自2015年以来淘宝迎来转型和内部改革，手淘流量井喷式爆发，千人千面的碎片化流量成为主流，流量红利的时代一去不复返，在流量越来越难获取的现在，我们没有大卖家的推广资金以及资源，也没有成系统的运营体系，小卖家应该如何自处？这边很多人问我，老师，现在小卖家是不是已经没有生存空间了？其实恰恰相反，每一个改革时代的风口都是中小卖家的机遇，这个时候大家都在摸索新的玩法，把握住趋势，卡住无线端流量的主动脉将会是我们的大跳板。在今天，流量成本越来越高，消费者的需求也日趋细分化，规则的改变让我们在做运营的思路走向发生变化，我们是商人，我们需要的是利润，在成本增加的情况下，我们需要转型，从流量运营到客户运营，提高流量的转化，流量来之不易更要精雕细琢，而且淘宝平台越来越注重客户服务，关于客户的维护今天主要是跟大家扫一下盲，关于客户运营的误区。

1、基础客户数据模糊不清

很多小卖家都会有这样的误区，相对于一些行业腰部以上的卖家，我们流量基数小，就需要引流把基数先提升起来，后面再来考虑转化和客户运营方面的问题。我跟大家介绍一个公式，大家就能明白一个关于运营的基本思路：订单=展现×点击率×转化率。商人趋利，订单才是我们的目的，所以单纯的展现或者流量不能解决根本性的问题。分析流量数据，找到进店人群的属性，很多同学在这个方面是选择忽略的。首先我们要知道数据是从哪里开始收集？其实这些数据在店铺的后台都已经有统计了，只不过大家都还不知道。

我会以客户运营平台的数据跟大家详细讲解一下关于客户数据如何查询和收集，首先是自定义人群，我们设定以后，系统会根据我们的要求把进店的访客按照你的标签归类，但是我在跟大家诊断店铺的时候发现，90%以上的店铺是没有设置这样的标签，在分析人群的时候会不知道从什么地方开始，还有就是我们的报表，当然不是单纯的生意参谋首页，每天的经营情况单纯从首页上看不出来具体的数据，生意参谋是有报表的，在生意参谋的取数里面，我会以每个星期为周期来做查看报表，

一般我们会选择这些数据来做为我们分析客户的报表数据，做淘宝就是分析店铺的整体数据通过数据，了解客户需求制定策略，这也就解释了，一个好的运营在没有类目经验的情况下能够玩转店铺的原理啦。

2、没资源的情况下怎么做好基础客户运营

很多小卖家会不重视客户运营是因为觉得自己没有资源，推广基础，没有必要花精力在这个方面。我这边要郑重告诉大家，这种想法肯定是错误的。小卖家也需要开展这样的活动，每个人都是从小做起的，在我们品牌知名度差时，一定要对自己现在的问题有一个了解，未来有一个思路，客户服务，客户体验，品牌打造，把最好的服务给最适合自己的客户，营销可能会差一点，但是在前期的客户维护更加重要，这些客户是我们店铺未来的基石。打造品牌IP，设计品牌形象，可以通过微淘作为我们的发布展示平台；优化包裹体验，在包裹里面放置礼品或者针对高品质客户设置不一样的快递，顺丰等等，售后客服体验优化等等。在前期我们是有时间做到对每一个顾客都是个性化的服务的，提升复购率，会员化管理客户，前期的亲力亲为会给后面的管理团队带来丰富的经验。

忽略客户运营的店铺注定不会走远，了解进店的每一位顾客，针对他们的主要属性制定营销策略会让我们的店铺活力四射，问渠那得清如许，为有源头活水来。利用好每一个流量，解决转化率，平台会给我们更多展现和曝光的机会。我们是商人，利用好成本是我们的基本素质。年末的大促活动已经来了，希望大家的店铺都能大卖，生意兴隆！

一、内容设置

1.关键词回复。用关键词了解到用户感兴趣的文章。信息尽量简洁，放些主要的查询关键字。欢迎信息内容尽量不要超出一屏，，最好多分段，多空行，适当添加些文字艺术排版内容。

2.视频图片发布。“可口化，可乐化，软性化”，吸引用户的眼球。

3.设置微信公众号助手。等粉丝多了，可以使用用来提供群发。

4.尾部视频添加。

;

二、信息分类

1.三大菜单，每个菜单可以最多分为五个子菜单。根据子菜单来撰文。

2.引流期间，最好以吃喝玩乐为主，后期引进商业合作。

三、信息来源

参考百度风云榜、微博风云榜、搜狗微信、商业采访、探店试吃等。

节假日；2.娱乐新闻；3.电影排期；4.世界赛事；5.国际形势；6.科技产品发布会......

四、推送频率

3次/周（周一、周三、周五）

五、推送时间

周一、周三、周五下午17点30分（统计数据及阅读习惯可以进行更改）。

六、审核方式

编辑好的图文信息于每次发送之日的15点审核检查，审核无误后按照原定计划时间发送。

;

七、数据反馈

1.每次信息推送后，24小时内收集用户的数据，总结归纳整理。

2.每月对微信的整体运营情况进行汇总分析，上交数据报表（包括浏览量、转发量、用户流失量等），根据数据更改发布时间和发布内容。

;

八、公司VI

1.包括线上资源全部含有公司logo的公众号账号和介绍。（线上包括：搜狐全系列、腾讯全系列、微博、官网等）

2.公司对外宣传，介绍产品的单页均统一印制公司logo二维码。

3.公司对外发放的名片统一印制公司logo二维码。

4.参加线下活动的服饰统一印制二维码，服饰包括工牌、挂牌、衣裤等。

5.线下活动的礼品包装、立牌台卡、活动X展架统一印制公司logo二维码。

;

九、增粉手段

简单手段：

1.利用微信摇一摇功能小号加人引流到公众号。

2.利用微信漂流瓶功能小号加人引流到公众号。

3.加群建群，加人引流。

4.利用微信导航站和微信群站加粉。

5.通过附近的人能搜到微信小号引流。

6.找寻相同的粉丝量的微信号进行引流。

7.购买淘宝加粉等软件。

;

平台引流：

;;;得意生活、新浪微博、搜狐自媒体平台、微信公众号、朋友圈、微信群每次将文章转发。

;

传统媒体：

;;;报刊杂志刊登推广二维码信息。

; 户外广告和公众栏目推广。

; 电视台、广播传播推广。

;

异业联盟：

线上自媒体：自媒体KOL有偿撰写和转发（包括微信大号、微博大号、网红直播等）。

;;;;;;;;;;;;邮件和微信短网址链接引导关注或告知福利关注。

;;;;;;;;;;;;视频和网游页面广告推广等。

;;;;;;;;;;;

线上广告：1.联盟广告：百度网盟等；

;;;;;;;;;;2.导航广告：hao123；

;;;;;;;;;;3.超级广告：腾讯广点通、腾讯智汇推、新浪扶翼、今日头条等；

;;;;;;;;;;4. T类展示广告：腾讯大楚网、搜狐新闻等。

;

线下联盟：

;;;;;;;;1.电影院合作，票根印制二维码或者扫二维码送饮料小吃等

;;;;;;;;2.商家合作，运用商家的大屏、广告位、产品、口头宣传等。

;;;;;;;;3.线下活动，社群活动，福利赠送吸粉。

;;;;;;;;4.线下活动PPT和背影展板印制二维码群号，引导进群有红包，然后用户引流。

;

重视每一个媒介帮我们推广的内容，然后编辑整理，以后可作为行业参考文献。

;

十、推广计划

推广频率：一般建议为按照两周/月/节假日来划分，这样比较符合用户的记忆习惯。

每周举办一次活动，活动周一上线推送，周五公布结果。公布获奖名单时，可以顺势预告下周活动。

;

