数据该如何真正驱动业务增长

编者按

如何通过数据对业务产生价值？数据该如何真正驱动业务增长？如何通过做数据分析的工作，为企业的业务和管理带来提升的价值。

本期精编版嘉宾演讲为永洪科技高级副总裁王桐带来的分享，看了他讲的内容你会发现，原来数据分析还可以有这样一种不一样的形式……

关注公众号CDA数据分析师（ID：cdacdacda）并回复“CDA001”领取王桐现场演讲视频。

现场纪实

刚才发现一个意外的小惊喜，因为上一位演讲人是原来我在IBM时期的老领导，也是好长时间没见了，没想到今天又有一个见面的机会。也感谢CDA的邀请，我这块的话题实际上是，之前的话题定的是数据如何真正为业务带来价值。但是我想把这个做的更简单粗暴一些，就是价值再穿透一些，就是数据如何真正去驱动业务的增长。这个是我想跟大家分享我们在这方面的经验的一个主题。

了解到今天一下来的听众可能有相当一部分都是数据分析师，有的可能是刚参加完CDA的培训，刚踏入分析师的领域，有的可能在这个领域已经耕耘了一些年头，已经变成了一个企业的数据分析团队的领导，也有一些来宾可能是跟这个行业相关，但是自己不直接从事数据分析的工作，也许他是一个企业业务部门的管理者，但是怎么如何通过数据对他的业务产生价值，实际上大家都非常的关注，从这些不同的角度我们都想分别来看一下，到底数据如何真正驱动业务增长，为什么要看这件事情？因为我无论做了多么漂亮的报表，无论我用了多么高深或者是非常令人惊叹的分析方法，如果作为分析师或者企业的数据团队，最终我的分析结果对我的企业业务增长和我管理的提升没有带来正向的促进的话，最终企业的决策层是不会认可我这个数据部门存在的必要性的，也不会认可作为一个分析师的价值真正能够去输出出来的。所以我们做的是这项工作，但是我们要做的是如何通过做数据分析的工作，为企业的业务和管理带来提升的价值。如果我们能有这方面的意识和能力，那么我们一定能够在企业当中取得非常不错的成就，一定可以随着企业不断的去发展实现个人的成长。

实际上，这件事情很难的，因为我们跟几百，甚至上千家企业都过一些过深过浅的交流，实际上这件事情真的很难，为什么难呢？为什么大数据驱动业务增长很难呢？是因为现在的用户要求实际上是非常高的。以前可能我们是在家里自己做饭比较多，后来我们去餐馆，现在餐馆都不去了，现在直接叫外卖。实际上对于这种效率提升的要求是越来越高了。以前可能我们做数据分析，从需求的提出到给它形成一个分析结果，也许这个结果是一个报表，也许一个图表，这都不重要。从需求提出到实现，以前以周或者以月为单位计算的。现在我们发现这个世界快速的变化，各个行业的竞争都非常的激烈，态势演变也是越来越快的，我们发现业务部门和我们企业的管理者实际上他的耐心是越来越小的，耐心是逐渐降低的，是希望他提出一个分析的需求，想要看一个业务上的洞察，他实际上希望马上就能够看到，甚至一天他都不愿意等，所以这件事情是非常难的事情。

第二，这件事情其实背后技术复杂度也是巨大的。可能在一个APP上点了一个按纽，它背后就是一次事件的出发，然后响应了我的请求，也许这个订单就提交了。但是对数据平台，这件事情来讲，也许点了一下查看报告或者查看结果这个按纽，但是这个点击背后可能会发生非常多的一些事情，可能涉及到十亿，百亿级的数据量做过于复杂的计算量，再以前台匀染以何种合适的方式输出出来，还涉及到一些不同集群的结构，所以这个背后这个技术的复杂度也是非常高的。这是另外一个很难的点。

第三个很难的点，其实数据本身也是一个链条，从数据的采集，处理，整合，清洗，加工，建模，再到后面的挖掘，分析，展现，输出，共享，其实这个链条是非常长的。每一个环节可能都需要不同的专家，不同的工具，不同的技术领域，不同的方法，才能够把这些事情给它相对比较顺畅，完美的进行实现。所以每家企业都需要一个端到端的能力覆盖。如果在这个能力当中有缺失，发现这个链条走到一步，下一步走不下去了，可能中间数据处理完了以后没有一个很好的展现，或者没有一个很好的数据的计算的引擎，前台最终用户还是看不到结果，或者得不到一好的结果。所以端到端的能力，大数据全站的能力也是一个挑战。

