数仓建模—数据驱动业务
数据驱动业务
今天我们在探讨数据驱动型业务的发展路径，在这个过程中有哪些关键点值得关注。我们一直在阐述的数据赋能作用,其本质在于为企业提供丰富而精确的数据支持,从而助力企业快速实现数字化转型目标。
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
首先从人力层面来看，在各个环节都需要进行投入工作，具体包括数据采集、数据产品开发以及满足需求方的需求同时由分析师负责相关工作。
其次在能力方面需要相关人员具备相应的专业技能尤其是数据分析方面的技能。
最后在权力配置上负责人应当具备对资源投入实施有效管控以及质量管理的能力。
数据驱动的四步
数据驱动的四步
基于现有资源进行相应的数据收集
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
了解我们的文章《数仓建模—埋点设计与管理》作为参考
看数据
目标KPI
目标KPI通常受企业业务模式及发展阶段的影响而形成，并可被称作核心关键绩效指标。大多数企业的KPI往往表现为一个综合性的数据。例如如DAU可被分解为
- 新客户
- 老客户活跃
- 流失用户回流
值得注意的是，在不同企业中，目标KPI呈现出多样性特征；而对于同一家企业而言，则会受到其发展进程的影响，在不同的阶段其核心指标也可能随之调整。
企业常见的关键绩效指标（KPI）包括累计客流量、活客数量、交易客流量、订单数量以及成交总额等核心数据指标；同时还包括用户留存率和复购频率等重要评估标准
业务场景
在实现目标KPI的过程中，企业需要将目标具体化到各个业务领域中的具体场景中去实施。例如，在老客户维护和新客户的开发这一特定领域，企业通常会制定出一套具有吸引力和针对性的运营策略方案，并通过一系列精心设计的运营动作来推进目标的实现。这些行动包括让潜在客户深入了解老客户维护与新客户开发的相关机制，并最终增强客户的信任感和参与意愿。
在实际经营中,企业需要对各类经营中的各类业务场景进行归类分析.包括吸引新客户,优化使用体验,投放与管理资源,策划与发布内容,提供优质服务与维护客户关系以及制定促销活动方案.
指标体系
业务场景可细化为一系列可量化评估标准。这些详细数据有助于识别企业成功的关键深层原因，并为企业制定后续优化策略提供依据。
在将业务场景拆解为指标体系的过程中，在遵循新的业务模式的基础上（或：依据），企业需确保各个实际的业务发展阶段与其指标体系之间形成紧密关联的业务逻辑。
无论哪一个指标纬度下，在涉及多部门应用时, 为了避免歧义并提高体系普适性的同时, 在梳理初期阶段必须明确其基本要求和核心内容.
看数据的五大角度
通过查看数据 我们需要综合考虑公司业务及行业现状 并对数据情况进行深入分析 关注以下几点 数据规模 变化趋势 异常情况 内部架构 以及业务细分情况
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
从产品的具体形态出发，深入探究数据所蕴含的具体意义。比如查看DAU中安卓系统与iOS系统的占比情况，并结合这一比例进一步分析用户的偏好及特征。若华为手机占比显著，则通常表示商业用户群体居多；而如OPPO或小米等品牌手机占比较高，则通常对应于高端用户群体。
在分析"越活"这一现象时
量级
在衡量量级时需考虑根据不同行业特点分析具体情况。以某指标为例，在电商或教育领域该数值可能处于中等水平，在企业服务公司中则被视为较高的水平。
活跃用户也需要根据具体情况来判断其发展状况。例如：30万的新增用户、60万的留存率以及10万的回流率能够反映出业务运营的良好状态。
关于结构，例如IOS 和 安卓的占比也可具体分析。
最后数据显示，在仅访问一次或两天的用户群体中占比达到45%，这一比例在报销类低频使用的工具类软件中并不算异常现象；然而，在资讯类应用领域却反映出这种类型的应用存在较大的改进空间。
评估数据体现的2大纬度
在实际应用中，数据的表现力也会受到系统设计规范合理性的影响，在实际应用中我们通常会着重从完善的体系和科学的标准两个维度来进行评估。
完善的程度取决于我们是否具备科学规划且规范化管理的数据源，并能够实现企业各业务系统的互联互通。
评估指标的完善性主要取决于我们是否具备了一个系统化数据资源库和完善的指标体系,这些因素能够清晰且全面地呈现企业的运营状况。
其次需要考察的是每个业务部门是否拥有独立的业务看板系统，并以此作为有效引导其发展的工具。例如，在产品部门、运营团队以及市场营销部门中能否都获取到相应的数据支持？其中的产品部门负责产品的开发与创新，在此过程中需要收集并分析市场需求信息；市场营销部门通过收集客户需求信息来吸引潜在客户；而运营团队则通过客户关系管理技术来保持现有客户并促进新客户的转化与留存。
最后要看我们的数据如何体现建设情况。比如权限划分是否明确、是否科学合理且符合安全标准。
数据分析 为什么 怎么做
从整体来看，无论是目标还是核心, 数据分析都全部属于业务范畴. 由此可见, 掌握数据分析技能水平仅占分析过程的一小部分. 由此可见, 在分析过程中占据主导地位的是对业务的理解与判断力, 其在分析中的价值占比更高.