推广形式：线上活动+线下活动（后期详细再做）

线上互动：①每两周制作一款文字情怀创意H5动态展示或周边游戏（有奖或无奖）发布朋友圈或者网站。

②每两周制作一次问卷调查，拉动距离，及时改进。

③每两周制作一款（如解谜、算命等）测试发放。

④每周转发通过达到一定得赞数截图得礼物。

⑤每周一次抽奖活动。

⑥每周一次粉丝说故事（得奖券/红包），我们编辑成文。

⑦每周一次吃喝玩乐体验视频采编成文或线上邀约，分享到朋友圈。

⑧每周一次微信答题，提出的问题最好和文章内容相关，让用户返回寻找相关答案，加深对文章的印象。

⑨每天一次微信签到，连续签到或与公众号聊天满五天，即可获得神秘礼品或优惠券。

⑩每周一次为公众号画像，让用户为公众号画图并附上祝福语，投票优胜的礼品。

⑾每周一次转发介绍给土豪，将公众号加上自己的祝福语转发至朋友圈，转发发红包。

其他：对诗丶大家来找茬、找错字奖励等等。

;

这是身为运营小白的我整理的干货知识，欢迎大家补充交流，一起好好运营公众号。

数据洞察之我见

在数据分析这个行业里，大家经常会谈论未来是大数据的时代，未来的竞争就是数据的竞争。

而麦肯锡的一项对700+家企业的调查显示，许多公司、尤其是传统公司还没有从大数据项目获得预期的结果，或者还没有获得相当高的投资回报率。大数据项目投入后收入平均仅增加了6%。我想一个很大的原因是传统企业大多是业务流程驱动，数据更多是作为一个报表使用。他们很少挖掘数据价值对企业流程的驱动，而是依靠个人经验进行决策。即使在使用数据分析的公司也多是停留在验证假设、监控效果的层面，通过数据分析获得洞察的很少，用分析直接指导行动的案例更是少之又少。Forrester的一项调研报告显示，有74%的公司希望通过数据驱动，但是只有29%把分析结论和运营动作建立了联系。

要从数据中得到价值，首先得弄清楚数据分析和洞察的区别。有很多作者讨论过这个话题，包括刚才上面贴的那篇forbes上面的文章，简言之，数据是没有经过过多的处理的原始信息，数据分析是从这些信息中发现的规律、趋势等，而数据洞察则是通过数据分析得出的价值，包括决策运营、预测机会等。

ConnectedInsight项目由来

作为客户服务及权益保障事业部智能运营中心的数据运营团队，我们的职责是支撑各服务线、智能调度中心及互联网渠道的数据分析。

虽然每条线都有几名数据分析同学做支持，但是由于数据分析需求往往都是由一个或小部分场景出发而提出，并未全局考虑数据和分析结果在整个业务线运营链路中的作用以及能为运营决策带来的影响，导致需求往往零散、冗杂且重复。同学们在不成体系的需求下熬夜跑代码、做报表、写分析报告也很艰难。

车品觉的《决战大数据》一书中写到：“大数据的力量来自触类旁通的关联。我们以前总是用数据来证明或企图说服工作上的盲点，而如今的数据不再是一加一的依据，而是具备了预测和开创新机的能力”。

书中还提到，“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。这个过程非常重要，因为数据报告的需求会越来越多，如果没有泛化数据给使用数据的人，分析团队将永远被冗杂和重复的工作所困”。

由此智能运营中心的数据运营团队和平台系统团队一起提出了ConnectedInsight项目，目的是为了从业务描述，业务诊断，业务预测，决策支持等方面，一步步完成从散点数据走到数据洞察。

基于此，我们和CTO 线人工智能部的AI运营团队以及CTO 线数据平台部DeepInsight产品团队做了共建，我们提供业务指标框架和分析思路，产品由AI运营团队主导开发，由DeepInsight提供后台能力，最终呈现在新客服数智产品上。

任重而道远，为了避免闭门造车，写下这篇分享，想吸引更多有相同想法的同学或者团队一起来探讨更好的解决方案。

ConnectedInsight项目“洞察”了什么

下面分别讲讲ConnectedInsight这个数据分析产品的四部分分别实现了或者将要实现的价值：

业务描述：描述业务上发生了什么。

服务线要了解自己的服务做得好不好，首先是需要看描述性的数据，过去我们是靠一张张报表实现这种描述功能的。但是单个的KPI报表是散的，比如我们分别看了一条服务线服务流程各个点上的数据报表，并不能直观的拼成一条链路图来了解整个业务流程的运营情况。基于此，我们开发了可定制化的业务数据流程图和异常高亮及预警功能，让用户能对业务现状一目了然，实现了从“点”延伸到“线面体”。

业务诊断：诊断为什么发生。

服务线看到数据流程图描述出来的某些环节做得不太好，就需要了解原因或者能改善的点。在此需求背景下，我们的产品开发了单指标多维度拆解和多指标相关贡献度拆解，实现了诊断指标异常定位原因，让运营同学能更高效的找到运营点。

业务预测：预测将要发生什么。

服务线要部署人工服务方案，必须提前知道服务量，我们通过预测产品化的方式让运营同学能高效的使用预测功能，合理的分配服务人力资源，同时也大大提升了分析同学预测产出时效。

决策支持：决策要做什么。

目前服务线运营同学在决定下个周期的派单部署方案时仍需靠人工重复、机械的统计历史数据和预测数据进行局部优化的方案选择，而我们的产品将实现用相关因子自动计算出全局最优的派单部署方案，大幅提高运营效率和准确率。

1、业务描述

业务背景

业务描述就像汽车仪表盘，实时告诉你发生了什么，并适时警报提示等。分析师要做的事情就是搭建指标体系，进行各种维度的统计分析。我们过往的大量工作就是做这个，目前市面上很多BI产品也都能够满足这个层次的数据运营需求。

拿客户服务及权益保障事业部的国际线来举例，以往业务线运营同学看到的是拿老版Alisis搭建的各KPI的图表，如下图（图表数据非真实数据，仅用于展示），给出的是业务监控体系里散的“点”，并没有从业务全链路的角度给出用户能一眼看出业务整体有什么异常的大图。

痛点

这么搭建业务监控的结果是什么呢？有没有发现业务看完数据后，经常会基于此提出额外的数据需求？

一般来讲，想看数据的人潜意识里是要成“体”的数据的，只是沟通过程中变成了“点”的需求，因为“点”简单容易讲明白，但是，这次给不了“体”的数据，下次还会围绕“体”的数据提各种“点”的需求，这个时候我们需要延伸一下，提前想需求方之所想，就不用来回往复了。

解决方案

AI运营团队开发了流程图、树图、星环图等个性化分析组件，分析师使用这些组件完成产品内容搭建，并在我们的产品平台上配置各服务线的分析页面。

拿国际服务线举例，服务流程上用户可以拨打95188或者淘海外电话等进入热线人工服务，需要升级的提交工单，用户也可以进入支付宝钱包，英文钱包或PC端自助服务，未解决问题可以接入在线人工服务，需要升级的提交工单。

以往运营同学看的是各个环节的数据点报表，在我们构建的分析产品中，业务同学看到的是随业务流程变化的全链路图，整个链路图可定制、指标节点可设置预警高亮，从用户使用自助服务，到拨打热线电话，进入智能派单环节，再到人工客服接起，转入转出，升级提交工单，整个链路上哪一个节点出现异常一目了然。

一个节点可以配置多个指标，主指标和相关指标。鼠标悬浮于节点可展示主指标及相关指标的趋势图，如果想进一步分析，可点击详情分析进入指标的下钻分析页面。

节点也可以配置堆积柱状图，这种配置在想展示业务占比等场景的时候非常好用。

2、业务诊断

数据之间是存在因果联系的，这些联系有些容易通过业务来解释，而有些恰恰是业务无法直接看到，需要通过数据发现联系。在这个层面，需要数据分析师从整个业务链路和数据之间的联系出发，通过关联分析，波动分析，平衡计分卡等方法，找到数据变动的原因。

