导读：要想做好数据化运营，最佳实践第一条就是业务和技术要并重，这也是永洪不断努力践行和优化的所在，我们不只是给客户提供产品就完事，后期的服务、实施、培训，甚至数据咨询，这些我们都会相关的配套，这样让客户真正地把数据的价值落地，真正地发挥数据的用途。

作为一家以产品为见长，不管在技术还是在应用性等方方面面，都希望把产品打磨到极致，并以它为生存之根本的一家公司，为了体现对产品的信心，我这个环节演示的时间会大于PPT的时间。下面我们结合实际分析的业务场景来看一下数据化运营的最佳实践是什么样的。

今天涉及到的场景包括四个方面：用户画像的场景，它的数据化分析是怎么做的；销售型的企业，它的销售分析可以怎样做；对于一些有流通环节的物流企业，物流分析怎么做；还有任何一家企业的老板和财务都会非常关心的，企业财务指标的分析可以用怎样的方式去做。从这四个角度看怎样做数据化运营这件事情。

首先看一下用户画像的场景

这也是现在在数据分析领域里面非常热、非常经典的数据分析的用处。上午黄总也讲了美的集团怎样在全球做自己的用户画像，然后指导业务。首先我们要回答一个问题，做用户画像的目的到底是什么？其实做用户画像有两个大的目的是最典型的。

第一个目的给我们的产品研发设计人员，对于一个电商平台，可能有选品人员、买手和研发设计人员，用户画像就可以给他们一个指导和依据。

以前传统企业上新品的时候往往是闭门造车，根据自己的想象觉得消费者和用户喜欢什么，然后就做一个什么样的产品。这样就会导致市面上新品存活率很低，即使是宝洁这样的巨头公司，其实它的新品存活率也不超过百分之十几。所以大量的研发、资源和资金都浪费在这里面

那么通过用户画像可以改变什么？当选品和研发设计人员想设计或者挑选一个新的产品提供给用户的时候，可以先针对目标用户群体做一个数据分析和需求调研，看看这部分用户的喜好和特点是什么，然后再有的放矢地设计新品，这样可以提高新品的存活率。

举一个传统家电业的例子。假设现在想要针对年轻女性设计一款新的电视，假那么研发设计人员就可以勾选“电视、女性，年龄段”等等多维的条件，这样缩小了范围，就会发现用户诉求、功能诉求、购买渠道排名，然后就能够实时聚焦到这部分用户群体和电视产品相应的分析结果。

我们来看功能诉求这一块，功能诉求通过一个词云来展示，用户在功能诉求上面最突出的几个词，我们可以看到3D电视、智能电视，这是年轻女士非常青睐的电视功能。然而有客户曾经遇到过一个非常反直觉的真实案例，4K电视是这两年比较火的新的概念，但对于年轻女性来讲，她们对4K电视并不感冒。所以如果不做用户需求的调研，就贸然地赶新技术的潮流，针对年轻女性设计一款4K电视，那么新品的存活率一定不容乐观。

其实在实际的业务应用场景之中，除了功能诉求以外，还可以在仪表盘上面摆N个不同维度功能诉求的词云图。另外，像颜色诉求、价位诉求、尺寸诉求和类型诉求，这些都可以做一个聚焦的细分。

对于企划人员来说，其实只通过几个简单的操作就可以在一分钟内，快速得到一个既具体、又精准的结论。如果想针对一部分用户设计一款3D、智能、白色、52寸以下、4500元以下、壁挂的一个电视，可以想象一下，如果拿到这样具体的指导，其实后面要做的事情就是把工业设计、美观的部分做好就可以了。首先新品的调研和研发的周期就会得到一定程度的缩短，可以提高效率。再者消费者在做购买决策的时候，会发现他心里所有的硬性条件这个产品都能满足，消费者只需要看一下品牌和样式，就能做出消费决策。比起传统的方式，这样非常简单的方式更容易被人接受。企业通过非常简单的方式，就可以几倍地提高新品存活率，这样在市场中想要通过新品扩大市场占有率，就是非常可行的事情了。

