国内趋于概念化的 “数据分析”，在硅谷是怎样真正落地的

“大数据” 和 “数据分析” 是两个挺有意思的词。在平常采访的时候，这些词有很大的概率会从坐在我对面的创业者嘴里冒出来，即使他们项目的背景千差万别；另一方面 ，真正在做 “数据分析” 这项工作本身的又很没几个，在交谈中能让你对 “大数据” 三个字眼前一亮的更是寥寥无几。不过，前几天关于张溪梦的采访，我印象倒是挺深刻的。原因大概很简单：对方首先就是吃数据这碗饭的，而且，他还是一个来自硅谷的大神。

张溪梦此前从事过的最广为人知的一份职业——也是他创业前的最后一份工作——是在LinkedIn。在那里，他一路从 Data scientist 做到高级总监，4年 内据说升了四次职，最后从无到有一手组建了整个商业数据分析部门。这个部门如今人员规模已经达到 80+，对 LinkedIn 的重要性不言而喻。而在 LinkedIn 之前，张溪梦在硅谷的工作经历还包括：Linde、Epson、Petco，以及Ebay。

现在，张溪梦出来创业了。他在做一款名为GrowingIO的数据分析类产品，目标是中国市场。

在采访过程中，在硅谷积累了丰富经验的张溪梦谈到了很多数据分析行业里的观察和思考。其中他提到了美国成熟商业体系下的数据分析所处的角色，让人很有启发。写出来分享给大家：

数据分析是商业运营的一部分

“国内做数据分析的，有一个不足是对商业结果的关注不够。我觉得美国这一点就做的非常好——他们把数据分析变成商业运营的一部分。比如，他们的市场推广、产品设计、销售流程、客户服务，包括风控这些部分，基本上都是全数据驱动的。里面有很多东西听起来很 TDS（流程化），包括人与客户的交互，每个人都像有一个精确的导航系统一样。这样做事情的效率就会提高很多，因为你不需要在很多人为判断上浪费时间。”

“你把人的效率提高了，本质上一个公司的效率也就提高了。最终这些变量都会为公司做出整体上的优化。”

“另外一点，这种系统一经运营起来之后，这种小幅度的进步会不断的演化，最后产生大幅度的 revenue 上的增长。这一点我觉得是国内值得学习、并且必须去做的事情。像以前我在做市场分析的时候，他们对每一个渠道拉来多少客户、转化率多少、投资回报率多少，都会给予全方位的关注，长期进行跟踪，再不断总结，最后反过来对业务进行优化。”

事先的预期和推演很重要

“老美还有一点很厉害，就是他们每做一件事情都会做推演。老美做一件事本质上都有一种预期，这种预期一般是通过数据分析提前计算出来的，而不是拍脑袋决定。这有点像孙子兵法里的神机妙算，还没打仗就提前做各种递归和推演。然后出来以后，结果必须是和事先的推演接近的。”

“如果结果和预估是完全相反的，即使业务上有提升，这个活动也是失败的，做这个活动的人能力也会受到质疑。他们讲究事先的这种 expectation 是因为，只有当你的结果和预期相对一致的时候，你才能从中找到总结的方法，再逐步去继续优化下一件事。我觉得老美这套东西发展这么多年，还是很有意义的。”

“而实际上这套东西，都是他们从零售、保险、能源、物流甚至军工这些传统行业里慢慢剥离、抽取最终总结出来的。今天互联网上用的很多模型，说真心话，我觉得在本质上并没有源认知级别上的改变，只不过是用技术把它大幅度的放大了。”

数据分析是用技术手段把商业本质放大

“在商业上很多的原始认知和管理方法，最早的时候都是从军事开始的，数据分析就是这样。比如说统计学的第一次大规模应用，在所谓非数学领域里面，是在一战的时候开始用的。他们当时计算的是地上的炮火打在机翼上的弹孔密度。那时攻击的主要方法是通过不同的战术编队发起进攻，然后回收那些机翼，计算弹孔密度，进而优化他们下一次机型的编队。”

“后来这些方法慢慢从军工里面进入到民用，再到零售、保险、金融这些 section。这里面本质上还是反映亚当斯密那套 supply and demand 的方法，就是如何优化你的供给和需求，让它们达到平衡。如果你能做到大局上的平衡上和微观层面上的平衡，优化效果就达到了。”

“在一九六几年之后，麦肯锡这些公司和管理咨询这群人，又接着把数据分析升华了，变成了基于数据和商业洞察的战略性分析。这里面有两个分支，业务上的和数学上的。这两个分支慢慢 convert，一步一步的沉淀，最后变成一个综合的分析方法，又逐步分散应用到各个行业里。”

“我 12年 前刚入行做市场营销的时候，有一个很简单的 case。就是你买一台 PC，然后再买一个打印机就能享受折扣。需要解决的问题是，什么样的人买了 PC，应该给什么样的打印机折扣。”

“这个 case 看起来很简单，拍脑袋就可以决定。比如直接给一个 5000 块以上电脑、15%打印机折扣的方案。但他们处理这个 case 的时候，会根据 PC 的型号、商店的位置、消费情况、打印机档次等等多维数据，综合计算出来一个结果，最后这个结果，他必须保证每种组合的 deal 对这个消费者来说是可负担得的、最优的，同时每个 deal 公司自己又是盈利的。”

“当时还有很让我震撼的一点是，如果公司要做一个活动，事先得出的一个假设是，女性客户应该会对这个促销活动更感兴趣，那他们并不会马上就针对女性用户做投放，还是男女各 50%的 percent 这样投放。最后看结果，女性用户的转化率确实比较高，验证了这个假设后，他们才会再在下一次活动中专门针对女性群体进行广告投放。”

“市场营销是这样，零售业这个古老的行业很多也是如此。很多商业上的原理和本质很早就在这些传统行业里被摸透了，但是以前的技术条件有限，他们试图做这种数据分析的时候不是那么容易。比如，美国的公司常常需要先把数据发给印度的公司，然后印度公司再把整理结果发回到美国本土进行分析，这中间周期就很长，效果没法那么明显。现在有了互联网，有了大数据，本质上是给了一个更好的工具，这个工具再把这种效果放大了而已。”