嘉賓介紹

 

 

 

陳廣乾

兮易控股董事長

 

 

分享嘉賓|陳廣乾

 

分享主題：大數據在企業如何落地

 

我今天晚上主要跟大家匯報一下關于企業大數據應用方面具體我們做過的案例，大概有幾個案例。在講這個案例以前，我是想把整個創業簡單的片子給大家先看一下。

 

 

 

我最后一個職業生涯是在江蘇昆山，好孩子中國商貿集團的總部是在昆山，我是好孩子中國商貿集團的CEO，一直工作到2013年，2013年的3月份創業，到今天為止差不多快三年的時間了。之所以離開好孩子CEO的崗位參加創業，主要是看到了互聯網，尤其是大數據的發展，從創業的過程當中一直到去年年底，我們在大數據項目上總共差不多做了七個項目。案例呢，由于時間關系我不會全講，會講幾個面向B2C企業的案例，和一個B2B企業的案例。

 

在整個我們所做的大數據項目當中，從第一張片子可以看到，我2015年的4月份參加了國家在貴陽舉辦的第一屆大數據國際博覽會，在國際博覽會下午峰會上我有一個發言，關于企業大數據應用的發言，在那里我提到了其實2015年可能是中國企業大數據發展的元年，這個看起來還是比較準確，因為現在最近企業大數據的發展勢頭來勢比較猛。

 

 

 

我現在給大家放第二張片子，也就是我們為什么要做大數據，我們目前做的產品和架構是什么。現在請大家詳細看一下這張PPT，這個是我整個所創業的兮易在整個大數據的定位，目前我們開發Saas平臺，最上端大家看到有一個互聯網轉型，2B的企業和2C的企業，有一個工業4.0。工業4.0我們開發了8個板塊和48個具體的模塊，底層是我們開發的一些關于企業核心能力的基礎模塊。但是支撐這些底層的，就是我們的兮易大數據增值產品，這個里面目前我們正在開發的產品有關于企業2C用戶端會員管理，以及2B端的運營管理，和工業4.0服務的基礎產品。

 

 

 

現在再給大家看一張片子，現在這張片子是我們對整個中國大數據目前現狀的一個解讀，目前現狀看，其實我們看到百分點這家公司，這家公司已經獲得幾輪融資了，目前他們做金融大數據做得比較好，而且是目前中國最大的第三方消費者偏好數據的平臺。最近又出來一個數據堂，目前我們大家公認的比較好的是阿里大數據，其實我目前看在互聯網數據上最好的數據產品是阿里的大數據，我這上面列舉了數據魔方的例子。

 

還有一個我想在這里說一下Uber，我最近看了一些文章說這個企業非常厲害，居然沒有一臺出租車，也沒有一個司機，就能夠控制著美國甚至全世界出租車行業。其實大家在評論這點的時候忽視了Uber在我看來是大數據的分析平臺，通過大數據算法所做的司機和出租車的撮合平臺目前是最好的。

 

但是呢，不管是阿里、Uber還是百分點，這些企業在我看來都主要是一些互聯網的企業，它們目前的大數據產品還主要面向互聯網數據的。其實我們大家知道，互聯網數據所有的數據節點都是有痕跡的，所以相對來說數據的鉆取、數據的采掘以及數據分析相對容易。

 

 

 

我們兮易目前做的主要是聚焦線下傳統企業大數據的分析。在具體提到傳統企業大數據如何分析之前，我再給大家看一張圖，就關于整個我們傳統企業現在走到今天，在大數據分析的背景資料的現狀，給大家做一下分析。通過這張圖大家可以看到，在互聯網之前我們叫一代實體電商，這個時候我們傳統企業做得還可以，傳統企業店的形態其實都是通過品牌商到中間的渠道到門店再到消費者，這是第一代店。第二代店就是真正網絡的電商了，主要以阿里、京東為代表，這個對我們傳統企業是一個巨大的沖擊。現在目前從2014年開始，企業都開始了O2O的轉型，或者叫做全渠道的轉型，今年明顯能看到傳統企業O2O已經有很大的發力。

 

