通過數據運營獲得價值

最新 05-18

隨著互聯網深入各行各業，數據大量產生的同時，數據使用能力成為了重要的門檻。企業的日常運營工作無時不刻不在產生大量數據信息，這些數據該如何採集，分析，應用並最終產生商業價值？

數據運營，在實際的商業工作中，遇到了大量現實的問題：

企業現存的數據怎麼利用起來？

如果要發展企業的數據能力，應該怎麼做，哪些部門需要做增量，該採集什麼數據？

採集來的數據應該怎麼使用？

不同的分析技術和可視化方法適用於所有的商業問題么？

分析後的數據真的可以為企業帶來價值么？

這些問題在企業各級人員的心中打著問號，但是由於互聯網化的快速推進，數據化席捲各行各業，在這股力量中，無論企業是否懂該如何做，都爭先恐後或者不得不先做了起來，然而，對於數據的使用，就如同醫生診斷病人，需要有科學的辦法和經驗的積累，如果學藝不精，不僅起不到數據化運營為企業帶來價值的作用，還會引導企業誤入歧途。我相信，這樣的風險正在逐漸上演。

2015年的時候，我開始在在行分享數據運營的一些看法，有幸接觸到了各行各業對數據有需求的人，有美容行業，也有動漫音樂行業，數據需要診斷的業務需求不同，但是都渴望用一種通用且容易複製的方法去解決現存的問題。

與此同時，隨著信息資訊的發達，每個人都很快可以在互聯網上找到類似的經驗分享或者是專家法則，通過瀏覽幾篇文章或者諮詢幾位數據從業人員，就希望可以得到解決自身企業問題的方法論。這樣往往是危險的，對於企業問題的診斷，需要結合的信息非常複雜，從宏觀的經濟政策，國內環境，到微觀的行業市場，企業地位，到內部的產品階段，人事財務，戰略目標，經營目標，團隊管理，都有關係。如果僅僅從數據的角度去解決商業的問題，這個問題往往解決不了。從宏觀到微觀，從外部到內部，從上至下，用數據擊穿業務鏈路，串聯起來彼此的關係，才具備問題解決的基礎思維框架，與此同時，還要輔以專業的解讀才真正可以定位問題，解決問題。

任何不負責任的局部判斷或者糅雜錯誤採集的數據信息都有可能會導致最終的決策偏離。

數據的解讀需要專業人事極大的耐心和責任心，真正去解決問題，而不是，看上去解決了問題。

真正可以讓數據價值得以發揮的方法是什麼？

八卦仔旨在將這一問題解決，提供企業切實可用的數據運營方法，並以為企業帶來價值的目標，擊穿這一問題。希望在數據化大潮來臨之時，為企業，為發展在這個特殊的時點盡一點微薄之力。

首先，信息技術只能解決一部分問題。目前大數據技術，數據挖掘市面上均有了不少著作，讓數據市場增益不少，但是在應用層，市場上絕大多數公司並不具備互聯網公司的技術實力和數據積累，這些高階的技術至少在現階段無法使用，一方面是受困於成本原因，另一方面數據嚴重不足的局面也無法使用這些技術，在業務尚未清晰的情況下，盲目的迷信數據可以解決業務問題，也不切實際。

解決實際的商業問題只能依靠具備行業經驗的專家，而這部分的能力需要長時間的沉澱以及對於行業的深度了解，對於數據背後的商業邏輯理解，對於數據背後的商業規則明晰，對於數據之間的勾稽關係，都需要基於業務的先後和進入的快慢，結合企業的目標，進行指標樹的建立，讓數據在指標樹里流動起來，讓企業內部的數據跟血液一樣流動，激發企業心臟，讓整個企業運營「活起來」。

