從BAT看企業構建大資料體系的六層級

本文將企業大資料體系的構建分為六個層級，但並非是線性過程，每個層級之間或有基礎關係，但並不是說一定要逐層構建。 例如創業型公司，在缺乏資料研發實力的時候，多數會借助協力廠商平臺進行資料上報與分析。

下面一張圖，是本文的精華概括，後面一一展開與大家探討。

一、資料基礎平臺

基礎的資料平臺建設工作，包含資料平臺建設，資料規範，資料倉儲、產品資料規範，產品ID，使用者ID，統一SDK等。

很多公司的資料無法有效利用，就是缺乏統一規範，產品資料上報任由開發按照自己的理解和習慣上報，沒有標準化的SDK和上報協定，並且資料散落在各個部門產品的伺服器，無法構建結構化的資料倉儲。

做資料平臺的架構，很多人會理解為高大上的技術活，其實整個資料平臺價值的體現，需要公司各個部門的配合，例如關鍵資料指標體系的建立，需要從各個部門業務指標進行提煉，並得到營業單位認可。 常見的關鍵指標有：DAU、PCU、WAU、MAU、按天留存率(1-30日留存)、累計留存率（7日、14日、30日累計留存率），新增使用者，有效新增使用者，活躍轉化率，付費轉化率，收入指標，ARPU人均收入，管道效果資料等。

下圖是騰訊和阿裡的資料平臺架構。

阿裡大資料業務架構：

阿裡雲梯分散式運算平臺整體架構：

二、資料包表與視覺化

在第一層級中，進行資料指標體系規範，統一定義，統一維度區分，就可以很方便的進行標準化可配置資料包表設計，直觀的視覺化輸出設計，包括行為、收入、性能、品質等多種資料類別。

在PPT中以友盟、迅雷、百度、騰訊等公司的資料包表體系進行詳細講解。

騰訊資料門戶

阿裡資料地圖

三、產品與運營分析

在建立資料平臺和視覺化基礎上，對已有的使用者行為、收入資料等進行各種分析，輸出日報、週報、月報、各種專題分析報告。 常見的資料分析工作如下：

1. A/B TEST進行產品分析優化；

2. 運用漏斗模型進行使用者觸達分析，如TIPS、廣告等曝光到活躍的轉化；

3. 收入效果監控與分析，包含付費轉化率、管道效果資料等；

4. 業務長期健康度分析，例如從使用者流動模型、產品生命週期分析產品成長性和健康度；

5. 行銷推廣活動的即時回饋；

使用者畫像也是常見的資料分析方式，包括使用者如性別、年齡、行為、收入、興趣愛好、消費行為、上網行為、管道偏好、行為喜好、生活軌跡與位置等，反映使用者各種特徵，以達到全面的瞭解使用者，針對性的為使用者提供個人化服務的目的， 通常每半年做一次使用者畫像的專題分析。

下圖是常見的資料分析思路：

常用分析工具：EXCLE，SPSS，SAS，Enterprise Miner，Clementine，STATISTICA。 個人用的比較多的是：EXCEL和SPSS。

下圖是SPSS常用的資料分析與挖掘方法：

四、精細化運營平臺

基於資料基礎上搭建的精細化運營平臺，主要的平臺邏輯多數是進行使用者細分，商品和服務細分，通過多種推薦演算法的組合優化進行商品和服務的個人化推薦。 另外還有針對不同產品生命週期，使用者生命週期構建的產品資料運營體系。

五、資料產品

廣義的資料產品非常多，例如搜索類，天氣預報類等等。 這裡主要講狹義的資料產品，以BAT三家公司的資料產品為例進行分享。

騰訊：廣點通、信鴿

阿裡：資料魔方、淘寶情報、淘寶指數、在雲端

百度：百度預測、百度統計、百度指數、百度司南、百度精算

截取幾張PPT如下：

六、戰略分析與決策

戰略分析與決策層，更多的是跟很多傳統的戰略分析、經營分析層面的方法論相似，最大的差異是資料來自于大資料。

有很多企業錯誤的把「業務運營監控層」和「使用者/客戶體驗優化層」做的事情放在經營分析或者戰略分析層來做。 傅志華認為「業務運營監控層」和「使用者/客戶體驗優化層」更多的是通過機器、演算法和資料產品來實現的，「戰略分析」、「經營分析」更多的是人來實現。 很多企業把機器能做的事情交給了人來做，這樣導致發現問題的效率較低。

建議是，能用機器做的事情儘量用機器來做好「業務運營監控層」和「使用者/客戶體驗優化層」，在此基礎上讓人來做人類更擅長的經驗分析和戰略判斷。

在變化極快的互聯網領域，在業務的戰略方向選擇上，資料很難預測業務的大發展方向，如果有人說微信這個大方向是通過資料採礦和分析研究出來，估計產品經理們會笑了。 從本質上來說，資料在精細化行銷和運營中能起到比較好的作用，但在產品策劃、廣告創意等創意性的事情上，起到的作用較小。 但一旦產品創意出來，就可以通過灰度測試，資料驗證效果了。