0512打折网近年来，互联网行业涌现出许多新名词。 如今，数据分析被广泛应用于各行各业。 本文通过方法论和业务实践，阐述了数据分析与业务发展的交互作用，以及企业对数据分析的管理，希望对您有所启发。
开口
近年来，互联网行业涌现出许多独特的名词，例如：
有很多名词已经过时了，当然新名词也在不断涌现。
而“数据分析”可以说是一个经久不衰的词汇。 当然，它代表了一份工作和一个行业的性质。
说起数据分析，肯定有很多人会联想到大数据。 毕竟大数据也是当下的一个热词，也是被大众误解最多的词（夸大理解/无知/感觉很厉害）。
粗略地说，数据分析的起源可以追溯到17世纪的统计学，而且确实是从统计学发展而来的。
直到18世纪初，苏格兰工程师William Playfair发明了统计制图，用于时间序列数据的折线图和面积图。 直方图用于描述不同类别数量之间的比较，饼图用于描述属于同一组的多个值的比例，这是数据可视化的雏形，但它也为现代数据奠定了基础可视化和探索性数据分析。
随着科学技术的发展，特别是计算机技术的突飞猛进，算法、模型、数据库、机器学习等应用到统计和概率中。 到目前为止，已经有了现代数据分析、预测和数据挖掘。
如今，数据分析被广泛应用于各行各业。 有人认为企业的发展和运营似乎离不开数据分析，甚至主要依赖数据分析。 不可否认，随着近年来大数据、云计算、人工智能、物联网等业务的蓬勃发展，数据的价值确实得到了更多的挖掘，大数据、数据资产、数据治理也在不断加强。 整合，但我们也需要客观地看待数据分析的应用能力、使用方式、应用结果。
毕竟这几年倒下的大公司不在少数，比如每日优鲜。 数据分析应该在公司的业务中占有很高的比重，但他们还是悄悄退出了市场。
本文将从数据分析本身出发，通过方法论和业务实践，阐述数据分析与业务发展的交互作用，以及企业的数据分析和管理流程。 我们不讨论结局，但希望这个过程能给你启发。
一、数据分析与价值 1、什么是数据分析
管理大师彼得德鲁克曾说过：“如果你不能量化它，你就无法管理它。”
顾名思义，数据是基础，分析是核心。 数据是业务运营的量化结果。 洞察数据背后的逻辑、规律和趋势，提取有价值的信息，形成建议的过程就是数据分析。
可以说，数据分析是一门易上手难精通的学科和工作。 我们常说数据本身没有价值，只有从数据中提取有效信息，数据才有价值。 数据分析的核心工作是提取数据价值，反哺业务。 但要做到这一点并不容易。 很多公司都在做数据分析，急于挖掘数据的价值，但现实却给出了相反的结果。
有效的数据分析需要对业务的理解、分析（思维方法模型）、工具（分析工具）和敏锐的商业洞察力。 精通每一个环节并不容易，这也是为什么能崛起的公司总是凤毛麟角，大多数公司都是蹒跚前行。 可以说，数据分析能力也是决定企业发展的关键因素。
2、数据分析能力
从数据——到信息——再到业务流程/业务运营，是数据发挥价值的过程。 数据能力从：结果描述（知其然）、数据分析（知其所以然），发现业务风险和机会，直接用于业务流程成为生产力，其能力价值也是一个过程不断进化和改进。
一般来说，企业的数据分析能力越强，在市场上的竞争优势就越大。
总的来说，对能力的理解可以概括为四个过程：
① 描述过去发生的事情
在这个阶段，我们可以通过定期报表查询每天的运营情况，包括销售额、用户活跃度、库存等。
②了解现在发生的事情
在这个阶段，我们可以利用平台的能力和实时计算能力来查看当前的数据状态，比如实时销售、实时库存、在途货物等； 同时，我们也会对突发事件进行告警，比如POS掉线、并发堆积导致拥塞等，需要根据现状进行引导和解决。
③ 预测未来可能发生的事情
这个阶段需要借助人工智能、算法、机器学习等智能工具进行业务预测。 当然，这其中的前提是海量的基础数据训练。 例如，交通状况的预测需要增长率法、引力模型法、遗传算法、ConvLSTM 等多种算法的混合支持。
