刘立茹

〔中国石化北京石油分公司 北京 100022〕

大数据时代各行各业产品的丰富性和服务的多元化已经司空见惯。市场趋于饱和与竞争的白热化状态造成用户的留存难度和成本居高不下，已成为企业不能承受之重。企业通过构建数据化运营，依靠企业自有数据进行分析从而实现智能化决策分析成为驱动企业成长的关键所在。

1 数据化运营体系的构建

随着大数据时代的到来，数据化运营被企业越发的重视，各企业数据化运营正在如火如荼地开展，数据分析和基于数据操作的相关工作变得越来越高大上。对于传统企业而言，向数字化运营转变是一个颠覆性的过程，无论是公司战略、运营组织等都需有所调整，最终企业各个部门都需要具备一定的数据运营能力，那么如何构建基础的数据化运营体系？笔者将以电子商务的业务为例，根据数据化运营业务流程进行拆解分析。从确认目标和数据指标制定、数据提取清洗、数据建模分析、形成相关建议和验证优化提升这六个方面构建一个基于数据运营体系。

1.1 明确目标

任何有价值的数据操作行为都是有目的的。它既可以是短期一次性的，也可以是长期周期性的，无论如何，必须有一个目标。

1.1.1 数据化运营的本质

电子商务数据运营的本质是用户的运营管理，数据是从用户的属性和行为中收集计算出来的。为什么电子商务数据运营本质上是用户运营管理？拿市场上成熟电商的APP分析产品来说，整个产品生命周期是用户获取、用户活跃、用户留存、支付转化和口碑传播的闭环过程。此过程中的每个节点实际上都会刺激用户行为以完成每个阶段的目标，获得的数据也是用户使用产品的数据。

1.1.2 数据化运营的目的

(1)基于具体指标的数据运营管理。这种情况经常发生在领导要求在短期内实现数据指标的飞跃。例如100万新用户增长和30%活跃率、留存率达到25%、转化率达到8%等等。这类分析的目的是短期或一次性，通常通过分析数据来寻找用户所需进行的激励，例如活动使产品能够在短期内快速达到指定目标。

(2)掌握商品生态。掌握商品生态系统意味着将数据运营管理应用于日常工作流程，作为日常生产过程的一部分。这样做的目的主要是通过数据沉淀和数据分析来了解产品的用户群是什么，用户分类是什么，以及如何使用该产品来实现用户的精细化操作。

(3)发现潜在方向。在大数据时代，发现需求通常基于数据分析的结果，从而推导出解决用户需求的产品。在某些情况下，通过数据分析，可以发现用户未通过外观显示的更多问题和痛点。就数据挖掘中的经典啤酒尿布而言，通过对用户购买数据的相关分析，发现尿布与啤酒表面上无关的物品之间的潜在联系。通过一定的经营策略

来提升两者的购买。因此，通过数据运营管理，还可以找到用户的潜在需求，从而创建新功能或新产品来解决用户问题。

(4)通过问题解决问题。一个交友网站最近有大量用户投诉酒托事件，作为产品负责人需要解决酒托问题并减少用户投诉。那么，如何通过被举报女性用户来识别更多的酒托？

首先，定位数据，找到被举报酒托的女性用户的数据和属性，并发现这类用户在最近经常添加大量的男性用户，并且同时与多个男性用户聊天，而且聊天时间一般比较短。结合这些用户行为和用户属性，从用户数据库中找到可疑的酒托用户，然后使用数据监控来确定它是否是真实的酒托。

上述案例是通过问题来定位数据，并通过数据找到问题的解决方案，从而解决了问题。

1.2 数据指标制定

1.2.1 明确指标

宏观指标和可操作指标之间的区别：宏观指标通常是不具备执行性的，一般是领导者的指标。这个指标是从企业整体发展的视角而提出的奋斗目标。可操作指标，大多是可以实施的指标，如通过微信引入5万新用户，或者支付的转化率提高到7%等。用这些指标可以找到具体的实施策略。

1.2.2 指标构成

总结和分析常用的数据指标。根据不同的产品和不同的服务，提供详细的具体指标分析，不要盲目复制和套用。

(1)基础指标。①拉新，新用户注册数；②活跃，用户登录数(日、周、月)；③留存，流失用户数(日、周、月)；④转化，付费用户数；⑤传播，分享用户数。

(2)用户属性。用户属性就是用户身上的各种标签。例如：25岁、金融专业、用苹果手机、爱玩游戏等这些都是标签。通过精准的用户属性分析，能提供更好的偏好服务和满足其真实需求的产品。

(3)用户来源。用户来自哪些渠道。包括线上和线下两个渠道。具体有微信、线下便利店或者APP。

(4)用户行为。用户行为由最简单的五个元素构成：时间、地点、人物、交互、交互的内容。用户行为又分为线上行为和线下行为。对于线上行为的采集记录从技术上讲比较成熟，线下行为数据则要通过部署一定的感知设备才能很详细地采集。