痛点

过去我们提供给业务同学报表，用于日常指标的监控和原因分析。但通过报表找原因会存在两方面的问题：

沟通成本高、原因获取效率低：业务同学使用报表在众多指标中寻找原因，过程不熟练，分析师需要花时间和业务同学一起解读数据和寻找原因。

数据的落地性差：业务同学在面对需要立即解决问题的压力与大部分数据具有滞后性矛盾的背景下，往往是选择在没有数据分析结果时，先根据过往的运营经验采取措施，导致数据对实际指导的价值不高。

解决方案

在ConnectedInsight的业务诊断里，我们进行了分析思路产品化。把分析师常用的分析思路和过程沉淀下来，用产品化的形式呈现，避免重复劳动，改善原因定位的时效性；业务同学不需要了解背后复杂的计算逻辑，直接看到分析结果，并且可以指派给专人负责。

在初版产品中包含两种类型的业务诊断分析：单指标多维度型和多指标相关型。

单指标多维度型的业务诊断，我们要找出的是在一个指标能拆分成的多层树状结构中，具体是哪一层的哪一个节点的波动对这个指标的波动贡献度最大。

以服务线FCR（First Call Resolution，首次呼叫解决率，衡量客户服务及权益保障事业部解决客户问题能力的重要指标，一般为24小时内未重复来访的服务量占比）这个指标为例，通过下图所示的树状结构梳理安全服务线的服务量和FCR，拆解成一级业务，二级业务，三级业务的服务量和FCR的波动对整体FCR波动的贡献度，找出导致FCR波动的最主要的业务。如本例中限权咨询业务对当日FCR下降的贡献度为96.3%，运营同学应该着重关注该业务。

（*以下截图为demo，数据也非真实，最终版正在开发。)

多指标相关型的业务诊断，我们要找出的是在一个指标有多个影响它的指标时，具体是哪一个指标的波动对这个指标的波动贡献度最大。这里多指标之间的不是简单的加减关系，而是转换为复杂的影响因子，通过影响因子量化指标之间的贡献度。

比如对热线接通率进行业务诊断，接通率分母是热线流入量，流入量是客户需求通过自助、转人工等，直到流转到热线处理环节的咨询量，因此流入量相关的影响因素有：产品、自助、智能派单、转接等；接通率的分子为热线应答量，应答量和通话时长、排班人数（人员）、现场运营效率（产能）等有关。通过下图把指标之间的关系环状表达出来，当选中某一指标后，该指标相关的影响指标也会高亮。而后台计算出的分析结果会给出指标波动的影响因子和各因子的贡献度。

（*以下截图为demo展示。)

3、业务预测

业务背景

服务线的小二对接了蚂蚁所有业务线的服务量，随着业务不断拓展和复杂度的叠加，需要的咨询和审核小二人数不断增加，此时服务量如果可预测，就能基于现有资源做好排兵布阵，为业务线人员排班、人员招聘、和预算提供决策参考，在保证接通率、工单处理时效、进而提升用户体验的前提下，最大化人力资源利用，降低人力成本。

服务量包括：

咨询服务量，比如话务量，支付宝使用中电话咨询客服小二。

审核服务量，比如工单审核量，账户被冻结要上传身份证、人工审核。

痛点

我们业务线分析师在过去对服务量的人工预测流程如下，需要3个分析师每周20+小时的工作，才能按时的完成预测工作。

以上流程存在一些问题：

效率低：每条业务线的预测都要重复以上流程，这些因素涉及到多团队多部门协同，效率低下。随着公司业务的拓展及业务复杂性的增加，预测的工作量越来越大，铺人的方式解决不了根本问题。

预测标准不统一：预测分析师人肉做出预测，诸多零散个人经验贯穿其中，不同分析师预测结果会有偏差，不利于形成统一的方法和标准。

人工干预信息无法统一沉淀、不利于总结经验：各环节的线下沟通信息无统一沉淀，不利于事后评估产品事件影响、渠道调控，无法为后续预测调优提供指导。

解决方案

我们的ConnectedInsight中的预测功能，把预测融合模型（简单理解，既多个预测模型自动寻优）产品化，通过傻瓜式的点击按钮，让运营的同学可以自己做预测，把分析师的时间解放出来进一步优化模型。这个产品不仅大大的提升了预测产出时效（从1周到5分钟），更提高了预测的稳定性和准确率。

预测模型特征分解和产品框架如下图：

最终的预测产品如下，运营可以选择自己所在的小组（技能组）、和预测时间窗口（常规锁定预测、排班修正预测）。

即可出现如下所示的话务量趋势图，并且可以根据自己掌握的信息对模型结果进行修正，修正后备注原因，便于模型的学习和调优，让后续预测结果更加精准。

4、决策支持

无论是上面讲的业务诊断还是业务预测，都是通过数据，对业务运营做决策支持。在这个环节，我们关注的从洞察到行动的过程，将数据洞察的结论提炼出来，告诉运营同学如何去行动是when、where、who and whom，指导业务的行动方向。例如，在我们通过多指标相关性分析发现影响接通率变化的因素有1. 业务量变化；2. 预测准确率；3.排班准确率。这三个因素都是insights，但是只有第2个和第3个因素是Actionable insights，而第一个因素，业务量的变化，这个更多是受业务发展的影响，并不是我们客户服务及权益保障事业部能够采取行动而改变的。在运营方根据我们的分析结果，做出实际运营动作之后，我们的产品会通过数据回流，进行action前后效果对比，从而形成数据化运营的闭环。

更进一步的决策支持和决策自动化我们已经在规划，细节期待有共同发展方向的团队一起协作探讨。

心得和鸣谢

最后，说一点这些年做数据分析的感悟。数据分析师每天都会被大量的业务需求压得喘不过起来，如果不能做到真正的数据驱动运营，分析师们慢慢的会对手头的工作疲惫而倦怠。而做好数据运营的关�...

2005年以前，企业粗放式经营，产品、营销只关注规模指标，人工统计单维报表数据，且时效性很差；2005年之后关注宏观数据，开始利用数据指导营销、产品、运营; 但人工介入多，从分析数据到应用周期长；现在则进入了智能分析时代，数据量剧增、获客成本变高等原因促使企业运用智能的方法代替人工实现精细运营，企业希望实现实时分析与预测，根据数据分析结果和运营规则结合自动调取解决方案优化经营指标，比如商家注重用户行为分析，什么样的人群经常使用产品、经常到店、什么样的人群有交易行为、业务增长呈现什么样的规律等行为与结果的关系。

赛道上类似的玩家有报道过的 Growing IO、【友盟+】，中国大数据市场收入2020年预计有1万亿元，每年还在以30%的速度增长，市场远没有饱和。

数极客是2015年成立的数据智能应用公司，旗下拥有用户行为分析与商业智能分析两条产品线。在用户行为分析方面，一般来讲技术人员需要在网站埋点收集用户行为数据，但是综合性网站需要埋很多点，技术团队压力非常大，中间也浪费很多时间。数极客主打无埋点技术，网页端基于页面代码结构，而APP端基于底层代码编译技术实现，技术人员可以提前全量采集，用可视化工具定义，定义之前的数据也可以完全展示，不会造成数据流失，通过无埋点解放了团队70%-80%的数据采集工作量。

数极客智能用户行为分析平台支持定量分析和定性分析方法。定量分析方法包括事件分析、漏斗分析、智能路径、活跃留存、表单分析。漏斗分析可对所有步骤的流入流出分析，并且有设备使用分析、新老用户转化分析等100多个维度的细分漏斗。

定性分析方法包括用户行为视频录制、浏览热图、链接点击热图、页面点击热图、分屏热图、注意力热图等功能，帮助商家直观了解用户注意力分配，优化落地页面，在划分人群和属性后精细化运营和营销推送。在拿到各种指标数据后，数极客可以自动推送指标预警， 自动化运营活动。在数据采集和分析之后，数极客给每个客户都分配了专门的数据分析专家，帮助企业后续的各项运营优化。在用户分流测试方面，数极客采用A/B测试方法，使用数极客平台可以进行可视化试验构建，多链接合并测试、定向试验，并可根据用户需要实现灰度发布。

