数仓建模—数据驱动业务
数仓建模—数据驱动业务
今天我们看一下数据驱动业务如何实现，在实现过程中有哪些需要注意的地方，其实我们一直在讲，数据为业务赋能，其实本质上就是数据为业务提供更加全面准确的数据支撑，从而更好更快的驱动业务的发展—数据驱动业务
基础数据建设的铁三角
人力、能力，权利在数据基础建设中缺一不可
- 首先人力层面上需要在各个环节中都有投入，例如数据采集、数据产品、需求方、分析师
- 其次在能方面需要相关人员掌握相应的技能，例如数据分析能力
- 最后在权力方面需要负责人具备资源投入管控和质量管理的能力
数据驱动的四步
数据驱动的四步
- 有数据，需要收集到相应的数据
- 看数据，需要指导看什么
- 分析数据，需要找到原因 提出方案 评估效果 进行迭代
- 应用数据，需要保证数据最终落地为业务赋能
有数据
有数据是第一步，这里我们主要指的是各个业务系统的数据和埋点数据
关于ID_MAPPING 可以参考我们前面的文章
可以参考我们埋点系统设计的文章数仓建模—埋点设计与管理
看数据
目标KPI
目标KPI一般由企业本身的业务模式和业务发展阶段决定的，也称之为第一关键指标，大部分企业的KPI 都是一个综合性数据，例如DAU 可以拆解为
- 新客户
- 老客户活跃
- 流失用户回流
需要注意的是不同企业的目标KPI 存在差异，并且同一企业也会因为发展阶段的不同，KPI 也会发生变化，因为不同的发展阶段侧重点不同。
常见的企业目标KPI,有累积客户数、活跃客户数、交易客户数、交易订单量、交易总额、留存率、复购率
业务场景
企业达成目标KPI的过程中，需要将其细分到不同领域的业务场景中完成，比如针对老客户拉新的业务场景，企业会设计一个具备吸引力的运营策略，然后通过一些列的运营动作让更多人了解老邀新的机制，并使用户产生信任感愿意参与其中，从而触发后续的运营动作。
通常情况下，企业的业务场景可以划分为，推广拉新、产品体验、资源位运营、内容运营、客户运营、活动运营、商户运营。
指标体系
业务场景可以进一步细分为可评估的指标体系，这些细粒度的数据可以辅助企业明确成败的深层次因素，并指导优化下一步的动作。
在从业务场景拆到指标体系的过程中，企业需要按照新的业务模式，使其产品、运营、市场等实际业务发展阶段与指标体系建立强相关业务逻辑。
不管哪一种指标纬度下，由于指标应用时涉及到多部门，为了提高指标体系的普适性以及避免歧义，在梳理指标体系之初，指标的口径或者定义需要明确。
看数据的五大角度
看数据我们需要结合公司的业务以及行业现状结合数据来看，主要关注量级、趋势、异常、结构、细分
看量级
看整体的数据量
看趋势
趋势反应业务的健康走向
看异常
定位机会和异常
看结构
了解数据的组成、组成占比、优先级
看细分
结合产品的具体形态，推敲数据背后的具体意义，例如查看DAU 中安卓和IOS 的占比，分析用户的偏好或者特征，如果华为手机偏多则大多数为商业用户，如果是OPPO 或者小米则大多数为发烧友。
这里我们以越活为例来看一下，整体上我们可以从量级和趋势上做划分，然后结合异常、结构、明细进行细分
量级
就量级需要结合具体的行业来看，例如100万的月活对于电商或者教育行业而言，只能算是一般，对于企业服务公司而言来说就非常不错。
其中活跃用户也要针对具体情况具体判断，例如30万新增、60万留存、10万回流表明业务在健康发展。
关于结构，例如IOS 和 安卓的占比也可具体分析。
最后关于仅访问一天的用户占到45%，如果是报销类低频使用工具类软件来说也正常，若是资讯类软件则说明用户粘性太低。
评估数据体现的2大纬度
数据体现的完善性也会影响看数据的效果，我们一般从从数据体系的完善性和指标的科学性 上来评价数据体系。
数据体系的完善性主要看我们是否具有一个合理的、有结构的数据源，可以打通企业的各个业务系统之间的数据孤岛。
指标的完善性主要看我们是否有一个完善的数据大盘或者指标体系，可以很直观很准确的反应企业的现状。
其次就看是不是每个业务都有自己的业务看板，可以正确的指导业务发展，例如产品、运营、市场是否都可以获得数据支持，产品负责产品的诞生，市场拉来用户，运营留住和转化用户。
最后就是看我们的数据体现建设如何、例如权限划分是否明确、是否科学和安全。
数据分析 为什么 怎么做
数据分析的终点和目的都是业务，因此数据分析能力只是数据分析的一小环，对业务的理解与判断力对分析的价值贡献占比更多
- 初级数据分析师可以分析出问题的原因
- 中级分析师可以针对问题提出可行的建议
