打破数据孤岛 云徙数据中台让数据“汇、通、用”

在搭建数据中台之后，可能面临一个问题：通过数据中台的建立，来自各业务系统，以及企业内外部不同来源的数据，最终形成一个统一的数据体系，建设统一数仓。那么接下来应该思考如何让数据发挥价值？

数据有哪些应用场景？

一切数据业务化一切业务数据化，当完成了业务数据化环节后，企业要做的就是数据业务化。数据业务化方向主要有三类：

1. 数据展示应用。以大小屏看板或二维报表形式进行指标展示，支持数据分析。

2. 通过数据模型来支持业务层面的应用。基于具体业务需求构建数据模型，对多源数据进行处理以输出支撑业务使用的数据，如分析帮助企业预测未来业务发展的数据，可进行经营决策的调整。

3. 为业务应用提供数据服务。以API的方式把后台内部已经处理好的数据提供给其它业务系统，再进一步深度加工，从而帮助其它业务系统更好地深度应用数据价值，以支撑业务应用，提供业务价值；同时也解决在数据处理过程中可能会碰到的总接口复杂混乱的问题。

下面是每个应用场景的深入介绍。

数据展示应用

指标体系的梳理是建设数据展示应用的第一步。

指标体系的梳理：把指标的六大属性整理成一个完整的清单，帮助指导如何把企业内部各部门使用的数据的聚合指标形成一个统一的指标，帮助做未来的可视化应用的展开。指标的六大属性包括：基础属性、业务属性、统计属性、任务属性、实施属性、管理属性。

通过对六大属性的整理形成一个指标清单，把每个指标都展开成一个完整的指标体系，进而把企业所有的指标都统合到一套口径之下。统一各部门之间的管理语言，避免出现不同的业务部门之间，单独的指标却有不同的命名，或不同的口径却叫同一个名字，更好去进行数据的统合。

上述指标体系的梳理是一个普适性、面向企业所有指标展开的事项。若企业想做更专精的项目，面向某些更加具体的业务域做专门的分析或展开，使用北极星指标体系的模式来整理无疑是一个更优的选择。

北极星指标：企业需要整理出一个唯一的北极星指标，也是最重要的核心指标。分析体系或分析的数据是为北极星指标服务的。比如GMV，商品总交易额是企业要关注的核心内容。

二级指标：把北极星指标拆分为3个二级指标，GMV可以用公式来进一步拆解：如用户数*转化率*客单价，还可再加上复购。

三级指标：是按业务过程来做后续的拆解。如转化率本身有它的业务过程，从广告投放，到渠道的投放、用户的浏览点击、吸引用户、流资等，把过程中每一步都进行拆解。

四级指标：主要是从整体纬度区域来做拆解。如按照组织架构的维度：A区域的用户数是多少？B区域的转化率是多少？往下更细分是某个城市、某个门店等，可逐级向下拆分。

通过上述方式可以把一个核心指标拆分成多个指标来逐级做自顶而下的拆解，数据层面可以形成自底向上汇总的机制，从而可以更好地指导后期的策略调整。

完成了指标体系梳理后，基于指标体系，选择合适的模板，指标填充，从数据的接入到成功的加工后，把数据直接输出给对应的前端应用工具来填充，完成开发过程。除了主要用市面上可能已经投出的BI工具以外，企业有特殊要求，比如应用的交互转换，也可以通过外部端开发的方式来做直接性的开发。

数据模型支持业务应用

如何为一个业务场景构建适合它的数据模型？

通常有两种思路：

第一种：历史成功案例的标签化。

这是一种经验模型的方式。过往数十年的运营过程中，业务人员积累了大量的成功经验，可以把复盘经验的结论来做优化：哪类产品销售情况较好？什么类型的门店与销售增长速度正相关？库存满足率是否会影响增长情况？通过这种标签抽象出标签类型，从而可以应用到当前的业务和对应的对象上，以历史的经验来支持现在的一些认知。

另外还需要成功 营销 策略沉淀。如周期下匹配市场趋势的营销策略是什么？什么样的政策渠道商更愿意配合？通过一系列成功策略的沉淀，会形成一些标签，贴到需要的对象上。

第二种：数据的深耕与探索。

如果是一个全新的创新业务，或没有对应的可参考的案例，就需要通过数据的深耕和探索的角度，逐步发掘需要的数据模型。

第一步：明确设计业务需要解决的目标场景。如需要增加单店产出，就需要明确，围绕对应的场景，哪些数据可以取用，哪些数据是现有的可以支持的。

第二步：构建模型并串联业务应用。数据模型难点不在算法开发或梳理上，而是数据的丰富度和数据的质量。比如产品、订单、门店都有基本信息，可以做数据的关联分析和相关的洞察，围绕具体业务场景来构建。以现有的数据构建一个大致的逻辑模型，随后就可以通过算法的方式来做对应的测试。

