1.为什么你应该先用好小数据
人人都在说大数据时代已经来临，在探索大数据价值时，我却认为：小数据更有力量。为什么？三个理由。
第一，大数据属于少数巨头
让我们想想大数据是从什么时候被大家认可的？——起码是在互联网发展数年，数据有足够量的积累后。这意味着在人类发展的两千年里，虽然贸易是人类的常态，但企业主体收集数据的能力有限，数据作用也大多只体现在财务上。
大数据是指有着海量数据规模，丰富数据维度以及有着错综复杂网状关系的数据。拥有海量数据规模的，起码要是行业的巨头。能够拿到丰富数据维度的，则要求与用户有多重交互，在产品售前、售中、售后数据都能收集。结果，坐拥大数据的可能就寥寥无几。
第二，大数据价值难体现
大数据分析挖掘尚处于起步阶段，数据挖掘算法还在探索中。已有数据算法模型的应用，耗时耗力，而数据模型结果价值有限。这更加大了小公司聘请数据人才的难度。
第三，小数据易收集易使用
每个企业都有自己的用户数据，可能是隔月更新的财务数据，也可能是实时更新的线上数据。即使是生活中，你也能收集到关注领域内的小数据，帮助你进行决策。
举个例子，如果你想知道各家公司的实力和市场份额，你会怎么办？去网上搜集行业数据？实地去考察各个店面的人流量？去看公司财报？这些都可行。但我看到的最简单的办法是：举手投票。在一次100人以上的培训中，讲师开始提问：外卖公司中，多少人使用百度请举手？（举手一片）多少人使用饿了么请举手？（举手一片）多少人使用美团请举手？（举手一大片）。几家外卖公司市场份额一下子就一目了然了。
这是我见过的最简单的用户调研，想起当初我们苦哈哈搞了三个月的用户调研和实地考察，一个月数据分析及汇报，不禁汗颜。
这个简单的例子告诉我们：收集数据、利用数据方式，其妙无穷。
2.什么叫小数据
那什么叫小数据？不是所有数据都能成为小数据，我对小数据定义是：数据维度不够丰富，数据规模不够大，但在分析中能够起到关键作用的数据。
在生活中，我们还是习惯于靠经验决策，而非数据。比如某某大V就用这个方法，我妈说这个有用，然后我们就会去尝试体验。却忘记了有用有效的前提、适用范围。我见过一个嘴里每天都在唠叨数据的人。出去吃一顿饭，他会跟你聊“花了多少钱得到了什么收获”；去哪修车，他会比较修车店距离浪费的油钱和修车价格的差距，哪个更划算；交女朋友，他会比较自己的经济付出和对方的付出多少。
他会计算每件事的投入产出比，评估自己付出是否值得。而且，他并不像常人一样心算，而是直接说出来。他并不忌讳自己斤斤计较的形象被谁发现。也许你不认同他的为人，不认同他事事算计的琐碎，但他时刻用数据做决策的行为，值得借鉴。当你了解自己在大事决策上的投入产出时，今后类似问题你就更有决策标准。
想起经常懊悔被推销员忽悠，买了昂贵的培训课程、办了美容卡、买了一年的健身卡没去过几次的抱怨，大多没有认真计算过自己每个月收入支出，各类支出占比的情况。如果你知道自己每个月刨除必要开支，刨除必要投资外只有500块闲钱，就不会被推销后马上去买一张几千块的健身卡，起码会在美容、健身、买包包上做个衡量和选择。后悔次数就会少一些。如此花费形成自己的生活方式，必然也是你喜欢和认可的。
3.如何用小数据分析
小数据分析方法有多种，分析思路多样，使用哪种分析方法，取决于数据分析目标。这里介绍三种分析模型：
1）对比分析法
对比分析是所有分析方法中的最有力武器，最简单实用。可能我们也用到过，比如我们会比较商品价格，购买性价比最高的商品；我们会比较哪个男人最靠谱，然后嫁给他；然而，在复杂问题的分析上，我们又会忘了这把利器。
对比分析法的难点，在于我们放哪些数据做对比。
以我们最关心的房价来看，投资性质的买房，是现在买还是过几年再买？那就要看资金用于买房投资回报率高还是投资于自己专业领域内回报率高。房价走势判断就是关键。在如何判断房价走势这个问题上，我会选择性看供应指标和需求指标。
