「零售在做客戶經營時一般要經歷三個階段，有客戶沒連接、有連接沒互動、有連接有互動！」 4月15日在2017年企業互聯網峰會上，探路者CIO張航講述了自己和探路者的數字化轉型過程中的痛點和體會。 探路者這個人盡皆知的戶外品牌，典型的零售企業。在前幾年O2O熱炒，他們卻很冷靜，腳踏實地地進行數字化轉型。張航分享了零售企業數字化轉型的四個觀點： 一、從以產品為中心，過渡到以客戶為中心； 二、零售企業數字化轉型應以門店為主； 三、門店需要從傳統的重銷售轉向重客戶服務的職能； 四、以行動互聯網為載體。 以下是探路者CIO張航先生的現場演講實錄： 傳統零售店數字轉型的四個觀點 說到傳統的零售企業，其實它核心的資產就是門店。實體和線上相比，其實實體在產品的體驗、服務、客戶交流互動方面，頗具優勢的，線上的劣勢實際上是在數據存留方面。如果可以揚長避短，在發揮原有優勢的同時，運用數字化手段將數據存留，線下企業的競爭力就會大大提升。 觀點一：零售企業要從過去以產品為中心，過渡到以客戶為中心。 我們生產了很多產品，也銷售給了很多客戶，但是如果你做一個使用過自己產品的客戶調研，其實非常困難。因為你可能不知道你的客戶在哪裡、客戶是誰，或者說你無法觸達你的客戶。有客戶，沒有連接，這是第一個層次。 現在，很多企業把微信作為商家和客戶連接的橋樑，但是有了連接的通道之後，實際上又出現了新的問題——有連接，沒有互動，這是第二個層次。做得好的企業，在CRM系統可能有客戶的消費數據，但是關於用戶行為喜好的數據還是不足。這樣一來，將來做精準行銷，對做客戶畫像而言還是頗有難度。 第三個層次是有連接，有互動。這需要跟消費者緊密互動，通過互動可以提升價值，提升客戶黏性。同時，通過與客戶的互動，可以熟悉和了解客戶的喜好。在CRM系統裡面有很多數據，可以跟用戶交換。當然，通過各種互動活動，畫出客戶畫像，這是更準確的。 零售企業對產品一直非常重視，甚至有產品為王的說法。但是，如果你對你的客戶都不了解，不知道客戶的喜好，那你研發出來的產品，可能就只是你自己的想像，閉門造車而已。這樣一來，成功可能就是碰運氣，沒有一個持續生產出受客戶歡迎的產品的機制。我們需要離客戶更近一點。 觀點二：零售企業數字化轉型應以門店為主 。 之所以有這個觀點，來源於兩個原因：首先，未來幾年線下消費仍然會佔比較大；其次，線下也是傳統零售企業的優勢，包括京東、去哪兒等等這些線上企業，現在也在重視線下渠道，嘗試做線上線下的O2O或者全渠道。 不論如何，門店都是一個流量的入口。線下企業做線上，很多新的客戶到底從哪裡來？一定不能靠第三方平台，要靠自己！因此門店就是一個入口，必須以門店為主導，和客戶建立更緊密的關聯。 觀點三：門店需要增加客戶服務的職能，而傳統的零售企業，門店的主要職能是銷售。 每天都和客戶講銷售、做行銷，很容易讓客戶反感。可以給客戶做產品的售後服務，比如：退換貨登記、缺貨登記、穿衣搭配推薦、一對一服務等等。另外，需要做內容，內容是品牌公司在後台做好，提供給前台人員使用的，比如產品適用的場景。 現在僅僅談產品的質量和價格是不能打動客戶的，當然更沒辦法解釋電商、網紅這樣的事情。除此之外，原先的產品介紹、產品圖片都需要數字化，以適應線上和線下的融合。 數字化轉型的核心是數據驅動，所有的決策行為都不是拍腦袋而來的，絕不是憑感覺，而由數字說話，由數字的分析結果決定你的行為。 一個關注價值的高端客戶，如果總是收到尾貨的打折促銷資訊，心裡會很不爽的，他覺得你的行銷做的很Low，越這樣做對品牌形象負面影響越大，必須靠精準行銷做到精準的推送。 觀點四：以行動互聯網為載體。 我們的微信每天都在統計數據，我們的客戶都已經跑到微信上去了，你只要採取科學的戰略——客戶在哪兒，你也跑去哪兒，當客戶有需求的時候就會想到你。除此之外，還要跟客戶做到連接，這是可觸達、可服務的，對你的客戶進行洞察，就可以對消費者進行畫像。其實最終的目的都是做精準行銷。 零售企業轉型應該關注的六大場景 今天的主題叫「場景 · 湧現」，我在此列了六個場景。這些場景對零售企業的轉型都非常有用，而且也基本都有現成的解決方案，門檻也不高。 場景一：電子小票 零售行業可能有很多業態，我不能保證對所有的情況都有用。比如服裝、鞋帽都是可以的，但餐飲可能不太適合。大家買一件東西，商家開的可能是紙質小票，保留是很困難的，但這卻是退換貨的依據。用電子小票能大大降低留存難度，通過統計，很多門店80%的客戶都會接受這樣的方式。這種方式，其實就涉及三個動作。 第一步：從收銀台去列印一張紙質的小票，小票上有一個QRCODE。 第二步：客戶掃QRCODE關注，在微信里就有消費記錄，直接形成了電子小票。 第三步：讓客戶自覺自愿地跟你的品牌發生關聯。有的企業賣了很多產品，但是為什麼做不好連接？我們時常會發現，有些粉絲，買了你的產品卻不願意關注你的服務號，所以需要給出很多積分獎勵，刺激他們關注。但是也很可能在領完禮品之後，就把你刪掉。在這樣的場景下，完全站在消費者服務的角度，會大大提升用戶掃碼的意願。 場景二：讓導購成為專屬的客服 這個場景跟電子小票類似，在QRCODE上加入一個導購的參數。這樣做有什麼好處呢？在傳統的門店裡，所有的導購都是有紙質手冊的，這個手冊裡面記錄了他聯繫的重要客戶情況，這些東西是導購的個人資產，企業並沒有得到存留。這樣的方式，其實是一套基於微信的客服系統，建立了導購和粉絲的連接。 導購平常的工作可能八小時到十個小時，如果客戶有需求，能為其提供一對一的客服，效果會很好。比如下班的時候，導購也可以回答各種問題。這裡面就涉及企業的利益分配問題。 現在大家都在談流量，其實很多企業商城最大的問題就是缺流量，而導購就有最好的資源。這裡面就需要解決利益分配的問題，其中維度包括線上線下產品的評價，同步的服務等等。如此一來，導購獲得了更多的收益，他們就願意為此付出。但你的利益分配機制，包括產品的管理運營方式是需要作出改變的。 同時，通過導購和用戶的互動，來不斷地給客戶添加標籤，這就是一套客服系統可以做的一件事情。 場景三：讓客戶反饋產品數據 還有一些其他的場景，比如RFID。可能有些產品試用數據非常多，但是最後成交率不高。因此，可能就會得出這樣的結論：我們的產品，客戶用著不是很舒服，可能設計有問題。還有可能，你的產品試用率不是特別高，但是試了之後購買率比較高，那可能是陳列問題——如果放在更好的位置，客戶就會試用很多。 場景四：優化供應鏈 從供應鏈的層面來看，大家都在講快速反應，如果一直不停地講求快，補小單的方式，也需要門店的數據。當然，傳統方式也有一些傳統的功能。 場景五：產品QRCODE積累用戶評價 產品的QRCODE，對我們線下企業其實也是很好的東西。