本文作者：

林逸飞，TalkingData合伙人&执行副总裁。此前，历任甲骨文大中华区企业架构咨询服务总经理，甲骨文大中华区中间件技术咨询总经理等职务，17年大型企业研发、咨询经验和团队管理经历。

近年来，“大数据”日益成为国家基础性战略资源，其所蕴藏的巨大潜力和能量在各行各业不断积蓄的同时，整个数据行业的技术基础和实践能力也获得了长足的提升，对于数据的分析和应用能力在不少行业案例中都得到了良好的展现。单就运营而论，数据作为一种度量方式，能够真实的反映运营状况，帮助我们进一步了解产品、了解用户、了解渠道进而优化运营策略是其快速发展的根本动因。通过数据分析的结果来驱动运营方式，最终帮助运营者乃至企业决策者凭借数据敏感性和逻辑分析能力指导业务实践，下面我们就从何为数据运营的三重门开始说起。

数据的第一重门“交易门”

客户与企业的交易数据。这重门以交易数据、日志数据为主，即客户的交易行为（买卖、刷卡、查询、投诉等）通过企业内部的生产作业系统记录留存，基本以“事后”数据为主，数据存在形式以结构化数据为主体。

数据的第二重门“交互门”

客户与企业的交互数据，我们形容为花园里面的数据。其特点是以用户与企业的各种交互数据为主，数据本身代表了客户的行为，如位置、点击、浏览、企业App内的操作行为、企业线下实体内的行为（购物中心内的到店足迹）等。此类数据开始出现大量非结构化，流式数据等多种形态。

交互门与交易门的数据有什么不同，如何利用？

例子一

沉睡、瞌睡客户的分析

通过交易门内的数据发现的沉睡、瞌睡客户，在交互门里面表现如何呢？他们是真的沉睡了还是离开你的服务？

交易门内的数据告诉企业这些客户在你的企业交易门里面没有留下任何交易的线索，不买你的理财产品，不买你的商品？这个时候要看看交互门的数据了。

先看这样图，

可以发现在一定时间段里，虽然交易门的数据类似，但是在交互门里面这些客户表现大不相同。 停留在企业APP时间的时长不一样，点击的次数不一样。

所谓“投资型“客户是数据猜测的，因为这些客户不断上来而且频繁的在你手机里面做各种操作，他们在比对你的商品或者你的理财产品。可是为什么交易门里面没有收益呢？

这个时候要看看“交互门“外的数据了。即这些客户在企业的App外在类似竞品企业的App上是什么行为呢？如下图：

结论很明显，这些投资类型的客户在竞品App里面同样活跃，是目标客户，这个时候要考虑如何进行客户的转化了，如何进行客户的转化同样离不开数据，属于客户运营范畴了。

这个例子是一个典型的穿越数据三重门的分析。

例子二

线下交互门的数据能干什么？

   我们会认为24小时营业的火锅店会给很多商业综合体带来巨大的客流量，会有良好的预期，觉得这些人来了会在我的商场里边再会顺便买一些东西，提高我的提袋率。事实情况是不是这样呢？

我们做了这样一个数据探索，跟我们的客户一起去了解，把两百多个商家做了一次分类，分类组织成为各种商家标签，如下图表格的纵向栏目。在通过数据运营施工，在商场内的各个商家门口（nearby）和进店（inside）的Wifi数据获取整理。

通过大数据管理平台，将商家标签，人群轨迹做机器聚类分析，看看品牌与人流之间的关系到底是什么？

下图中标红的就是火锅，其相关性为1.0，但是这一栏中的人群除了跟火锅类标签相关度高之外，与其他商家标签相关性都极低。如果是简单描述这个分析结果就是，吃火锅的人会直来直往，吃完了就走，对其他的入驻的商家和品牌带动力非常有限。

据此我们可以进行进一步的分析，下图为商业综合体中所有的品牌与品牌之间的带动力的分析，来看看数据会告送你哪些品牌是带客源泉，哪些不是。

结论是，

l   如果只看交易墙内的数据，如销售量，租金等，上面的分析结果是不得而知的。

l   看交互墙内的数据需要进行数据运营和数据工程实现才能获取

l   如果在结合“公开市场门“的数据，还可以进行外部商圈分析、竞品分析等，数据分析纬度继续深入，但是这部分数据就需要外部合作获取了。

数据的第三重门“公开市场门”

即客户在一个开放市场中的各种行为数据，其本身往往并不直接与企业的业务相关，但是对这些数据的获取和分析可以很大程度上辅助企业业务的开展，如移动App的数据、社交数据、微信微博的舆情数据、品牌偏好数据、、职住娱位置聚集和迁徙数据、区块内人群消费能力数据、观影偏好数据等等。

