第一层：知其然
就是知道数据是多少，发生了什么情况。就如目前大多数企业都会有自己的数据库，严格一点会有对应的系统对应的业务数据库，数据收集的工作已经完备了，无论是通过报表还是数据分析的手段，都可以掌握发生了什么，程度如何，建立数据监控体系，做到“知其然”。也有一些企业，在管理内部数据的同时，也在考虑外部数据的引进，向第三方机构买数据，观察行业整体趋势、政策环境的影响，其次了解竞争对手的表现。这样的数据工作是长期的也可是周期性的管理。长期的可尽力数据展现模板，形成一定的管理规范，固化下来。短期性的比如监测某次营销活动的情况，可联合IT部门或者数据分析师自己动手，做到严格的“自省”。
1、数据是散的，看数据需要有框架。
数据展现很有讲究，把数据放到业务框架，能体现业务分析，才能发挥整体价值。所谓有效的框架至少包含两重作用：
（1）不同层级的人对数据的需求不同。比如市场销售数据，业务层需要指导自己每日指标的完成情况和等级排名，需要提交每日每周每月的数据。领导层需要知道固定周期的业绩完成率，各地区销售额，营销成本和组内业绩排名。管理层，CEO级别的可能需要知道每个业务部门的一些关键指标，比如总营收，市场增长率，重要的研发进度等等。有效的框架能够让不同的人各取所需。
（2）好的框架能定位问题，指导决策制定。例如电商销售额下降了30%，业务很可能出现了重大问题。我们需要分析问题原因，但如果只从客单价、交易单数、转化率难以说明问题，好的业务分析框架能够支持我们往下钻，从品类、流量渠道等找到问题所在，找到对应负责人。这也是我们通常所说的，看数据要落地。
2、数据，有对比才能考量。
日销售额100万，你说多还是少呢？一个孤零零的数据是很难说明问题的。数据判断要么有一个参考的指标，要么有能准确判断趋势的指标数据，如增长率上升率。这样一个基准可以是历史总结的同期数据，也可以是行业的平均水平，也可以是预先设定的而目标，一切脱离目标的数据分析都是“耍流氓”。
第二层：知其所以然
遇到问题寻找原因这是很顺当的衔接。但走到这一步还不够，解决问题才是真理。数据结合业务，找到数据表象背后的真正原因，解决之。解决问题的过程就会涉及数据整理、加工，还会涉及数据分析模型的建立和工具，这在以往的篇幅已经介绍的够多的了。
在第二层里也有两点分享：
1、 数据是客观的，但对数据的解读可能带有主观意识。
数据本身是客观的，但解读数据的人都是有主观能动性的。这样的问题往往是因为多数人通多数据先对问题定性，而不是通过问题解决问题，这样的事儿总有发生。
2、懂业务才能真正懂数据。
笔者认为，数据分析业务占6分，方法占4分。不懂业务无法理解数据的真正含义也是有理可寻的，这里特地拿出来强调一下。
第三层：辅助业务，发现机会
利用数据可以帮助业务发现机会。举个电商的例子，通过用户搜索的关键词与实际成交的数据比较，发现有很多需求并没有被很好地满足，反映出需求旺盛，但供给不足。假如发现了这样的细分市场，公布出来给行业小二，公布出来给卖家，是不是可以帮助大家更好地去服务消费者呢？这个例子就是现在我们在做的“潜力细分市场发现”项目。
讲这个案例不是想吹牛数据有多厉害，而是想告诉大家：数据就在那里，有些人熟视无睹，但有些人却可以从中挖出“宝贝”来。差异就在于商业感觉，对数据的直觉。搜索数据和成交数据很多人都能够看到，但并没有人把这两份数据联系在一起，这背后体现出的就是商业的感觉。
第四层：建立数据化运营体系
我理解的数据化运营，包含了两重意思：数据作为直接生产力和间接生产力。
1、数据作为直接生产力。
数据作为直接生产力是指数据能将价值直接投入到前线，作用于消费者，时髦点讲就是“数据变现”，这也是大家最为关注的。以前有沃尔玛将啤酒和尿布两个产品关联摆放，引出了商品关联度的概念。如今，又有餐饮企业利用数据统计分析，选型餐厅面积，优化前后厅布置，使得单位面积营收最大。
2、数据作为间接生产力。
所谓间接生产力，是指数据价值不直接传递给消费者或企业，而是需要通过一系列的分析，制定策略传递给消费者，即通常所说的决策支持。数据工作者通常做的是产出报表、分析报告等供各级业务决策者参考。我们可以称之为决策支持1.0模式。然而随着业务开拓和业务人员对数据重要性理解的增强，对数据的需求会如雨后春笋般冒出来，显然单单依赖人数不多的分析师是满足不了的。授人以鱼不如授人以渔，让业务人员能够独立地进行数据分析，而不依赖于技术人员是我认为的决策支持2.0模式。
实现决策支持2.0模式有两个关键：工具和能力。