客戶通過掃QRCODE就會知道產品的信息、賣點，包括從圖片、聲音、視頻等方式獲得產品的信息。 其實客戶買東西，你需要給他一個理由。同時，還要重視線下的產品評價體系。我們線上銷售產品，客戶是有評價的，但線下其實也可以做好評價，並且完全可以做到這件事。 比如客戶一開始掃碼之後，買了產品就有記錄了，你完全可以在客戶購買幾天之後，發一個調研問卷做用戶反饋，這樣自然會積累出線下產品的評價。你可以將此做一個匯總。事實上，亞馬遜賣書也是這樣的，從數據分析看出哪些商品是用戶購買最多的——讓客戶能看到這些信息。 場景六：搜集客戶到店數據 利用Wi-Fi探針搜集客戶到門店的信息，也嘗試了解客戶其他行為的數據，比如用戶安裝了多少APP，每天打開APP頻次，針對特定APP打開的頻次來分析用戶的特徵。 當然，通過攝像頭也可以捕捉顧客到店的數據，現在，簡單地做到監控是沒有問題的，也有很多公司在做人臉識別了。相信用不了多久就能更廣泛地應用。顧客在買東西的時候，把他的圖像掃描下來，當他第二次走進門店時，可以做到精準匹配，是不是vip客戶就一目了然。 零售企業的數字化和怎樣更好地實現商業智慧，在很多年前就開始討論，傳統的零售店以銷售為主，只要產品賣出去，客戶也就從此沉寂，如果不發生產品質量問題，店面很難再與客戶產生聯繫。而多級店面又讓客戶散落在四處，無法做到精準運營，這些都可謂是零售企業的痛點。而上文的四個觀點和六個場景的總結極為有用，希望能給讀者帶來收穫。 文 | 張航 […]

企業應用架構是指一整套軟體系統的構建，通過合理的劃分和設計組合在一起，支援企業方方面面的經營運作。 不論是傳統企業，還是互聯網公司，發展到一定階段，都需要一整套體系化的應用架構來支撐其運轉。良好的、合理的應用架構可以支援企業高效開展業務，控制經營風險，而混亂的、不合理的應用架構則會限制企業的快速發展，成為企業增長與變革的瓶頸。 企業資訊化建設已經發展了幾十年，傳統企業和成熟互聯網企業的應用架構並沒有本質的區別。本文將通過一個線下小型門店成長為多元化集團的發展歷程，逐步向讀者展示企業應用架構的演變和設計的理念。 完整的企業架構（EA，Enterprise Architecture）分析構建，包括業務架構、應用架構、技術架構、數據架構，本文聚焦應用架構，更加關注軟體系統設計與公司經營管理的關係。 不論是 C 端產品經理或者 B 端產品經理，理解應用架構的建設思路，能夠幫助你更輕鬆的理解公司的業務運轉，以及各個系統存在的目的與你所負責工作在整體團隊中的定位和價值。 傳統企業的應用架構演變 小門店的 Excel 管理之路 我們將從一個最簡單的案例入手，來展開故事。 假設你是一名個體經營者，在小區中開了一家小門店，售賣居民常用的生活用品。門店不大，只有十幾平米，平常由你一個人負責經營管理，包括採購、擺貨、銷售。 為了更準確、科學的打理你的生意，你設計了一個 Excel 文件來管理你的商品與銷售數據。 實際上你只需要做三張表格： ● 第一張表格存儲了你的貨品資料 ● 第二張表格存儲了你的採購記錄 ● 第三張表格存儲了你的銷售記錄 這三張表格的結構和關係如下圖所示： 上圖採用了 ER 模型來描述三張表的邏輯結構，* 和 1 的含義是表和表之間的關聯關係，例如採購記錄和商品資料是多對一關係，即採購記錄表中的每條數據只能對應商品資料表中的一條數據，商品資料表中的一條數據可以對應採購記錄表中的多條數據。 因為你採用了科學的數據表格管理，記錄了門店的所有採購入庫和銷售數據，這讓你的經營變得井井有條；通過這些原始數據，你可以準確的管理庫存、計算利潤、掌握暢銷品和滯銷品，還能通過數據透視表製作銷售日報和月報。 實際上你通過以上三張表格管理自己的生意，已經是一個管理軟體的雛形了。所有的軟體系統無非都是對數據的增刪改查操作；可以說，如果使用得當，Excel 也可以做出一套小型的軟體系統。 小超市的輕量級ERP之路 因為你善於使用IT資訊技術來協助你做生意，你的買賣發展迅速；很快，你將小門店升級成為一家小型超市，並且僱傭了幾個店員來幫你。作為店長，你興奮的繪製出自己的第一張組織架構圖，夢想著事業會繼續壯大。 因為經營的貨品更加豐富，日交易量成倍增長，並且有好幾名員工需要做數據錄入分析工作，這時 Excel 已經難以滿足經營管理的需要。因此明智的你在開店之前，就決定採購一套 ERP 軟體來協助你管理超市。 因為你還處於創業期，資金有限，通過仔細挑選，你選擇了一套輕量級的 ERP，並且只購買了其中的幾個核心模塊，這樣既可以控制成本，又可以讓你經營的軟體設備升級。 現在，我們可以繪製公司的第一張應用架構圖，公司擁有一套系統，包含三個模塊。 通過CRM拉近與客戶的距離 為了更加準確的理解、認識你的客戶，同時也為了能夠拉近你和客戶的距離，你打算通過 CRM 軟體進行更加科學的客戶管理。 你設計了一套會員積分制度，所有的客戶都能免費辦理會員，這樣你就可以記錄下關鍵的客戶資料，而且你的小夥伴建議你開通一個社群賬號，比如微信公眾號、Line@帳號、臉書粉絲團等，讓客戶能夠通過手機來查詢自己的積分。 這個主意太棒了！你追加購買了幾個 ERP 的模塊，雖然 ERP […]

以下介紹某互聯網旅遊公司在企業經營上運用數據分析的幾個場景，希望能提供企業數據化運營的靈感。 隨著社會經濟的發展，特別是互聯網的發展，企業的數據呈現幾何級的增長，大數據在過去的幾年裡一直是一個非常非常火的概念，並且一直在持續。但與此同時，企業對於數據的理解和應用卻大相徑庭。有一部分企業通過數據分析和挖掘能夠降低企業成本，提升業績，但也有一些企業對於數據的分析和應用停留在較淺層次。所以，數據分析價值的體現關鍵在於如何應用。 數據分析幫助企業發現並診斷問題 很多企業會利用數據分析大屏來監測數據和指標，它就像一個體檢報告，能夠幫助企業實時觀測到企業的運營狀態，及時發現問題並解決。 舉個電商的經典應用，如果某日流量下降了百分之三十，分析得出流量的下降是來自於PC平台，然後進一步細分到各個PC渠道，會發現可能是競價投放上有一個較大的下滑。那麼決策者獲得這些信息後，能夠在第一時間通過這些信息做出最利於企業的一個決策，降低損失。 但這樣的應用並不是布局好就行了，有些企業在布局這樣的應用時，設計方面本身有問題。比如一天的銷售數據6萬，只是呈現數據，並沒有對比，無法體現好壞；有的會將周一的銷售額和周日對比，顯然無可比性。再比如，假如銷售額下降了，有5款產品，我們要分析每個產品的銷售額，細分下降的原因，一層層鑽取，有可能需要幾十個圖表製作，信息就變得龐雜。行之有效的方法是篩選幾個最重要的指標做分析，或者設立一個「健康指數」來綜合評價企業運營狀況。 