文| 傅一平原文自：与数据同行

在数据管理领域，我们通常将数据分为：主数据、交易数据、参考数据、元数据和统计分析数据（指标）， 指标是BI里面核心的概念，是一个企业数据运营关注的核心数据，一般以KPI和报表的形式体现。

从实践来看，一个企业要进行数据治理，涉及了架构、安全等诸多层面，但最迫切的是提升数据质量，其中指标质量则是重中之重，一般业务上90%以上关于数据的疑问都从指标的质疑开始，只要你从事数据相关工作，就应深有体会。

“这个指标好像跟业务发展实际不符，快去查查”，估计这是报表取数人员听到的最多的一句话了。

笔者就来谈谈如何从根本上去提升指标的数据质量，即实现指标的标准化，作为一个数据管理人员，不管你有多少能力，曾经解决了多少问题，当过多少回救火英雄，都应该从更为长远的角度来思考这个问题。

指标标准化的核心价值在于实现“书同文，车同轨”，即通过针对指标的一系列管理过程，去提升指标准确性、一致性、敏捷性及开放性，在以前的文章《如何才能做好一张报表》中对此有详细的阐述。

DAMA将数据治理放到核心地位，指标的标准化就是个典型的数据治理问题，治标是容易的，治本的代价则太高，但如果要实现进阶，还是要站的高一点，多思考一下，想想是否有更好的方法，就从笔者多年前做过的指标标准化项目开始吧，分为组织保障、报表梳理、指标整合、实现方式、功能架构、可视化引擎及管理流程等七个方面。

1、组织保障

指标库这类数据管理项目，或称BI项目，一般业务部门参与的力度是不大的，这是大多BI项目实施效果不佳的一个深层次原因。

DAMA提到要实施数据治理活动，跨部门的数据治理委员会等是关键的组织，的确是这样，指标跟全公司每个单位都相关，对于其进行规范化改造当然应该获得大家的一致同意。

可惜的是，大多企业没有这个理想条件，也不会有数据治理委员会，在数据还未成为真正的实质性资产前，比如纳入财务部的资产目录，很少有企业会设立这个数据组织，因为效益不明显，因此，哪个企业都不大可能为指标出一个规范并且通令全公司贯彻执行，对于数据管理人员，指标库这个事情也许意义不小，但对于全公司意义则小了，这是现状。

在没有公司层面的组织保障前，数据管理人员或BI部门大多得靠自己，通过自己来推动事情往前走， 这是应有的态度，你不提，公司也没有任何人会提，毕竟你是最大受益者，实施指标库这个事情非常复杂，谁都没有成功的把握，秉持小步快跑，试点探索的原则是不错的。

笔者的这个指标库项目获得了分管领导的强力支持，这是项目能进行的现实组织保障，其实这类管理项目设立之初，很难让业务部门和一线人员马上认识到其价值并充分参与进来，这个沟通管理成本太高了，但无论如何，一个数据治理项目能否成功，公司的支持是第一要务，不仅仅是IT部门的事情，DAMA的很早就在《DAMA数据管理知识体系指南》明确了数据治理的组织要点，以下是DAMA的数据治理组织架构图，非常超前：

当然笔者觉得现实的组织演进也许如下图更合适，但道理是一样的，相关利益方需要对这个事情达成共识：

2、报表梳理

指标的主要表现形式是报表，因此第一要务就是报表梳理，公司的报表浩如烟海，因此这个项目设立之初就限制了范围，主要针对一线市场部经理、终端管理、流量管理三类核心角色，共梳理了相关的39个彩信、48份邮件通报及数据集市上的733张报表。（下图是用excel，下载企业大多用帆软、水晶一类的报表工具）

3、指标整合

各类报表及相关指标表达各不相同，梳理前应该给出一个描述指标的标准框架，包括指标大类、子类、维度、周期、归属、命名规范等等，曾经由于框架漏了一些要素导致返工现象，这个顶层设计一定要做好，以下是示例：

命名规范：业务限定词+业务名称+量值限定词+量值描述（量、收、用）

举例1：两网有效用户到达数

举例2：自建有线宽带出账用户数

下图列出了大致的梳理步骤，主要以省公司报表和彩信KPI为基础确定基准指标，各地市指标剔除个性指标后，合并到省公司的基准指标中，形成本次的最终指标范围。

全省指标共计6841个（未剔重），经过归并整合，得到基础共性指标2306个，如下图所示：

此项工作耗时巨大，以下是成果的示意：

4、实现方式

根据指标性质不同可以分为3类，即基础指标1046个、计算指标652个和通用营销类指标303个。

5、功能架构

为了支撑指标快速，标准化实现，通过增强数据管理平台来实现指标的快速开发、部署和管理，主要包括指标信息维护、指标开发、运维管理、指标质量管理等功能。

比如指标库每月需要新增超过9. 5亿行的数据，存储周期按12+1，即123亿行，以传统关系型数据库的查询能力无法支撑，这里就采用Hbase架构支撑海量指标的快速查询。

6、可视化引擎

为了支撑指标组装报表与配置报表的快速开发，使用数据可视化引擎产品，主要包括指标组装、报表开发、报表展现功能，现在的这类产品很多了，但定制化给予一个创新性项目更大的自由度。

指标组装报表工具是区别传统基于SQL配置报表的灵活度更高的报表配置方式，主要提供基于指标选择组装生成报表。

7、管理流程

指标的建设只是走完了数据治理的第一步，为了确保指标库长期可用，必须要有一套针对的指标管理机制和流程，否则建设的结束就是混乱的开始，理想的做法当然是发布一套公司级别的指标管理规范，但这个时候时机往往并不成熟，比如系统可用性到底如何，因此，我们当时就确立了一个简单原则，一条开发铁律：不重复开发，能用指标实现的不允许单独开发报表，当然这非常考验数据管理的艺术，极大依赖于团队的业务和数据能力，但有主见的数据管理团队一定要懂得如何与业务人员进行博弈，记得你才是全公司数据的管理者，而不仅仅是个开发者。

