从数据到决策：项目管理和度量领域必备技能｜得物技术
第一阶段：人肉统计
第二阶段：分散、未经处理的系统数据
第三阶段：流程不规范，导致数据不可用
这是系统建设中最常见的问题，由于系统沉淀的数据强依赖用户操作，如果在流程中没有规范化的操作方法及卡点管控，就有可能造成数据不可用。最典型的例子就是项目管理软件中需求/任务的状态流转，会出现任务长时间处于未开始状态、长时间滞留在进行中、任务完成但是消耗的工时为0等各种异常场景。
第四阶段：成熟阶段
工具一体化，流程规范化，数据标准化。效能度量和项目管理人士心驰神往的阶段，这个阶段要流程有流程、要系统有系统、要数据有数据，无需耗费大量精力来获取数据和处理数据。
2.1 你知道X指标的定义是什么吗？
看到这个问题，很多人认为没有难度，不需要太多思考就可以列出具体的公式和取数逻辑，但是真正想问你的不仅仅局限于此，更深入一步的问题是：你知道X指标为什么这样定义吗？想要通过它来衡量什么？
在软件研发领域，提到研发数据就不得不提研发效能度量，后者在各路大神的研究及科普下已经逐步走向成熟，与此同时也沉淀出很多业内通用的研发效能指标。但如果你仅仅是生搬硬套指标定义，而不去深入理解指标背后隐藏的业务目标，你会发现最终的结果往往不尽人意。所以我们要知其然，还要知其所以然，当你在使用或定义一个数据指标时，必须要清楚地知道度量X指标的真正目标，想要发现或改进什么问题，避免变成纯纯的数字游戏。
2.2 你知道最核心的指标是哪个吗？
在几十个数据指标中，你能分辨出哪个指标最重要吗？看到这里，你可能在仔细对比各个指标的重要性，但是，
这是个带有误导性的问题，在我看来，没有最核心的指标，只是不同的领域会有相对核心的指标。想想新广告法开始限制“最”、“第一”这种词语的使用，是不是感觉也挺合理？这些形容词是需要基于真实场景的，同时又会因为所处阶段不同，导致你关注的指标也会发生变化，就像OKR一样，不同的时期你会设立不同的O，自然就会有不同的KR。
参照OKR的概念我们也能发现，我们要从一堆指标中筛选出你真正关注的指标，而不是所有指标一手抓。
筛选出了核心指标后，就需要来合理地解读指标。数据指标分成过程指标和结果指标，结果指标只能告诉你好坏，通常需要参照和它相关的多个过程指标来进行归因。
度量数据指标不是目标，只是实现目标的手段。我们希望可以从中获得有价值的信息和结论，从而指导实际的业务决策。碰巧之前数据团队的大佬来团队普及数据分析的基础知识，提出了“可量化、可解释、可干预”的观点，此处正好把想问的三个问题分别对应到其中：
第一层：基础
可解释：就是让通过分析数据指标得到的结果，能够被用户理解。在开始正式工作之前，我们先熟悉下列几个问题，因为接下来的工作，主要都是围绕着这些问题进行的：
指标对应的数值是好还是坏？有没有基线标准？跟基线相比是好是坏？
跟自己比趋势是变好了还是变坏了？是正常波动还是异动？
带着问题，接下来进入正式的研发数据分析流程：
1. 数据采集及清洗：获取到高置信度的数据，同时可能会使用表格或者可视化的图表来展示数据
2. 选取特定的维度，如业务线、部门、个人等维度，得到相应的数据；同时选定基线，得到基线的数据。根据这些数据，我们可以得出指标对应的数值是好还是坏的结论
3. 使用基础的统计学方法，如对比分析、趋势分析等方式对数据指标进行分析，通过横向对比及历史趋势数据的对比，得出趋势变好还是变坏的结论。与此同时，我们还需要分析出指标是正常波动还是异常波动
4. 如果上一步的数据指标是异常波动，则可以对关联指标进行分析，举例：我们发现研发交付周期数据发生异动，同时发现与它相关的需求变更率、缺陷引入率指标都发生了异动，此时可以通过相关过程指标进行下一步分析
5. 通过具有相关性的过程指标来分析主要影响因素，最终定位指标异动的根因。
至此，我们成功定位了指标异常波动的根因，这也预示着第二步的完成。在实际分析的过程中，此阶段往往是最为耗时的阶段，值得注意的是，我们通常不会将整个分析的过程体现到最终的分析报告中，虽然其复杂耗时，但对大多数用户来说，更加关注的是结论而不是过程。
第三层：价值
可干预：通过适当的方法来改进我们归因发现的问题。辛苦了半天，定位到了数据指标异动的根因，但是这并不意味着结束，接下来还有更重要的一步，这一步能体现你对业务的思考，体现你这份分析报告的真正价值，刚刚让我们辛苦了半天的分析过程，也要靠它赢回票价。
首先，需要评估指标异常波动带来的影响，以及关联指标异常波动带来的影响，整体是正向影响还是负向影响，如果影响程度可接受，不需要干预，那到这里就结束了 其次，结合该指标的历史数据趋势以及其他相关指标情况，尝试对未来做预测，评估指标再次劣化的可能性 随后，针对不同的场景及关联指标情况，提供可改进该数据指标的措施，并评估预期效果（注意预期效果和实际执行落地的效果相比可能会打折） 最后，评估改进措施所需要的投入，结合ROI来辅助你做出最终的业务决策。
经过这一波分析可能得出一条结论：指标异常波动，相比基线低XX%，经过分析发现本季度遇到了A、B、C问题，归因是X、Y、Z原因，负向影响显著。结合历史趋势综合评估未来发生的可能性约XX%。建议通过1、2、3等方式来做改进，分别预期投入XXX，能够解决XXX问题，并带来XXX额外效果。
结论是分析数据指标得到的产物，它远比冷冰冰的数字有价值。从管理者及普通用户的视角来看，给我一堆数字我也不知道要从哪下手分析，不如你直接告诉我现在的问题是什么，是否需要改进，要怎么做才能改进，改进后能拿到什么结果。
在项目管理和度量领域，基础的数据分析能力是从业者们必备技能，你可以不精通，但需要掌握入门技巧，同时必须要有专业领域的业务思考，一旦脱离了业务，数据指标也就变成了纯纯的“数字游戏”。
纵观整个数据分析过程，从取数、分析，到得出结论并给出改进建议，最终形成一份分析报告，哪怕看起来不算特别复杂的一份报告，实际上都包含着编写者们的一把心酸一把泪。
在实际工作中，受惠于系统工具的不断迭代，已经逐渐向系统化的取数和分析过程过渡，大大简化了数据分析的困难和复杂度。在结合人工分析过程中，也在逐步摸索更加高效的方法，快速得出结论和建议。未来也希望能通过系统化、智能化的方式，让大多数人能够看懂数据指标，能够直接利用有效的建议来实施改进，解决望指标兴叹的问题。
*文/阿杜
“
扫码添加小助手微信
如有任何疑问，或想要了解更多技术资讯，请添加小助手微信：