你做的数据运营，90%都是无用功

张明明

美菜 策略规划中心 负责人

• 15年跨国消费品公司，创业公司及市场研究公司从业经历，积累了丰富的商业数据研究、系统搭建与企业信息整合相关的实践经验，对企业整合分析、市场与消费者研究、数据应用市场等有深入的理解；

一、零售数据五十年

1、分销阶段：零售启蒙（80s-90s）

首先，数据化程度高的公司比我们想象中的少，还有很多公司处于无数据的阶段；

国内大部分的企业处于有一点数据和有一些数据的第二、第三阶段；

这里企业对于数据的概念十分重要，很多企业是以数据验证决策，并没有指望以数据驱动业务，并且更新数据比较慢，以月或者年计。

到了有一些数据的阶段，大家在决策之前就会看看数据，比如先看看市场的门店有多少家，市场的购买能力如何，将数据排序开发市场。当数据与决策不一致则会更多考虑数据，在此阶段，企业有了一定的数据意识，不管是高层还是基层员工都会意识到决策前先看看数据。

由于数据意识的存在，驱动企业内部的数据技术部门进行数据的开发和更新，在这时数据更新是比较快的，最慢也是以日或者周为单位。此时人力部门、财务部门已经有固定的 表展示部门的业绩。

到了有很多数据阶段，决策基本都是依靠数据，如果没有数据，就不会做决策。数据更新也是较快的，以秒级或者小时级更新，如果想做决策，打开数据产品就能看到对决策的建议。在这个阶段各部门都有对应的数据人员支撑，这时候各部门都有对应的数据人员支撑，这也是有很多数据的表现。

最后一个阶段，数据系统很完善，系统里面有大量的数据。但是数据太多分析不过来，数据多元且丰富，不仅有结构化还有半结构化。就拿图片举例，很多快消品公司都会去看店里的陈列，这时候如果找人在门店里填表或者数货架，成本是非常高的，那通过在门店拍照用AI识别出来，商品的价格是多少，商品的陈列面是多少，往往需要借助更高级的手段。

以上就是五个阶段，大家可以判断一下自己的公司在哪个阶段，其实国内大部分公司都没有到最后一个阶段，但往往都在说要使用人工智能，这里有几点需要注意：

• 具备AI的基础，需要底层的数据比较干净，都是被标记好的，大量的数据元素都需要有比较好的数据底层，只有在这个时候才有AI的基础与应用场景

• 对于企业来说到底什么具备数据应用的最大场景呢从有一点数据到有一些数据才是国内大部分公司所属的阶段，恰恰最大的机会点也是在这里。很多公司想做非常炫酷，还要用到很好的模型算法，实际上我们的数据远远未到那个阶段，并不能解决公司的问题，回到第一页的这个问题，为什么请了业内最好的数据分析师依然没有帮助到业务p>

• 适合数据分析工程师能发挥的数据底层是否存在的数据是否干净集数据的时候是否基于终极的价值需求设计的能我们想做的事情，根本没有采集到数据。

那么想要数据发挥业务价值，一定要先判断我们的企业属于哪个阶段，根据阶段决定要做的事情和要请的人才。

三、零售业务链路

这是我基于自己过去经验绘制的图。

内生维度指的是什么是运营哪些事情或哪些指标去提升我们的增长，这也是一个围绕零售的经典的拆解，但实际上因为零售这个范围非常广，要是大胆一点，把房子想成零售，所以的话它其实适用场景非常的广，汽车也算是汽车零售业。

先从销售额拆出我们的下单客数跟客单价，下单客数的话一般会拆成新客、复活、留存。我相信有很多同学应该也是这么拆的，新客的话我们无非是开拓新渠道，以前我们只卖大卖场，我们现在便利店卖等等，叫做开拓新渠道。开拓还有新城、类型，以前卖零售，现在还卖餐饮，就是开拓新类型。

另外一个是深耕老渠道，以前覆盖10家大卖场，我们现在覆盖20家，这就是深耕。复活这个客户他以前在我们这买，现在不买了，我们得想办法把他拉回来留存。虽然他天天在我们这买，但是他是不是可以买的更多次，或者一周买三次激活他是不是可以买更多次，从而提高他的购买次数。

