亚洲精品自产拍在线观看,亚洲天堂AV网址

搜索

APP

起點課堂會員權益

職業體系課特權

線下行業大會特權

個人IP打造特權

30+門專項技能課

1300+專題課程

12場職場軟技能直播

12場求職輔導直播

12場專業技能直播

會員專屬社群

榮耀標識

發布

注冊 | 登錄

從方法論及業務實踐過程中，總結了幾點對數據分析的感悟

碧英數據

2023-04-14

1 評論 4359 瀏覽 47 收藏

37 分鐘

近年來，互聯網行業也不斷涌現了許多新鮮的名詞，現如今，數據分析被廣泛的應用到各行各業當中。本文通過方法論及業務實踐的方式，闡述數據分析與業務發展之間的相互作用以及企業是數據分析管理，希望對你有所啟發。

開篇

近些年，互聯網行業涌現過許多特有的名詞，例如：

IP：并非你電腦的IP，指的是知識產權。但從用法來看，更像是一個產業域。例如《復仇者聯盟》這個IP。
私域流量之前的私域：顧名思義，指的是自己能夠直接觸達用戶的渠道。例如，微信公眾號，關注自己公眾號的用戶，就是自己的私域流量。企業的活動、營銷，可以直接觸達用戶。
垂直：當然指的不是兩線垂直相交。這是一個比較古老的詞匯，這里指的是一個行業的細分，例如唯品會，在起初就是作為化妝品領域的一個垂直電商。

有很多名詞已經過氣，當然也有新的名詞不斷的在涌現。

而“數據分析”可以說是一個經久不衰的詞匯，當然它代表了一項工作性質，也代表了一個行業。

說起數據分析，當下一定有很多人會把它與大數據聯系在一塊，畢竟大數據也是當下的一個熱詞，也是被大眾誤理（夸張理解/懵懂/感覺很厲害）最多的一個詞。

不嚴格的來說，數據分析的淵源可以追溯到17世紀的統計學，并且，其確實也是由統計學發展而來。

直到18世紀初，蘇格蘭工程師威廉?普萊費爾發明了統計制圖法，用于時間序列數據的折線圖和面積圖，柱狀圖用于描述不同類別的數量之間的比較，餅狀圖用于描述隸屬同一組的多個數值的比例，這是一種數據可視化的雛形，卻也為現代數據可視化（data visualization）和探索性數據分析（exploratory data analysis）奠定了基礎。

隨著科技的發展，尤其是計算機技術的突飛猛進，算法、模型、數據庫、機器學習被應用到了統計學與概率學當中，至此，便有了現代化的數據分析、預測、數據挖掘等。

現如今，數據分析被廣泛的應用到各行各業當中。有些觀點認為，似乎企業的發展、運營，已經離不開數據分析，甚至主要依靠數據分析。不可否認，伴隨著近些年大數據、云計算、人工智能、物聯網等業務的火熱，數據價值也確實被更多的挖掘，大數據、數據資產、數據治理等基礎數據業務也在不斷的夯實，但我們也要客觀的去看待數據分析的應用能力、使用方法、應用結果。

畢竟，近些年倒下的大企業也不少，例如每日優鮮，數據分析應該占據著企業極高的業務比重，但依然默默的退出了市場。

本文將從數據分析本身出發，通過方法論及業務實踐的方式，去闡述數據分析與業務發展之間的相互作用，以及企業對于數據的分析管理過程。我們不去討論結局，但希望這個過程能夠給大家帶來啟發。

一、數據分析及價值

1. 什么是數據分析

管理學大師彼得.德魯克曾說過：“如果你不能量化它，你就無法管理它?！?/p>

從字面上看，數據是基礎，而分析才是核心，數據是經營的量化結果，洞悉數據背后的邏輯、規律、趨勢，提取出有價值的信息、形成建議，這個過程就是數據分析。

可以說，數據分析是一項入門容易、但精通困難的學科、工作。我們常說，數據本身并沒有價值，從數據中提取有效的信息，才使得數據擁有了價值。而數據分析的核心工作，就是提取數據價值，反哺業務。但做到這些并不容易，許多企業都在做數據分析，他們渴求著從中挖掘出數據價值，但現實卻給出了相反的結果。

有效的數據分析需要懂業務、懂分析（思維方法模型）、懂工具（分析工具），以及敏銳的商業洞見。精通每個環節并不容易，這也是為什么，能夠崛起的企業總是鳳毛麟角，大多數企業都在蹣跚前進?？梢哉f，數據分析能力也是決定企業發展的關鍵因素。

2. 數據分析能力

從數據——到信息——到業務流程/業務經營，是數據發揮價值的過程。數據能力從：結果描述（知其然）、數據分析（知其所以然）、發現業務風險及機會、直接用于業務過程成為生產力，其能力價值也是不斷演進提升的過程。

一般來說，企業的數據分析能力越強，其在市場的競爭優勢越大。

綜合來說，對于能力的理解，可以歸納為四個過程：

?①描述過去已經發生的

在這個階段，我們可以通過常規的報表去查詢每日的運營狀況，包括銷量、用戶活動、庫存等。?