④优化策略驱动增长
现阶段，我们已经具备完整的数据链路能力，可以更好的为业务发展过程提供最合适的运营方案。
例子不多。 我想说的是，一个完整的数据分析过程需要这样一个基本过程。 当然，这还要回到上面的观点。 所有这些都需要了解业务、工具、分析和业务洞察力。 . 业务是根本，工具是手段，分析是能力，业务洞察是创新，才能发现问题、预防问题、预测趋势、引领变革。
3、数据分析的价值
数据分析的价值就是其最大的体现。 但是，就目前我国企业的能力而言，我们只能通过数据分析说达到了哪些目标。
根据我们以往的经验和申请过程，可以归纳为六点。
增加收入和利润（直接价值） 降低成本（直接价值） 提高管理效率（发展价值） 控制风险和减少损失（发展价值） 提高无形经济效益（创造价值） 外部量化数据收入（创造价值）
企业利润和成本是数据价值和最终效果最直接的体现。 但是，如果数据分析方法只作用于最终端联合促销分析的步骤包括，就会导致一个弊端，即需要对决策进行频繁调整，对企业的发展适得其反。
因此，数据分析的底层作用是提高企业管理效率。 通过对生产、管理、供应链、物流、成本、销售等基础环节的管控，夯实企业发展基础，是企业利润和成本的根本保障。
归根结底，在市场竞争中脱颖而出，做好只是基础，更多的是要迎合市场，所以外部数据的价值利用和价值挖掘才是企业发展的助推器。
4. 我们在哪里
我们说了这么多，对应到评委们，你们公司处于什么发展阶段？ 我们把它分为五个阶段，这些阶段也对应着上面说的分析能力过程和数据分析价值。
①数据应用薄弱阶段
阶段目标：需要获取足够的数据来了解企业的业务状况。
问题：目前还无法完全了解业务正在经历什么淘宝打折，更不用说外部环境了。
②部分业务/功能使用数据分析
阶段目标：通过数据分析和数据工具，解决某项工作存在的问题，从而对其进行改进。
问题：如何进一步提高效率，如何在全行业应用。
③集成相应的数据应用
目的：利用数据能力提升差异化能力。
问题：数据分析现在发生了什么？ 我们可以从当前趋势中推断出什么。
④ 整体数据应用和单点优势
目标：数据功能是性能和价值的重要驱动力。
问题：数据应用如何驱动业务和管理创新，如何实现差异化。
⑤ 完全依靠数据竞争，保持优势
目标：数据功能是性能和价值的首要驱动因素。
问题：下一步应该做什么，有哪些可能性，以及如何保持领先。
了解了自己的情况之后，我们后面会根据自己的情况做出改变。
2. 数据分析系统建设
数据分析系统是对企业业务发展的综合梳理，既表达了企业发展当前的业务结构，又反映了企业内部的精细化分工。
1. 数据分析系统构建方法
通过数据分析模型构建数据分析系统。
一个客观事物或现象是一个多因素综合体，这些因素相互依存、相互制约。 为了分析其相互作用机制，揭示其内在规律，可以根据理论推导、观测数据分析或实践经验，设计模型来表征研究对象。 通常，构建数据分析模型系统分为以下几个步骤：
① 了解业务
思考本模块的目标、业务流程、核心指标和行动计划；
思考业务流程各个阶段要解决的问题，初步确定需要几个分析模型来支撑和指导业务运营和决策支持。
以商品销售为例，销售模块的核心指标一定是销量和利润。 但结合整体业务流程，还需要了解后台配套的商品库存、人工成本、供应链成本、物流成本等。 只有逐步拆解和细分，才能得到混合支撑模型。
② 模型验证与调优
首先，检查您自己的模型。 一是检查分析模型在业务应用中是否体现了结构化（有序、递进）、公式化（可量化）、面向业务（实践）的思维； 二是检查分析模型是否能够支持完整的业务闭环； 三是检查分析模型是否达到业务目标。
其次，需要对分析模型产生的数据结果进行验证，针对数据偏差优化模型；
最后，解释模型，即用户如何理解和使用数据，并根据用户体验优化模型。
③ 建立分析模型
明确每个分析模型适用的业务场景，解决什么问题，使用的角色；