笔者在关于指标库的实现简要谈完了，但我对于大多企业搞指标库却是持悲观态度的，传统BI部门面对浩海的数据需求时，往往是没有管理原则的，因为公司对你的数据管理授权是不明确的，我们不得不以牺牲长远来满足当前，其实BI每接收一个不规范（比如胡乱的指标命名和定义）的报表需求就要承担由此带来的管理成本，而不仅仅是开发成本，这为后续数据管理的混乱埋下了祸根。

但存在的又是合理的，因为搞个指标库在开始的时候，无论是管理及运维成本都不低，关键是短期来看效益还不明显，这也许是成功案例不多的一个原因。

因此，当我们在抱怨业务指标口径一塌糊涂的时候，要记得是企业没有数据管理的原则导致了这个现象，也是你的不作为导致了这个现象，这跟公司的文化、机制及流程是息息相关的，顶层设计没解决，也许只能将就了，或者，你就要付出百倍的努力去改变或优化这个设计吧，这需要巨大的决心和毅力。

DAMA谈数据治理首当其冲谈组织设置，显然是非常睿智的，奇怪的是在知乎上关于DAMA数据治理的讨论几乎没有，这倒是值得思考的问题。

考勤记录有什么用？这是很多传统企业都不曾真正去考虑过的问题。在大多数企业看来，考勤就是简单的记录一下员工每天的出勤情况，除此之外几乎没有什么意义。但据国外权威部门的调查结果显示，合理的掌控员工考勤所汇总的数据并加以利用，企业在生产和营销环节的效率能够有百分之十到二十的提升。对于任何企业来说，这样大幅度的提升都是不可忽视的。

移动考勤获得的信息才是最有价值的

如今的时代，是基于互联网的“大数据时代”。而大数据时代的特点就是就是通过不断叠加的数据来进行“结构化数据”、“信息挖掘”以及“数据对实体的支撑”，从而洞察先机，加快创新，进一步开拓新市场。

目前，为了大数据的目标，很多企业都在悄悄运转并完善着自己的数据体系。比如我们非常熟悉的小米，就通过智能手环来获取数据。我们都知道，小米的智能手环产品价格非常低，而且据相关部门统计，小米手环销售其实是不可能实现盈利的。但小米却坚定的将手环产品持续做了下去。小米不为别的，只为了通过小米手环从使用者身上获得最真实和权威的健康数据。这样一来任何一家公司要生产健康产品，就不可避免的会应用的小米的数据。而这里，才是小米品牌的着眼点。

庞大的信息量，是信息时代最有价值的财富

以小米作为案例似乎有点夸张。然而事实上移动考勤的数据统计能力和小米手环的数据积累能力是有着异曲同工之处的。他们都是通过载体，将自己所需要的数据集中累积起来。相比之下，移动考勤软件的统计更为针对，也更为具体。

移动考勤的统计可以集中在考勤比重、部门工时、考勤状态等几大部分。将这些汇集而来的考勤数据与企业的营销业绩、生产成绩等数据结合，企业能够就很容易掌握企业发展的优劣情况。从而做出更进一步的指导。

沈阳添美科技的移动考勤产品则是在传统移动考勤的基础上深度开发，能够根据系统分析考勤的状态，一键轻松的导出明细。这种能力虽然看似简单，但是却省却了在数据分析工作中，最为困难的数据整理环节，让管理者获得的数据避免瑕疵的出现。将问题点精准的找出，从而根据实际的数据，给未来的工作作出进一步指示。

只有专业的移动考勤，才是最能够帮助企业的

移动考勤软件是人事管理中最为先进的管理软件产品。而这样的产品表面上看来虽然简单，却是由专业的团队不断探索和研发而来。就像添美移动考勤，就是沈阳添美经过多年不断根据企业不同情况，不断深挖和不断改进而诞生的一款产品。

专业的才是最好的，为了与未来市场变化接轨，选择出色的考勤产品是非常重要的。所以为了健全企业的现代化体系，千万不要漏掉移动考勤这一至关重要的环节。

在美国等商业发展较早且更为发达的地区，客流分析统计系统早已深入人心，并得到广泛的普及。为什么要用客流分析统计系统?说白了，客流统计系统就是关于你店铺的大数据系统。对零售商来说，这是他们了解店铺客流、了解顾客购买心理、安排员工工时，安排节假日促销活动的重要工具。同时还能分析他们店铺的经营表现及业绩。本文将从客流统计的应用场景及客流统计的技术发展进行展开，为读者展示服装业、大型商铺和购物中心客流统计的重要性。

购物中心作为一个以零售为主的商业组织形式，需要精细化管理，而精细化管理以事实为依据，用数字说话，决策者、管理者通过对购物中心各个硬软件得出的数字进行分析，并用这些数据为顾客与商户服务。客流量对大型购物中心来说是其核心元素，充足有效的客流才能提升购物中心的盈利能力，客流不仅是定位和招商的基础，更是购物中心是否能成功运营的关键。近几年来，精确地统计进入购物中心的顾客数量成了优化购物中心运营的必要手段。那么，客流统计系统对零售餐饮业的贡献究竟有多大呢。

客流统计分析能做什么？

如果没有准确的客流数据很难做出合理的、令人信服的划分。客流分析作用大体总结如下：

1．顾客画像分析，主要统计客流量总体的年龄段和性别、兴趣偏好、学历、收入水平等进行标签分类管理；

2．商圈消费能力，分析客群消费平均水平决定了商品定价的前提；

3．客流访问路径，汇总出一条或者多条主要顾客购物行为路径优化商场动线；

4．客流增长趋势，掌握客流量每一天变化趋势有利于营销工作的开展和进行；

5．回头客预测分析，及时识别回头客到店趋势，预测经营业绩。

技术发展

当了解客流统计分析的作用后我们首先看一看客流统计技术的技术发展。现在，运用的客流统计技术主要有三种：红外线客流统计、视频客流统计、WIFI探针客流统计，这三种客流统计技术，用哪种比较好?这个只能说，在不同的情况下，有不同的需求。

技术一： 红外线客流统计技术

传统的客流管理主要是总量上的统计，红外线客流统计技术可能更为常用。红外线客流统计技术依据人体的经过阻断红外线之间的对射进行客流量的统计，其统计客流数量方便，数据传输量小，成本较低，安装方便，对于光线要求不高。这种方式简单易实施，但缺点也显而易见，通过人体经过阻断红外线间的对射来测数，导致在多人经过时可能漏数，而不断进出的同一个体则会被重复计数等问题。这样测出来的客流数据存在着较大的偏差。

