【原创】【禁止转载 翻本必究】
第1章 业务中的数据化运营
前段时间同事小城跑到我们数据团队来问，他们要上线一个车主服务的功能，希望我们数据团队能够配合做一次推广的活动。我就拉着小城到会议室具体讨论了下这事到底想怎么去做。小城介绍道，目前现在整个公司都在希望能够从用户的角度去发展业务，而随着汽车市场近几年的迅速扩张，车后市场成为一块很大的蓝海，像汽车保养、交通违章、停车、限行通知、加油优惠、保险购买、洗车、汽车改装等都成为每个车主关心的问题，所以公司希望能够抓住这次机会尽快上线车主服务的相关功能。目前开发工作已经接近尾声，计划近些时间就准备上线，而我们之前已经有很多用户的相关消息数据，希望能够抓住更精准的人群去推广一下。
听完小城的叙述，我大概明白了接下来的运营需要做哪些工作。而作为一名数据分析师，我也给小城介绍了从数据分析的角度可以怎么去做。目前我们有用户的个人特征、消费历史和社交关系，首先分析会使用到车主服务的一般都是车主或者家庭里有车的，再者他可能之前在我们平台上购买过汽车类目的相关产品。我跟小城说，大体运营的需求已经沟通清楚了，后续会用两天的时间统计下这个客户群大概有多少。小城觉得可以，等待我后面的回复。
回到工位，我和另一位数据分析师小张一起聊了这个需求，小张对底层数据库的数据比较熟悉，我们从是否有车的标签、历史购买过汽车类目相关商品的角度去统计分析了下，但统计结果并不尽如人意。由于汽车类目之前公司没有怎么去做，所以统计出有车的明确信息也就几万人。找到小城，和运营小城说了下这个情况，小城心里犯了嘀咕说那怎么办。
后来联想到之前和某汽车平台的合作，那次活动效果很不错，我们决定再去分析下那次活动的用户，结合用户上次参与的活动积极性和在我们平台上的消费情况，筛选了相对比较活跃的用户确定了这次推广的目标人群。然后，我们和小城一起确定了推广的时间、文案和测试方案，最终在这次活动推广中获得了比较满意的点击量和转化率。
类似这样的故事每天发生在我们业务的数据化运营工作中。
1.1 业务运营的一二三
作为一名工作了3年多的业务运营小城，对每天的运营工作也有颇多感受。从互联网行业的岗位职能来划分，笼统的有技术、产品和运营、人事行政和法务、财务等。技术给人的印象就是写代码的程序员，每天很晚来公司，很晚下班。而产品经理更多可以看作一个产品的负责人（owner），需要在产品开发前规划设计产品需求文档（Product Requirement Document，PRD），在产品开发过程中不断沟通需求和开发进度，开发上线后监控效果和反馈。而其他和业务相关的事情都好像被定位成为了运营，要做活动，要看数据，要写规划，要完成KPI，要跟踪产品开发细节等，在运营人员自己的眼里似乎运营工作被定义成 “打杂”。从运营的概念上来看，运营被定义成整个项目的计划、组织、活动、执行。运营本质上来说就是做用户的拉新、留存、促活。拉新主要就是通过话题、活动、内容来给产品带来新的用户和流量。当有一定的用户和流量之后怎么能够稳定住流量、留住用户就是留存需要思考的问题，像平时关注的次日留存率、近7天留存率都是。在促活上让用户和产品频繁的接触，通过分析用户的特性和偏好，抓住其痛点来增加用户的黏性，像会员等级制度和红包奖励体系等等都是这些运营的行为。在形式上就会有很多玩法。比如日常的活动刺激，通过红包、优惠券、会员卡、抽奖、满立减、积分等形式，还有通过一些常规的运营方式，如短信、邮寄、客服、广告展示等形式。
对于小城来说，平时最痛恨的莫过于整天要去写一堆活动策划文案，推动BD能够去把相应的渠道谈下来，PUSH产品经理能够将相应的功能上线，联系美工做好页面的优化，和财务团队申请经费能够做活动，和公关团队一起联动做好线下的声音，和数据团队合作将产品服务做的更好，最后还有一条很长的流程需要审批。所以每天小城都会加班到很晚，而大家眼中的高大上的运营在小城这样的内行人看来是多么的辛酸。
对应业务运营岗位，大家一般理解的岗位描述是这样的：