1.3 数据的提取和清洗

在确定目标并确定需要分析的数据指标后，开始进行数据提取及清洗，主要针对残缺数据、错误数据、重复数据进行处理，这是一个反复的过程，不断的发现问题，解决问题。

1.3.1 数据采集

电商主要的数据来源有两种，一种是埋点数据，然后提取相应的数据字段。另一种是通过用户的日志分析用户行为。

1.3.2 数据预处理

为什么要做数据预处理？由于系统或人为原因，记录中的某些字段可能会遗漏。所以将收集到的不规则数据，进行填补缺少的数据，或者删除重复的数据及许多其他超出规范的数据处理。

1.4 数据建模分析

1.4.1 数据分析框

有许多专业的数据挖掘算法，如关联分析、聚类分析、神经网络等。在这里只做简单介绍。

(1)用户画像洞察。用户图像洞察是通过聚合用户数据将数据转换为可视化的虚拟用户模型。用户的肖像显示具有特定类型特征的一组用户。根据用户特点定义分类用户组，为精确的用户引导提供数据支持。

(2)用户行为分析。最常用的用户行为分析是漏斗分析模型(图1)。这意味着用户在完成特定任务时必须经历多个步骤。在每一步，都会有用户流失，从而通过漏斗分析发现问题。

图1 用户行为分析模型

如图(1)所示，以电商用户支付和经营收入为例，用户在成功购买某个产品必须经过多个步骤。这其中每一个环节都会造成用户的流失。因此，在漏斗分析中，可以观察用户哪个部分是最严重的流失，然后分析相应的链接，找到相应的解决方案，以提高用户的转换率。

1.4.2 数据的可视化

实现整屏设计、分屏开发，整屏投放，屏间联动；支持数据的实时动态更新和显示。实现交互操控和数据展示的一体化。

(1)可视化方式。可视化方法是具有根据数据类型和呈现形式显示时间关系的时序图，展现占比的饼状图，展现数据分布的柱状图等等。

(2)可视化工具。简单的数据分析工作可以用Excel完成，复杂的数据需要SPSS、Tableau和其他专门的数据分析工具。

1.4.3 数据报告

数据分析报告一般要求如下：①分析背景、目标；②数据源选取；③数据分析方法、框架；④数据可视化；⑤数据分析结果、建议。

根据具体问题进行具体分析的原则，根据数据分析报告的目的进行个性化设计与完善。

1.5 形成建议

建议的制定取决于目的和数据分析的结果，由目的和结果形成策略。可以根据具体问题和具体的业务场景制定有效的建议。

1.6 验证优化提升

由数据分析结果产生的建议不一定有效，并且它不一定能够快速达到预期的结果。通过数据积累沉淀，监测相应的数据指标，优化提升，以达到最终目的。

图2 数据化运营流程

以上六个方面构成了数据化运营的闭环流程。应该指出的是，任何基于数据化的运营都必须是面向业务的，并且应该根据特定的业务场景来选择数据分析方法、思路。

2 数据化的构建

为了能够支撑和落实实际的业务需求，提出了构建一个大数据智能营销平台。在平台中接入了多个业务系统的数据源，对数据进行集成，并且进行数据清洗和转换，打通业务系统数据，实现表间关联。同时，利用客户信息、加油数据和购物记录，结合业务经验知识，构建用户标签体系，利用大数据技术实现标签建模，最终为客户打上一个个的业务标签。

大数据智能营销平台将用户标签进行可视化展示，让业务部门人员在平台前端进行操作，进行目标客户群筛选和客户标签分析，同时可以自定义不同的目标客户群以支撑不同的营销活动。将该系统与营销平台打通，形成一个整体性的功能平台，利用大数据技术支撑业务，并为客户提供智能化的推送服务，提高客户体验，实现销售公司的精细化管理和运营。

“营销未动，数据先行”。依托大数据智能营销平台的智能分析能力，能够让营销活动真正做到有据可依、有迹可循、人群洞察、精准定位！大数据智能营销平台融合了油品及非油品业务系统的全量数据，以数据为基础，以标签为标识，分析客户特征，洞察群体行为，让大数据服务于智能营销时代。

整个建设方案核的心包括用户标签构建和闭环智能营销两部分的建设内容。

2.1 用户画像的构建

用户画像是整个大数据智能营销平台建设的基础，是真实用户的虚拟代表，是建立在一系列真实数据之上的目标用户模型。方案制定主要从人群特征、加油偏好、购物偏好三个层次，进行全面分析与刻画用户画像。

2.1.1 用户标签体系

用户画像即用户信息标签化，需要为用户打标签，那么前提是需要建立一套基于业务逻辑的用户标签体系，能够实现对用户构建一个360°用户画像。

标签体系中每一个标签都是某一种用户特征的符号表示。一方面，该标签要具有一定的群体性，在一定程度上抽象和归纳事物的特征。另一方面，使用符号来表示用户的一类特征，可以是中文，也可以是数字。其核心就是为用户打上的标签，要让人能够理解并且方便于计算机处理，从原始数据到最终的业务标签，从数据清洗到数据挖掘与机器学习，都能够归纳和总结。