企業從挖掘到發揮數據價值，分為7步：業務鏈路、指標建立、採集數據、數據流動、數據分析、數據運營、數據價值。

數據運營概論

對於大部分非行業從業者來說，數據行業被等同於數據分析，這是極大的誤解，也讓大部分人認為，數據的價值，是需要靠「分析」這一動作來實現，從而迷信大量分析技術，模型，希望可以通過分析技術，產生數據價值。市場上衍生出來大量的分析工具，分析軟體，saas應需求而生，數據價值卻在實際應用中，形象模糊，好像有，又好像沒有。其背後的原因是，這是產生數據價值錯誤的路徑。

分析數據，首先，需要了解：數據本身是否已經足夠被分析？質量是否足夠好（全面，準確）？數據本身是否具備被分析的條件？對照組設置是否合理？數據分析獲得了好的效果，並不一定是分析技術有多好，其實，在實際工作中，大部分問題在數據採集階段就被解決了。

數據這一概念涵蓋內容眾多，為了有清晰的方向，必須對於數據行業有更為清晰的理解，數據分為五層：採集/獲取，存儲，展示，聯結，智能。數據智能絕不僅僅是該層所代表的技術演算法，而是五層彼此的遞進整合；只有從第一層逐級做好，才能實現最終的數據智能。

以現實場景舉例說明，某數據公司為某餅乾商提供了基於包裝，口味的趨勢分析後，餅乾商要求了解產地的趨勢分析，數據公司無法提供的原因是「資料庫里並沒有對餅乾的產地進行區分」，在這種情況下，雖然數據公司有商品資料庫，也有技術精良的分析人員，也無法進行準確的分析，除非回到數據採集層，重新採集所需商品該欄位數據，造成非常大的成本[1]。

數據的興起來源於互聯網的興起，圍繞著互聯網工具，產生了大量數據。在初期，這些數據絕大部分是被動產生，比如，作業流程管理軟體的使用，主要是為了管理作業流程，但是各個環節有了數據節點，圍繞數據節點，就被動產生了很多數據。這些被動的數據產生後，被具備數理能力的人員收集，用來分析作業效率。

隨著數據行業的逐漸發展，部分數據從業人員發現，被動產生的數據可以用來解決商業效率問題，但不足以解決所有的商業問題。解決商業問題所需要的數據，往往不在流程工具可以覆蓋的範圍內。這個時候，就需要主動性獲取數據。依託自身強大的技術能力，互聯網公司被動產生數據的成本幾乎為零，主動收集數據的成本也非常低。大部分的互聯網公司都會對外宣稱和強調自己的數據計算能力以及運用數據獲得價值的能力，甚至直接定位為數據公司，將數據作為企業的主營業務，並通過其數據能力對外部市場進行賦能，目前，加入這一陣營的互聯網公司也越來越多。這一點，也是互聯網企業數據成本低，而傳統企業數據成本高的主要原因。

互聯網企業的業務均在工具里展開，被動產生的數據在採集獲取階段並沒有成本，主要的成本在存儲、解析、計算和分析上，而傳統企業的數據多為主動性數據採集，成本較高，同時由於不具備存儲、解析、計算的能力，而轉而向外尋求技術外包，甚至分析的一部分工作也「在外進行」，從而可以節省精力投入主營業務，體現了社會分工的效率性。由於產生數據的方式不同，數據本身的質量和應用能力也十分不同。

互聯網企業的數據隨著工具產生，在需要主動性數據的時候，也會修改工具（不影響工具功能與體驗的前提下）以獲取該部分數據，不過，仍舊是用戶在使用線上工具時，被動產生的數據，這部分數據規模大，交互多，而正由於這部分規模大，快速交互的數據被大家了解和討論的增多，國際數據公司(IDC)推出了大數據的標準化定義和大數據區分於非大數據的四個屬性，分別是：數據規模(volume)、快速的數據流轉(velocity)，多樣的數據類型(variety)以及巨大的數據價值(Value)[2]，由此定義了什麼是大數據，並掀開了大數據和小數據誰更有用之爭的序幕。