再看看客单价，客单价由什么构成。我们经常会围绕说你买了几个SKU。你今天买了两箱牛奶，两三种奶，大家注意 SKU数其实是有两类的，一个是个数，你先买2箱，现在买4箱个数变多了，一个是种类，以前就买牛奶，现在还买高钙牛奶，这是种类多了一种，以前你就买牛奶，无论是什么高钙还是什么，但是你现在买乳酪对吧品又多了一种，种类变多了，这些的话它都会变成SKU数量变多，体现在这个指标上。

除此之外的话，还有平均SKU单价比较重要的指标，它有两个，一个是商品价格，价格指的是商品今天促销一块钱，价格就是一块，过两天它变成正常价10块钱，它买的就是10块钱，这是价格的不同。

另外的话还有商品升级，过去一段时间我们经常会津津乐道一件事情，比如10年前买一个牛奶是多少钱，现在的话是价格是多少钱有一些商品的升级，主要这个是价格的上涨。

还一种应对消费者需求改变的商品升级，比如说以前我们会买普通的牛奶，后来我们买高钙，脱脂，现在买有机牛奶，反映在平均SKU单价的提升上。

我们再往下看，这是一些我们说比较重要的指标，通过抓这些指标，就可以促进销售额。为什么一定要拆解这个框架们去做一些运营的时候，我们一定要非常清晰的知道它到底是对哪一个指标要有提升作用，这样无论在说任何一个细节的事情，我们都是有全局思维考虑的，这个很关键。

除了这些指标的话，有哪些运营动作可以去做到这些下，如何让消费者更多种买设计商品，它会包括商品管理，营销管理，品类管理，定价模型。

说一说品类管理。门店是有限的，它是质上是基于有限的去选择商品效率的一个管理方法，其实现在线上互联 的坑位也是有限的。

这点表现在线下门店是什么p>

就是说我们品类它到底要占多大的陈列面，这一种就是陈列面管理跟品类管理相关，另外的话哪些品类它还可以相邻的陈放，哪些品类放在收银口，哪些品类要放在主货架说洗发水跟护肤品是不是要放一起面有多大，里面有多少种商品这个味道区分开，还是按包装区分开p>

在这个分类下应该说10只商品还是20只商品，20只商品应该选什么的这些的话都是基于是说我们要去做研究，然后去推进，我们看如何让消费者在有限的空间，包括有限的资源有限的时间下，可以买更多种不同商品，从而的话去提升我们的客单价，提升我们的销售额。

五、增长哪里来维度

我们经常说增长哪里来，一个是内生维度，一个是外生维度，另外还有一个非常关键的是协同效率，容易被很多的技术、分析运营忽略。意思是我做了一个很好的分析，定了一个非常好的目标，也有一个很好的分析结论，但是感觉没有发挥出应有的价值。

目前来讲的话，大部分企业它都是一个组织，我们做的这个东西它到底有没有被别人所理解我们说数据还可以让业务变得更简单，是什么意思质上是说数据是一个统一的管理语言，当公司里的所有人都在说数据这个统一的管理语言，才可以让对方100%的理解我们的结论。

大家知道人跟人沟通的时候，其实信息的衰减是非常大的，有可能说完这个事情之后，大家觉得好像挺有用，回去关了电脑，只记住30%，再睡醒一觉0%都没有了。对于信息的吸收，是人天生会有一些衰减的，但是数据就不一样。我们经常说英语可以比较好的沟通，它逻辑性比较强，其实数据的话是全球的一个非常好的通用语言，在我们解释生意情况时候，我们说增长率上升了，这些在全球整个企业管理领域基本上全都是一样的。当我们在说一样的一个管理语言的时候，是可以让对方很好的理解我们。

协同效率会带来什么样的价值例子，当我们说一个目标，我们是不是所有人都理解这个目标应该如何去做到是所有人都知道是目标，其次的话，是不是所有人理解怎么去做到少的费用，拿多少的资源，然后得到多少的目标，需要多少的增长率，我需要多少人，那一个人对应多少客户对吧的话都可以去把它量化来表达出来。当我们去把他电话表达出来的话，他就可以从我们组织里的级别一层一层传递下去，直到组织的最细的末梢的人。

大家知道基本上一些我们说小型公司也可能有一两个层级对吧大部分的组织，因为随着我们的信息的越来越多，很多大型的组织他为了去做一些事情，基本上可能我们说十几个层级不等，从最高管理层到我们的销售代表，或者说到最新末梢的员工，十几个层级，我们在做业务的时候，如何保证十几个层级都是一致的，我们看左边这张图，实际上是需要拿数据去提升我们的协同效率。