数极客现在有300多家企业客户，包括百合网、用友、中国移动、国美金融、中软国际、中国电信、重庆大学等。数极客和竞品的明显差异在于高级细分漏斗和运营自动化及指标预警等功能，除了上文提到的国内竞品，国外用户行为分析领域的典型代表有 Adobe Market Cloud( 季度收入5亿美元+) 和 Mixpane l(估值10亿美元)，数极客用户行为分析产品线对标的是 Adobe，Adobe 偏营销领域多些，Adobe营销云现在价值约250亿美元市值。

数据分析很大一部分是人的因素，数据采集、建模、智能分析自然离不开好的技术，同时还要有好的大数据产品经理，产品经理能将需求转换成产品。做到这些，需要团队懂行业知识，建立的模型要可供该分析和应用，比如获取客户、客户激活、留存、交易、拉新等都需要对业务理解要比较深，这样才能做一款满足实际需求的数据分析产品。

用户行为分析不分行业，能做出一款通用的产品。只是现在并不是所有的商家都认识到了用户行为的重要性，市场还需要教育。现在用户行为分析领域的各个公司均还在普及阶段，市场推广占了比较重要的位置。很多企业开始会选用几款产品对比试用，但最终产品优秀才能胜出。

关于未来，数极客将发布大数据实时商务智能平台，将实现企业内外部的多源数据在线可视化接入、一键智能分析。

CEO 谢荣生是对外经济贸易大学工商管理硕士，拥有15年互联网行业经验。曾任国美金融产品总监，百合网婚礼联合创始人，阿里集团高级产品经理；CTO 吴江林是北京交通大学计算机专业硕士、北京师范大学工商管理硕士，20年研发及管理经验。曾任百合网副总裁，阿里集团云计算资深技术专家，曾带领百人技术团队。

2016年获得种子轮580万元，2017年6月获得东霖资本1000万元天使轮投资。

2017 年马云在某次年会演讲中提到一件让他惊讶的事情。

在西湖边上他曾看到乞丐在用支付宝收款码进行乞讨，从界面操作上看该乞丐还能熟练应用支付宝提供的「生意通」功能，研究本周的乞讨收入趋势以及单位小时的乞讨金额，从而为自己制定更加高效的的乞讨策略。

图片来源于网络

乞丐都在用数据分析来武装自己了，身为互联网从业者，你还敢落后？为了让你感知到数据分析对工作效率提升价值，我们来看一个真实的运营案例。

你为什么要学习数据分析

运营研究社在 2018 年以前，公众号图文的推送时间是不固定的，在早上、中午、下班时间、深夜都有过推送，所以相应的阅读量的波动也非常大。

在今年年初我提出了一个假设“如果把推送时间固定的话，会不会对图文打开率（阅读量）的提升有促进作用”。

为了检验这一设想，当时我需要解决的第一个问题是：

“运营研究社的公众号黄金推送时间在哪？”

我导出了运营研究社过去 1 年里的图文数据，并拿推送时间、打开率、标题 3 个数据字段来构建散点图。

运营研究社过去半年图文数据

从过去 1 年的推送时间和打开率的散点分布图来看，高打开率的图文主要集中在中午 12 点、13 点两个个时间段，于是我把将这两个时间点定义成运营研究社图文推送的黄金时间。

在实践中也证明了“在固定时间推送内容有利用提升打开率”假设是正确的，从阅读数据上的反馈就是我们的阅读量在 3 个月时间里提升了 200%。

无论是在生活还是工作，数据分析已是一项必备技能。

我在招聘网站上研究了近 100 个运营岗位的职责要求，用户运营、内容运营、产品运营、社群运营、渠道运营，它们几乎都会在靠前的位置写上这样一行文字：

“通过有效的数据分析（点击率，访问，转化率等），研究分析用户的需求制定运营策略”。

为了让你能够掌握最实用的数据分析技能，本篇文章将带你了解数据分析字段与产品指标、熟知数据驱动运营的底层方法。

“竟巧妇难为无米之炊”，为了让小伙伴们赢在起跑线，下面将开始系统讲解数据分析里的底层元素——数据字段。

你的基础数据字段足够全嘛？

2015 年我在百度贴吧在内容运营，当时的我们核心 KPI 是将次日留存率提升至 45%，于是我就想研究用户首次登入的内容消费量与次日留存的关系，以期通过优化内容推荐系统来提升次日留存。

想法很好，现实却很悲剧，我在给技术同学提数据分析需求时，他们很佛性的回了句：

“抱歉，我们没有统计用户的内容消费数据”。

由于缺乏用户的内容消费数据，我当时只能搁置这套数据分析方案了（在补充统计用户消费字段的 1 个月后才最终落地执行）。

跟大家分享这个案例，主要是希望大家能够理解，数据分析的底层关键支撑是基础数据字段，没有基础数据字段你的任何数据分析方案都执行不了，没有基础数据字段，你再老司机也无法用数据驱动运营。

所以，为了能够做好数据分析，你需要尽可能全面的提出你的数据字段需求，具体来说包括如下 2 类基础数据字段：

1）用户信息数据字段

它指的是用户的社会信息数据，比如姓名、性别、出生年月、籍贯、婚姻、学历，手机、邮箱等字段

对于电商和母婴类产品来说，还需要基于「用户行为数据」推导家庭类型、家庭人数、家庭小孩标签、工作岗位、所处行业等高级用户信息数据字段。

2）用户行为数据字段

用户行为数据字段在记录时的格式通常是User id（哪个用户）+Active（哪种操作）+Time（何时产生）。

比如今天上午，我在贴吧客户端首页看了一篇与 China Joy 有关的的贴子，并且还对妹子们的颜值留进行了评轮。那么贴吧官方会将我的看贴行为数据，以如下格式被统计下来。

用户行为数据字段是每一位用户在产品上操作行为的数据记录，不同产品类型需要的需要记录的用户行为是不一样的。

阅读内容、点赞、评论、分享是社区产品的关键用户行为字段，点击产品、添加购物车、下单、付费、评价是电商产品的关键用户行为字段……

相比于用户信息数据而言，用户行为数据是数据分析的重中之重，可以基于用户行为数据的处理加工，分析出每天产品的登入用户总量（DAU）、新用户留存以及评论用户总量等产品数据指标。

促进数据增长指标都有那些?

有两位内容运营的同学，有一天领导问他们最近的产品情况怎么样。

其中一位运营说产品表现很不错，每天都有很多人互动和称赞，另外一位运营回答说产品有问题，用户都不怎么会将内容分享出去。

如果你作为老板，你应该相信谁？

我想这两位同学你应该都不会相信，甚至还会很生气，因为你的员工没有一点点的数据分析意识。

现代管理学之父彼得·德鲁克说过一句很经典的话：

如果你不能衡量它，那么你就不能有效增长它。

为了能够让数据驱动业务增长，我们需要制定业务的衡量标准，用统一的衡量标准来定义和评价业务，这个统一的标准在数据分析中叫做指标。

案例中的两位内容运营如果能够以互动率和点赞率、分享率这 3 个产品数据指标来向领导汇报自己的运营工作的话，或许就能够在领导心中留个好印象了。

了解和使用指标是数据分析思维的第二步，我们需要基于具体的业务需求设定能够驱动产品增长的指标。（Ps：数据指标是由用户基础数据字段处理加工而成）

按照比较受大家认可的 AARRR 产品增长模型，我们可以将指标分为五大类：拉新指标、活跃指标、留存指标、转化指标、传播指标。

5个产品的拉新指标

运营通过渠道投放让“用户”接触到产品，当“用户”觉得产品不错就会去下载它，打开产品发现里边的内容蛮适合自己，“用户”就会注册产品，最终成为产品真正的用户。

以上是绝大部分运营都会经历的拉新过程，如果你想监控整个过程，并且评估拉新的执行效果，那么你就需要设置如下数据指标。

1）浏览量

俗称曝光量，指的是产品的推广信息在朋友圈、搜索引擎、应用商店等渠道渠道中被多少用户看到。与浏览量相对应的是点击量，它们俩的比例在业内有一个专业词汇 CTR（CTR=点击量/浏览量），很多广告平台会用 CTR 来评估广告质量。