數據分析幫助企業做精細化運營 很多企業都會運用這樣一張矩陣圖，這是市場投放和經濟管理上常見的應用，有助於最大化投入產出比。例如，制訂了這樣一個目標，每投入1元產出2元，期限是6個月，團隊有可能在初期投入並沒有達到目標收入，對於未來能否在六個月裡帶來兩塊錢的回報是疑惑的，這些都需要數據分析的進一步輔助，由此就衍生了精細化運營。 比如推送一個酒店的推薦信息，我們會通過時間、地點、消費水平、最近消費時間等條件去篩選出目標用戶，做到精細化甚至個性化的運營，包括產品界面上的各種推薦。 數據分析在產品和人力管理方面的應用 在產品管理方面，我們通過OTA平台的數據去分析預測某時間段，這個區域的這家酒店大約能賣多少個房間，然後與酒店商家談合作，或者綜合該區域總體酒店銷售情況數據，來制定更好的策略。 在人力管理方面，尤其是客服節假日的排班，通過提前預測每一小時甚至每一分鐘的通話量，去優化配置人力資源，可以提升被排班人員的滿意度。 數據分析提升企業效益 在流量成本日益提升的今天，如何在流量價格定性的情況下，把我們整體效益做到最高，在互聯網行業，有兩個最常見的場景，一個叫提升轉化率，一個叫提升交叉購買。用戶從首頁到列表到詳情到下單付款，再到支付成功頁面，每一個流程都有可能導致流失，提升轉化率其實就是對每一個環節轉化率的一個提升。理論上每個環節的轉化率都可以提升，但每個環節提升的難度不同，所以儘可能優先提升降低變動大的轉化率。比如本月從詳情到下單支付頁面的、轉化率是50%，但歷史上曾達到75%，那現階段的目標是提升回75%。 除了提升轉化率之外，還有一個非常常見的應用就是提升交叉購買，類似啤酒尿布的案例。 可以把一些關聯性很強的東西放在一起。提升交叉購買的場景一共有兩種情況： 1、通過關聯規則把不知道可能產品之間會被用戶購買的產品的組合呈現給客戶。 2、兩個可以被交叉購買的產品但是購買率很低，這個時候我們就要去提升購買率。 比如旅遊行業的機票+酒店購買，一些購買航程較長機票的用戶大多是有住酒店需求的，所以在購買機票的同時推薦合適價位的酒店能起到交叉購買的結果。但也有一些需要注意的，比如不同用戶推薦適合檔次的酒店；分別單獨購買機票和酒店的用戶，考慮到用戶體驗，可以不用推薦。 所以，通過數據分析很多場景都有很大的提升空間。合理利用數據，將數據分析應用到業務管理是現在也是未來的發展趨勢。

2017年已過去1/4，值此之際，讓我們盤點一下2016年大數據分析領域發生的大事件。 國外商業智能（BI）領袖衰落 2016年2月，紅極一時的BI和可視化工具提供商Tableau發布財報，業績令人大失所望，其市值在一天之內被腰斬。這預示著2016年的BI市場將動蕩不安。幾個月後，風暴再起，Qlik Technologies的股價暴跌一半多，在2016年6月被Thoma Bravo以大約30億美元的價格收購。 雖然Tableau和Qlik一直都是一流的工具，但它們曾經一馬當先的領先距離已經大幅縮小，因為微軟（Microsoft）、Microstrategy、Alteryx、Birst、Domo、Sisense、Gooddata 還有國內的帆軟等其他公司紛紛推出了性價比更高、性能強大的BI系統。市場調研公司Gartner的《2017年BI和分析平台魔力象限》報告記錄了不少於24家公司。Gartner表示，BI市場已經達到「臨界點」，需要我們從新的角度來思考。 參考：深入解讀《Gartner2017年商業智能和分析平台魔力象限報告》 人工智慧（AI）崛起 谷歌（Google）旗下的DeepMind公司開發了AlphaGo系統，在圍棋比賽中戰勝人類頂尖棋手。按照英偉達（Nvidia）一位產品經理的話說，這場人機大戰堪稱AI技術的「宇宙大爆炸」時刻。從Siri和Alexa等AI驅動的聊天機器人，到自動駕駛汽車，無數消費者漸漸意識到AI帶來的巨大好處。 我們也看到了新的AI服務面世，包括2016年11月互聯網巨頭亞馬遜（Amazon）在AWS re:Invent大會上發布的Amazon AI。2016年10月，加州大學伯克利分校宣布，曾經發明Apache Spark等多項大數據技術的AMPLab實驗室將被替換為RISELab實驗室，後者將致力於AI和自動駕駛汽車等應用。這為AI正在吞沒和超越大數據概念的想法提供了更多佐證。 Hadoop十歲了 2016年1月底的一天是首個Hadoop生產集群在雅虎（Yahoo）誕生的十周年紀念日。雅虎工程師們最初只希望這個10節點的集群能夠持續運行一整天，根本沒想到Hadoop後來會成為大數據計算的代表，每家財富100強企業必備的IT工具。 Hadoop的成功無疑超出了道格·卡丁（Doug Cutting）的期望，這位Cloudera公司架構師和邁克·加法雷拉（Mike Cafarella）共同創造了Hadoop。在Strata + Hadoop World大會上一場廣泛性的演講中，卡丁說出了自己內心的疑惑：我們是否已經達到了「Hadoop頂峰」？未來十年的Hadoop會是什麼樣子？考慮到大數據界對Hadoop第三版（將使存儲能力翻倍並引入糾刪碼）的開發興趣寥寥，大數據技術又發展神速，因此很難說2026年的Hadoop會是什麼樣子，或者沒什麼變化也說不定。 Apache Spark大行其道 作為經濟實惠的分布式計算開源框架，Hadoop無疑引起了技術人士的關注，他們以前使用昂貴的專業軟體來處理龐大的數據集，費錢又費力。但如果說Hadoop的Java明星光環已經開始淡去，那麼正在取代它的則是另一項可能更有前途的技術，那就是Apache Spark。 Apache Spark在大數據階梯上的極速躥升是一個非常值得注意的現象，不僅IBM等大公司紛紛擁抱該技術，而且幾乎所有的BI和可視化工具提供商都使用這項基於內存的技術來進行批處理、交互處理和流處理。有些人認為，Spark在應用和受歡迎程度方面終將超越Hadoop，甚至已經超越。 Flink和Beam誕生 Spark基本上已經取代了Hadoop的批處理引擎MapReduce，更別說Spark的SQL、機器學習和流處理能力。但永不滿足的大數據界希望改進這套得到Databricks公司支持、用Scala語言編寫的多用途框架。於是Apache Flink和Apache Beam應運而生，成為了Spark在大數據框架之戰中的勁敵。 2016年3月，Cloudera公司的卡丁向Data Artisans公司的Flink項目表達了敬意。當時他說：「Flink在架構設計上可能要比Spark好上那麼一點點。」與此同時，基於谷歌Cloud Dataflow API的Apache Beam受到了Talend公司一位法國大數據架構師的支持。