②了解現在正在發生的

這個階段，我們可以通過平臺的能力、實時計算能力，查看當前數據狀況，例如實時銷量、實時庫存、在途商品等；同時，也會對突發狀況進行告警，例如POS掉線、并發堆積引發阻塞等，我們需要針對現狀進行問題疏導和解決。

③預測未來可能發生的

這個階段，需要借助人工智能、算法、機器學習等智能化的工具，進行業務預測，當然這個前提是海量的基礎數據訓練。例如，交通狀況的預測就需要增長率法、重力模型法、遺傳算法、ConvLSTM等多種算法的混合支撐。

④優化策略驅動增長

這個階段，我們已經擁有全數據鏈路能力，所以才能更好的為業務發展過程給出最得體的運營方案。

例子不多舉，我想說的是，一個完整的數據分析過程，需要擁有這樣最基本的過程，當然這又回到上述的觀點，這些都需要懂業務、懂工具、懂分析、懂商業洞察。業務是根本，工具是手段，分析是能力，商業洞察才是創新，才能發現問題、預防問題、預測走向、引領轉變。

3. 數據分析的價值

數據分析的價值，是其最大程度的體現。但就我國目前企業的能力而言，只能說通過數據分析，達成了哪些目的。

基于我們以往的經驗及應用過程，可以歸納為六點。

提升收入利潤（直接性價值）
降低成本費用（直接性價值）
提升管理效率（發展性價值）
控制風險降低損失（發展性價值）
提升無形經濟利益（創造性價值）
外部量化數據收入（創造性價值）

企業利潤和成本，是能夠數據價值的最直接體現，是最終端的效應。但數據分析手段如果僅僅作用在最終側，那么將會導致一個弊端，就是需要經常調整決策，這對于企業的發展是有反作用力的。

所以，數據分析的底層作用，是企業管理的提效，通過對生產、管理、供應鏈、物流、成本、銷售等基本環節的把控，夯實企業發展基礎，是企業利潤和成本的根本保證。

最后，在市場競爭中脫穎，做好自身僅僅是基礎，更多的是需要迎合市場，所以外部數據、價值挖掘的價值利用，才是企業發展的助推器。

4. 我們處在哪個階段

我們說了這么多，相對應的各位看官，自己的企業又是處于什么發展階段呢。我們姑且將其分為五個階段，而這幾個階段也與上文中的分析能力過程和數據分析價值相對應。

①數據應用薄弱階段

階段目標：需要獲得足夠的數據來了解企業的經營狀況。

問題：還不能完整了解企業正在經歷著什么，更不用說外部環境。

②局部業務/職能使用數據分析

階段目標：通過數據分析、數據工具，解決某一項工作的問題，從而進行改進。

問題：如何進一步提升效率，如何全產業應用。

③對應數據應用進行整合

目的：利用數據能力提高差異化能力。

問題：通過數據分析現在在發生什么？我們可以從當下的趨勢中推論出什么。

④整體數據應用并取得單點優勢

目標：數據能力是業績和價值的重要驅動因素。

問題：數據應用怎么驅動經營和管理創新，如何實現差異化。

⑤全面憑借數據開展競爭并持續優勢

目標：數據能力是業績和價值的首要驅動因素。

問題：下一步應該怎么做，有怎樣的可能性，如何保持領先地位。

了解的自身狀況，后面我們就要根據自身狀況去進行改變。

二、數據分析體系構建

數據分析體系，是企業業務發展的綜合整理，既表達了企業發展的現行業務架構，也體現了企業內部精細化分工。

1. 數據分析體系構建方法論

數據分析體系，是由數據分析模型構建。

客觀事物或現象，是一個多因素綜合體，因素之間存在著相互依賴又相互制約的關系。為了分析其相互作用機制，揭示內部規律，可根據理論推導，或對觀測數據的分析，或依據實踐經驗，設計一種模型來代表所研究的對象。一般構建數據分析模型體系分為一下幾個步驟：

