近年來，隨著人們的數據意識和數據素養不斷提升，商業智慧和數據分析領域迎來了快速發展期，據Gartner商業智慧報告統計，到2020年全球的商業智慧市場容量預計將達到228億美元。同時，大數據、人工智慧AI、機器學習、深度學習等技術的快速發展，也促進了商業智慧和數據分析產品的新一輪進化。Gartner分析師認為，到2020年，自然語言生成和人工智慧將是90%的新BI平台的標準特徵，50%的分析查詢將使用搜索、自然語言處理，或語音生成，或將自動生成。 許多企業開始重視大數據，紛紛導入報表/BI商業智慧工具，以提高企業效率，支援企業決策，尋找市場新機遇。但由於產業不同、規模不同、E化建設程度不同等原因，企業的BI商業智慧建設程度有很大的卻別。知己知彼，百戰不殆，在競爭日益激烈的市場中，企業清晰的了解自身所處的階段，了解行業總體的發展階段，對於企業戰略佈局、贏得競爭有著重要意義。為此，帆軟數據應用研究院調研了216企業組織，了解到他們的大數據BI系統應用狀態、需求情況、對大數據BI產品功能的期待，同時基於帆軟數據應用研究院對行業的長期觀察和思考，形成了本篇分析。 BI應用的5層金字塔，你處在哪一層？ 分析企業的BI商業智慧應用狀況時，我們一般根據企業的IT人員和業務人員在數據分析中的工作量和投入程度佔比來進行分類，一共5大類型，即BI應用金字塔模型：IT完全主導型、IT強主導型、業務強主導型、業務完全主導型、智慧自助型。 1、IT完全主導型 其典型特徵為，IT人員做底層數據倉庫，以及BI大數據應用工具層面的數據模型處理的所有相關工作，完成95%以上的BI分析頁面（註：主要是指用於生產、經營、管理會議所需要的數據分析頁面，下同）的開發。業務人員僅負責前端數據查看，完成查看報表時相關聯動鑽取操作。 調研中我們發現，處於「IT完全主導型」這一等級的企業，約有93.2%都在使用傳統型BI工具，企業的業務人員基本沒有能力，也沒有需求去自主完成數據分析的工作。這些企業的業務變革並不劇烈，企業管理層認為當前的日常數據簡報能夠滿足企業管理和決策的需要，相對缺少變革的動力。 2、IT強主導型 其典型特徵為，IT人員做底層數據倉庫，以及BI大數據分析工具層面的數據模型處理的所有相關工作，完成80%~95%數量的BI分析頁面。業務人員完成低於20%數量的BI分析頁面。 從調研數據來看，這類企業中，67.5%的企業認為當前業務人員不具備數據分析的能力。而企業需要快速完成部分數據分析工作，所以選擇讓IT人員更多承擔工作。這類企業中普遍認為，商業智慧產品本身並非能夠快速上手，且業務人員仍需要統計學基礎，阻礙數據分析工作從IT人員向業務人員的轉移。 3、業務強主導型 其典型特徵為，IT人員做底層數據倉庫，以及BI大數據分析工具層面的數據模型處理的所有相關工作，完成前期示例不超過20%數量的BI分析頁面。業務人員完成超過80%數量的BI分析頁面。 從調研數據來看，這類企業中，超過80.2%是曾經推行傳統BI的企業，並且部分業務人員是有較高學歷和能力的，能夠學習和掌握商業智慧BI工具和數據分析技能，並願意在工作中積極使用；從帆軟數據應用研究院的實地走訪的部分企業來看，這些企業普遍行業排名靠前，公司從高層就重視數據分析工作。 4、業務完全主導型 其典型特徵為，IT人員做底層數據倉庫，以及BI大數據分析工具層面的數據模型處理的部分相關工作。業務人員完成95%以上數量的BI分析頁面和相當部分BI工具層面的數據模型處理。 相比於第三類使用人群（業務強主導型），這類用戶的一大特點是業務變革十分迅速，從事業務工作的人員學歷普遍較高，業務經營和發展需要企業快速做出決策。而基於數據分析得出的業務判斷相比個人歷史經驗準確度更高，是這類企業基本共識。比如在新興的互聯網企業，或者新零售領域，這個特點尤為突出。 5、智慧自助型 其典型特徵為，IT人員只做底層數據倉庫、數據連接、數據字典相關工作。業務人員處理所有BI大數據分析軟體層面的數據處理，以及所有BI分析頁面。 IT人員搭建數據中心，業務人員完全自主處理和分析數據，這類企業有著明顯的資源密集型的特點，業務人員更多的是偏向運營相關的工作。當然，因為此類受訪企業佔比較少，原因分析的可信度還有待進一步調研來核實。 多數企業目前處在金字塔的哪一層？ 基於BI應用金字塔模型，2017年企業所處階段分布如下： 從調研數據中，我們可以看出，IT資訊部門人員主導企業數據分析的模式仍佔據主流，也就是IT驅動仍是2017年企業BI系統平台應用現狀。從數據調研的受訪企業來看，有高達60.5%的企業的數據分析工作仍是第二類型（IT強主導型），甚至有21.5%的企業的數據分析工作處在第一類型（IT完全主導型），這顯然和業務人員自助數據分析的目標距離遙遠。 與此同時，新型自助BI正在成為商業智慧市場的主流。17.5%的企業是在2017年上線了新型自助BI系統，實現了讓少部分業務人員自助完成BI數據分析的目標。 2018年，企業BI商業智慧應用發展趨勢是什麼？ 在調研中，我們整理出企業2018年對於BI應用的需求，其中前七條如下： 1、企業多級部門數據分層次IT許可權和平台管控，占受訪企業97.6% 需求描述：BI系統工具支援企業的多級部門的數據/分析頁面許可權管控，使得不同層級的部門機構只能看到本部門機構和轄屬部門機構的數據/分析頁面。 需求產生的原因：有的資訊中心為釋放壓力，放權給業務部門使用數據，一旦口子打開，數據缺口就會像洪水一樣泛濫，就又會走向另外一個極端，導致放權下的數據管理混亂，數據口徑不統一，部門之間的數據壁壘等等問題就會出現，同時這將給企業帶來極大的數據安全隱患。 滿足該需求對企業的價值和意義：在滿足業務部門BI數據自助分析的同時，兼顧企業的數據許可權管控，形成企業以IT部門集中管理下的良性數據分析風貌，杜絕企業數據安全隱患。 2、業務人員可通過BI工具進行自助數據分析，占受訪企業94.5%。 需求描述：業務人員可以在瀏覽器前端，對自己許可權範圍內的數據進行多維拖拽探索和自助分析，發掘隱含在數據中的業務價值。 需求產生的原因：企業的傳統E化建設中，IT資訊中心對公司數據進行高度集中的管控，來自企業各職能部門的數據處理以及報表就會全部由IT人員來輸出，一旦業務部門需求集中扎堆，就會造成響應不足，業務部門怨聲載道。資訊中心自身成員熬夜加班做報表，成就感卻很低。 滿足該需求對企業的價值和意義：通過高效靈活的BI工具，業務人員對自己許可權範圍內感興趣數據進行多維拖拽探索和自助分析，以工具簡單易上手的低學習成本，讓真正對分析業務價值最熟悉的業務人員實現自助數據分析探索，最大化業務數據的分析維度和分析效率，靈活發掘數據中可能潛在的業務價值，同時也解放了IT人員的勞動力，降低企業人力成本。 3、可快速搭建型自助BI業務數據模型，占受訪企業87.5%。 需求描述：資料庫表中的數據需要基於業務分析主題進行分類管理，相關數據表之間支援手動/自動構建關聯模型，同時建立的關聯模型支援靈活應用，無需反覆編輯修改或創建新的模型，一次建立即可靈活滿足多重業務場景進行數據分析使用。 需求產生的原因：傳統BI大數據分析工具創建的底層數據關聯相互獨立，無法重複利用，一旦遇到新的業務數據計算分析場景，數據關聯就需要修改或重新創建，極為麻煩，非常不利於IT人員維護。 滿足該需求對企業的價值和意義：通過BI大數據分析軟體快速構建的新型自助式BI業務數據模型，較傳統BI工具針對不同業務分析場景需要多次、重複建模的應用痛點，極大地提高了BI工具的企業中業務數據分析應用的效率，解放了以往IT人員對數據維護的壓力。 4、OLAP多維分析：上卷、下鑽、旋轉、切片、聯動、跳轉等，占受訪企業84.5% 需求描述：BI大數據分析軟體支援強大的頁面OLAP多維分析功能，包括分析視角的上卷、下鑽，維度的旋轉切換，指標的切換，分析數據的切片過濾，組件之間的聯動過濾、頁面超級鏈接跳轉等。 需求產生的原因：隨著業務發展的複雜化，單一角度的數據分析往往難以再發掘出更多有價值的潛在業務信息，取而代之的是需要BI工具能夠滿足強大的頁面OLAP多維分析功能。 滿足該需求對企業的價值和意義：通過BI工具強大的OLAP多維分析功能，以實現多角度、多關聯數據之間的數據無限層次探索分析，發掘出數據中潛在的業務價值。 