Beam雄心勃勃，想要用同一組API統一所有的大數據應用開發，並通過「Runner」這種執行引擎支持Spark、Flink和Google Dataflow。 歷史性的民調失靈 毫無疑問，當今的政治民意調查已經成為應用統計（也就是「大數據分析」）的一個運用領域。以前，嚴謹的民意調查只需要通過白頁上的選民名字和電話號碼就可以進行。但現在，民意調查機構如果想從形形色色的選民中獲取具有代表性的樣本，就必須建立細緻的權重模型。 民意調查機構未能就2016年6月的「英國脫歐」公投準確評估選民情緒。如果說這還只是讓人感到意外的話，那麼唐納德·特朗普（Donald Trump）在11月份的總統選舉中擊敗希拉里·柯林頓（Hillary Clinton），與幾乎所有的政治民意調查結果截然相反（只有一項調查例外），則可以說是大數據分析在2016年甚至可能是近十年來的最大慘敗。 大數據黑客入侵 數據明顯具有價值，無論保險公司和會計師怎麼說。所以壞人會想要竊取個人和企業的數據也真的去竊取了，完全不足為奇。2016年發生了多起引人注目的數據泄露事件，比如美國民主黨全國委員會的電子郵件伺服器被攻陷，雅虎10億用戶的數據被黑。而這還沒算上雅虎曾在2016年9月承認，黑客入侵了該公司5億用戶的賬戶。 IdentityForce製作的「2016年網路安全恥辱牆」上還包括：美國司法部（3萬名DHS和FBI職員的數據失竊）；美國國稅局（70萬名納稅人的記錄泄露）；威瑞森（150萬客戶的記錄泄露）；甲骨文（33萬台MICROS收銀機被入侵）；Dropbox（承認6,800萬個賬戶被入侵）；http://AdultFriendFinder.com（4.12億用戶的記錄泄露）。 新的數據初創公司 2016年對大數據的風險投資較2015年減少了大約10%，但這沒有阻止科技創業者成立新公司，希望挖到大數據金礦。2016年的新來者包括： SnappyData，致力於統一Spark和Pivotal的GemFire數據網格； Panoply，為AWS Redshift 用戶開發ETL 軟體； Cosmify，利用機器學習挖掘客戶信息； Bonsai，這家AI公司在Strata […]

領導的經營決策能只依賴於ERP報表嗎？ 不能！ 1. ERP報表個性化不足：企業經營決策報表是為企業高層、管理層服務的，格式、維度、指標、數據等依據高層、管理層自身管理需要決定，是不同企業、領導的個性化需求； 2. ERP報表數據不全面：企業經營決策報表全面反映企業運營狀況，信息來源不僅僅是ERP，還有POS、CRM、OA、生產製造系統、供應鏈系統和其他各個信息系統； 3. ERP報表維度略有不足：企業經營決策報表對指標和維度關注，ERP報表大多只是資料庫數據的格式化呈現，需要加工成指標和維度進行匯總分析； 4. ERP報表對比不足：企業經營決策報表強調對比，要對比不同維度和指標，要對比不同時段，要對比實際運營和計劃數據，甚至對比競品，這些決策報表只靠ERP難以滿足。 （文章針對的是擁有多類業務系統的多數企業，有些ERP的深度用戶可能會笑話了，眼界有限，如有不足之處，還希望評論指正！） 什麼是經營決策報表 探究ERP報表能否做經營決策，首先要研究經營決策報表和經營決策體系，然後判斷ERP報表是否完全滿足，如有不足，如何完善。 經營決策報表是給管理層做決策時所需要的基於真實數據加工，帶有對比、判斷的圖表報告。經營決策報表=實時數據+圖形報表分析+判斷決策。對於決策報表，企業高層、中層是關注不同維度和指標的，做的是不同深度、範圍的決策分析。經營決策報表的目的不僅僅是讓高層做決策分析，同時也是讓中層管理者做決策分析，讓高層看到中層是如何管理、決策、分析的。 企業報表一般有稅務報表、政府要求的統計報表、通用會計報表和管理決策報表。可以看到，ERP自帶的報表，是不在企業報表範疇的。也就是一般企業管理人員和外部相關單位需要的統計報表，沒有一個是ERP報表可以直接滿足的。 ERP報表無法決策的原因 企業經營決策，確實離不開各種各樣的報表。可是企業已經實施了ERP，ERP裡面有數據、有指標、有報表，而且還是體系化的，直接把ERP的報表拿來用不就得了，為什麼還要重新設計報表和指標？為什麼還要花錢上數據分析平台呢？ 舉個例子，企業成功實施了大型ERP，在ERP基礎上也開發了大量報表。可是領導在做決策或者開會研究前，總會提出一些臨時報表需求，還經常不一樣。我們就問，為什麼ERP那麼多報表用不上？領導說，他想要的沒有。對，那麼多報表都是數據統計的，沒有一個是他想要的對比分析的。 為什麼ERP的報表無法直接支持決策？企業中高層經營分析決策，主要是基於業務邏輯和市場環境的，其中蘊含大量管理框架和管理思路，比如營銷的4P或者4C，供應鏈上的進銷存、供需平衡、採購業務的各種管理邏輯等。ERP的報表只有少數可直接決策使用，大部分是無法輔助經營決策的。 根本原因總結有如下三條。 數據不足：企業經營決策報表全面反映企業運營狀況，信息來源不僅僅是ERP，還有POS、CRM、OA、生產製造系統、供應鏈系統和其他各個信息系統。這些數據需要組合加工形成分析內容。比如店鋪坪效（店鋪銷售收入/店鋪面積），單純的ERP報表很難做出這樣的分析。而在我們根據管理需要設計的報表中，大部分都設計這種跨系統的數據需求，所以單純的ERP報告是難以滿足管理需要的。 維度指標不足：經營分析報表對於指標關注比較多，比如庫存周轉率、訂單滿足率、準時送達率、店鋪坪效/人效等（人效=店鋪銷售收入/員工人數），這需要在ERP信息基礎上進行加工；而ERP報表一般不是用指標形式呈現，主要是對系統中的信息進行格式化展示。 對比不足：經營分析報表中要求的報表強調對比。比如上一年同期比較、計劃比較、不同部門之間的比較；而ERP的報表主要是當前數據的呈現，和歷史數據對比佔用計算資源多，和計劃數據對比則ERP中不一定有這些數據，所以ERP報表很難滿足這些需求。 經營決策報表體系如何構建 既然ERP報表不足，如何完善？這就需要我們構建一套經營決策報表體系。不同的報錶針對不同的使用人群，不同的指標針對不同的使用對象，因此設計報表和指標時，要分層：戰略層、決策層、運作層，報表、指標逐步細化，最終形成指標金字塔和報表金字塔。 戰略層：反映企業或者某個業務領域總體的戰略或者業務目標。例如，對於企業整體，戰略層指標包括銷售額、利潤、品牌、市場佔有率等等，對於供應鏈業務領域，對應的戰略指標則是服務水平和成本。 策略層：銜接層與運作層，反映針對各戰略目標，是否採取了合適的匹配的策略，以及各種業務策略的執行有沒有發生偏差。例如，對於採購領域，戰略供應商的比例指標；對於行銷領域，消費群與品牌定位的匹配度。 運作層：戰略的最終落實來自業務運作執行。運作層反映業務執行效率和目標完成情況，幫助員工更好的開展日常工作，發現增值點，監控問題點。比如不同區域、不同銷售人員的銷售目標完成進度等。 如下圖是某企業供應鏈分層次指標設計樣例。將供應鏈分為訂單、採購、物流和製造四個業務領域，針對某一業務領域從戰略層、策略層和運作層設計指標。這些指標，絕大部分ERP報表都不包含。 總體來說，ERP實現了對業務的支援，但是不能說實現了對管理的支援，尤其是對高層決策的支援，這也就是數據倉庫、商業智慧等解決方案能夠存在的原因。把經營分析報表體系，通過報表製作、BI系統來實現，才能夠真正實現信息系統對高層決策的支持。針對不同行業和不同業務特點，如何分層構建管理經營報表體系，歡迎交流，或者關注專欄行業案例。 本文源自帆软项目实践 和《用数据决策 构建企业经营分析体系》 （王君 葛新红 著）