最后一个挑战，其实很多时候，很多的企业往往忽视了运营这一点，会发现我用的就是，不管是用Spark，还是用什么样的成熟的框架，好像这个框架本身并没有致命的缺陷，但是别人用起来没问题，我用起来就是很慢，或者会频繁的宕机，有的时候不是因为这个框架，或者技术，或者第三方产品本身出了什么问题，而是我们用的方法不对。曾经我们发现有一个企业，它用的是世界知名品牌大数据的平台，还是商业的版本。按理说实际上这样的产品本身是不会有致命的一些Bug或者缺陷存在的，但是它却经常的宕机。通过我们数据化最佳实践，有几十条运营上的规范，我们诊断发现实际上它有很的使用不合理的地方。比如说明明它的数据传输节点是16线程的，但是在夜里点跑50个批量倒数的任务，让这个磁盘的IO进行巅峰式的冲击，这时候很容易造成宕机。以及它的业务用户想做自业务分析，没有很好的架构区分，就发现有的用户随便一拖，做了有上亿成员值的同值记数，并且加了多个分组，这样一下把后台的资源占满了，导致业务用户看一些固定分析结果的资源也受到了影响，这个时候就带来了业务用户的投诉等。其实有很多例子，因使用方法不恰当导致这件事情不理想。

我们回顾一下，用户对效率要求越来越高，这个平台是端到端，能够完整进行覆盖的，以及我们知道到底应该分析什么，以及我们需要知道它的运营的方法论，需要知道数据运营的最佳实践。每一块其实都是我们让数据真正为业务产生增长，产生价值所带来的挑战。我们再抽象、提炼一下，这就是我们在7月上海峰会上，在业界首先提出的一个Paso模型，就是说无论企业选择自己的组件团队和技术框架来实现大数据的价值，还是选择一些第三方的商业合作伙伴和第三方的商业产品来实现数据驱动业务的增长，无论怎么去做，这四件事情是必须通盘考虑的，缺一不可，决不是说底层系统强大，这个系统自然而然产生价值，绝对不是这样的，系统其实在这里只占四分之一。所以无论分析师还是企业管理者对数据如何产生价值需要考虑哪些因素，这个方面一定要有全盘的认识。

永洪实际上在今天来讲，因为今年是我们第六年，实际上我们还是一个小公司，但是在国内大数据赛道上，因为这个赛道也比较新，也不是几十，甚至上百年的赛道，所以在国内大数据赛道上我们是第一个开始做相关的事情，也是目前来讲我们做的相对来讲算是比较有自己的积累的。所以在这方面实际上我们多有自己的比较多的成熟的积累，比如说在Iphone方面，因为要求性能强大，可扩展，端到端全站交付，所以从自服务的数据准备到高性能的计算，到敏捷的BI，到深度分析到企业及管控倒数，有了它，我们发现IT用户做好了报告用户认为不是我想要的，然后问用户需要什么，又提不出来。这是我们最常见的场景，所以需要有专业的人，既懂数据分析方法，又要很懂企业业务的本身，这两者结合到一起，要形成数据如何在业务领域里分析的一个最佳实践，这个最佳实践就是我上面列的数据应用的生态体系，每个行业都有非常多的业务问题，有非常多的业务场景，这是不可穷举的，都可以通过数据监控它的现状，去诊断它的问题，并且去提出它的改进方向和建议，这个就是数据最大的价值。不同行业和领域里都需要一些分析的模板，和分析上的最佳实践，告诉用户该分析什么以及怎么分析，这个数据对你有用。像数据应用，每个行业里都有非常多的业务场景，每个场景都可以做数据应用。数据应用包括：对接主流业务系统的标准化接口，以及它的标准主题模型和它分析方法的锤炼，以及对前台展示上的一套模板。至少应该包括这些，那么它看起来才会相对的比较容易。这样的话我们可以在一个相对比较高的基础之上再跟业务部门探讨，你需要在这块做一些修改，他觉得这块不太需要，他需要再增加一个指标，然后来去看。这就是数据应用这块。

