内容简介 · · · · · ·
[内容简介]
大数据时代的来临,给当今的商业带来了极大的冲击,多数电商人无不“谈大数据色变”,并呈现出一种观望、迷茫、手足无措的状态。车品觉,作为一名经验丰富的电商人,在敬畏大数据的同时,洞悉到了数据时代商业发展的更多契机,他创新了数据框架的建立和使用,重新量化了数据价值的指标,并挖掘了在无线数据和多屏时代下商业发展的本质……在他看来,改变思维方式,即可改变数据和商业的未来。
《决战大数据》将视角投入到“大数据实践”的领域,对数据收集、数据化运营、运营数据、无线数据、数据盲点和噪音、数据分类和数据价值、养数据、多屏时代等大数据应用的热点问题做出了详细的解答,对当今的大数据进行了多角度思考,并提出了做好“个人大数据管理”的前瞻性建议,创建了一个数据化运营和运营数据的闭环系统。同时,《决战大数据》首次揭开阿里巴巴运营数据的神秘面纱,解密了其数据实...
[内容简介]
大数据时代的来临,给当今的商业带来了极大的冲击,多数电商人无不“谈大数据色变”,并呈现出一种观望、迷茫、手足无措的状态。车品觉,作为一名经验丰富的电商人,在敬畏大数据的同时,洞悉到了数据时代商业发展的更多契机,他创新了数据框架的建立和使用,重新量化了数据价值的指标,并挖掘了在无线数据和多屏时代下商业发展的本质……在他看来,改变思维方式,即可改变数据和商业的未来。
《决战大数据》将视角投入到“大数据实践”的领域,对数据收集、数据化运营、运营数据、无线数据、数据盲点和噪音、数据分类和数据价值、养数据、多屏时代等大数据应用的热点问题做出了详细的解答,对当今的大数据进行了多角度思考,并提出了做好“个人大数据管理”的前瞻性建议,创建了一个数据化运营和运营数据的闭环系统。同时,《决战大数据》首次揭开阿里巴巴运营数据的神秘面纱,解密了其数据实践的“混、通、晒”内三板斧和“存、管、用”外三板斧,对于当今的绝大多数电商企业来说十分有借鉴意义。
《决战大数据》是继经典畅销书《大数据时代》之后聚焦中国大数据实践的重磅新作。
[编辑推荐]
大数据实践的先行者、阿里巴巴集团副总裁、数据委员会会长车品觉首部个人专著:拥有十几年丰富的数据实战经验,并在实践中形成了独特的数据化思考方式,对电子商务未来趋势有独到见解,曾先后在汇丰银行、香港电讯盈科、微软、eBay等多家著名跨国公司任总监。
继《大数据时代》之后聚焦中国大数据实践的重磅之作,引领“大数据实践”风潮:《决战大数据》为数据人拨开大数据时代的层层迷雾,对数据化运营和运营数据的热点问题做了详细的解答,为现代商业的发展提供了数据应用的前瞻性建议和商业新范本。
聚焦阿里巴巴的大数据实践,首次揭开阿里巴巴运营数据的神秘面纱:解密了阿里巴巴大数据实践的“混、通、晒”内三板斧和“存、管、用”外三板斧,还原最真实的阿里巴巴。
首度提出“数据化思考”新思维,改变思维,决胜数据化未来:作者认为大数据时代更多地改变了人类的思维模式,只有掌控大数据背后真正的思维变革才是决胜未来商业的关键。
洞悉大数据与个人、商业与个人的内在联系,指出了“个人大数据管理”的重要性:无论是电商管理层,还是数据分析师,每个人都要有完善的个人大数据管理模式,以避免数据收集和使用中出现信息不对称的断层。
最接地气的大数据著作,既是商业人和电商从业者的案头必备书,也是管理层的决策宝典:作者列举了大量国内领先电商和自身经历的经典“数据分析实例”。内容深入浅出,语言通俗易懂。对当今国内的绝大多数企业来说,更有针对性、借鉴性、实操性,也更接地气。
国内8大顶尖电商和投资人强力推荐,迄今为止最有重量的数据实践之作:eBay 大中华区CEO林奕彰、唯品会创始人沈亚、红杉中国董事总经理刘星、 大众点评网CEO 张涛、安客诚全球副总裁程杰、京东集团高级副总裁徐雷、 桔子水晶酒店集团创始人吴海、LinkedIn商务分析部总监张溪梦等联袂推荐。
图书个人所得全部捐献给“桑珠助学”和雪谦寺重建。
湛庐文化出品。
作者简介 · · · · · ·
车品觉
国内大数据实践先行者、数据观察家。现任阿里巴巴集团商业智能部副总裁、数据委员会会长。