● 為什麼要重視數據化運營和管理？ ● 什麼是數據化管理？ ● 餐飲企業經營的數據化管理維度？ 一、為什麼要重視數據化運營和管理？ 「從經營到管理，管理方向需要數據燈塔」 餐飲市場和社會各業具有相似之處，也有很明確的本質不同。 1、首先，餐飲市場不像電信、石油市場是壟斷性的，餐飲市場充分透明，符合經濟上所說的充分競爭市場的特點。如果想要了解競爭對手，可以通過多種方法獲取相關信息，這裡很多數據和資料都是公開的。舉例來講，我接觸到的連鎖經營的客戶，想要進入一個新的品類，他們首先會尋找和他們品類相近的同城門店，實地走訪，訪談他們的客戶，觀察客流量，去看點評、美團上的客戶評價數據，定期檢測數據的動態，從而預判自己新的品類投放到市場之後可能的銷售結果。所以說，對餐飲行業來講，獲取數據的手段不像其他行業的壁壘那麼高。你可以通過豐富的途徑獲取信息，從而幫助我們在管理上做出有效決定。 2、第二個特點上來看，餐飲首先是一家企業，特別是當我們的企業成長到更大規模時，它符合一般企業經營的特點。但餐飲又不太一樣，「民以食為天」，國人愛吃，又比較喜新厭舊。越來越多的品類、經營方法層出不窮。這時就對我們的反應速度和運營要求會比較高，需要我們隨時處在應變的狀態，需要靠在關鍵細節上的運營和創新獲得競爭優勢。 3、餐飲經營的內部複雜度很高。比如，當從城市級的連鎖擴展到地區乃至全國的連鎖，會面臨區域跨度的挑戰。同時，管理的最小單位是門店，甚至是班組和具體的一個人，那麼整個的鏈路從前端到後端，從上層到下層跨度非常大，對整個企業形態也是一個挑戰。其實現在大多數的餐飲連鎖企業已經非常重視管理的問題。例如《案例解析｜如何打造餐飲業務一體化的大數據平台？》中提到，以往公司的管理者比較熱衷於大店的模式，但是到底適不適用，並沒有一個準確的結論。後來針對這些門店做了一個評測方面的數據分析，分析每平方米可獲得多少營收。最終發現小型門店所獲得的效益要比大型門店高。因此針對這種情況，公司在戰略上做出了相應的調整，降低部分大型門店的數量，增加小型門店，這也是商業智慧的一種體現。 「不確定的市場環境,只有數據從不說謊」 基於餐飲行業本質和系統的現狀，現在的餐飲連鎖企業，數據化管理處於1.5的狀態。在1.0的時代，會應用一些系統代替人工，打下數據化的基礎。在1.5的狀態，我們意識到數據和信息的價值，但還缺少有效的方法和工具以及企業內部的執行。但是，在這樣一個競爭激烈、高度不確定的市場下面，作為企業的管理、決策者，非常需要數據。 餐飲行業中，如星巴克，我們很難定義它是餐飲公司還是資產公司或者數據公司。這要從不同角度去解析。從產品的形態來看，星巴克是賣咖啡、蛋糕的公司，通過門店的擴張連鎖來實現資產的積累；它又像是一個資產公司，它本身是上市的。但另外一個角度來講，它在門店提供音樂、提供星享卡這樣的會員制行銷方式時，一個城市中1/10、1/5的人在門店裡留下自己的信息，它直接掌握了這個城市裡相對比較精英的商務消費人群的消費數據，對咖啡文化比較認可的數據，乃至重複消費的數據，那麼實際上他直接掌握到了人的信息。這樣的信息，從量變到質變，積累到一定程度時，特別是當它的服務、當它與客戶之間互動的方式越來越在線化的時候，它作為一個餐飲公司與數據公司或者互聯網化公司之間的界限就越來越模糊，其中很大的差異在於它將商家與客戶之間的關係定義成了一種互聯網化的關係並把它數據化且持續積累了下來。 「理念轉變，數據資產是彈性生產力」 餐飲連鎖成功的本質是快速有效成功的複製。經過一個或長或短周期的摸索，我們可以獲得一些經驗，這些經驗通過數據化管理的方法，可以固化成一種企業內部的管理機制。當我們到達這樣一種程度時，我們的業務經營是可以快速複製的。重視自己數據層面的資產才能夠從中獲得價值。 二、什麼是數據化管理？ 「數據來源、可衡量、落實到人」 用數據說話，通過大數據分析軟體對數據進行分析，理清楚企業經營過程中的真相，了解活動間的內在聯繫，能幫助我們做出正確的決定。數據化管理包括兩個維度，運營層面上，需要將企業經營活動實現量化管理；同時，結果的應用會進行目標管理。 經驗和數據之間其實是相互支持的關係。如果沒有良好的數據支持和數據環境，再先進的管理方法都無法奏效。有人說，我有豐富的經驗。經驗是主觀、快速、低成本的，但容易產生爭議，有較大風險。如果用數據的方式來彌補不足，那就是建立在客觀有效的基礎之上，就有是一種更加科學理性的決定。 我們要保證有質量的數據來源，結構化，建立一整套人的行為能實現的數據清洗制度，不被髒的數據干擾視線。應用時，依託數據實現目標管理，規避經驗主義的缺陷，制定目標時需要動態和有階段性，和人的行為通過KPI分解的方式有效綁定。當我們提到目標管理的時候，我們要建立一整套的目標體系。作為企業的組織者，制定總的目標，並制定下級的分目標。目標體系實施過程中，通過上下級的溝通、確認做綜合性的管理。這時，應以數據說話。盯數據，抓管理。 儘可能以非常具體的可衡量的方式解釋我們的日常績效和行為，盡量避免「感覺」「差不多」這樣的用詞。關鍵的時間節點，要對各級目標和結果進行檢查和評價，並及時溝通。數據化的目標管理要儘可能的貼近實際、可量化、可達成共識，這樣的目標應該優先考慮。 所有的目標應該落實到人。每一個管理人員要負責的目標應該是5-8個。過少，可能以偏概全。周期應該以半年為限。KPI指標的制定中，所有的KPI指標都應指引人的行為。KPI之間不會從單一的少數指標去做片面的判斷，而應從不同緯度做判斷。 「這些指標不得不看，這個案例助你理解」 餐飲行業數據分析中，可以有這些大的分類： ■ 安全性的績效指標：流動資金的比例，負債的比例，自有資本的比例等； ■ 收益性的指標：營業額達成比例，毛利率，營業費用的比例，人事費用的比例，凈利和回報之間的比率，營銷的ROI等； ■ 發展性的指標：營業增長率，開店速度等； ■ 經營效率指標：客單價，庫存產品周轉率，坪效，店裡勞動力的績效，資產周轉率等。