用数据做决策
Ken Rudin 的分析思路 × Google Attribution 101,3.5 小时深入
0.如何使用这份手册
你不需要从头读到尾。按"理念 → 工具 → 实操 → 综合应用"的顺序展开,可以按第 12 节时间表推进,也可以哪里薄弱补哪里。
三条使用建议:
- 先读理念,再读工具。先建立起 Ken Rudin 的"分析要指向决策"这个底层认知,再学归因模型,你会更清楚每个模型服务于什么决策。
- 每读完一节,合上页面复述一遍。能用两三句话向同事解释才算学会。思考题就是逼你复述用的。
- 拿一个你正在负责的产品去套。读到"回溯窗口"就想:我的产品用户决策周期多长?读到"末次点击"就想:我们现在的报表是不是就是这么算的?
1.Ken Rudin 是谁,他为什么值得听
履历本身就是他方法论的证明。
Ken Rudin 是硅谷"分析领导者"这个岗位的塑造者之一。他的关键履历:
- Zynga(社交游戏)分析副总裁,把"每日活跃用户 / 留存曲线"变成产品决策的核心语言;
- Facebook分析负责人,搭建了 hybrid 分析组织;
- Google People Analytics 高级总监,把数据分析引入 HR 决策;
- 此前是 Salesforce Analytics(前身 LucidEra)的 CEO,做过完整的商业产品。
他的观点之所以值得听,是因为他不是"数据科学家"或"BI 顾问",而是一个从产品和业务视角反复回答"分析到底该怎么组织,才能真的推动决策"这个问题的人。
为什么产品经理要读他
Rudin 的核心问题是:"分析师产出的东西,业务方到底用不用?"这个问题的答案,决定了你作为业务负责人,该怎么向分析团队提需求,以及如何判断一份分析报告的好坏。
思考题 1.1:你团队里的"分析"更接近 reporting 还是 analytics?
参考答案:大多数团队做的其实是 reporting——每周拉一份数字发到群里,数字涨了没人问,数字跌了 PM 才去问为什么。判断标准:看最近 5 份分析产出,有几份最后一句是"所以建议我们……"如果不到一半,你的团队更接近 reporting。
2.Analytics ≠ Reporting
这是 Rudin 讲得最多、也最容易被误解的一条。
Rudin 反复区分三层递进关系:
| 层次 | 回答的问题 | 典型产出 | 决策价值 |
|---|---|---|---|
| Reporting | 发生了什么? | 周报、Dashboard | 低—仅描述 |
| Analysis | 为什么发生? | 下钻、分群对比 | 中—解释 |
| Analytics | 接下来该做什么? | 行动建议、A/B 方案 | 高—驱动决策 |
他的观察是:很多公司花 80% 的分析预算在第一层,10% 在第二层,只有 10% 甚至更少在第三层。而第三层才是让分析团队存在的理由。
"If your analysts spend most of their time answering 'what happened', you're paying data science salaries for spreadsheet work." — Ken Rudin
作为业务负责人的做法
当分析师给你一份数据,你要主动问三层问题:
- 数字是多少?(reporting)
- 为什么变了?(analysis)
- 基于此我们下周该做什么?(analytics)
如果分析师答不出第三层,那不是他能力问题,而是你给他的任务只到了第一层——你要主动升级需求。
思考题 2.1:把"最近一次登录数据"这个需求升级到 analytics 层
参考答案:
- Reporting 版:"上周 DAU 是 12 万,环比 -3%。"
- Analysis 版:"下跌主要来自 iOS 新用户,进一步看是新用户次日留存从 42% 掉到 35%,和上周上线的新引导流有相关性。"
- Analytics 版:"建议本周内回滚新引导流的 B 变体,同时对 iOS 新用户跑一个引导简化的 A/B,预计 2 周恢复留存。"
3."So What" 方法论
Rudin 给分析师的一个硬性要求:每份产出必须能续上一句"所以我们应该……"。
三步 So What 提问法
- So what?——这个数字意味着什么?
- So what?——那又意味着什么?
- So what?——所以我们应该做什么?