这类数据的获取不是盲目的，通常需要带有一定的问题域触发，即从解决某类业务问题触发来考虑，否则会陷入“数据的汪洋大海”，不知道收什么数据。

在问题域明确的前提下，通过分析加工“公开市场门”的数据可以帮助企业的具体业务问题（获客、唤醒沉睡客户、风险控制、宏观选址、区块消费偏好分析等等）。

这部分数据的获取企业往往需要依靠内部的有目的性的运营活动加以外部合作来达到，这也是众多传统企业往往面临的难题。 

三重门的数据收集和获取形式不同

数据从“收”到“获”的变迁是什么意思？

交易门内的数据，基本以生产、交易、管理系统的自然数据的留存为主要模式，有时也被称为交易系统的副产品，所以主要是“采集”而不是“获取”。而是自然数据的日志自然积累，过去几十年有很多技术处理这样的资产，比如企业内部的数据仓库系统，商业智能系统，管理驾驶舱等经营分析系统将ERP，CRM，核心交易系统的数据进行聚合分析和展现。

交互门里面的数据，以用户与企业的各种交互数据为主，这部分的数据需要企业通过TPU运营和数据运营才能获取。

TPU运营的意思是通过围绕着流量（Traffic）、产品（Product）、用户（User）为核心的一系列的运营活动，来帮助企业将用户从公开市场门中发现，并引导他们穿越交互门、交易门成为企业的客户；同时对已有客户通过三重门数据的运营来提升粘性，提升客户满意度。

数据运营在此环节中十分重要，在上述的各种运营中，始终要将数据获取作为与业务开展几乎同等重要的事情来看待，在各种运营活动中对于数据获取进行必要的设计和必要的IT建设。

谈谈这里所谓的IT建设，我们暂且以“埋点”来统称这一环节的工作。所谓“埋点”即在过程中预先设计的一个事件触发和记录的环节，用以获取、记录该事件的数据。

埋点可以分为以下几类

l   IT系统内的埋点，比如网页的JS代码，App内的埋点事件，H5内的埋点等

l   运营活动的埋点，在线下运营活动中，设计的“摇一摇”“扫二维码”“免费Wifi提供”“H5链接“等等

l   业务人员的所谓“人肉埋点“，即地推人员在活动区块设定、话术设定等方面的设计和数据回笼措施的设计

   只有通过专业、体系化的埋点措施并配合必要的业务管理要求和IT系统建设，才能解决“交互门“甚至“公开市场门”里面的数据持续获取。

  通过对埋点数据的分析可以帮助企业去优化流量运营方面的各种措施，这是一个迭代过程。即通过TPU运营带入客户，通过对客户的各种交互、交易数据的分析优化TPU运营的举措，从而带入更多的流量，采集更多的数据，如此循环往复。

举例：如今跑步成为一种时尚，很多企业客户希望通过赞助这样的马拉松比赛来增加知名度和获客。

某银行客户举办了一次这样的马拉松比赛，报名人数三万，影响的人大概十万左右，目的很明显，拉升银行产品的知名度，拉动银行客户的开卡开户。结果是什么，钱花了，人来了。但是，人都是穿着短裤来的，没带笔，怎么开户；周边观众好几万，都是拿着手机来的，确实被这次活动吸引了。但是此次活动，银行只从承办公司拿了1900个手机号而已，其他的10万人的线索活动后就断了，1000多万的预算，收获了什么？产品露出（Awareness），但是貌似很难衡量，后续这些人如何做跟踪和转化呢？貌似没有跟进手段？数据收获了没有？除了1900个手机号，没有其他了。

这个活动就是典型的没有从数据运营、流量运营结合来考虑。从举办活动前夕的预热，官网、官微、移动APP、大流量端的预先活动设计和配合的线上埋点设计，比赛沿途（报名处，休息处，半马全马完成处，照相合影处）稍作设计都可以成为线下埋点的地方，点埋了，数据回笼了，有几件收益：

l   产品露出效果可以衡量，在官网、官微、手机App上获客情况，转化如何？在线下埋点收集的数据上来，运动敏感性的潜客是不是收集了？

l   后续转化可以做了，潜客标签为“运动狂“的人群做针对性运营，老客也可以做相应的牵引和含片推荐

l   数据资产收获。此次活动作为一次实战的数据获取和训练过程，充实了用户的数据资产（交互门外的数据，交易门的数据都有）。

TalkingData将TPU运营（T：Traffic流量；P：Product产品；U：User用户）与3A3R整合在一起，结合数据三重门的数据运营特点，来帮助客户通过数据运营、平台建设来完成这一过程。通过持续的运营，帮助企业扩充自己的数据资产。如下图所示：