當我們有這種總體指標之後，可以細化每個部門、不同流程間的指標。如，採購部門，會有訂貨取消率、交貨時間差異、完成速度、供應商貢獻度、成本差異、耗損度、貨架使用率、缺貨重複率、質量的關鍵值等更細化的指標。 舉一個非常常見的例子。促銷是企業常見的行為。執行部門一般是運營、行銷部門。 第一步我們需制定目標：增加來客數、提高客單價、擴大營業額、淡旺季調整菜品分類佔比、把新品推上去、消化可能庫存有盈餘的產品、針對某個群體加深品牌印象、應對競爭對手的策略等。選取三到五個為核心目標。 下一步就是量化，需要達到的數字、實際達成的數據、對比數字、計劃達成率、執行期間成長率的同期比較、促銷有沒有對其他產品有帶動率等，以此對過程和結果有更清晰的了解。比如執行促銷計劃時，首先對促銷產品的選擇，如前期的銷售毛利、當前和預估毛利，品類覆蓋相互的佔比，以選擇產品，而不是拍腦袋選擇一個單價低的等。促銷目標，衡量指標可能就是來客數、客單價、銷售額、單品銷售數量、促銷品在整個銷售之間的佔比等，建立模型，在若干次嘗試後或許能找到更有效的執行方法和組合。

你有沒有過這樣一種感覺，費盡心血做了一堆的報表，但是感覺沒什麼用，被其他部門同事問起來，還有那麼一絲不好意思在心頭。因此，想推動數據分析的項目，心中就滿是糾結和猶豫了，畢竟想和管理者彙報，都不知道需要講什麼。 回過頭來看，是不是你那一堆的報表就真的那麼沒用？怎樣才能避免勞而無功？ 一：有些報表不是沒有用，而是價值容易被忽略 有些報表的價值很容易體現，比如工具類的，就是業務人員因工作需要而查詢，通過諸如FineReport報表製作系統的使用省下來的時間，就是價值。而有些報表的價值，沒那麼容易體現，甚至常常被定義為沒用，說起來是有些冤枉的，比如一部分管理類報表，例如商場的實時業績看板、銷售日報表這類。 這類報表領導們沒事就會看一眼，大部分情況是沒有下文的，但僅僅是看這麼幾眼，也是有價值的，分為兩類： 打個不那麼恰當的比方，我們沒事也會刷朋友圈，看了之後呢，該怎麼活還是怎麼活，朋友圈也沒辦法拯救自己於水深火熱，或許朋友圈裡秀的恩愛反倒讓自己更多凄涼。。。但我們還是會看，因為這是一種信息透明啊，我有這樣的好奇心，我需要了解這些信息。對於企業的業績更是如此啊，像實時業績監控這種，就是要沒事看幾眼，他就實現了信息的透明和對稱。 這種報表，有那麼一點「養兵千日用兵一時」的意思。沒機會的時候顯不出它，趕上一個機會，那它功勞就大了。 二：用量來體現價值，反而顯得沒價值 因為怕報表做出來後沒價值，所以在規劃的時候就「認真」一些，想辦法、找資料、花時間整理出一套分析體系來，期望這分析體系能夠給公司的業務帶來升級的效果，比如下圖的商品主題 就可以整理出這樣多的內容來，可能還會更多。理想情況下是這些內容都開發出來，從而企業對商品有了全方位的分析和管理。但現實很少理想，這麼多內容開發出來，十有八九是沒什麼人用的，原因有以下幾個： 1. 沒有對應的責任人。一個報表要想被用起來，一定是要有人對它負責的。比如各門店店長是希望處理掉店鋪的異常商品的，異常商品過多一定是會影響到他的kpi，那麼他一定會關注門店的異常商品，低庫存要準備訂購、負毛利進行價格調整、銷售要思考促銷/調整貨架/反運等。再看商品生命周期分析，誰會對它負責呢？沒人關心這東西，只是聽起來很牛，那怎麼會被使用。 2. 淺嘗輒止。做了一堆的數據分析，卻沒有把某一個做的深入。兩個概念，一是說報表層面上只是做了下一般的數據展示也就算分析，比如商品abc，出了abc商品的列表外沒有什麼其它。另一說是並沒有推動的深入，一套報表做完，需要他自身物理上的完善，同時需要配套它的使用方法、價值說明，尋找它的負責人以及後續的推動和應用反饋等，舉例子，比如商品的價格分析。 FineReport數據決策表 從報表內容的角度，是需要展示商品價格區間內各價格點的成交筆數、sku數、銷售額/毛利率。近一步的要對這個報表進行說明，比如： ● 分析各價格銷量，找到價格點，通過在價格點附近陳列更豐富商品，可以給消費者一種商品豐富，價格適中的感覺； ● 分析價格區間sku數量、交易筆數等，總結商店主力消費人群，再通過管理報表對比發現自己店鋪某類商品的如果遠低於平均水平，可以從價格帶分析入手，分析是不是自己的人群定位錯了； ● 陳列各類別商品價格帶，看是否出現價格斷檔的情況，要盡量避免； ● 如果發現自己的價格密集帶的銷量並不是最高的，那要進一步分析是不是自己的價格點定位錯了； ● 可以通過調查來分析競爭對手的價格點和價格帶的深度，從而分析競爭對手的人群定位； 這個報表的使用者應該是品類經理和店長，因為他們需要對品類和店鋪的銷量負責，而對價格帶的分析和利用是明顯助於提升銷量的。 同樣的，銷售額、銷售比數、客單價的波動分析，如果只是簡單做了這樣一張報表也基本是沒什麼用。 ● 銷售額、銷售筆數上升，客單價下降代表什麼？ ● 銷售額上升，銷售筆數下降、客單價上升代表什麼？ ● 銷售額、銷售筆數下降、客單價上升代表什麼？ 將以上內容都補充起來之後，才會引起業務人員的注意，才能夠找到報表的負責人。 以上也看得出來，這些能夠帶來價值的主題報表，做好用好一個也不是很容易的，所以不要想著把內容做全，盯著一個主題用起來，比做一大堆分析內容的價值大多了。 三：用戶不承認價值 報表做完了，也真的被用起來了，更讓人感動的是各店鋪的業績確實更好了，不過他們不認為這是報表的功勞呀！這也是常有的事，但是要怎麼解釋，我也犯難了，只想說做到無愧於天地父母就好。 總結：「商業智慧」對於廣大企業來說高度太高，對於大多數企業而言，數據能帶來的價值都是很樸實的，樸實到講出來都是大白話，沒有技術基礎也聽的懂。有些很”簡單”但有用，有些逼格很高但沒人用，總體上越是「簡單」越有用(這個簡單並不是說製作推動簡單，而是理解起來簡單，甚至是平時工作常見的)。有時候我都在想，在真正做事的時候，是不是該忘了「大數據」。