比如說像好孩子商貿集團其實就開發了一個很強大的線上線下統一的應用，線下對傳統渠道打通，而且也做的比較好，但是目前傳統企業O2O第三代主要還是開發一些微信，還有APP工具，使用的主要手段還是甩紅包、打折來吸引消費者下載我們的應用。

 

但大家看我這張圖對右端叫3.0的高級階段，3.0的高級階段其實我認為APP不僅僅是唯一手段就是靠紅包和打折吸引消費者，其實我們在3.0更高級階段，其實應該把我們的視角進入到一個真正洞察消費者的痛點，真正走入用戶，做深度傳播新的更高發展階段。在這里面其實小米、Uber做得比較好，一到深度洞察消費者，后面我提出四個基本先決條件，這四個基本先決條件，如果我們能夠走進消費者心理，未來沒有社會學、心理學和語言學的手段介入，我們很難在深度上跟消費者做心理和情感的溝通。那么大數據技術就需要進一步成熟，我們需要更深層對消費者360度的畫像，我們需要更成熟的智能語言的分析技術，和需要更成熟的其他涉及到大數據的分析技術。

 

在我們銷售系統里面，目前我們的銷售系統，像目前銷售自動化系統，還不足以能夠深度挖掘消費者，可能未來就走向智能的銷售系統，以及能夠更智能獲得大量新的智能終端設備，來全面獲取我們的銷售數據。另外，我們的溝通工具也需要進一步成熟，由我們的微媒、我們自媒體進一步深度發展，能夠360度溝通我們用戶。

 

 

 

為什么需要這樣做呢？我們再看一張片子，這張片子告訴我們為什么要在這個程度上更加用到大數據分析技術了呢，我們看到第一代基于我們渠道客戶的時候，我們主要的KPI就是sell out、sell in，就是我們到分銷，到經銷商的庫存，以及經銷商庫存轉化到門店，包括我們分銷的網格化等等，以及門店的終端陳列等等。在門店這個層面上，我們需要更多是零售數據了，這里面有客流數據，但是這些傳統的KPI我們過去的工具基本上可以解決。走到第三代基于用戶的時候，我們的KPI考核會發生很大變化，但是看右側的KPI，這里就出現了細分用戶群了，出現了老用戶數、新用戶數、用戶的轉化率，包括會員的復購率，用戶的購買品質，你能鏈接到多少用戶，互動的用戶數以及互動的反饋，用戶的推薦，用戶的價值，用戶的流失，以及精準客群投入的產出。

 

當大家看到這些指標的時候我們會看到，這些指標如果沒有跟用戶相關這些新的工具和平臺，沒有這些精準大數據分析，走向用戶，尤其深度走向用戶是很難實現的。那么這張片子就主要說明在我們跟用戶交互的時候，大家作為搞信息化搞IT的同事們看到，這個邏輯在這里面做了一個陳述。這個基本邏輯是這樣的，就是說我們跟用戶的溝通里面，現在相當多的是手機，定位的軟件就是微信，我們有手環，定的可能是微博，我們未來的智能手表定位的可能是社區，我們智能家具可能定位著電商，以及我們大量企業都開發了跟用戶溝通的這種比較正的APP，未來我們可能有更多的終端，因此有更多的軟件。

 

 

 

那么大的結構上來看，我們目前在跟用戶溝通上主要的一個系統，還是SCRM，和前端的用戶交互系統，我們叫做CIC。面對SCRM和CIC系統呢，其實我們拉到后端的就是需要做大數據的分析，通過大數據分析才能夠形成中間這個閉環，也是通過我們獲取數據來洞察用戶的痛點，然后形成我們產品和服務的創新，這個產品服務的創新又走向一個生態圈互動的場景，通過我們各種技術實現我們大數據分析，這個大數據又調過來解決用戶的痛點，這樣形成一個閉環，通過創造用戶的體驗，洞察用戶的需求，來實現我們對用戶精準營銷的解決方案。

 

 

 