技术二：Wif探针客流统计技术

Wif探针技术能够根据手机统计出店内消费者的数量情况，还能够根据手机IP进行消费者在店内行动轨迹的追踪。对于手机不离身的现代人来说，这种统计方法已经能够相对精确地了解客流情况，当然，遇到没带手机、关闭无线等情况，这种技术也爱莫能助。

技术三：3d双目客流量统计系统设备

由于人工计数的准确率偏低且无法进行长期统计，红外方式又不能双向统计人流量，更无法统计并排时顾客人数，因此，借助视频分析技术，准确率高达95%的新型客流统计分析系统应运而生。

3d双目客流量统计系统的原理是基于嵌入式摄像镜头采集视频,然后对两个摄像头的视频图像进行视差计算,形成视频中人的3D图像,过对人体的形状和高度为分析目标,通过区域和方向的设定来统计通过人数。通过商场客流量的历史数据的对比，就可知道什么时间段的客流量变少，而在这个时间分析采用哪种营销方式可吸引增多客流量。

客流统计分析应用场景

应用场景一：Wifi探针为大型商铺、购物中心数据赋能

Wif探针技术能够根据手机统计出店内消费者的数量情况，还能够根据手机IP进行消费者在店内行动轨迹的追踪。对于手机不离身的现代人来说，这种统计方法已经能够相对精确地了解客流情况，并且 Wifi探针也是目前线下进行流量识别最好的手段，落地性、数据获取能力都很强。

通过客流统计我们可以对路径、频次和时长三个维度的数据对个体消费者进行识别和判断。比如，系统捕捉到消费者甲每个月要来商场两到三次，每次来了之后都直奔母婴区，而且在那停留很长时间。那么，系统就可以给他打上“母婴”的标签。以此类推，就可以根据消费者的行为习惯赋予其各种各样的标签。

此外，通过Wifi探针的客流统计系统还可以从用户生命周期的维度对消费者进行管理，给消费者打上高、低活跃度，新、老客户，流失客，回流客等标签。后台支持多种标签组合查询和统计分析，比如可以分析母婴类客户的新增和流失客户情况。让商场经营者对自己场内的客流变化一目了然，并有针对性地组织各类营销活动。

过去商场的营销活动都是围绕节假日展开的，缺少针对性。有了通过Wifi探针的客流统计系统，商场就可以更加有的放矢。营销活动结束后还可以根据后台数据分析目标客户的回流情况，评估营销活动的效果，并及时进行调整。甚至能够分析出不同的天气、活动对店铺客流的影响。

应用场景二：客流分析助力购物中心

第一，客流统计系统能够为购物中心确定铺位租金水平。只需在购楼物中心的各个出入口、各层、各通道、各商铺门前安装客流统计系统，就可以获得不同时段的客流分布情况，同一类型店中表现优异的租户立时可见，表现较差的营业区域可立即受到关注，而且从今往后，对于租户组合的调整不再盲目，完全可以通过客流数据来进行科学分析。更为重要的是，客流数据给购物中心的招商部门在确定具体楼层具体区位的铺位租金水平和今后的租金调整，提供了实实在在的数据支持。通过对出入口人流量数据的观测，可以帮助确定广告位定价，合理确定重要广告的摆放位置。

并且将客流统计系统得到的客流数据与租金水平结合，在租赁合同中设定可测量的运行参数，可以优化收入，展示投资者的绩效单。客流量数据还是购物中心资产的附加值，在如今竞争异常激烈的零售业，拥有更多人气的购物中心显然拥有较高的市场价值。

第二，客流统计系统为购物中心有计划地引进顾客分析，并制定合理的活动主题方案。由客流数据的日常统计使营运部门对整个购物中心的运营情况了然于心。其次，根据客流的变化，有效分配和安排物业管理人员、维护人员、安保人员、保洁人员等，合理利用人力资源。在活动期间，客流系统提供准确的人流数据，不但可以直观地对活动效果进行评估，结合其他数据报表亦可分析出营销活动和促销投资的回报情况，此外，结合历史同期活动的客流量数据，对比分析得出人流规律，为今后活动方案的制定提供依据。

第三，客流统计系统可为购物中心提供更详细的分析报表。客流统计系统，不但能够按时按需提供客流数据，将历史客流数据和当前客流信息进行对比分析，还能与购物中心现有的其他系统结合，对购物中心进行全方位多角度的分析，产生更为详尽的业绩报表，为管理人员分析现状、调整经营战术和确定未来经营方向，提供充分、有价值的信息。

应用场景三：视频探头在服装业、精品商铺的应用

通过客流统计系统的引进及双目摄像头的安装就可以统计进出店客流，并通过定制化客流报表来对运营KPI进行分析，为运营战略的调整提供强有力依据。

拿ETRO专卖店举例，ETRO在门店入口处安装22台双目摄像头摄像头进行监测，将进店客流传输至云端服务器，进而生成每日各时段、以及日/周/月汇总对比报表，店长及总部管理者可通过网页版轻松掌握各分店客流量、转化率。精准的客流统计，为门店的选址提供参考，更是改善了门店的管理效率、服务质量，最终促进成单量及客单价的提升。

虽然3d双目客流量统计系统成本远高于红外线客流统计技术和WIFI探针客流统计技术，但针对面向中高档消费群体的精品类商铺，客流量小，但对数据要求精准，此时并不需要安装过多双目摄像头，因此采用视频客流统计会远比其他两项更具优势，从而精准定位消费者，方便CRM管理，增加经营效益。

应用场景四：通过广告推送进行物流分析

实时客流统计分析，统计每日每时的实时客流信息，当用户在广告机前端停留1~2秒后，摄像头会抓拍人脸画像并可以精确统计任意时段内进店驻留人群的性别和年龄，商家使用客流统计用些信息分析出不同人群驻留店面时长、区域统计客流强度，产品关注度、不同人群关注的产品热度。通过大数据分析比对，有利于商家部署最佳的运营模式。