对于业务部分来讲。通过我们的产品做出这样一个仪表盘，其实是几分钟就可以做到。但是选哪些分析指标和维度把它们组合到一起，放到同一个页面上面，便是业务需要考虑的事情了。因为每一个图表都是数据不同的角度，既然业务人员把这些图表放到一个页面上面，说明他们之间肯定存在关联关系和业务逻辑，那怎样的一个业务逻辑，包括筛选器怎样摆放、布局、整合思考逻辑，这就是需要业务功底的地方。

所以业务的功底和IT技术相结合，就能做出一个简单易用，但又实用，并且效果非常好的数据分析的仪表盘。我们动辄言称大数据，其实真正做好的结果，并不一定是多难懂、多复杂的东西，因为实用的东西一定是简单的，这样才容易被理解、被掌握，然后才容易在企业内部做大范围的推广，才能做到人人都是数据分析师，但凡它有点复杂、有些门槛，都会让事情变得不那么可控。

我们知道，只要涉及到做BI或者做数据分析，一定是IT和业务并重的事情。IT数据处理的部分，比如说某个词云的词的数据源是怎么来的，它的算法可能是比较综合的，可能这部分的数据有0.8的权重来自于过去ERP里面已成交的购买记录，另外0.2的权重可以分配给从网络上面抓回来的舆情的数据，把分词提取出来。这样既看了过去的实时，又看了未来的热点和可能的趋势，综合起来得出这么一个功能诉求的标签。

 做用户画像另外一个典型的目的是精准营销。对什么人、卖什么产品、什么渠道卖、用什么样的方式卖？这需要结合用户的喜好和特点，因地制宜地制定营销策略和内容。

比如说还是同样的新品，这个新品已经做出来了，那在什么渠道首发呢？首发的促销应该在哪一个线下活动的渠道上面做？哪个效果是最好的、能够一炮走红？

假设现在整体的电视渠道是苏宁、精品、国美、社区店这样的排名，假设通过数据分析，最终做的是一款3D的电视，它的渠道排名和整个电视销量的渠道排名可能会不一样。我们放大一下图表，就会发现其他所有的图表都是一起联动的。这个数据就能告诉我们答案，如果做智能电视首发渠道应该是苏宁，而不应该是精品店或者社区店，因为在智能电视里面，苏宁的排名是第一的，首发促销的活动在这个渠道上面做，可能得到的效果是最好的。

第二个场景，销售收入分析的场景。

如果对用户基本的属性做一个调研，我们可以基于过去购买的客单价，还有通过调研手段得到他的年收入，也综合地得到一些标签，包括区域分布、性别、职业、年龄、教育水平等等，这样就能快速地掌握某个用户群体整体的特征。

上午我们CEO讲了很重要的一点，过去数据分析的瓶颈是静态报告，刚才我们有一个动态的例子，这个动态其实可以应用在每一个图表当中，因为每一个图表都是我们看数据的一个角度，应该从任意一个角度进去，从其他任意一个角度出来，这样完成一个无穷无尽组合的交叉对比分析的过程。

比如想看一下三十几岁的这部分中年人或者中青年人的教育水平、区域分布、性别比例、职业比例到底是什么样，应该怎么做呢？很简单，选中这部分人群年龄的柱子，跟刚才一样，再放大一下，这时候就看到教育水平、性别比例，这样局部用户的特点马上就知道了，然后就可以针对这部分用户的特点去制定营销的策略和内容。

