|
大家好，我是田健，今天和大家分享一下在数据化运营方面的心得：不忘初心，回归数据化运营。
分享内容包括两个方面：一个是数据化运营的战略意义，另外一个是如何去建设数据化运营的体系。
一、为什么要做数据化运营？
数据化运营更多时候是用来辅助决策的，而从常规企业决策路径中可以看到，从发现问题、确定目标、拟定方案、选择方案到决策执行，这是一个不断优化调整的过程。
1.传统决策方法
当企业运营遇到极大问题的时候，我们通常会采取“内查外调”的方式去寻求解决方案。这些方法也可能会见效，一般都是3-5年的解决方案。
三种内查方法：
（1）拍脑袋
这样是我们在一些传统企业或夕阳产业经常见到的一种决策方法。但由于信息化发展迅速，依靠领导经验并不能为层出不穷的新问题带来科学决策依据，很多时候决策者也会迷茫，那就只好“拍脑袋”。
（2）凭经验
我们尊重每个人的阅历与经验积累，同时我们也很清楚，经验是把双刃剑，用好与用不好往往是一念之间。大数据时代已经让我们不能全屏经验去判断和决定一件事。
（3）头脑风暴
集思广益的方法，以更广的知识面与角度来弥补个体经验的不足，同时也会受到主观意识的误导。
三种外调方法：
（1）咨询公司
内查无果的情况下，有实力的企业可能会找一些大的咨询公司进行业务咨询，基本都是千万级的咨询项目，这也不失为一种好的解决办法。
但我们逆向思考一下，咨询专家到公司之后要做的第一件事是什么？
调研，说白了就是要数据。因为他也不能凭空拍脑袋告诉你问题在哪儿，该怎么解决，咨询公司也是先掌握数据，借助数据化运营理论再去做行业对标。
（2）参观学习
外部调兵也可以用参观学习行业标杆、领域独角兽的方法，尝试业内领导者的发展思路和管理经验，像国网、中国移动在体系内就做的很好。
（3）职业经理人
企业原有领导团队已经无力掌握企业决策方向时，还可以有一些职业化的人进来，去帮助企业做运营，也就是职业经理人。但他们也是凭借经验来决策，如果经理人不成长、不进步，也就意味着企业没进步，这种方式依赖性较大。
总的来看，用传统的方法做决策，有3个问题：周期长、任务重、见效慢。
时间不等人、投资回报也必须考虑，在这样一个环境之下，其实我们忽视了一条低成本又高效的路：人人参与的数据化运营（量化经营）。最了解自己的莫过于自己，借助数据化运营的方法，其实我们能很大程度上解决问题，至少也能明确方向。
而当前大部分企业不知道的是：该如何做。
再来看一组数据，整个行业的发展方向，已经从IT向DT去转变了。如果我们现在看全球500强在信息技术能力投入方向上，他们对于数据分析的投入，每年的增加接近20%。
从这里面也能看出，我们在向行业独角兽学习时，他们却是在兢兢业业的做好数据化运营。这已经是大势所趋，也是为每个企业量身定做的一套解决方案。
2.从数据运营角度看新零售与传统零售
盒马鲜生大家应该不陌生，上海大概有17家，它的理念就是好好吃饭，用心生活。它有3个核心体验：30分钟送达、免费配送、一站式购齐。
周边3公里内，从下单到送达只有30分钟，并且顾客所需，可以在这里一站式购齐。
近几年新零售炒的也很火，阿里、京东也都开始布局线下门店，构建体验式消费。新零售其实给广大消费者的生活带来了巨大的转变，我们都是其中的受益者。
可是，为什么传统零售这么大的一个生态链没有任何一家能在生鲜领域超过盒马鲜生？
我们来一期剖析一下盒马鲜生的数据化运营之道。
在我看来，盒马鲜生抓住了传统零售忽略的零售本质：商品+服务。把服务做到极致，把商品做到精准定位。
（1）服务对象
从服务对象来说，它瞄准了三类人群。家庭主妇、便利白领、周末带娃团。
通过阿里的大数据能力，在门店选址过程中，就已经对周边消费全体做过精准的计算，全国47家的规模，缓慢开店的速度证明了他们精准营销的思路。
（2）物流体系
传统零售也有完整的供应链体系，也做源头采购。
但传统零售对供应链、对物流的理解集中于店外运输，视野的局限性限制住了他们店内、店外完整物流体系可以打通的想象力。
而盒马鲜生打造了盒马全链路数字化系统，除了店内有投资千万的自动化输送链外，基本每家店还配备了100人左右的快递小哥，并且盒马鲜生的利润负担得起这些投入。
（3）运维团队
单技术支撑就是500多人，而且不包括运维团队。
（4）生鲜单价
同品质商品，盒马鲜生的单价并不会高于市场价，它的收益来源更多的是服务增值及销量提升。
从以上四个内容中，我们可以看到，盒马鲜生在这张生鲜新零售的战役中做了很多数据分析事情。
比如目标消费群体。它不像超市一样，来者皆是客，而是精准的群体营销。所有门店的选址，都会根据阿里本身的信息收集手段，去分析周边有没有固定的消费群体，以及他们的消费水平。
比如供应链成本的承担，它没有因为初期成本投入的巨大而放弃这个思路，而是综合核算及评估了它的可行性，进而在经营上独树一帜，创造了传统零售不可匹及的新模式。
零售的核心课题没有变，就是商品+服务，新零售带给我们的增值是新技术能力的投入，比如无人体验店、刷脸支付等等。