举个例子。原始数据:"新用户 7 天留存 25%。"
- So what? → 意味着 75% 的用户装了 App 一周内就流失。
- So what? → 意味着我们的获客花费每 4 块钱里,3 块打了水漂。
- So what? → 应该把下周的投放预算减半,优先修流失,而不是继续买量。
产品经理的应用
下次评审需求或看数据时,把"So what?"当口头禅问 3 次。你会发现很多讨论其实停在第一层。
Insight 的三个必要条件
Rudin 说,一个真正的 insight 必须同时满足:
- New——业务方之前不知道;
- Actionable——存在一个具体的动作可以基于它做;
- Material——如果采取行动,影响足够大,值得投入。
三缺一,就不是 insight,只是数据。
思考题 3.1:下面哪些是 insight,哪些只是数据?
- "上周北京地区的订单量比上海高 15%。"
- "付费用户中,注册第一周内加过好友的,LTV 是没加过的 2.3 倍。"
- "移动端转化率 3.2%,PC 端 4.1%。"
参考答案:A、C 是数据;B 是 insight——新、可行动(优化早期加好友引导)、影响大(直接和 LTV 挂钩)。
4.Hybrid 组织模式
分析团队到底该向 CFO 汇报,还是嵌到业务线里?Rudin 的答案是:两者都要。
集中式(Centralized)
所有分析师在一个团队。优点:方法论一致、指标定义统一。缺点:离业务远,产出慢。
分布式(Embedded)
分析师嵌到业务团队。优点:贴近业务,响应快。缺点:指标口径各说各话。
Hybrid 模式的具体做法
- 分析师汇报线在中央数据团队(保证方法论和职业发展);
- 但日常工作 embedded 在业务线(保证贴近决策);
- 中央团队负责基础设施、指标定义、培训;
- 业务线负责问题定义、优先级、消费分析结果。
业务负责人的启示
如果你能"借"到一个分析师坐在你们组里但绩效由数据 VP 打,这个配置比"我们组自己招一个"或"每次去中央团队排队"都好。争取这种配置本身就是你作为业务负责人的一项重要工作。
思考题 4.1:你所在的组织现在是哪种模式?痛点在哪?
没有标准答案。留 5 分钟诚实写一下:分析师是否知道你产品下季度的三个关键目标?你上一次和分析师一起坐着讨论问题是什么时候?
5.归因的基础问题
切换主题。前面讲"分析该怎么组织",从这里开始讲一个具体的分析方法:归因。
先想象一个真实场景:
用户小李,周一在朋友圈看到你产品的广告(第一次接触);周三搜索"XX 工具 对比",点了你的百度 SEM 广告,浏览了 3 分钟没下单;周五收到你的邮件营销,点进来注册;周六在小红书看到 KOL 推荐,直接搜索品牌词进来,下单付款。
这一单 199 元的功劳,该算给谁?
归因回答的核心问题
- 用户到达转化,经历了哪些"触点"?
- 每个触点对最终转化贡献了多少?
- 基于这个贡献分配,我下一季度该把预算加到哪、减到哪?
归因不是"技术问题",而是"预算分配问题"。你选哪个归因模型,直接决定了钱怎么花。
三个关键术语
| 术语 | 含义 | 业务视角 |
|---|---|---|
| Touchpoint 触点 | 用户与你的一次可追踪接触 | 广告曝光、点击、邮件打开 |
| Conversion path 转化路径 | 首次接触到转化的完整序列 | "朋友圈→SEM→邮件→品牌搜索" |
| Lookback window 回溯窗口 | 转化前追溯多久的触点算数 | GA4 默认 30 / 90 天 |
6.六种归因模型详解
这是 Google Attribution 101 的核心章节。用同一个"朋友圈 → SEM → 邮件 → 品牌搜索"的例子,看看六种模型分别怎么分配那 199 元的功劳。
① Last-click(末次点击)
规则:100% 功劳给最后一个触点。
示例:品牌搜索拿 100%,前面三个 0%。
什么时候用:短决策周期业务;历史遗留报表口径。
坑:系统性低估上游"种草型"渠道(朋友圈、KOL、内容)。
② First-click(首次点击)
规则:100% 功劳给第一个触点。
示例:朋友圈拿 100%。
什么时候用:关注"拉新渠道效率"、评估品牌广告价值。
坑:低估培育和临门一脚的价值。
③ Linear(线性平均)
规则:所有触点平分。
示例:四个触点各拿 25%。
什么时候用:作为"中立基线"和末次点击对比。
坑:假设所有触点等价,现实几乎从不成立。
④ Time-decay(时间衰减)
规则:越接近转化的触点权重越高,指数衰减(默认半衰期 7 天)。
示例:品牌搜索 ~40%,邮件 ~30%,SEM ~20%,朋友圈 ~10%。
什么时候用:短决策周期(<30 天)、促销活动。
⑤ Position-based / U 型(位置加权)
规则:首末各 40%,中间平分剩下的 20%。