在發展後期逐漸發現，這樣的討論並無實際意義，數據的目標是解決實際問題，根據業務、需求場景的不同，可能單獨應用大數據、小數據，或者整合形式來解決問題，數據不分大小，量級、交互等，這些特徵本來就是數據自身存在的屬性，只是技術的發展引起了某個屬性值的不斷突破。

在此基礎上，需要提出數據價值論。規模大小，流通速度，多樣性是數據內在屬性，而數據價值，則是通過業務邏輯，挖掘數據，最終創造出價值，這一屬性，不屬於內在屬性。數據是數據價值的原材料。數據的存在，是為了創造價值。沒有價值或者無法獲得價值的數據，無論其規模、速率、多樣性多麼突出，對於企業來講，都是成本的浪費，更嚴重的，是可能存在的對決策的誤導。所以，對於數據來講，選擇合適的方法和人才以客觀嚴謹的態度去獲取數據價值，才是最為關鍵的部分。這一部分就是數據應用環節，而這一點在數據發展至今，卻廣為被忽視，導致大量數據成本產生，卻無法創造相應的價值。數據行業經常說的一句話是，數據是金礦。其實數據是礦石，讓礦石變金礦，需要「點石成金」的技能；找到礦山，還需要認知和遠見。

在企業中負責數據職能的人員，隨著數據在企業經營活動中的作用越來越重要，也經歷了一個演變的過程。最開始，數據從業人員起源於信息技術部，協助各部門做一些簡單的數據收集處理工作，隨著數據日益增多，各個職能演化出專門的人員從事數據統計分析彙報工作，這部分人往往是企業內部較為初級的人員，所做工作也非常基礎，除了做簡單的數理統計之外，還承擔部分溝通協調工作，薪資收入處於企業內部較低的水平。

之後隨著數據規模增大，數據展示在企業內部形成通用語言，對於專門技能的需求逐漸形成了專業的數據團隊，比如市場數據團隊、運營數據團隊、人力、財務數據團隊等。這個時期的數據從業人員往往招募自一類院校的統計學，市場營銷學和經濟學專業，也有來自數學，物理或者其他理工類專業畢業的本科或者研究生。以外資企業為主，為該領域的人才提供了良好的培訓機制和具有競爭力的薪酬，以及優秀的發展空間，比如調任亞太總部或者全球總部從事更大範圍研究的機會。自此，企業內部專業的數據團隊，逐漸完成專業化的轉變，形成規模。

其中，市場數據團隊，發展階段處於初級階段的團隊會以嫻熟的統計軟體、辦公軟體的使用集中處理部門數據，穩定階段的市場數據團隊主要負責市場類數據分析，如市場份額，品類增長，趨勢研究，用戶增長等，一般會對接市場部內其他團隊，如媒介，產品，營銷等，支持產品定位開發，媒體投放策略，市場推廣策略制定等，對外對接外部數據公司，市場研究公司等。市場數據團隊的出現在發展階段和時間上，晚於市場調研團隊。市場調研團隊，前期主要從事市場調查研究工作，比如，後期隨著業務需求越來越多，逐漸承擔更多的研究職能，成為市場研究中心，從屬於市場部或者獨立存在，協助市場進行用戶調研，開展所需研究工作，如創新研究，渠道研究，數字化營銷，用戶研究，媒介研究，戰略研究，ROI等。傳統企業對於調研的理論和實踐多繼承於西方的科學企業管理決策方法和市場營銷理論。此外，用戶調研這一職能在互聯網公司往往從屬於產品部門。傳統的調研團隊具體的工作有需求確認，調研設計，信息採集，數據清理，統計分析五個主要步驟，常用的調研方式有觀察法和詢問法，具體應用較多的有問卷調查，桌案研究法，小組座談法（focus group）和觀察法。大量市場數據的整合，逐漸在市場研究中心內部產生了專門的市場數據團隊。