2）下载量

指的是 App 的安装次数，是衡量拉新效果的结果指标。不过，App 下载其实是一个中间态，为了让产品从曝光到下载有一个高转化，你需要注意应用大小、介绍文案的打磨。

比如游戏类 App，为了避免怕漫长的下载时间造成玩家流失，会选择让用户下载后以补丁形式完成全部素材的加载。

3）新增用户

下载并不是意味着就是用户，如果某个“用户”只下载了并没有注册，那它就是一个无效的用户。对于用户的界定，每个产品是不一样的，大部分的产品是用户注册了 App，就被定义为用户了，比如知乎、微博、小红书、百度贴吧。

4）获取成本

用户获取必然涉及成本，而这是运营新手最容易忽略的。目前常见的成本的计算方式有 CPM（千次曝光成本）、CPC（单次点击成本）、CPA（单次获客成本）。

5个产品的活跃指标

相比于下载量和用户量而言，在人口红利消失后，大家开始更关注实实在在的东西了——你到底有多少活跃用户。

用户活跃作为运营的核心工作，不论移动端、网页端或者微信端，都有相关指标可以衡量。

1）活跃用户数

DAU 指的是日活跃用户数量，指的是在 24 小时内活跃用户的总量。把时间周期拉长的还有周活跃 WAU 和月活跃 MAU。（MAU 指的是一个月时间周期里去重后的活跃用户总和）

Ps：与活跃用户相对应的还有流失用户、忠实用户、回流用户，其中流失用户是长期不活跃，忠诚用户是长期活跃，回流用户是曾经不活跃或流失，后来又再次打开产品的活跃用户。

2）活跃率

活跃用户数衡量的是产品的市场体量，活跃率看的则是产品的健康。

比如说某款产品的 DAU 是 100 万，可能你觉得还不错，但是我跟你说它的总注册用户是 1 亿，活跃率仅为 1%，你的感受可能就是这款产品很不错了。

3）在线时长

现在数据分析也越来越注重用户行为了，为了深入研究一款 App 的活跃健康度就需要去研究在线时长（它是视频类网站的核心数据指标）。

不同产品类型的访问时长不同，社交肯定长于工具类产品，内容平台肯定长于金融理财，如果你是做内容的产品的，发现大部分用户访问时长只有几十秒，那么最好分析一下原因。

4）启动次数

它体现的是用户的使用频率，用户的日均启动次数越多，说明用户对产品的依赖性越高，活跃度也就越好。

社交产品的人均启动次数会在 3-5 次之间，是通互联网中在启动次数指标中数值最高的。

5）页面浏览量

PV（PageView）是页面浏览量，UV（Unique Visitor）是一定时间内访问网页的人数，用户在网页的一次访问请求可以看作一个 PV，用户看了十个网页，则 PV 为 10。

PV 是互联网早期 Web 站点时代的活跃指标，也可以理解为网页版活跃。

5个产品的留存指标

如果说活跃数和活跃率是产品的市场大小和健康程度的话，那么用户留存衡量产品是否产品能够可持续发展，如果你是早期产品就更应该关注是留存指标了。

1）用户留存率

留存率 = 留存用户 / 当初的总用户量

用户在某段时间使用产品，过了一段时间后，仍旧继续使用的用户，被称为留存用户。

假设产品某天在某渠道新增了用户 1000 个，第二天仍旧登入产品的用户有 350 个，第 7 天仍旧登入产品的有 100 人，那么这个渠道获取来的用户次日留存率有 35%，那么称七日留存率为 10%。

Facebook 有一个著名的 40-20-10 法则，即新用户次日留存率为 40%，七日留存率为 20%，三十日留存率为 10%，有此表现的产品属于数据比较好的。

2）用户流失率

用户流失率和留存率恰好相反，如果某产品新用户的次日留存为 30%，那么反过来说明有 70% 的用户流失了。

流失率在一定程度能预测产品的发展，如果产品某阶段有用户 10 万，月流失率为 20%，简单推测，5 个月后产品将失去所有的用户。

Ps：这里可以引出一个公式，生命周期 = （1 / 流失率）*流失率的时间维度。比如产品的周流失率为 50%，那么平均用户生命周期为 14 天。

15个产品的转化指标

运营而言，拉新和活跃、留存都只是手段，最终衡量你工作业绩的是你手上掌握了多少有价值的用户。

运营就像用户成长路上的指引者，指引者产品里的用户成为能够产生价值的超级用户，即回归商业的本质。

交易类产品转化指标

1）GMV

它是一个虚荣指标，只要用户下单，生成订单号，便可以算在 GMV 里，不管用户是否真的购买了，京东在双十一对外发布的战报是 GMV。

2）成交额

成交金额指的是用户付款的实际流水，是用户购买后的消费金额，天猫在双十一对外发布的战报是成交额。

3）销售收入

它指的是成交金额减去退款后剩余的金额，属于内部机密数据了。

如果把上述的三个指标看作用户支付的动态环节，则能再产生两个新指标。

成交金额与 GMV 的比率，实际能换算成订单支付率，它体现的支付的流畅度；销售收入和成交金额，也涉及到了退款率，它体现的是产品质量。

4）付费用户量

在产品里边产生过交易行为的用户总量，同活跃用户一样，交易用户也可以区分为首单用户（第一次消费），忠诚消费用户（持续购买的用户），流失消费用户（流失后又回来的用户）等。

同时，为了研究用户的付费潜力，你还可以研究下产品的付费用户比例：

付费用户比例 = 付费用户 ÷ 总注册用户

5）ARPU

在单个促销活动中，它指的是每一笔用户订单的收入，总收入/订单数。而在整个产品生命周期中，我们更关注用户平均付费，总收入/用户数。

ARPU 可以再一步细分，当普通用户占比太多，往往还会采用每付费用户平均收入：ARPPU = 总收入÷ 收费用户数

6）复购率

和新增用户一样，获得一个新付费用户的成本已经高于维护熟客的成本。复购率更多用在整体的重复购买次数统计：单位时间内，消费两次以上的用户数占购买总用户数。

比如运营研究社的技能训练营在第一季度有 1789 个付费用户，购买次数在两次以上的有 657 人，那么我们季度复购率是 36%。

社区型产品转化指标

社区型产品的首要目的是将用户聚集在一起，并且引入用户生成内容，它的核心关键在于培养一个能够生成内容的活跃用户社区。

1）内容生成者

参与内容生存的用户�...

如果你作为一名SEMer，每天80%的工作时间是打开后台，监控核心关键词的排名，每天去调整价格，调整移动比例，否定一些垃圾流量的话，那么我会觉得，你与一名优秀的SEMer人员之间，还有很大的提升空间。

因为一名优秀的SEMer，每天应该有80%的工作时间在做数据分析，20%的工作时间是最后将数据分析出的结果进行后台操作。有人问过我，你认为SEM推广的核心是什么？我以多年的经验总结出两个因素：“行业市场分析”与“数据分析”。

数据分析基于推广数据的筛选与总结。数据报表也分为两种：一种是 后台数据报表（账户报告、关键词报告、地域数据报告、搜索词数据报告等等），这些报表可以后台直接下载筛选使用；

还有一种是 基于第三方统计平台与代码标记的数据报表（关键词跟踪报表、url转化报表、各平台流量占比数据报表等等）。接下来我就给大家分享一下如何筛选适合自己推广数据报表以及如何筛选数据有价值信息。

一、账户报告

数据分析重要程度：★★★★

阐述：账户报告是推广数据分析最基本数据报告，账户报告可以清楚显示出账户推广的展现量、点击量、消费量、点击率、平均点击价格。做日报表或周报表可以做出环比数据值，可以清楚分析整体账户推广情况。