5、大數據處理性能處理能力達到十億數據秒級響應，占受訪企業63.6% 需求描述：BI系統工具可支撐處理億級以上大數據分析計算的秒級響應，提供多維加速引擎對傳統關係型數據倉庫（SQLServer、Oracle、Mysql等）進行數據提速處理，同時也支援實時對接企業大數據應用平台（Vertical、Kylin、Greenplum等）進行數據分析計算。 需求產生的原因：一方面，傳統關係型資料庫在面對上億級別以上數據量時，容易出現性能瓶頸，長時間的查詢等待往往會導致業務數據分析效率太低。另一方面，當今信息化水平飛速發展，越來越多的企業已經有了自己的高性能大數據平台，對於這部分企業來說，擁有一款能夠直接對接大數據平台進行數據分析的工具尤為總要。 滿足該需求對企業的價值和意義：BI大數據分析軟體提供的強大數據計算處理引擎，能夠降低企業數據查詢等待時間成本，提高業務數據分析效率。同時，通過直接對接企業大數據平台，還可滿足企業實時數據分析的需求。 6、業務人員可完成工具層面的零程式碼數據加工處理工作，占受訪企業57.5%。 需求描述：BI系統工具可通過快速易上手的交互方式，讓業務人員也能完成工具層面的零程式碼數據加工處理工作，例如例如表合并、分組統計、結構數據分層、過濾、增加欄、同比環比、累計值、所有值、公式運算等數據清洗和數據處理方法，實現對數據的無限層次多維透視分析統計。 需求產生的原因：當業務需求相對偏複雜時，簡單的維度和指標統計往往無法直接計算出業務所需要的計算結果，以往的處理方式往往可能是業務部門提需求給IT，然後IT經過SQL或者程式碼對底層數據表加工處理，然後最終導出一張excel數據表給業務部門，期間的反覆溝通和等待時間往往降低了企業的業務數據分析應用效率。 滿足該需求對企業的價值和意義：通過BI大數據分析軟體，使得業務人員也能快速實現對數據的無限層次多維透視分和析加工統計，降低了傳統模式下的溝通成本和等待時間，提高了企業業務數據分析的應用效率。 7、行動端數據分析查看支援，占受訪企業44.9% 需求描述：BI工具支援行動端數據分析多維分析查看功能（兼容PC端的上卷、下鑽、旋轉、切片、聯動、跳轉等），對於BI工具的應用app支援便捷的掃碼登入、離線查看、批註、分享等功能，同時滿足某些社群平台如Wechat、釘釘的企業公眾號集成。 需求產生的原因：在當今這個行動設備便捷時代，僅僅PC端的數據分析已經不能滿足某些特定時間和場所的業務分析需求了，而BI對行動端的支援已經成了必然要滿足的功能點。 滿足該需求對企業的價值和意義：通過行動端的BI分析查看，使得數據分析不僅僅局限於PC端，較大地增強了數據分析的便捷性。同時Wechat和釘釘的集成接入，讓業務通過社區平台也能直接查看想要的數據分析頁面，更是為行動端數據分析錦上添花。 搶先對手佈局，才有領先對手的優勢 資料經濟時代到來，大數據已經不只是一個議題，許多企業憑藉大數據實現華麗轉型，遠遠甩掉競爭對手，獨佔鰲頭。大數據已經成為企業在市場上競爭的關鍵，更是面對未來競爭環境必須採用的手段。BI商業智慧作為大數據應用的技術工具，得到越來越多企業的重視，清晰了解企業現狀，盡早佈局商業智慧應用，才能搶先抓住大數據所帶來的成長契機，擁有領先對手的競爭優勢。

當今時代數位產業飛速發展，各類底層大數據應用平台百花齊放，億級數據、秒級響應已經不再是當年的遙不可及的神話。然而對於企業來說，數據計算快僅僅是滿足企業進行業務數據分析的硬體基礎，如何發掘這些海量的數據產生應用價值，走好數據分析這最後一公里，引導企業進行戰略決策卻是至關重要的一步。 相信大家對網路運營都不陌生了，上期跟大家分享了關於網路流量運營的一些數據分析心得和運營策略。 在獲取到用戶流量之後也就獲取到了平台的一批潛在用戶，那麼如何通過一系列的運營策略讓用戶順利完成搜索商品——>瀏覽商品——>商品下單——>交易付款的過程轉化呢？ 通過對平台數據進行數據分析引導經營策略，最大化每個營銷漏斗的轉化率是我們孜孜以求的目的。本文以網路行業為數據業務分析背景（轉化篇），分別從下單轉化率、事件轉化率、服務轉化率、退貨率四大方面進行分析和思考，希望能跟大家交流一些數據分析方面的心得和體驗。 一、下單轉化率 對於平台經營方來說，我們希望一旦有用戶流量進入平台網站，就能夠順利按照我們平台運營設定好的系列要求一步步進行下去，最終完成交易付款操作。那麼對於網路運營方來說，就需要做好用戶在會員註冊、商品收藏、購物車添加、交易付款等一系列轉化操作。對於這樣需要進行逐級轉化的平台運營，那麼我們首先可以通過漏斗圖進行宏觀的流程轉化數據分析找出目前階段最需要優化的運營環節，有效地進行針對性治理，最終提高整體平台用戶下單轉化率。 會員註冊轉化率： 會員註冊轉化率=新增會員總人數/新訪客總人數，對於網路平台運營方來說，往往用戶進行平台消費行為之前都需要註冊為網站會員。而網站會員機制有利於平台進行定向運營推廣，以增強用戶和平台之間的黏性，故而提升網站平台的會員註冊轉化率對於提高用戶復購率來說非常重要。在當下這樣的一個的網路社群時代，除了做好自己的網站直接會員註冊運營之外，打通跟其他社交平台比如臉書、微信、QQ等平台帳號共享能夠明顯提高網站平台的註冊轉化率。 商品收藏轉化率： 商品收藏轉化率=商品收藏總數/商品瀏覽總數，這一指標通常在平台舉行大型促銷活動之前需要時刻關注的一個指標，因為在這個時間段內的商品收藏量有很大幾率能夠直接轉化為成功交易訂單，與此同時，該指標對平台活動促銷效果也能夠起到一定預估作用。 品牌/單品轉化率： 品牌/單品轉化率=單品成功交易訂單/單品瀏覽量，這一指標通常用戶平台進行商品受歡迎程度統計，通過分析品牌/單品轉化率，從而引導商鋪進貨品牌種類，提高單品轉化率高的貨物進貨量的同時降低單品轉化率低的貨物進貨量。 付款轉化率： 付款轉化率=付款總數量/下單總數量，這一指標通常用於反應平台的支付渠道和用戶的支付習慣的匹配程度，通常來說我們需要完善快捷銀聯支付、支付寶、微信支付等渠道，降低因為用戶沒有某個支付平台而放棄消費的可能性。 如上這張報表所示 ，我們通過FineReport報表軟體/FineBI BI系統進行某個平台的用戶訪問階段轉化率數據分析。我們逐級來看各節點轉化情況，首先是用戶從瀏覽商品行為到添加購物車行為這一流程的轉化情況，我們通過漏斗圖可以快速看出其轉化率為50.77%，反映出該平台的商品介紹、圖片描述等對用戶有較強的吸引力。接下來繼續看添加購物車到下單的轉化率，可以看出其轉化率高達99.66%。之後下單至付款的轉化率僅50%，這是一個值得反思的轉化節點，通過數據分析猜測該平台商鋪支付渠道不完善，需要增加例如支付寶、微信等快捷支付渠道，降低平台因為沒有提供用戶習慣性的支付渠道而導致用戶放棄購買行為的幾率。 二、事件轉化率 時間轉化率通常指的是平台或商鋪通過一系列的運營推廣活動以及由於公共事件影響所帶來的額外價值。這一指標對於平台運營評估和指導市場推廣運營活動極為重要，例如網路營銷總的SEO關鍵詞投放、折扣促銷活動、郵件營銷等等效果跟蹤。關於事件轉化率方面的數據分析，通常我們可關注於營銷渠道轉化率、會員轉化率、店鋪流量轉化率、下單轉化率等指標進行活動的推廣營銷效果評估。 如下圖所示，我們FineBI首先分析出各個營銷推廣渠道的轉化率環形玫瑰分布圖，可以看出目前平台的轉化率最高的渠道主要是基礎上線工作、SEO關鍵詞推廣、微信推廣、品牌推廣幾個渠道。同時我們想聯動查看每個渠道對應的轉化率數據時，通過FineBI商業智能產品提供的數據自動聯動過濾功能讓用戶無需任何設置即可進行所有相關聯的數據聯動。我們先來看看微信渠道隨時間的轉化率走勢情況，可以推測出平台在2015年9月29日（因為從2015年9月29日用戶的下單轉化率有所下降，一般用戶在知道近期即將有促銷活動的時候，往往會收藏商品從而產生延遲消費，所以活動開始前的時間轉化率會降低）左右發布了即將要開始的商品促銷活動，同時活動日期大概在2015年10月1日到2015年10月7日左右（轉化率提升明顯），屬於國慶黃金周的大型活動促銷，同時也取得了較好的活動效果。 除了以上渠道營銷策略之外，對於平台商鋪而言，合適的關聯性商品推薦也能夠提高用戶對關聯商品的購買率，比如用戶在購買完服裝之後可以再給他推送鞋子一類商品。另外關於事件轉化率方面，由於季節性以及公共事件也會影響商品的下單轉化率，針對不同時期較流行的商品進行進貨營銷往往才能夠達到最大的盈利目的。 