从业务开始，数据化运营需要的四个层次

MEI

  数据的重要性已经被越来越多的公司、个人所熟知与接受，甚至于有过犹不及之势头。大数据的概念满天飞，似乎一夜之间人人都在谈论大数据，见了面不用大数据打招呼，好像就不是在数据圈子里混的了。那么，被外界传得神乎其神的数据，到底可以在哪些方面促进业务的腾飞？或者换种说法，业务对数据有哪些层次的需求？数据在哪些地方能够帮助业务？
     结合笔者多年的工作经验以及对数据与业务的理解，业务对数据的需求归纳为四个层次。
第一层：知其然


      我们可以通过建立数据监控体系，掌握发生了什么、程度如何，做到“知其然”。


      具体来说，切入数据的角度主要有这几个方面。首先是“观天”，观察行业整体趋势、政策环境影响；再是“知地”，了解竞争对手的表现；最后是“自省”，自身做得怎么样了，自己的数据表现怎么样。从看数据的周期上来讲，“观天”可以是季度性或者更长的周期；“知地”按周或者月，特殊时间点、特殊事件情况下除外；“自省”类的数据拿到的是最全面的，需要天天看，专门有人看，有人研究。


      在这一层上，分享两个看数据的观点：


1.数据是散的，看数据需要有框架。


      怎么看数据很有讲究。零碎的数据很难发挥出真正的价值，把数据放到一个有效的框架里，才能发挥整体价值。所谓有效的框架至少包含两重作用：


（1）数据很多，不同人对数据需求不一样，如CEO、中层管理者、底层员工关注的数据通常是不一样的，有效的框架能够让不同的人各取所需。


（2）有效的框架能够快速地定位问题所在。举个例子，交易量指标大家都关心，如果某一天交易量指标掉了20%，那么，业务很大可能下是出了问题，但问题到底出在哪儿呢？如果只有几个高度抽象的指标，如转化率、成交人数、客单价等，是定位不到问题的。好的框架能够支持我们往下钻，从品类、流量渠道等找到问题所在，板子也就能打到具体的负责人身上了。这也是我们通常所说的，看数据要落地。


2.数据，有比较才有真相。



       我有120斤，你说是重还是轻呢？一个孤零零的数据是很难说明问题的。判断某个指标增长快慢，需要选择正确的比较对象、参考系，也就是基准线。这个基准线可以是一个预先设定的目标，可以是同行业平均水平，也可以是历史的同期数据。




第二层：知其所以然


       通过数据看到了问题，走到这一步还不够。数据只是表象，是用来发现、描述问题的，实操中解决问题更重要。数据结合业务，找到数据表象背后的真正原因，解决之。解决问题的过程就会涉及数据、数据加工，还可能会涉及数据模型之类的方法或者是工具，这里面技术含量比较高，另作篇幅介绍，这里不展开了。


在第二层里也有两点分享：


1.数据是客观的，但对数据的解读则可能带有很强的主观意识。


      数据本身是客观的，但消费数据的是有主观能动性的人。大家往往在解读数据的时候带入主观因素：同样一个数据在A看来结论可能是好的，从B看来可能却得出截然相反的结果。不是说出现这样的情况不好，真理越辩越明。但假如不是通过数据找问题，而是先对问题定性，然后有选择地利用数据证明自己的观点，这种做法就不可取了。可事实上，我们的身边经常发生这样的事情。


2.懂业务才能真正懂数据。


       车品觉老师的博文《不懂商业就别谈数据》对这个观点作了深刻阐述，这里不展开讲了。只是由于本观点的重要性，笔者特意拿出来做一下强调。


第三层：发现机会


      利用数据可以帮助业务发现机会。举个例子：淘宝上有中老年服装细分市场，有大码女装市场，这些市场可以通过对周边环境的感知，了解到我们身边有一些中老年人或者胖MM在淘宝上面没有得到需求的满足。那么还有没有其他的渠道找到更多的细分市场呢？


数据可以！


      通过用户搜索的关键词与实际成交的数据比较，发现有很多需求并没有被很好地满足，反映出需求旺盛，但供给不足。假如发现了这样的细分市场，公布出来给行业小二，公布出来给卖家，是不是可以帮助大家更好地去服务消费者呢？这个例子就是现在我们在做的“潜力细分市场发现”项目。


      讲这个案例，不是想吹牛数据有多厉害，而是想告诉大家：数据就在那里，有些人熟视无睹，但有些人却可以从中挖出“宝贝”来。差异是什么呢？商业感觉。刚刚提到的搜索数据、成交数据很多人都能够看到，但以前没有人把这两份数据联系在一起看，这背后体现出的就是商业感觉。


第四层：建立数据化运营体系


      我理解的数据化运营，包含了两重意思：数据作为间接生产力和直接生产力。


1.数据作为间接生产力。


       所谓间接生产力，是指数据工作者将数据价值通过运营传递给消费者，即通常所说的决策支持，数据工作者产出报表、分析报告等供各级业务决策者参考。我称之为决策支持1.0模式。然而随着业务开拓和业务人员对数据重要性理解的增强，对数据的需求会如雨后春笋般冒出来，显然单单依赖人数不多的分析师是满足不了的。授人以鱼不如授人以渔，让运营、产品的同学都能够进行数据分析，是我脑子中的决策支持2.0模式。


决策支持2.0模式有三个关键词：产品、能力、意愿。


       让运营和PD掌握SQL这类取数语言，掌握SAS、SPSS这类分析工作，显得不大现实和必要。提供低门槛、用户体验良好的数据产品是实现决策支持2.0模式的基础。这里讲的产品，不仅仅是操作功能集，还需要承载分析思路和实际案例。


     但是，数据分析的门槛始终是存在的。这就对运营和PD提出了新的基本能力要求，即基础的数学能力、逻辑思考能力和学习能力。


      最后一个意愿，也许是最关键的，只有内心有强烈的驱动，想做好这件事情的时候，才有可能做好。


2.数据作为直接生产力。


       所谓直接生产力，是指数据工作者将数据价值直接通过前台产品作用于消费者。时髦点讲，叫数据变现。随着大数据时代的到来，公司管理层越来越重视这一点。大数据时代带来了大的机会，但也可能是大灾难。如果不能利用数据产生价值，那么，它就是一个灾难——产生的数据越多，存储的空间、浪费的资源就越多。


现在比较好理解的一个应用就是关联推荐， 你买了一个商品之后，给你推荐一个最有可能再买的商品。个性化是数据作为直接生产力的新浪潮，这个浪潮已经越来越近。数据工作者们，做好迎接的准备吧。