好，我們再看下一張片，這張片子文字比較多，我做一下說明，右邊這張圖是我們在傳統企業，尤其是B2C企業互聯網轉型頂層結構圖，這個頂層結構圖最核心的，我提出一個三交的概念，交互、交易、交付，我們傳統企業做交易和交付是很成熟的，但是我們在轉型的過程當中，可能越來越多面向于用戶的交互，用戶交互過程當中，我們使用主要的平臺就是官網、官微和官博，通過這個平臺我們會實現我們品牌的人格化、品牌的故事化和品牌的時代化，通過這個品牌的傳播，通過對用戶的交互，我們會實現銷售的大數據，用戶的大數據，以及傳播層的大數據。

 

前臺開發的就是前臺的交互系統與用戶的交互系統，主要是各個企業開發的APP，微媒體的系統，以及客戶互動中心的CIC。中臺的交易系統主要是電商，線上電商，線下是各種前端的銷售體系，后臺主要是ERP和倉儲物流等等，通過三臺系統和前端的交互系統來實現用戶傳播和銷售的大數據。

 

這個大數據的獲取目的之一就是要形成我們產品開發，更好應對我們消費者，這個就是我們所說的讓用戶找產品，在開發過程當中，這里面提出四代開發內容，其中第一代、第二代的開發都是傳統的從P0到P6，也就是從產品規劃到產品推市的一整套產品生命周期的過程。但是在第三代開發的時候已經引入了基于消費和用戶體驗的大數據分析，但是這個還不夠，在開發的第四代，也就是產品研發或者產品全生命周期PMI的第四代，其實像做得比較好的類似于小米，目前有些企業也正在做，正在做的就是在整個研發立項，甚至一個創意階段，就已經跟粉絲，跟業界大V產生了創意的互動，包括在企劃上、創意上、開發上的互動，這個互動對產品開很有好處，這是最新一代新的開發。新的開發之后，通過互動我們會積累更多產品交互的大數據，這個對產品的DNA爆款的形成是很有幫助的。

 

 

 

再給大家看一張圖，下面這張圖就是從前面產品開發大數據分析概念走到了后端智能制造，我在最近一篇微博里面也提出了這張圖，就是我們做的工業4.0的核心結構概念，這個核心結構里面我們分成8個模塊，整個工業4.0的架構分成8個模塊，第一個是滿足用戶個性化和多樣化需求的智能銷售系統；第二個是智能用戶需求的交互與分析的系統，現在這兩個系統很顯然都是基于前端跟用戶交互的大數據才能形成。第三個系統就是整個工業4.0的核心，也就是我們的互聯網體驗和基于互聯網的iMES，也就是設計執行系統，以及我們的設計系統，也就是實現協同設計，互動設計和用于環境的設計，以及用于成本的設計等等；第五個就是智能采購，這是可視化和模塊和供應商的采購；第六個是智能生產系統；第七個是智能物流系統；第八個是智能服務系統。

 

我拿這張圖的意圖是什么呢？其實搭建智能系統底層核心又走到了產業，我們叫做工業大數據，它的核心是工業大數據，沒有工業大數據在這里做底層的基礎，其實這八大智能模塊是難以實現的。

 

 

 

我們看一下這張圖就能說明一下我剛才說的含義了，這個就是我們開發的設想，第一張圖就是我們設想未來智能物流系統的一個結構圖，如果我們未來需求大數據做得很好，如果我們能夠實現準確的需求預測與訂單預測，如果我們可以實現全流程庫存的共享，如果我們能夠實現整個從訂單端到端全流程可視。我這里舉個例子，400萬訂單需求，其實我們有可能通過200萬的現金可以滿足，因為在這個條件下，如果我們未來的缺貨率低于5%，未來我們的訂單預測的準確率高于80%，未來我們的速度低于10天，中間的苦庫存也盡可能優，在這些條件下，其實我們可以用一半的資金滿足400萬訂單，滿足安全庫存全部要求，其實我們可以成為物流銀行，因為有200萬資金像阿里巴巴的余額寶一樣存留起來。但是這張圖的核心，我剛才說的那么多如果，這個如果的先決表現就是基于從工廠到銷售到CDC、RDC到HUB一直到門店到最后一公里用戶全部流程的大數據分析，全部流程數據的可視化。

 

 

 