l 组织对整个平台和内容的整体规划：内容建设、布局、结构方面的规划。
l 根据公司战略制定公司的业务运营计划和业务流程，并负责实施。
l 梳理业务模式和规则，搭建高效的业务运营系统，包括：销售运营报告、服务运营报告、大数据分析、客户信息分析等。
l 规划部门产品和服务的发展方向和路径，确保产品和服务领先，功能满足客户所需，系统稳定可靠，得到客户和市场认可。；
l 建立服务日常运维的质量控制和评价体系，持续规划、迭代更新。
l 建立和管理团队，制定部门主要工作程序和规章流程，确保各项工作有序快速推进。
看到这儿，你会应该发现运营和公司的所有部门都有联系，所要做的工作也很多，是被很多人戏称为“体力活”的劳动。而在工作内容类目上，运营的划分也有很多，像内容运营、产品运营、用户运营、活动运营、数据运营、商家运营等。所以在具体的实际工作中有不少“打杂”的感觉，特别是在一些中小型的创业公司更是如此，本身公司就没有太多人，更加需要一个多面手。对于一般的运营专员来说，他的工作涉及与商户的对接，和产品经理一起讨论具体的产品方向、功能和特点，包括设计文案的细节和具体展示的图片等都需要运营来协调和沟通。特别是很多互联网公司，尤其是电商公司，每个季节的活动非常多，从新春大促、夏季促销到双十一、双十二，整年都要提前就开始策划、备货等，所以运营的工作经常是比较饱和，大部分的时间会淹没在写规划PPT和沟通上。如果能够有可以自动生成一个营销方案和迅速完成的流程，这对于小城来说是非常理想的一种状态。
而自从有了大数据之后，小城的工作发生了很多变化，从过去靠拍脑袋决定的一些决策到现在可以通过大数据分析的技术来完成，做到数据上的有依有据。
特别让小城印象最深的就是，2012年年初对海外各个国家进行下一年的市场运营规划上，数据上显示美国、英国、澳大利亚、日本和韩国这五个国家是过去一年中销售成绩最好的区域，老板拍板决定要对这五大区域进行重点的推广。
可是小城发现虽然韩国和日本这两个国家的销量属于排名top5，但卖家数量却很奇怪的垫底。因为这个现象比较奇怪，逻辑上解释不通，百思不得其解后，他找到数据分析师小王咨询。小王结合卖家的区域分布做了个简单的数据统计，结果还是让小王感觉有些蹊跷，特别是比较高销量的集中在几个买家身上，而关联的IP地址显示这些卖家经常往返国内和日本、韩国。后来通过和一些业务商户沟通之后才了解到，这些买家均为海外购的代理卖家，每年会大批量进货，所以导致了这些区域的销量虚高的数据情况，而并非是本地区有那么多购买需求，进而得出结论，日本和韩国并非是真实需求很旺盛的国家。也正是因为这样的数据分析才避免了公司在这次战略规划上造成错误的判断。
图1-1 五国销量数据情况
图1-2五国卖家数量情况
如今的业务运营已经不单是需要掌握运营的基本要求，也需要掌握数据分析的技能。特别是在国内比较大的互联网公司更是如此，在广告领域、搜索领域、个性化推荐领域都需要结合数据分析，考虑广告投放、哪些搜索热门搜索关键词和联想、给哪些人推荐哪些商品之类的问题。如今，技术相比较成熟的互联网公司，已经可以通过机器学习的方式来实现智能化运营的手段，诸如Google AlphaGo之类。业务运营也在不断发展，从过去传统的人工运营，到体系流程化运营，再到智能化运营。让我感受最深的就是天猫双十一活动，一天几百亿的销售额是很多公司一年都做不到的业绩。而在这个背后，有大数据的支持，不光是简单的数据效果统计，还有具体的运营推荐。通过你在天猫上买过哪些商品、收藏过哪些商品、经常偏好哪些类目，推测你的个人特点，结合你类似人群的购买特点，自动向你推荐可能会购买的商品。这是过去像小城这样的靠经验判断做不出来的事情，而现在依靠大数据分析使之成为可能。
1.2 何为数据化运营