如果下一次企业想针对二十多岁年轻人设计产品的时候，也是同样的道理，同一个页面可以反复应用，不断支撑未来无穷无尽的业务上的需求。

分析的页面之间是有层次的，这是偏宏观的分析。假设要了解“时尚新贵”这个标签的用户群体购买力是怎样的，把报表都放在同一个页面上会显得特别的拥挤，而且会干扰决策者看数据和思考。那么做成不同的页面，用符合业务逻辑的方式把它们串接起来，点一下“时尚新贵”这个气泡，我们就可以到家庭购买力的分析页面上，“时尚新贵”这部分人群的家庭收入水平、住房情况。我们可以看到“时尚新贵”过去总消费是三千多万，60%的人都是属于中购买力，29%是属于高购买力，只有4%的人是属于低购买力，这样就对这部分的用户有一个更深刻的了解。

如果换一部分人群，“保守谨慎”。可以点击一下“保守谨慎”的气泡，然后我们就会看到“保守谨慎”这部分人的购买力的情况。我们可以看到总消费五百多万，75%的人属于低购买力，年收入的情况也会相对比较少。所以把页面做出不同的层次，每个页面尽量的简洁、简约，这是非常重要的。

再看一个我们销售的例子。经常有客户在前期接触的时候会问我们：你们能做什么样的数据分析？到底是做销售的？还是市场的？还是财务的？我们会告诉客户，不管你有什么样的数据，只要你有这个数据，我们就可以帮助你做分析。也就是说只要你有了数据，你想对它做任何的价值变现和落地实现，中间整个通道上面需要的所有环节，都可以用我们的一站式的大数据分析平台进行打造和实现。

这是销售汇总的报告，我们可以看一些宏观的指标，包括总销售额、总利润额、产品和区域的交叉对比。跟刚才一样，点一下总销售额，可以到销售明细的报告的情况。这时候动态报告和业务具体是怎样结合的？我再举一个例子，比如说在产品利润趋势的这个曲线，我们发现从7月份开始连续三四个月都是下滑的，发现问题肯定是不够的，怎么去找到问题的答案呢？我们数据科学研究院在讲课时也会讲，对于发现问题、找到答案的过程，我们用到数据分析的思想就是细分的思想，要对它做不同维度、不断地细分，看到底是哪一个区域利润下降了，哪个产品在哪个时间段利润下降了。直到定位到具体的某一个责任人的时候，这个时候才算为止。

怎样做这个细分呢？跟刚才的操作其实一样，把这四个月的数据圈选住，再联动一下，这个时候所有的图表都会淡化掉，只高亮显示选中的四个月的数据。哪些产品在这四个月的库存相对比较高，说明有可能是造成利润细化的原因；哪些产品的收入在这四个月相对比较少，这就有可能是造成下滑的原因。造成任何一个问题的原因往往不是单一的，这样可以在一个页面上把这些原因一目了然的看清楚，这样有一个全局的掌控。

有人可能会问，为什么不像刚才一样放大？放大以后，这个图表不会有淡化和高亮对比的效果，而且如果用放大的方式，我们看到的就是这些产品四个月来的收入和毛利的数据。为什么这一次用高亮的联动方式呢？因为如果只用那种放大的聚焦，最后筛选选出来这些产品，可能我看到一些产品收入高或者低，其实这不能说明问题。因为一些产品本来可能在公司收入占比就比较低，所以它一直是销售收入占比最低的产品，这说明收入低是很正常的，不是造成利润下滑的原因，所以必须把局部的数据跟整体的数据做对比才能知道哪些产品这四个月相对的表现不好，然后去发现造成利润下滑的原因。

假设高亮的对比，初步判断是1.5匹的空调造成利润下滑，我们应该怎样去验证？也很简单。双击一下1.5匹的空调的柱子，以它为中心，做一个全局联动，这时候产品利润趋势这张图就淡化掉了，然后新出来一根高亮的线，这根线是1.5匹的空调在这张图上面的利润走势，我们发现从7月份开始连续三四个月确实是下滑的，说明之前的判断是没有错的。假设我们换一个产品，2.0匹的空调，会发现它在这三四个月的表现比较平稳，说明它不是造成利润下滑的原因，这样通过相对比才能真正地找到原因。    

