一、数据驱动不是看报表
很多公司「上了 BI、买了看板」，决策还是靠老板拍脑袋。真正的数据驱动，是用数据回答问题、用实验验证假设、用指标对齐目标，而不是把 Excel 做得好看。
二、先搭指标体系：北极星 + 漏斗
1. 北极星指标（North Star）
一个能代表「用户真正获得价值」的核心指标。电商可能是「月购买用户数」，社区可能是「周活跃发帖数」。它不该是营收（营收是结果，不是价值）。
2. 拆解成漏斗
以电商为例：
1 | 访问 → 注册 → 浏览商品 → 加购 → 下单 → 支付 → 复购 |
每一环都有转化率，瓶颈一目了然。增长先做「短板环节」，别盲目拉新。
3. 层级指标树
北极星 → 一级指标（如转化率）→ 二级指标（如加购率）→ 过程指标（如按钮点击率）。这样任何波动都能下钻归因。
三、分析的四步法
Step 1：定义问题
「DAU 掉了」不是问题，「华东区 25-30 岁女性用户 7 日留存掉了 5%」才是。问题越具体，答案越近。
Step 2：拆解假设
留存掉，可能是：新版本 bug？渠道quality 变差？竞品促销？用「分群 + 同期群（cohort）」切一刀看。
Step 3：取数验证
写 SQL / 用 BI 拉数。注意口径一致：同一指标的定义在不同报表不能打架。
Step 4：实验结论
用 A/B 测试验证改动能不能挽回。没有对照组的「我觉得有效」，都不算结论。
四、A/B 测试的常识
- 样本要够：流量太小，跑一个月也显著不了。
- 单一变量：一次只测一个改动，否则分不清谁生效。
- 别看中途：频繁 peeking 会增加假阳性，定好周期再看。
- 看护栏指标：下单率涨了但退款率也涨，不算赢。
五、常见的数据陷阱
- 辛普森悖论：整体涨、分组跌。要看细分，别被聚合骗。
- 幸存者偏差：只分析留存用户，忽略了流失的沉默大多数。
- 相关性当因果：冰淇淋销量和溺水人数同涨，是因为夏天，不是因果。
- 虚荣指标：注册数好看但活跃为零，毫无意义。
六、落地建议
- 每个业务线配一个「指标负责人」，对口径负责。
- 周会先看指标异动，再谈对策。
- 建「指标字典」，统一命名与计算逻辑。
- 重要决策留痕：当时基于什么数据、假设是什么、结果如何。
七、结语
数据不会替你做决策，但能让你少做蠢决策。一个组织的数据成熟度，不看它有多少图表，而看它在争论时，是不是有人能甩出一张表让全场闭嘴。