数字化转型升级必备—数据思维与应用

---

月説·小飞象分享

想一千次，不如行动一次，唯有努力，不负光阴。

内部交流│31期

数字化转型升级

数据思维与应用

data analysis

●●●●

分享人：常国珍

‍

数字化转型，好像听起来很高大上很专业，离我们很远的样子。但其实数字化转型指的是将数字化转换、数字化升级的概念融合公司核心业务，以新建一种商业模式为目标的高层次转型。

说的明白一点就是活用业务中的数据给公司的发展指明方向。数字化进程以数据分析为抓手对企业业务进行梳理、优化、重构。

因此，掌握数据分析和大数据分析方法及数据思维是企业员工必备技能。

常国珍老师 北京大学会计学博士，CDA数据科学研究院院长。曾任ThoughtWorks 中国首席数据科学家，毕马威大数据部总监、百度大数据数据产品经理。人民大学、对外经贸大学、北京航空航天大学、中国社会科学院大学外聘讲师，北京语言大学金融硕校外导师。

那么，今天小飞象联合月説邀请了常国珍老师，。从5个方面和大家一起探讨数据思维以及应用，以EDIT数字化工作方法为核心，从纷繁的数据分析方法中提炼出指标、标签和策略优化思维模式。便于在工作中发现、定位问题和以按图索骥的方式寻找解决方案~

1. 结合业务需求搭建完整数据分析框架

2. 借助数据发现问题的四步法

3. 通过OSM模型建立指标体系

4. BI类数据分析的示例

5. AI类数据分析的示例

数据分析、数智化的学习，在于将别人的知识转化成自己的知识，食之化尽，举一反三。

为了更好的后面做好小飞象内部交流会，需要您帮忙做两件事情：第一，您想想这次为什么想参加这一期的交流会，以及希望在交流会中希望收获到什么？第二，在交流会结束后，请和我说一下您的收获和感受。（可以在公众号留言交流，小飞象内部交流会往期回顾）

做一个对世界充满好奇的人！在分享之前，我们可以先思考几个问题：

★你了解多少数据模型，到底数据分析思维是什么？

★数据发现问题的四步法，你觉得应该是什么？

★OSM模型你了解多少？

......

这次分享将为大家打开一扇窗，从新的视角去认知数据分析，拆解商业分析模型，提升业务分析能力。在分享的过程中，建议全程认真听，带着思考来听（去看），希望通过在工作中发现、定位问题和以按图索骥的方式寻找解决方案~提供一些思路，有任何问题都可以随时交流哦！

正式分享

—▼—

▼

大家好，今天主要讲的是数据思维和数据应用。内容一共是分为五个部分。第一部分先讲一下结合业务需求搭建完整的数据分析框架。那么很多同学说数据分析比较难入手。这块主要是说商业数据分析，偏重于企业实操的数据分析，先讲一个数据分析框架，让大家把思维框架先建立起来。

第二部分，借助数据分析数据发现问题的四个步骤。这四个步骤，它是嵌在数据分析框架里面的。经常有同学说，数据分析思维到底是什么？其实在我们实际工作当中，分析思维是非常简单的四个步骤。大家只要按照步骤来，那么肯定会得到一个比较高质量的产出物的。

第三部分，讲一下指标体系搭建过程。指标体系是对我们业务运行状况的反应。那么它也是数据分析四步法当中的第一步。

第四、五部分，讲指标体系的应用。BI类分析范式主要的是基于指标做一些个可视化分析，AI类数据分析基于微观的个体做一些标签，算法等。

1、企业数字化转型的背景

很多的做业务，都要是以用户体验为中心的。

①建立场景

根据用户的社会属性，消费能力等精准聚焦目标消费者，精准聚焦目标消费者的需求，发现有价值的场景；

②扩大联接

无论最初的触点在哪里，我们都要实时与客户互动，为每个消费者提供连贯的一致性的购物体验；同时客户及外部合作伙伴建立广泛的联接，逐步实现生态系统各族群之间的联系；

③产生洞察

基于唯一的客户ID（One ID）整合客户数据(One Entity)，建立客户画像；利用大数据和分析产生对客户特征、偏好、需求等的洞察，提供数据服务（One Service）；

④产生影响

基于客户的特征、偏好、和体验，提供有价值的产品和服务，树立差异化。

⑤强化粘性

基于场景开发和完善产品和交互界面，丰富客户服务内容和频度，从而提高客户粘性，提升客户终身价值。

（视频讲车企的例子）

2、企业数据应用能力概述

所谓的数字化？企业其实就要建立起三个阶段的能力。那么这三个阶段能力分别是什么？

阶段一：只看后视镜。类比于我们开车。那么我们说没有人哪个开车只看后视镜的。注意很多的企业在运营的时候还真的只是看后视镜。很多企业在一开始做数据应用的时候。主要做的是基于经营分析的指标体系。大家有可能看到很多企业有价值数有KPI？KPI，其实它的构建方法非常简单，就是基于财务指标的这样的一个价值数。比如说最早出现的就是所谓的杜邦分析体系。根据一个企业的经营指标，总体的经营指标经营目标进行拆解，各种拆解~