拥有多元化与国际化的教育背景:生于香港,在美国、英国、澳洲等地接受西方教育,曾于新南威尔士大学、斯坦福大学、INSEAD商学院及清华大学经管学院等世界一流学院进修。
拥有丰富的数据实战经验与独特的数据化思维:曾先后在汇丰银行、香港电讯盈科、微软、易趣等多家著名跨国公司任总监职务。对电子商务未来趋势有独到见解,是一名未来趋势观察家和实战型培训师。
目录 · · · · · ·
第一部分 从数据化运营到运营数据
01 大数据,为什么很多人只会谈,不会做
大数据从来不是免费的午餐
人的断层
模型数据从何而来
更主动的管理,更多的创新
【数据化思考】 问题就是答案
02 大数据的本质就是还原用户的真实需求
识别,让似是而非的行为数据串联起来
价值,企业价值 Vs 客户价值
场景,你知道当时所有的场景吗
还原是一个瞄准器
【数据化思考】CEO们关心哪三个数据
03 “活”的数据才是大数据
“活”做数据收集,抓住相关性
“活”看数据指标,动态地使用数据
【数据化思考】 别再做碰巧游戏
04 无线数据,大数据的颠覆者
无线数据正在将整个数据变成“噪音”
PC 数据与无线数据的关系
多屏思维下的电子商务
【数据化思考】 样本的偏见
05 数据分类与数据价值,什么才是你的核心数据
数据分类为什么如此重要
数据分类的 4 大维度
数据的 5 大价值
【数据化思考】 用傻瓜的角度去观察
06 从用数据到养数据
数据应用因小而美
把数据放进“框”之中
如何用框架来做决策
养数据,重要的数据战略
【数据化思考】 远离“或”选择
07 数据的盲点,负面数据的力量
数据盲点
小偷思维
数据盲点的价值
【数据化思考】 为什么数据会骗人:常态、时态与变态
第二部分 阿里巴巴的大数据秘密
08 阿里巴巴的大数据实践
假定数据是稳定的
假定数据是可获取的
【数据化思考】 先开枪,后瞄准
09 混、通、晒,阿里巴巴数据化运营的内三板斧
混,“混”出数据
通,打“通”“混”的数据
晒,“晒”出“混”和“通”的数据
【数据化思考】思考,要学会关窗口
10 存、管、用,阿里巴巴运营数据的外三板斧
存,数据收集的开始
管,保护好存储数据
用,从收集数据到管理数据
【数据化思考】用化骨绵掌解决本质问题
11 大数据,未来商业的利器
假定数据是脏的
学会慢慢淡化数据
数据的标签化管理
重要的是数据和数据之间的关系,而不是数据本身
数据的实时化与实时性分层
未来是人机的结合体
【数据化思考】 忽略了趋势,过去的价值一文不值
结 语 开启属于你的个人大数据管理
后 记 像李小龙的格斗一样去思考
品觉的话 人在修行的路上,不要单打独斗
· · · · · · (收起)
原文摘录 · · · · · · ( 全部 )
-
数据报告......必须要知道以下5个问题 这是什么问题? 这是谁的问题? 这个问题现在必须马上解决吗? 这个问题我们能解决吗? 我们有足够的数据来解决吗? 当我“苛刻”地提出“把月度经营报告当成产品来做,目的是让这份报告像 Phone-样好用”"的要求时,整个团队都傻了:报告怎么能像产品一样呢?!那么,为什么数据报告不可以做到行云流水,让人看起来很爽呢? 所以,我是这么要求的:首先,报告的前3页一定要吸引人,让人有欲望继续看下去;其次,当别人看到一个数据,心里在猜测数据背后的各种原因时,我的下一页报告就要解答他心中的疑问。 因此,如果要用产品管理的理念来运行分析团队的话,必须要问“问题是什么",并以此作为切入点。接着,解决用户的问题,得到用户的信任,然后就可以做更多的好产品。这是一套做产品的理念,因为产品需要不断送代,并非一劳永逸。 那么,我怎么评估报告是否获得成功呢?简单来说,如果一个月度经营报告仅仅5分钟就被pas掉了,那它肯定是不成功的。 (查看原文) —— 引自章节:前 言 我在阿里的6年 -