说到数据化运营，很多人会被数据化运营和运营数据化这两个概念弄糊涂，有讲数据化运营是数据的产品化，将数据变成一种资产和业务。其实这两个概念本身并不矛盾，本身的业务运营和数据已经紧密的联系在一起。特别是伴随着互联网的发展，之前那种粗犷的运营已经不能再有效的提升转化和满足用户需求。对于企业来说，打造精细化运营的好处在于可以对目标用户群体或者个体进行特征和画像的追踪和描述，帮助企业分析用户在某个时间段和在哪个地点做什么、有哪些生活习惯等，从而可以给用户提供更贴心更周全的个人专属服务。
也正是因为这样的目标追求，大量的数据支撑成为用户画像、个性化服务的利器。围绕大数据的工程从收集数据、存储数据到处理和分析。根据用户的喜好来个性化定义推荐的组合。而像传统的运营模式比较单一，不能及时根据市场的情况变化和用户的习惯调整做出及时的改进，这直接导致企业运营的内容和形式难以拉动新的用户。比如说每年的新春大促，如果只是一味地通过提前调整价格而后打半价，了解真相的消费者往往不会去上当。再者，过去我们有多家企业是做电视购物，那时候还没有互联网，所以消费者会对这种新鲜的事物比较好奇，只需要打个电话就可以送货上门，的确给不少消费者带来很多方便，不需要再出门就可以买到商场中比较难找或者难买的商品。而现如今互联网的时代又有多少人还会选择电视购物这种购物方式呢？很多人手里抱着电脑点击几下，或者在外面使用无线手机，就可以完成网上购物的操作，互联网购物方式已经融入了每个人的生活和工作中。如果作为企业还没有发现这样已经改变的用户购物习惯，仍继续以过去传统的思维模式去经营的话，结果可想而知。
下面重点以在电子商务领域比较前沿的两家公司为例，总结我们可以借鉴的经验。一家是海外最大的电商平台——亚马逊，一家是国内最大的互联网公司——阿里巴巴。相比数据量较少的创业公司来说，这些前沿公司在数据比较少的早期就可以有意识地积累一些经验，从而在后期搭建和维护数据化运营体系中减少走弯路的可能。
亚马逊在经营管理上一直强调以客户为中心的思想，如果你去看看亚马逊的财报就会发现贝索斯每年都会反复强调这个问题，在想方设法的提高用户体验的同时，亚马逊的数据化运营也就自然而生了。重点亚马逊在如下几个方面做了不少努力：
1） 海量的用户数据：带着天然的互联网电商公司的基因，亚马逊比传统公司最大的优势在于能够掌握完整的用户消费路径，通过对用户的行为分析能够在用户消费环节给予更专业和精准的服务。对于这些数据的分析成为了公司做出决策的重要依据和手段。
2） 大量的测试实验：亚马逊是个极好的试验平台。亚马逊一天进行几百次试验，如使用不同的算法来推荐商品，或者改变购物车在屏幕上出现的位置。当他们把购物车从屏幕的左边移到右边时，购物车被遗弃的情况就会有几分之一个百分点的好转。那看起来并不多，但是对于数亿网站访问者来说就是有意义的，而且进行试验的成本很低。这些试验结果得来的数据，可以帮助网站优化UI设计，给顾客提供更好的购物体验。
3） 专业的人才培养：亚马逊雇佣了很多数学、工程方面的牛人，开发软件获取有效数据并提供强大的分析工具。负责运营算法的某位VP为普林斯顿大学数学博士，一位来自俄罗斯的女数学家。
4） 建立数据为中心的企业文化：大家在做提案时，必须要有数据支持，否则很难通过。之前同事之间开会说“我认为……"，后来感觉不对，赶紧改口道：“从数据表明……”
阿里巴巴自2005年开发了提供内部运营人员使用的数据产品——淘数据后，便进入了数据化运营的阶段。阿里巴巴在大数据方面很关注怎么利用海量的数据信息和商家运营来改进自身的运营情况，而这时候的阿里大数据运营也仅限内部。2009年，阿里巴巴的大数据应用开始走向外部，让淘宝商户分享数据。2011年，阿里巴巴开发数据魔方，通过淘宝数据魔方平台，商家可以直接获取行业宏观情况、自己品牌的市场状况以及消费者在自己网站上的行为等。2011年4月，“页面点击”诞生，它可以监控每个页面上每个位置的用户浏览点击情况。紧接着，天猫携手阿里云、万网宣布联合推出聚石塔平台，为天猫、淘宝平台上的电商及电商服务商等提供数据云服务。2012年，马云正式公布了阿里巴巴三步走发展策略：“平台、金融、数据”。阿里的数据委员会主席也介绍道阿里的大数据就和食材是一样，自己用原料做菜和将食材提供给其他厨师，对于原料的关注度完全不同，而阿里也从之前数据化运营过程中用数据，但没有关注数据。到现在有意识的去搜集数据，管理数据。在数据化运营阶段，阿里从几个方面去做了努力：