供应指标可以看每年政府公布的土地供应指标，这是未来几年内可以供应房源的最大量。需求指标可以看每年、每季、每月新房、二手房的交易量。如果交易量在缩水，市场上需求量在减少，在供应不变情况下，价格上涨难度就大。当然这只能做短期内的价格判断。中期判断可以看政府土地供应量，长期判断就要看城市发展进程，各城市人口净流入。
再比如，如果你想了解自己商品的目标用户群高端用户多还是低端用户多，该如何分析？并不是要看购买高端产品和购买低端产品占比。你懂的，购买高端产品用户永远是少数。正确的对比方式是，和人均收入正态分布相比，你的目标用户群是左偏还是右偏？左偏低端用户为主，右偏高端用户为主。
２）因果分析法
基本上所有分析都可以使用对比分析法，而因果分析更适用于有关联关系的指标间分析。比如投入产出比模型。
企业中的投入产出比就是你投入了多少可量化成本，产出了多少可量化的收益。如果投入产出比大于１，收益就是正的，企业就是盈利的，反之就是亏钱的。但在具体分析中，企业需要考虑哪些要算入成本，固定资产投入算不算，人工成本算不算，如何摊销。
使用因果分析法分析，就要动态看指标间变动关系。起初在低水平的投入中，产出有多少，投入产出比为多大。在增加投入后，投入产出比又有什么变化。通常情况下，投入越大，投入产出比会呈现下降趋势，但只要大于１，企业仍然是盈利的，所以企业利润最大点为增加投入直到投入产出比为１的时点。
我最近看到一个公式：销售额=客流量*下单率*客单价，这是典型的线性因果关系。要提高销售额，要么提高客流量，要么提高下单率，要么提高客单价。提高客流量可能是通过品牌宣传、产品推广等方式，销售额提升，成本也会提升；要提高下单率就要找到产品核心卖点，找到目标用户群和合适的场景；提高客单价可以提高客户单次购买价格或者提高客户重复购买次数。提高单次购买价格可以通过提价、捆绑销售、交叉销售完成；提高重复购买次数可以通过推荐用户购买会员卡、充值卡等方式。
但要注意到，营销措施间的关联关系。提高商品价格会削弱产品竞争力，下单率就会降低，导致销售额不一定会提高；捆绑销售会提高单次购买价格，但会影响到品牌口碑，导致客流量降低。所以，有体系的营销策略，是在产品、价格、服务综合权衡后的取舍。
因果分析法的关键在于动态分析。什么样的因变量会造成什么样的结果；因变量变化会导致结果如何变化；持续跟踪两者间关系，会加深对业务的理解。
３）漏斗分析法
这种分析方法适合流程类。漏斗分析法，顾名思义，就是根据事物进展流程，分析各个流程的数据转化，结果数据就像漏斗一样逐步出现漏损。
漏斗分析法的关键在于理清流程，用对数据口径。听起来比较抽象，举个例子：假如你要下载一个app，需要注册、登陆、进入首页、进入详情页、进入购买页、支付6个环节。理清流程，就意味着要梳理从下载到下单的整体流程，中间不能遗漏。在进入首页后，除了进入详情页是不是也可以直接进入购买页？老用户隔一段时间使用app，是否需要重新登录？如果不需要，那登录页就会明显小于进入首页用户数。是用pv分析还是用uv分析更准确？是否所有用户都是一套流程，还是VIP用户有简化流程？
作为消费者，你只需要知道如何下单就可以了。但业务人员就要分析到所有流程，涵盖到所有用户行为。访问流程是否有区分对待？购买商品用户和内容浏览用户行为是否有所不同？对于这点，产品测试人员最有发言权。
第二点，用对数据口径。前面用访问页面总数统计，后面就不能用“下单用户数”统计，而要用“下单订单数”统计。数据分析师最了解理不清数据口径的痛苦。稍有差池，数据核对就有问题。如果自己还发现不了问题，那就属于失职了。
在日常数据应用中，你有什么精彩的案例分享吗？欢迎留言区交流。
#蔷薇记#： 记录生活之美和智慧之妙。
这是蔷薇石原创的第85篇文章。