的确,当回归到“数据能够帮助你产生什么价值”这个问题时, 如果你自己都没弄清楚,那么就算给你再多的数据,你也只会手足无措。我们身边的大数据现象越来越普遍,数据的广度和深度都呈现出几何级甚至指数级增长的趋势。在思考数据的价值时,我认为,可以从三个维度来考虑。 首先,你能否清楚地识别( Identify)用户的身份?其次,你能否搞清楚所收集的数据对你的价值( Value)是什么?最后,收集数据时的场景( Situation)是什么? (查看原文) —— 引自章节:02 大数据的本质就是还原用户的真实需求
> 全部原文摘录
喜欢读"决战大数据"的人也喜欢的电子书 · · · · · ·
决战大数据的话题 · · · · · · ( 全部 条 )



决战大数据的书评 · · · · · · ( 全部 31 条 )

关于“CEO关注的3个指标”想到的

《决战大数据》-养数据解决问题
这篇书评可能有关键情节透露
写在前面 跟《数据的本质》同一个作者,基于同样的原因一口气翻完了这本书,私以为从实际应用上而言,这本书对于实践中遇到的问题和解决的思路与套路更结构化一些。能够把事情做到出彩的人,往往是能够提出好的问题并且能够讲好故事的人。所谓功夫在身外,好的数据分析的应用更... (展开)
【20190518】决战大数据
> 更多书评 31篇
-
真是巧合 (人是自证的)
我的想法: 把分析的理念和框架变成数据产品,本质上是一个数据泛化的过程。 大部分的数据产品疲于应付,连最基础的数据准确性都不能满足,更谈不上探索性的数据产品,以及服务用户真正的“数据集市”。 用户画像平台是比较好的,可以激发用户灵感的数据产品。 数据分析时,要在商业场景中,把数据和商业场景打通,将数据产品当成载体,完成商业价值的分析。而我们开发人员则不同,我们更需要专注于技术,专注于性能。 作为数据...2021-04-12 22:59:03
我的想法:
把分析的理念和框架变成数据产品,本质上是一个数据泛化的过程。
大部分的数据产品疲于应付,连最基础的数据准确性都不能满足,更谈不上探索性的数据产品,以及服务用户真正的“数据集市”。
用户画像平台是比较好的,可以激发用户灵感的数据产品。
数据分析时,要在商业场景中,把数据和商业场景打通,将数据产品当成载体,完成商业价值的分析。而我们开发人员则不同,我们更需要专注于技术,专注于性能。
作为数据bp不仅仅是维护任务和做表,更多的是帮别人解决数据问题,只有解决真正的问题,才会了解真正的业务,才会有自己的价值。
阿里的数据。中台专注于做数据中间层,其实大部分的数据中台都是这样。对中间层数据的处理能力也成为衡量数据中台能力的一个标准,像我们这些做业务数据的难免偏向应用。坦白讲,我不觉得我们属于中台,我们实际上就是一个分析师手下的rd。
要会问好问题,好问题可以使我们避免思维的盲点,而提出好问题的必经之路就是多问问题,多理解,多犯错。
回应 2021-04-12 22:59:03 -
当你发现有用的知识后,一定要跟自说,不要多做思考先收集,现在就收集,不是明天,更不是后天。有人在讲PPT,有价值的内容立即拍下来,而不是待会跟他索要PPT。知识的收集永远都是“现在时”,而且这个操作越方便越好,越快越好。 实践出真知。
2020-12-10 23:12:06
-
2013年年底时,我听到一些数据分析师在讨论年报,他们不断地在讲2013年阿里巴巴的年报。我问他们有没有看新闻,我们的竞争对手最近有什么新动作,做了什么?京东的CEO刘强东想做什么?新闻是真的假的?你们关注了吗?所以,他们孤立地讨论这一报告是没有意义的,因为他们并没有将场景融入其中,只讲阿里巴巴自身,报告的意义也就无从谈起。
2020-12-10 23:03:33
-
Thinker Wu (技术就是信仰!志在终身探索!)
-
09混、通、晒,阿里巴巴数据化运营的内三板斧当谈到阿里巴巴的数据化运营时,我首先想到的就是“人”,我们太多的时间都在讨论我们应该要做什么,却很少会反过来想如果要让数据化运营落地首先要从“人”做起,所以在这里想跟大家分享的秘密是,数据化运营的内功是什么呢?简单来说,就是利用好“混、通、晒”这三板斧。混,“混”出数据只有具备商业敏感的数据分析师,才会懂得使用什么数据来驱动公司实现经营目标。数据部的人...