- 高级数据分析师可将建议抽象为一个常规的运行机制，并且使得该机制自动化流程化。
异常情况找原因
异常情况找原因，是最常见的分析场景，主要是确认数据变化是受什么影响，大致分为有头绪和没头绪
有头绪——验证假设
有头绪的数据分析，主要是验证式分析，依靠对业务的理解和自身的分析经验，效率高但是可能会忽略其他因素，基本的分析逻辑如下：
有头绪的数据分析已经关联了2-3种原因假设，这样我们要做的就是验证假设，下面是GMV 下降的案例
没头绪——探索式
没头绪的数据分析一般为探索式的分析，要基于数据做可能性试探，效率低，但是容易上手，基本分析逻辑如下：
下面是GMV 下降的案例
业务迭代效果评估
业务迭代效果评估的逻辑相对稳定，一般需要了解业务的原始状态，然后需要采集迭代后的相关数据，对迭代效果进行评估，诊断评估的三个原则：
- 指标准确全面，也就是业务意义准确、核心维度全面
- 数据可比性强，要保证两组分析数据本身具备可比较性，例如用户结构相同、外部环境不变、
- 分析逻辑清晰，分析模型科学
下面是互金行业的拉新案例，互金行业拉新难，羊毛客户多，往往花费大量成本，但真正有效的用户和资金留存却不多，无法拉动待收持续增长，所以某企业打算变更新手奖励体系。
方案变更后我们需要评估，但是不同的角色有不同的评估视角
大致上可以分为量和转化 两种评估方向，下面是量上的评估效果
下面是转化上的评估效果
在科学对比后，公司发现，新方案可以在很大程度上杜绝羊毛党，更加有利于长期用户的价值释放。
寻找业务增长突破点
企业数据分析不仅要分析异常原因和评估迭代效果，还要根据数据为企业找到业务突破点，企业首先要明确业务的增长目标，然后再聚焦目标做全方位的诊断分析，从中找到解决方案或思路，进行优化迭代，然后开发上线，最后最后评估效果，优化方案形成闭环。
寻找业务增长点，分为三步走：
- 明确第一关键指标
- 构建增长模型，定位增长点
- 结合业务场景，确定动作方案
明确第一关键指标
为了找到第一关键指标，我们可以从一下两方面出发
- 业务模式，企业需要洞察产品或者业务给用户提供的真正的价值，并以此构建价值模型，明确量化指标，这是因为数据表现由业务模式决定，不同行业存在不同的天花板，例如我们想要提升用户的留存，但是产品给用户的价值和我们的期望不符，这也很难达到。
- 根据AARRR 模型，在既定的业务模式下，根据各个环节的数据承接能力，确定第一关键指标。
构建增长模型
主要是对第一关键指标进行拆解，然后构建出相应的增长模型，然后根据模型定位增长点。
找到业务场景
找到和增长模型关联的业务场景，设定具体的执行方案提升关键指标数据，从而促进第一指标的实现。
例如我希望日活是1个亿，那我们的增长模型就是 日活=新用户+老用户+回流用户，接下来我们就是找出增长点，发现是新用户是关键，那我们就需要在市场部门做广告投放，这里市场部门的具体操作就是业务场景，接下来我们就需要对业务场景进行评估
最终的一个实现流程大致如下
如何找到解决方案
寻找解决方案的思路大致分为五个步骤：
- 明确业务场景
- 构建指标体系
- 深入挖掘特征
- 深层原因分析
- 确定解决方案
明确业务场景
常见的业务场景有新用户全流程、核心流程、搜索、促销、老拉新，例如新用户全流程分析师就需要知道用户旅程中的不同里程碑节点，然后根据不同里程碑节点的激励策略以及转化能力来评估整个环节的效果。
说白了数字化业务场景，每个场景其实就是一个流程，数字化就是量化，需要通过指标体系来完成
指标体系
接下来就是构建指标体系了，指标体系的构建可以参考我们前面的文章数仓建模—指标体系,大致上我们包含下面四类指标：
- 量级指标，例如GMV、日活
- 效率指标，例如注册到激活，浏览到付费
- 结构指标，例如新用户中不同年龄段的用户
- 细分维度
原因分析
可以结合运营活动、产品发版、市场活动、等方面进行分析
- GMV 下降，市场部出了一个活动可以使用代金券进行购买
- 新增用户数量降低，产品发版，用户收不到短信验证码
- 日活降低，数据上报出现问题，流量被切分
解决方案
找到原因之后，就可以提出解决方案了，当然这个过程也可能不是一蹴而就的，需要确定优化方向以及优先级。
应用数据 怎么用 有什么价值
可以从粒度、通道、和实效性进行划分
粒度
例如是具体到个人还是群体，推荐算法就是具体到个人的
通道
是在产品内还是产品外，决定了其对应的场景是什么，产品内的通道比如资源位、栏目列表，产品外例如短信、邮件等
实效性
主要考虑到数据失效性和分析实效性，个性化推荐需要实时的
差异化展示
个性化推荐
精准化营销