三、服務轉化率 服務轉化率方面，通常用戶在網上購買商品時，對於商品的一些細節品質以及發貨渠道和速度等會需要做一些了解。那麼良好的服務自然能夠提高顧客的購買率，對於平台的客戶人員，我們可以統計處其諮詢到下單的節點轉化率，並且以諮詢到下單的轉換率指標作為KPI指標之一來評價客服人員的工作績效。 如下報表所示，我們通過FineReport報表軟體/FineBI BI系統進行客服諮詢下單轉化率條形圖的數據分析統計可以發現，該平台的Blanche、Henry、Christian、漢克、貝蒂這五名客服的轉化率比較優秀，並且都在10%以上，其他的客服員工的轉化率則相對較低，故而這方面可以讓轉化率最為優秀的Blanche客服給其他客服做一次服務培訓，整體上提昇平台的服務水平，進而提升用戶的下單轉化率。 四、退貨率 退貨率方面，對於用戶而言退貨的原因通常可分為兩大類，一類是由於買到的商品質量有問題而申請退貨，另外一類可能是由於用戶自身原因想申請退貨。平台方往往更為需要關注第一類因為商品質量問題而申請退貨的商品，通過歷史商品的質量原因退貨數據統計分析，對於確確實實是存在質量問題的商品需要及時反饋給供應商，質量過於嚴重的話可以考慮該類商品和供應商的協商庫存退貨。 本次的關於網路運營轉化篇的數據分析經驗心得分享暫時先寫到這裡，後續將繼續給大家分享關於網路數據運營方法的促活、消費、留存等方面的一些經驗，歡迎大家一起共同交流探討網路運營之道。

前言 近年來，隨著人們的數據意識和數據素養不斷提升，商業智慧和數據分析領域迎來了快速發展期，據Gartner商業智慧報告統計，到2020年全球的商業智慧市場容量預計將達到228億美元。同時，大數據、人工智慧AI、機器學習、深度學習等技術的快速發展，也促進了商業智慧和數據分析產品的新一輪進化。Gartner分析師認為，到2020年，自然語言生成和人工智慧將是90%的新BI平台的標準特徵，50%的分析查詢將使用搜索、自然語言處理，或語音生成，或將自動生成。但我們必須認識到，中國商業智慧的市場特徵、企業需求、關注點、發展階段均與國外有所不同，以Gartner為代表的分析機構並不能準確描述中國商業智慧行業的實際狀況。針對這一問題，帆軟數據應用研究院調研了規模不一的216家企事業單位，了解到他們的大數據BI系統應用狀態、需求情況、對大數據BI產品功能的期待，同時基於帆軟數據應用研究院對行業的長期觀察和思考，形成了該篇報告。 主要預測： 2018年，中國大數據BI產品將主要在自助分析的可操作性和功能豐富度、平台的安全性、數據管理能力、分析的共享能力、數據探勘能力、大數據處理能力六大功能模塊進行提升。 一、2018年中國商業智慧行業發展分析 (一)行業總體形勢向好 在當前經濟環境下，企業盈利的壓力和難度不斷增加，越來越多的企業，尤其是一、二線稍具業務規模的企業，其高層都希望通過精細化運營提升市場競爭力，降低企業的運營成本。這些企業絕大多數都已經在2008年~2015年間上線了各種業務系統，存儲了大量管理和運營數據，具備應用大數據BI進行數據分析和數據化管理的各種條件，這些需求將在2018年~2022年繼續爆發。值得注意的是，艾瑞諮詢在《2017年中國商業智慧行業研究報告》中指出，中國已經進入商業智慧領域第一方陣，成為發展最快的國家之一，但和美國還有比較大的差距。所以未來中國大數據BI行業總體將呈現加速度增長，市場容量將不斷擴大。 (二)大數據BI廠商馬太效應顯現 馬太效應是指強者越強，弱者越弱的現象，國內BI行業的馬太效應已經顯現。據帆軟品牌部調研數據顯示，處於行業第一梯隊的帆軟、Tableau、微軟PowerBI的品牌知名度和市場份額與其他廠商進一步拉大。帆軟2017年全年營收2.77億人民幣，遠超其他國內廠商之和。同時帆軟銷售部反映，2017年度銷售跟單中遇到的競品種類和數量均較2016年有相當大幅度的下降。BI行業出現馬太效應實屬必然，綜合實力強大的廠商更能投入資源做好產品、服務，解決更多用戶的需求和問題。可以預見，2018年中國BI行業馬太效應將進一步增強，逐步淘汰掉實力弱、規模小、產品差的企業。 (三)新型自助式BI與傳統型BI平分秋色 得益於敏捷、自助的特徵，從2013年起新型自助式BI迎來了高速發展期，這一時期也是傳統型BI的衰退期。 2017年，傳統型BI與新型自助式BI在國內市場中平分秋色。受訪企業中，約50.2%的企業仍然在使用傳統型BI，其中最典型的需求是企業常規日報、月報等匯總分析報告。約49.8%的企業應用新型自助式BI，通過報表平台+自助式BI+大數據底層平台的解決方案，來解決企業綜合的數據展示和分析需求，形成經營和戰略決策。在調研中我們注意到，約有18%的企業引進了新型自助式BI，部分或全部替代了傳統BI。雖然傳統型BI有其自身優勢和應用場景，但隨著新型自助式BI的不斷發展，傳統型BI必將逐漸退出歷史舞台，從國際傳統BI巨頭積極調整產品結構可見一斑。 二、2017年中國商業智慧用戶狀況分析 根據企業的IT人員和業務人員在數據分析中的工作量和投入程度佔比，我們將BI用戶（企業）劃分為5大類型，即BI應用金字塔模型，以更好的統計、分析企業的BI應用狀況。 (一)BI應用金字塔模型 1、IT完全主導型 其典型特徵為，IT人員做底層數據倉庫，以及BI大數據應用工具層面的數據模型處理的所有相關工作，完成95%以上的BI分析頁面（註：主要是指用於生產、經營、管理會議所需要的數據分析頁面，下同）的開發。業務人員僅負責前端數據查看，完成查看報表時相關聯動鑽取操作。 調研中我們發現，處於「IT完全主導型」這一等級的企業，約有93.2%都在使用傳統型BI工具，企業的業務人員基本沒有能力，也沒有需求去自主完成數據分析的工作。這些企業的業務變革並不劇烈，企業管理層認為當前的日常數據簡報能夠滿足企業管理和決策的需要，相對缺少變革的動力。 2、IT強主導型 其典型特徵為，IT人員做底層數據倉庫，以及BI大數據工具層面的數據模型處理的所有相關工作，完成80%~95%數量的BI分析頁面。業務人員完成低於20%數量的BI分析頁面。 從調研數據來看，這類企業中，67.5%的企業認為當前業務人員不具備數據分析的能力。而企業需要快速完成部分數據分析工作，所以選擇讓IT人員更多承擔工作。這類企業中普遍認為，商業智慧產品本身並非能夠快速上手，且業務人員仍需要統計學基礎，阻礙數據分析工作從IT人員向業務人員的轉移。 3、業務強主導型 其典型特徵為，IT人員做底層數據倉庫，以及BI大數據分析工具層面的數據模型處理的所有相關工作，完成前期示例不超過20%數量的BI分析頁面。業務人員完成超過80%數量的BI分析頁面。 從調研數據來看，這類企業中，超過80.2%是曾經推行傳統BI的企業，並且部分業務人員是有較高學歷和能力的，能夠學習和掌握商業智慧BI工具和數據分析技能，並願意在工作中積極使用；從帆軟數據應用研究院的實地走訪的部分企業來看，這些企業普遍行業排名靠前，公司從高層就重視數據分析工作。 4、業務完全主導型 其典型特徵為，IT人員做底層數據倉庫，以及BI大數據分析工具層面的數據模型處理的部分相關工作。業務人員完成95%以上數量的BI分析頁面和相當部分BI工具層面的數據模型處理。 相比於第三類使用人群（業務強主導型），這類用戶的一大特點是業務變革十分迅速，從事業務工作的人員學歷普遍較高，業務經營和發展需要企業快速做出決策。而基於數據分析得出的業務判斷相比個人歷史經驗準確度更高，是這類企業基本共識。比如在新興的互聯網企業，或者新零售領域，這個特點尤為突出。 5、智慧自助型 其典型特徵為，IT人員只做底層數據倉庫、數據連接、數據字典相關工作。業務人員處理所有BI大數據分析軟體層面的數據處理，以及所有BI分析頁面。 IT人員搭建數據中心，業務人員完全自主處理和分析數據，這類企業有著明顯的資源密集型的特點，業務人員更多的是偏向運營相關的工作。當然，因為此類受訪企業佔比較少，原因分析的可信度還有待進一步調研來核實。 (二)BI用戶狀況分布 基於BI應用金字塔模型，2017年企業分布如下； 從調研數據中，我們可以得出兩大結論。 1、IT人員主導企業數據分析的模式仍佔據主流，也就是IT驅動仍是2017年企業BI系統平台應用現狀。