1） 成立数据委员会：阿里巴巴的数据来自各个部门，无论是数据材料的质量、精细化的保证，还是数据安全，都不是单个部门能完成的，需要全局性安排，迫切需要一个上层组织结构。但是成立什么样的组织机构合适？在阿里巴巴看来，数据的工作实际上主要还是由各个部门的责任，毕竟它们把控着源头，另成立一个凌驾于各部门之上的中央数据管理机构，容易让各个部门把责任直接推卸给新机构。2013年，阿里巴巴成立了虚拟组织—数据委员会，委员会包括底层数据负责人、支付宝商业智能负责人、无线商业智能负责人和一名数据科学家，数据委员会更多地以协调会的形式，来指导、协调各个部门形成合力，实现从大数据运营，到运营大数据的转变。
2） 保障数据质量：自阿里巴巴数据委员会建立以来，数据质量就成了部门的核心工作，车品觉认为数据质量是大数据的命门，如果将大数据比作水流，“来自任何支流的数据，如果质量有问题，都会带来整个水源的污染。”由于淘宝等平台上的数据往往良莠不齐，不少数据虚假，带来很大的噪音干扰。“有时，在淘宝平台上，对于一个人，我们会看到两个手机，一个iPad，三张信用卡，五个淘宝帐号，收集数据时，以为是多个人，但实际上就是一个人。但如果依照这个数据，商家可能就将红包给了一个不活跃的账户。”为此，阿里巴巴试图剔除虚假的数据，让收集的数据能反映真实的消费情景。比如上面的案例，就要鉴定所有这些账户、信用卡等是否为同一个人所有。再如，阿里巴巴经常要做产品界面测试，有时临时修改界面，会一下子多出一个按钮，这就会带来大量误点击操作，数据收集时，就会得到很多失真的用户行为数据。阿里巴巴的数据人员目前的工作就是要将这些失真的数据剔除，或者将数据还原到真实的场景。
3） 统一的数据标准：统一数据标准，就是让净化后的数据流得以汇集。阿里巴巴下属各个部门业务重点不同，对数据的理解不同，因此数据标准往往各不相同，比如转化率。要将这些数据汇集成大数据之海，就必须统一标准，这也是阿里巴巴数据委员会目前重点推行的项目。
4） 数据精细化：阿里巴巴根据各个商家的应用场景，将原始数据打上更细致、对商家更有参考价值的标签。以淘宝平台为例，一方面收集用户信息时，专注对商家更实用的内容，比如对于大学生用户，除了搜集他们的地址信息外，还通过其他渠道搜集其房租的租金，从而了解对方的消费水平，将这些数据提供给相应的商家。另一方面根据商家的应用情景，对数据材料做初加工。“比如，如果我们筛出一个人是否戴眼镜，戴多少度的数据，就对卖眼镜的商家起到了很大作用。”再如，如果一个人去母婴超市里面买东西，不一定能证明他有孩子，但如果这个人是女性、年纪又合适，这个人有孩子的可能性就很大。不断加入的其他证明信息，让这个消费者的数据变得越来越精细化。在数据精细化思路下，2011年底，阿里巴巴的支付宝平台开发黄金策产品，车品觉带领团队处理了1亿多活跃的消费者数据后，拿出500个变量，试图用它们来描述消费者，最终让企业能够随时调用变量，获得用户信息，比如某一类包含使用信用卡数量和手机型号等具体信息的客户数目。2013年，天猫开始研发适用于天猫商家的CRM系统，通过对会员标签化，让商户了解店铺会员在天猫平台的所有购物行为特点。
5） 纳入更多的外部数据：在阿里巴巴平台上，大多时候收集的是顾客的显性需求数据，如购买的商品和浏览等数据，但顾客在购买之前，就可能通过微博、论坛、导购网站等流露出隐性需求。仅仅做好自己的大数据是不够的，还要纳入更多外部数据。2011年以前，阿里曾尝试通过收购掌握中国互联网的底层数据。2013年4月，阿里巴巴收购新浪微博18%的股权，获得了新浪微博几亿用户的数据足迹。5月，阿里巴巴收购高德软件28%股份，分享高德的地理位置、交通信息数据以及用户数据。而其他并购，包括对墨迹天气、友盟、美团、虾米、快的、UC浏览器，都招招不离数据。通过这些并购，阿里在试图拼出一份囊括互联网与移动互联网，涵盖用户生活方方面面的全景数据图。
