帆软专家智库由帆软旗下机构「帆软数据应用研究院」创立，邀请来自不同领域的技术、业务和管理专家，旨在将各行各业优秀的数字实战经验，借助帆软平台分享给更多的中国企业。
今年，我们将持续邀请企业及咨询机构的知名行业专家、高校学者等共话数字化转型。
本期我们邀请到曾任滴滴高级数据产品经理、字节跳动资深数据产品经理的高远老师分享她首创的3M业务数智化体系是如何应用于业务型数据产品建设的。数据产品要和业务场景结合才有价值，那么如何合理建设一套业务型数据产品呢？这篇文章将告诉你3M业务数智化是如何应用于业务型数据产品的建设。
O2O：线上线下融合的商业模式，即online to offline 或offline to online。这种模式被运用到生活服务场景的方方面面，如：团购、外卖、生鲜、出行等等10余个领域。在这近4亿人的市场规模中，伴随着每个行业的扩张，衍生出无数问题：针对管理人员和业务人员这两类人群，分别有以下的困扰：工欲善其事必先利其器，如果想要解决上述难题需要“利器”去解决问题。我们来看看“利器”——3M业务数智化到底是啥？3M业务数智化，即通过思想Mind、方法Method、产品Manufacture三位一体进行落地。思想问题主要是去解决人的问题，这个问题是重中之重。在很多改造过程中出现的各类问题都是因为思想没有统一。例如：业务部门无法协调时间配合调研、跨部门沟通无比艰难、项目反复没有进展等等。这些问题归根到底都是人的问题，如果相关方无法对改造的目标、意义、节奏达成一致，就不要轻易进行贸然尝试。在认知达成一致的前提下，改造需要科学的方法来指导，这样才能稳妥有序地取得良好的结果。很多数字化、数智化改造失败的原因在于未经过科学的方法论引导。要找对人、立思想、定目标、开试点、全推进，一步一步有条不紊地进行才能达到效果，也能以最小成本获得最大收益。在思想Mind和方法Manufacture方法都掌握好的情况下，就可以正式开始落地了。必须针对性地进行改造，才能拿到好的改革成果。因此，首先要明确业务存在的问题，是业务环节的监控不清晰？还是业务的方法论无法沉淀？或者是业务问题的分析定位过于耗时耗力？又或者是策略花费效果不佳？每类问题都需要采用不同的解决方法，所以要针对相关的业务问题进行改造的定调：是解决看数问题？还是用数问题？还是智数问题？我们以产品 Manufacture 来看如何进行落地实践的？
产品 Manufacture的落地实践包括 level1监控-level2分析-level3诊断：
（1）如何提取核心数据指标体系，高效把控业务表现
（2）以b端为例，通过业务分析落地数据产品
上述三类问题，分别可以通过对应三个level的产品来解决。在全局视角下O2O方向的3个level产品情况如下图：除数据资产、数据管理、基础平台外，按照内外数据来源的不同，可以将业务型数据产品分为两个部分：- 业务型数据产品（对内）：L1 监控层：离线监控、实时监控；L2 分析层：核心分析、定价分析、事件分析；L3 诊断层：指标诊断、人群诊断
- 业务型数据产品（对外）：地区定调、竞品分析、政策解读
问题1：如何提取核心数据指标体系，高效把控业务表现
数据监控4步法：盈利模式→业务模型→指标分类→监控产品。根据业务是否直接提供价值和是否省时间，盈利模式可以分为：免费模式、佣金模式、流量模式这几类。以外卖业务为例，其盈利模式按照佣金模式走，公式如下：这个公式涉及了3个方面：单均应收金额、单量、分账比例。
业务模型就是对业务本质的刻画。以外卖业务为例，主要是解决商家供给和顾客需求的供需平衡，其业务模型如下：
指标分类是指在业务模型的基础上将类型一致的指标进行归类，从而便于使用和扩展。以外卖业务为例，涉及到的指标类型有：财务类、订单类、B端商家类、C端顾客类、体验类、策略类等。到这一步很多人会问：为什么要开发产品？这是因为定制化的数据看板更全面、功能更强大、支持多种时间粒度、数据产出更为稳定，这些优势是Excel和通用报表所无法完全替代的。上图就是Excel、普通报表和高级报表的优缺点对比：其中帆软BI产品就属于高级报表，它有着很强大的数据连接功能，现在比较流行的大数据平台都支持链接。另外还有配套的数据清洗、数据建模、数据管理、数据可视化等完整功能。问题2 ：以B端运营为例，通过业务分析落地数据产品