從數據調研的受訪企業來看，有高達60.5%的企業的數據分析工作仍是第二類型（IT強主導型），甚至有21.5%的企業的數據分析工作處在第一類型（IT完全主導型），這顯然和業務人員自助數據分析的目標距離遙遠。 2、新型自助BI正在成為商業智慧市場的主流。17.5%的企業是在2017年上線了新型自助BI系統，實現了讓少部分業務人員自助完成BI數據分析的目標。 三、2018年商業智慧用戶需求分析 (一)企業多級部門數據分層次IT許可權和平台管控，占受訪企業97.6% 需求描述：BI系統工具支援企業的多級部門的數據/分析頁面許可權管控，使得不同層級的部門機構只能看到本部門機構和轄屬部門機構的數據/分析頁面。 需求產生的原因：有的資訊中心為釋放壓力，放權給業務部門使用數據，一旦口子打開，數據缺口就會像洪水一樣泛濫，就又會走向另外一個極端，導致放權下的數據管理混亂，數據口徑不統一，部門之間的數據壁壘等等問題就會出現，同時這將給企業帶來極大的數據安全隱患。 滿足該需求對企業的價值和意義：在滿足業務部門BI數據自助分析的同時，兼顧企業的數據許可權管控，形成企業以IT部門集中管理下的良性數據分析風貌，杜絕企業數據安全隱患。 (二)業務人員可通過BI工具進行自助數據分析，占受訪企業94.5%。 需求描述：業務人員可以在瀏覽器前端，對自己許可權範圍內的數據進行多維拖拽探索和自助分析，發掘隱含在數據中的業務價值。 需求產生的原因：企業的傳統E化建設中，IT資訊中心對公司數據進行高度集中的管控，來自企業各職能部門的數據處理以及報表就會全部由IT人員來輸出，一旦業務部門需求集中扎堆，就會造成響應不足，業務部門怨聲載道。資訊中心自身成員熬夜加班做報表，成就感卻很低。 滿足該需求對企業的價值和意義：通過高效靈活的BI工具，業務人員對自己許可權範圍內感興趣數據進行多維拖拽探索和自助分析，以工具簡單易上手的低學習成本，讓真正對分析業務價值最熟悉的業務人員實現自助數據分析探索，最大化業務數據的分析維度和分析效率，靈活發掘數據中可能潛在的業務價值，同時也解放了IT人員的勞動力，降低企業人力成本。 (三)可快速搭建型自助BI業務數據模型，占受訪企業87.5%。 需求描述：資料庫表中的數據需要基於業務分析主題進行分類管理，相關數據表之間支援手動/自動構建關聯模型，同時建立的關聯模型支援靈活應用，無需反覆編輯修改或創建新的模型，一次建立即可靈活滿足多重業務場景進行數據分析使用。 需求產生的原因：傳統BI大數據分析工具創建的底層數據關聯相互獨立，無法重複利用，一旦遇到新的業務數據計算分析場景，數據關聯就需要修改或重新創建，極為麻煩，非常不利於IT人員維護。 滿足該需求對企業的價值和意義：通過BI大數據分析軟體快速構建的新型自助式BI業務數據模型，較傳統BI工具針對不同業務分析場景需要多次、重複建模的應用痛點，極大地提高了BI工具的企業中業務數據分析應用的效率，解放了以往IT人員對數據維護的壓力。 (四)OLAP多維分析：上卷、下鑽、旋轉、切片、聯動、跳轉等，占受訪企業84.5% 需求描述：BI大數據分析軟體支援強大的頁面OLAP多維分析功能，包括分析視角的上卷、下鑽，維度的旋轉切換，指標的切換，分析數據的切片過濾，組件之間的聯動過濾、頁面超級鏈接跳轉等。 需求產生的原因：隨著業務發展的複雜化，單一角度的數據分析往往難以再發掘出更多有價值的潛在業務信息，取而代之的是需要BI工具能夠滿足強大的頁面OLAP多維分析功能。 滿足該需求對企業的價值和意義：通過BI工具強大的OLAP多維分析功能，以實現多角度、多關聯數據之間的數據無限層次探索分析，發掘出數據中潛在的業務價值。 (五)大數據處理性能處理能力達到十億數據秒級響應，占受訪企業63.6% 需求描述：BI系統工具可支撐處理億級以上大數據分析計算的秒級響應，提供多維加速引擎對傳統關係型數據倉庫（SQLServer、Oracle、Mysql等）進行數據提速處理，同時也支援實時對接企業大數據應用平台（Vertical、Kylin、Greenplum等）進行數據分析計算。 需求產生的原因：一方面，傳統關係型資料庫在面對上億級別以上數據量時，容易出現性能瓶頸，長時間的查詢等待往往會導致業務數據分析效率太低。另一方面，當今信息化水平飛速發展，越來越多的企業已經有了自己的高性能大數據平台，對於這部分企業來說，擁有一款能夠直接對接大數據平台進行數據分析的工具尤為總要。 […]

文/李傑林舉 源/數據管理及應用 今天和一個保險公司的IT資訊部交流數據賦能，起因是客戶的領導布置了18年工作重點：數據要給管理賦能，數據要給業務賦能。 賦能，原本是心理學的術語，從字面上看，就是給某人或某事物賦予某種能力或能量。數據賦能，就是數據給管理、業務賦予某種能力。與傳統的數據應用相比，賦能，更強調組織架構的靈活性、商業流程的敏捷性及人員的能動性。這麼看來，數據賦能與在管理、業務中發揮數據價值，好像也沒有本質區別。 數據賦能的任務框架，包括三大任務： 採集數據，或者整合企業內部、外部數據； 洞察數據，或者數據分析、數據探勘； 應用數據，將洞察結果應用到實際業務中去。 當然，這三個任務組成一個循環過程，是個持續運營的體系。 數據賦能的任務框架，保險客戶很認可，同時也有點迷惑：採集哪些數據，如何應用？ 這就涉及數據賦能的更高層級：業務框架。從企業的戰略或者年度績效重點出發，尋找合適的業務場景、業務產品，明確相關KPI。在這個業務框架下，進行數據服務任務框架的建設。 客戶同樣很認可，可惜客戶今年沒有明確的重點業務方向，沒有明星產品，所以，業務驅動的數據賦能有難度。 業務驅動不可行，只能建議客戶轉向另一個方向，數據驅動。 這裡首先存在一個數據選擇的問題，即關注公司內部的哪些業務數據。這裡有幾個原則：準確性、及時性、穩定性、關聯性。 針對選擇領域的數據，基於業務知識，通過細分、趨勢、關聯等數據分析方法，期望獲得某種數據洞察。 洞察之後，一是可以提交業務方案建議，更理想的是，將洞察融入實際的業務過程中。 最後，一定要建立某種對比評估方法，對數據洞察的效果有真實、有效、客觀的反饋。 備註一點，外部數據儘管越來越多，但還是建議客戶首先立足企業內部數據，充分發現、發揮數據的關聯性。 最後，和客戶達成共識：儘快啟動數據賦能項目，採用人力資源框架的模式，項目內容包括： 體系的諮詢規劃； 數據分析洞察； 數據應用方案及評估； 業務效果展現； 同時，數據的採集、整合由行方現有團隊負責。

文 | 傅一平 源 | 與數據同行 對於任何一個在數據領域摸爬滾打的人來講，取數往往是其數據生涯的開始，通過取數我們了解了公司的業務、系統和數據，沒有經歷過取數肯定是不完整的數據人生，這也是企業很多數據分析師，數據探勘師職業生涯的起點。 但你會發現，企業內有人通過取數升級成數據分析師、數據探勘師，亦或投奔業務，而很多人則一直在取數，搗騰著那一分三畝的數據，很勤奮但沒有進步，為什麼？ 同樣是取數的新人，往往3個月後就會體現出巨大的差距，這在企業內見得很多了，為什麼？ 自己做過長達4年的取數，教訓和經驗很多，隨著科室新人增多，建模的建模，變現的變現，取數則是其干成事的一門基本功。 筆者一直想對於自己的取數得失做個總結，看看是否於團隊的新人有益，道理早點知道，受益終生， 直到最近讀了《刻意練習》這本書，才讓我找到了答案，為什麼同樣是取數的人，差異是如此巨大。 取數雖然技術門檻不高，但要取好數就如任何一門職業一樣，非常不易，新人的取數如果養成刻意練習的習慣，則可以超過99%的人，當然其實任何職業都一樣。 讓我們看看一個新人到達企業後學習取數的一般方式： 你首先會進入一個數據分析團隊，然後團長會給你安排一位同事做你的導師，你的導師首先會讓你準備一些取數的裝備，因此，你申請了系統賬號和取數平台賬號，被授權了數據訪問許可權，然後你具備了取數的環境。 你決心開始學習，但你不知道取數的第一件事到底是什麼，因此，你得從導師那裡了解到取數需要具備哪些基本技能，比如SQL，如果你SQL不會，你還得自學一下，假如不同平台SQL寫法不同，你還得從導師那裡拿到一些樣本專項學習，取數的工具如果不會用，你還得再補習一下，或者導師可能手把手教你一遍。 關於SQL學習，推薦兩篇文章： 零基礎快速自學SQL，1天足矣—附最全SQL學習資源和練習題！ 