服务这块，其实也是同样非常重要的，这个平台，无论是企业自己的分析师团队或者企业自己大数据团队服务，还是第三方给它们提供服务，精细化的本地服务，这个是必须具备的，从数据调研书，到维护，再到内部培训，知识传递，实际上精细化本地服务也是为了让数据这件事情能做好的保驾护航的非常重要的一点。在最右侧就是目前业界应该只有我们真正去把它梳理出来的数据化运营的最佳实践，我们会不断做健康的检查，帮助客户把架构做到一个比较优化的程度，把运营规范，推广策略都要做好。其实我的大数据平台内部，我的维护者也是他的一个营销者，我要做好内部营销，我要让企业内部各个业务部门都去看我分析的结果，我分析的内容都要给他们提供服务，而不是只给十个部门当中的某一个部门提供分析的服务的支撑服务。推广策略实际上也是很重要的一点，最后来给出一些提升的建议。所以PASO整个模型缺一不可，然后我们必须把它们通盘在一起考虑，而不只是把目光聚焦在分析方法和技术上，和我底层用什么样的框架上，这个实际上才能最重要的一点，以及分析方法和我的业务相结合，否则算法再怎么漂亮，其实这个事情跟价值不一定有正相关的关系。

今天的重点因为在A方面时间有限，所以PS和O就不做为今天的重点，也是跟分析师最相关的，就是数据应用这块。从整体来讲，因为每个行业的不同业务领域，它的分析场景一定是千差万别的，但是我们尽量的提炼出来一些共性来讲的话，实际上一个企业它的数据分析体系是有一个整体的框架的，只不过在不同的企业前台、后台、中台表现不一样而已。对制造业来讲，前台市场销售和服务，客服，呼叫中心，后台是人才，物资，IT这一他。如果说是互联网行业或者金融行业，可能对于互联网行业来讲前台就是市场和BD，中台是产品的设计和运营，后台还是人力财务信息化管理，研发在中台。对金融来讲前台也是偏向于客户经理，对公的业务，中台是衍生品设计，后台还是人财物。我们发现后台其实相对是比较通用的，但是前台和中台在不同的行业当中实际上是有很大的差异的，但是尽量把它提炼一下会发现，其实有这么多的分析场景都可以通过数据产生价值，决不只是说我分析一下我的留存率，转化率这么简单的问题。从人力资源管理角度来讲，到底人员的绩效的匹配程度是怎么样的，整个企业的组织里人员单产是逐渐上升还是逐渐下降的。上升是哪些局部上升，下降是哪些局部下降？比如员工的离职是去了哪里，哪些员工经常离职，离职后带来的损失是什么，这些全部通过数据才能产生洞察。对于财务来讲，可能资金都可以进行很好的分析。还有五大类风险，像能源，制造会涉及到安全环保，包括我有自己的数据中心，我怎么做好节能减排，怎么做好安全生产，怎么做好事故预防。信息化这块可能主要是在成本效率和运营和服务这方面。资源这又是另外一个比较大的话题，供应链的话是一个大的供应链，不是一个小的、狭义的采购的供应链，所以从库存，材料平衡到销售的分析，采购的分析，这都有很多的模型需要去攻克。生产，投资这个就不多说了。所以对于一个通用型的企业来讲，它的前台、中台、后台一拉开，实际上就有非常多的领域可以做出我们的业务场景，让数据发挥价值。

对于一个企业的决策层，董事长、CEO、COO大部分人来讲，他可能不会看这么细的东西，从企业的决策层来讲他需要真真正正意义上的管理驾驶舱。他分析的视角和业务领域分析的视角很不一样，所以决策层本身就足以支撑比较复杂的数据应用。从决策层的角度来讲，他一定关心的几个事情：战略发展推进，总体的绩效和重大投资的决策。战略发展推进，如果这个企业有足够大的体量，宏观经济分析和整个市场分析，如果是集团性的企业要做好业务结构，业务版块的分析，互相之间的协同怎么去联动，包括资源控制，区域布局等等。这些都是要看的指标、体系和分析点。所以企业的决策层管理驾驶舱也有这样比较丰富的分析框架，也是我们大老板喜欢看的东西。