6） 加强数据安全管理：很多淘宝卖家希望阿里巴巴能加大数据开放的步伐，对于阿里平台来说，这并不是一件容易的事情，因为这关乎商家和消费者的隐私。商家不希望竞争对手获得自己的机密信息，消费者也不希望被更多干扰。阿里内部专门成立了一个小组，来判断数据的公开与否，把握“谁应该看什么，谁不应该看什么，谁看什么的时候只能看什么。”
点评：从亚马逊和阿里这两家比较有代表的公司来看，数据化运营不光是从技术上需要有海量的数据管理，从组织架构和企业文化上都需要作出数据战略的调整。在实际的工作中我们也有深刻的体会，在数据人才招聘上公司加大力度去引进数据相关的人才，在数据存储资源上投入巨大的资金和存储计算资源，在业务管理上需要有相应的数据证明，在整个数据产品项目上有具体的KPI指标。即从头到尾、自下而上贯彻数据的思想和运营管理方式。
而数据化运营也不只是概念，利用对大数据的挖掘和分析，把隐藏在海量数据中的有价值的信息挖掘出来，以合规的方式提供到企业运营中去，在企业战略上提供海量数据的决策支持，这才是数据化运营需要做的事情。
1.3 企业的贤内助
数据分析团队，形象地比作“企业的贤内助”再合适不过。鉴于在国内大型互联网公司待了多年，我对数据分析师和团队也有颇多体会。当初电商互联网公司还没有数据分析这个概念（虽然每天的业务量已经很大），老板的要求是能够提供每天的运营报表。我们从数据团队的角度去考虑，需要怎么搜集数据、存储数据以及简单的数据加工和统计，最后每天分发这些数据报表。刚开始也是摸不着头脑，不知道从何处下手。通过市面上了解到，Google开发出一个数据统计服务Google Analytics，也就是GA（简称），给我们在网站分析和数据分析的领域起到了引导的作用。它的原理是安装部署一些JS监控代码到网站后台，能够对用户的点击和跳出这些动作做上报监控，而界面的优化也是我们选择GA的原因之一。
我们从流量、运营、会员、专题这几个角度去规划数据部门的报表体系。
流量报告主要从GA上获得，相对来说GA从每天的网站概况、用户路径和订单详细都给我们一些提示，我们的流量报告也是包含了各个投放的每日UV/PV、ROI、转化率这些，重点关注和分析哪些渠道是值得投放的，哪些渠道是需要早点停掉避免亏损的。还有就是关注每天的异动情况，如果比较主流的几个投放渠道出现了异常需要去跟踪分析，到底是因为底层的埋点代码出现了问题导致的数据结果异常，还是这几个渠道被改动了，这些都是作为一个数据分析团队每天需要去观察的。对于一些ROI转化高的渠道会重点让BD去谈合作，能够以更低的成本价格给予更多的展示机会，特别是在一些重点的平台上，如百度、Google的搜索关键词，如暴风影音上的视频广告，如一些联盟广告像百度联盟等都是需要持续投放的渠道。
在运营上会更多的结合站内的内容，如商品的类目销量、首页以及各频道位置的销量、会员频道的点击情况、用户在浏览加入购物车到下单收货的整个购物流程的情况等。商品的客单价和销售会决定我们去分析用户的消费能力和消费周期，像家电的消费频次和消费金额和日用品的就大不同，刚开始我们是从家电起家的，所以客单价都偏高且毛利较低，所以做到后面就发现用户的消费跟不上。也正是因为分析出商品的类目情况，我们决定开始引进更多的其他低单价和消费周期短的商品。通过不同类目的搭配，用户逐渐对平台产生了黏性。而我们在分析用户的消费行为中也发现，很多用户，特别是女性用户，都是在无意识地逛宝贝的过程中完成了下单动作，这个和传统我们看到很多女性爱逛街的道理类似。所以如果连用户都不愿意到你的平台上来搜索、收藏、添加喜欢的宝贝或者放进购物车的话，将很难掌握用户这些偏好，进而不能提供更好的分析和服务。