明确每个模型是什么，描述性分析、诊断性分析、预测性分析、决策建议性分析；
按照目标-核心指标-围绕核心指标构建分析模型的方法推导分析模型；
细分模型所需的指标尺寸和报警设计；
思考这个模型和其他模型的关系，进行模型跳转和连接。
2.数据分析模型体系搭建过程
因此，按照方法论，构建数据分析模型系统的基本步骤可以概括为：
①了解业务，立足目标
通过核心指标监控、业务流程分析等方法发现业务问题，有针对性地进行数据分析和挖掘。
将积累的解题经验和成熟的分析思路系统地梳理成一个或多个形成的数据分析模型。
②细化流程，发现问题
流程细化的方法：一是根据组织管理职能对业务模块进行分解，二是参照业务在行业中的自然发展阶段细化分解。
数据分析模型的核心不在于华丽的图表和酷炫的方法，而在于能够应用到业务中，解决问题，带来业务提升。
③将分析模型一一梳理
你的模型应用了什么样的分析思维，是公式化的、结构化的还是操作性的。
你的模型应用了什么样的分析模式，描述性分析、诊断性分析、预测性分析、决策性分析。
你的模型应用了什么样的分析模式，描述性分析、诊断性分析、预测性分析、决策性分析。
模型与模型之间是什么关系，无关的，相关的，递进的，基本的。 模型之间的向下钻取关系是什么。
④ 指标维度警告注意事项
角色：首先要区分角色。 角色分为运营、采购销售、管理等，为哪些角色建立模型，不同角色需要的指标维度告警方式是否相同。
指标：模型要求的指标是什么？ 清晰梳理指标定义和计算公式，解读核心指标。 指标缺失，加快指标建设。
维度：维度是分析和总结数据的视角； 模型需要哪些维度，维度之间的钻取关系，缺少维度会加速维度的构建。
Alert：核心指标是否需要设置异常值提醒，异常信息是否需要推送给相关人员等。
⑤数据验证
按照分析思路填写真实数据；
检查数据指标和分析思路的严谨性；
请使用模型试用并提出修改建议；
结构化、公式化、面向业务的思维、闭环、目标达成等；
如果有问题，重复以上步骤。
⑥模型构建关系解读
解读模型，异常分析的路径，如何理解数据背后的意义，如何用数据驱动业务提升。
基于整个业务的全过程和分析，思考模型之间的关系，模型之间的跳转和联系是怎样的。
3. 分析模型系统评价
4. 零售业务分析系统案例
结合电子商务综合体，我们构建了行业业务分析模型体系。
基于分析模型构建方法论，将庞大的业务拆解，构建细分业务的细化指标，并考虑模型间的流程流转和业务跳转，从而展现电子商务的业务结构和内部业务细分。 -商业综合体。 体现其核心业务模式，探索创新发展方向。
电子商务综合体的经营分析体系在大方向上可分为：经营环境分析、财务分析、人力资源分析、战略发展分析、最重要的经营分析。
业务分析，根据实际业务发展状况，模块化拆解，可分为：流量、销量、会员、门店、商品、广告、服务、单品、业绩、商家、持续配送。
以流量为例，流量主题的业务目标是：提升流量的数量和质量，提升转化率，促进销售增长，赋能智慧零售。 该模型的目标是：监控线上运营流量的核心指标，及时发现异常，进行详细分析，及时调整。
同时，流量主题又可以细分为线上流量和线下流量。 线上流量通过转化路径可以细分为页面、搜索、站外等。 搜索模块进一步细分，直至形成商品购买页的流量转化归因和闭环。
3. 数据分析工具建设
数据分析工具是数据分析的核心手段。 有了构建数据分析体系的思路，数据分析工具的构建也要坚持结构、公式、业务的原则，支持业务的精细化拆解，支持不同角色的业务需求，最终提升企业的流程效率、运营效率、管理效率。
图（分析工具产品架构）
我们从业务角度出发，将分析工具分为前端业务应用和后端处理核心。
前端的核心应用是数据分析入口，供管理人员、数据分析人员、门店人员、推广人员等使用。