以數據驅動的市場團隊，在互聯網時代衍生成增長團隊。這也是在大部分線上線下融合企業中，CMO和CGO職責有重合，甚至CGO替代CMO的本質原因。

由於支撐企業最大的利潤中心，與業務直接且密切相關，企業內部規模最大的數據團隊，往往是支持銷售工作的銷售數據團隊。在強執行力的企業中，銷售數據團隊往往在各級管理層與銷售團隊中均有人員編製，直線向企業總部經營負責人COO彙報，虛線向當地銷售團隊彙報。銷售數據團隊一般可分為銷售工程團隊，需求預測團隊，物流效率團隊，渠道商（主要是中間渠道商，如供應商等）數據團隊，績效管理團隊和銷售信息團隊。

銷售工程團隊負責系統的開發統籌，需求反饋，模塊更新等，一般採用外包的形式，對接外部系統開發商，系統諮詢公司；

需求預測團隊會根據各地銷售的實際情況預測未來的生產需求，從而進行供應鏈的管理和生產優化，對於預測數據的準確度要求很高，對接銷售團隊與工廠管理團隊；

物流效率團隊負責管理從工廠到各地的倉儲物流進度，效率管理和優化，倉儲物流合作商管理，優秀的物流效率團隊還會推進物流商基於業務需求開發專屬物流工具，制定物流方案；

渠道商數據團隊負責合作的渠道商分級和管理等，比如，渠道商區域管理範圍的劃分等，績效管理團隊負責制定各級銷售團隊的績效規則，並負責核算績效，同時承擔部分人效和編製原則制定和評估工作；

銷售信息團隊則負責給各級團隊提供業務分析並支持各級銷售決策。與此同時，財務部和人力部出現少量的專門從事數據分析的人員。

在這段時間裡，幾乎所有部門都設置了自己的數據分析崗位，數據分析人員大量增多，在一定程度上解決部門內部的信息需求，然而不同的分析立場、角度、內容和能力導致各部門輸出的決策無法融合，甚至南轅北轍，不同的分析標準、邏輯、體系，以及接駁環節的缺乏也讓部門間的信息溝通無法有效進行。很多管理會議討論到最後才發現分歧產生的原因來自彼此間的數據定義不同，經營會議變成了數據會議。第一步，清晰數據定義和產生過程！

隨著企業內部數據的大量出現和解析的複雜性，衍生出了專門處理數據的商業智能(BI, Business Intelligence)團隊。傳統企業里的商業智能部一般直接彙報給CEO，主要負責公司內外部所有信息的整合分析，通常需要同時具備資深的業務經驗和數據分析能力，協助企業高級管理層，董事會完成經營分析，市場決策。商業智能部的經營分析往往會覆蓋市場部、銷售部、客戶服務部[3]、人力部、財務部多個部門，並負責管理會議、董事會會議上的經營彙報，並提供預算分配，目標制定建議，同時，提供市場行業研究，競爭對手分析，並提供企業戰略、策略支持。

互聯網企業里的商業智能部，職責範圍略有不同，大部分跟戰略發展部獨立，主要承擔經營分析工作和支持CEO的研究需求，並拆分出支持各個業務線的BI，在支持業務線發展的同時協助CEO及時了解各個事業部的發展，並進行戰略，策略的上傳下達，溝通推進工作。經營分析的範圍往往不涉及人力財務，而主要集中經營業務層面。互聯網公司數據的豐富性，讓企業內部每個人都具備使用數據的能力，在這個階段，似乎「人人都是數據分析師」，所有的內部溝通和決策均廣泛的使用數據來溝通。實際的工作中，為了得到靈活且客觀的結果，互聯網公司均有專業的數據團隊，一般分為演算法，技術，分析三個主要職能，承擔底層數據獲取（數據埋點），建立數據倉庫與中間層，建立指標與指標樹，開發數據分析工具，提供整合數據分析，以及數據可視化。除了按照職能來分，還會按照業務、事業部，分成支持不同業務單元的分析師。