B端运营出发，会有很多短期和长期视角下需要去解决的问题。我们以短期视角为例，一般短期视角下需要解决的问题都是较为高频的问题。常规的核心业务分析会分为三个步骤：整体盘面→结构分析→流转和留存。以问题1建设的指标体系为基础，B端会涉及到商家的各类表现，一般需要对B端商家最核心的目标进行监控，通过对大盘表现和同环比的辅助可以得到目标指标的变化情况。根据问题1中指标体系的建设，B端商家需要进行的指标监控可以分为以下几类：财务类、订单类、体验类、补贴类等等。这其中，我们会更加关注商家的完成订单数或者GMV这类目标相关的指标，因此首要监控的便是这两种指标。另外，鉴于O2O相关业务呈现出的周期性变化的特征，我们可以借助周同比的方式进行辅助监控，比如可以通过预警设置等措施，辅助业务人员及时关注并应对潜在问题。
在观察完大盘情况后，接着就要进行下钻分析，以确定异常是由哪种类型的商家引起的。从商家人群分层的视角出发，把大盘「拆解」成不同的结构，再进行数值和占比两个类型的对比。这一步可以完成“大盘→特定人群”的定位。而人群的拆解一般可以从生命周期的角度进行，可以分别通过数量和占比链各个角度进行联动分析，从而更加快速定位人群异动的情况。同时，也可以和人群画像模块进行联动，从而可以更详细地看清楚GMV增量贡献商家的特征画像。从流转和留存的视角来定位商家的流动情况，从而根据不同程度的流动进行策略的制定。- 流转分析：同一批人，两个不同时间，快速感知人群变化，定位问题人群。主要看流动性和变化情况。尤其可以快速定位高频→低频的人群，快速上策略。
- 留存分析：同一批人，连续一段时间，分析核心人群的留存情况，和策略打通。哪些人群的留存突然大幅降低，尤其是新商家在短期内大幅降低，证明平台对于新商家的引导和宣教做得不好，需要引起重视。
这里需要注意的是，无论是流转还是留存，对应的商家人群都要灵活定位，导出和找到这些人才是解决这类人问题的第一步。通过上述三个步骤定位到具体的人和问题发生的日期，接下来就要通过详细的画像分析和策略解决来这类人的问题。如果想更智能地解决后续的问题，可以把人群和用画像平台以及运营平台进行打通。诊断是最高层级的数据应用，所以限制的条件也比较多。如何判断当前的数据产品是否适合进行诊断产品的建设呢？以下是三个条件：底层数据建设好，各类表都齐全，如明细表、轻度汇总表等等。
基础的数据应用需要非常稳健。
只有同时满足上述三个条件才可以进行诊断产品的搭建，不然就算搭建起来也只会是空中楼阁。
诊断类产品首先需要给出结论，而不是堆砌大量数据，这样可以使大家聚焦到底有没有问题？问题的程度是否严重？
拿GMV来举例，GMV的进一步拆解是完单和单均流水，所以可以展示下这两部分的变化。解释说明结论，分析拆解需要一定的方法论。笔者总结出了一个比较通用的分析方法，需要从横向和纵向两个视角去看。- 横向：主要看内外原因。内部主要看供给侧、需求侧、主漏斗这三方面的变化。外部主要看天气、节假日、大型事件、舆情库、竞品动态等。
- 纵向：主要看维度拆解。根据业务常用的维度，可以分为业务线、地区、场景等等。
通过step2定位原因后，我们下一步要去解决这个问题，给与每个特殊问题个性化的策略，从而一步到位进行解决。如果要将策略做得更加智能，前期需要进行很多实验的积累，并且结合算法对不同属性的人群进行个性化实验，从而最大化花钱的ROI。在历史策略的基础上可以对效果进行预估，例如在补贴率多少pp的基础上可以拉来多少的GMV或者订单数。这样才真正做到定位问题——分析问题——解决问题的一站式智能诊断。3M业务数智化帮助各行各业进行转型和落地，无论是传统行业还是互联网都有着很多的落地成果。帆软BI则是数智化落地的最佳神器，FineBI帮助企业快速搭建面向全员的BI数据分析平台，让每一个成员都能充分了解并利用他们的数据，辅助决策、提升业务。欢迎在文末评论区留言，说说对业务数智化的看法，评论区点赞前两名将获得老师撰写的首本数智化转型实操书籍《业务数智化：从数字化到数智化的体系化解决方案》。
帆软研究院官方运营轻咨询模式，已吸纳不同行业不同领域（技术、业务和管理）百余位，为三百多家企业完善业务通路，提升数字化经营实力提供专属方案。若您有与专家面对面咨询交流的真实需求，欢迎扫描下方二维码提交，填写完成后，我们会进行信息初步审核，审核通过的客户，帆软将免费提供专家资源进行支持。
还没有评论，来说两句吧...