如何从零开始搭建数据分析后台 | 饭大官人

先跟各位读者老爷们道个歉，这段时间总是接广告，非常不好意思，其实我也比较克制了，基本上接的广告都是教育类的，这些教育类的广告9.9块的体验课也买不了什么吃亏上当，在我心中始终认为，投资学习这件事情，永远都不会太亏。各位老爷们也不知道我拒绝掉了多少广告……如果实在难以接受，哎，那就算了吧。

广告接多了，实在不好意思，今天补一篇文章。

假设有一天你去了新领域，比如饭大就去人工智能领域，如何抽象、提取底层业务原理，并从零开始构建一个数据分析后台。

·  正  ·  文  ·  来  ·  啦  ·

01

任何互联网产品，都离不开数据，毕竟数据是衡量产品表现的重要手段，从事自然语言处理以来，也构建了一套通过数据迭代产品的方法论，以下分享一下自己在NLP领域的数据体系搭建心得，期望抛砖引玉，带来更多的碰撞和交流。

笔者写作比较谨慎，在使用“数据体系”这个词的时候，比较慎重，在提炼方法论的时候，也是尽量保证方法论的通用性。

还是描述一个场景，设置一个命题：

任何互联网产品，都离不开数据，毕竟数据是衡量产品表现的重要手段，从事自然语言处理以来，也构建了一套通过数据迭代产品的方法论，以下分享一下自己在NLP领域的数据体系搭建心得，期望抛砖引玉，带来更多的碰撞和交流。

笔者写作比较谨慎，在使用“数据体系”这个词的时候，比较慎重，在提炼方法论的时候，也是尽量保证方法论的通用性。

还是描述一个场景，设置一个命题：

当你掌握着AI的实际商用能力，并进入一家公司成为业务负责人，此时公司要求你，使用AI赋能某项业务，并要求：通过数据体现业务价值，并希望此后通过数据迭代、验证、优化改进产品，你该如何从零开始构建数据体系？

毕竟在笔者刚进入AI领域的时候就遇见过类似的命题，我想这也是每一个期望独当一面的AI产品经理迟早会遇见的命题。

搭建数据体系，三步走。

一、明确行业的业务需求，确定统计指标。

二、建立数据字典，方便开发进行数据埋点。

三、建立数据分析工具，方便业务人员使用。

02

一、明确行业的业务需求，确定统计指标。

先从行业来看。

AI技术正在被各个行业所应用，首先要明确自己用AI能力所服务的行业，在意什么数据指标。如：金融、电商、教育、医疗、游戏、社交、线下生活服务等诸多领域，各个行业在意的数据都不一样。这一点不必多说，相关从业者想必也非常熟悉了。

再从场景来看。

使用AI能力，基于用户场景的获客拉新、提升留存、促进活跃、提升销售、挽留/回流、提升服务效率、服务质量，用户满意度等等等等。

大到设计一款商业产品，一项业务技能、小到迭代一个功能点，完成一处优化，最好要心中做好规划，并且在需求文档上体现，验证本次期望提升的部分，并以数据的方式展示。

不同的业务、不同的目标，决定了我们要选取什么数据指标来衡量。

（笔者早年做过运营，且数据分析的基本功较为扎实，故而这个命题经过多年的业务迭代，心中自成一套业务框架，无非是换了一个新的领域应用而已）

这个阶段属于思考认知，本质考量的是数据专业的积累，与AI能力无关。这一块在很多的成熟公司都已经比较健全了。毕竟我们要做的是从零开始搭建整套数据体系，写上述内容也是为了构建一个全局框架。

03

二、建立数据字典，方便开发进行数据埋点。

很多业务人员做数据分析，这种我们称之为使用武器的人，一线业务人员使用的每个业务后台，其实已经是武器本身了。而摆在我们面前的难题是，如何从零开始，搭建生产武器的兵工厂？

而数据字典，则是兵工厂设计的重要源材料，数据分析后台上的每一个数据指标，都是出自数据字典。

数据字典——所有统计指标的集合。是我们需要日常维护，基于需求不断拓展的。

我们先整体看一下整体结构，然后逐一就NLP领域，针对每个类别做定义和解释。

【全局数据】我们常用的大业务数据后台，都是各个部门的负责人需要看的，有些根本与NLP无关，但是可以反馈产品的具体表现。

【个体数据】一般是产品/运营/客服人员使用，帮助我们进行分类针对某个特定的群体，做服务、做抽样、做特性分析用。

在我心中，AI的能力是可以存在于任何一个载体上的，特别是NLP而言，许多时候不需要摄像头和屏幕，仅仅只需要麦克风扬声器wifi模组三件套即可，所以把硬件定为主键值。

