数据分析如何驱动业务发展？

数据驱动业务的过程与过去数据分析基本过程没有差别，而是在定义了商业问题之后，经过数据采集、数据处理、数据建模与分析的基础上，根据商业问题，再进一步的理解和应用数据，将数据变成有价值的业务行动，最终带来营业收入。本文将从数据采集与处理、业务分析与建模、数据解读、业务落地与执行四个层面来进行阐述。

1、数据层：数据采集与处理

传统数据采集一般是有限的、有意识的、结构化的进行数据采集，我们最常见的就是问卷调研，采集数据的目标明确。采集到的数据是作者所设想的情况，数据的结构化较好。一般的数据库Mysql甚至Excel就能满足数据处理过程。

而在如今的互联网时代，大数据的采集过程基本是无限的、无意识的、非结构化的数据采集。各种纷繁复杂的行为数据以行为日志的形式上传到服务器。专属的例如Hadoop、Mapreduce等工具就不赘述。

2、理解层：业务分析与建模

在做数据分析时，多维交叉分析是一个很好的分析手段。当我们看数据的整体趋势时，能发现业务发展是否有问题或者机会，但是不能够发现问题到底出在哪里，或者说机会在哪里。那我们会主张进行多维下钻分析，比如渠道、版本、国家、设备属性和自然属性，这些都可以作为维度去做交叉分析，最终定位问题出在哪里。

使用的数据分析模型，例如基本统计、机器学习、例如数据挖掘的分类、聚类、关联、预测等算法，传统数据和大数据的做法差别不大，例如银行、通信运营商、零售商早已成熟运用消费者的属性和行为数据来识别风险和付费可能性。但是由于数据量的极大扩增，算法也获得极大优化提升的空间。

3、分析层：数据解读

数据指导业务最重要的是解读。传统一般是定义业务问题之后，采集相应的数据，然后根据确定的模型或分析框架，进行数据分析、验证假设、进行解读，这样的解读空间是有限的。

而大数据提供了一种可能性，既可以根据业务问题，封闭性地去挖掘对应数据进行验证，也可以开放性地探索，得出一些可能与常识或经验判断完全相异的结论出来。可解读的点变得非常丰富，同时也可能发现一些意识意外存在的问题。

4、应用层：业务落地与执行

根据数据解读的结果，发现问题或者机会之后，我们要先制定一些行动策略。这一步即是打通数据分析和行动断层的关键一步。拿生命周期管理常用的策略举例来说，包括拉新策略、提活策略、流失召回等等。

策略制定好之后，接下来就是快速执行了。行动是验证数据分析结果和策略有效性的最后一步。跑得越快，成功的可能性越高，所以优良的执行力非常重要。在腾讯奉行的也是小步快跑，快速迭代，出错没问题，要保证速度。