20條Tips：高性能SQL查詢，優化取數速度方案 然後，導師給了你很多以前的取數需求和程式碼，你會去理解需求中的業務概念，這些業務概念與數據是怎麼個對應關係，從程式碼中你知道了如何從取數平台中獲取這些數據，當然還涉及一系列匯入匯出的工作，最後，你終於知道如何端到端的去完成一個取數。 你似乎掌握了基本的取數技能了，但你發現，你對於一個新取數需求仍然完全無從知道如何下手，然後，你一遍一遍的進行實戰演練，團隊也會給你一些新的需求讓你嘗試做做看，隨著練習的深入，你開始對於SQL的寫法很熟悉了，比如你知道了創建一張新表比更新數據表效率似乎更高一點，你對於某類業務的取數似乎形成了一定的解決套路，比如假如取數涉及費用和用戶，只需要從用戶寬表去取就可以了，隨著積累的增多，你逐步駕輕就熟了，你已經可以獨立完成團隊給你分派的取數任務了，那也就是說，你已經在傳統意義上「學會了」取數。 隨著取數閱歷的增多，你的所有取數動作都是自動完成了，你的表現也逐步被業務人員接受，不需要太多的思考，到這個時候，即使你對自己的取數水平並不是徹底滿意，但你的進步是實實在在的，你已經掌握了容易的技能。 的確，一個努力的取數新人，在6個月到1年時間都能達到這個水平。 但你很快便會發現，你依然有一些弱點，不論你多麼經常的取數，這些弱點總是暴露出來，比如突然要取一個從來沒見過的指標，你從現有的表中根本沒見過這個指標，然後你還得去找團長，團長告訴你這個指標現有的表中沒有，得找到這個表的源頭去取，然而你根本不知道源頭的表在哪裡，那個對你來說是黑箱子，團長只得手把手教你找到了那張表。 這次取數比以前長很多，頗費周折，雖然你會感到一點挫折，但不管怎樣，由於問題解決了，而且這並不經常發生，而且你永遠不知道業務人員什麼時候再有類似的需求，因此，你沒有必要形成針對此類問題解決的套路，當3個月以後再面對這種問題，你總是以前一種的方式去應對。 類似的問題很多，人家覺得你取數慢，你不會去想怎麼提升，大多歸因於時間緊、系統慢唄，業務部門有抱怨，你不會思考自己的問題，大多歸因於人家不講理唄，數據出得晚了，也就抱怨一下倉庫太垃圾，維護不給力，如此總總。 這個時候，你被其他的人拉開了差距，團長也不自覺的調低了對你的期待值，而你自己卻不知道。 在我們學習任何一項技能時，我們全都遵循很大程度上相同的模式，首先，一般性地了解我們想做些什麼，從導師、書籍或網站上獲得一些指導，然後開始練習，直到我們達到可接受的水平，接下來，讓這種技能變成自動的、自然而然的，這種方式並沒有錯，我們工作或生活中所做的事情，很多只需要我們達到中等水平便可以了。 但在這裡，你要理解一件非常重要的事情，一旦你已經達到了這種令你滿意的技能水平，而且能做到自然而然地表現出你的水平，你就已經不再進步了，人們通常錯誤地理解這種現象，因為他們自以為，這種形式化的練習，如果不停地做下去，自己一定能夠更擅長、也許進步較為緩慢，但最終還是會更出色。 人們認為，開了20多年車的老司機，一定會比只開了5年車的司機更擅長開車，教了20多年書的老師，一定會比只教了5年書的老師能力更強。 但是，現實並不是這樣的，研究表明，一般而言，一旦某個人的表現達到了可接受的水平，並且可以做自動化，那麼，再多練習幾年，也不會有進步，甚至如果沒有特意提高，這些自動化能力會緩慢的退化。 恰好最近筆者去理了一次發，感觸頗深。 因為小區的理髮店要等很長時間，因此筆者破天荒的到了一家很貴但不需要等待的理髮店，理了史上最貴的一次頭，300元人民幣，而一般小區只要25元，給我理髮的是20歲出頭的小夥子，以前小區的是40-50歲的大叔了，但這次的確理的很好，筆者臉比較圓，頭髮也不多，因此小夥子通過適當改變我的髮型讓我顯得不那麼胖，而且頭型表面均勻而自然，不像小區理的那樣，有點雜草叢生的樣子。 然後我問了老闆情況，他說他們這裡的都是專業的理髮師，還分了很多檔次，有41,61,128,237的，而且這些理髮師都非常年輕。 取數也是這樣，作為一項基本的生產任務，大多必然是枯燥和技術含量不高的，有太多的取數人員沉溺其中，做著重複的工作而沒有進步，有人會說這是公司的任務，多枯燥也得完成，但筆者想談的是取數進步的階梯，取數能否進步其實跟工種沒有關係，只跟自己的練習方式有關，即使拋開自己的成長因素，更強大的取數能力對於公司也是百利而無一害。 那麼如何提升取數能力從而成為大師呢？ 《刻意練習》這本書提到刻意練習是我們知道的最有效和最強大的練習形式，對於刻意練習原則的運用，是為任何行業或領域策劃和設計訓練方法的最佳方式，刻意練習大致包含以下一些特徵，這裡筆者結合取數也談一談。 1、刻意練習包含得到良好定義的特定目標 刻意練習包含得到良好定義的特定目標，通常還包括目標表現的某些方面；它並非指向某些模糊的總體改進。一旦設定了總體目標，導師或教練將制訂一個計劃，以便實現一系列微小的改變，最後將這些改變累積起來，構成之前期望的更大的變化，改進目標表現的某些方面，使得從業者能夠看到他的表現已經通過練習得到了提高。 我們假想音樂學生如果確定了類似下面這樣的練習目標，可能會比他漫無目的的練習要成功的多：「連續三次，不犯任何錯誤，以適當的速度彈奏完曲子。」如果不制定這樣一個目標，就沒有辦法判斷練習是不是成功了。 你要練習取數的速度，首先要練習業務理解能力，你可以把所有的歷史取數需求做個分析，將所有指標分門別類，針對每類指標，歸納總結從哪類表中可以快速的獲取，你可以一天設置一個業務目標，攻克一類業務的取數方式。 筆者以前取數從市場取到財務再到客服再到政企，花了巨大的代價在實踐中去熟悉每類業務的取數套路，自己已經覺得不錯了，但如果當時遵循上述目標原則，取數的速度肯定會更快。 2、刻意練習發生在人們的舒適區之外 刻意練習要求持續不斷地嘗試那些剛好超出他當前能力範圍的事物。因此，它需要人們付出近乎最大限度的努力，一般來講，這並不令人心情愉快。 比如原來你取數習慣於串列跑腳本，現在要提速，因此你得改變原來寫程式碼的方式，換成並行的邏輯，換成並行意味著可能這次取數要花更多的時間和代價，你本能是不願意的。 比如你負責為市場部取數，如果駕輕就熟了，就有必要為自己製造點麻煩，可以申請去為政企部、財務部、客服部等更多的部門去服務，在一個全新的陌生領域可以更好的提升自己的技能。 聽一些互聯網公司的取數人員講，每天只能倒騰自己那一塊數據，取得都煩了，感覺沒意思，沒意思就意味著沒有挑戰，意味著大腦其實很舒服，這對於數據人員的職業生涯是個危險的信號。 3、刻意練習是有意而為的 也就是說，它需要人們完全的關注和有意識的行動，簡單地遵照導師或教練的指示去做，還不夠，學生必須緊跟他的練習的特定目標，以便能做出適當的調整，控制練習。 很多新人取數有個問題，就是太乖了，導師說一句，他動一下，完全不敢越雷池半步，這個時候，導師的瓶頸就是你的瓶頸，這樣取數水平很難青出於藍而勝於藍。 記得以前筆者剛進公司的時候，取數是基於PLDEV這個軟體的，經常程式碼貼上去就直接跑了，但後來發現作業多了管理就混亂了，而且一步小心就關掉了頁面，規模化效率怎麼也提不上去，筆者那時就提出搞一個作業管理工具，能夠7*24不間斷的跑，但這類超越現狀的刻意提升的工作還是少了。 4、刻意練習包含反饋以及為應對那些反饋而進行調整的努力 在練習過程的早期，大量的反饋來自導師或教練，他們將監測學生的進步、指出存在的問題，並且提供解決這些問題的方法。隨著時間的推移，學生必須學會自己監測自己、自己發現錯誤，並做出相應調整。 大多企業對於新人是沒有那麼好的即時反饋機制的，一般取數新人在能端到端完成一個取數後，企業安排的導師就很少關注新人的成長了，因為自己也是這麼過來的。 這是有問題的，我們似乎過於相信新人的自我更新能力了，有時候新人甚至不知道自己哪裡不知道，比如新人過於痴迷於數據倉庫模型，以為這就是數據的全部，卻全然不知道源系統數據的學習更為重要，解決取數問題光知道what,how是不夠的，還需要知道why，這就需要導師給予新人更多的，及時的反饋，讓取數新人發日報並且給予及時反饋是必須的，但即使這一點也很難做到。 […]

