數據團隊的建立或是數據分析會議該如何召開，這會徹底改變數據在公司內容用途。很多人的「數據分析」是不斷地看數字，而想從數據中找出蛛絲馬跡。但你會發現這其實這樣做卻沒有「如何落實」的過程，也就是連最基礎的 PDCA 流程都沒有的情況下，會讓數據分析沒有意義，實務上數據分析不僅只是要「分析」，而還要加上「如何運作」的建議，三個小流程包括：
一、先提出「猜想」跟「假設」
單純從數據中看事情，那會變成不知道要看什麼數據，數據本身是中性的，搭配「猜想」跟「假設」才會有其價值。也就是在看數據之前必須要先做出「問題的假設性解案」，譬如昨天跟潛在客戶開會的時候，我們看到他現在 CPL 偏高的一個理由，是因為表單都放在到達頁的底部。如果我們把表單放到頁首，或是頁面深度 50% 的時候就先彈窗，會不會「增加填單數」，但「跳出率」可能會變高。先有假設、看數據才會有意義
二、檢查「猜想」跟「假設」是否能夠確實地被「收集數據」
當然像跳出率這種數據， GA 裝一下就有了，但有些時候我們在做數據分析的時候，其中包含著「流程分析」，譬如說：電商轉換率不好，中間有相當多 GAP ，都是促成轉換率逐漸下降的理由。一個不成文的鄉野傳說：每多一步驟，轉換率就掉 1% ，最好消費者想買的念頭一動，東西就出現在他手上，轉換率 100%！但要確認購物車，扣 1%，選地址再扣 1%…….，問題是哪個步驟扣得最多 % ？在我們的「猜想」跟「假設」終究要看看能不能看到這個步驟。
譬如說：這次的電商轉換率不好，可能是要加運費造成的。好了，這是個猜想，那我們就應該要先找到消費者在哪個步驟看到了運費，而在這個步驟地離開率是不是特別高，如果是，就能證明我們的猜想，進而做出解決的方案。
三、「猜想」跟「假設」證明過後的 BI 跟視覺化呈現
很多數據分析結束完之後，最大的問題就是沒有下一步動作，我們知道運費是影響了轉換率的關鍵之一，但卻沒有針對「消費者如何可以不用付運費」作出相應的決策。或是就算有做了，後續卻沒有持續觀察前段提到的「離開率」是不是有下降。當然我們還是可以用 GA 解決這個問題，但是如果有更直觀的視覺化呈現就會更方便我們來去閱讀，譬如使用 Looker Studio 來讓我們想要看的數字，必須要能夠以「一個畫面能夠呈現完」為視覺化呈現設計為準則。
三個步驟，能讓數據分析更有價值，也才會讓看數據這件事情變成公司成長的動能。