通过对某石油销售企业业务体系和数据体系的分析，总结了三大类别的标签。

(1)人群特征标签。人群特征即用户基础属性，反映了用户相关的基础信息，共包含15个一级标签，112个二级标签。其中一级标签为等级名称、性别、所在区域、年龄、星座、私车数量、婚姻状况、教育程度、子女状况、月收入、职业、出生地及有无加油卡、会员卡和用户编号。

(2)加油偏好标签。加油偏好，反映了与加油业务相关的用户属性，共12个一级标签，36个二级标签。其中一级标签为高频加油站编号及名称、高量加油站编号及名称、高频和高额加油油品、加油时段和加满偏好、高标油品和加油频率偏好、充值和沉淀资金偏好。

(3)购物偏好标签。购物偏好，反映了与便利店业务相关的用户属性，共14个一级标签，47个二级标签。其中一级标签为购物单价、购物频率、购买力、支付方式偏好、促销偏好、优惠券偏好、进店率、烟草偏好、酒类偏好、饮料偏好、食品偏好、百货偏好、汽车用品偏好、服务偏好。

2.1.2 360°用户画像

用户画像基于某石油销售企业的多个业务系统数据，将多个业务数据源融合到Hive数据仓库中，可以打通基于用户维度的所有数据源，构建一个完整的360°大数据用户画像，为精准的个性化营销提供多维数据支持。实现了对用户基本信息、会员信息、加油卡信息、加油明细、充值明细、购物明细、车辆信息、资产信息、wifi上网信息、手机终端信息等维度的全方位的画像。

2.2 闭环智能运营平台的构建

闭环智能运营是根据用户画像的结果，结合促销活动的类型和内容，通过筛选对应群体，将促销信息或优惠券推送给目标用户；结合用户所标出的属性，选择结合用户兴趣爱好的内容，将相关商品推送给目标用户。

因零售业促销活动频繁、情况多变、人群灵活多变的业务特点，运营方案设计了一套灵活可配、简单易用、一键式操作的智能营销系统。灵活可配，体现在人群筛选的灵活，可以随意筛选组合所需的标签，实现精准定位的人群，并保存已完成的筛选条件形成预制群体；简单易用，体现在每步操作都有完整的帮助文档，每个输出都有相应的解释提示，界面设计清晰简洁，使业务人员可以轻松地完成整个活动策划；一键式操作，体现在营销管家做到了闭环管理，从活动策划、人群筛选、优惠券发放、效果评估实现了全流程闭环操作，一步到位，不需切换其他系统或反复切换页面。

为了实现对促销活动的后期评估，使活动好坏有据可依，并帮助业务人员优化未来的促销活动。在促销开始后系统会实时统计优惠券的使用情况，使业务人员从活动开始到活动结束都能及时了解促销活动的动态，并在活动下架的时候对本次活动进行评估、总结当期经验和未来的促销提供经验。

2.2.1 大数据精准推送的应用

基于大数据技术构建的客户画像标签，为销售企业的精准营销服务可提供客户分群支撑，实现营销产品与目标潜在用户的精准匹配，让业务人员完成促销活动的一键式智能营销，精准推送优惠券、通知消息、广告链接等以至目标客户群，并及时追踪营销活动效果(图3)。

图3 大数据精准推送模型

2.2.2 加油站客户流失预警的应用

基于大数据技术构建客户画像标签，针对客户的加油时间、加油频率、加油量等计算出客户流失类型标签，同时采用RFM技术建立客户流失预测模型(图4)，对流失客户进行客户价值细分。针对高价值的即将流失的客户进行挽留，对沉睡客户进行激活和已流失客户的召回。

图4 客户流失预警模型

2.2.3 加油站客流分析的应用

加油站客流分析图5是通过分析线下流量的来源和影响因素，从而改进门店当前的经营现状，合理安排人员规划和库存调度，最终实现降低运营成本，提高营业收入的目标。同时基于客户wifi路径轨迹，为客户提供更好的vip定制服务。

图5 客流分析模型

2.2.4 促销商品营销分析的应用

营销分析(图6)基于多个业务系统数据源，对销量、库存量、客流量、进店率等指标进行可视化分析，可以按店、按区进行细分。营销分析以大数据多维分析技术和数据仓库技术为支撑，支持时间趋势上的销量预测分析，让企业更好地洞察商品的营销趋势，进行智能决策，促销商品营销分析模型见图6。

图6 促销商品营销分析模型

2.2.5 风险防控的应用

风险防控(图7)大数据的应用是通过用户信息数据、用户购物数据、办卡信息。消费纪录，充值记录等，基于大数据算法与业务规则，防范经营中面临的法律风险、信用风险、操作风险等。实时提供异常预警，以辅助运营人员快速发现异常情况，减少违法违纪案件的发生，风险防控模型见图7所示。

图7 风险防控模型

3 总结

在新兴互联网企业，数据化运营已然不可或缺，其在企业运营管理等方面起着至关重要的作用，但是对于传统企业来说，如何构建适合自己的数据化运营体系，仍需要根据企业自身状况不断的探索、实践、总结。目前，国内大量传统企业已开始相关业务探索、实践。笔者相信在未来一两年内，数据化运营将成为众多传统企业发展的催化剂。在未来，率先建立起数据化运营的传统企业，定会成为行业中的领头羊。