第三、跟流通环节相关的，物流的场景。

很多企业生产的都是有形的产品，不管是自建物流还是跟第三方物流合作，我们总要对它有感知才能知道这部分到底做的好不好，这样才能改进和优化它。

这是我们做的一个物流整体分析的仪表板，对于物流这部分，我们最关心的是每个环节类似于漏斗的情况。比如说在流程图里我们看到总发货多少件，每一步的比例是怎样的，这样全球累积发货总的比例都可以在这边看。

对于物流来讲时长越短越好，颜色越深说明时间用得越长，说明有改进空间。在全球区域上面会看到，美国和加拿大颜色比较浅，说明用的总时长比较短、做的比较好。聚焦以后，我们会发现它们几乎所有的环节都是低我7天良好的目标线的，离14天的警戒线还很远。它的平均在途周期、平均在建周期是怎样的，我们都可以用这个方式做相应的处理。

中间发现每一步都有衰减，说明肯定有很多未完成的订单，这些订单可以直接穿透到未完成的货物列表，去看哪些属于未完成的，并做一些排名。发现超过12天未收的都会有红色显示，超过7天有黄色警告的显示，我们可以看哪些属于延时比较严重的，并且这部分的货在哪些国家，属于什么合同类型，然后就知道是不是合同类型或者这个区域有一些问题了，然后再深入的看一看。

最后我们看一下财务的场景。

财务是不管我们做什么行业，最终都要归口的分析。财务分析是一个博大精深的领域，怎样用数据去做好指标体系和分析体系，来指导业务运营的优化？

一个比较大的集团性企业的集团领导和职能的领导一般看财务的时候都是怎样做的分析？对于集团的领导来讲，他关心肯定的是比较宏观的一些指标，比如说五大财务能力，包括营业收入、总利润等等。我们可以用这种红绿灯和绿红箭头，让大领导们快速的知道现在哪一点是好的，哪一点是比较凑合的，哪一点有点问题了，我们要快速的找到这些问题的原因。

同时，我们做数据分析的时候不能把思想设得特别局限和狭隘，有时候一些跟数据分析相关的图表，可能并不是一个数据分析的图表或者报表，但是会帮助用户和领导来更好地做分析，这些信息可能并不是结构化的数据，其实也有必要放在同样的页面上，帮助我们进行分析。比如说我想知道EVA下降对于股票的走势会是什么情况？我们可以把股票的走势直接放到这个里面，这样两者一对比可以看出更多的结论，包括最近公司涉及到的一些重大事项是怎么样，哪些因素影响了EVA的下降，包括后面一些财务的排名等等。

我们可以进一步看营业收入的详细指标的分析。比如说看EVA详细的分析。我们可以做模拟数据，因为上午浙大的陈教授已经讲了，数据可视化不仅仅是结果的展现，还有模拟的仿真。对于EVA来讲，利益支出少一点、研发这一块多投一点的话，会怎么影响利润，都可以在这里面调整，这样可以快速地给领导做出一个模拟的数据分析，后面的决策怎样做，即便有十种想法都能够在五分钟之内快速地验证。

一个公司的大老板看财务的时候，，就不是狭隘的三张报表了，比如说市场竞争的分析、经营业绩指标，还有重点任务的指标和达成，都可以在这里面，由公司的领导去看，当然也可以筛选时间去看。

对于一个职能的领导，比如说CFO或者财务总监，也可以看自己的指标，像总策划项目有多少风险项以及后续具体的任务执行情况都可以在里面看。

以上我从用户画像、销售收入，从物流还有从财务，举几个在座的朋友们会接触到的一些场景，然后给大家做一个直观的分享，重点强调一个点，要想做好数据化运营，最佳实践第一条就是业务和技术要并重，这也是永洪不断努力践行和优化的所在，我们不只是给客户提供产品就完事，后期的服务、实施、培训，甚至数据咨询，这些我们都会相关的配套，这样让客户真正地把数据的价值落地，真正地发挥数据的用途。