在首页和各频道的销量和用户点击上我们也要去分析，位置比较好或者用户更容易关注的地方我们会放上公司重点销售的产品，提供更多更容易的曝光机会，对比分析用户在哪些位置更容易发生下单的行为。同时像首页Banner这样比较好的位置，如果销量不好我们也要及时去跟进，到底是因为页面设计的不太友好导致的用户不愿意点击浏览，还是因为产品本身就是用户不喜欢购买。如果你在一个家电平台上首页放上xx女性美容产品的广告很明显就会有不一样的效果，家电购买的消费者男性偏多，而购买女性美容产品自然就会偏少。在各频道同样如此，有秒杀、抢购、每日惠、拍卖、电器城、海外购这些主题，一是方便用户搜索到他们感兴趣的主题，二是可以定期做主题活动。例如，喜欢寻找便宜商品的用户就会对每日惠、特价这样的频道很感兴趣，而喜欢逛超市的就会对秒杀、抢购这些很关注，要买海外淘宝的用户则经常去海外购的频道去搜刮他们喜欢的商品。不同频道的用户他们的活跃度、用户画像、留存率、购买能力和消费周期都会不同。
会员分析则是公司的一个重点部门，很多内容都是围绕会员来建设的。包括现在围绕会员的运营模式也是在不断发生着变化，从过去的做产品到现在做会员服务，从Product到Service的转变，而这些转变就需要数据分析团队去跟踪这些会员的喜怒哀乐、变化偏好等，从报表上体现他们的消费情况、忠诚度和活跃情况。当初也是从一个只有几个人的会员分析团队发展到几十个人，从只是简单的分析和画像到后面要完成一整套的会员服务，会员的拉新都是从哪些渠道，他们来到平台上浏览了哪些商品，点击情况如何以及跳出率如何，这些便于我们平台去做优化和改进。而在活跃上也要想很多方案，包括会员的等级如何搭建。像早期的QQ会员的太阳、月亮、星星这些等级也是一种会员体系的建设。这些都是会和会员的专属服务想关联，本质上希望会员能够朝着健康活跃的方向发展。还有一个就是会员忠诚度的问题，每个会员都是有他的生命周期，从潜伏到活跃，达到顶峰以及最后的流失等。平台从获取会员到转换和提升，建立会员体系到激活，这过程需要有成本的投入。而我们最理想的状态就是能够以最低的成本获取到会员，像口碑营销、分享、点赞这些都是比较典型的方式，用更好的服务来使得会员能够持续在平台上周期性的消费，重复购买、向上消费、交叉消费以及分享。亚马逊在这块就做的很好，界面很优化和简洁可以让用户不至于在琳琅满目的商品中找寻自己的商品，辅助个性化的商品推荐让你一看就看到自己要买的东西，这就会让会员的体验非常好，从而使得会员能够持续的在这样的平台上活跃。
运营部门的活动排满了全年的计划，而每次活动的执行以及效果分析都需要数据分析部门的支持。结合在活动前的会员分析做好文案策划和人群筛选，而在专题活动过程中需要的时刻监控效果情况并作出调整，活动结束后的专题活动分析总结，这些都是数据分析团队需要和运营团队一起配合做的工作。作为会员营销的同事，会从他们的角度去思考会员如何激活，比如我们现在有大量库存母婴产品，而什么样的人群会可能购买母婴类的产品？这样的问题就需要运营和数据分析一起去思考，从历史的购买数据分析相关性，这个和“啤酒与尿布”的案例类似，结合哪些人群在母婴这个阶段去做什么样的营销推广，从我们过去的经验来看一般这样的准妈妈或者待产妈妈都会去一些母婴类的网站去浏览相关专业的知识培训和介绍，而我们就抓住这样的机会在各类的母婴平台上推广我们的产品，再加上限时抢购和促销，我们这次的活动效果反馈很不错。同时也在这个过程中我们尝试不同的展示内容和文案介绍，短信提示发送的时间，通过这些大量的测试来总结什么时间段会是这些准妈妈会有时间去消费的时段。也正是这些分析的经验和总结，可以帮助我们在营销、运营和服务上做的更好。