①理解業務

思考該模塊工作的目標、業務流程、核心指標及行動方案；

思考業務流程各階段的待解決問題，初步確定需要幾個分析模型來支持和指導業務運營、決策支持。

以商品銷售為例，銷售模塊的核心指標一定是銷量、利潤。但結合整體業務流程，還需要了解后臺配套的商品庫存、人工成本、供應鏈成本、物流成本等，通過逐步拆解細分，才能得到混合型的支撐模型。

②模型驗證和調優

首先要對自身模型檢驗。第一要查看分析模型在業務應用中是否體現了結構化（有序的、層層遞進）、公式化（可量化）、業務化（貼合實際）的思維；第二要查看分析模型是否能夠支撐完整的業務閉環；第三要查看分析模型是否達成業務目標。

其次，要對分析模型產生的數據結果進行驗證，針對數據偏離進行模型調優；

最后，對模型進行解讀，即用戶如何理解數據、用數據，根據用戶體驗優化模型。

③構建分析模型

明確每一個分析模型適用業務場景、解決什么問題、和使用的角色；

明確各個模型分別是什么模式，描述性分析、診斷性分析、預測性分析、決策建議性分析；

按照目標-核心指標-圍繞核心指標建立分析模型的方法，推導分析模型；

細分模型所需的指標維度、以及告警設計；

思考該模型與其他模型之間的關系是什么，進行模型的跳轉與連接。

2. 構建數據分析模型體系過程

所以，根據方法論所述，構建數據分析模型體系，基本步驟可以概括為：

①理解業務，立足目標

通過核心指標監控、業務流程分析等方法來發現業務問題，針對性的進行數據分析與挖掘。

積累的問題解決經驗、成熟的分析思路，經過系統的梳理，梳理為一個或多個成型的數據分析模型。

②細化流程，發現問題

細化流程的方法：一種是按照組織管理職能將業務模塊分解，另一種是參照業界業務自然的發展階段來細化分解。

數據分析模型的核心，不在于圖表華麗、方法炫酷，而是能夠適用業務、解決問題、帶來業務改善。

③逐個梳理分析模型

您的模型應用了何種分析思維，是公式化、結構化還是業務化。

您的模型應用了何種分析模式，描述性分析、診斷性分析、預測性分析、決策建議性分析。

模型與模型之間的關系是什么，無關、關聯、遞進、基礎。模型之間的下鉆關系是什么。

?④指標維度告警考慮

角色：首先要進行角色區分，角色分為運營、采銷、管理等，模型是為哪些角色建設的，不同角色所需的指標維度告警方式是否一樣。

指標：模型所需的指標是哪些，將指標定義和計算公式梳理清晰，并且對核心指標進行解讀，如果指標缺失則加快指標建設。

維度：維度是分析和匯總數據的視角；模型所需的維度是哪些，維度之間的鉆取關系，如果維度缺失則加快維度建設。

告警：核心指標是否需要設置異常值提醒通知，是否需要將異常信息推送給相關人員等。

⑤數據驗證

按照分析思路填寫真實數據；

檢查數據指標及分析思路的嚴謹性；

請使用方試用模型，提修改建議；

結構化、公式化、業務化思維、閉環、目標達成等；

存在問題按重復上述步驟。

⑥解讀模型構建關系

對模型進行解讀，異常分析的路徑，怎么理解數據背后的含義、如何用數據驅動業務改善。

基于整個業務的全流程及分析問題，全盤思考模型之間的關系是什么，模型與模型的跳轉與連接是怎樣的。

3. 分析模型體系評估

4. 零售經營分析體系案例

我們結合電商綜合體，進行了行業經營分析模型體系構建。

基于分析模型構建方法論，將龐大的業務進行拆解，構建細分業務的詳細指標，考慮模型之間的流程流轉、業務跳轉等，從而展現電商綜合體的經營架構和內部業務細分，體現其核心的業務模式，窺探可創新發展方向。

在大的方向上，電商綜合體的經營分析體系可分為：經營環境分析、財務分析、人力分析、戰略發展分析，以及最重要的業務分析。

業務分析，根據實際業務發展狀況，進行模塊化拆解，可分為：流量、銷售、會員、門店、商品、廣告、服務、單品、績效、商戶、連發。

以流量為例，流量主題的業務目標是：提升流量的數量及質量、提高轉化率、促進銷售增長、賦能智慧零售。模型目標是：監控線上運營流量核心指標、及時發現異常、細化分析、及時調整。