另外，还需要通过一系列可量化的指标来监测，当做了对应的输出和判断后，是否给业务带来了帮助，以及通过监控机制还需要进行1-2周的效果调优。不断发现模型问题，进而进行优化和复盘，把算法模型的效果更好地发挥出来。

黄金购买时间算法模型：通过黄金购买时间预测精选最具潜在购物倾向的会员，进行精准消费人群触达，提升复购率及营销转化

通过大量的用户行为分析构建相关的标签，以黄金购买时间算法发现从用户上次购买到现在活动日之间周期，预测每天的购买倾向，选择购买倾向较高的环节进行精准的推送。

比如一个针对黄金购买时间做的测试，结果发现：通过黄金购买时间来筛选所需要的会员，即通过经验模型筛选出来的会员，为品牌客户额外创收近700W销售额、进店转化率高于非策略组 2倍。

对比这种两种不同的策略人群和非策略人群可以看出，通过黄金购买时间算法模型，交易人数、交易笔数、人均交易的产生、券的核销使用量、销售量、转化率都有明显的提升，因此模型可以实现转化率等的提升。

补货预测算法模型：精准至单项物料且不强依赖门店经验判断的行业预测算法

不只面向营销端，面向供应链或其他业务场景也能发挥数据的价值。如供应链角度的补货预测算法模型。

如茶饮连锁企业经常碰到的问题：

1. 订货凭经验。大多门店基于肉眼可见库存及经验订货。产品一下架，一年合算造成呆料不少。

2. 实际损耗、用量不清楚。只有操作sop 没有实时操作数据，没有衡量标准。对损耗对用量不清楚。问题通过经验自己梳理

3.加盟店库存难掌握。如果能看到加盟店库存结构和趋势，总部就能主动干预，帮助加盟商解决问题。

4.窜货抓不准。进销比容易误判，没办法有效把窜货走水盯起来；督导没有精确数字做抓手，盯不到点上。

5.采购怎能更精准。没能很好的客观判断，每年平均浪费上千万物料。

为解决上述难题，云徙推出了一个具体的预测算法。

通过算法模型的应用，可得到非常显著的成果：

对于业务：降本增效。比如门店库存的周转周期，降低损耗率等，同时也支持企业搭建物料中心和BOM中心。

最终可以为每个门店每年节省702元这样大幅缩短的效率，降低2万元的损耗，为企业带来最大的 经济 效率增值。通过数据模型为企业提供业务的判断预测与辅助支持是有很大的潜力的。

为其他业务系统提供数据

云徙服务的某消费品行业案例：为企业CRM系统提供客户数据，支持数字化营销业务。

首先是数据的整合，通过数据中台拉通线上线下不同业务渠道的客户的数据，以挖掘的方式实现数据的拉通，也可以通过中台加装一些装修工程或者指标管理套件；

其次，把已经处理好的会员数据、标签数据推送到其他业务系统，后续面向多场景做会员的更多运营，提供等级、权益、场景等；

最后，设置运营工具之后，可以进行更加深度的价值挖掘，提供数据的应用支持，实现数据赋能。

数据应用建设切入点：关注高层重点，降低建设难度，规避建设风险，保障组织支撑，切合业务需求。

企业做数据应用的建立，可以选择选择某一业务来做这个初步的识别，如何选择比较合理？

1. 高层关注。关注高层核心关注的方向；关注近期集团重点发力的业务板块；关注集团的重点业务板块。通过这些方向的选择能够得到比较好的高层支持和更好地推进数据的建立。数据中台做数据应用是一个领导的工程，需要由上下统一贯彻下来，才能更好实现各个部门之间数据的收集、加工等。

2. 信息化建设基础。选择有一定信息化基础的业务线或者业务的方向，有一个充足的数据是可以收集使用。

3. 数据质量。业务线所使用和产生的数据都比较好，表结构清晰，数据之间 互联网 打通的难度也比较低。数据质量是数据应用更好更快建立的一个基本要求。

4. 组织架构基础。需要有充足的IT组织人员，能够更好的承接运营中台长期的使用；IT职能能够支持数据支持、分析工作；有专门负责数据管理、数据治理的岗位

5. 业务需求清晰。如果有比较清晰的业务应用，业务人员对业务、指标有清晰的了解，可以参考指标清单，规划一个整体性的指标的要求，帮助更好的来建设相应的数据应用。