现如今很多没有数据能力的创业公司，也在通过外包或者合作的方式来实现数据化运营的目标，这倒是挺适合这种初创公司的模式。待公司业务发展的比较成熟、数据需求越来越多的时候，成立数据团队和小组是水到渠成。一方面是出于数据安全的角度考虑，避免自己核心业务的数据外露；另一方面也是能够快速应变内部的业务需求，沉淀自己的数据化运营的经验。而作为数据分析团队或者数据分析的创业公司，越来越多的被市场和客户所需要，围绕数据分析的需求也越来越多样，越来越复杂。在这样的服务不断升级的时代，企业的贤内助发挥着它应有的价值。
1.4 成功的数据分析案例
相信大家都听过“啤酒与尿布”的故事，在美国有婴儿的家庭中，一般是母亲在家中照看婴儿，父亲去超市购买尿布。一般在购买尿布的同时，往往会给自己买瓶啤酒，所以出现了啤酒与尿布两个不相关的商品出现在购物篮的故事。沃尔玛发现这个现象之后，开始将啤酒和尿布放在相同的区域，让父亲可以同时购买这两件商品。
还有凭借一部片子咸鱼翻身的《纸牌屋》，主角是视频公司Netflix，而它的秘密武器就是大数据分析。当一位用户通过浏览器登录Netflix账号，Netflix后台技术将用户位置数据、设备数据悄悄地记录下来。这些记忆代码还包括用户收看过程中所做的收藏、推荐到社交网络等动作。在Netflix看来，暂停、回放、快进、停止等动作都是一个行为，每天用户在Netflix上将产生高达3000多万个行为，此外Netflix的订阅用户每天还会给出400万个评分，300万次搜索请求，询问剧集播放时间和设备。没错，这些都被Netflix转化成代码，当作内容生产的元素记录下来。其首席内容官泰德表示，所有这些数据意味着，Netflix公司已经拥有“可寻址的观众”。
早年间，Netflix利用上述数据提供一项推荐引擎业务。比如说，数千万用户能在一个个性化网页上对影片做出1－5的评级，这些评级构成了一个巨大数据池，如今这个数据池容量已超过近百亿条。根据数据池，Netflix使用推荐算法来识别具有相似品味的观众，然后对这一群体做出相关内容的精准推荐。
Netflix要将巨大的数据池变为生产力并非易事。长年以来，为了提高算法精准，它持续地举办大型比赛，来提高自己的数据挖掘能力。2005年底，Netflix曾开放一数据集，并设立百万美元的奖金(netflix prize)，征集能够使其推荐系统性能上升10％的推荐算法和架构。这个数据集包含了超过48万个匿名用户对大约近2万部电影做的大约10亿次评分。
如果纸牌屋你学不会，那可以看一看国内的网易旗下的全新婚恋交友网站“花田”。花田以免费沟通为卖点，主打一二线城市中高端市场。摒弃了传统婚恋网站的“人工红娘”，花田不提供任何人工服务，从推荐到搜索全由系统自动完成。而业内的龙头老大世纪佳缘，也在换帅之后摩拳擦掌，试图用大数据的精准化运营，为在海量异性资料中疲于搜索的用户“指一条明路”。
之前婚恋网站一直在喊实名制，通过对用户身份证或手机号码进行验证，网站可获得用户真实姓名、年龄、性别、地区等身份证数据，对防止诈骗有一定作用。但如今各家都有，这种传统打法就过气了。毕竟有身份证的人，不一定是有身份的人。婚恋网站已将条条框框的硬指标罗列齐全，使人几乎怀疑进入的是淘宝人肉市场。当身高、体重、年龄、学历等都一一框定，一看还有2000个姑娘（小伙）符合要求，是时候让理性回归感性了。而这感性，又是建立在理性的数据分析之上。
花田界面清新简洁，采用类似微博的信息流展示形式。首页是异性用户最近更新的图片、内心独白和文字传情，展示其生活方式、个人品味等软性资料。系统会自动推荐那些相对活跃、最近有信息流更新的人，这就促使用户拿出更新微博的劲头来更新花田，为花田积累了大量可供分析的软性数据。
自2012年12月28日向全国开放注册以来，花田注册用户已近25万，每日活跃用户4万人。虽然发展迅速，但较之业界前辈，花田用户少得甚至吸引不来骗子。但网易的技术储备却不容小觑。“有道”搜索提供的自然语言处理技术，被用于通过文本挖掘用户性格。网易自研的原本用于网易邮箱的人脸识别技术，更是婚恋网站求之不得的利器。
