【猎云网（微信号：ilieyun
）】4月15日报道（编译：蔡妙娴）
编者注：本文作者为Tristan Handy，Fishtown创始人兼总裁。文中会提到他的创业故事，以及他对企业发展路径的探讨。
你需要分析。对此我非常自信，因为在今天，谁都需要分析。不光是产品、营销或金融、销售、物流，每家创企都需要分析。分析结果决定着公司决策，大到战略目标，小到战术目标；大到董事会议，小到员工事宜，无不需要分析。
本文将就“如何建立公司分析竞争力”进行阐述。我们所要谈的，不是你应当追踪哪些指标，而是如何生成所需数据。我们发现，“如何打造一门能够产出全面、精确的数据的生意”是一个非常难以得到答案的问题。
而且，这个答案还在不断变化中。分析系统发展极快，你所拥有的选择可能在24个月里就发生了翻天覆地的变化。
首先：为什么要听我的？
过去20年，我一直在和分析打交道。在此期间，我见到过成功案例，但更多的是失败案例。我职业生涯的前部分时间忙于开发传统的企业商务智能系统，2009至2010年，我打造出了Squarespace的首款分析系统，并凭借产出的数据收获了A轮融资；我先后到社交媒体分析创企Argyle Social担任COO，及商务智能平台RJMetrics担任营销副总裁。
后来，我创办了Fishtown Analytics并担任CEO，致力于帮助创企管理人员分析运营数据。在Fishtown，我们最开始的目标客户是那些完成A轮融资的公司，帮助他们建立分析系统。
现在，我会一步一步指导你，如何根据发展阶段进行数据分析。无论是哪一个阶段，我所围绕的中心都将是：我至少可以避免什么？我们不是来建空中楼阁的，答案还是越清晰越好。
创始阶段（0-10名员工）
在这个阶段，你还没有任何资源或空闲时间。但你要确保一件事情：收集好产品数据。其他事情都可以退居次位。
如何行动？
用谷歌Tag Manager在网站上安装一个Google Analytics（GA）。在处理之前这些数据可能不甚完美，但此时你还无需担心这一点。
如果你是一家电商公司，那么你需要确保GA数据是有效的。GA可以帮你追踪用户的购买过程，你要做的，就是花点时间保证数据质量。
如果你是一家软件开发公司，那么你需要追踪消费者行为。我不管你用的是Mixpanel还是Heap，这两种工具都是很不错的。在这个时候，不要花过多心思去考虑追踪哪些数据，总之安装上Mixpanel的自动追踪系统或Heap的默认系统就可以了。
如果你不太懂技术，那可能需要一位工程师来帮助你运行GA。整个安装过程大概耗费1-2小时，但绝对是值得的。
需要规避的行为
任何上述以外的行为都应避免。不要听信别人让你去买数据仓库、商务智能平台等等。保持专注。当你决定进行分析后，成本是在所难免的。数据在变，商业逻辑也在变。一旦踏上分析的道路，你就不能停下来。
超早期阶段（10-20名员工）
你的团队已经得到了一定程度的拓充。团队成员想要做好工作，也是需要有数据提供参考的。他们也许不是数据专家，但是你要保证他们能够出色完成基础工作。
如何行动？
这时的你大概已经招聘了一位营销人员，你要把GA交到他们手里，并让他们负起责来，以确保数据的准确性。营销人员可能会跟你说，“我不是做GA的料”，不要相信这样的话。
如果他们足够聪明，足够勤奋，网上有关GA的信息足够他们学习、理解。如果他们确实不能理解，那就开除另征人才吧。对，我是说真的。
需要规避的行为
现在讨论数据仓库还为时尚早，也没必要进行SQL（结构化查询语言）为基础的分析，因为它们会占用你太多时间。你需要把精力全部放在做实事上，而不是分析。为此，你就要充分利用各种SaaS产品中的内置汇报功能。此外，这时候就雇用一名全职分析师也不是明智的选择，在资金有限的条件下，重要事情还有很多。
早期阶段（20-50名员工）
从这个阶段开始，有意思的要来了，过去两年的努力逐渐显现出成果。当你完成A轮融资，拥有20多名员工的时候，你就有了更多选择。
不过，这些选择都基于这样一个前提：分析技术的快速升级。过去，分析基础设施是大公司的特权，现在一切都变了。那么，分析能够带来多少好处？答案是，它能制定更可靠的指标，增强公司灵活性，完善平台助力未来发展。
早期阶段最为艰难也最为关键。数据处理好将受益无穷，处理不好苦痛也就随着而来。
如何行动？