永洪的易用性和敏捷性是怎么体现的

刚才那个图表怎样让一个非专业人员在几分钟内快速地做出来？我们可以先依据自己的偏好来选择一个主题风格，永洪提供了二十多种主题风格，可以满足不同喜好的用户。

做这样一个图表跟做PPT是一样的，做PPT是把文字、文本框、图片等不同的元素，直接拖到页面上面。而做这样一个数据报告把仪表盘、图表，各种类型的表格、各种类型的筛选器拖到页面上，这样就完成了。

比如说做一个图表，我们可以选择某一个数据模型，或者就选刚才用户画像的数据模型，这个模型里所有的段都会列在左边的列表里面，跟做菜一样的，所有的素材、原材料都在里面，后面就可以自由发挥了，想要什么就呈现什么。比如从简单往复杂演化，看不同产品利润的情况是什么样的，我就把产品和利润这两个字段分别拖到横轴和纵轴上面，这是简单的需求，快速展现了不同的产品利润情况是怎样的。

假设这个时候我的需求变了，我想要按照日期看利润的情况了。很简单，把日期这个字段拖上来，覆盖产品的字段，这是一个维度，我们就马上看到利润随日期变化的趋势了。如果想看不同产品、不同日期的利润情况，我们可以将两个维度组合在一起，不同产品用不同的颜色进行区分显示，得到每个产品利润的趋势。如果想看不同产品和不同区域的组合，也是同样的道理。所以，维度的调整和组合是可以任意的去更改的。

对于可视化来讲，图表不只是为了好看，它本身也有业务含义，比如气泡和词云适合看集中度，散点适合看大实体数量分布的情况等等。在不同的场景下看不同得业务意义的时候，需要用到不同的图表类型，可以自由切换。对于利润的总和、平均数的统计函数，我们都可以在里面选择，换一个计算公式，同样是实时计算的地直接呈现结果。这样我们就不用像过去那样提一个问题，直到IT部门做出结果才能知道答案的情况，现在我想知道，马上就可以看到。

很多人觉得做一个预测，用平方和、方差已经不能满足需求了。在上午我们也强调了另外一个重点，作为一站式的大数据分析平台，我们可以在一个界面和平台上，让用户既完成描述性分析，又完成深度分析的过程。比如说常用的分析算法封装到前端，让一些业务用户，即便完全不懂数据挖掘、机器学习的用户，也可以很容易的进行使用。

假如想要做六个月的利润的总和一个预测，我们简单配置几个选项，可能有注册日期、下单日期、购买日期，每个日期字段当做时间列。这时后台就会开始对数据做一个预测的计算，然后呈现一个结果。因为做挖掘的算法的复杂度，比做描述性分析的汇总统计的复杂度要大，花的时间也会相对长一些。我们看到的蓝色曲线是历史数据，右边还有橘色的数据，这是未来六个月的预测。我们还可以拿一些数据做一些对比，看预测准不准，来调优算法的参数，这需要专业的人做，或者换一种算法做预测。一个平台上面，做深度分析也好、探索分析也好，都可以几分钟之内快速地进行操作和实现。

最后我们来一个总结

1.让业务人员也能数据分析

大家都知道，现在的企业要想知现状、知原因、做预测，没有数据化的运营，基本上没有什么别的出路的。上午我们也说了，因为业务的需求都让IT实现，IT资源的瓶颈化，IT部门加班加点，任务也很重，让业务人员要等很长的时间，最后这个事还是没有做得特别好。工具的碎片化，让做深度分析、BI、计算引擎，以及每一块的实施、集成、维护、学习成本都很高，最后发现可能还需要在不同的环境做，数据可能也要存多份，最后浪费了人力物力却还没有很好地解决问题。