像物流效率、商品选品、集中采购的供应链，这些传统零售也都在做，但是之前他们在了解相关技术的时候，因为这个系统初期要投入太多资金，而被吓怕了，没有再进一步去验证一下，反而是根据经验判断做不了。
现在盒马鲜生的事实摆在面前，之前不被重视的数据分析，在他们用好之后创造了新零售模式，而传统零售因为对数据化运营不够充分的认识，失去了这次机会。
所以，我们思考一下，数字化运营带给大家的最大改变是什么？
并不是传统的分析可以不做了，而是它能够带给你更灵活、更便捷、更科学、更具创新性的思维方式。
数据化运营是需要从企业的决策、管理、执行层都要具备大数据思维。
大数据思维并不是意味着你的数据量从TB级到PB级，而是要将更广泛的信息纳入进来，让我们专注于通过数据分析去决策和指导业务运营。
二、如何建设数据化运营体系
1.数字化系统建设的4项目标
（1）企业级的自助式分析平台
企业要做数据化运营，需要企业自上而下所有人员，包含决策者，认可进行数据分析。
我们希望带来的转变，是要具备数字化运营思维，不是沉浸在以前固有的经验之中。这样企业全员应用的数据分析需要建设一套企业级的自助式分析平台做支撑。
（2）统一数据标准
数据整合，统一入口；全业务链条，完整分析流程；数据质量标准化，数据口径标准化等。
（3）行业数据应用咨询赋能
培养业务人员数据分析思维，协助业务人员发现数据中的异常问题并做数据探索。模块化开发，提升业务人员工作效率。
（4）智慧分析、决策的窗口
打通业务端到端的全过程分析链条及管理流程；深度分析与统计分析结合，完成数据分析闭环。这是我们最终的目标。
2.建设过程中的难题
（1）数据分散
数据源种类非常多，如业务人员自有的Excel考核数据、ERP、财务、人资、业务等多个业务系统。
但数据口径、分析粒度、字段细致程度各异，难以汇总，同时数据分散大量有价值的数据未形成闭环，导致众多高价值数据被忽视。
（2）业务不知如何分析
对业务人员来说，需要掌握的分析不需要高深，懂点统计学，会看同环比、排名就足够了。因为数据价值的发挥，并不代表分析模型有多高级、多复杂。
能够对业务有指导意义，或者是让你找准方向，这就已经是发挥价值了。
（3）框架能力缺乏
这也是一个技术瓶颈。业务人员因为要专注于业务，所以他要进行分析的工具和方法，一定要便于掌握。
也就是说平台的框架能力，一定要具备，而且是依赖于IT同事去支持的。
（4）缺少过程指标
比如说我们做电商时候，每个人浏览电商网站的时候，都会有一些行为习惯。以前我们无法知道页面停留时长和来源，现在大家可以慢慢把这一部分数据补充进来，进而去完善指标体系，将过程指标也引入进来。
3.解决难题的7个原则
面临这些问题，我们可以考虑如何去解决，这其中有几个非常重大的原则可供我们参考。
（1）领导关怀和全员参与
全员参与是最重要的，事务的推动需要领导的支持，而全员参与指的是数据化运营，领导必须要参与。
他不需要去制作报表，但是他要起到带头作用，他的思考方向和指导政策，都要用数据说话，起到带头作用。
（2）小步快跑
大数据的数据量太大、太庞杂，每个人的业务岗位都可以是数据价值的创收点，这些信息并不是厂商和领导能带给你的。
我们建议小步快跑，就是要发挥企业内几乎所有人的力量，集思广益去看哪些地方可以创收，在探索和摸索中寻找适合自己的那条大数据道路。
盲目的建大数据项目，重构指标体系，建复杂模型是前几年长干的几件烧钱的事，它不能决定是否真的能将数据价值发挥出来。
（3）平台易用
希望全员都能够参与进来，如果平台的易用性很差，就意味着只有IT的同事能参与进来，我们无法让业务的同事更加积极地参与进来。
（4）咨询赋能
业务人员需要的一些专业技能，包括数据分析的方法论，这也是客户友好合作的基础。
数据分析也需要专业化，对于业务人员更加需要良好的指导，通过咨询形式为他们附能尤为必要。
（5）体验为王
盒马鲜生试图将生鲜购物的体验做到极致。
我们做数字化运营也要做到极致，不仅是操作层面，也包括需求响应、应用灵活。
（6）变通/创新
新零售“新”在创新，但它的本质不变。我们做价值创新的时候，也不要把以前认为不重要的东西抛弃。
而是把数据拉出来，先去分析，看一下，组合一下，就可能得到你想的要结果。在这个过程中注意成果的落地。
（7）协作机制
从业务到IT，从IT到业务，形成良好的数据分析闭环更有利于数据价值的积累与落地实现。
这就是我们在建设数据化运营体系中我们需要去关注的7个原则，更多是体现在一些注意事项和每一步都注意遵照着去做，只有环环相扣才能为最终数据价值发挥带来更强劲的动力。
不忘初心，回归数据化运营。借助大数据技术、数据思维意识，将数据化运营落实到每个角落，让全员都参与进来，对数据价值引起足够的重视，才能更好的摆脱困境，在新的市场竞争环境下先人一步。
希望我的分享能给大家带来一些启发。谢谢大家。
（注：本文根据永洪数据科学研究院 田健 于7月14日在2018大数据技术峰会演讲整理）
| 
