第一条
数据驱动业务中的“数据”广义来讲不仅仅是指存储在大数据平台的那堆数据(反映客观事实)，也包括战略、组织、机制、流程、人性、认知、客户的想法、一线人员的技能等等，即使它们还没有被量化或者无法量化，也不能当成看不见，否则就会得出每天看K线的股民比凭经验决策的老板更懂数据的谬论。以下如非特别说明，都指狭义的那个数据定义。
第二条
数据驱动业务中的“业务”不仅仅指产品或业务线，还包括公司战略制定、组织优化、机制变革、流程优化、商业模式重塑、规划投资、精细运营、精准营销、精准建设等等，因此不要总在一个方向猛干，适当的抬起头，俯瞰下全局，也许能找到更合适的驱动对象。
第三条
数据驱动业务的策略制定来源于直觉与客观事实(数据)两个方面，驱动的策略应该依赖【直觉驱动】还是【数据驱动】取决于企业所处的阶段，业务开展早期，【直觉驱动】成功率更高一点，但随着业务发展，好的直觉不再足以驱动业务继续增长，这个时候【数据驱动】的价值就会变大，但不能因此否定直觉。
第四条
数据驱动业务有二种情况，驱动自己的业务与驱动别人的业务，驱动自己的业务由于一切数据(广义)都在掌控中，因此比较容易实现，驱动别人的业务则相反，没一定的策略往往头破血流，当然有一种情况例外，即公司领导亲力亲为顶你，但这种机会可遇而不可求，恰好大鱼碰到过一次。
第五条
数据驱动业务有其不可克服的弱点，如果把数据驱动业务比作开飞机，那么数据就是传感器、仪表盘、报警灯，传感器获取数据，仪表盘展示数据、报警灯进行预警，但飞机主要还是靠发动机驱动，数据仅仅是个辅助角色，当然你说驱动也勉强可以，但很多业务的开拓跟数据真没关系，比如从0到1的产品创新，因此不要神化数据驱动业务。
第六条
用数据驱动别人业务的不二法则：帮助其完成KPI，即使你胸怀天下，也要很谦卑的从帮助别人完成KPI开始，大致可以分为四步：
- 做好KPI和过程指标，让别人看得见；
- 做好报表或BI，让别人看得爽；
- 找到KPI指标的痛点，产生共情，与别人共生；
- 对痛点进行分析，给别人提升的建议，让别人获益。
天下熙熙皆为利来，天下攘攘皆为利往，用数据驱动他人业务，最后玩的还是人性和利益。
第七条
数据分析的方法有四步：
- 第一步：业务理解，就是确定业务目标，理解业务流程，分析每个业务节点;
- 第二步，量化指标，就是从业务节点中定义衡量指标，明确分析维度;
- 第三步，指标对比，就是在抽丝剥茧的层层指标比较中发现异动;
- 第四步，假设建议，就是针对末端叶节点的指标异动给出假设，一般要基于业务的常识进行推断，然后给出针对性建议。
第八条
理解业务要有三大格局：
- 中观：业务对象、业务流程、业务数据和业务问题
- 上观：行业、战略、愿景、组织、机制和流程
- 下观：围绕中观对象刨根解牛，拆解拆解再拆解，直到拆解到常识能理解的程度。
我们习惯于在下路猛干，往往事倍功半。
第九条
掌握一些分析模型让我们理解业务事半功倍，这些分析模型包括PEST、5W2H、SWOT、波士顿矩阵、SMART原则、波士顿五种竞争力分析模型、价值链模型、逻辑树方法、鱼骨图等等。
第十条
现代管理学之父彼得·德鲁克说：如果你不能衡量它，那么你就不能有效增长它。对于业务也一样，如果你不能用指标描述业务，那么你就不能有效增长它。
第十一条
好的指标有两个特征：
- 第一是具有核心驱动的特点，一般从战略开始，然后识别到关键成功因素，再推断出核心指标，比如用户数和活跃用户数两个指标，显然后者于业务成功更有价值。
- 第二是比率或者比例，因为有比较才有鉴别。我们经常看到绝对值指标也会属于企业的核心指标，一方面是因为其也是比对的结果，只是老板把这个比对过程隐藏了，另一方面是宣传的需要，在任何数据分析中给出一个绝对值而不作特别说明，会让老板觉得莫名其妙。
第十二条
指标体系的构建也是有模型可参考的，这里提供5个：
- PLC模型，指产品的市场寿命，即一种产品从开始进入市场到被市场淘汰的整个过程。产品的生命周期有探索期、成长期、成熟期、衰退期；
- OSM 模型，是指标体系建设过程中辅助确定核心的重要方法，包含业务目标、业务策略、业务度量，是指标内容横向的思考；
- 指标分级模型，根据企业战略、企业组织及业务进行自上而下的分级，对指标进行层层剖析，比如一级指标：公司战略层，二级指标：业务策略层，三级指标：业务执行层；
- AARRR模型，就是海盗模型，也是用户分析的经典模型。它反映了增长贯穿于用户生命周期的各个阶段，即获取(Acquisition)、激活(Activation)、留存(Retention)、变现(Revenue)、自传播(Referral)；
- RFM模型，该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3项指标来描述该客户的价值状况。
第十三条
数据分析的本质就是将复杂的数据分解到0或1(代表人的常识能判断的对或错)的建模过程，与机器学习不同的是，这个过程是人主导的、结构化的，线性可理解的。
第十四条
优秀的数据分析师要有二个执念：
- 第一，业务是我的生命线，在一个企业内，最容易拉开数据分析师差距的，往往是独特的业务理解力。
- 第二，我既要理解他人的需求，更要理解他人的问题。平庸的数据分析师则用效率来掩盖自己思维上的惰性，取数机器就是这么来的，好比一头拉磨的骡子，每天在那里转同一个圈。
第十五条
要想成为一个好的数据分析师，可以问自己五个问题，认知有没有差别?技能有没有差别?效率有没有差别?信息有没有差别?资源有没有差别?随着数据开放和基础设施的普及，数据分析师在操作技能、工具使用、信息获取、数据资源上的不对称优势逐渐消失，唯一的差异化就是认知，这也是你读这篇文章的原因。
第十六条
一般的数据分析师用狭义的数据驱动业务，但广义的数据驱动业务需要战略、组织、机制、流程、业务等等能力的加持，因此数据分析师的职场最终归属一般是业务和管理，如果你执着于做狭义的数据分析师，那BI总监也许就是天花板了。
第十七条
数据驱动业务的四个阶段：
- 第一阶段：从零到一，直觉驱动业务野蛮生长;
- 第二阶段：增长放缓，实验评估助力业务小步迭代;
- 第三阶段：增长遇到瓶颈，数据驱动业务找到新目标体系与增长发力点;
- 第四阶段：数据持续驱动细分人群的差异化策略迭代。
第十八条
赵括有那么多的数据，信息甚至知识，但他还是无法打胜仗，因此，数据本身无法驱动业务，信息不行，人工智能也不行，事实上，数据只有转化为智慧才能驱动业务，上面的十七条也许有助于你找到智慧之路。