這是我們2013年做的第一個大數據項目，這其實是一個電商，這是中國很有名的一家電商，它的線上當時是1700萬會員，線下傳統大概有8000多萬會員，我們是做的8000多萬會員分群的大數據分析。大家看的這張圖可以看到，原來做大數據分析以前，它的整個線上1700萬會員是沒有做分類的，每個月的郵箱營銷推送費大概是1750萬左右，但是整個用戶的點擊率，就是訪問訂單率連千分之一都不到，因為大部分都作為垃圾處理了，它沒有一個比較精準的分群。由于這家企業其實它雖然是個互聯網企業，但是我們從它的數據分析里面看到它整個數據積累質量還是比較低，所以我們打的200多個標簽里面最后用的標簽其實連20個都不到，因為沒有數據做支撐。

 

即使在這種情況下，通過我們的算法，就是我們數據質量高的時候，有對于高的算法，質量相對低的時候，我們有相對低的算法，通過這些算法我們最后確定了7個大的分群，這就把大概1700萬線上會員縮小到了小的10幾萬，大的100多萬這樣一個分群，這種分群就能夠使它的整個推送比原來精準多了，至少是7倍的精準。

 

在這個基礎上，我們開發了面向各種不同群體的銷售語言，對應不同群體營銷語言，并且組織了針對不同群體營銷的策劃，這個效果比原來的效果要好得多。

 

 

 

現在這個是我們做的又一個用于C端大數據分析，這家公司是有2700萬會員，我們是整個對會員打了1300多個標簽，我簡單說一下這個方法論，在這個項目里面，上面有一列，大家看一下，P01叫做基礎，P02叫做接觸，P03叫做意向，P04叫做眼光，P05叫做優惠，P06叫做選款，這個什么意思呢？所謂P就是process，就是這家公司的核心業務，其實不管大數據也好，小數據也好，數據表征主要是業務，所以我們要對業務首先進行比較清晰的梳理，對于業務要有深刻的認識，你不對業務有深刻認識是沒有辦法做大數據分析的，就是我常說的，你即使是邀請一個人大統計系畢業的，北大統計學畢業出身的，他馬上也做不了大數據業務，為什么呢？因為他對業務沒有一個很清楚的了解是做不了大數據分析的。

 

比如說我們問一個學統計學的大學生，庫存周轉天數是35天意味著什么？大學生很難知道這個庫存周轉35天，這個業務有沒有競爭力，所以它的先決條件就是我們要對業務進行透徹的分析。這個業務透徹分析里，任何一家公司業務都是非常復雜的，所以我們分析的主要是給這家公司帶來銷售收入，帶來盈利，造成成本端到端的梳理，所以這家公司我們梳理了14個核心業務的端到端的流程，就是大家看到的從P01到P04，這14個核心業務的流程就構成了這家公司一年50多個億的銷售收入。

 

 

 

那么左側這個縱向圖，就是我們通常對于用戶，尤其是對會員大數據分析的基本緯度，下面就這個具體項目呢，我再給大家拷幾張片子做一個更詳細的說明。大家看這張片子就更有意思了，這張片子是我們做項目基本的方法論，大家看右側有一個標簽分層，我們其實把整個對C2端，對會員大數據分析分成八層，大家可以看到第一個緯度是地理的緯度，什么叫地理緯度呢？這里面有一個解說，比如說省會城市、住宅、購買地址、商圈、交通、店的檔位，這些都屬于地理位置。人口特征就是年齡、性別、職業、收入、教育程度，包括在這個項目里人的驗光記錄，驗光屬性的特征，這屬于人口特征。再往上走就是像購買行為、價值潛力、使用場合、需求動機，這里都有具體說明。從底往上走，大家看到越往上走數據獲取難度越大。

 

其實我們或許一個用戶的地理信息呢，以及他的年齡相對來說還是容易，獲取用戶的成本信息以及購買行為信息就相對難了，再往上走，比如說獲取他的需求動機，他的態度、個性，甚至說他的生活方式，這些信息就更難了，過去在沒有互聯網，尤其是移動互聯網條件下，我們越往上走的數據幾乎獲取不到，所以過去大數據分析的深度是很有限的。

 