应用场景五：通过客流分析与消费者进行连接实现精准营销

当我们发现，有“女性-母婴亲子-童车童床”标签的客群，在“母婴亲子-辅食”“家居-家具”“家具-厨电耐用”也有不错的消费，后期在推送童车童床offer的同时，也可以同时考虑加上辅食、家具、厨电等活动。同时，我们可以发现，有酒类制品标签的客群，均有“购物-食品”的标签，后期在推送酒类制品offer的同时，也可以向他们推送食品的offer；另外支付的客群也有不错占比，后期也可以将支付融入到相关推送活动中。正是运用了客流统计分析系统实现了相关产品的精准营销。

应用场景六：客流统计是重新构建门店和消费者的连接

在实体门店中应用客流统计是重新构建门店和消费者的连接，运用客流统计系统，先进的人脸识别技术，捕捉进店的数量，并对人像进行分析，统计顾客的性别、年龄、身份等属性，通过后台生成的数据分析报表，呈现顾客的光顾频率和回头客分析，让店员第一时间了解顾客的消费行为习惯，摸清顾客消费偏好和消费心理，做出合适的商品推荐和提供专业的服务。

并与POS机无缝连接，有效计算出提袋率和客单价，让会员通过人脸实现自动积分，打折服务，专业巩固vip客户量和消费群，并预测客流动线，店员针对性调整商品及陈列布向，营造科学合理的消费场景完美实现门店与消费者的互动。

使用客流分析系统可能存在的问题

数据是否可信?可用？

您必须确信获取的数据具有高度的完整性和统计意义。一个值得信赖的数据门户还必须表明数据来源，以便您准确地向您组织内部的利益相关方进行数据汇报。

您的数据看起来像是难懂的数字堆砌，还是如叙事般清晰易懂?您是否能够将数据可视化?有时您仅需要原始数据，其他时候则需要通过高质量的数据可视化以助解读数据。因此，应确保您的分析解决方案两者皆备。

结语：

纵然面对一些问题的存在，客流分析统计系统还是好处诸多，甚至可以在选址落地前通过对顾客群体的了解和分析，从而对店铺面积大小、人员比例、预计成本比例、客单价、库存量有更准确地预估和调整。相信多维度数据的获取，能够为优化品牌商品结构、陈列布置、运营策略提供更多的支持。

会议预告：

中国电子商会商业信息化协会&零售CIO俱乐部 将于9月21-22日在石家庄国际展览中心举办2018第四届中国智慧商业与数字化运营高峰论坛，核心议题：

1、新零售下，重构人货场和新消费场景价值；

2、从经营商品到经营顾客，构建全新的数字化体验和数字化运营体系；

3、顾客数字化、商品数字化、服务数字化、营销数字化、供应链数字化、经营管理数字化，改造经营管理，重塑商业模式；

4、全域消费场景下的会员营销和CRM，构建数字化消费者运营平台；

5、AI、大数据新技术如何以人为本赋能智慧门店的运营管理？如何打造线上新零售智慧门店？

6、如何建设以门店为中心的新零售配送体系？

7、如何打通全渠道数据壁垒，挖掘大数据的核心价值？

8、如何形成一套自己的新零售+科技创新的打法，提升智能化、数字化的运营效益？

今天分享干货——数据驱动运营，该从几个维度分析？

如果你是互联网创业者，想必你会有运营互联网产品的经历。做互联网产品（除技术以外），其中一个很重要的环节非运营莫属了，不知道大家有没有运营的经历，那些年我们运营过的产品。从创业以来我做得最多的莫过于梳理商业模式以及运营产品，今天我就分享一下运营产品的心得（顺便吐槽一下那些让CEO喷血的用户嘿嘿~）。

在我创业的时候，我曾做过用户运营以及产品运营，这让我想起某个投资人的一个段子：作为CEO，一定要亲自接触用户，亲自做客服运营，因为会让你“怀疑人生”。

想起第一次接触运营的时候还是我大一的时候，那时候我做一个高校O2O产品，解决高校配送的痛点，做的正是用户运营，给我的感觉简直就是“毁三观”，这让我相信CEO还是得多磨练，做客服至少可以磨练你的脾气。那时候我每天与用户聊天聊到凌晨一俩点（挖掘需求，接近用户，市场调研啊有木有）。这还好，问题是社会上总有些傻逼呀，我还真见识过一些傻逼用户~心想：“我怎么会服务这些傻逼的用户呀~”“这世界上怎么会有那么傻逼的用户啊~”

运营不只是客服，“数据思维”更为重要|数据驱动运营·强运营的硬道理

对于“运营”特别是用户运营，有很多人误以为就是做客服，其实不然，其实客服只是其中一个环节。但是在运营产品中，有一个环节是尤为重要的却总被人忽略的，就是数据；运营好一个产品，数据不可忽视。我就举个最简单的例子吧，微信公众号，微信公众号门槛极低，相信就算不是互联网人都运营过，你可以把微信公众号视为一个互联网产品，说到微信自媒体，如今微信红利已过，营销起来也不比以前那般简单了，随随便便就引来十来几十万粉丝。说到微信公众号引流，大家想到的可能是靠优质内容，只关注内容。其实这是个误区，靠内容只是营销的环节，却忽略了运营。无论是自媒体还是互联网产品，都有一条服务链条，营销——运营——交互——转化服务。这个链条缺一不可，少了一个因素链条就断了，营销不过是其中一个环节。那么说到运营，我还是以微信公众号为例子吧，很多做微信运营的应该会想到用户运营、内容运营。你是不是就认为所谓运营就是与用户聊天引导用户服务以及内容运营？不尽然~仅仅依靠这样的用户运营是不够的，因为这样你不知道用户需要什么，你的粉丝是否真的是你的目标用户？你提供的服务是否是刚需？这些问题都需要运营者去考虑

如果你运营过公众号，想必会有此困惑，为什么我每天很用心地运营我的公众号，每天都生产优质内容，还是会掉粉，却找不出原因，每天都有一定的流失率；这个时候就需要用到数据思维了，这个时候数据变成为很重要的角色，你要做的便是——数据驱动运营