到近些年，企業內部數據整合的需求催生了首席數據官(CDO, chief data officer)的出現，雖然在發展不同階段里的企業里，數據所屬於階段也不同，就算同樣的職位名稱「數據分析師」，其實際所從事的具體事務也大相徑庭。其本質是，企業不斷開創和建立數據組織，以期望從數據中獲得有用的信息情報。隨著數據在企業內部進一步深入和應用，預測將依次產生兩個新的職能，新型的數據運營團隊[4]和數據價值團隊。

對比傳統的運營團隊，新型的數據運營團隊提供了效率更高的運營模式，無論從人力需求、響應速度、培訓成本上都具備明顯的優勢，需要藉助數據做決策的環節會直接由數據做決策建議，人僅僅只需依據標準參考值和實際產生值做決定即可。由於數據是商業世界的通用語言，溝通和協調的工作可以全部由數據完成，從而極大提高運營效率，傳統企業里幾十人的運營團隊的工作，在搭建完數據運營模式之後，往往只需要四至五人即可。在未來五年，企業將出現很大一個趨勢是，運營數字化，這一趨勢里蘊含著巨大機會。在此基礎上，會出現統籌整個企業數據工作的數據價值官(Data Value Office)，這一職能不僅僅是管理企業內部的數據，數字化運營企業，還會結合外部各類情報信息，整合解析，運用數據為企業創造價值，並最終為企業的利潤負責。

數據運營在替代傳統運營的同時，會拆分為追求增長的市場/用戶運營（增長線），以及，提升內部效率的銷售運營（運營線）。目前已經普遍存在的BI部門則仍會繼續存在，以管理層智囊決策層的角色切入日常運營，從某種意義上說，承擔的是企業內部各職能部門統籌整合的決策運營，未來或屬於數據運營的一部分，支持頂層。

傳統企業的數據分析師薪酬分為兩部分，基準工資與業務績效。

直線歸屬的數據部門決定招募、定級、基準工資水平；虛線歸屬的業務部門是人員的實際使用部門，分析師的績效與所支持的業務績效掛鉤。比如，支持城市的數據分析師，如果城市的目標完成，分析師也會獲得績效激勵，支持全國的數據分析師，只有全國的績效完成，才可以得到績效激勵。與傳統企業不同，線上企業的絕大多數數據分析師的績效不與其支持的業務掛鉤，而來源於周期性的管理層定性評價。由於並不用為自己的分析建議引致的結果負責，分析師往往只會完成上級交代的工作，而對於分析結果對於業務的實際作用不做深入的理解及評估。這一點，有點類似內部的諮詢公司，基於需求方的要求，提供數據諮詢服務和支持的角色，但是不為結果負責。這裡涉及數據分析師的定位問題。

為了讓數據分析師的輸出更有價值，企業內部最有效的做法是將數據分析師的績效與其所支持的業務、項目目標達成直接相關，從而激發數據分析師的自我驅動。

無論是在傳統企業，還是互聯網企業，好的數據分析人才在內部均成為稀缺的資源，對應的企業數據多樣的需求與高強度的工作。成熟的數據行業人才，更像經驗豐富的企業醫生，為企業診斷關鍵所在，提供解決方案，對症下藥。由於數據行業屬於新興行業，並在這幾年逐漸趨於成熟，海內外院校在2016年開始逐漸開設商業分析專業以應對市場需求，以香港大學商業分析(MSBA, MSc in Business Analytics)為例，課程長度為1年，2個學期，課程費用為25萬港幣，課程結構如下圖所示。從課程上可以看出，對於BA的技能培養，覆蓋了三個方面：信息技術能力，數學計算能力和商業理解、經營能力。不僅教授基礎數據涉及的技術和語言，還會涉及數學建模，其中，非常具有應用性的開設了市場、運營、財務、供應鏈數據相關課程，並以商業智能分析為主修核心課程。這一設計基本滿足了市場需求，並為商業分析人才在未來快速構建成形的數據世界裡發展提供了能力基礎。