當今時代數位化產業飛速發展，各類底層大數據平台百花齊放，億級數據、秒級響應已經不再是當年的遙不可及的神話。然而對於企業來說，數據計算快僅僅是滿足企業進行業務數據分析的硬體基礎，如何發掘這些海量的數據產生應用價值，走好數據分析這最後一公里，引導企業進行戰略決策卻是至關重要的一步。 本文以網路行業為數據業務分析背景，希望能跟大家交流一些數據分析方面的心得和體驗。 數據分析的本質其實是做數據對比分析，沒有數據對比，單一的指標統計往往難以發揮數據價值。像我們常見的數據對比分析方法有同比、環比、佔比等一系列分析指標，那是不是所有的數據業務場景都可以直接進行套用分析呢？比如我們統計企業2018年1月29日的同比流量，是不是可以直接對比2017年1月29日？表面上看好像2017年1月29日確實就是2018年1月29日時間層面上的同比日期，但是我們仔細對比查看這兩個日期會發現2018年1月29日是周一，2017年1月29日確是周日。對於很多行業的企業來說，非工作日和工作日的數據往往是有很大差異的，這個時候單純從日期層面來進行對比其實是沒有什麼意義的，選擇對比同是周一的2017年1月30日的流量數據進行同比計算可能會更加有價值。 目前網路行業做搜索引擎的有Google、百度，做綜合門戶的雅虎、新浪，做即時通訊的主要是Line、騰訊，電子商務方面的主要是亞馬遜、阿里、京東、PChome等。不論是以上的哪家網路企業，往往都需要有一套引流、轉化、消費、留存方面的運營策略，平台的流量數據分析往往都是非常重要的。 網路流量數據分析方面，總結主要有如下四種數據常用分析方法： 1.對比分析流量規律，針對時段進行企業服務以及推廣活動調整； 2.對比分析結構佔比，指導進行定向群體營銷推廣 3.對比分析異常情況，及時追責並且進行調整； 4.對比追蹤活動流量變化，總結活動效果經驗以便後續有針對性調整。 如上圖所示，我們通過FineReport報表工具製作出以上的流量數據分析模板，接下來嘗試著對數據做一些對比分析。 一、用戶瀏覽量周分布 對於網路企業來說，流量數據往往都會呈工作周相關。對此，我們可以先宏觀地統計出周一到周日中的總的平台流量柱狀圖數據對比情況。首先我們可以仔細觀察工作日和非工作日的數據，發現周末的平台流量較工作日流量要高，這在網路行業來說都是一個比較普遍的現象。 用戶流量的周分布規律之後，我們就大致有一個推廣方向，周末休息時間用戶群體較大，相較於工作日可以投入更多的和豐富有吸引力推廣活動來進行新用戶引流和老用戶活躍。 接著我們可以進行下一步思考，那工作日和周末我們的活動推廣時間如何制定？有的同學們可能會覺得全天活動都可以，不需要關注具體的活動時間。但是對於網路行業來說，每個時間段的推廣費用都是較為昂貴的，我們完全可以分析出工作日和周末的用戶流量趨勢，進行有針對性的時間段投入推廣，通過更小的成本獲取到更多的用戶流入。 首先是工作日的時間段流量統計分布，我們通過BI工具分時間段作圖得到如下所示的流量分布圖。可以看出，工作日的流量主要集成在每日的9點（上班時間）、13點（午餐時間）、20點（晚間娛樂休息時間），那麼在得到這樣的一些用戶流量規律之後，便可以在這些用戶活躍高峰期時間段有針對性對白領群體多做一些相關商品推廣活動，以實現最小時間成本和推廣費用最大化用戶引流效果。 再來看周末的各時間段流量分布走勢，和工作日所不同的是，周末的流量早高峰期延後到了10點，這可能和各位小夥伴們周日作息較晚有關（同學們周末都是幾點起床呢），除此之外，晚上的流量高峰退潮期也有延後。針對與周末用戶流量分布的特性，網路企業在周末時可以將活動開始時間和活動結束時間都適當進行延後，這個時候不能再套用工作日制定好的活動時間計劃了，因為符合用戶群體作息規律的推廣促銷活動才能達到更好的效果。 二、推廣渠道流量分布 對於網路行業的推廣渠道分布主要分為三級渠道：線上渠道、線下渠道、社群行銷等等。對比分析每個渠道對企業所帶來的價值佔比差異，以指導制定有針對性營銷策略。 如上圖所示，由於推廣渠道是分多層級的，我們通過報表製作工具的多層餅圖進行數據的分析統計再合適不過了。分析下圖的數據我們可以看出，首先是一級渠道的主要戰鬥力來自於社群行銷，當今的臉書、Line等社群媒介社區時代受眾廣泛，用戶群體非常龐大，是公司需要投入主要成本進行推廣的。其次線上渠道的效果也不容忽視，對於網路企業來說，做好百度、Google等SEO搜索引擎關鍵詞推廣也是很重要的一部分工作。相較於線上渠道和社群行銷，線下渠道說所需要的經費和時間、人力成本較大，受眾又相對較小，所以此類活動往往針對核心粉絲進行運營即可。 三、各月份指標對比走勢 在分析各月份指標對比走勢數據之前，先簡單介紹下網路營銷常用的幾個指標概念： 1.瀏覽量（pv） 2.訪問次數（visits） 3.訪客數（uv） 以上三個基礎指標常用來衡量流量數據的多少。另外平均訪問深度（總瀏覽量/訪問次數）、平均停留時間（總停留時間/總瀏覽量）、跳失率（跳出次數/訪問次數），這三個指標通常可用于衡量流量指標的優劣性。 我們仔細分析上圖中的平台流量指標，可以發現10月份是2017全年的流量高峰期，應該跟企業在假期所做的促銷引流活動有關。瀏覽量、跳失次數、訪問次數分別為4941、1290、2182，對比計算可得到跳失率為59.12%，明顯低於其他時間段的跳失率，說明10月份的活動效果還不錯，其經驗對以後的營銷推廣可以起到參考作用。 最後是訪問深度用戶群體分布分析（跳失率=跳出次數/訪問次數），我們通過報表軟體將企業的VIP用戶、老用戶、新用戶分別進行分時間段的用戶群體訪問深度分析統計。總體來說可以發現平台的VIP用戶訪問深度較老用戶以及新用戶稍微高些，但是不是太明顯，說明平台運營的VIP這部分群體的活躍度還有待提升。同時，平台老用戶訪問深度和新用戶更是相差無幾，公司對於用戶這方面的活躍運營明顯需要加油了，建議將平台的部分忠誠度較高的老用戶以VIP用戶組建起來，共建平台生態圈，增加整體的用戶活躍度。同時可以向老用戶以及VIP用戶實施一些優惠政策，如定向商品折扣、根據用戶畫像進行喜好商品特惠推送等。 本次的數據分析經驗心得分享暫時先寫到這裡，後續將繼續給大家分享關於網路數據運營方法的轉化、消費、留存等方面的一些經驗，歡迎大家一起共同交流探討網路運營之道。

文/傅一平 源：與數據同行 大數據對內支撐的時候，往往會被投資部門質疑，你的數據為什麼要存儲這麼長時間，這些數據到底能產生多大的價值？請給個理由？ 說來也奇怪，我們做數據的，以數據為謀生手段，卻很難評估自己的數據到底能創造多高的價值？ 有一種評估數據價值的方法肯定是錯的，即基於數據的類型、周期、粒度、硬體及人工成本等維度。 記得剛做變現的時候就想著把數據的生成和建模成本計算出來，由此作為定價的依據，姑且不說能否倒騰出什麼計算公式，即使有了公式其實也沒有意義。 為什麼呢？ 我們還是要回到每個人就應該知道的答案上吧：在市場上，決定價格的最重要因素，是需求，數據也一樣。 千萬不要誤以為價格和成本直接相關，它們只是間接部分相關，人們為某個標籤付錢，是因為他們真的需要，而不是因為這個標籤的製作成本有多高。 傳統企業做對外大數據價值變現有各種驅動，包括獲得更多的收入、更大的影響力等等，但有一個好處是隱性的，即獲得了一種最為客觀評估數據價值的方法。 客戶的需求和獲得的收入就像是一座燈塔，指引著企業所有的數據資源向這邊傾斜，無論是人力成本、軟體成本還是硬體成本。 比如做對外拓客，建模師就可以非常好的量化自己的貢獻，客戶買的單就是最靠譜的依據，這是巨大的進步。 但對內就非常困難了。 這是當前BI系統、經分、大數據分析對內運營中的一個困惑，雖然也許我們仍然無法準確評估數據對內的價值，但有了對外評估的參照，我們起碼可以知道為什麼對內評估會這麼難 ？ 首先，數據對內變現跟對外有個最大區別，就是對內不是市場化的運作，供需關係導致的價值體系完全失效，對內無論是數據、模型還是產品，業務人員可以隨便使用，數據提供者不能向業務人員收錢，業務人員也沒有選擇的餘地，企業內搞虛擬結算又往往顯得自說自話，缺乏公信力。 其次，對內數據的使用過程往往是個長流程，數據嵌套在公司的生產流程中的確發揮了價值，但其所佔的比例很難說清楚，這裡又可分為以下一些價值體現方式，當然不僅限於這幾種：營銷、報告和產品： 針對行銷數據，比如要評估一個外呼拓客的總收益，可以根據獲得的客戶數乘以未來預期價值大致能測算出來，但到底多少算是外呼渠道的貢獻，多少算是行銷清單的貢獻呢？ 假如將總體收益當成數據的價值，就會形成評估泡沫，畢竟企業的行銷成本可是剛剛的，親兄弟還是要明算賬，管錢的部門可不是好忽悠的。 比較科學的方法是做AB測試，所有條件保持一致的條件下，通過數據的改變（比如準確度）來評估提升的效益，但對於大多企業來講，實施成本還是太高了，特別是線下的場景，雖然點的評估有時一鳴驚人，比如某次營銷成功率提升100倍，但那又怎麼樣，無法說明數據對於企業的整體價值有多大。 