2015-06-30 23:09:01
09混、通、晒,阿里巴巴数据化运营的内三板斧当谈到阿里巴巴的数据化运营时,我首先想到的就是“人”,我们太多的时间都在讨论我们应该要做什么,却很少会反过来想如果要让数据化运营落地首先要从“人”做起,所以在这里想跟大家分享的秘密是,数据化运营的内功是什么呢?简单来说,就是利用好“混、通、晒”这三板斧。混,“混”出数据只有具备商业敏感的数据分析师,才会懂得使用什么数据来驱动公司实现经营目标。数据部的人要和业务部的人经常“混”在一起。现在的很多数据分析师,当面对专业范围内“怎么算回归”、“怎么画函数”的问题时,他们常常游刃有余,但在实际工作中却往往缺乏商业意识。如果数据分析师缺乏商业意识,那么公司就成了“盲人”——分析师不知道该使用怎样的逻辑去分析数据,而公司的决策层也得不到任何有价值的参考意见。现在绝大多数CEO都在抱怨,每天都要看一大堆零零散散的数据。造成这种局面的原因就是,数据分析师们只是单纯地把数据传递给了管理者,却没有向管理者解释这些呈现用户行为的数据和能够在商业上产生价值的数据之间的内在关系。CEO是没有多余精力来解读页面浏览量(PV)和独立访客(UV)等数据的。他们只需要知道数据是否有问题、反映了什么问题、最近有什么新的发现以及需要我们做出什么样的改变。简单来说,具有商业意识的数据分析师,在监测到网站上婴儿车销量增加的情况时,基本就可以预测到奶粉的销量也会随之上升。而且,也只有具备商业敏感的数据分析师,才会懂得用什么数据来驱动公司实现经营目标。数据分析师要怎么才能拥有商业敏感呢?我觉得就要靠“混”。什么是“混”?我先举一个例子,比如,我以前公司的CEO就跟我说:“你每周要跟管理业务的负责人吃两顿饭,最起码两顿,这就是你的KPI。”我认为,这就是“混”。作为数据分析师,如果不和业务部混在一起,又怎么会知道业务部在做什么。商业敏感是要靠“混”出来的,它并不会凭空出现在你的面前。从更深层次来说,数据部的人要和业务部的人经常混在一起,比如参加业务部的周会、业务规划讨论会、头脑风暴等,或者去业务部定期轮岗、互通周报邮件,一起喝茶、吃饭等。现在在公司里,我最不希望看到数据分析师长时间地坐在自己的位置上埋头苦干,我更愿意看到他们和业务人员“混”成一片。比如,我让数据分析师们在发给我的周报里,一定要讲到业务方的动态。而且,我给他们的考评标准是,千万不要让我看见业务方发过来的周报里面有的内容,你的周报里没有。我认为,要实现这一要求最基础的出发点是,数据分析师一定要跟业务方沟通,才有可能服务于他们。通,打“通”“混”的数据“通”是“混、通、晒”里最关键的连接点。知道带着业务问题来看数据或者带着数据来看业务,这就是做到了“通”。当你与业务人员“混”得足够熟时,在看到某些数据后,你自然就会明白,“哦,这个数据跟商业决策绝对有着莫大的关系。”当前,各电商公司在评估公司经营状况时越来越依赖数据。但是,在今天,很少有电商敢完全肯定地说,自己掌握了体现公司状况较完整的数据。对于公司主管来说,一是因为很多电商在开始收集数据时,会发现数据非常散乱,分布在不同的数据收集渠道和运营人员——公司的核心人群手里,这就使得数据流非常“堵”;另一个问题是,绝大多数电商缺乏大数据运营的经验,只是收集了很“散”的数据,却不知道如何利用,也不知道让哪些数据关联起来。从客观角度来看,数据运营的方方面面都可能存在影响数据精准度的“噪音”。数据本身是客观的,但它很容易受到产品和运营人员的影响——产品目的的导向会影响运营人员的想法,而运营人员的想法则会影响样本获取的精准度,这就造成了数据在不同人眼中出现不同结果的情形。以转化率为例,市场部门和运营部门对于“转化率”的想法是不同的,如果公司内部的数据标准没有“打通”一致,公司决策时被数据迷惑和误导的可能性就会被放大。因此你会发现,问题最后还是要归结到“人”和“公司”上来。如果不能“通”到商业环境里,即使数据很多也没有任何价值。坚持带着业务问题来观察数据或者带着数据来观察业务,兼备二者的敏感,就是做到了“通”。有些人在很短的时间里就能判断出数据是否有价值,就是因为“混通”了。值得注意的是,“通”有两个场景。比如说,现在有一个商业场景和一堆数据,这两者产生关系时,就是商业模式和数据彼此的“通”,我们可以称它为“数据中间层”,简单来说,它就是能够敏感地反映出商业变化的数据群(Smart Data Set)。另外一种更深入的“通”,就是存在于公司组织中的数据。譬如,有一个商业问题,但是需要数据A和B、C、D互通,才能解决。举例说明,今天的退款非常多,我会去做的第一件事情可能是去察看营销部门的数据,我看到今天UV猛增,所以退款才特别多,这是可能合理的。但是,我从客服数据中发现一些退款是少量的卖家产生出来的,那就另当别论了,因为这说明这个商业场景也有可能是作弊,此时就需要对营销、客服和风控等多组数据综合起来进行解释。