日报标题：只要有数据在，数据分析就根本停不下来
邹昕，互联网数据分析
根据我的了解，题主的工作内容是偏数据工程师一点的，不过题目是问的是数据分析团队，所以就我有限的见识，抛砖引玉讨论一下数据分析团队如何给自己找活儿干。
为方便说明，这里以知乎为假想例子（也就是说都是我瞎掰的）。
比如说以用户注册过程为例，主要包括潜在用户通过某种方式到达知乎注册页面（比如说搜索，或者朋友圈分享的答案、文章），开始注册流程（邮箱注册？电话注册？），注册成功之后的一系列动作，比如关注了哪些话题、是否更新个人资料，是否有进一点互动（比如说点赞或者答题）等。
1. 数据报表 (dashboard report)
题主提到“各方面数据看板已经做得很完善”，那么可以试着从以下几个方面入手？
a. 不同维度的完善
比如说现在报表包括了注册整个过程的数据，那么是否有按用户性别、年龄等，地点（国家），使用设备（Andriod, iOS 等），来源（搜索引擎？朋友圈分享？微博分享？），注册方法（手机号？邮箱？）等来做分类呢？
b. 数据的时间精度
我们知道微信公众号是提供每天的数据追踪的，如果能够有更精细一点的数据，比如说按小时的，是否会提供更多的信息呢？以上面知乎注册数据为例，有每天的数据当然很好，但是假设现在半夜 12 点突然因为某些原因不能通过手机号注册了，而且只是在页面端有这个问题。如果没有时间精度更高的数据，而只能看每天的话，那类似这样的问题可能就没法发现或者需要过一两天才能发现了。
类似的，比如知乎日报想看每天几点推送效果更好，可以尝试在不同的时间段推送，然后看每天的阅读量、互动等，但是如果能够实时看推送之后的效果，自然比看每天的数据更有说服力。
c. 数据的完善度
理论上来说数据永远只能部分代表实际情况的，不可能把所有情况都一一记录下来。比如说在记录用户注册的过程中，是否记录了用户注册失败的情况？比如说用户名已经存在？用户名已经存在的情况下，是用户忘了密码呢？还是本来应该点登录的，结果点成注册导致失败了？注册失败之后下一步动作是什么？假如有这些数据，可以带来什么分析结果？
d. 数据的可靠性
数据并不总是 100% 可靠的，那么如何提高这个可靠性？如果建立一个大家都可以用、都可以信任的数据系统？当然这更多是属于数据工程师的活儿，跟数据分析有点差别。但是另一方面来说，数据分析过程中也是可以发现一些数据存在的问题，提供反馈进一步改进的。
2. 开拓性数据分析
有完善的数据报表是一件很好的事情，但是绝不能止步于此。
a. 给业务团队提供方向
业务团队应该有自己的想法接下来应该做什么，或者说至少有个大致的想法，同时数据分析在这里也能起到很重要的作用，有时候是确定哪些项目比较重要，影响力比较大，有时候是找到新的方向。
比如通过数据发现，注册错误里有一部分是因为用了海外的手机号，导致无法收到确认码，那么就可以考虑如果解决这个问题了。还有一部分是因为用的邮箱收不到确认邮件导致注册失败。假设现在工程团队资源有限，只能干其中一个，如何确定优先级？
再比如说数据分析发现很多文章浏览量来源于微信朋友圈，那么添加通过微信登陆的功能，有什么好处，又有什么坏处？
b. 了解用户
数据分析可以改进产品，很多时候可以通过分析用户的行为来得到一些想法。比如说对比一下文章和答案的赞数和评论数会发现，有一些文章和答案的评论数/赞数非常高，说明在评论里有很多互动，但是赞同文章的人却很少。再进一步分析可能发现，有时候是因为读者强烈反对文章或者答案，所以评论区很热闹，有时候是因为大家在评论区里聊天，如此种种。那么这些信号是否能够用在知乎时间线的排序上？是否有必要给文章也增加“反对”的按纽？是否有必要给评论也排序而非单纯的按照时间来？
c. 设定目标
跑过马拉松的人可能都了解领跑者的重要性（我没跑过，别问我怎么知道的），因为有人在前面带节奏，跟着合适的目标按照适合自己的节奏跑就可以了，不至太快跟不上，也不至于太慢而没有发挥自己的潜力。
数据分析也可以起到类似的作用，给团队设定一个合适的目标，而不是脑袋一拍，能不能完成天知道的。有时候目标设得太高，团队拼死拼活也完不成，有时候又目标太低，不能发挥团队的潜力。
3. 数据基础架构 (data infrastructure)
这方面可能也更多的是数据工程师的职责，不过数据分析团队也是可以在其中发挥一定的作用的。
a. 方便团队做测试
比如说是否有系统能让工程师们方便的做测试，不需要专门的人来做 A/B 测试的数据分析？
b. 方便团队使用数据
比如说产品经理要看这周和上周的对比，一些常用的数据是否可以直接有报表呈现。如果有某个特定的方面需要进一点查看的，是否有好用的 UI 点几下就可以？如果产品出现什么问题（比如说注册页面挂了），是否有系统能够及时报警，并且能够快速查明原因？
c. 自动化分析
比如说写个程序把一些常用的分析过程给自动化了？
这个回答下的思路就很好：
暂时就想到这些，不过我还是想不通，俗话说得好，产品经理动动嘴，数据分析跑断腿（开玩笑的，产品经理不要打我）。
李庆斌
@邹昕大牛的回答非常好，我再补充一些我的看法。
一个成熟的数据分析团队的工作应该是从描述性分析(Descriptive Analysis)开始，到预测性分析(Prediction Analysis)，再到指导性分析(Prescriptive Analysis)的过程，这三个阶段是相互影响与相互促进的关系。
描述性分析(Descriptive Analysis)是最简单也是最基础的分析，其目的是总结过去。通常情况下，人是很难从原始数据中直接获取信息，因此，需要通过描述性分析，将大块的原始数据清洗、提炼、总结成小块的信息，用数字、图表等形式展示出来。从题主描述来看，这是你们团队目前主要的工作内容。
预测性分析(Prediction Analysis)则是利用机器学习、数据挖掘、统计等方法利用历史数据对未来进行预测。指导性分析(Prescriptive Analysis)是进阶版的预测性分析，在指导性分析中，不仅仅要对未来进行预测，更重要的是能够对预测结果进行解释，分析其背后的缘由，并对业务决策提供指导，分析每种决策可能产生的影响，这是数据驱动型公司的核心之一。
题主的团队看起来在预测性分析及指导性分析上做的工作很少，是不是可以考虑下一步做点这个？
另一个很重要的方向是基础设施建设，主要包括这么几个方面：
- 数据建设。数据的质量决定了分析的上限，因此，数据的建设应该是贯穿始终的。数据的建设包含了（1）提升数据的准确度、可靠度；（2）增加数据的维度，引入更多的数据；（3）降低数据的粒度，让数据的细化程度更高。
- 分析流程建设。通常情况下，一个数据分析项目的流程是：数据收集 －－> 数据清理－－> 特征工程－－> 数据建模－－> 模型评估 －－> 模型变现（提供决策支持或是进入产品）。一个优秀的数据分析团队应该将上述流程规范化、自动化。
- 产品化建设。如果分析的结果需要进入产品，那么与工程团队进行衔接，模型产品的测试都是需要解决的问题。如果分析的结果是提供决策支持，那么如何将分析结果更好、更清晰、更易懂的展示给其他决策层及其他团队就是急需解决的事情了