很多同学雄心勃勃想在工作中做出成绩，这里推荐数据分析的MVP方法，能为大家的工作保驾护航。

一、数据分析的MVP是什么

MVP（Minimum Viable Product）原本是应用于产品设计的方法，指在正式推出产品前，先推出一个版包含核心功能的简单版本，测试用户需求与反馈，从而快速判断产品是否符合市场需求，做出调整。

数据分析的MVP方法，是在数据正式生产出来以前，先根据数据需求和使用场景，提供虚拟的数据结果，从而检验数据有效性，发现真正的数据需求。

这套方法在数据分析领域非常好使！因为它能解决数据分析的核心难题：做了半天，没有屁用。数据分析背后的《统计学》《数学》《运筹学》《博弈论》《机器学习》…各种理论多了去了，因此极易引发自嗨。

做数据的自己嗨得不行，各种理论算的腾挪跌宕，到了用户那里：

一键三连，这项目就必败无疑了。

数据分析的MVP方法，目的就是提前梳理清楚：数据如何对业务有用的逻辑，从而避免上述悲剧；而看似牛逼，实则然并卵的数据分析，在现实中多的很……

二、1.0版本MVP

举个简单例子，比如互联网平台-广告销售团队提出：“要建立业务员用户画像，掌握每个业务员的性别、年龄、行为、转化率，以提高业绩”。

这时候咋办？

如果用MVP思路，先不要急着去跑数，也不要急着列一大堆“用户画像标准指标”，而是直接拿着业务方提的最初的需求：“性别、年龄、行为、转化率，以提高业绩”直接给一个虚拟结果，然后确认：“如果我真的提供这些东西，你们真的能提高业绩？”——让他确认。

至少只基于这一句话来看，数据分析能输出的结论是完全无用的版本的MVP测试不通过，要么放弃这个需求，要么继续想想：该怎么更好的抓用户痛点。这样把数据推向2.0版本。

三、2.0版本MVP

进一步看，1.0版本的问题在于：没有清晰目标。所谓画像指标一大堆，到底看了要干啥没想清楚。如果聚集目标，比如：找到业绩好的业务员。这样就更清晰了一步。

这里就需要引入更多分析，因为“好”“不好”本身就需要做分析：

在这个阶段，做MVP时，可以直接把一些可预计的，很纠结的问题提前丢出来，和业务方一起提前思考应对方案；而不是等着跑了一大堆数据，自己闷头计算好几轮以后再讨论；越早讨论，越能提前刨累，避免无用功。

比如评价：“好/坏”中常见的多指标重叠问题（如下图）。

比如业绩表现不稳定问题（如下图）：

至于和本阶段无关的指标，可以大胆做减法，丢了再说。

有新的目标出来，再围绕新的目标组织数据。避免不分青红皂白，先捞一堆数再说的做法——数据分析师不能按时下班，都是被这些破事折腾的。

把这些梳理清楚，就有了2.0版本的MVP。（如下图）

看起来，似乎已经比1.0版清晰了很多，删减了很多无效指标，聚焦到一个明确的目标上。

注意，这时候仍然还没有跑任何数据，只是基于经验的虚拟，但是已经能把“早就知道了”的数据暴露出来，并且能过滤掉“其实没啥用”的指标，并且把可能有歧义的地方以具体案例的形式具体讨论，从而极大规避问题。

但是注意，这还不是一个合格的MVP，因为知道谁好谁坏，又能怎样？知道李四是真的好了，大家就能成为李四吗？还是根本李四是不可复制的，我得找更多类似李四的人进来？

这些问题都没有答案。所以此时还是无法直接得出：这数据就能提高业绩。MVP测试不通过，继续！

四、3.0版本MVP

只告诉谁好，谁不好是不能提升业绩的。业绩是一线做出来的，一线需要的是SOP，是弹药，因此数据要进一步做，比如：

• 优秀标杆的数据指标（呼叫次数？时间分配？跟进机会？）
• 优秀标杆的目标客户（是否特定客户容易成功？）
  
• 1
• 2
• 下一页