針對報告數據或數據產品，其價值更是取決於人，業務人員從這些數據和產品使用中獲得了多少額外的收益，沒有人能說得清楚，很多企業往往只能以報表、產品點擊量來作為評估數據價值的一個依據也是無奈之舉，但對內點擊流量的價值並沒有公允的評判標準，業務人員點擊一次報表算多少錢？顯然沒有答案。 可以看到，一旦數據脫離了市場定價體系，對內數據的價值評估方式必然跟企業的流程、機制及數據價值呈現方式相關，而其中每一項都不是那麼容易計算的。 再次，作為使用者，業務人員（決策者）其實是最有發言權來評估數據的價值的，但其驅動力往往不高，因為沒必要為數據付錢就沒必要說清楚這個數據值多少，即使提供了也很難為評估的質量負責，或者就流於形式。 這個時候，數據提供方為了證明自己的價值，往往需要越界到業務前端去評估數據價值，但其實也是勉為其難，特別容易陷入斷章取義的評估陷阱，既當運動員又當裁判員，言不正名不順。 就這樣陷入了數據評估的死循環。 大數據應用時代，大家都看到了數據的巨大價值，但企業再有錢，也不可能無限制的投入，需要給投資一個信服的理由。 對外數據變現雖然處於起步階段，但其對於數據的利用將是最高效的，諸如金融驗真查詢一次多少錢絕對不是根據成本算出來的，而是由需求決定的，數據產品也一樣，市場就像一隻看不見的手決定著數據該有的價格，決定著企業未來數據投資的方向。 對內數據價值評估則複雜的多，一種方法是根據不同的數據價值體現方式給出不同的評估標準，營銷類的需要針對各種營銷模式進行梳理，比如按渠道、政策等類型給出簡訊流量類行銷（比如隨機）基準水平值（比如成功率），通過AB測試出精準數據的額外價值（註：不考慮成本的行銷就是啥流氓了），以後凡是超出這個基準值的部分就算是數據的價值了，但越複雜的市場營銷體系就意味著越複雜的計算方式，管理成本太高了，對內數據類產品就只能根據UV，PV來計算了，但每一類產品的UV，PV單價又是不一樣的。 還有一種就是將數據服務部門獨立出來，按實結算，回歸市場體系，比如運營商BI集成商評估自己的數據服務價值就非常容易，合同額大小唄，當然弊端就是溝通成本會比較高，對於一個致力於創新性的企業，似乎也不是理想的選擇，沒看到BAT把自己的數據服務部門獨立出來吧。 無論如何，對內數據的價值評估，數據提供者的確有舉證的職責，對於自身的發展也有利，就好比天使投資，人家不奢望你馬上賺錢，但也有義務給他們畫個餅。 但即使是這一點，數據提供者也很難做到，大多將數據服務當成了需求，重建設而輕運營，這個時候，問題倒不在於評估的能否科學，而在於有沒有做了這個評估，能否將評估當成數據服務的一個原則，能否將評估作為下次改進的依據。 比如機械的做報表而不去評估報表的使用情況，瘋狂的取數卻不去諮詢取數的目的和效果，好不容易做了標籤庫卻對訪問人數停滯不前無動於衷，好不容易開發了模型卻不去常態化的跟蹤效果，諸如此類太多了，而對外變現的市場機制顯然會保證這一點。

「你的名字」上映了那麼久，到現在我還難以忘記那些美不勝收的場景，每一幀都很美，每一個畫面都可以做桌面背景！再來看自己做的慘不忍睹的報表，常常被老闆罵醜到哭~ 報表，尤其是企業報表做的醜是有原因的。企業報表最主要的功能是呈現有價值的數據，但企業數據種類多、分析維度多、展示區域有限、製作者水平不一等特徵都造成了企業報表的美觀度的不足的情況。 但說報表沒辦法做好看，那就是見識太淺了！這裡匯總了一批大神們製作的報表，可讀性和美觀性完美融於一體的作品集，堪稱報表界的「你的名字」！ 實時促銷活動數據分析報表 每個時間段的流量狀況清晰明確，關鍵資訊如參與活動人數、新客人數、購買數、購買金額等都實時顯示；右下角的中獎訊息採用滾動播放的形式。整張報表主次分明、動靜結合。 基於地理資料的一張報表 布局簡潔大方，通過左上角的時間查詢查看不同時間段的狀況，尤其中部的地圖報表動態展示清晰明了又美觀。 獨具行業或企業特色的報表 航空企業報表製作中，在報表中增加一些飛機圖標、圖畫之類的擬物效果，讓報表更真實生動。 動態報表更具魅力 IT運維實時統計報表也可以做成這樣！不要在吐槽IT人員的審美啦！中間地圖上模擬的呼吸動畫，底部的滾動消息讓整個報表活起來了。 3D效果真正用起來非常炫酷 報表最大的亮點在於左上角的3D地圖。基於真實地圖和基本建築數據構造都市圈級別的宏大場景，政府部門、連鎖企業、LBS提供商等對真實經緯度和展現區域範圍敏感的企業都可以用的到。來放大看看： 新圖表樣式和配色更符合審美 炫酷的水球圖代替傳統的儀錶盤等展示百分比數據的圖表，還能更為形象的展示百分比數據以及百分比之間的連續變化關係。讓數據浪起來，顏值相當高！ 報表也有溫度 這是旅遊行業的一張報表，增加的天氣部分是個亮點。開源社區中提供的天氣介面，雖然有很多，但是要不就是收費要不就是不夠穩定，介面信息不夠豐富，不能滿足個性化的大屏和報表場景。並且帆軟FineReport數據分析與資料視覺化工具的製作用戶當中，很多都是資料庫相關的運維人員，使用js在前端獲取天氣資料非常麻煩。所以FineReport報表軟體創新地推出了一款「天氣資料視覺化」的外掛程式，使用非常方便美觀。在一些天氣多變的地區，報表中添加一下天氣資訊也非常的有人情味哦！ 全球化、跨區域的報表不再是單調平面 看這張報表第一眼就被中間的3D地球吸引住啦，科技感十足！立體地球是非常好的跨區域的基於地理資料的數據載體。相對於平面地圖，3D地球更加生動，表現力也更強。3D地球支援基於數量和位置的點標註以及以兩個位置和時間為維度的流向地圖，實現了Web環境下的三維展示與空間資料管理，也能夠基於報表BI平台進行資訊發布、數據共享、交流協作，並且完全基於 B/S 模式，與決策大屏無縫連接。在國土資源、跨國交通和跨境貿易等方面有著廣泛的應用。 來看細節： 數據也要流動起來 這是交通路線圖軌跡圖。 軌跡圖支援對經緯度點數據動畫的各種配置，包括運動軌跡的速率、顏色、拖尾、順序等等。帆軟finereport數據分析軟體使用者配置好軌跡圖後，可在報表或大屏中同時管理並追蹤數千萬終端設備的軌跡，適用於物流車隊管理、互聯網創業公司共享出行大屏、外勤人員管理報表監控系統、運用智慧穿戴設備的健康物聯網等領域。 報表在有限的區域內表達豐富的資訊 在桑基圖愛好者的社區網站上寫著這樣一句話：「A Sankey diagram says more than 1000 pie charts」，意思是一張桑基圖比一千張餅圖描述的東西更豐富。這張圖的下方就應用了桑基圖來描述投資基金的時間、領域流向，在有限的位置上清晰表達多種訊息。 這是桑基圖插件單獨實現的災害告警圖： 文本數據也需要視覺化的展示 詞云是這幾年比較火的一種圖表，稱文字雲，是文本資料視覺化的表示，由辭彙組成類似雲的彩色圖形，用於展示大量文本數據，許多新聞資訊中能看到它的身影。這張報表應用的是動態詞云，支援自定義圖表樣式，包括背景顏色、詞雲顏色、圖例、3D動態旋轉方向、3D動態屬性等功能。對於文本資料的展示，能快速感知最突出的文字、快速定位按字母順序排列的文字中相對突出的部分，在電子商務的客戶評價、品牌調查的企業印象等處都有應用。 自動播放的報表在很多場景都有應用 看左下角那個甜甜圈！也叫作環圖，這種自動播放的效果在TV屏幕、大熒屏等主要用於展示的地方非常方便實用哇！ 特殊報表需要客製化 這是某製造企業的生產設備監控大屏報表。雖然將敏感數據都馬賽克了，不夠完整，但仍然能看得出來這是一個神作！傳感器+報表，自動監控每一台設備每一個環節的運營狀況 還與錄像監控連接起來，重點區域的監控直接顯示在報表上面。 這種商場櫃檯品牌分佈和銷售圖也需要根據商場的地圖客製化。 還有一些非常炫酷的資料視覺化效果，他們的使用讓報表的美觀度大大提高。 象形柱圖 它是柱形圖的擴展，它既可以用圖形的長寬變形表現數據，也可以用圖形的個數、甚至是圖形的顏色、透明度變化表現數據以及展現數據內在的含義。 卡通折線圖 相较于传统的折线图，它的效果更为生动，支援特殊的加载动画、提示标签和阴影效果。 维恩图(Venn) 它用來來显示元素集合重叠区域的图表。比如表達關係行銷的概念嗎，一圖勝千言。 英國地區概念圖。 會打架的圖表 這款碰撞圖特別適合市場佔有率、兩部門對比 3D條形圖展示三維數據和自動旋轉 […]