同時流量主題又可細分為線上流量、線下流量。線上流量又可通過轉化路徑，細分到頁面、搜索、站外等。搜索模塊再而細分，直至到形成商品購買頁的流量轉化歸因及閉環。

三、數據分析工具建設

數據分析工具，是數據分析的核心手段。借由數據分析體系構建的思路，數據分析工具的建設，同樣應該堅持結構化、公式化、業務化的原則，支持業務的精細化拆解，支持不同角色的業務需求，最終還是要提升業務的流轉效率、經營效率、管理效率。

圖（分析工具產品架構）

我們從業務角度觸發，將分析工具分為前端的業務應用和后端的處理核心。

前端的核心應用就是數據分析門戶，為經營管理人員、數據分析人員、門店人員、促銷人員等。

后端的系統，集成了告警、算法、營銷引擎、智能化產品。后端系統不直接應用于經營管理部門，但為業務經驗經營提供基礎的數據處理、指標處理、業務告警、智能推薦、智能數據服務、智能客服服務等能力，是前端業務經營的智慧大腦。

1. 分析工具核心功能

①指標維度建設內容

指標維度的建設思想，在數據分析體系建設中已經有過闡述，在此不再多述。

在這里要額外說一下維度，維度是指標的屬性描述，例如流量，流量的相關維度例如：線上/線下、app/web/小程序、首頁/商品頁/購買頁、地域、門店等等。在數據分析管理當中，維度也被用來做權限的管控。最典型的案例：通過門店維度，管控店長僅能看到自身店鋪的相關數據。

②業務駕駛艙

現在的BI工具，駕駛艙的特性已經被追求到了極致。但好的駕駛艙搭建并不容易。

駕駛艙搭建應遵循一下步驟：

確定終端：pc、app、大屏、尺寸
確定駕駛艙類型：戰略型、分析型、操作型
確定指標：能一目了然業務運營現狀
確定圖表
確定排版和美化

駕駛艙類型與指標緊密結合。戰略型駕駛艙，一般展示宏觀指標，例如當日商品銷售（排行）；分析型駕駛艙，則會體現各個指標之間的聯系，例如總體銷售、分時銷售、維度銷售；操作型駕駛艙，則體現業務的時效性和預警能力，例如退出率、閃退率、XX失敗數等。

③報表市場

報表市場，顧名思義，是一個報表的匯聚。通常適用于跨部門、跨業務的數據查詢分析。當然，這需要配套權限的解凍、流程審批，避免數據權限的擴大。一般來說，審批過程會大大減少數據外泄的隱患（關于數據安全不在此描述）。

④分析報告

某些大型企業來說，分析報告是亮點，需要算法的支撐。

通常來說，傳統分析報告一般為模板化的格式，是一種報表數據的匯總體現。但經過算法的融合，分析報告可以變的更加的靈活，豐富。尤其是當前openapi開發的cp4.0的出現，分析報告完全可以交由AI來做。AI提供的報告的創造性遠超我們。

⑤自助分析

自助分析可以說是一些企業運營的命脈，這一現象普遍存在與中小企業當中。其原因我們不取追究，但坦率的來說，通過托拉拽的方式，將由指標、維度、事件周期模塊化置于畫布，由數據分析人員自由操作，要比固定的預置報表更加靈活。同時配以人員的創新性，更加適合數據分析人員進行個性化、臨時性的數據分析、數據創新。

以XX品類會員生命周期及畫像分析為例：

問題背景：XX品類年度買家規模占比在全品類的20%以上，是會員運營的重點品類。但從買家增長和銷售增長趨勢看，2020年該品類一級商品組銷售規模同比下降XX%，正向買家規模同比增長XX%，增長率較18、19年同比增長率下滑嚴重。且在2021年1-5月，銷售及買家規模均同比下滑。