要根据自己账户推广设定限值，当环比数据达到限值得时候，就要重点关注分析。即使环比数据是正向发展，也可以分析出来原因，这样也可以明确效果提升的原因。

例如：推广账户数据环比展现量限值5%，既展现量环比增长5%还是降低5%都要明确分析，如发现今天账户推广数据环比昨天降低7%，既触发限值，结合实际调整操作可分析得知，昨天核心词有调整匹配方式，有4%的长尾关键词昨日没有置左展现，所以根据数据可以清楚知道账户环比降低原因。

根据原因作出相应正向调整即可。而且账户报告，每天的PC与移动的消费占比也一定重视，账户的效果波动可能也多数与PC与移动消费占比有关。

二、搜索词报告

数据分析重要程度：★★★★★

阐述：搜索词报告是作为数据分析与sem优化最为重要的数据报告之一。推广流量精准度与否都可以利用这个搜索词报告一目了然。

但是搜索词报告大部分人都是基于后台搜索词报告直接进行否词操作，而且有很多人都是看见一个不相关的搜索词马上否定掉。最后会发现我们计划否词数或者单元否词数不够用了。

其实 对于搜索词报告我们一般都是将每天搜索词报告做一份excel透视报表，可以透视清楚哪些搜索词垃圾流量触发点击数最多的，超过2次以上点击垃圾流量进行否定处理。触发一次搜索垃圾流量一周集中累计再集中做出透视数据分析，最后看出那些单次点击一周内累计垃圾流量多次触发的搜索词再进行否定关键词。

搜索词报告另外一个数据作用，将有检索搜索词有效添加到投放关键词中。这个也是拓展有效关键词最有效的数据支持。

三、关键词报告

数据分析重要程度：★★★★★

阐述：关键词是sem推广投放核心，关键词数据报告也是所有关键词报告数据分析的最重要的参考数据。但是关键词报告一定是要结合其他数据报告一起分析，才能筛选出我们有效的数据，下面就给大家分析几种比较实用的数据报告结合分析组合。

1）关键词报告与搜索词报告：根据搜索词报告可以 拓展有检索关键词；其次搜索词报告匹配出垃圾流量，不一定要做否定关键词，有部分单次点击垃圾搜索词可以结合关键词报告数据，对于关键词进行匹配方式调整。

2）关键词报告与咨询转化报表：每天结合咨询平台中有效咨询所触发的关键词报表与搜索词报表进行 核算每个关键词转化成本，这样我们可以集中投放高转化关键词，控制高消费低转化关键词消费。

3）关键词报告与账户报告：关键词报告与账户报告关系是包含于关系。即账户数据异常要排查到关键词报表中关键词，所以 账户报告要与关键词报告对应查看与分析。

四、地域报告数据

数据分析重要程度：★★★

阐述：地域数据报表主要作用是明确各地域消费占比与各个地域推广数据。如果对于此数据调整，可以结合后端转化数据进行调整。

调整各个地域消费占比依据：

1、根据后端转化效果进行地域消费占比调整；

2、根据业务地域需求度，进行地域消费占比调整。

五、url跟踪转化代码数据

数据分析重要程度：★★★★★

阐述：url跟踪转化代码数据是定制型数据报表，适用于多平台推广及转化统计。

这类代码与url部署后数据优点：

1、各个平台转化有区分；

2、url部署有利于监控着落页表现；

3、关键词转化id可以直接统计转化词。

4、如果推广有项目区分，可以另行标记区分。

这样统计出来数据可以区分：

1、关键词转化监控

2、地域转化监控

3、项目转化监控

4、平台推广转化

最后，想说跟大家分享了这些比较常用数据报表与数据的分析方式，只是比较 有代表性与实用性的数据报表。SEM 数据分析还有很多需要大家深入研究与专研的。我个人也给予大家几点 SEM 数据分析注意事项：

1、所有数据报表要坚持多维度相结合进行分析处理；

2、数据分析一定要作为日常优化流程，不要账户出现问题才进行数据分析排查问题，日数据异常要积极分析与调整，才能让账户推广效果稳定；

3、数据筛选是数据分析的基础，大量的数据要筛选出有效的价值，依据有大量数据的分类、筛选、过滤等环节进行数据提炼，这个最好要有良好的Excel技能支撑才会高效的进行。

数据分析是我们SEM推广调整的支撑，如果你是一名好的数据分析师，那么还会玩转不了SEM推广吗？

|来源：艾奇学院

百家号-【袁帅数据分析运营】：袁帅，互联网数据分析运营实践者，会点网事业合伙人，运营负责人。CEAC国家信息化计算机教育认证：网络营销师，SEM搜索引擎营销师，SEO工程师。数据分析师，永洪数据科学研究院MVP。中国电子商务协会认证：中国电子商务职业经理人，畅销书《互联网销售宝典》联合出品人之一。中国国际贸易促进委员会:今日会展会员联盟VIP个人会员，全经联园区委秘书处成员，中国低碳智慧园区联盟理事，周五咖啡媒体人俱乐部发起合伙人。百度VIP认证站长，百度文库认证作者，百度经验签约作者，百家号/一点资讯/大鱼号/搜狐号/头条号/知乎专栏/艾瑞专栏等媒体平台入驻作者，互联网数据官（iCDO）原创作者，互联网营销官CMO原创作者。

数据平台的建设可以当做一个产品来设计。从广义上来讲，所有以数据驱动为核心的都可以称为数据产品（如数据报表平台，DMP，BI平台），从狭义上来讲，就是公司内部的数据平台。今天我们要讨论的，主要是在公司内部搭建数据平台。

公司的内部数据平台，主要是给各业务提供数据处理、分析、展示，供内部所有部门人员使用的，涉及数据的收集（填报）、数据的整合、业务报表制作、业务员数据分析以及可视化数据展示，目的是让公司内部的所有业务都能通过数据来驱动和辅助决策。简单点讲就是通过数据平台来驱动公司内部的数据化运营。

那么如何设计符合企业实情并能解决实际问题的数据平台呢？

1. 平台建设主导人需要对每一块业务需求有深刻的了解，知道每个业务部门想要看什么样的数据，需要什么样的分析报表；这些数据是否现在就可以获取到，是否需要收集；业务部门通过这些数据分析，是如何推进和改善业务，是否有提升的价值意义。

2. 平台的设计需要根据业务的要求设计符合使用者需要的内容，产品要有层级和结构。如果设计的一张数据报表既要满足管理层的需求又要满足一线业务人员的需要，那么这样的数据产品体验很大可能是比较差的。因为领导和业务人员的关注点不一样，看数据的视角也不一样。领导往往需要一些能帮助把握大方向的关键指标，并且希望知道这些指标之后的问题是什么？原因是什么？所以给领导设计的报表需要直观易懂，并且能够基于这些指标的一场定位到问题。而业务人员更在乎业务的执行，关注的数据往往粒度很细，需要知道各项指标的明细。

领导关注的报表（FineReport制作）

销售领导关注的指标明细（FineReport制作）

3. 数据平台一定要注意数据质量、规范、统一。因为数据平台是面向所有业务的，怎么保证公司的所有部门人员对于数据的理解是一致的，这点特别难。（比如服装行业的“断码”，从领导层来讲，公司仓储的服装全部尺码如果不完整就是断码；从仓库的仓管员角度来讲，仓库内的服装尺码不全就是断码；从门店的业务员角度来讲，客户需要的尺码当前门店无货就是断码）。公司的业务系统各有不同，数据口径不一，数据孤岛问题，导致数据的质量和结构也千差万别，越是这样，数据仓库的数据建设就显得尤为重要。平台的数据质量依赖于数据仓库底层的数据模型，所以一个好的数据仓库很大程度上决定了数据平台的数据质量。

4. 工具选型上，有报表平台、BI。报表平台适合构建基础的规范化的数据平台，从明细报表（表格类）的，项目档案，文件报备，数据填报，数据报表，业务主题分析，文中的所有demo就是用FineReport制作，侧重于展示和报表管理。BI侧重于分析，拿到数据可以自己拖拽维度来分析，不同于报表受模板框架的限制，涵盖简单的明细报表、分析报表和主题分析，制作要简单很多，大数据量的处理性能也强劲很多，代表：FineBI、Tableau.