不重視數據就追趕AI，這種跳躍式發展是空談 Gartner公佈的2018年科技發展趨勢，其中第一個趨勢就是AI人工智慧。IDC發布2018年臺灣ICT市場10大科技關鍵趨勢預測中，AI也位居前列。在各大媒體的版面上，AI也是炙手可熱的話題，從AlphaGo戰勝圍棋冠軍，到亞馬遜新型態超市Amazon Go，再到無人駕駛汽車、智慧客服、人臉識別、理財機器人等等。 在這火熱背後，有多少是理性驅使，又有多少是人云亦云？很多企業開始考慮是不是自己公司是不是也要儘快上馬AI技術，以防在大潮中落後。各國政府也坐不住，美國、中國、加拿大、英國紛紛大量投資AI人工智慧領域相互追趕，以求在世界技術大潮中佔有一席之地。就在昨天，台灣微軟表示，在行政院與經濟部的支持下，微軟在台成立「微軟AI研發中心」，將在2年內投資台幣10億，建立百人研發中心團隊。 是不是給企業更多的研究人才、更多投資就會產出 Alpha Go這樣的AI人工智慧產品？ AI的發展需要很多的基礎和條件：先進的技術和專家，政府的政策資金支持，擁有大的用戶基數以產生大量的數據。顯然很多中小企業並不具備這樣的條件，即使政府投資幫助解決了研究人才和資金問題，要分享AI人工智慧的紅利，還有數據問題需要面對。 創新工場的李開復這樣評論台灣的AI發展機會： ICT高科技朝代迭代是快速的，有週期，有連續性的。從半導體->PC->軟體->Internet->社交->行動->大數據->AI，每個時代的領跑者在下一個時代都有優勢（若錯過，就很難補課；錯過越多，越難補課）。很不幸，台灣從PC時代之後就基本缺席，錯過五個朝代再來追趕會特別困難，需要在多方面都有突破（技術+政策+人才引入+投資生態+市場認知+甚至運氣）。 AI是大數據養起來的，大數據像是AI的食物，吃的足夠多、足夠好AI才能足夠智慧，跳過中間環節談AI都是空談。譬如我們做一個客服機器人用來代替人工，如果沒有長期客戶問題數據積累來對其進行訓練，不斷優化它的演算法模型，這個機器人就毫無用處。再比如最近大熱的機器人看病，你講出癥狀，機器人就會能夠從資料庫中找到相同相似的病情，給出建議做某項檢查或如何用藥，數據對於機器人的訓練是核心。而今天能在公開途徑獲得的數據集絕大多數都是非商業用途數據，是從網路上積累的數據。真正用於工業商業場景的高價值數據是難以從公開數據集中尋找到的，需要企業經營中積累。而很多企業，連結構化的資料收集都沒做到，或者是存儲了資料但仍然無法整合利用起來，這種狀況下與其大談AI，不如回頭來先做好基本的軟體和數據的積累。 沒有數據就從現在開始收集! AI人工智慧仰賴大量的數據，網路公司在這方面得天獨厚，通過瀏覽、點擊、停留時間、付款等數據分析用戶的喜好、習慣。把這些數據交給人工智慧學習，就能在內容推薦、版面排布、價格設定、行銷活動和用戶體驗等方面不斷優化，像是facebook可以精準的根據用戶喜好投放廣告一樣。 其他類型的公司也可以從和用戶的眾多接觸點獲取用戶數據並進行數據分析，比如製造業產品銷量、用戶評價，零售門店顧客行動軌跡、貨架停留時間，銀行業的用戶存款、投資記錄，醫院病人就診、購葯、住院記錄等等。 餐飲企業在手機上查看每天分時段銷售狀況和菜品銷售排行榜，長期積累數據可以用來預測人流量和菜品銷售在不同季節月份節日的狀況，在採購、人員安排、菜品規劃等方面提供指導 醫院患者預約狀況分析，月度預約人數、預約方式、預約科室狀況，積累數據對於醫院的工作人員安排、預約方式改良、疾病爆發狀況提供支撐 除了用戶數據，企業採購、生產、流通、銷售、財務、人資各個環節都可以收集到數據。製造業會更多依賴物聯網技術，各種生產設備上加裝感測器，收集溫度、濕度、速度、位置、震動、壓力、流量、氣體等等數據，用來管理設備、識別異常、杜絕生產事故等作用。 裝置負荷資料視覺化總覽 每5秒鐘抓取一次數據的設備實時監控 養豬企業為每頭種豬都建立了QR CODE，飼養員掃描QR CODE將種豬的配種記錄、妊娠記錄以及產仔記錄回填到資料庫和隨時查看相關記錄，長期積累就可以按照設定的演算法標準自動淘汰產仔率低的種豬，以提高整體的經營效率。 有數據要正確管理和整合,以发挥价值 公司積累了數據，但用不起來對企業來說就是垃圾。有的企業數據都在excel裡面，多、亂、不準確，還有些數據分布在不同的系統不同的資料庫中，無法整合或者整合中發生指標不統一，或者底層數據混亂等問題。善用一些數據工具會幫助解決很多問題。 直接將已有的Excel資料批量匯入數據庫之中 某企業的數據整合方案 AI的實現是一個過程，不是一蹴而就的。如果基礎做不好，就先回過頭來打基礎，有了基礎再去考慮AI與實際業務的哪些結合真正能夠對企業有所提升。沒有對數據的重視，AI離企業還有很遠。

FineReport是操作簡單卻功能極其強大的工具，只要你能想到的，沒有它實現不了的。入門容易，升級難，沒有幾個月的學習是很難達到高手的境界！ FineReport的知識層次如下，每一個層次又有很多級別: 操作： FineReport的使用技巧，按照大功能可分為數據表、圖表、參數查詢、數據填報、行動端、平台搭建、定時調度、部署集成。 擴展： FineReport外圍但非常相關，主要是底層的數據處理，需要掌握的有資料庫知識SQL語言、ETL等，前端的一些實現開發，需要掌握的是JS 開發： FineReport支持各類外掛程式，帆軟有外掛程式商城，官方和外部開發者開發的非常豐富。不滿足的功能可以自己開發定製，需要掌握java 我們觀察發現，番薯(帆軟粉絲)們的知識面並不廣，基本上是項目中涉及到知識才比較熟練，加上平時沒有足夠強的學習驅動，番薯中真正的高手並不多。帆軟技術支援工程師們並不存在這個問題，他們每天會接觸到非常多的客戶諮詢，問題五花八門，他們不僅要知其然，更要知其所以然，沒有深厚的知識儲備絕對做不好服務工作。正是這種工作壓力，帆軟技術工程師成長很快，差不多每天都拚命學習，整個能力提升過程就是「一萬小時法則」。 所以，結合我們內部培養人的經驗，以及帆軟論壇上的觀察，給出了下面的學習建議。 沒有完美的方法，只有最適合自己的方法，所以你要自己去摸索。希望你能早日從菜鳥成長為超越神一般的存在，並且在學習的過程中，獲得收益，獲得快樂，收穫友情，最終能與帆軟一同成長。 入門（預計5~10天）： 1、2天之內自學SQL查詢語句，並完成附件中的SQL題目（會SQL的請跳過） SQL.zip 2、3天之內使用FineReport完成9道練習題，在這期間遇到問題怎麼辦？ 查找FineReport說明文檔 觀看FineReport入門影片 在帆軟論壇【FR-問題求助】版塊發帖諮詢（註冊后發文） 參加相關線上線下教學 （會在官網和facebook臉書粉絲團同步發佈最新教學資訊） 9道練習題 3、通過FCRA認證考試，考試之前你可以先進行題庫練習 4、獲得10個最佳答案，加入帆軟互助團隊 （帆軟論壇【問題求助】版塊解答別人的問題，可以快速提升自己的實戰能力，並且獲得收益、結交大神） 進階（預計1~3個月）： 1、如果急著要做報表項目，可以通過解決項目中的實際問題來提升自己，在這期間遇到問題怎麼辦？ 查找FineReport說明文檔 觀看FineReport進階視頻 到帆軟論壇【FR-問題求助】版塊發帖諮詢 找帆軟技術支援工程師尋求幫助，技術問題提交，或者聯繫黃天璽顧問 +886 958387921安排技術服務 參加相關線上線下教學 （會在官網和facebook臉書粉絲團同步發佈最新教學資訊） 2、獲得100個最佳答案，加入磚家組，在此期間遇到問題怎麼辦？ 查找FineReport說明文檔 加入互助團隊QQ群互相交流 3、把FineReport幫助文檔從頭到尾看一遍 4、把FineReport的內置demo，從頭到尾做一遍，和幫助文檔結合，學習事半功倍！ 大神（預計3~6個月） 1、獲得500個最佳答案，加入叫獸組，在此期間遇到問題怎麼辦？ 查找FineReport說明文檔 到互助團隊QQ群互相交流 與帆軟產品、技術、研發進行交流 2、獲得500點帆軟講師經驗 3、獲得FCRP認證 超越神一般的存在（預計6~15個月） 1、外掛程式開發方向：獲得FCPP認證 （這個要求會java開發+精通FineReport+懂業務） 2、報表開發方向：成為帆軟合伙人（負責帆軟某個區域的培訓、項目等）