分析目的：通過分析了解會員生命周期結構情況，各階段人員畫像特征，以及如何針對性采取行動來做策略干預，提升用戶規劃、優化用戶結構、提升會員價值。

分析思路：

生命周期分析：結合會員生命周期理論框架及自身特征、品類特性，定義XX品類會員生命周期階段，了解各階段會員概況、價值和生命周期結構。

畫像分析：從會員個人屬性特征、消費偏好特征、交叉購買方面，分析各階段生命周期人群畫像，為會員運營提升提供決策建議。

通過個性化的自助分析，得出以下結果：

從會員生命周期分布結構來看，該品類待挽回會員規模占主導地位，會員結構處于高流失型結構。

生命周期各階段人均價值下降程度不同，僅成熟期會員的人均價值（貢獻交易額）呈正向增長。

客單價≥100 元的會員留存分布結構中，引入期+成長期會員占比過半，成長性較好?？芍攸c關注該部分用戶，提高復購，推進向成熟期轉化。

分析結論管理建議：

XX品類需要優化會員結構：XX品類 2020 年會員總數雖同比增長，但從生命周期結構來看，待挽回的沉睡期和流失期會員增長較多，留存會員規模及占比均下降，會員的結構較差。且留存會員中，成熟期占比較低，處于增長階段的會員占比處于主導地位，而沒有有效的轉化為成熟期會員。建議在關注會員規模的同時更要關注結構性問題。

XX品類會員貢獻價值有待提升：XX品類會員貢獻總交易額略提升，但核心的留存會員貢獻總交易額下降，人均貢獻交易額下滑。建議從商品結構與用戶畫像匹配度、營銷方式優化、渠道選擇上面，挖掘用戶潛在需求，提升用戶復購及 ARPU 值。

基于畫像分析，從性別、年齡、地區、渠道偏好、購買期偏好等角度分析用戶特征，為后續挽回、激活等精準營銷策略提供支持。
從交叉購買品類的關聯性看，可在運營中對表現較好的交叉品類做進一步聯動營銷。

2. 告警預警能力

告警系統，作用于在數據分析中，對核心指標告警方案配置管理、異常數據主動推送、觸達，幫助業務人員及時知曉和處理經營異常。告警系統一般構建與指標體系之上，其核心是告警規則配置。
對于指標的告警配置，是對一個或多個指標設置告警規則，包含但不限于周期設置、閾值設置、維度維值設置、單位設置、時間顆粒度設置、推送策略設置。

基于告警信息，我們需要對告警規則進行解讀分析，一方面了解業務運營狀況；另一方面對告警規則進行調優。

消息推送是告警系統的基本功能之一，一般會包含郵箱、短信、MSG。每個企業可以根據告警等級，設置不同的通知方式。

最后，告警信息需要由責任人去關閉，從而形成告警的閉環。

應用案例：

黃金流量位在促銷時期的數據告警。

頁面運營中有個“黃金流量位”的概念，每個頁面、樓層的“黃金流量位” 是有限的，這個坑位運營的商品效果怎么樣，需要業務人員實時關注不同樓層和坑位對應商品的實時曝光、點擊、加購、提交訂單和庫存數據，及時進行調整，確保成交最大化。

比如大促預熱時，某商品加購達到 100 件，但可售庫存只有 20 件，這件商品就不適合作為主推款，占據“黃金流量位”的一定是庫存、加購數據都比較優秀且平衡的商品。
類似的，還有高曝光低點擊商品告警、有點擊無轉化商品告警、缺貨告警。

3. 場景應用

整體應用：

細分9個場景：

四、數據分析應用管理機制

最后，我們來談一談數據分析應用的管理。有效、高效的管理機制，是數據分析價值發揮的催化劑，也是數據工具進化的基礎動能，更是企業數據能力提升的鋪路石。

1. 全員參與的重要性

①全員參與

好的產品都是運營出來的，用戶需要持續有效使用中發現問題，發現與業務訴求的偏差，才能促進產品持續不斷迭代提升，在應用落地中發揮數據真正的價值。

每個人都能真正從數據應用、數據管理和數據發現高度經營各自的本職工作，能在各自的工作中自覺利用或簡單或復雜的數據分析工具，進行大大小小的數據分析挖掘，從數據中發現信息財富，助力公司全方位的提升。

②建立常態化的跨域流程和機制

數據驅動經營是跨專業、跨團隊的協同配合，需要建立對應的流程和制度保證最終的實踐效果，明確相關方在不同階段的角色、職能、分工和價值，保障各環節的階段性目標達成，實現數據驅動經營的閉環。

③管理層的推動作用不可忽視

只有各體系中高層持續推動，才能快速在公司內建立、推廣、實施、完善真正的全員參與、跨部門跨專業、具有戰略競爭意義的數據驅動運營管理的工作。

④數據文化的培養至關重要

企業的數據能力提升，人是核心動能，人力資源的數據素質培養，氛圍不可或缺。通過培養讓數據說話的氛圍：把數據用起來，讓數據反饋管理、改進管理、提升業績；通過建設數據分析交流的陣地：數據服務號、數據論壇、數據分享會，實現企業員工能的共同提升；保持開放與學習的心態：參加外部學習，吸收行業優秀案例，開拓視野。