根據這八個層次，我們做了一個標簽的分層，最右邊那些就是具體的標簽分層，這八個緯度變成到這個項目里面具體的標簽分層就有了這個企業具體特點了，比如說在功能需求上，我們驗光上，除了一個視覺的健康以及實像兩個基本需求之外，其實我們有可能還有病理的需求，像年齡大的可能產生眼睛的老化、青光眼、白內障，這就屬于病理的需求。還有其他功能性的需求，還有產品特性的需求，還有特定的適應性的需求，這些都是需求動機。由于這個企業數據保密原因，所以我們就到了第二層為止。

 

左邊這兩個實際上是KPI，因為對于老板來說他其實不在乎你是大數據還是小數據，快數據還是慢數據，老板在乎我給你錢做數據分析，我要的是效益的改善，在具體項目里就是要的是老會員的活躍，沉睡會員的覺醒，流失會員的回歸，以及會員的復購率，以及客單價，這些是通過我們大數據分析來完成的。所以在我們大數據方法論上看的第一步其實是KPI定義相關標簽的設計與差距分析，這是我們做的第一步。這之前我們還有一個第零步，也就是項目的開端，我們要有一個大數據先驗的分析模型，根據先驗的分析模型，根據KPI定義，我們第二步再做數據的清洗和整合。第三步要基于現有客戶的價值做分群，第四步要開展營銷活動，第五步要對營銷活動提出來一個具體的銷售效果，然后持續改進。大數據的算法就在第二步和第三步之間，具體的算法模型是在第二步第三步之間實現的。

 

 

 

具體的分析模型，我們再看一張圖，這張圖是我們具體分析的一張圖了，從這張圖截圖看下來，原來的這家2700萬會員近乎沒有做任何分群，我們其實在這個分群中，由于我們分析方法的成熟，由于數據質量比前一個有很大的提升，其實我們對2700萬會員做了細的一個群。這里給大家看一個具體的分群，45歲到50歲這個年齡已經開始要形成眼疾病了，這個眼疾病有幾種表現，有可能是斜視、弱視，有可能眼表面的疾病，有可能形成白內障，這種疾病在哪些場合下形成的？到底有什么感受？45歲到50歲這個群體具體活動的場所、場景都是什么，他是在社交上更多，還是開車上更多，休閑活動更多呢，這些活動對于他視力有什么要求呢？這個眼睛到底應該怎么解決呢？以及這類人群里面都是哪些具體的職業，職業有什么變化，等等，這些過去都完全沒有。經過我們畫像，以及畫像做的分群，已經做的比以前細多了，而且我們有一個基本的定義，也就是我們把兩年半以內就來配一次眼鏡的作為活躍客戶，兩年半到四年之間配一次眼鏡的作為睡眠客戶，四年還沒有來配眼鏡的，這個客戶基本上流失了，而且這個配眼鏡還是配太陽鏡還是配近視鏡還是老花鏡呢，都有一些具體的聚類分群。

 

 

 

我們再看下一張片子，這個就是針對我們具體的聚類分群，我們開發的用于前端手機的大數據分析產品，這個在實際效果中比較好。比如說拿我的例子來說，原來驗光可能是七到八個緯度，有時候驗光寫在一張紙上，這張紙是輸到系統里還是隨手扔掉，我們也不知道，這種驗光之后可以接收到52個緯度的信息，而且在你結束驗光以后幾乎一分鐘之內就可以收到。

 

這個信息里面的緯度，對我們用戶來講就可能會造成用戶的感動，為什么？比如說拿年齡大的來說，這上面就可以看得到，你哪一天到我們這兒驗光了，而且驗光的52個緯度信息，我們可以從手機上看到，看到有些視覺緯度到危險期的時候，短信上，手機的網頁上可以做提示，比如說你可能接近輕微青光眼的前期了，這種情況下會主動推送很多服務，比如說三個月之內再給你免費做一次驗光，看看你這個視覺是不是變壞，這樣除了配鏡子以外，還要做一下健康的檢查。

 

這個對前端來說客戶就是比較滿意，而且客戶比較感動，這個我們在一個城市做試點的時候知道這個試點的效果還是比較好，但這個后臺就是做了大量的工作，大家看這張圖看出來，后臺推送手機短信，后臺有一個很大的CIC客戶互動中心，交互中心，交互中心會把這些數據都聚類起來，在后端是一個CM系統，然后底層有一個大數據分析的體系，這些體系的建設，而且內部數據全部要打通，所有門店上的數據，驗光師上面的數據，以及交易上來的數據要全部打通，才能實現前端讓用戶感動的數據服務。

