如今每个人都希望以数据为驱动，但这究竟意味着什么？运用经典的“人员、流程、技术”三角模型，人们很容易将技术视为实现数据驱动最关键的因素。
人们很容易将技术视为实现数据驱动的最大关键。
毕竟，技术是捕获数据所必需的，也是实际访问和处理数据所不可或缺的。但这种观点是片面的。就数据而言，技术虽然是一个至关重要的组成部分，但绝非三角形中的主导部分。
事实上，大多数分析师对这一三角形的看法有所不同。
大多数分析师认为，在实现数据驱动的过程中，人是最重要的部分。
网络分析顾问兼作家阿维纳什·考希克（Avinash Kaushik）早在2006年就提出了“网络分析成功的10/90法则”。简而言之，他的理论是对他所看到的过度强调分析技术的回应：每投入100美元用于分析，其中只有10美元应用于技术，而90美元应投入到优秀的分析师身上。面对“技术即答案”的诱人诱惑，很难反驳10/90法则。
然而，这两种视角都忽略了三角形的第三条腿：流程。要真正实现数据驱动，人和流程同样重要，且两者都优于技术。
在实现数据驱动的过程中，“人”和“流程”同等重要。
建立并管理一个旨在尽可能多地发现、优先排序、测试并基于假设采取行动的流程，是实现真正数据驱动的唯一途径。数据为流程提供燃料，但正是流程使组织能够重新定位，使每一项活动都建立在经过验证的学习基础之上。
这样的流程是什么样的？
实施该流程并不需要花哨的工具、新员工或大量的时间。只需稍作规划、承诺持续管理，并借助一些廉价甚至免费的技术，你就可以实施“适应行动与学习”（A.D.A.P.T. to Act and Learn）流程，具体如下：
- 对齐目标与关键绩效指标。
- 在公司范围内发现假设。
- 评估假设及最佳测试方法。
- 对假设进行优先级排序。
- 测试最高优先级的假设。
- 根据结果采取行动——报告结果，然后跟踪以确保采取相应行动。
- 为未来而学习——捕捉并应用可跨组织共享的深层洞察。
这一过程的核心是一个“假设库”——一种用于捕获每个新产生的假设，并全程跟踪其直至行动和结果的方法。
对齐目标
此流程的第一步是确保你已为网站明确定义了目标和关键绩效指标（KPI）。在跳过这一步之前，请先思考以下问题：
- 我是否拥有2到4项用于衡量网站绩效的具体指标？
- 我是否为每项指标设定了明确的书面目标？
如果没有，请确定这些目标。建议参考相关《如何制定卓越KPI指南》文档。
基于这些KPI，开发一个按目标结构化且尽可能自动化的仪表板。你不希望将有限的时间耗费在生成重复性报告上。
发现
最具可操作性的分析源于清晰阐述的假设。你的组织中很可能有许多人持有能推动积极行动的假设，即使其中很少有人将自己的想法和问题视为假设。
将假设视为一种表述形式：“我相信‘x’。”例如：“我相信我们全局导航中的‘立即购买’链接不够醒目，访客难以轻易注意到。”或者，“我相信许多访问我们网站的人只是想查找最近的门店位置，而非在线购物。”
除了收集假设外，还需通过添加第二个填空式陈述来初步验证其可操作性：“如果我是正确的，我们将‘x’。”这第二个问题有助于避免过于模糊的假设：例如，“我相信我们的首页很糟糕”这一说法，在尝试完成第二句话时就会变成一个清晰的问题：“如果我是正确的，我们将‘改善网站体验’。”
列出你自己的假设，并向他人征求建议。将它们存储在假设库中，以便随时添加新假设。
评估
每个加入假设库的假设都需要从两个方面进行及时评估：
- 它是否表述清晰且具体？如果不是，请向提交者寻求澄清。有时，输入的一个假设实际上是将两三个假设合并在一起的结果，这需要被拆解并纠正。
- 测试该假设的最佳方式是什么？分析来自Google Analytics的数据？运行A/B测试？挖掘您网站调查的反馈？请参考相关文章《有效分析：为工作选用合适的工具》，其中列出了供您测试假设的各种不同类型的工具。
这项评估是优先级排序的关键输入因素——既要评估测试该假设所需的工作量，也要考虑实施该方法所需的实际资源情况。
优先级排序
假设的优先级排序从来不是一个完全公式化的过程。但通过思考影响你优先级的各种因素，你可以开发一种基于公式的方法，将前景看好的假设推至列表顶部以供考虑，同时将显而易见的优先级降至底部。
这些因素可能包括以下内容：
- 测试该假设所需的工作量和时间。
- 该假设背后的信念实际上正确的可能性。
- 如果该信念是正确的，实施变更的可能性。例如，如果你的假设是首页主图应以产品为导向而非品牌导向，但首席执行官坚持要求以品牌为导向，那么进行一场旨在证明他错误的测试可能毫无意义。
- 如果实施了变更，预期的潜在业务影响——这本身就是一个难以估算的因素。
- 该假设与你的业务目标的一致性。
测试
实际测试最高优先级的假设是下一步。由于流程中前面的步骤已经存在，你将已经有高度的信心认为大多数被测试的假设都是可操作的，并且对如何测试每一个假设也有良好的把握。这使得分析资源的使用更加高效。
行动
仅仅因为分析得出了可操作的结果，并不意味着行动真的会被采取。因此，跟踪行动也应成为流程的一部分，同时确定何时衡量这些行动以量化其影响——是一周后、一个月后还是三个月后？——并衡量和报告这些影响。
学习
每个被测试的假设之后都应追问一个问题：“除了这个特定的假设外，我们是否获得了更深层的学习？”如果是这样，应该将其记录下来。
定期审查
通过一个从构思到行动、结果以及更深层学习的完整流程来追踪每一个想法，你将能够轻松地进行月度或季度回顾，审视你在分析方面的投资以及所取得的成果。你将能够快速向整个组织总结每个时期所获得的更深层学习成果。或许最重要的是，你将温和地将公司转变为真正数据驱动的企业——即提出聪明且具体的问题，然后利用可用的各类数据进行验证。