所以,把数据打通,一是商业理解和数据之间的“通”,另一种就是部门数据和部门数据的交叉。现实中的“不通”,也有两种:一种是从人的角度来说的,比如说人在思考上的“不通”;另一种则是从公司的角度来说的,比如在架构上的“不通”。这两者角度不同,造成的损失也会有差别。大部分的公司都会出现“不通”的情况,比如,部门与部门的隔离打乱了整个流程的连贯性,财务部门对产品、市场和运营等的不敏感,可能会把数据打散,这样一来,商业活动就根本没有办法继续进行。想做到数据的积累和沉淀,想要打通数据,建立合理的系统是不二之选。首先,做好数据安全工作,以保证公司内部不同职位的员工可以察看不同的数据;然后,统一不同部门的数据标准,使公司内部数据有统一的接口,避免混乱;最后,关联不同部门的数据,创造机会让数据的运营可以扩散至数据部门之外。“通”是“混、通、晒”里最关键的连接点。以前,数据量没这么大的时候,公司“混”完就“晒”了,完全凭借商业敏感去运营数据。而现在海量数据成为主流,“通”也就成为了运营数据不可或缺的一部分。晒,“晒”出“混”和“通”的数据数据能不能做到在获取、使用、分享、协同、连接、组合之上让自己变得超级简单和便捷,这是数据化运营里面非常重要的一点,这也正是“晒”的内容。“晒”是一种在“混”和“通”的基础上产生出来的最终的数据表现,是基于人、商业和数据结合后的一种看数据和用数据的方法论。在“晒”数据层面上,通常是通过数据来回答这几个问题:业务好还是不好,数据如何改变可以让业务更好,如何利用数据帮助业务发现机会,甚至产生出新的商业价值。这些问题看起来是递进关系,其实不然,因为具体应该用数据解决什么问题,要根据业务的场景来决定。每一个问题都有不同的回答方法,接下来具体讨论一下这些方法。数据需要有框架可依:数据如何来证明业务好还是不好这个问题用更专业的语言来说,就是如何搭建数据的框架,并通过数据框架来解答业务水平的好坏。所谓的框架就是,对一个业务进行指标化的分解,并通过有限多个指标来客观描述业务的状况。指标化的分解是为了能够快速地定位到问题。举例来说,每个人一生中都可能因为感冒去医院看病,很多医生一般都会先让病人验血,再从化验单里判断是病毒感染,还是细菌感染,或者其他感染因素,然后根据化验单的指标来对症下药。而数据框架的作用正是如此。比如,某电商网站今天的成交额提升了30%,那么这是不是一个值得高兴的数据呢?我们无法直接给出答案,此时,就应该让数据告诉我们,假如是因为投放了外部广告,才使得成交额提升,那么,这就是一个客观的描述,我们要做的不是看成交额的高低,而是应该评价广告效果的好坏。在电子商务领域,评价业务水平通常有两套指标,一套是常用的计算成交额的方法,即流量×转化率×客单价=成交额,它能够评价一个类目、一个商品的健康度。另外一套指标在商品大促的时候使用居多,即预热期加入购物车的商品数×商品单价×经验转化率×经验成交额占比=大促成交额,因为经验转化率和经验成交额占比通常是两个固定的数据,所以只要看看购物车有多少商品及其价值,基本上就能算出来大概会有多少成交额了。这就是数据框架的作用,它使我们分清楚了业务的状况。但是,业务水平的好坏需要进行不断的比较,单独一个数字是没有意义的,比如180这个数据,从表面上看,没有任何意义,但是如果有比较,这个数据就有了意义。如果是身高180厘米的男性,那就算是高个子,因为中国人的平均身高可能只有170厘米;如果是汽车时速180公里,那就是危险速度,因为高速公路的限速是时速120公里,它已经属于超速50%,是危险驾驶。推及业务上,业务需要进行比较才能判断好坏,而比较的前提就是要不断地去寻找比较对象,拿电商的大促活动来说,至少需要进行三个参照组的比较才能区分业务水平的好坏,分别是:这次大促对比平时的涨幅、这次大促和上次同等规模大促的涨幅、这次大促同比涨幅对比上次大促同比涨幅,经过这些比较,才能客观地评价大促的效果到底好不好,如果没有选对参照系,那很有可能得出错误的结论。而要选择正确的参考系,就需要分析师具有很强的商业敏感,而这种商业敏感就来自“混”和“通”。除了搭建数据框架之外,好的展现形式也必不可少,最典型的就是图和表。但是,现实中很多人不知道图和表到底该用在什么地方,现在就介绍几个小诀窍。如果业务场景是要查找精确的数据时,用图,就错了;如果业务场景要观察变化趋势却用了表,那也错了。一个好的分析师,不论是设计数据产品还是做图表都需要有很好的“晒”的意识,而且还要让“晒”出去的数据能够吸引到更多人的注意。数据如何改变可以让业务更好这一过程就是通过数据发现问题,并解决问题。就如之前说到的化验单的例子一样,通过数据的分析找出问题的症结,并进行有针对性的优化,这样的例子在阿里巴巴几乎是天天都在发生,以下就是一个相关的例子。