后面我们挑几个重点行业的重点领域来举一些例子，来讲一个数据应用它到底应该做成什么样，以及数据应用对业务能产生什么样的价值。各个行业，各个分析场景都能产生非常多的价值，但是提炼出来，抽象出来，总结来讲它一定要对它的业务管理带来正向促，业务部门和公司的决策层才会认可我们做数据分析这件事情的投入是值得的，才会在我们身上追加投入，从而产生更大经济和效益上的作用。

首先看一下金融行业里的银行行业。银行行业实际上有至少十个以上的主题可以去做很多的文章，包括像客户端，像决策支持，运营，产品营销，监管，风险，绩效，财税，等等。有非常多的主题实际上可以做一些文章，我们挑两个最重要的：一个是审计。审计以前可能有专家经验去做的，现在我们也要在大数据时代让它变成一个可量化的，一个标准化的作业模式来去向风险评估转变。以前我们的审计受限于人力的有限，可能我们做的是单业务风险，现在跨业务，业务板块之间联动的关联风险有了更高的要求。审计从它展开可以展开几百个不同的指标，像总体和专项去看一些一级分类指标。一级分类指标展开有二级、三级分类指标。最终不同角色的人看到的是不同指标，对一个行长来讲看的指标是五级菜单当中的五百个指标，经过一个一个权重加上来的风险分数，就是这个分数是80分还是20分，一个一个看下去。这是我们在国内全国的大型银行做出来的一些例子。做这个例子的时候要去解释一下，就像刚才说的，前台可能我们看起来只是一些图表和报表而已，但是展示什么内容比我展示出什么样式重要的多，以及展示的内容绝对不是说我把一些指标堆砌在页面上有结束了，而是指标和指标之间的层级关系，它的相关性是怎么样的。相关的指标放在一个样板上，不同层级的指标放在不同层级上，它们之间是怎么联动的，这个路径按照业务逻辑思维做，这样这就是有生命力，有业务逻辑，符合业务人员交互、思考，符合他思维方式的这样一个产出。这样的话业务部门领导会觉得它真的对我的业务有帮助。

零售制造业又是一个很广阔的业务群体，包括很多今天互联网企业，归根结底是做制造业的一些升级。它里面实际上包括了客户的数据，产品的渠道，上下游，库存等等不同的数据。所以针对于不同的数据都有可分析的点。客户数据也可以做精准营销，如果我们多个行业都有接触的话，其实分析方法真的是大到至简可以抽象提炼出来。对于产品数据，很多时候一个制造业或者一个零售业的设计人员，实际上以前是通过自己的想象，觉得我要给年轻人设计哪些新的电视，我应该怎么设计，一定喜欢大红色，喜欢4K这种新的技术，会发现最后死的很惨。业界尽管是宝洁新品存活率也不是很高的，更不用说目前绝大多数企业现状了。像很多知名的制造企业也是我们的客户，它会通过产品数据分析来去做竞品数据分析比较，更重要的是新品设计的参考，通过数据跟刚才的用户画像有点像，通过数据先来分析目标用户的需求是什么，然后再做自己新品设计，这样的话成功率会比以前有几倍的提升。可能经过数据分析会发现，年轻女性喜欢的电视一定不是4K的。这是我们发现的一个真实例子，因为对新技术女性并不是很感冒，她可能还是喜欢3K，智能这种时髦，炫酷的，而不是最新的技术。喜欢白色的。如果说通过数据能得到这么精准的支撑的话，后面事情我就只需要把工业设计这个事情做好就可以了，然后我把它推向市场出样的时候，客户看到样品会发现他做消费决策中间的每个硬性条件都是打勾的，比如颜色是打勾的，剩下的只需要看感觉，这个样子喜不喜欢就可以了。如果我们做到这么精准，实际上对企业方方面面，对新品设计多带来质的飞跃和突破。

门店也是一样的，很多企业在国内都有成百上千家的门店，门店和门店之间要做一些比较，同样的一个半径范围之内有的门店生意好有的不好，为什么？是人员的问题，装修大小的问题吗，这些都不是，这些都要通过数据得到答案。但是总是半径范围之内有的门店能做好，就意味着其他门店有问题，一定可以往好的标杆去靠。