后台系统集告警、算法、营销引擎、智能产品于一体。 后台系统不直接应用于运营管理部门，而是为业务体验运营提供基础数据处理、指标处理、业务告警、智能推荐、智能数据服务、智能客服等能力，是智能前端业务运营的大脑。
一、分析工具的核心功能
①指标维度构建内容
指标维度的构建思路在数据分析系统的构建中已经详细阐述，这里不再赘述。
这里我想谈谈维度。 维度是指标的属性描述联合促销分析的步骤包括，比如流量，以及流量的相关维度，比如：线上/线下、app/web/小程序、首页/商品页/购买页、地区、店铺等。 在数据分析和管理中，维度也被用来控制权限。 最典型的案例：通过门店维度，管控店长只能看到自己门店的相关数据。
②商务驾驶舱
今天的BI工具和座舱功能已经被追求到了极致。 但是打造一个好的座舱并不容易。
驾驶舱建设应遵循以下步骤：
确定终端：pc、app、大屏、尺寸 确定座舱类型：战略型、分析型、运营型 确定指标：一目了然业务运营现状 确定图表，确定排版美化
驾驶舱类型与指示器紧密结合。 战略驾驶舱一般显示宏观指标，如当日商品销量（排名）； 分析驾驶舱体现了整体销量、分时销量、维度销量等各项指标之间的关系； 运营驾驶舱显示反映业务的及时性和预警能力，如退出率、崩溃率、XX故障数等。
③报市
报表市场，顾名思义，就是报表的集合。 通常适用于跨部门、跨业务的数据查询分析。 当然，这需要解冻配套权限和流程审批，避免数据权限扩容。 一般来说，审批流程会大大降低数据泄露的可能性（数据安全不在此赘述）。
④分析报告
对于一些大型企业来说，分析报告是一个亮点，需要算法的支持。
一般来说，传统的分析报告一般都是模板格式，是对报告数据的汇总。 但是，通过算法的融合，分析报告可以变得更加灵活和丰富。 尤其是openapi目前开发的cp4.0的出现，分析报告完全可以交给AI。 人工智能提供的报告比我们的更有创意。
⑤自助服务分析
自助分析可以说是一些企业运营的命脉，这种现象在中小企业中普遍存在。 原因我们不想追究，但坦白说，将指标、维度、事件周期以拖拽的方式放在画布上，可以根据数据自由操作，比固定预设的报表更灵活分析师。 同时，随着人员的创新，更适合数据分析师进行个性化、临时性的数据分析和数据创新。
以XX类成员生命周期及画像分析为例：
问题背景：XX品类年度买家规模占所有品类的20%以上，是会员运营的重点品类。 但从买家增长和销售增长趋势来看，2020年该品类一级商品组销售规模同比下降XX%，积极买家规模增加XX ％ 去年同期。 而在 2021 年前五个月，销售额和买家都同比下降。
分析目的：通过分析了解会员生命周期结构，各阶段人员画像特征，如何有针对性地采取行动进行战略干预，完善用户规划，优化用户结构，提升会员价值。
思路分析：
生命周期分析：结合会员生命周期的理论框架及其自身特点和品类特征，界定XX类会员的生命周期阶段，了解各阶段会员的概况、价值和生命周期结构。
画像分析：从会员个人属性、消费偏好、交叉购买等方面，分析人在生命周期各阶段的画像，为会员运营改进提供决策建议。
通过个性化自助服务分析，得到以下结果：
从会员生命周期分布结构来看，该类待恢复会员数量占主导地位，会员结构呈高损结构。
人均价值在生命周期的不同阶段呈下降趋势，只有成熟会员的人均价值（贡献交易量）呈正增长。
单价≥100元的会员留存分布结构中，导入期+成长期会员占比过半，增长良好。 可以聚焦这部分用户，增加复购，促进向成熟度转化。
分析结论管理建议：
XX类需优化会员结构：虽然2020年XX类会员总数同比增长，但从生命周期结构来看，处于休眠期的会员数量和流失回收期增加较多，留存会员数量和比例有所下降。 贫穷的。 而且，在剩余的会员中，成熟会员比例较低，处于成长期的会员比例处于优势地位，但尚未有效转化为成熟会员。 建议在关注会员规模的同时，更加关注结构性问题。
