，帮助用户了解用户的情况，从而在业务中，针对不同的人群能够进行相对应的策略推送。

d. 多目标对比

相对于传统数据工具，数懒最主要的改变就是可以进行不同目标之间的数据对比，从而可以分析出某些活动之间存在的关联。

用户可以选择2个目标进行对比，查看2个活动页面之间的指标差异，同样，与大数类似，用户可以通过对比2个活动，发现问题并获得相应的建议。

多个目标对比时，会以表格的形式展示所有需要对比的活动的大数指标。

e. 策略验证

策略验证是数懒的核心功能，这也是数懒和其他数据工具最大的区别。目前树懒将验证目标分成了 4 个大方向，每个大方向下细分了不同的贴合业务的具体目标，选择验证目标后，系统将会给出最终的 目标达成效果，并呈现可能导致数据变化的原因和分析方向。

在验证目标后，还可以针对核心验证指标进行数据拆解，展示细化数据，用户可以通过分析列举的因素，追溯影响数据的原因。

f. 报告生成 / 结论检索

报告检索是需求方日常工作中比较耗时的操作，他们需要在一大堆文件夹里，寻找过往的文件。于是，我们使用 Html2Canvas 将页面的结论直接生成图片，在生成过程中，用户可以自由编辑报告的排版，格式等，节约大量时间。

同时，用户只需要在结论检索功能中，输入项目关键字，就可以搜索过往分析报告。

数懒的未来

提高分析专业性

虽然目前树懒具备一定的数据分析能力，但是归根结底，数懒只是一个解决方案，它并不是完美的。数懒目前大部分的分析结论都仅限于我们经手活动的主观经验，很多分析的结论并没有去验证置信度，并且分析的数据样本数也过少，很多策略并不能成为有效结论。

就如前面所说，真正的数据分析，需要具备扎实的专业知识包括数据、定量分析等，这些技能都是需要经过大量的学习才能进行实际应用。而结果是否有效直接影响使用者的最终应用效果，作为非数据分析专业的开发者，树懒最核心的进化方向就是提高分析过程的合理性和结论的有效性。

功能解耦

「上云」是所有中台的未来趋势，许多合作方也提出能否将数懒的一部分分析功能提供给其研发平台，说明很多用户可能其实对数据分析的使用场景是不一样的，例如某些用户只想做ABtest，一些用户更想要问题归因，但是数懒是一个独立平台，如果所有功能都集成到一个平台，那么整个平台将会十分臃肿，不仅使用体验会越来越差，整个平台的开发成本也会越来越高。

所以，将功能进行拆分解耦是必不可少的一步，将不同的分析功能进行拆解，可以适应任何数据格式的分析场景，将不限于目前的数据格式以及分析目标，任何平台或者用户接入将只需要选择特定功能进行使用，不需要依赖数懒整个平台，不但利于用户使用，也更有益于数懒的发展。

目前数懒的ABtest功能已经解耦完成，接入了其他平台开始分析工作。ABtest功能可以对比多个分析对象的活动指标，得出实验的效果，为用户后续的策略提供佐证。

写在最后

在这个流量成本愈加昂贵的时代，如何高效低成本地保持增长是所有业务团队的核心目标，而这其中就离不开数据分析的辅助。离开了数据，所有的一切想法都是“我觉得”、“应该是”，所有的一切尝试都是在试错，所以数据分析的重要性对于任何处于增长团队中的成员都是不言而喻的。人不是万能的，「磨刀不误砍柴工」，适当的借助工具来支撑数据分析工作能够有效地提升人员效率，而好的工具则会提高最终运营成果，而这就是数懒的目标，数懒将会努力的成为所有用户「简单」「快速」「好用」的小帮手。