数据思维|如何做到数据驱动运营

我在2年前第一次尝试运营公众号，那时候也是未曾注意到数据这一维度，然而就是好不容易引来的流量第二天就流失了~那么如何做好数据驱动运营呢？

误区：不要仅盯用户量

说到数据驱动，有很多运营狗可能就说了，诶我明明有关注数据啊，我每天都观察用户量的，怎么还是不行？

做互联网产品，对于数据而言，用户量固然重要，但却不是判断产品好坏最重要的数据指标。用户量是基础，但是影响用户量的数据维度却有很多，不仅如此，影响产品的因素也有很多例如：DAU、MAU、增长率、留存率等（之前有过跑投资的经历，这些指标也是投资人及其关注的指标）

增长才是王道

其实关注用户量，这个方向&出发点是没有错的，但是影响用户量的最直接的指标便是用户增长，这才是您应该关注的，做好增长提高用户量不是什么难题。

增长是王道，如果不能增长就会衰退

数据分析，该关注哪几个维度？|如何做好数据驱动运营

首先获取数据源

运营互联网产品，其本质无非就是洞察用户行为以及驱动用户行为，然而数据的产生就离不开用户反馈，所以数据驱动运营，首先要获取的便是用户反馈了。

数据驱动运营，数据分析到底从哪几个维度出发呢？儒商经试错得出：“用户量、用户增长率、流失率、留存率、渠道转化率、MAU（月活跃率）、DAU（日活跃率）、变现转化率、回购率、人群画像分布”这10个维度的数据尤其重要。

好像上文说到的，用户增长，影响用户量其中一个维度就是用户增长；当然了，不仅仅这一个数据维度，每一项维度都有其影响的数据维度，比如说影响用户增长的有可能是你的留存率以及推广渠道的渠道转化率。然而影响留存率的便是流失率

当然分析数据以及利用数据驱动运营除了数据之外，洞察用户特征也很是重要

除了以上说到的几个数据维度之外，还有一项也是尤为重要的便是用户特征分析维度：地区分布、兴趣爱好、用户行为、性格等，按照如此分析，你能分析出他是不是目标用户群体

就是我在文章开头说到，优秀的运营应该尽可能地接近用户了解用户，才知道用户需要什么。举个简单的例子，假如是做女装电商的，那么你的用户群体便是女生，在用户分析你便要从性别来分析，那么你就可以很简单地剔除男性用户了，再进一步分析兴趣爱好、地区、年龄等维度，从而分析出用户行为以及引导用户，这便影响着你的产品的变现率（毕竟在商言商嘛~商业本质在于变现，转化消费才是王道）

用户量是基础，关注精准流量，投放渠道求ROI——渠道转化率

所有数据分析的来源，都是要有数据，数据便从流量从人而来，所以用户量便是基础了，没有用户量没有流量便是0，那么数据分析也无从谈起。

这便说到了营销，营销最直接的方式便是投放媒体或投放推广渠道，从别的渠道挖流量过来。有很多老板总说我投了那么多钱ROI（投资回报率）总是很低呀~那么这个时候你需要关注渠道转化率了，渠道转化影响着用户增长以及用户量。

如何投放，投放广告也是非常有讲究的，随便投放当然是徒劳无功，首先不用说都知道，尽量投与你产品相类似的媒体或平台（精准流量）

其次关注渠道转化率，剔除转化率较低的渠道。例如说，我投放广告，投放了百度、微信以及微博的，那么你需要去分析不同渠道各自的转化率是多少了，例如百度的转化率是最高的，那么你就选择投放百度，剔除微信以及微博的投放，以确保你的推广渠道的转化率

多维事件分析&漏斗分析法|如何做好数据驱动运营？

在运营产品当中，要时刻关注每一个数据指标以及影响其指标的数据维度：

基于用户量、人群画像时间分布、性别分布、用户行为、日均交易额等维度分析流失率、增长率下降等问题

漏斗分析法

在分析数据的时候，如何做好数据驱动运营，我提供一个分析数据的方法——漏斗分析法

我举个例子，还是做电商的例子，电商人都知道，电商的数据尤为重要的数据便是留存率、流失率以及消费转化率。

然而影响流失率的有可能就是用户体验的问题以及交互环节，例如电商的用户行为，最重要的便是支付环节，购买环节。然而有很多电商的平台便是在支付和购买环节上流失率较高，这与用户体验有关系，有可能你的购买的环节太多了；比如，用户看到一样产品他想购买，但是你需要进入选择产品接入支付接口，支付才能购买，这中间经过了四个环节，交互环节较多，用户的时间成本高了，用户就不想买了，用户有可能在中间的某个环节就已经流失了。

这个时候作为运营你就需要去分析其中的情况，获取用户行为按照每个阶段分析留存情况，然后再分析流失情况以及原因，再进行优化。

3、留存分析：

分析不同批用户的用户行为特征，分析其留存情况。

4、回访分析：

A、分析用户在一定时间内重复消费的分布。

B、调查用户反馈。

把这些数据都做好，就能做到数据驱动运营，只要做到这点你的产品运营会更加贴近用户，也能调查出你的产品问题出在哪里。

作者：儒商诗人，90后，创业小白，出身互联网。热爱商业 ，专注于TMT领域，倾力于商业知识服务，分享更多创业干货，欢迎关注

2018年一季度，市场风格似乎开始从大盘股转向中小盘股，未来究竟该坚守大盘股，还是转向中盘股和小盘股呢？

对此，天风证券旗帜鲜明地表示，未来牛股将更多诞生在中盘成长股中。

春节后小盘股更强

根据近期天风证券在研报中的划分标准，将市值300亿以上的公司定义为大盘股，将市值在100亿至300亿之间的公司定义为中盘股，市值在100亿以下的公司定义为小盘股。

东方财富Choice数据显示，截至4月4日收盘，大、中、小盘股的数量分别为312家、794家、2399家，占比分别为8.90%、22.65%、68.45%。大、中、小盘股的自由流通市值分别为11.56、5.98、5.90万亿元，比例大约为2:1:1。

2017年市场以大盘蓝筹股行情为主，天风证券强调，去年公司市值与股价表现存在明显负相关，分层统计数据也表明，无论是涨跌幅的平均值还是中位数，300亿市值以上的大盘股的表现最好。

不过，2018年以来这一情况出现了改变，数据显示，今年一季度走势最好的股票的市值区间在300亿至600亿，600亿以上的大盘股出现了调整。更值得关注的是，春节(2月22日)以来，表现最好的是小盘股，而且市值越小，表现相对越好，600亿市值以上的大盘股涨幅均值则出现了负数。