所谓数据运营，即所有的运营活动都基于数据，“不能量化就不能优化，不能量化就不能衡量”源自与此。移动互联网迫使企业的运营点前移出交易墙，到交互墙内，甚至是公开市场。

运营点前移造成既有的运营指标体系出现了不满足的情况，因为原有的指标体系是依据交易墙内的数据建设的，所以出现了新的移动互联网业态下的运营指标，

如下图所示的例子：

结合各个行业的特点，从3A3R （Awareness，Acquire，Activation，Retain，Revenue，Refer）几个角度从公开数据、交互门数据、交易门数据来统一考虑运营指标体系的建设。在此角度上TalkingData已经与多个行业客户联合推出了券商、直销银行、互联网金融、商业房地产等行业垂直运营体系，后续不断有行业运营指标体系推出。

运营的前移的另外一个收效在于，业务的运营可在业务的发生过程中，甚至之前就有所动作，而不是等到数据进入了“交易门“做事后的处理。

“羊毛党“运营的例子

举一个新形态下反欺诈的例子，大家知道有一个人群叫羊毛党，做互联网金融、电商的企业客户，以及那些爱领取卡券优惠的人们可能比较熟悉。

专业的羊毛党的影响越来越大。2015年的时候，在华南有一家不大的企业兴致勃勃做了他自己互联网金融产品发布会，投了两个亿，做互联网金融产品，配属了将近数千万的卡券优惠。结果是开售首日产品几乎直接被抢光。到了半年后，这些互联网金融产品到期赎回时，出现了大规模的集中赎回，类似银行挤兑的情况。要求赎回的理财产品和配属的卡券优惠金额加起来在一亿两千万左右，这个公司直接资金链断裂、关门大吉。

事后才知道，这些产品貌似是众多客户分开购买的，实际上是羊毛党的杰作，通过技术手段操纵移动App，通过近万个帐户抢购产品和撸羊毛（卡券优惠），这是很极端的例子。单纯依靠交易门内的数据来坐分析，显然于事无补。在互联网金融、电商等企业都会面对这个情况可以说这是新的对反欺诈的诉求。

通过结合三重门的数据运营，运营点前移后是否可以解决这个问题呢？TalkingData推出的基于新的RFM模型，从运营的角度上去展开跟羊毛党的攻防战。

从交互门，甚至公开市场门就开始识别羊毛党，具体分析羊毛党出没的痕迹如下：

l   网络行为，通道，接入IP地址，Hostname, 路由设备日志，运营商接入基站都可以留存大量的网络行为日志，完整的网络日志可以形成一条羊毛用户网络路径，客观反映羊毛党的网络行为轨迹。

l   设备动态行为，智能手机及手持设备往往会内置众多的运动传感器， 传感器会手机手机设备的动态行为包括位置变化幅度，变化频次， 变化规律等信息， 从而通过数据计算判断设备的动态行为。

l   平台行为，被撸平台往往有很多的平台行为及过程，包括注册，绑卡，浏览，交易，提现。每个过程都会留下很多行为轨迹，而羊毛党特别是其中的机器羊毛党的行为轨迹更是有其特殊性。

l   交易行为，羊毛党会对平台的产品做详细的对比分析，找出其中ROI最大化的薅方案。其交易的产品，交易金额和交易时间都是最佳化设计。

l   手机的整体行为，羊毛党的主要工具都是手机， 每台手机上安装的互联网金融平台数，活跃时间，甚至于羊毛党对手机终端的偏好都可以留下一定的行为轨迹。

通过对这些来自羊毛党的公开市场门、交互门、交易门的数据整体获取和分析，可以建立一张羊毛党个人行为的数据图谱。如下图展示了一张汇集了多个数据源的羊毛党数据图谱，从图谱中可以直观的多看到一台安卓设备通过多次刷机形成了19台虚拟设备，这19台设备注册了19个账号完成了19次薅羊毛行动的数据轨迹。

在可以识别以后，进入了羊毛党的运营阶段，因为依企业不同发展要求，需要甄别羊毛党和卡券敏感性客户以及死忠粉，需要采用运营手段对不同的客户用不同的策略来对待，而不是全部拒之门外。有关这个部分的描述，可以详见TalkingData的陈雷的文章《羊毛党大数据攻防战》中的详细描述。

这是一个运营点前移到交易门外的例子，这样的例子很多，不一一赘述。

未完待续