数据分析实例淘宝有一个“二手闲置”业务,它与淘宝主站笔记本类目有一个合作项目——以旧换新。用户在二手闲置频道“甩旧”(卖出二手商品)后,就可以获得在笔记本类目以优惠价“买新”的资格,而且在“甩旧+买新”两步骤都完成后,还可以获得数百元的集分宝。从项目描述来看,整个交易原理并不复杂。那么,在项目上线后,整个市场反馈如何,用户是不是买账呢?根据淘宝后台的数据显示,整个活动的流量漏斗效应非常严重。大量参与活动的用户中,最后成功“以旧换新”的寥寥无几,整体转化率非常低。那么,问题出在哪里呢?事实上,这还是要从数据切入查找原因。 ●“估价”到“售旧”环节用户流失率最高; ●在流量来源监控中,其中一个渠道的转化率几乎为0; ●手机及平板的回收转化率明显高于笔记本用户; ●在已成功回收的商品中,宏、联想、三星等品牌占比最高; ●在成功购新的商品中,价位以3 000~4000元为主; ●在来访用户中,男性居多。通过上面这些数据反映出的问题,我们可以做以下4大方面的改进。 ●“以旧换新”整体步骤过多,漏斗效应非常明显——需要首先在“估价”到“售旧”中优化并简化流程; ●尽管“以旧换新”给活动带来了不少流量,但这些流量几乎无后续转化——流量来源需要调整; ●用户对品牌属性、价格高低是有偏好的——橱窗展示商品的品牌和价格也可优化; ●来访用户中男性居多,细化分析后发现少男(20~25岁)和轻熟男(25~30岁)为主要群体——广告定投。基于上面的数据和发现,后续的数据落地动作也就清晰起来,具体做法有如下3个方面。 ●流程以简单化为原则,对于用户流失严重的环节,进行较大调整。 ●流量精准度。“以旧换新”项目二期流量投放上选择以少男和轻熟男为主的流量源,放弃有流量无转化的渠道。 ●商品选择。将联想、宏等品牌放在较明显的位置;推荐商品价位下调(由原来的7000元以上下调至3 000~4000元或4000以上为主)。经过这样的调整后,淘宝“以旧换新”二期活动的效果明显,整体转化率提升了6倍左右。如何利用数据帮助业务发现机会利用数据帮助业务发现机会就涉及具体数据在业务场景中的应用了,这里最核心的价值点就是使数据变成人人都要用,而且是人人都必须用。我曾经提出过一个理念,就是人人都是数据分析师,也就是说让公司的业务人员都能够通过数据去做决策,让数据来驱动业务,以实现真正的数据化运营。比如,有一个团购网站就做得非常好。这个网站的运营领导和一线运营主管都有非常好的数据意识,他们和数据分析师“混”和“通”了之后,非常清楚地知道数据能够解决什么问题,并和数据分析师一起对网站的主要流程进行了剖析,最终得出了以下5个观点。 1.网站流量和页面有限,必须个性化; 2.商品的进入是公司成败的关键,必须选对商品; 3.销售过程中可能会出现断货的情况,必须有销量预测; 4.价格是竞争的核心,必须关注竞争对手; 5.服务是核心,必须关注发货速度和用户投诉。定位了这些问题之后,就开始着手进行解决,对于个性化、选品和销量预测等问题,数据分析师迅速跟进,并进行数据模型建设;对于价格和服务的问题,他们建立起了专门的预警系统来进行观测。这样一来,数据运营得非常好,对业务的提升也起到了很大的作用。用数据如何创造出新的商业价值为了说明此问题,我在这里举一个阿里金融的例子。阿里有一句话,叫作“让信用变成财富”,阿里金融也正是这样的。阿里金融的核心就是通过数据来计算客户的信用水平,并通过信用来对客户进行授信,让客户能够方便快捷地获得所需要的资金。基于这种信用模式,越来越多的相关产品被开发出来。其核心就是通过业务和数据的结合,将数据“晒”出来,从而形成一种竞争力。“晒”是产生力量的过程,以上是数据化运营中的“晒”,同样适用于企业内部。对数据分析师来说,说服别人才是“晒”,如果从产品场景来讲,就需要说服产品经理把某个东西放在产品里面,这就是数据工具体验上的一大难题了。公司架构上没问题了,但是数据工具不便于使用,用户体验自然就不令用户满意了。所以,数据能不能做到在获取、使用、分享、协同、连接、组合之上让自己变得超级简单和便捷,这是数据化运营里面非常重要的一点,这也正是“晒”的内容。数据分析师一定要让数据变得简单,只有这样才不会出现前面所说的——收集数据的不知道怎么用,用数据的不知道数据是怎么来的。也正是因为数据很复杂,假如数据分析师无法将之变得简单,管理和运营的工作人员自然会产生困惑,也就不可能真正做到“通”和“晒”。阿里巴巴的“混、通、晒”三板斧其实是配合了数据方法论与人的修练,能做到借事修人,让用数据的人在数据中成长,循序渐进地让每个人都成为数据分析师。思考,要学会关窗口我一直觉得,每个人每天的思考能力和池中的水一样是有限的。人和人不一样,有些人可能思考能力强一些,就可以做出更多的思考;有些人思考能力弱一些,则只能做更少的思考。