对此，天风证券分析认为，这背后主要有两层原因：

1)超跌反弹小票是近期涨幅居前的主要动力。成长股三级驱动的第一动力是风险偏好回升，很多股票经过两年多的下跌后在底部平台上运行了几个月，在2月上旬的下跌中又出现了恐慌式下跌。另外，监管层对股权质押新规的缓解、流动性环境的改善是小股票超跌反弹的起因。

2)市场环境及预期的变化导致机构投资者换仓。

中盘股性价比高

从估值和盈利角度进行分析，可以发现目前中盘股的性价比很高。

估值方面，除600亿市值以上的超大盘股外，市值在300亿至600亿的大盘股的PE(TTM)为64倍，而150亿至300亿、100亿至150亿市值的中盘股PE(TTM)分别为77倍和51倍。可以看到，中盘股和大盘股之间已基本接轨；从市净率角度看，情况类似。

盈利方面，中盘股ROE中位数均低于大盘股，ROIC同样略低于大市值公司。需要强调的是，150-300亿市值的公司ROIC中位数相对较高。整体看来，中盘股的盈利和增长能力并未显著弱于大盘股。

各方面统计结果显示，中盘股的估值已经与大盘股接近，且盈利能力和增长能力也基本接近，目前中盘股的性价比已经显现，尤其是150亿至300亿市值的中盘股。

中盘成长股为牛股集中营

天风证券认为，对中盘股的挖掘有提升空间。从卖方研究的覆盖程度看，大盘股几乎是全部覆盖，中盘股的覆盖率达到了80%，小盘股的覆盖率也在40%以上。从具体覆盖频次看，中盘股的覆盖频次相比大盘股仍然偏低，未来有提升空间。

此外，天风证券强调指出，考虑到中国经济进入了创新驱动发展的新时代，新经济领域还有许多成长性机会；而600亿市值以上的大盘股大多处于传统行业，并且已经取得了较高的市场占有率，未来的成长空间有限，而中盘成长股的发展空间则要大得多，所以在同等估值水平下，中盘股的吸引力可能更大。未来牛股会更容易诞生在中盘股中。

从中盘股的行业分布看，排名前十的行业为医药生物、计算机、电子、化工、机械设备、传媒、房地产、公用事业、电气设备、有色金属，除房地产外都是多样性强的行业，具有较多子行业。

具体该如何进行牛股挖掘呢？

天风证券指出，要挖掘中盘股，可以多关注上述行业。

具体地，有一类中盘股是细分行业龙头，例如顺网科技、视觉中国、华策影视、阳光电源、国轩高科、华天科技、北方华创、清新环境、石基信息、捷成股份等。这类公司在细分行业中居于领导地位、盈利能力较强，并且大部分公司估值合理，值得重点关注。

还有绝大部分中盘股属于行业中的二线、或者三线品种。在快速成长的行业中，二三线公司也能分享行业的成长，甚至相对行业可能有超额表现，并且有可能成长为新的龙头。对于这类公司，在具有安全边际的估值环境下买入，也是可以取得较好收益的。

>

指标与维度是数据分析中最常用到的术语，它们非常基础，但很重要，只有掌握理解了，才能更好的开展数据分析工作。

1、指标

指标，用于衡量事物发展程度的单位或方法，它还有个常用的名字，度量。例如：人口数、GDP、收入、用户数、利润率、留存率、覆盖率等。很多公司都有自己的KPI指标体系，就是通过关键指标来衡量公司业务运营情况。

指标需要经过算法实现，并且是需要在一定的前提条件进行汇总计算，如时间、地点、范围，即常说的统计口径与范围。

指标可以分为绝对数指标和相对数指标，绝对数指标反映的是规模大小的指标，如人口数、GDP、收入、用户数，而相对数指标主要用来反映质量好坏的指标，如利润率、留存率、覆盖率等。我们分析一个事物发展程度就可以从数量跟质量两个角度入手分析，以全面衡量事物发展程度。

2、维度

维度：是事物或现象的某种特征，用来衡量程度的好与坏。如性别、地区、时间等都是维度。

其中时间是一种常用、特殊的维度，通过时间前后的对比，就可以知道事物的发展是好了还是坏了，如用户数环比上月增长10%、同比去年同期增长20%，这就是时间上的对比，也称为纵比;

另一个比较就是横比，如不同国家人口数、GDP的比较，不同省份收入、用户数的比较、不同公司、不同部门之间的比较，这些都是同级单位之间的比较，简称横比;

维度可以分为定性维度跟定量维度，也就是根据数据类型来划分，数据类型为字符型数据，就是定性维度，如地区、性别都是定性维度;数据类型 为数值型数据的，就为定量维度，如收入、年龄、消费等，一般我们对定量维度需要做数值分组处理，也就是数值型数据离散化，这样做的目的是为了使规律更加明 显，因为分组越细，规律就越不明显，最后细到成最原始的流水数据，那就无规律可循。

只有通过事物发展的数量、质量两大方面，从横比、纵比角度进行全方位的比较，我们才能够全面的了解事物发展的好坏。

其实在实际数据分析的过程中也参照以上思想。通过大量的数据分析软件工具应用可以发现，主要包括以下内容：

整体情况分析和汇总：全局数据的概况、变化趋势、占比等多维度分析：如果是日志数据，已经存在多个数据项，以某一个数据项作为主关键词汇总分析，同比、环比变化，占总数的变化。如果没有日志数据，则需要想清楚解决这个问题原因是什么?需要采集哪些数据项?重要场景问题分析:根据分析的重要问题、用户关心的问题进行分析软硬件性能管理：告警管理、报表管理、基础参数配置和用户管理等

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。这一过程也是质量管理体系的支持过程。在实用中，数据分析可帮助人们作出判断，以便采取适当行动。