很多企業往往會花高額價錢來請諮詢公司對企業的整體經營情況做一個分析，生成一個報告。但是對於多數已經有數據管理的企業，可以針對一個具體企業、一個具體問題開展針對性的數據分析，從點到面地解決問題。現如今企業有了更多的數據來源途徑和獲取數據手段，一份有效的企業數據分析報告顯然能夠對企業產生很大的價值。 企業數據分析報告不僅能夠對整體市場環境和宏觀經濟走向做判斷，還可以深入到生產經營的每個環節、服務消費的每個客戶去了解真實情況。例如行銷數據分析可通過制定精細化廣告投放策略來縮減成本提高銷售轉化。而最終，我們把大數據分析的成果以大數據工具的形式固化，才能讓我們的大數據效力持續。 也就是說，真正有價值的大數據分析報告能夠在中宏觀規劃、微觀/細分市場分析、方案執行和策略部署等方方面面為企業帶來價值。 下文告訴大家數據分析的整體思路、框架和大數據報告的價值。 一、如何製作大數據分析報告？大數據分析的流程是怎樣的？ 一個完整的大數據分析流程包含了商業問題理解、數據理解、數據準備、數據分析、產出分析報告、提出解決方案6個環節，並且是一個閉環、不斷優化的過程。簡化來講就是分析什麼問題，需要哪些數據，要做哪些數據處理，得出結論並落地實施。對於企業，可能不需要掌握高難度的分析處理能力，但是掌握數據分析思路、培養數據化管理的方式是非常重要的。 二、我們需要研究什麼？大數據分析的思路是怎樣的？ 根據功能來分，可以分為以下4種類型： 1. 業務/市場分析：對某一項業務的現狀分析和問題判斷；細分領域的市場現狀分析、發展趨勢預測； 2. 用戶畫像：了解各類用戶的人群特徵、不同產品不同群體的用戶行為差異； 3. 競品監測：對市面上同類產品的功能、用戶規模、市場情況做對比研究； 4. 經營管理分析：經營過程中重大決定的分析。 針對以上類型，我們對4重典型的分析報告進行詳細論述，需要分析哪些指標、維度（指標僅為列舉，無法全面涵蓋），並附上相應的數據分析報告demo（分析工具為帆軟大數據分析軟體與BI系統）。 市場環境分析 用戶畫像 競品監控 行銷分析 三、數據來源 數據來源可以分為企業內部數據和外部數據。內部數據可以使企業各系統的數據、也可以是網頁/產品埋點、收集、整合所獲得的數據。一般來說，還有一些外部渠道獲取數據： 1. 網頁爬蟲數據：通過程序在網頁上把相關的信息採集下來； 2. SDK數據：遊戲等應用中SDK自動打包回傳的數據，像友盟、talkingdata主要是基於SDK數據進行整合和處理分析； 3. 運營商數據：三大運營商運營、業務和管理三大領域大量的客戶屬性和上網行為數據； 4. 第三方公司數據：諮詢公司大量的調研活動所產生的統計數據； 5. 定製數據：向數據擁有者/採集者提出需求，根據具體條件進行數據採集工作。 除此之外，報告的價值、分析結果的準確性很大程度受數據源質量的影響，因此在收集整合數據時需要注意數據是否靠譜，驗證數據口徑和數據範圍。

站在信息化角度來看，成長的企業講究發展、固化，成熟的企業講究創新、商業智慧。而如今身處大數據時代，諸多企業也逐漸意識到人力的決策和管理越發跟不上，開始尋求數據利用的有效手段。 以這樣一家企業為例，信息化發展了有十餘年，從萌芽到成長、由成熟到創新，走過了多數企業正在走的路，也集成了多數企業可效仿的信息化建設和數據化決策管理經驗。 信息化發展之路 該企業的業務形態非常全面，囊括原料板塊、製劑板塊、零售板塊以及工程製造貿易板塊。信息化建設經歷了小型機時代、ERP時代、大數據時代以及未來的智慧工業時代，每一步發展都配合著企業管理升級的需求。 在起步階段，公司對首先要求改變企業管理理念，需要從業務最核心的財務口徑起步，向財務數據的及時性、合規性提出要求。讓財務核算儘快擺脫手工記賬的時代，提高效率，同時落實新會計制度在操作層面的和規劃處理。減輕財務人員原來手工記賬的複雜勞作，讓財務核算更精細化。 隨著公司對業務管控要求的提升，公司提出企業管控模式以財務管控為核心的基礎上，要求ERP平台可以將業務數據的流轉過程和業務風險進行管控。通過內控體系，將業務風險由事後管控，前沿到事中管控和事前管控；通過全面預算體系將商業計劃和業務數據在平台上進行對接，每月進行差異分析，及時糾偏，確保商業計劃達成。 面對市場競爭和企業快速成長的雙重壓力，原來矩陣管理模式已經不適合。為了適應事業快速擴張，多組織的靈活考核調整，在保持現有體系的前提下，將矩陣式管理向蜂窩式管理進化，實現快速柔性的組織調整，支撐企業成長和多變化的管理模式，同時集團管控由財務管控範圍向全業務範圍進行推進，使得集團整體價值持續最大化，建立以資本利潤率為核心的財務指標體系，評價經營者的業績；適度分權，保證子公司的經營動力及靈活性。 至此，財務模塊算是優先完成了整改和創新。但數據的延伸是巨大的，發展至今公司在信息化和管理方面仍面臨著諸多問題，尤其是數據化方面： 1、企業系統眾多，但是數據分析能力差，價值傳遞不足，領導看不到企業數據價值； 2、行動端數據應用需求強烈，亟需提高企業決策實時性，易用性和智慧性； 3、 缺乏統一的數據規劃落地能力，集中管控集團數據，實現集團數據一體化管控； 4、大數據時代下如何支持智慧製造＋精細化管理的課題越發重要。 大數據決策平台建設 面對這些問題，企業急需建立一個大數據分析決策平台，滿足跨業務、可視化、可分享互動等要求，包括能夠提高整個大數據運行處理能力的平台，來實現整個大數據的整合。 由於該企業整個單體系統的數據相對來說較成熟，包括ERP數據，BPM數據，HR數據，以及單體MES數據，所以在操作環境中，可以把整個研發、採購、生產、銷售、人力、財務的主數據都放到一個平台上，建立一個數據倉庫和數據挖掘進程，最後達到整個數據的貫通，實現大數據的分析。 大數據決策分析平台 在規劃和建設過程中，此平台分為了七個模塊用於分析決策。 1、行銷/銷售模塊 銷售模塊主要是流向管理、終端數據管理以及庫存管理。 流向管理這塊，由於每個商業公司的流向規則都不統一，所以公司開發了一套數據清洗系統，建立規則庫，這樣一來大大縮短了流向的處理時間。清洗出來的數據進行目標終端的管理分析，利用帆軟的報表製作系統FineReport搭建了一個數據展示平台（BI），制定一些數據流程，對整個終端數據進行了一個梳理。並且，通過整合市場的運營數據，分析每一個終端的銷量情況，設立預警，了解市場的潛力和挖掘空間。 客戶等級分析 2、運營模塊 在整個BI系統里，運營最看重的是指標的跟蹤、進度的跟蹤。在每個生產、銷售模塊里都有相關指標的跟蹤，對於全年，會有一個全年的指標要求。 運營模塊涵蓋了採購、生產、庫存、銷售這四大板塊的幾乎所有數據。目的是掃清數據盲點提高運營效率，監控問題反饋提供數據支援。 生產-銷售-庫存 3、 工程項目、研發模塊 工程項目與研發項目的重點在於研發進度以及研發費用的使用情況。所要做的是工程項目和研發項目整體進度的把握，直觀地展示給領導，進展到哪一步？哪一步影響了整個進度？領導通過分析給出一個直觀的判斷。 4、人力資源模塊 人力資源考慮的是人員效率和人員成本方面的問題。通過抽取HR系統、ERP系統自己一部分MES系統的數據，製作一個人員成本和效率分析，能夠讓我們知道比如這個生產車間，生產一線員工的投資回報率是多少。 最終目的是為其他模塊提供人員因素的數據支援，通過人與事的展現組合，能夠起到有效利用人力資源的目的；另一方面，通過人資本身的數據整合，直觀的展現出集團整個年齡結構、學歷結構、職能結構和崗位結構，為集團人事組成合理性提供理論支援。 人才分析 5、採購物流模塊 採購物流模塊的建設有幾大突破口：供應商付款周期、採購單趨勢、原料庫存預警、運輸費用。通過建立這四大模塊的報表來進行數據滲透. 通過FineReport製作的報表，每張報表都可進行明細的鑽取，一張報表就能深度展現數據。 縱觀整個集團的大數據運營體系，以數據驅動的方式，明確了整個的戰略方向、戰略目標。從整個戰略開始、運維服務一直到組織架構管控，整個流程制度的管理，每一個BI報表都緊跟人員的績效，與KPI管理綁定，在BI中建立明晰的考核體系，包括據錄入是否及時這些都由人力資源和運營部來考核。