下面我们就从实战的角度来加以阐述。

某公司是一家电商公司，那么该公司的各部门需要看哪些数据呢？首先收集日常常用的数据指标，哪些是经常要查询的，哪些是要日常填报的，这些在过往的经营中都有备案，好收集。这就构成了日常的基础查询类报表，这类报表最占大头。

其次，我们可以观察一下各部门的KPI是什么？下放到团队以及个人的KPI是什么？是否能以具体的数字来量化？如果对负责支持的部门的KPI不了解，就去寻求部门领导帮助（使用者最懂要什么），不落实指标如何能设计出好的数据报表？通常粗略的，例如采购部门的KPI基本就是销售额、订单数、销售毛利润、采购成本；运营部门的KPI就是新老用户述、留存率、复购率、用户流失、转化率，市场部门的KPI就是PV/UV、新客数，这就构成了各部门日常管理的报表。

那么知道各个部门的核心KPI后，下一步就是针对一些特定场景的主题报表。主题报表往往是记录某一事件，其中的指标都是相互关联的。

比如，我希望知道这个月我的绩效完成的怎么样？在团队内排名是提升还是下降？每个人的绩效结果明细是怎样的？——这就构成了日常考核报表。

又比如在分析产品时，需要重点关注某些产品的相对市场份额和市场增长率，则要建立波士顿矩阵分析，以便让资源有效地分配到合理的产品结构中（当然还有其他分析角度）——这就是品类分析。

产品分析（FineReport制作）

再从业务分析和使用场景入手，拿采购部门的小王来说，他是怎样看数据的呢？

每天早上，我希望知道昨天的销售情况怎么样？所以这时候应该设计一张基础查询报表给到他，这张数据报表应该具有以下功能和内容：

1.能够查看昨天以及过去各时段的数据；能够按照产品、地域来统计；能够与过往的平均值做比较，看看是不是某区域某产品的趋势上有大的变化，是不是广告投放，活动推广带来的，影响大不大。其次，每个月，每季度的数据是多少，能够选定时间段自动展示。

请点击此处输入图片描述

2. 指标越丰富越好，如果销售额下降了，看看是不是订单数下降了，订单数没变是不是客单价的问题，是由于商品结构的原因还是活动门槛调整导致的。

3. 数据分析的能够下达的粒度越细越好。比如数据粒度可以从全国下钻到省份，从省份下钻到城市，这样交易额下降了就能知道是哪个省哪个城市出了问题？就能针对性的解决。

请点击此处输入图片描述

经过以上几个步骤，即可形成平台雏形，形成规划文档。但一个数据平台，无论前期规划得多么丰富，也不可能一蹴而就。公司的业务在不断变化，分析的内容也越来越丰富，在这过程中总需要不断磨合和调整，只有不断完善之后，才能形成一个更加量身定制的实用平台。

门店的数据报表，包括各部门每周/每月的销售额、毛利、毛利率、日比、周比、同期比、销售占比、日平均销售额、通路费用、各项数据指标、达成率及行动计划等，对于门店管理来说是至关重要的。而往往最能直接暴露门店经营问题的，就是门店经营数据了，面对门店的一张张报表，如何从繁琐的数据中，合理的得出对门店日常经营管理的各项措施和办法，即如何做好门店数据分析，这对当下企业的门店管理来讲，是一门生意经。

基于此，帆软FineBI商业智能产品提供了企业级的门店智能数据分析的解决方案：通过鼠标点击和拖拽就能够轻松掌握门店分时段营业分析、门店综合营业分析、门店报废商品分析、门店综合管理驾驶舱等等一系列的数据，在经营和管理门店运营的过程中真正做到数据在手，胸有成竹。

方案内容

企业门店智能数据分析干货内容：

1.企业如何快速搭建门店智能数据分析平台？

2.如何让门店管理人员直接对接门店数据库快速完成基础数据分析？

3.如何让门店管理人员直接对接门店数据库快速完成综合数据分析？

4.如何让门店领导直接对接门店数据库快速完成即席数据分析？

5.如何让企业门店智能数据分析成果实现团队协作共享？

方案效果及实现说明

1.企业如何快速搭建门店智能数据分析平台？

这部分工作属于企业IT部门的前期数据准备工作，需要IT部门在FineBI的数据配置-数据连接管理中新建好数据连接，保证数据连接测试成功。然后添加人事管理业务包，将相关数据表加入并且建好立表间关联关系即可（如果是FineIndex类型的业务包需要更新好FineIndex数据）。分配好对应数据权限之后，用户即可直接在浏览器前端来对这些人事数据进行即席的多维探索分析。

以本方案为例，如上图所示，我们在人事管理业务包中添加好门店主档信息表、综合营业分析表、日期信息表、小时维度表、报废商品数据表、营业日数据源表等数据，并且建立好维度表和事实表之间的数据关联关系。

最后在数据配置-权限配置管理界面中将建立好的门店管理业务包的权限分配给门店部门相关人员，并且在管理系统-用户管理中将门店部门人员加入到BI编辑用户的已授权列表中。

2.如何让门店管理人员直接对接门店数据库快速完成基础数据分析？

a.门店分时段营业对比分析

门店经营的第一项基础且重要的工作，就是门店管理者需要对日常时间范围内的销售情况进行把控，熟悉各个时间段门店的销量状态。特别是对于特定的一些节假日举行的促销活动，我们更需要进行及时关注和跟踪，这样才能根据以往的经验更好地去策划未来的活动，取得更好地活动效果。

如上图所示的门店分时段营业对比分析，我们可以通过FineBI的时间控件进行任意日期的内的门店经营效果比对，追踪各个门店的实时经营状态。除了小时的粒度之外，针对不同星期的门店经营业绩进行分析对比（上图所示，周一的门店经营整体状态明显由于其他星期），以便优先选择活动效果最佳的时间。

b.门店报废商品分析

为了更好地对各个门店的销售商品进行优化，我们需要对报废商品进行一些数据分析。如上图所示，我们可以通过仪表盘合计出时间区间内的报废总金额，同时用对比柱状图过滤出报废商品Top10的商品，重点观察和监督。营业部方面，试用饼图统计出各个营业部的报废金额分布情况，着力对报废商品问题严重门店进行商品整改和优化。

c.门店信息查询

对于门店的信息查询，我们可以试用FineBI内置的地图进行基于地理位置的数据分布统计，另外通过明细表组件展示各个门店开设的详细信息（门店名称、大区名称、中区名称、小区名称、门店地址等）。

3.如何让门店管理人员直接对接门店数据库快速完成综合数据分析？

a.门店综合营业分析

接下来我们来进行门店的综合营业数据分析，如上图所示，我们使用仪表盘组件合计总的营业净额，使用柱状图降序统计各个门店的营业额数据情况。对于日期区间范围内各门店营业净额的数据，我们使用堆积柱状图进行统计，以对比分析每天各个门店的营业净额数据。销售结构（销售毛额、营业净额、折扣金额）和销售品类（一般商品销售金额、饮料销售毛额、食品销售毛额）的分析，我们使用折线图进行基于每天的数据对比分析即可。

b.门店经营目标达成分析

如上图所示，我们再来做企业各大区门店经营目标达成的数据分析。由于我们的门店营业部有三级分类，那么这边选择多层饼图来进行三级营业部下的目标达成率分析最合适不过了。各个门店的营业净额方面，使用组合图的对比柱状图分析各个门店的目标金额和营业净额数据，使用组合图的折线图分析各个门店的目标达成率（目标达成率=营业净额/目标金额）。