数据分析，是运营中很重要的阶段，是信息流推广中一个非常关键的工作，拥有一套清晰的账户数据表，能让你的数据分析过程，轻松自如、得心应手。

笔者在进行数据分析的时候，一般会用到五张表，这五张表进行分析汇总，然后发现账户中的问题，最终解决问题，让账户效果变得更好。

1、营销流程数据表

2、计划消费数据表

3、搜索词报告表

4、多维度数据表

5、关键词报告

营销流程表格

统计营销流程数据（包括各账户展现、点击、消费、平均点击价格）、统计商务通有效对话、统计预约系统的预约量和到诊量，这些全部放在一张表格上，方便计算预约率和到诊率，也方便对比近期的数据，及时发现波动和异常。

如果经常账户提前下线，或者钱花不出去，就要看看是不是市场有波动，或者竞争对手有大动作，还是账户哪里出了问题。都可以在营销流程数据表中找到问题。只有细心的统计数据，才能为以后的优化方向做好铺垫。

昨日计划消费数据报表

统计昨日计划消费数据，把咨询和预约归类在这张表上统计，可以直观的看出消费、对话成本、预约成本和到店成本。

如果某计划成本过高，就要看一下这个计划的投产比合理不合理。短平快、风险小、利润大的计划，会比其他成本要高，这个要结合公司的经营方向来做调整，把成本控制在一个可以接受的范围里。

搜索词报告

搜索词报告，一般1周统计一次，数据量大的时候3天一次，然后把搜索词报告和和关键词报告进行合并统计。可以很直观的看出某个词的展现或者点击。把这些词在账户里重点标记，或者单独管理，对账户优化有很大意义。

这样结合来看，可以让你对整个账户关键词和数据方面了解会非常清晰。再结合数据分析思路，持续优化账户，往好的方面发展，往高质量方面走。这就是小编整理的数据分析所用到表格的分析。希望能帮到正在竞价一线奋斗的竞价员们。

多维度数据表

多维度数据表是把账户数据和客服转化数据结合起来的一个非常重要的表格，我的习惯是把关键词、搜索词、展现、点击、消费、对话词，通过EXCEL的（vlookup）函数调用，把这些数据全部展现在一张表里，这样就不用看好几张报表，劳神劳力还容易迷糊。

通过这张表，可以直观的看出该关键词的展现量、点击量、消费情况以及是否产生对话。针对这些数据，可以很直观的看出来很多问题，调价、添词、否词、优化账户，基本上全靠这张表。

竞价员可能要看好几张表格，而且容易混乱，很难发现问题，所以在这里笔者着重推荐多维度数据表，然后结合关键词报告，这两张表是较为重要的。

关键词报告表

高消费的词通常是核心词，这种词出价都高，但只要着陆页问题不大，转化还是不错的。这种词，可以往上抢一抢，这类词虽然出价高，但点击总体不会太多，消费一般在一半以上，在账户预算够的情况下，尽力保证排名。如果预算不足，就找出主推项目和利润最大的项目来调整。

一般关键词报告是结合搜索词报告一起看的。每天在筛选完这张表之后，根据关键词的数据分析，如果实在没有点击，那就直接否掉。否掉一批词，再往账户里新增一批词，把该否的否掉，该删的删掉，注入新鲜血液，账户才更有活力。

在采集监控数据时，人们常常会在数据上附加若干标签，从多个不同的角度对数据加以描述。我们把这种附加了不同角度标签的数据称为多维度数据。多维度数据除了可以展示更多的数据信息，在故障诊断中也能起到很大的作用。

本文将重点介绍百度云智能运维团队在多维度数据分析方面的实战经验：

多维度数据概念介绍基于多维度数据的故障诊断分析基于多维度数据的智能故障定位算法1. 多维度数据介绍

假设有一个手机网站。

网站的前端开发工程师希望了解用户使用的浏览器情况，则会在采集PV（页面浏览）数据时增加UA（User Agent）标签，这样就可以有针对性地优化前端代码。另一方面，产品经理希望了解用户在不同网络条件下的行为特征，从而优化网站的内容展示。因此他们在PV数据上增加了“网络”标签。

在附加了这两个标签后，某时刻的PV数据就可以展开为表1所示的样子。表1假设UA标签有3个取值，分别是：

“百度浏览器”

“UC浏览器”

“OPPO浏览器”。

网络标签也有3个取值：

“3G”

“4G”

“Wifi”。

根据这两个标签的取值，PV数据就展开成了一个二维表的形态。表中的每一列对应的是UA标签的取值，每一行对应的是网络标签的取值。这就是我们把带标签的数据叫做多维度数据的原因。

这时每个维度对应一个标签，每个维度的值对应了标签的取值。

表1 PV数据二维表格（注：表中数据为假设数据）

表1中共有16个单元格有PV数据。

绿色单元格部分为两个维度的不同取值的交叉维度对应的PV。例如，第二行、二列的单元格表示来自“UA =百度浏览器”&“网络制式=3G”的PV为20000；黄色单元格部分为某一个维度取值的PV总和；第二行、五列的单元格表示某段时间内，来自“网络制式=3G”的PV为38000，该值为“UA=*”&“网络制式=3G”所有维度的PV之和；蓝色单元格部分表示所有维度的PV总和，即某段时间内的总PV为196000。

可以想象，如果在上述PV数据中再增加一个标签，比如销售人员希望增加“省份”标签来作为销售方案优化的依据，数据就会被展开成一个立方体。有n个标签时，数据就变成n维空间中的一个超立方体。

2.0 基于多维度数据的故障诊断分析

发生故障时，通常会体现在多维度数据中。我们在表1的基础上加上各维度的PVLost（即流量损失，处理失败的请求个数），如表2所示。

表2中每个单元格由两个数字组成，分别表示来自该维度的PV、PVLost。例如，第二行、二列的单元格{20000, 95}表示来自“UA=百度浏览器”&“网络制式=3G”的总请求PV流量为20000，其中95个PV因某种原因处理失败。

表2 PV&PVLost数据二维表格（注：表中数据为假设数据）

如果直接对表2进行人为的直观分析，很容易得到结论“此次故障的根因维度为‘UA = UC浏览器’”。

原因如下：

“UA = UC浏览器”的损失流量较多。服务总PVLost为19514，其中“UA = UC浏览器”的PVLost为19029，占总损失流量的97.51%；“UA = UC浏览器”在各网络制式的流量损失率(PVLost/PV)较接近，分别为30.30%(3030/10000)、30.27%(6357/21000)、30.13%(9642/32000)；且与“UA = UC浏览器”维度的的损失率30.20%(19029/63000)相似。