花田团队只有30多个人，大多是85后。他们在对海量软硬数据进行分析的基础上，总结出一些人物特征，建立出一定数量的人物模型。再分析具体用户，将其分门别类套入各种模型。这样，用户心仪其中某一个人，便可向其推荐这一类人。这种模型不仅是性格模型，还包括外貌模型。“我们马上要推出人脸识别。比如你想找个像范冰冰的女生，你输入范冰冰，就会推荐给你很多范冰冰脸型的女生。”夏天宇介绍，花田的后台已经提取出范冰冰脸型的数据，之后还会推出几十种流行的男女明星脸型供用户选择。
在零售、电商、金融、医疗等领域，数据分析的成功案例不胜枚举，不仅仅是更精准的个性化推荐，数据分析在账户安全、反作弊、保险定价、销量预测、基因匹配这些都有不少的应用。平时可以多和不同领域的数据分析团队交流，你的思路也会开阔很多。
1.5 未来的数据分析前景
未来的大数据分析会出现严重的人才供应不足的状况，在美国大数据分析师平均的年薪达到17万美元，阿里巴巴薛贵荣也表示“大数据分析师就是一群会玩数据的人，玩出数据的商业价值，让数据变成生产力。”目前国内的数据分析还处于起步阶段，需求最为旺盛的为互联网和金融企业，而像BAT招聘的数据分析师都需要有统计、计算机、数学等背景，所以数据分析也是有一定的门槛。相应的数据分析师的起薪也非常高。
参与到之前一个数据创业团队天善智能，切身体会感受到现在的企业对于数据分析的需求是很旺盛，而作为传统企业背景的他们又对数据分析不是特别了解，市场上数据分析师，特别是有经验的数据分析师更是少之又少，围绕数据分析的产业和公司会越来越多。这里面会包括以阿里云为代表的大数据云处理平台的公司，以友盟、talkingdata为代表的移动领域的数据分析工具，以天善智能为代表的数据社区平台，以百度统计、淘宝指数为代表的数据统计产品。
数据分析的应用也不会只局限了目前的广告、搜索、推荐等领域，像百度千鸟迁徙图就刻画了春运时期大家的往返路线情况，这和人类的出行需求想关。像芝麻信用这样的数据产品象征着一个人在互联网上的征信情况，影响着你的购物、生活。像google的AlphaGo围棋应用，水平也不亚于世界顶级的围棋高手。
未来的数据分析发展方向会集中在几个方面：
1） 更多行业的大数据量积累，特别是金融、电信、互联网、医疗这些领域，需要有更专业的硬件支持和商业分析、数据决策这些的软件服务解决方案；
2） 智慧城市和生活，目前的大数据应用已经不再是传说或者只是企业才会应用的商业工具，大数据正在改变人类的生活方式。从智能家电到交通拥堵治理，从健康监测到约会娱乐生活。越来越多样的数据分析应用场景会被更多的人影响和接受。
3） 更专业和垂直的服务，包括数据的存储、加工治理，数据的安全管理，数据质量的保障，数据的共享，模型的搭建，数据平台体系和用户分析，报表平台呈现等领域都会有更个性化、专业化的技术手段。
IDC商业分析及大数据研究副总裁Dan Vesset之前也说过，大数据技术及服务市场呈快速增长之势，将给全球带来数十亿美元的市场机遇。它已成为许多企业高管议事日程中的一个重要议题，而对于具备适当的技术、分析、沟通和专业知识的人才而言，它带来了不少极具吸引力的工作机会。IT时代已经发展到DT时代，信息化的发展也不再只是互联网化，而是向着数据化、智能化的方向迈进一步。所以如果你是一个即将毕业踏入职场的大学生，可以选择去相对比较规模大的公司去学习数据分析到底是什么、平时的工作都有哪些。而如果你是已经驰骋在职场多年想转型数据分析的老鸟来说，数据分析的应用场景都有哪些，需要掌握哪些技能和专业，怎么从商业的角度去思考数据分析，如何通过数据分析来辅助业务去更好的发展，关于用户和人性上怎么结合大数据分析。如果你是一个数据分析团队的管理者，思考数据分析团队该朝着哪些方向发展，如何与公司的业务很贴切。而作为企业，搭建数据分析团队，高效有序的和业务部门开展合作，提升自身的客户满意度，形成自己的核心强有力的武器，这些都是需要去思考的。
未来的数据分析机会很多，而你准备好了吗？