阶段二：向前向后看。运营管理指标体系（描述+诊断+预报）客户营销指标体系（描述+诊断+预报）风险合规指标体系（描述+诊断+预报），指标体系反映未来的企业状况~

第三阶段自动驾驶。就是算法体系（预测+优化）现在很多大模型现比较火，大模型产生很早之前就有了2012年的时候大模型就有开始它的雏形了。经过整个是十年的发展，现在它的价值确实被大家所看中了，智能的应用越来越多了。

3、B端企业决策层次和对数据的需求

管理层（BI数据产品）:

①关注经营结果

②关注经营结果的影响因素

价值驱动树（VDT）通过因果分析方式建立了价值的创造与结束。

绩效指标，例如，经济增加值，通过价值驱动，分解为各项价值指标与运营指标。

价值驱动树可以应用在各项关键指标分析，然而，最佳实践证明，通过价值驱动树可以分析主要的关键指标。

运营层（TI数据产品）:

①关注客户旅程

②关注客户互动策略

操作层（AI数据产品）关注具体发生了什么，如何处理

①繁重枯燥活动替代

②日常维护提醒

③客户意向、风险洞察

4、数据分析完整框架

①业务有什么问题；

②业务问题的根因分析；

④提供解决方案，一般涉及到流程优化、政策调整、产品参数调整、IT系统优化等

数据分析完整框架简化为EDIT方法：

探索E→基于业务指标，发现值得关注的问题

诊断D→进行根因分析，会使用到客户标签

指导I→针对根原因，制定解决方案，涉及到流程优化、产品参数调整、IT系统优化等

工具T→数据算法技术

EDIT方法与企业质量管理中根本原因分析法的关系

第一阶段 RCA前的准备

·证实发生了不良事件

·组织RCA小组

·定义要解决的问题

·资料收集

第二阶段 找到近端原因

·寻找所有和事件可能的原因

·测量、收集、获得最可能的影

·响因素的证据

第三阶段 确定根本原因

·找出涉及到哪些系统 

·将根本原因列成表

·形成系统性的因果链

第四阶段制定和执行改进计划

·提出改善行动/措施

以客户运营为例，通过运营数据指标监控，对指标异动进行下钻和专题分析找到指标异动的根本原因，以数据驱动业务健康发展，通过标签体系精准触达人群，完成营销闭环。

运营指标体系建立 

步骤1：搭建移动运营平台

步骤2：运营指标体系梳理

步骤3：运营基线评估

步骤4：运营指标系统迭代

▎解决用户行为数据分析缺失

目前手机APP用户行为数据采集、分析在很多企业基本处于空白，日常仅靠人工后台日志查询等方式获得部分数据，无法满足业务部门的数据准确性、完整性要求，且目前手机APP业务占比逐步提高，在移动应用方面的数据监控完全缺乏，已经影响到创新业务的高效拓展