建设数据基础设施。也就是说，选择数据仓库、ETL（数据的抽取、转换、装在）工具和商务智能工具。数据仓库方面，Snowflake和Redshift都是不错的选择；ETL工具则可以选择Stitch和Fivetran；商务智能可以考虑Mode 和Looker。当然，还有许许多多相关工具，只不过这6种是我们经常推荐给客户的。
招聘一位强势的分析负责人。随着公司发展，你将需要一支专业分析团队：工程师、分析师、数据科学家……但目前而言，你能负担得起的，也就是一名全职员工。你需要找到一个从入职第一天起就为公司带来价值的人，同时，在公司发展的过程中，还要围绕这个人壮大分析团队。这种人很难找，所以别怕花时间。一般来说，拥有顾问、金融背景的人较为适合这个岗位，他们通常也都有MBA学位。
这个人要敢于卷起袖子大干一场，敢于吃苦、受累，要以战略性的眼光分析数据和公司业务。在未来的日子里，他将成为分析团队最重要的一部分。
另外，还可以考虑雇用一位顾问。即使你找来的分析负责人非常优秀，也不能保证他完全明白如何整合技术堆栈，或有充足的经验，解决公司发展过程中的所有分析问题。在此关键阶段，一旦犯错，将给公司带来金钱和时间的双方面损失，因此，打下坚实的基础很重要。这就是为什么越来越多的创企开始选择聘请一位分析师，帮助他们搭建基础，并围绕这一基础组建团队。
需要规避的行为
除非机器学习是产品的核心部分，否则尚且没必要招聘数据科学家。你需要的是一位全才，而非专家。
哪怕你爱得要命，也不要尝试自己搭建ETL管道。因为这会浪费工程师太多时间。现成的Stitch或Fivetran就很好。
中期阶段（50-150名员工）
这一阶段可能是最具挑战性的。你的团队规模尚且较小，资源较少，但多方均要求你赶紧对业务进行精细、多样的分析，而你的工作将直接影响公司的成败。
在此阶段，向前发展的同时也要回过头来看看基础设施是否牢固。毕竟，未来的发展还要倚仗这些基础设施。
如何行动？
完成SQL为基础的数据建模。数据模型是分析服务的基础，并应广泛分布于所有的分析用例——从商务智能到数据科学。
另外，要将现有网页分析和活动追踪迁至Snowplow Analytics。Snowplow拥有所有付费工具的功能，但是开放源码。如果你没有将上述内容迁至Snowplow，你将漏失许多细微数据。
扩张团队时要考虑周全。团队的核心永远是业务分析师，也就是那些拥有SQL经验，熟练使用商务智能工具，并将时间花在企业用户打交道，以帮助他们解决数据需求的人。这样一个人应当具备哪些素质，应当如何培训，应当给予怎样的工作条件，这些都是要你仔细考量的。同时，这个阶段你还应当聘请一位数据科学家。
要有选择地解决某些潜在问题。预测问题的发生比想象中要难，但你可以从以下几个重要方面着手。如果你是一家SaaS公司，则应当建立用户流失预测模型；如果你是一家电商公司你，则应当建立需求预测模型。这些模型不一定要多细致，但总比在Exel里填充数字要精确得多。
花些时间、精力进行营销归因。这个问题其实能写上一整篇文章，但我要说的一点是，不要把这么重要的问题交给第三方负责。
需要规避的行为
这时候的你很容易在数据基础设施上投资过多时间和精力。千万不要这样。在中期阶段，大型基础设施投资依旧会浪费你的很多资源。
成长阶段（150-500名员工）
这一阶段的重点在于打造规模化的分析程序。你要掌握好平衡，让今天的分析过程也能适应未来的团队发展。
当员工人数达到150人时，你大概会有一支3-6人的全职分析团队；但当员工总数达到500，这支团队也就相应扩大到了30多人。3-6名分析师还能进行点对点合作，互相交换信息和代码；一旦分析师的人数超过8，事情就开始乱套了。
如果你不处理好这一转变过程，那么团队越大，你们的工作效率反而越低。你会发现，挖掘深入结论的时间更长，分析结果的质量却更低。当数据越来越多，分析师也越来越多时，你要制定好工作流程，以保证他们顺畅合作。
如何行动？
进行数据测试。在成长阶段，多个渠道同时向仓库输入数据，你需要确定的工作流程来保证数据流入遵循公司的需求。如果缺少这一过程，你的分析结果质量将不断下降，而你还丈二和尚摸不着头脑。
需要规避的行为
不要接受理由或借口。这一阶段的数据分析工作一定是痛苦的，需要有能力的团队不断创新、提高。分析师们并不习惯于测试自己的代码，一定会有人厌恶这样的工作，尤其是那些记得“过去的美妙日子”的老员工。
过程虽然痛苦，但最终将会使数据分析更加便捷、快速，结果更佳可靠。如果你真心热爱你的事业，你会挺过来的。