1. 分解思路 做互聯網運營的數據分析，首先就是學會「分解」。將數據分解，將問題分解。所有的數據都可以層層向下分解，找出更多的「子數據」，通過對子數據的挖掘和優化，往往能逐個擊破，找到方向，提升最後的「關鍵指標」。這個重要的思路也貫穿了本文章下面幾乎所有的內容。很多時候我們找不到努力的方向，往往是分解的能力還不夠，只盯著最後大的成交額指標不放，不去挖掘這個指標下面的相關因素，而這些因素就是所謂的細節，做好了，就成為「極致」。 分解思路還有一個好處是可以幫助運營更好的分工，進行組織架構的優化調整。使員工更專業，更聚焦到某一塊業務上，從而培養出一個細分職能的專家，當每個細分職能都有專家時，又會反應在運營細節的完美上。 2. 追蹤思路 運營的問題，是追蹤出來的，不是一次就看出來的。所有的數據都是靠積累和沉澱才能發現問題，單一的數字沒有任何意義，只能稱為 「數值」。比如一個店鋪今天的流量是2000，轉化率1.5%，成交額3000 ，好還是不好，進步還是退步了，不知道。只有放到近1周，近1個月，甚至是近1年的數據中，組成線性的趨勢去研究，才能找到「問題」，這個時候的數據才是有意義的。 所以，無論到哪一個階段的店鋪，都要養成一個每日積累數據的習慣，我們知道淘寶後台會有成熟的數據產品，會給你看一個趨勢和歷史數據，但這個遠遠不夠，需要把所有數據都摘錄到自己的資料庫中，結合不同數據維度去綜合分析問題，建立追蹤機制，也就是下面講的「結合思路」。中型以上的電商都會有一套自己的數據管理模式，對重點指標進行監控，以保證及時定位到問題作出相應決策。 比如下方某電商用FineReport搭建的數據決策系統。 3. 結合思路 單獨追蹤一個數據的會比較「片面」，得出結論甚至是錯誤的。因為所有電商的核心數據在一段時間內，具備偶然性和關聯性的。 偶然性是指，可能某一天，轉化率突然降低，比日常要低很多，這個是非常可能發生的。於是，所有人都驚慌失措，找到轉化率相關的因素，看產品詳情頁的設計，產品的價格，找客服聊天記錄，「優化了」整整1天詳情頁的設計，使產品價格更低了，售前客服被整頓了。最後發現一切照舊，還浪費了1天時間做了很多無用的工作。 關聯性是指，大部分指標都是具有關聯性，正相關或者負相關，轉化率突然的降低，最後發現是在昨天流量突然暴漲，再看看流量來源，大部分來自於推廣流量，不精準，但人多。 所以，追蹤數據一定是多個維度一起看的，一般來說，轉化率和流量是負相關的，流量暴漲，轉化率就會下降；轉化率上升，客單價就會下降。（大型促銷活動除外） 但是，追蹤了數據，多個維度結合了來分析數據，結論依然可能會不準確，原因在於，這2個思路都是在和「自己比」，我們還需要進行「與其他人對比」。這就是下面介紹的「對比思路」。 4. 對比思路 對比就是和其他人比。這個其他人一定要選擇「合適的」。可以是與自己品牌定位相似的店鋪數據，也可以是同行業中做的比較好的店鋪數據。最具有可比性的還是跟自己「同層級」店鋪。通過對比，才能發現自己差距到底在哪，找到優化的正確方向。 實際案例，之前做微波爐產品，銷售量一直不如競爭品牌—格蘭仕，然後去分析數據發現流量差很多。於是加大了展示類（鑽石展位，CPM）和競價類（直通車，CPC）廣告的投入，卻發現收效甚微，甚至犧牲了大部分利潤。最後我們拿著同類型的一個產品，通過大數據分析軟體做了深度對比分析，發現流量來源中，自然搜索相差比較大，才發現是品牌認知的問題。於是推動品牌商著重於對產品品牌的打造。 5. 節點思路 節點思路就是將大的行銷事件作為節點單獨標記，數據剔除出來單獨進行分析。在日常運營中，行銷活動對數據影響還是非常大的，尤其是突然參加了淘寶官方的活動，比如聚划算等，會讓某幾天的流量，轉化率，成交額飆升，這個時候我們再將這些數據插入到日常運營數據分析中，就會引起「失真」，影響對店鋪日常運營優化方向的判斷。 6. 錨點思路 錨點思路有2層含義，第一個含義是在做業務數據分析中，當存在多個因子影響一個數據指標時，只留一個因子做變數，其他因子保持不變，然後測試這個因子對於最終指標影響的程度。比如，下面會講到的轉化率，有6個因子與之有關，但每個因子對於轉化率的影響又不相同，這個時候，需要進行一個小測試，保持1個因子變動，其他5個不變，放到市場中實際銷售，最終得出這個因子與轉化率的具體影響關係，以便後續做更多優化。 第二層含義是產品競爭力層面。通過錨點策略可以讓用戶更快速的做決策，使產品銷售的更好。比如，A和B兩個店鋪經營同一個品牌，這個品牌下面有1號和2號產品，這個時候，A店鋪與B店鋪溝通，A主力賣1號，B主力賣2號，這時，A可以把2號產品價格標高，以便幫助B店鋪做價格「錨點」，讓用戶知道B店鋪2號產品確實有價格優勢，這樣用戶決策將加快。A店鋪也同理。 7. 行為標記思路 行為標記法，就是將大動作的優化，大的項目上線及時標註在數據報表中。以便在後面通過數據檢驗是否是有效。因為大部分的優化導致的結果，都是「滯後」的，也就是說，一個大的優化動作，可能在1個月後才能體現出來效果，甚至是半年後才會有效果。當然，也有些優化動作是即時的，比如寶貝標題對於搜索結果的影響。無論怎樣，在運營過程中我們要明確的知道，哪些事情是花費了大量時間有效的，哪些是無效的。 之前我們做產品包裝優化，用了1個月與品牌商溝通，品牌商再通過各種測試，實驗，採購新的包裝材料，2個月後我們給用戶發出的貨就都是新包裝的產品了。但是，在採用新包裝產品1個月後，退貨率只是緩慢下降，到第2個月後才明確的在財務表中提現，因破損造成的退貨下降了很多，用戶體驗好了，再1個月後回購率也提升了。進而提升了整個店鋪銷量和好評率。 以上7種思路是數據分析基礎，下面將落實到具體每個運營指標的優化，你將看到所有指標都被7種思路的某一種或某幾種所貫穿。有了這樣的分析思路，無論做哪一塊內容，都將快速的找到核心問題，進而再找到解決問題的方法。