 

 

 

還有一個案例我要簡單說一下。這個項目我就簡單說到這兒，我們再看一個更大范圍內的大數據分析的例子，這個不是一個店，這是一個大的購物中心，這個是我們所做的對于到購物中心128家店3月2號那一天十幾萬人消費者所有行為軌跡的分析，這一大型購物中心主要形成了一個用戶定義，形成了一個消費偏好，消費動機，消費行為，商戶對購物中心貢獻度，做了這幾個緯度的數據分析，靠這一天幾萬十幾萬人整個WIFI數據地址，他的整個軌跡數據，再配合紅外的數據，再輔助以門店的POS數據所做的綜合消費行為的分析。

 

大家從這張圖里能夠看到，在我們分析的125家商戶當中，中間這個節點，就是大家去的最多的那個節點，給這個購物中心帶來最大貢獻的一個節點是一家coldstone的店，最差的一家店是叫做（品拉照相）的店，coldstone的店對購物中心的貢獻比購物中心向它收的租金大幾倍甚至十幾倍，所以通過這個大數據分析，我們引導購物中心不僅僅通過傳統的收租金的一種方式，所以這種購物中心的費用收取模式的變革實際上是依據大數據分析的。

 

 

 

我再簡單說最后一個案例，這個案例是我們在做大數據分析項目里面比較艱難的一個案例，就是我們一個很新的嘗試，目前分析的領域還主要是面向終端用戶，這個已經走到了B2B了，走到了B2B一個企業內部的運營了，如果說前面對用戶的分析主要拉伸他的銷售，這個分析主要是要節約運營成本。

 

這是一家工程機械的企業，這個企業看到原來在我們前幾個項目來核心業務的梳理，端到端的梳理只有一條線，從前拉到后，這個企業里面，我們核心有五條線，因為這個企業的工程機械銷售還是比B2C的企業復雜得多，因為它不是一個簡單的現款現貨完成銷售的閉環，其實工程機械賣出去以后，銷售的一半還沒有結束，其實大量的業務流程是在后市場，服務、維修、退換貨，以及更重要的是整個租賃，以及風控的環節。

 

我們整個對這家公司的業務，通過五個主業務緯度，對它的售前、售后、后市場風控，進行了五個緯度業務數據的解讀，找到了520個業務的斷點，520個業務斷點做了很多分類，對每個分類進行了大量的算法模型，通過算法模型找到了能夠讓它經營斷點，這個斷點其實對于企業老板來說就是流血點，能夠讓流血點止血的一整套大數據分析和新的運營管理的解決方案。這個解決方案，我們的分析過程當中，這些業務斷點一年造成了這家公司經營損失大概1500多萬，通過我們數據分析所形成新的運營改善的方案，經過去年實戰已經有了2000多萬回收，這2000多萬業務經營的改善，實際上就是凈利，這家公司的董事長對于這個項目是感到非常的驚喜，因為沒有想到他這么多年建的系統，其實系統是能夠看到數的，但是過去一直缺乏這么一個數背后的，能夠帶來業務改善的分析方法。

 

 

 