XX类会员贡献值有待提升：XX类会员贡献的总交易量略有增加，但核心留存会员贡献的总交易量有所下降，人均贡献交易量有所下降。 建议从产品结构与用户画像匹配、营销方式优化、渠道选择等方面挖掘用户潜在需求，提升用户复购和ARPU值。
基于画像分析，从性别、年龄、地域、渠道偏好、购买期偏好等角度分析用户特征，为后续召回、激活等精准营销策略提供支持。
从交叉采购品类的相关性来看，在运营过程中，可以对表现较好的交叉品类进行进一步联合营销。
2.报警预警能力
告警系统用于数据分析，配置和管理核心指标告警方案，主动推送和触达异常数据，帮助业务人员及时了解和处理业务异常。 报警系统一般建立在指标体系的基础上，其核心是报警规则的配置。
针对指标的告警配置，为一个或多个指标设置告警规则，包括但不限于周期设置、阈值设置、维度值设置、单位设置、时间粒度设置、推送策略设置。
根据告警信息，我们需要对告警规则进行解读和分析。 一方面，我们可以了解业务运营状况； 另一方面，我们需要优化报警规则。
消息推送是报警系统的基本功能之一，一般包括Email、SMS、MSG。 每个企业可以根据告警级别设置不同的通知方式。
最后，告警信息需要由负责人关闭，从而形成告警闭环。
应用：
促销期间黄金流量位数据预警。
页面运营中有一个“黄金流量位”的概念。 每个页面和楼层的“黄金流量位置”是有限的。 这个坑位运营的产品效果如何？ 业务人员需要实时关注不同楼层、坑位对应的产品。 实时曝光、点击、追加购买、订单提交和库存数据，及时调整，确保交易最大化。
比如大促预热的时候，如果某个商品的加购量达到100件，但可用库存只有20件，则该商品不适合作为主力商品。 “黄金流量位”一定是库存和追加购买数据。 和平衡的商品。
类似的还有高曝光低点击商品的预警，有点击但无转化的商品预警，缺货预警。
3.场景应用
整体应用：
分为9个场景：
4. 数据分析应用管理机制
最后说说数据分析应用的管理。 有效高效的管理机制是数据分析价值的催化剂，是数据工具进化的基本动力，是提升企业数据能力的铺路石。
1. 全员参与的重要性
① 全员参与
好产品都是靠运营生产出来的。 用户需要在持续有效的使用中发现问题，发现与业务需求的偏差，从而推动产品不断迭代改进，充分发挥数据在应用落地中的真正价值。
每个人都能真正从数据应用、数据管理和数据发现的角度去操作自己的工作，能够在工作中有意识地使用简单或复杂的数据分析工具，进行大小数据的分析和挖掘。 发现信息的财富，帮助公司在各个方面得到改善。
②建立常态化的跨域流程和机制
数据驱动管理是跨专业、跨团队的协作。 要建立相应的流程和制度，确保最终的实际效果，明确各阶段相关方的角色、职能、分工和价值，确保各环节阶段性目标的实现。 实现数据驱动运营闭环。
③管理层的推动作用不容忽视
只有各系统的中高层不断推进，才能在公司内部快速建立、推广、实施和完善真正全员参与、跨部门、跨专业、具有战略竞争力的数据驱动运营管理。
④数据文化的培养很重要
企业数据能力的提升，人是核心驱动力，人力资源数据素质的培养需要氛围。 通过培养让数据说话的氛围：利用数据，让数据反馈管理，改进管理，提高绩效； by building data analysis and communication positions: data service accounts, data forums, and data sharing sessions, the joint performance of employees can be improved ; Maintain an open and learning attitude: participate in external learning, absorb excellent cases in the industry, and broaden your horizons.
