数据分析中的MVP就是在数据正式生产出来之前，提前进行检验，确认准确性，所以在数据分析领域中经常会使用这种方式，根据提前输出的进行更改，保证后续的结果；本文作者分享了关于数据分析中的MVP方法，我们一起来了解一下。

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。1.0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？）
• 优秀标杆的销售技巧（用哪些话术？利用哪些物料/活动？）

注意，这里已经不仅仅是数据的范畴了，数据只能打标签，列指标。但话术、语气、时机把握是需要培训/业务部门提供的；因此在此阶段做MVP的时候，可以直接向业务部门明确：是否只输出数据就能满足需求；如果不能，趁早拉其他部门一起干活，不要自己埋头别憋数据。  

五、4.0版本MVP

看起来3.0版本已经很厉害了。然而有个隐藏的BUG，就是别人有没有可能学会。 注意，这个不可知，会极大的阻碍业务认可数据分析的结果——落地不见效，到底是因为数据分析结论错了，还是执行没到位？这个可得提前安排明白，不然事后背锅分分钟的事。 因此，还需要在现在版本基础上，增加测试环节，检验到底有没有用。 这样，又涉及到：

• 选多大范围进行测试
• 测试时间周期多长
• 如何排除节假日、活动等其他因素
• 测试结果认证标准

把这些想清楚了，就有4.0版本。 在这个阶段，终于能将数据需求，指向一个业务期望的“提升业绩”的结果了；并且最终结果有测试数据回收验证，即使测试不成立，也有备用方案垫底；这时候可以放心大胆去跑数，跑出来一定有用。  

六、MVP测试的广泛应用

注意，MVP测试，是紧密围绕用户需求的。 上边的例子之所以做了好几个版本，源头上是因为用户期望值高，指望直接见业绩；如果用户期望值不高，MVP测试可以很简单。 比如：

• 用户需求是：目前没有数据→ 尽快提供数据
• 用户需求是：目前数据太多→ 删掉无用指标
• 用户需求是：目标数据太乱→ 重新整理逻辑
• 用户需求是：不清楚问题在哪→ 输出可量化的问题点

这些只要提前虚拟个数据，做个图确认下需求，就能解决。 稍微复杂一点的，比如用户需求是：精准预测销量，可能只要梳理两三步，就能更细化范围，提升有用程度（如下图）。  

七、为什么要推MVP方法

数据分析领域，一直有一个八爪鱼派在流行，就是不管有没有用，不管有没逻辑，像一只八爪鱼一样丢一大堆指标过来（如下图）： 这种做法，张牙舞爪，看着厉害，可是实际上却是项目失败的根源；让做数据的人误以为工作就是做作业，不考虑实际效果，一味贪大求多，最后累得半死还不讨好。 相比之下：

• 多研究业务数据的基本形态；
• 多发现业务对数据实际需求；
• 多测试数据有用的点；
• 剔除无用的，空洞的，高大全的指标。

这样才能更快的积累分析经验，让数据更好发挥作用。