现在很多企业投入很多，期望也很高，但是大数据的价值产出跟预期并不匹配。所以如何让数据真正地促进业务呢？我们在做内部技术研发的时候有一个理论，要让计算发生在离存储最近的地方，这样性能是最好的。同样的道理，我们要让分析发生在离需求最近的地方，这对分析人员是最好的。需求离哪最近？肯定是业务人员产生的需求。所以我们要把分析的事情赋能，去授权给业务的人员，谁有需求，谁自己可以快速的实现。IT把数据的标准、底层的架构和数据模型做好，前端的数据分析，任何跟业务需求相关的事情都由业务人员自己来做，这样就让分析发生在离需求最近的地方，这才是最优化的。

我们讲人人是数据分析师，实话实说，这个事情没有那么简单，但也并非是不可能的。作为一个真正想践行客户成功，想把大数据的价值落地，而不是一句空话的公司，我们也总结了一个循序渐进的，让业务人员真正实现自服务分析的路径，分成三步走。我们充分考虑了业务人员的学习曲线和他们熟悉的周期来设计这个三步走的路径。

第一，最开始用这样一个分析系统，如果上来就交给业务用户说以后有报表不用找我了，有分析需求自己想办法去满足，这肯定不会让事情有一个很好的落地。所以第一步我们慢慢来，还是由我们数据部门、IT部门把业务人员常用的数据报告帮助他们做好，让业务人员先在做好的报告之上与数据进行交互。比如刚才做的筛选、联动等等功能，让业务人员先熟悉用数据的事情，用着用着以后，业务用户就会说能不能帮他把这个报告改一下。

或者有人开始提这一块能不能饼图换成柱图，这个时候我们给有这部分需求的用户开放局部的数据操作的功能，只让他可以去改已经做好的报表，然后另存为，也不会影响原来的报表。改的时候，只能换字段，换图表类型，别的不要做，这些简单的事情业务人员还是能够很快地掌握，就会有第一批业务用户开始自己做数据报告更改的这件事情。

再过一段时间，这些用户要做专题分析，但是现有报告没有一张是满足专题分析的需求，这时候到最后一步，就是编辑报告的部分，我们可以在数据权限控制范围之内，将制作一份完整的数据报告的权限给予业务用户。这比第二步又多了一些功能，一些基本的功能也掌握了，再接受一些高级功能的时候就不会那么的抵触和难以上手。

所以通过这样三步走循序渐进的自服务路径，通过我们的实践，即使在很官僚、很传统的大公司，也会有切实可行的有效效果。这样可以真正的践行我们人人都是数据分析师的远大的理想。

一站式的大数据分析平台也是未来企业的标配，我们要把所有的事情都给用户提供好。

这是我们产品的架构，时间原因，这个就不再提了。

2.数据化运营的方法论

做好业务数据化运营，除了有好的产品、好的业务思想以外，方法论也是必不可少的。我们在每周四下午的线下和每周四晚上的线上都会轮循滚动地举办永洪数据分析研究院的培训班，分成初级班、中级班、高级班三期，每一期都会讲一部分数据分析的方法。

这里我为大家简单介绍一个摘要。数据化运营的体系、方法论有两个：第一个是由上至下，梳理数据分析的体系，首先明确目标，对指标拆解，然后细化字段，系统实施。这样回答了很多客户对于这个产品不错，但是怎样用的问题。第二个由下至上，实施落地的BI系统，先连接数据，做数据处理、建模，制作数据报告，非功能需求的实现。欢迎大家关注永洪BI官方微信公众号，我们会在这里面发我们培训的信息。

所以客户越来越多，我们身上的担子和责任也越来越大。不管是过去的老客户还是未来即将合作的新客户，我们都衷心地希望能够通过好的产品和服务，帮助大家真正实现大数据价值的落地，让数据能够指导我们每一个企业乃至个人业务的数据化运营。

这是我今天分享的内容。谢谢大家！