比如说：一个播放音乐的AI语音技能，可以存在于手机、平板电脑、车机、耳机、手表、眼镜、音箱……等多个硬件载体上。

我把全局数据，划分为了三个大类别，并做了定义。

下面这张图片是运营数据的一些字典相关。

在硬件载体下，还有一个渠道的概念。比如小米、华为、苹果、三星等诸多硬件厂商，往往都生产不同的硬件，渠道的统计一般是用来反馈市场部门的工作表现，同时也用于反馈用户质量的。

上图的运营数据由于字典字段过多，不逐一展示，基本是通用的。

下图则是笔者自己定义的用户使用表现，比较难以做归类，其实目前也没想好名字，主要是为了区别于业务数据。

然后业务数据，继续拆分，同样也可以划分为三个类别，这些是对AI产品经理比较重要的业务数据范畴了。

业务在我们内部分为，带订单的和不带订单的。

不带订单的，例如：天气、导航、闹钟、等工具型技能，展示的结果可以是卡片，可以是文本，也可以是其他等等。

音频资源（音乐、有声读物、笑话、养生知识等）分为免费的和付费的。所以就音频资源而言，则需要根据情况分开统计。

当然买飞机票、火车票、打车、外卖这些会产生交易的自然是属于订单模块了。

下面是以导航为例子，不带订单的BOT的埋点行为。

不带订单的相对比较容易统计，而带订单的则往往需要进行统计每个路径的行为表现了。

服务的完整性也自然包含支付环节，而每个环节都存在漏斗行为。

下图是我提供的一个带订单技能的数据字典统计框架。

而对话还可以再进行细分行为，NLP自然是服务于这一块的，以看电影举例，下单之前的所有行为，都是归属于对话的过程。

一般而言，从唤醒到出结果，意味着NLP能力的结束。用于最终是否有下单意图，也取决于此前的给予的结果是否合理。

综上，整体的数据结构就是这样，逐步，一步步地细分下来的。

其实就NLP而言，纯搭建对话管理的行为就够了。

但是如果你是一家公司关于数据体系搭建的负责人。其覆盖的范围就不局限于，仅仅在对话管理模块了。

看问题，一定要从宏观逐步看到微观。从行业角度，逐一拆解，不断细分颗粒度。最终完成数据字典的完善。

04

三、建立数据分析工具，方便业务人员使用。

当有了数据字典之后，接下来就是排列到数据后台上，做数据看板，设计筛选方式，展示方式，并且图表化。

当然了，别忘记了账号、权限、安全模块。这一块也是数据搭建体系的基本功，做过的基本轻车熟路，就不展开讲了。

然后是各个部门的人员使用，BOSS们看看大趋势，新增、活跃、收入等整体状态表现。

各个部门的业务人员，看趋势（折线），看对比（柱状），看转化（漏斗），看分布（饼状）……用来改进业务，以及出各种各样的报表。

产品人员看自己负责的业务模块，比如下图。展示的是：某个单位时间内，多少用户，使用了XX业务，中间更换了多少意图，最终完成下单行为。

各个部门各取所需，基于需求迭代工具后台。

注意，并非所有的的业务都值得上后台，比如用户使用习惯等一些特性数据，仅需要自己做阶段性的抽样取样分析，就可以了。

毕竟埋点是一个非常花费开发以及测试资源的业务。高频的上，不高频做下优先级排序，视情况上线。成熟的公司内部自有一套规则规范。小公司就得衡量开发量与人力资源分配了。

05

数据体系的大厦基石：数据字典

文章开头的命题。

当你掌握着AI的实际商用能力，并进入一家公司成为业务负责人，此时公司要求你，使用AI赋能某项业务，并要求：通过数据体现业务价值，并希望此后通过数据迭代、验证、优化改进产品，你该如何从零开始构建数据体系？

核心就是数据字典。数据字典是构建数据体系这座业务大厦的基石。

下图是我们内部完成数据字典构建的规范（拆解出NLP相关模块）。

AI产品经理思考的是，为什么要做这个数据埋点？通过该埋点，如何指导产品迭代。

本质上，数据分析是一个技能，可以应用于任何行业。我们先得兵工厂才能够造出武器。没有后台工具，一切的数据分析行为无从开展。

在NLP领域，数据体系的构建中，数据字典的建设才是全局关键，它决定了我们要选取什么数据指标来衡量业务好坏。

数据展示后台仅仅是一个大基础，我们还做了例如对话管理分析后台，本文由于定位以及篇幅原因，不展开讲了，后续会进行补充。

---

---

以上如果是同领域的同学看起来，会比较轻松，不同领域的人看起来会有一些理解上的吃力，就目前而言，写一个方法论，一定是基于一个案例拆解，才方便去会帮助各位读者消化理解。

本次系列文章的内容，会收录进我未来要写的第二本书里。在那之前，你可以看看我的第一本书《游戏运营：高手进阶之路》

虽为细分领域的书籍，但是有很多的东西，跟其它领域是通用的。

本文相关阅读：