4.如何让门店领导直接对接门店数据库快速完成即席数据分析？

除了以上给大家介绍的制作一些企业常用的门店数据分析之外，FineBI最大的特性就是随时满足业务人员或者企业领导的数据即席分析需求了，通过轻松的托拖拽拽操作，就能生成丰富多样的数据分析可视化统计结果。

我们以上图的每日交易数量和销售毛额折线图统计场景为例，只需要将交易日期字段拖拽到分类轴，将销售毛额、交易数量拖拽到左右值轴，即可自动完成分组统计，真正做到想看数据“不求人”！

5.如何让企业门店智能数据分析成果实现团队协作共享？

企业的各项工作，主要由各部门团队分工协作完成，彼此之间需要很好地进行沟通和配合，那么FineBI是如何帮助企业将门店智能数据分析成果实现团队协作共享的呢？

以上图所示的门店管理中心驾驶舱为例，展示了企业的产品销售种类统计、门店毛利统计、地区销售额统计、月度销售额/毛利额统计等等多个核心的门店管理分析指标。那么门店管理人员通过FineBI做好的一个门店管理里中心驾驶舱之后，其实在FineBI中可以非常便捷地将它分享给相关部门或者指定人员的。

例如我这边想把它分享给企业的领导人员，那么可以在FineBI的仪表板中将做好的门店管理中心驾驶舱模板点击分享给领导部门的Tom，然后点击确定即可。这样一来，领导部门的Tom登录之后就能收到门店管理人员给他分享的门店管理中心驾驶舱了。

20世纪30年代，宝 洁诞生了第一位产品经理，全权负责一款肥皂的生产、销售以及全流程的成功。

80多年后，随着互联网的蓬勃发展，出现了越来越多的产品以及和产品相关的各种岗位。；围绕产品的思维与工作方式被越来越多的人所认可，产品成功的思维模型被搬上了课堂。

数据报表，作为一个链接IT部门和业务的中间件，承担着信息沟通的作用：数据展示业务信息，为业务决策提供依据；业务产生数据，最终以数据报表的方式呈现。

同样，我们也可以用产品工作的方式来复盘一下搭建报表系统的整个流程，并且和产品的上线流程做一个对比。

产品的上线流程

市场分析——>竞争分析用户分析——>需求（场景）分析——>功能设计——>开发——>发布——>运营——>迭代

互联网产品初期，在初次面向市场的时候，产品往往是一个MVP（最小可用单元），通过种子用户的反馈，分析使用数据，验证产品的可用性，快速迭代，逐渐修正与完善。

报表系统的上线流程

同行业报表项目参考（行业咨询）——>业务部门需求采集分析——>报表设计——>上线——>end

绝大多数的企业在报表上线之后，都忽视了一个关键动作——运营，以致于IT部门陷入了一个怪圈，疲于应付业务人员的需求，天天加班工作却得不到认可。实际上，系统上线不等于终点，被大量使用与认可才是成功的第一步！

产品如何做运营

1、冷启动

冷启动是什么？冷启动是一个产品刚诞生的一个阶段，此阶段的产品面临着以下问题：

缺少用户及相关资源。产品模式未成熟，能否满足用户，迎合市场趋势仍是未知数

因此，在此阶段的主要目标的作用有：

根据数据分析，验证产品是否满足用户需求验证是否能符合市场趋势验证商业模式是否成立

互联网产品怎么做？

种子用户，聚拢一批符合产品目标人群的用户，获取真实的使用数据MVP（最小可用单元）验证，判断产品是否满足了目标用户的最小可用需求存失分析，依据用户的真实使用数据，分析留存的原因（建立产品优势），放弃部分的流失用户，修正产品的定位。

2、高增长

高增长是指在产品通过市场验证，处于快速发展的阶段，通过运营实现产品用户与价值的持续增长

互联网产品怎么做？

持续推广与曝光精细化运营，针对人群、场景、流程做差异化细分运营的运营策略，提升运营动作的效率最大化基于用户数据分析的产品不断迭代优化

报表系统如何运营

帆软的一家互联网行业客户告诉我们，为了让报表系统被业务部门认可，IT部门在上线报表系统的初期以及推广期主要做了4件事：

1、冷启动阶段

a.寻找种子用户

优先挑选了营运部门的管理层作为种子用户，依据需求为其定制了PC、移动端两张营运报表，报表上线后不断关注其访问量趋势，发现移动端模板的活跃度更高，并且用户对模板的评价非常好，随着口碑的传播，分公司的营运部门也提出了类似的需求，IT部门开始重新考量整个营运部门的需求，为其系统化的搭建报表应用

b.简单的用户数据分析

这个阶段的用户数量和模板数量都还处于一个比较小的数量级，只需要通过用户的访问数据，验证报表是否满足种子用户的需求

2、高增长阶段

a.从三个维度和两类应用场景分析用户的使用数据，关注性能与用户体验，促使报表系统不断优化

三个维度：

1、报表系统的整体访问趋势

——把控报表系统的整体运营状态，研究用户的访问习惯，合理分配资源

2、每一位业务人员的访问趋势

——充分掌握哪些业务人员的数据诉求更为强烈，那他们的数据需求被响应的优先级将会更高；那些一个劲提需求，却没有访问量的部门，我们需要重新核算成本，降低他们的需

求优先级

3、每一张报表的访问趋势与性能体验

——每一张报表都是一个产品，同样也有完整的生命周期，不被需求的报表要及时的淘汰，降低运维成本；访问量火热的报表要纳入优化迭代，提升用户访问感知，深挖需求，扩充业务场景

两类应用场景：

数据大屏/移动端报表

——什么样的数据分析场景更加在哪类终端上访问量更高？我们是否需要为其专门打造一张移动端的模板，更美观的样式，更人性化的交互效果？

b.主动推送与推广

——内容推广

伴随着报表系统的不断迭代，每一次为业务人员扩充的应用场景需要通过渠道来推广与宣传，促进用户的使用率，这个渠道可以是企业内部的宣发平台，也可以通过C端市场中的新媒体渠道（微信公众号等）

——报表推送

业务人员常用的报表可以通过帆软提供的推送功能直接触达最终用户，培养其对报表的使用粘性

帆软能提供哪些帮助

1、固化的用户行为数据分析

FS平台为用户提供了常用的运营数据统计功能

访问量数据：包含平台访问次数、模板访问次数、用户数等内容模板热度：不同模板在周期时间内的访问总数用户行为：不同用户在周期时间内的访问总数，并且区分统计出查询、导出、打印等不同的用户行为性能监控：不同模板的平均响应时间、平均内存等内容

注：模板热度、用户行为、性能监控数据统计需要安装“高级系统监控”插件

借助于常用的运营数据统计，我们可以对报表系统做一个整体的评估，对整体的访问量、模板热度、模板性能做到心中有数

2、深入的用户行为数据分析

作为数据分析的先锋，只要有数据源，没有IT做不了的运营数据分析。FR会将用户的访问数据存储至logdb数据库当中，可以直接通过设计器链接数据库定制运营所需分析模板

我们需要关注logdb数据库中的两张表与一个字段

表：PUBLIC.FR_EXERECORD

该数据表是报表正确执行日志表，即如果报表执行成功，将会在该表中添加一条记录，并在相应字段中填写其对应的信息记录

表：PUBLIC.FR_FSRECORD

该数据表是为了统计一段时间内，系统的使用情况，用于管理员查看在线用户数及用户系统使用情况，因此用户登录决策系统时，将登录信息保存入库，将会在该表中添加一条记录，并在相应字段中填写其对应的信息记录

字段：BROWZER

该字段记录了客户端访问报表所用的浏览器版本以及移动端信息terminal：包含终端类型、app还是h5等信息。例如：“terminal”：{"OS"："app"，"type"："mobile"}

借助于以上内容，我们就可以定制出自己所需的数据分析报表，重新把控报表系统的运营情况，为后续的迭代提供指引

3、主动推送与推广

帆软为每一种报表使用方式与场景都提供了消息推送的服务，包括了：平台消息推送、微信/钉钉消息推送、APP推送、邮件推送等