右边这张图是指当我们有了这些数据的一些分析，我们其实完全上是可以把它去沉淀到我们的数据系统里的，变成我们的数据产品。数据产品可以帮助我们去让更多员工去使用，使用完之后他会有一些数据分析工具的理解，也会去做一些创造，又去影响其他人，这样子我们会发现通过数据的一些协同，让整个组织变得更聪明。

注意到了现在的时代，个人他对于整个行业的贡献价值实际上相对来讲是会比较微弱的，在做很多事情的时候，都需要是让整个组织变得聪明，才能赢下市场。只有整个组织通过数据变成智慧型组织，协同效率才会非常的高，从而带来更加极致的增长。这边是以前大家会经常忽略的协同效率。

因此做数据化运营，想为公司带来价值，我们就要在各种各样的场景去用数据去表达观点，包括用数据去解读业务，培养整个公司的数据意识，增强协同效率，它会在更长远的一个时间段去帮助我们的企业带来更好的增长。

七、增长哪里来结果与过程的转化

这块具体重点讲最右侧的对内赋能，我们对分析师工具的话有哪些行业的工具我个人用过很多数据分析工具。我们的需求方经常跟我说，帮我写段SQL吧要提a产品，明天要提b产品，这种其实很浪费时间，还得重新写一遍。难道copy的一遍不就行了吗也是需要花时间的。

如果可以去找我们的数据产品和数据技术开发一个产品，针对像这种比较固化的且日常需要的，只要去给他更换时间，更换商品名称就可以让需求方自己去查，它其实是把一些比较固化的简单的产品节省了分析师的时间。像这种轻量级的SQL产品，我觉得在大部分的企业中都是非常需要的，因为很多人他的一些数据需求实际上都是非常简单的，但是却花费了一些分析师的时间，这个其实是非常不经济的。

另外的话就是可视化产品，可视化产品为什么会相对比较重要的p>

因为大家知道对于人来讲，人的信息读取的设备，我们把自己假设成一台机器，其实它读取设备最大的传播速率的是我们的眼睛，眼睛比起耳朵、手，在同样时间内要读取更多信息的。

所以当我们把一些信息变成图之后，会更快了解更加复杂、更丰富的信息。

这里当然指的是合适的图，我们会经常看到有一些图表不是很合适。比如说看增长率，你非给它画个饼图就挺奇怪，会给读图造成更大的障碍。在你选择合适的图之后，可以通过一页PPT表达很复杂的信息，很生动化的信息，所以可视化的产品也非常有用。

另外的话就是方法论沉淀，指的是什么们做了一套比较好的分析方法论，比如说如何选择爆品分析方法论，我们有了最好把它牵到数据产品上，不要每次是说分析我都把它做一遍，实际上这样的话其实没有意义，一方面的话是浪费分析师资源，另外一方面像这样的方法沉淀到数据产品上，才可以在公司更大的范围发挥作用。

所以一个分析方法已经被验证是成功的，第一步要干什么一定要把它迁到数据产品上，这样整个公司它会变得聪明，才能沉淀越来越多的方法下来。

下面两个比较常规了，把数据产品达到指标颗粒度通过拖拽指标，就可以实现整个公司大部分的简单的分析，把它称为探索平台，像这样的工具也非常好用的；另外一个就是查一些字段，包括一些常用的语句的数据地图。

九、两个实用的场景化方案

你可能第一次做觉得说这个图处理的不好，但是我建议你多做几次，包括刚才零售链路其实让我梳理了好几年，我现在还在不断的改它，每当遇到新东西，都会把它放到我的思维框架里，让整个梳理变得更清晰，所以一定要做刻意练习。

另外的话就是从全局到细节，我们先梳理出来主链路，然后在它的上游，下游的指标是什么去理解问题是为了可以拓展思维的纵深度，从过去到未来，未来会发展成什么样，就可能需要一些时间的沉淀。