但不论思考能力强弱,每做一次思考都会让自己一天的思考池中的水流减少,从而降低自己的思考和决策能力。有这种想法的不仅仅是我一个人。我曾经在《哈佛商业评论》网站博客中看到过一篇文章,很有意思,题目好像叫作“Boring isProductivity”,中文直译过来就是“乏味,是一种生产力”。文章里面提到了一个案例,有人问美国总统奥巴马:“为什么每天你穿的都是一样的衣服?”而奥巴马的答案是:“因为这样可以减少我的思考时间,我就可以将更多的时间留下来做更有价值的决策了。”这样的例子在文章中可以找到不少,其核心意思就是每天我的思考能力是有限的,如果我要做更加有意义的思考,就不要把有限的思考资源浪费在不能产生价值的思考上面。这一观点,套用社会上一个比较时髦的词语来说,就是思考也要注意“节能环保”,我们要保护的是自己有限的思考资源。对于如何做到节能环保的方法,我自己使用的是“关窗口”的方法。我们每一个用电脑的人都清楚,如果在电脑中打开过多窗口的话,会有两个可能的影响:一个是使电脑的负担增大,电脑的运行速度变慢;另一个是即便电脑的性能足够强大而不至于让窗口影响它的运算速度,但我们的大脑也无法同时处理多个信息。我们能做的就是把多余的“窗口”关掉,认真地去考虑一件我们认为非常重要的事情。“关窗口”在计算机世界中很容易执行,但在现实生活中却很有难度,尤其是在动态的工作过程中。为什么我会觉得困难?因为我觉得在我们思考的过程中,永远不可能只有一件事情可以做,对于管理者来说尤其如此。不断地被其他人影响,不断地被即时聊天工具的弹出窗口打断,不断地被电子邮件提醒去做事,这一切都会让我们的思考过程中断。所以,才会有不少时间管理方面的学者建议,每天处理很多事情的“忙人”可以在一个固定的时间段里去处理电子邮件,以提高办事效率。但是,一旦到了动态的过程中,典型的状态就是在一场谈话或者一场会议中,那就不像不查收电子邮件和不开即时聊天工具那么简单了。谈话的过程是动态的,而且这个过程可能不会严格按照会议主题的规定来进行,而会被各种细枝末节的小问题和各种情绪所干扰,最终导致可能浪费了不少时间,却没有收到应有的效果。对于这样动态的谈话过程,我自己的做法是永远只开一扇“窗”。这个意思是说,在我的谈话过程中,我的大脑中始终会有几个问题被放在首位,这几个问题不会随着谈话的进程而随意改变,这些问题包括:我这次要解决的是什么问题?对方(包括客户、同事等)要的是什么?现在提出的方案解决了这个问题吗?在只开一扇“窗”的前提下,如果会议中出现了不符合主题的内容,我一般不会过多参与,或者有意识地去结束这些与会议无关的话题。但在之前,我参加一些电商的会议时,总是会被一些细节所干扰,即便最终提出了建议和解决方案,也可能不是真正的解决方案。比如,在会议之前,我可能想通过解决产品的问题来提高转化率,不过一些问题一旦被放到会议中讨论,就可能会受到各种因素的影响——管理者可能会说是产品的问题,而产品部门总是有数据来说明他们自己的产品没有问题,实质是运营能力有问题,而运营部门又会拿出种种数据来说明运营的动作是有效的,是吸引到的用户有问题。结果往往是会议离主题越来越远,如果再碰到一个不是特别善于演讲和辩论的市场部负责人的话,问题的矛头最终可能将指向市场部,市场部就会背起这个“黑锅”,至于到底是什么问题引发了转化率低,其实谁也不知道。这个时候,对我们干扰最大的就是数据,每一份数据一定都是经过了精心准备的,看起来在逻辑上又是非常严密的,对于那些快速思考的人来说,就非常容易获得认同。所以,此时对我来讲,就一定不要被各种其他因素干扰,而在每一个细节上的过度争论都会减少我对最终核心问题的判断精力。我在心里时刻会告诉自己,我的精力是有限的,不要把时间浪费在不值得的地方。这又是一句说起来很容易,但是做起来非常难的事情,比如说,在开会的时候,并不是每个人都是决策者,他们一定会从自己的角度出发,一定会提出各种观点,此时我会做的事情就是闭上眼睛,好好地想一想,我们到底要解决的是什么问题,我应该用什么逻辑来解决,在抛开一切杂念获得验证的思路之后,再来看细节问题决策就会显得非常简单了。其实,用逻辑来思考的问题或者发现的问题,就是一个本质问题。
回应 2015-06-30 23:09:01
-
真是巧合 (人是自证的)
我的想法: 把分析的理念和框架变成数据产品,本质上是一个数据泛化的过程。 大部分的数据产品疲于应付,连最基础的数据准确性都不能满足,更谈不上探索性的数据产品,以及服务用户真正的“数据集市”。 用户画像平台是比较好的,可以激发用户灵感的数据产品。 数据分析时,要在商业场景中,把数据和商业场景打通,将数据产品当成载体,完成商业价值的分析。而我们开发人员则不同,我们更需要专注于技术,专注于性能。 作为数据...2021-04-12 22:59:03
我的想法:
把分析的理念和框架变成数据产品,本质上是一个数据泛化的过程。
