了解“认知心理学”的朋友们应该知道：人类对事物的认知通常是逐步深入的。然而，每个人的思考深度差异很大，关键在于思考的方法。

通过提问三步法：WHAT（是什么）-> HOW（怎么做）-> WHY（为什么），我们可以逐步从事物的表面深入到本质。例如，在学习一个新的技术框架时，需要逐步弄清楚它是做什么的、如何使用以及为何这样设计，从而实现由浅入深的学习。

“WHY + HOW + WHAT”，是我最喜欢的一种思维方式。它不仅适用于认知过程中的思考方式，还可以通过不同的顺序组合应用于不同的场景。

例如，在规划一个项目时，我们可以采用“WHY -> WHAT -> HOW”的思维模式。首先明确为什么要做这个项目，然后确定需要完成哪些任务，最后考虑具体的技术选型和实施方法。这种思维模式将在本系列的后续文章中广泛应用。

在创业公司中，尤其是在从零开始构建数据系统时，资源分配往往不像大公司那样细致明确。所有的工作都需要在有限的资源下完成。回顾过去，我认为总结一下经验分享很有意义。接下来，我们将结合实际案例谈谈如何开展数据分析。如果有什么不足之处，还请大家批评指正。

作为系列文章的开篇，本文将按照“WHY -> WHAT -> HOW”的思路来探讨以下几个问题：

1. 为什么创业公司需要进行数据分析？
2. 创业公司在数据分析方面需要做哪些事情？
3. 如何实现这些数据需求？

WHY

随着移动互联网的发展和大数据理念的普及，越来越多的创业者和投资者开始重视数据的作用，而不是凭直觉行事。“数据驱动决策”、“精准化运营”和“产品快速迭代”等概念被广泛提及和应用，而这一切都离不开精确的数据分析。

对于大多数互联网创业公司而言，他们通常缺乏强大的资源和资金支持。如何在有限的人力和物力条件下快速探索并避免走弯路至关重要。基于“数据驱动”进行决策、运营和产品开发将成为关键因素。以下是两个具体的例子：

【例一】

微信公众号已成为各家公司争夺用户的重要战场之一。通过利用微信社交关系链来推广H5海报页面是许多线上活动和拉新手段的重要组成部分。无论是线上推广活动还是通过线下渠道引导用户分享和注册，都需要设定目标来衡量活动效果，从而明确运营方向。

数据在这里起到了关键作用！活动产生的浏览量、分享量、新注册用户数和用户留存率都是重要的指标。这一切都离不开有效的数据跟踪和分析。如果有100个类似的渠道活动，如何有效地管理和分析这些数据将是不可忽视的问题。

【例二】

每逢节假日，国内各大旅游景点都会出现人流密集的情况。尽管大家都知道外出旅行可能会遇到这种情况，但仍然抱着一丝侥幸心理出行。去年国庆期间，我曾利用百度景区热力分布图提前了解情况，从而避开了一些高峰时段和拥挤的景点。大家可以尝试一下这种方法。

回到主题，对于许多创业公司，特别是那些基于地理位置服务的企业来说，了解“用户在哪里”以及“哪些地方是用户感兴趣的”非常重要，这样才能更好地确定早期投资的方向。全面开花、多点出击的做法并不适合创业公司。

通过位置数据，我们可以分析用户集中在哪些区域，主要分布在商业区还是高校，是否受到交通因素的影响等。此外，还可以聚合出用户的常驻地点，并分析用户位置与商户位置的距离，从而制定推荐方案，优化产品和服务。

WHAT

对于大多数互联网创业公司来说，在进行数据分析时，必须结合自身业务，合理控制成本，以实现最佳效果。

诸如数据挖掘、机器学习和推荐算法等技术都需要一定的人力和物力支持。即使是大型企业，在这些领域的成果也相对有限，且很多时候实际效果并不理想。

举例来说，很多高端的推荐算法在投入使用后，效果远不如简单的“看了又看”机制。当然，如果你的公司专门从事数据业务，则另当别论。

为了明确需要做什么，首先要结合自身业务进行思考。现阶段，你需要哪些数据来驱动决策、运营和产品改进？具体的数据需求因公司而异。

根据我的经验，早期的数据需求主要集中在两方面：运营数据的统计分析和产品使用情况的统计分析。随着产品线的发展，通常还会衍生出一些与产品相关的数据业务，如在线推荐。

从流程上看，需要做的事情主要包括三个方面：数据采集、数据处理和数据可视化。数据经历原始数据->分析结果->图表展示的过程。

首先，建设基础数据源是进行数据分析的关键。因为如果数据源本身出现问题，那么之后的所有努力都将白费。如果没有提前做好数据采集，后期再想进行分析也会变得困难重重。

其次，数据分析的最终目的是为了向他人展示结果，可能是公司高层，也可能是市场业务人员。直接把一堆数据扔给他们显然不合适，通常需要将其转化为图表形式，这就是数据可视化的职责所在。

从原始数据源到分析结果的过程被称为数据处理，包括数据提取、数据建模和数据分析等多个步骤。

HOW

如今，国内互联网环境发展迅速，第三方服务提供商层出不穷。因此，在很多情况下，我们有两个选择：接入第三方服务或自己动手做。

在数据分析领域，有许多第三方服务可供选择。我将其分为传统数据统计服务和新兴的数据公司两大类。前者以百度统计和Google Analytics为代表，通过嵌入它们的SDK在前端收集数据，并在后台查看相应的统计数据。这种方式的优点是简单易用且成本较低，因此在初创企业中非常普遍。缺点也很明显：一是只能分析一些基本的访问量、点击率和活跃用户数量，无法深入结合业务数据进行分析；二是需要在前端多个位置埋点上报，耦合性较高；三是数据存储在第三方服务器上，无法直接获取数据源。

如果选择自己做数据分析，可以根据自身的业务需求灵活操作，并尽早探索数据业务，逐步建立自己的数据系统。当然，自己动手并不意味着要从头开始打造每一个工具，而是充分利用现有的开源框架来实现相应功能。

鉴于每家公司的业务都不尽相同，谈论架构而不考虑具体业务是没有意义的。因此，在接下来的文章中，我将结合自身经验探讨一些数据系统的构建方法。

下图展示了我们当前的数据系统架构，主要分为数据采集、数据处理和数据应用三个层次。从下至上，数据采集层负责从前端应用程序、H5页面和服务器日志中收集数据，通过Kafka接入后存入Elasticsearch和Neo4j中。同时，业务数据库也是一个重要的数据来源。

数据处理层负责数据的提取、清洗、建模等工作，然后存入MongoDB和MySQL中，整个过程由Airflow任务调度管理系统进行管理和监控。

也许有人会质疑，既然没有使用Hadoop，怎么能称为在做数据分析呢？我确实考虑过这个问题，并尝试过引入Hadoop，但由于数据增长较慢且需求不明显，目前的架构已经能够在相当长的一段时间内应对数据需求。

希望以上内容能对你有所帮助。如果你有任何疑问或建议，欢迎随时留言交流。