当维度只有两个、且维度的取值不多时，人工很容易定位到根因维度。但在实际工作中，并非如此。随着维度、维度取值增多，人工通过上述的方法进行定位的难度急剧增加。因此，需要通过机器学习的方式自动定位到根因维度。

3.0 基于多维度数据的智能故障定位算法

参考人工定位过程中的分析思路，我们提取了两个可以描述某维度是否为根因的特征：

贡献度，即该维度PVLost与总PVLost的比例。一致度，即构成该维度的子维度的异常程度的相似度。子维度的异常程度的一致度可通过各子维度异常程度间的变异系数衡量，变异系数越小，则异常程度越一致。

根据两个特征的描述可知，贡献程度越高、且子维度的异常相似度越高，则该维度为根因维度的可能性越大。

因此，可以将数据的各维度展开，分别计算各维度的贡献度、一致度两个特征，根据维度的特征识别根因的问题即可转化为分类问题。其中，分类器参数可根据历史故障时各维度的标注数据，利用机器学习算法训练得到。

说 明

图1为我们收集的历史故障时不同维度的散点图，图中每一个点为一个维度（其中，蓝色点为非根因维度，红色点为根因维度）；横、纵轴分别代表贡献度、一致度两个特征；根因维度主要集中在图中的右下角（其贡献度较高、变异系数较小），绿色直线为对该组标注数据训练得到的分类线。

图1 根因维度识别散点图

当维度的个数及其取值过多时，将维度进行展开计算上述两个特征时会带来较大的时间、空间开销。

总 结

本文主要介绍了多维度数据，以及通过多维度数据分析进行故障诊断的一种方法。

首先介绍了多维度数据的特点，以及多维度数据的组织方式。结合一个PVLost增多的例子，分析了人工在利用多维度数据进行故障诊断的过程。参考人工定位过程，提出了基于多维度数据的故障诊断方法，该方法可适用到任意可加和的多维度数据定位的场景。

若您有任何疑问或想进一步了解多维度数据分析相关问题，欢迎给我们评论、留言！

1、看数据看维度

在对某一项业务或者业务的某个模块进行分析时，可以从大小两个角度去切入分析。

首先站在广阔的视角去看待一些数据。比如对某个产品（消费品），就要分析在大环境下是一个什么样的数据，如市场排名，市场占有率。还要记录市场整体波动情况，竞品的数据。这些一般可以通过第三方调研机构或者行业报告获得。

FineReport数据报表看板

然后需要分析针对这个产品你内部关心的数据是什么。比如每月每周的销售量，各渠道的销售量，广告、促销活动、线下活动、联合活动等带来的销售的提升和品牌知名度的提升。

当了解完以上的数据，就应该对这个产品方方面面的情况有个宏观的了解，对需要提升哪些数据指标有一个清晰的认识。之后就是细化到某个模块维度进一步分析，比如电商渠道需要关注的多一些，DAU、WAU、客单价、复购、用户流失等等，每个模块都可建立漏斗信息。实际分析时还要关注数据异常，做针对性分析。

2、什么是好的数据指标？

并不是所有的数据字段都可以当做指标。在选择监测的数据指标前可以先问自己几个问题：

一对于这个产品你核心关注的是什么？比如销售增长率、市场占有率？

二这些指标能够反映这个产品的走向趋势么？如果这些指标变好了能否说明公司是在往好的方向上发展？

三这个指标是否可控，能否操作？如果有些指标你目前的技术根本无法统计到，那也是无济于事。

四指标系设立是否严谨不存在漏洞。描述一个产品的一定是有系列指标，这些会标是否能完全的说明情况，在验证你的假设结论时，是否能完全支撑。

再来说说指标的数据和分析。

有时候数据本身也存在欺骗性，比如这个月的销售额是600W，另外两家最大竞品分别是300W和250W，似乎加起来也没有我们大。但是事实上，我们上个月的销售是800W，竞品分别是200W和180W。数据看上去很漂亮，但是按对比和比率来讲我们远下降了。

所以，好的数据最好一定是以比率的形式存在，要有对比性质的相对数据。

单纯一个或几个数据情况是没有意义的，点连成线，线构成面去展示，用图表展示一段时间的整体趋势，才能客观评价产品的健康程度。通常我们用BI或者报表搭建数据看板（dashboard）监测重要的数据指标。

FineReport数据报表看板

数据分析要有目的性，不要被数据迷惑。上面的数据就是只关注了销售额情况，但忽略了整体分析而导致的表面欺骗。

3、发现数据异常，该从哪几个维度去分析？

有时候总量的角度是无法看出问题的，比如销售额、UV下降了，我们需要进一步细化去分析。看销售额总量的时候明显是下降了，先确定大的市场有没有波动，竞争对手有没有动作，需要查看市场总额以及竞争对手每个品类的数据。然后分析自身，每个渠道的销售额情况监测，每个区域的销售额情况，每个时间段的销售情况，把活动时间比如五一的数据扣除拟合，将有问题的标记出来。如果是渠道问题优化渠道，如果是市场波动，需要全局考虑战略和市场对策。

所以如果是销售额的分析，需要从渠道、活动时间点、地域等情况去深入分析。比如，是不是因为十一的活动导致销量有个明显的上升趋势？是不是因为上周搞了促销活动，导致本周一线业务员有个消极缓冲的时段，整体销售额低迷。

另外，数据一场也不是什么坏事，如果再数据分析过程中发现某数据表现极好，比如某渠道的销售增长率很高，是不是可以思考为什么会这样，有什么好的经验借鉴，甚至是不是要考虑调整渠道的投放比率。

4、不同阶段的关键性指标应该是随着业务的变化而变化的

在做数据分析前，我们会确定分析的目标，每个阶段不同。以电商渠道为例，有时候是分析各类活动效果以进一步优化方案或者挑选最合适的方案，留下分析模型以便后续活动对比预测；有时候是研究广告投放，在预算内让营收最大化；有时候是增强用户粘性，提高用户活跃度。

所以不同阶段无论是关键性指标还是KPI都要做相应调整。比如产品投放初期，关注用户数、订单数，后续考虑用户活跃度，回购率，客单价等等。