示例:朋友圈 40%,品牌搜索 40%,SEM 10%,邮件 10%。
什么时候用:相信"拉新和收单"最重要。适合 B2B 或高客单业务。
⑥ Data-driven(数据驱动,DDA)
规则:Google 用机器学习(基于 Shapley 值博弈论)算每个触点的边际贡献——如果拿掉这个触点,转化率会掉多少。
什么时候用:GA4 的默认推荐模型。数据量足(每月 300+ 转化)、路径复杂时最合理。
坑:是个"黑盒",不容易向业务方解释。
六模型速查表
| 模型 | 逻辑 | 偏向 | 适用 |
|---|---|---|---|
| Last-click | 末次 100% | 收单渠道 | 短决策 |
| First-click | 首次 100% | 拉新渠道 | 品牌评估 |
| Linear | 平分 | 中立 | 基线对照 |
| Time-decay | 越近越重 | 临门渠道 | 促销 |
| Position-based | 首末重 | 拉新+收单 | B2B |
| Data-driven | 边际贡献 | 由数据决定 | 数据量足 |
常见误区
"我们该选最科学的模型。"——错。归因模型没有"正确"答案,只有"和业务问题匹配"的答案。要问的是:"我要用归因结果做什么决策?"
思考题 6.1:为什么大多数电商公司用 Last-click 可能是错的?
参考答案:历史原因(GA/Adobe 默认末次点击)+ 技术原因(最容易实现)。但这会导致:拉新性质投放(信息流、品牌广告、内容营销)看起来 ROI 都差,预算被砍;收单渠道(SEM 品牌词、再营销)看起来 ROI 极高,预算继续加。半年后你会发现"新用户涨不动了"——因为拉新的水龙头早被自己拧掉了。
7.GA4 里的归因实操
上面是概念,这里是 GA4 里具体在哪看、怎么切换。
GA4 从 2023 年起把归因功能集中在"Advertising / 广告"面板下。
关键报表
- Attribution → Model comparison:把 last-click 和 data-driven 放一起看差多少。判断"是不是低估了某个渠道"最好用的一张表。
- Attribution → Conversion paths:看用户真实走过的触点序列。你会发现路径远比想象的长和乱。
- Advertising → Performance:默认用 data-driven 归因显示各渠道 ROAS。
属性设置
- Reporting attribution model:2023 年 6 月后 GA4 全面切换到 data-driven,可手动切回。
- Lookback window:付费和自然渠道默认 30 天,可改到 90 天;广告获客默认 90 天。
问分析师的三个问题
- "这份报表用的是哪个归因模型?"
- "回溯窗口设了多久?"
- "如果切换到 data-driven,渠道排名会怎么变?"
8.回溯窗口 & 跨设备归因
两个容易被忽略但对结果影响巨大的参数。
回溯窗口 Lookback Window
"转化前多少天以内的触点算功劳"。GA4 默认:
- 付费搜索 / 展示 / 视频广告:30 天
- 自然搜索、直接、社交、邮件:30 天
- 广告获客:90 天
判断依据:看产品的典型决策周期。SaaS B2B 采购可能酝酿 60 天,你把窗口设 30 天,前 30 天的所有市场投入都会被算成"没贡献"——这就是很多 B2B 公司觉得内容营销 ROI 差的真实原因。
跨设备归因 Cross-device
用户白天在办公室 PC 搜到你的产品,晚上在手机上买单。没有跨设备关联,PC 端贡献完全丢失。GA4 通过 Google Signals + User-ID 做拼接。
要点
如果产品有明确用户账户体系,让技术团队把 User-ID 传给 GA4——这是国内业务能拿到的最重要的跨设备信号,国内用户 Google 登录率低,Signals 基本没用。
9.隐私时代的归因
iOS 14 之后的世界,归因这件事变得越来越难,但也越来越重要。
三个正在发生的变化
- iOS ATT:2021 起 iOS 用户需明确同意跨 App 追踪,同意率约 25%。直接击碎 Facebook / TikTok 广告的精准归因。
- 第三方 Cookie 淘汰:Chrome 已在 2025 年阶段性淘汰第三方 cookie,跨站追踪失效。
- GA4 应对:Consent Mode + 建模数据。用户不同意追踪时,GA4 用机器学习"填补"缺失数据。
业务方要理解的变化
- 归因数据从"精确测量"变成"概率估计"——报表数字带 ±10-20% 不确定性;
- Media Mix Modeling(MMM)重新变热——不依赖用户级追踪,靠回归分析投入和销量关系;
- 增量测试(Incrementality / Geo-lift)成为衡量渠道真实贡献的黄金标准。
Rudin 会怎么看?