渠道，我上游的供应商和下游的渠道商这个之间大家怎么把分工协作，把计划这件事情做好，这个是非常重要的。否则的话他提的订单下个月又取消了，这个时候我的生产是浪费了。

库存和缺货，库存问题，从数据分析，我们就是通过对比，找原因，分析，至于分析方法都是帮助做对比和细分。核心时间就是对比和细分。我要不断的细分，有的库存是和产品铺不匹配，有的库存可能因为生产计划的问题导致的。库存问题细化下来有四个不同的分类，每个类型其实我们去解决的问题，绝对不是说库存管理员的问题，而是市场的问题，计划的问题，生产的问题和设计的问题，一定都是这些问题，而绝对不是说库存本身管理的问题。

如果说很多企业不是面向C端的，现在ToB很火，有些企业，像我们是做B2B的，这里ToB和ToC销售又有很大的不同。我们会分析，包括我们自己也在用自己的数据应用里看我们的销售情况，从商机到客户到产品。比如我给自己设计的首页，可能我会更加关注这个季度完成多少，还差多少，今天离这个季度结束还有多少天，我完成的百分比是怎么样的。如果今天是9月1号，这个季度只剩一个月了，但是这个季度完成任务只有10%，这个完成率就有很大问题，所以要把时间拉出来做一个比较。这个比较我要去看，先在维度做细分，看哪个团队完成的不好，然后再在指标上做细分，是看线索不够，还是转化率不够，还是客单价不够，总之是能够找到原因的，不可能他都好，最后业绩不好，这是不可能的。我找出来之后集中起来，来因材施教的给予一些能力的提升，或者对岗位不匹配的做一些组织结构的调整。但总之先通过数据做判断，然后通过细分来发现数据上的洞察，最终目的是能够发现真实的问题来采取行动，最后为业务和管理带来提升，反复强调业务管理和提升才是我的重点。

销售团队业绩和销售人员业绩的画像，包括客户的信用评价，我们也会给我们客户做信用评价，谁的付款好，谁的付款情况不好，以后还要不要这个客户，其实我们也需要在自己的内部有一些评价，等等等等。还有保证我们渠道，各个部门之间的一些对比。它的承诺跟它的时间完成率的差异，整个跟财务之间的排名。包括我有多款产品，不同产品卖的怎么样，有些销售只卖一个产品，这也有问题。后面一个就是财务分析的框架，时间的原因这个就不再多说了。

今天30分钟的时间尽可能的展示一些比较通用的，因为毕竟咱们都是来自于不同行业，不同领域的专家们，希望在各个行业里都举一些例子，如果能给大家带来一点点的启发，这对我们来讲就是莫大的荣幸了。总结来讲希望大家记住的点：我们做数据的核心目的不是分析多么的漂亮，而是它最企业的业务和关系能够带来提升，这是数据唯一的价值和评价标准，除此之外别无其他。第二，做好数据的价值呈现，绝对不是说我有一个好的技术分析方法和系统就完事了，平台，应用，服务，运营，PASO缺一不可，无论自己做还是选别人帮你做都要考虑这个东西，这个跟我们没有关系，这个跟你有关系，你一定要做全盘的考虑。第三，如果要想做好一个数据应用，实际上要把指标体系，业务场景和分析模型以及接口，和前台上展示的模板，这些都要通盘考虑，才能让数据应用做的足够理想。至少这三件事情是希望通过今天我这个话题的分享能够让大家去有概念，能够让大家记住，这个就是我们各个行业合作过的客户，这个就不多说了。

我们其实也是数据分析师，跟今天大会的主旨是吻合、匹配的，所以这个是二维码，大家可以扫描一下，来申请我们的产品试用，可以让大家有机会体验。所以也非常欢迎在会后到我们展台多多交流，互相学习，互相借鉴，通过大家的努力把数据在中国发扬光大。谢谢大家。

CDA坚持打造高端数据分析学习社区和数据分析认证

CDA数据分析师，作为国内领先的数据分析师人才教育品牌，一直致力于打造中国最棒的数据分析学习社区。旨在加强国内外乃至全球范围内正规化、科学化、专业化的数据分析人才队伍建设，进一步提升数据分析师的职业素养与能力水平，促进数据分析行业的高质量持续快速发展。