最后一張片子，我說一下我們大數據分析模型，這張片子其實是很有意義的，由于我們在傳統企業大數據分析走的相對早，而且我們在每做一個項目的時候都在積累我們的分析方法，因為很多項目其實對于我們來說也是很大的挑戰，所以我們逐漸開發出了一套“8+1”板塊，大概有48個組件，250多個模板的這么一整套大數據分析增值分析的模型，由于還不可能無償向大家開放，所以我們這里舉個例子。在我們一級結構，就是大數據分析模型從第零步，一直到第八步，二級就是分成的板塊，比如說第六步，就是大數據挖掘算法測試開發和發布，第七步就是交互設計與系統開發的SaaS，第八步就是上線內測公測，集成、連條、持續運營，這涉及到系統。在第六步的第三個層級，就是模塊的層級，大家看到有這么七個模塊，到底怎么去端到端的梳理業務，建立關鍵的閘口點，以及結合用戶的業務策略，來制定從業務角度考慮的數據的重要緯度，因為數據并不是同等的，我們把數據前后可能分成五個緯度，最重要的緯度拿五個星來表示，然后比如再往下走一步，就是調度引擎會根據配置的任務進行作業的調度形成相關的數據，然后做數據的標準化的變量選擇與轉換，這都是比較技術的語言了。復雜數據模型到多重算法的技術建模，這個說老實話我也不懂，這是我們大數據分析團隊，尤其是大數據科學家他們專業的任務。對應的模板大家看就是下面有一張對應的模板，這是我們整個大數據分析方法，這個方法使我們對各種類型的企業，尤其對2C的企業，在你企業積累了相當的數據，而且不知道怎么用的情況下，這是一個很大的幫助。

 

我昨天接觸了一個做游戲的一家公司，這家公司其實也積累了大量的數據，尤其是VIP會員的數據，但是為什么會員會上來打游戲，或者為什么這段時間不來，或者是哪些會員流失了，因為他的VIP會員是他銷售的90%，現在完全很茫然，完全不知道到底背后是哪些原因造成他們這些行為，所以現在他們對我們大數據分析模型方法很感興趣，這就是一個具體的例子。

 

我今天的介紹，關于大數據分析，如何給企業帶來實際，或者銷售收入的增長，這里面表明為會員復購率的增長，或者是對一個企業運營成本的節約，這是節約的效率，一個是開源一個節流，我做了兩個案例分析，在分析以前對整個大數據提出了我的看法，所以我今天跟各位的交流就說到這里，首先謝謝各位，歡迎下面繼續討論。

 

今天會議的主持，我集中關于大數據落地匯報就說到這里。

 

問答精選：

 

提問：我們是快消品廠家，目前主要是通過第三方平臺做toc，這方面可以做第三方平臺的大數據分析嗎？

 

回答：有一位朋友提到了，他們是快銷品廠家，目前用的第三方的平臺，我想問一下第三方平臺是不是指淘寶天貓的平臺？如果是淘寶天貓平臺，其實關鍵在于你能不能獲取到天貓的數據，以我過去參與電商的經歷，你是很難獲取到天貓的數據，因為淘寶天貓本身就有大數據產品，他們本身就是靠這個賺錢的。

 

提問：當業務部門還熱衷于傳統模式運營，不接受數據分析運營時怎么辦？

 

回答：這個說明現在這個傳統企業活得還不錯，其實分析不分析，對他來說銷售很好，毛利很高，這個時候他沒有痛點或者你還沒有找到他的痛點，對用戶還沒有洞察的需求，其實也無所謂大數據分析。業務部門熱衷于傳統模式的運營是因為傳統模式還能夠給業務帶來利潤。業務不會天生對大數據感興趣。還是找到業務的痛點：1.要么大數據如何對業績提升做出貢獻；2.要么對成本降低做出貢獻；業務嘗到甜頭后，自然會感興趣。畢竟業務對大數據技術是不精通的。

 

提問：大數據分析，在對于質量提升方面有什么案例嗎？

 

回答：有一位朋友提到了對于大數據分析對質量的提升，這個實際上項目是沒有具體做過，但是因為我過去在企業管理里面長期是對全面質量管理感興趣，其實我個人認為，其實基于質量的全流程質量追溯，尤其責任追溯，從前端質量的投訴一直到后面門店，或者是銷售，或者是制造，以及到供應商的供應這一連串質量的追溯，其實這里面如果這個數據能實現閉環的話，其實我是建議這個質量追溯的大數據分析模型還是很有意義的。

 

而對于這個模型，我的想象只要對每一個追溯的節點，你數據都能夠獲取，包括這個數據獲取我個人想象是多維度的，比如從質量檢測儀器上獲取的數據，從計量儀器上獲取的數據，包括從質量管理組織獲取的數據，包括索賠的數據，以及供應商分批次質量問題數據，如果這些都獲取來的情況下，其實完全可以建立一個比較精準的大數據分析模型，這個方法其實我們可以做深入的溝通。