- 初级数据分析师能够识别问题的原因。
- 中级数据分析师能够针对问题制定解决方案。
- 高级数据 analyst 可以将建议提炼成一个常规的运行机制，并使该机制实现自动化。
异常情况找原因
通过查找异常情况的原因属于最常见的数据分析场景目的是为了弄清楚数据变化的原因主要可分为有迹可循和无从下手两大类
有头绪——验证假设
具有条理的数据分析过程主要采用验证性分析方法。这种做法主要依赖于对业务运行机制的深入理解以及个人积累的专业分析经验，在提升效率的同时可能存在未能充分考虑其他相关变量的风险。其基本思路和步骤通常包括以下几个方面：首先通过明确目标建立清晰的数据收集标准；其次运用统计模型进行实证检验；最后结合结果进行深入解读与优化建议。
在数据分析中已具清晰思路的情况下，并对应提出了2-3个可能原因假设。接下来我们需要做的是对这些假设进行验证。下面是GMV下降的具体案例。
没头绪——探索式
面对数据时缺乏方向的分析通常采用探索性分析的方式，在这种情况下需要在数据的基础上进行可能性的试探，在这种情况下效率不高但相对较为容易操作其基本逻辑框架大致如下：首先从数据特征入手进行初步了解随后通过假设检验等方法寻找潜在的关系进而逐步完善分析模型
下面是GMV 下降的案例
业务迭代效果评估
在业务迭代效果评估过程中,其逻辑较为稳定且一致.在进行评估时通常需要掌握业务活动的基本情况及其关键指标,在此基础上还需收集最新的相关数据以实现对当前状态与预期目标之间的对比分析,并对其结果进行深入分析和验证.其核心依据包括以下三点:
- 明确具体且涵盖范围广的业务指标体系能够准确反映业务运行情况
- 确保两组数据分析具备可比较性
- 构建科学合理的分析模型是确保分析逻辑清晰的关键
以目前情况来看，在金融行业中进行用户获取存在较大挑战。特别是针对"羊毛客户"这一类别的人群而言，在实际操作中发现尽管他们占据了市场 majority 的份额（这类客户群体较为广泛），但其带来的实际价值却有限。具体表现为仅有一小部分用户能够实现长期有效的资金留存（仅有少数用户能真正实现有效留存），这直接导致整体应收账款难以支撑其持续增长（这些因素难以支撑整体应收账款的持续增长）。因此, The industry is considering revising its referral incentives structure.
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
经过科学对比分析后, 公司发现新方案主要能够有效消除羊毛党现象, 并进一步提升长期用户的价值
寻找业务增长突破点
在企业数据分析过程中不仅需要识别异常现象并评估迭代效果还需通过数据为企业的经营目标提供方向性支持企业在经营过程中应首先设定明确的增长目标随后将这一目标作为核心依据开展全方位的数据诊断分析从而获取解决方案或思路随后对模型进行持续优化和完善构建并投入运行新的模型最终对模型的效果进行全面评估通过这一系列过程形成闭环管理机制
寻找业务增长点，分为三步走：
首先明确核心关键指标
其次搭建起完整的增长模型框架
随后深入分析潜在的增长机会
最后制定并优化基于实际业务需求的动作方案
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
主要任务是分解第一关键指标，并在此基础上建立一个完整的增长模型框架；随后通过该框架确定发展重点区域。
找到业务场景
识别与增长模型相关的业务场景，并制定切实可行的实施计划以优化核心数据；从而有效推动目标KPI的增长。
例如假设我们的目标是以每日活跃用户数量为目标达到一千万。那么我们的增长模型则为：日活跃用户 = 新注册用户 + 现有活跃用户 + 回流用户。下一步的任务则是识别出驱动增长的关键因素。其中新注册用户的数量是最具影响力的。因此，在市场营销团队中展开广告推广活动成为首要任务。具体而言，在这一过程中市场营销团队将根据业务场景的需求制定相应的策略。
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
常见的重要业务场景包括新用户的完整旅程（FUC）、关键业务流程（KPI）、搜索引擎优化（SEO）、促销活动设计（SOD）以及老带新策略（NBD）。例如，在分析新用户的完整旅程时（FUC），分析师需要了解用户在不同阶段遇到的关键里程碑节点（KPI），并结合各个里程碑节点对应的激励策略（SOD）和转化能力（NBD）来全面评估每个环节的效果（MEE）。
在数字化转型背景下
指标体系
下一步将是制定指标体系。我们可以借鉴之前的文章数仓建模—指标体系，系统性地分析并涵盖以下四种核心维度：
- 规模指数及其表现形式。其中：
- GMV（广义流通过量）、日活跃用户数（DAU）等核心数据指标是衡量运营效果的重要依据。
- 转化效率方面：
- 用户从注册逐步演变为有效激活的转化路径
- 首次浏览行为如何引导至最终付费转化
- 用户结构特征分析：
- 分析不同年龄段的新用户群体分布情况
- 细分维度分析框架
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出现下滑,市场部推出了一个促销活动,通过代金券的形式完成购物。
- 新增用户数量有所减少,产品上线后,部分用户提供反馈称无法收到短信验证码。
- 日活跃率有所下降,在数据上报过程中出现了问题,导致部分流量被进行了分配或划转处理。
解决方案
一旦排查出问题所在后，则可着手制定相应的解决方案。然而需要注意的是，并非所有情况都能一步到位。必须明确优化的重点和优先顺序。
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
取决于是否位于产品内部或外部,从而确定了所涉及的场景类型.在产品内部的通道如资源位和栏目列表,而在外部则是通过短信或邮件等方式实现.
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