2. Management organization configuration
In order to improve the application consistency, completeness, accuracy, and effectiveness of important core business data, a "data permanent organization and operation mechanism" including data management departments, financial centers, business management centers, and R&D centers has been established at the enterprise level.
The overall management of the permanent data federation organization is led by the data management department. The organizational structure and the leaders of each domain are as follows. The persons in charge of the data sub-domains assume the roles of business domain experts and product experts, and jointly promote data construction and application capabilities.
3. Improve the data management process
Based on the establishment of the permanent organization of the data domain, the business managers, R&D managers and role leaders of each data domain monitor the system from five aspects: demand research, construction and development, application management, application evaluation, and data quality monitoring. The data and application construction are implemented. Support the data management mechanism of each subject domain, so as to improve the data analysis ability and application maturity.
4. Data Analytics Application Management Assessment
The evaluation of data application management can be disassembled into data coverage, data analysis ability, data accuracy, data reach, data driving ability, user activity, data usage rate, etc.
We can make corresponding strategy and function changes through the target evaluation of each dimension.
Taking user activity as an example, the user activity of internal applications is an intuitive performance to measure the pros and cons of a product. However, due to the replacement factor in the early stage of the product, combined with the user adaptability of the new and old products, the use of the product in the early stage requires the promotion of the upper management of the enterprise. In the later stage of the product, user feedback is intuitive and important, which directly affects the degree of inclination of employees in the later stage, and also affects the quality of the product in the later stage, and even affects the long-term development strategy of the company.
5. Basic requirements for data security
Data security is a major issue that the whole society pays attention to at present. However, because this article focuses on data analysis, the data security section only briefly describes some.
①National safety awareness
Whether it is data security or personal privacy security, enterprises should cultivate the security awareness of the whole people from their daily work and life. This is not only beneficial to enterprises, but also to individuals, families and society.
We can introduce a series of security management measures to ensure the bottom line of data security from the system; we can also hold daily training, focusing on examples to warn everyone.
② Opening and use of permissions
In terms of authority standards, it is necessary to evaluate the matching and rationality of the personnel position and the required data authority, and open the authority as needed. In principle, the authority of the position must not be enlarged without special reasons, and the scope of authority and responsibilities do not match.
Non-part-time personnel shall not be bound to other post roles, resulting in enlarged data permissions and potential data security risks.
In the use of permissions, it is strictly forbidden to lend permissions to others.
③Data security and use
In terms of data use, if you have not logged in to the system, portal, etc. for 30 consecutive days, the system will automatically freeze the usage permissions, and unfreezing requires process approval.
In terms of data security, the export permission needs to be applied for; the amount of exported data is controlled, and the upper limit is 200,000; the export behavior is included in data security monitoring and management. At the same time, it is necessary to control the subsequent destruction of data in terms of systems, mechanisms, and product functions.
结语
The above is our understanding of data analysis since we started working in the industry. It summarizes the basic methodology of data analysis, and discusses the connection of related modules such as data analysis system, data tool capacity building, and data analysis application scenarios.
We don't pursue every enterprise's ability to improve its data analysis capabilities to stand out in the market competition. After all, data analysis is only one of the important factors for the direction of an enterprise, and data analysis is important for every industry and enterprise. Sex cannot be generalized either.
We just show you some basic theories, processes, and effects of data analysis, and provide you with a summary of success and failure experience.
Finally, if you have any questions, please criticize and correct, thank you.