▎追踪应用内用户行为能力

包括业务流程漏损分析、客户停留时间、页面加载时间等重要数据。结合业务经验和这些数据，可以有效的提高用户体验以及业务的转化率

▎提升公司移动大数据采集和管理能力

需要有成熟的移动大数据管理平台，利用先进的技术和算法来满足对移动数据的从采集到分析的多层次需求。

▎为数据驱动业务运营打下基础

为业务部门展开移动运营工作提供基础必备工具和数据来源

用户标签体系建立 

步骤1：基础标签梳理。

完整的标签意识是通过用户账户体系，覆盖从游客、用户、客户整个用户旅程。

步骤2：搭建用户运营平台

通过用户运营平台承载基础标签的落地和管理。

步骤3：场景标签梳理

基于用户生命周期，梳理场景化人群，进行营销探索。

步骤4：标签闭环优化提升

以指标体系为驱动，进行场景标签下的营销推送，不断验证标签价值。

营销闭环搭建

步骤1：营销闭环系统搭建

步骤2：营销场景执行

步骤3：迭代运营场景

步骤4：完善用户标签和分析指标，固化运营场景

数据化运营体系

—▼—

发现问题的四步法，以一个银行做消费型贷款为简单示例。它是线上消费金融贷款。申请完成率就是一个非常重要的指标。

申请完成率=客户申请量×申请转化率×信贷审批通过率×金额贷款额×利率~

给大家说一个概念：数据分析永远只能做佐证~

—

—▼—

数据指标体系构建的流程

给大家简单讲一下构建指标体系的方法。构建指标题的方法，其实也是老生常谈了。最常用的方法就是OSM方法。

1、OSM模型——明确业务目标，数据赋能业务

O: 公司/业务/产品/功能/…存在的目的是什么

S: 为了达成上述业务目标所采取的策略

M: 合理的度量指标可以衡量策略有效性，反映业务目标达成情况

直接度量策略有效性指标，直接反映目标的达成情况

是预先给出的，KPI有没有达到Target是衡量业务目标是否达成

2、VEV模型，V-价值树（Value Tree）

3 以GMV为例搭建用户运营数据指标体系

—▼—

对数据做进一步探索性分析，对比各类别及子类别产品的销售额和利润，发现桌子这个类别的产品销售额较高，却出现极低的负利润。

因桌子类别问题显著，尝试区域性分析，对比各地区桌子类产品的利润，发现各地区的桌子类产品的利润都很低，其中辽宁、浙江、江苏等多地出现负利润。

寻找影响利润的关键因素，对细分市场、装运方式、折扣与利润的相关性分析，发现折扣是影响利润的主要因素。

对比2020年11月桌子类产品的利润和折扣情况，发现600元以下的商品折扣力度最大，销售额却并不理想，且利润很低，而单价越高的商品折扣力度越小，销售额越高，说明单价在1000元以上的商品所针对的客户群体对于折扣活动并不敏感。

—▼—

某汽车主机厂的增换购业务一直不稳定。半年前其与经销商通力合作，主抓增换购业务拓展，取得了一定成效，但是最近该业务再次下滑。

现状问题及根本原因

客户抱怨：经常接到无关的电话进行推销，同时销售顾问未能真正了解自己的需求，推荐的往往不是自己所需要的；

经销商痛点：不了解存量客户中哪些是真正有需求的，只能广撒网，外呼的成功率极低；未能及时了解与充分掌握现有客户的升级需求，造成客户的响应。

研究目的：

构建增换购模型：通过对历史数据挖掘与分析，建立增换购数学模型，分析存量客户中高潜意向的增换购用户名单

预期价值

提高业务收入。对存量客户进行持续运营，挖掘新商机，提高销量与业务收入

赋能经销商。支持经销商进行精准营销，提升潜客线索精准匹配率，促进线索到订单的转化，增加收入

定性用户画像（0-1）

相关业务专家深度参与和研讨，将汽车增/换购人群分为三大人群，分别是上进务实派（56%)、悠闲乐活派(34%)、躺平享受派(10%)。以下是上进务实派的用户画像：

模型开发策略

对于存量客户，通过对历史数据挖掘与分析，建立增换购数学模型，分析存量客户中高潜意向的增换购用户名单，支撑经销商端精准营销。

模型验证策略

形成常态化运营模式

总结

以上就是本次分享的全部内容！以EDIT数字化工作方法为核心，从纷繁的数据分析方法中提炼出指标、标签和策略优化思维模式。便于在工作中发现、定位问题和以按图索骥的方式寻找解决方案。

其实，数据分析技能每个人掌握得都大同小异，但思维决定高度。因为技能是可以复制的、可以学习的，技能是去帮助思维的。此次分享我们主要是来讲数字化转型的必备之数据思维，也就是说：怎么培养出自己对数据的敏感度，然后把你的数据思维和业务、管理当中去结合起来。具备数据思维后，我们面对问题将不再那么恐惧或者迷茫，数据思维可以教会我们如何解决问题~

信息时代、数据时代、大数据时代、数字化转型的一波波浪潮下，数据分析思维及应用认知素养已经是一个不容忽视的话题。数据既是财富，也能创造财富。掌握了数据思维这个技能，每个人都能抓住创造财富的钥匙。更深层次的了解数据思维及应用，不是一次分享能全部了解的。我们最终的目的是要解决问题，就是发现问题，解决问题就是发现业务中的问题，然后并去解决。学贵在行，需要我们在以后的学习工作中不断地积累经验掌握工具，学以致用。能站在多方角度，发现问题，分析问题，解决问题，总结问题。

后期月说·小飞象会继续为邀请各业的精英分享数据领域的内容。祝愿大家都能在自己所在的领域内，用数据思维，成就更好的自己，在可预见的未来，遇到更好的自己。谢谢大家！

立即扫码

扫码加入星友群

（领取本期分享课件PPT、分享视频回放以及数据思维相关资料~等相关资料）

即可各种数据分析思维、工具、课程、书籍、项目、运营、产品相关结构化体系资料，分享会、读书会、人物访谈等栏

分享一些关于数据分析的资料，可以进星球领取

·····

进星球领取

······

敬请期待下一期

本次分享到此结束，再次感谢大家的收听，我们下期再会！

（本文由木兮整理，可能与演讲时略有遗漏，但整体思路精华都在）

····

立即扫码

扫码加入星友群

即可各种数据分析思维、工具、课程、书籍、项目、运营、产品相关结构化体系资料~

内容持续更新，期待你来

在后续也会在【数据分析·领地】中，组织读书会，分享会等专项活动，读书会主要学习技术类的书籍领读，分享会主要以数据分析思维分享，案例复盘分享等~

部分图片来源于网络，使用图片、文字等均不作为商业用途使用，如有侵权，请联系删除~