几个关键动作：想、讲、写、做

我们要不断的把物理世界的一些事情不断的抽象、提炼出来，咱们今天前面讲了一些数据运营如何发挥价值，到后面开始讲心法了，方法论是吧是我个人的一些经验。

如何把我们整个行业的链路梳理出来，核心是第一要刻意练习，比如说今天你看这个行业的一个信息，你就去把它梳理出来，明天换一个行业把它梳理出来。

核心是去刻意练习梳理，然后去交给别人听去把它写下来，这样子的话才能不断的让我们的干货变得更干，也是对自己不断的刻意挑战。

这里讲几个我觉得比较关键，以及分析师可能最常犯的错误。

第一，收到了一个分析之后立刻去干，比如遇到一个错误，也不去问背景信息也不去问这个是怎么来的需求，举个例子老板说你帮我看一看我们最近销售额为什么下降了，然后你跑去花了很长时间去分析，然后后来最后你大概一两天，然后你会回来又问了老板说要把我们销售额没下降，对吧能后来才发现老板最开始提的就是有问题的。

老板说我是让你看某某城市的下降了，然后为什么两天前没有去跟老板确认这个背景信息，因为分析师的工作都比较忙，大家一定要把每个需求的背景信息确定清晰，确认清楚之后一定要形成备忘文档。跟他说，我理解是不是跟你理解一致，这个是很关键的，因为数据“失之毫厘谬以千里”，所以大家一定要注意这些细节的确认，包括背景信息的确认。

另外一个就是不要刻意避免冲突，很多分析师他在去了解背景信息的时候，分析师本身就是客观的角色，不用担心去对背景对方会不会不高兴、认为不专业等等，不要有这些心理负担。

十、后话

针对数据运营如何驱动业务增长，dbaplus 群邀请做了分享，反馈不错，这是一个好的迹象。在过去很长一段时间，各方对数据运营的概念都较为模糊，对于数据运营发挥的价值也较为存疑。背后的主要原因是，对于数据运营该如何去做，没有合适的方法论。《数据运营之路》针对这一实际情况，给出了更加适用国内数据现状的解决方案。本次的分享也围绕着几个热点问题展开：

• 企业搭建数据中台后如何让数据价值得以真正发挥p>

• 数据运营人员如何通过正确的运营方法少走弯路p>

• 结合实践分析如何通过数据做用户增长和商品管理p>

真正可以让数据价值得以发挥的方法是什么strong>

首先，信息技术只能解决一部分问题。目前在大数据技术、数据挖掘方面，市面上均有不少著作，让数据市场增益不少。但是在应用层面，市场上绝大多数企业并不具备互联 企业的技术实力和数据积累，这些高阶的技术至少在现阶段无法使用：一方面受困于成本原因和，另一方面数据严重不足的局面使，这些高阶的技术至少在现阶段仍无法使用这些技术无法使用。在业务尚未清晰的情况下，盲目地迷信数据可以解决业务问题，也不切实际。

解决实际的商业问题只能依靠具备行业经验的专家，而这部分能力需要长时间的沉淀，以及对于行业的深度了解。对于数据背后的商业逻辑理解，对于数据背后的商业规则明晰，对于数据之间的勾稽钩稽关系，都需要基于业务的先后和进入的快慢，结合企业的目标，进行指标树的建立，让数据在指标树里流动起来，让企业内部的数据像血液一样流动，激发企业心脏活力，让整个企业运营“活起来”。

企业从挖掘到发挥数据价值，可分为七步以下步骤：链路梳理、指标建立、数据采集、数据流动、数据分析、数据运营、价值输出。

对于大部分非数据行业从业者来说，将数据行业被等同于数据分析行业，。这是极大的误解，也让大部分人认为，数据的价值需要靠“分析”这一动作来实现，从而迷信大量分析技术、和模型，希望可以通过分析技术产生数据价值。市场上衍生出来大量分析工具、分析软件，软件即服务（SaaS）应需求而生，但数据价值却在实际应用中形象模糊，好像有，又好像没有。分析其背后的原因，其实这是就是由于产生数据价值错误的路径造成的。

分析数据，首先需要了解：数据本身是否已经足够被分析是否足够好（全面，、准确）本身是否具备被分析的条件组设置得是否合理分析获得了好的效果，并不一定是分析技术有多好。其实，在实际工作中，大部分问题在数据采集阶段就已经被解决了。

数据这一概念涵盖的内容众多，为了有清晰的方向，必须对数据行业有更清晰的理解，数据分为五层：采集/获取、存储、展示、联结、智能。数据智能绝不仅仅是该层所代表的技术算法，而是各层彼此的递进整合；只有从第一层开始逐级做好，才能实现最终的数据智能。