归因数字变糊没关系,关键是决策还能不能做。哪怕只知道"品牌广告大致贡献 15%-25%",这个区间也足以支撑"我们不砍品牌预算"这个决策。别为了追求 0.1% 的精度,把分析团队全困在数据清洗里。
10.综合案例:一个 SaaS 增长决策
现在把前面所有概念串起来。
背景
你是协作工具 SaaS 的产品增长负责人。年费 1200 元/账号。CMO 说:"下季度预算要压 20%,你告诉我砍谁。"当前(last-click 口径):
| 渠道 | 季度花费 | ROAS | 表面结论 |
|---|---|---|---|
| SEM 品牌词 | 30 万 | 8.2 | 加投 |
| SEM 通用词 | 50 万 | 2.1 | 持平 |
| 知乎信息流 | 40 万 | 0.8 | 要砍 |
| 视频号品牌广告 | 60 万 | 0.3 | 要砍 |
| 邮件营销 | 5 万 | 6.5 | 加投 |
用 Rudin 的方式提问
- So what? → 照表面砍,视频号和知乎会被砍掉。
- So what? → 半年后"品牌搜索量下降""SEM 通用词转化率下降"——因为没人先"种草"了。
- So what? → 决策前必须换个归因模型看一遍。
切换到 data-driven 归因后
| 渠道 | Last-click | Data-driven | 解读 |
|---|---|---|---|
| SEM 品牌词 | 8.2 | 3.1 | 被高估:多是别处种草后来搜品牌词 |
| SEM 通用词 | 2.1 | 2.3 | 基本准确 |
| 知乎信息流 | 0.8 | 2.8 | 被严重低估:重要"中场"触点 |
| 视频号广告 | 0.3 | 1.9 | 被严重低估:典型首次触点 |
| 邮件营销 | 6.5 | 4.2 | 被高估:多是老用户复购 |
最终建议(analytics 层)
- 不砍视频号,保留 60 万。它是主要品牌拉新入口。
- 知乎信息流从 40 万加到 50 万。被严重低估的中场培育渠道。
- SEM 品牌词从 30 万砍到 20 万。承接的流量本来就会转化,不需要花这么多守词。
- 邮件营销预算不变。已饱和。
- 合计从 185 万砍到 148 万,达成 20% 目标,且没伤增长引擎。
要点复盘
归因模型不是终点,而是"看到真相"的工具。Rudin 的"So What"逼你从数字走向行动,归因模型让行动基于正确的功劳分配。两者结合,就是数据驱动决策的完整闭环。
11.模型选择练习
5 个真实业务场景,每题选一个你认为最合适的归因模型。
练习 1
练习 2
练习 3
练习 4
练习 5
12.3.5 小时学习时间表
按下面节奏走,每段之间有休息。全程 3 小时 30 分钟净学习时间。
13.延伸阅读清单
按优先级排列。前 3 项完成本手册后,直接读的下一步。
Ken Rudin 相关
- Rudin 在 Strata + Hadoop World 的演讲:YouTube 搜 Ken Rudin analytics,推荐他 Zynga、Facebook 时期访谈。
- Harvard Business Review访谈:在 hbr.org 搜 Ken Rudin
- 《Competing on Analytics》(Thomas Davenport)——Rudin 思路的更完整学术版本,中译《数据分析竞争法》。
- 《Lean Analytics》(Alistair Croll)——So What 应用到创业公司指标的实操书。
Google Attribution 官方
- GA4 Help Center · Attribution: support.google.com/analytics/topic/14042221
- About attribution and modeling: support.google.com/analytics/answer/10596866
- Google Skillshop · GA4 认证: skillshop.exceedlms.com
归因方法论进阶
- Media Mix Modeling(MMM)入门:Google 开源的 LightweightMMM
- Incrementality Testing:搜 "Meta conversion lift test"
- Avinash Kaushik 博客 Occam's Razor
组织建设方向
- 《The Analytics Setup Guidebook》(Cedric Chin,免费在线)
- DJ Patil《Building Data Science Teams》(O'Reilly 免费小册)