大部分的数据产品疲于应付,连最基础的数据准确性都不能满足,更谈不上探索性的数据产品,以及服务用户真正的“数据集市”。
用户画像平台是比较好的,可以激发用户灵感的数据产品。
数据分析时,要在商业场景中,把数据和商业场景打通,将数据产品当成载体,完成商业价值的分析。而我们开发人员则不同,我们更需要专注于技术,专注于性能。
作为数据bp不仅仅是维护任务和做表,更多的是帮别人解决数据问题,只有解决真正的问题,才会了解真正的业务,才会有自己的价值。
阿里的数据。中台专注于做数据中间层,其实大部分的数据中台都是这样。对中间层数据的处理能力也成为衡量数据中台能力的一个标准,像我们这些做业务数据的难免偏向应用。坦白讲,我不觉得我们属于中台,我们实际上就是一个分析师手下的rd。
要会问好问题,好问题可以使我们避免思维的盲点,而提出好问题的必经之路就是多问问题,多理解,多犯错。
回应 2021-04-12 22:59:03 -
当你发现有用的知识后,一定要跟自说,不要多做思考先收集,现在就收集,不是明天,更不是后天。有人在讲PPT,有价值的内容立即拍下来,而不是待会跟他索要PPT。知识的收集永远都是“现在时”,而且这个操作越方便越好,越快越好。 实践出真知。
2020-12-10 23:12:06
-
2013年年底时,我听到一些数据分析师在讨论年报,他们不断地在讲2013年阿里巴巴的年报。我问他们有没有看新闻,我们的竞争对手最近有什么新动作,做了什么?京东的CEO刘强东想做什么?新闻是真的假的?你们关注了吗?所以,他们孤立地讨论这一报告是没有意义的,因为他们并没有将场景融入其中,只讲阿里巴巴自身,报告的意义也就无从谈起。
2020-12-10 23:03:33
这本书的其他版本 · · · · · · ( 全部3 )
-
浙江人民出版社 (2016)7.9分 290人读过
-
天下雜誌出版 (2014)暂无评分 8人读过
以下书单推荐 · · · · · · ( 全部 )
- 文案或策划或媒体或营销或商业或设计 (蓝蓝的紫)
- 零售相关--商品管理/店铺管理/数据分析 (W)
- DM&BI (Reed)
- 大数据 (Qianli)
- Analytics for general public (paracelsus)
谁读这本书?
二手市场
订阅关于决战大数据的评论:
feed: rss 2.0
0 有用 chaim 2014-06-07 18:14:57
本质上是一个对数据如何使用的思考过程。
0 有用 天鉴 2014-05-30 15:37:50
用李小龙的方式对待数据,这篇还是很不错的,数据衡量,反馈,优化,还是很多干货的。不过其实名字叫数据制胜较好,因为决战还没开打呢哈哈
1 有用 MaxinAn 2021-03-09 22:17:11
先 Mark 掉,毕竟句句说到 18 年底的我的心里去了!(以下为21年10月份的补充)我仍然记得18年底第一次看到前言中的各种说法时鹈鹕灌顶的感觉,一是当时已有类似的想法,但是没有完全成型,看到车老师此书,醍醐灌顶,车老师做了一次精神助产士。比较可惜的是,变成了他向我的灌输。也有细微的车老师的缘故,我入职了一家公司,那公司书架上都是车老师此书的签名本。所以这本书,从情感价值,还是数据分析师价值观... 先 Mark 掉,毕竟句句说到 18 年底的我的心里去了!(以下为21年10月份的补充)我仍然记得18年底第一次看到前言中的各种说法时鹈鹕灌顶的感觉,一是当时已有类似的想法,但是没有完全成型,看到车老师此书,醍醐灌顶,车老师做了一次精神助产士。比较可惜的是,变成了他向我的灌输。也有细微的车老师的缘故,我入职了一家公司,那公司书架上都是车老师此书的签名本。所以这本书,从情感价值,还是数据分析师价值观的角度,都有很大的价值,特别是前言和6字诀部分。 (展开)
0 有用 Reed 2014-05-07 00:36:43
没爆料,不可爱……
0 有用 穿风衣的猫 2014-06-18 16:57:57
略浮泛的经验之谈,最后一章居然神转折为个人数据管理。算法-定量,场景-定性。数据的目的是还原人的行为与场景。
0 有用 Katherine景 2022-05-02 12:03:02
听书: 通,存,管,用
0 有用 Evelyntutu 2022-03-12 17:29:55
@2018-01-23 16:26:20
0 有用 archer093 2022-02-13 21:40:50
感觉是作者的工作随笔和散文,不乏亮点但缺乏突破
0 有用 _伪大神 2022-01-10 19:03:38
懂数据的人不需要看,不懂数据的人看了也不懂。大部分是领导视角的方法论思考模式,牛人就是不同。
0 有用 言 2021-09-17 09:44:35
2021→第十一本书(9月-5)