以现实场景举例说明，某数据公司为某饼干商提供了基于包装、口味的趋势分析后，饼干商要求了解产地的趋势分析，数据公司无法提供的原因是“数据库里并没有对饼干的产地进行区分的数据”。在这种情况下，虽然数据公司有商品数据库，也有技术精良的分析人员，但无法进行准确的分析，。除非回到数据采集层，重新采集商品所需的该字段数据，但这将产生非常大的巨额成本。

数据的兴起源于互联 的兴起，围绕互联 工具产生了大量数据。在初期，这些数据绝大部分是被动产生的。比如，使用作业流程管理软件主要为了管理作业流程，但是各个环节有了数据节点，围绕这些数据节点就被动产生了很多数据。这些数据产生后，被具备数据分析能力的人员收集，用来分析作业效率。

随着数据行业的逐渐发展，部分数据从业人员发现，被动产生的数据可以用来解决商业效率问题，但不足以解决所有的商业问题。解决所有商业问题所需要的数据，往往不在流程工具可以覆盖的范围内。这个时候，就需要主动获取数据。依托自身强大的技术能力，互联 企业被动产生数据的成本几乎为零，主动采集数据的成本也非常低。

大部分互联 企业都会对外宣称和强调自己的数据计算能力，以及运用数据获得价值的能力，甚至直接把自己定位为数据公司，将数据作为企业的主营业务，并通过其数据能力对外部市场进行赋能。目前，加入这一阵营的互联 企业越来越多。这也是互联 企业数据成本低而传统企业数据成本高的主要原因。

互联 企业的业务均在工具里被展开，被动产生的数据在采集/获取阶段并没有成本，主要成本在存储、解析、计算和分析上，而传统企业的数据多为主动采集的数据，成本较高。同时，由于不具备存储、解析、计算的能力，转而向外寻求技术外包，甚至一部分分析工作也“在外进行”，从而可以节省精力将其投入主营业务，体现了 会分工的效率性。由于产生数据的方式不同，数据本身的质量和应用范围也十分不同。

互联 企业的数据伴随工具产生，在需要主动获取数据的时候，也会修改工具（在不影响工具功能与体验的前提下）以获取该部分数据。不过，仍旧是用户在使用线上工具时被动产生的这部分数据规模大、交互多。正由于随着这部分规模大、交互多的数据被大家更多地了解和讨论，国际数据公司（International Data Corporation，IDC）推出提出了大数据的标准化定义和大数据区别于非大数据的四个属性，分别是即数据规模（Volume）、快速的数据流转（Velocity）、多样的数据类型（Variety）及巨大的数据价值（Value），并由此定义了什么是给出了大数据的标准化定义，并拉开了大数据和小数据谁更有用之争的序幕。

在发展后期，我们逐渐发现，这样的讨论并无实际意义，数据的目标是解决实际问题，根据业务、需求场景的不同，可能单独应用大数据或、小数据，或者以整合形式来解决问题。数据不分大小、量级、交互等，这些特征本就是数据自身的属性，只是技术的发展引起了某个属性值的不断突破。

在此基础上，需要提出数据价值论。规模大小、流通速度、多样性是数据的内在属性，而数据则是通过业务逻辑、挖掘数据，最终创造出价值。这一属性不属于内在属性。数据是数据价值的原材料。数据的存在是为了创造价值。没有价值或者无法获得价值的数据，无论其规模、流通速度、多样性多么突出，对于企业来讲，都是成本的浪费，更严重的，是甚至可能存在的对决策的误导。

所以，对于数据来讲，选择合适的方法和人才，以客观严谨的态度获取数据价值，才是最关键的部分。这一部分就是数据应用环节，而这一环节在数据发展至今一直被忽视，导致大量数据成本产生，却无法创造相应的价值。数据从业人员经常说的一句话是：数据是金矿。其实数据是矿石，让矿石变金矿，需要“点石成金”的技能；找到矿山，还需要认知和远见。

归纳三个核心关键点：

• 首先要判断自己企业所在的数据阶段，根据所在阶段寻找适合的人以及搭建产品。

• 开展数据运营工作前，先做业务数据架构，把业务和数据有机结合起来。

• 做好数据采集，确保数据质量的基础工作。

>>>>

Q&A

Q1：老师，零售行业的数据应用现在都有什么经典场景strong>

A1：零售行业的数据应用丰富多样，以下是我梳理的零售业务链路图，每一个模块下都有对应的应用场景和方法论。

↓点这里可回看本期直播

文章知识点与官方知识档案匹配，可进一步学习相关知识OpenCV技能树首页概览11205 人正在系统学习中