大家下午好!我是来自品胜的郭锐。我主要是分享一下品胜数据驱动业务这块的应用。

    品胜创始于2003年,刚开始是手机电池和相机电池,到目前围绕“手机、平板、电视“三块屏幕”的3C智能数码的布局;2015年完成销售额11亿,并正式登陆新三板;今年双11又在淘宝3C类目上蝉联销量第一的荣誉,全网实现销售8000万;销量这么好的原因是什么?

    那就是品胜有自己的销售模式和销售渠道,我们线下线上统一的销售模式,名字叫当日达。当日达系统整合了线上商城,线下门店,开创了O2O流量互相转化的模式,同时利用门店优势解决了最后一公里的配送问题;“品胜?当日达”荣获“2013年度中国电子商务创新成果奖”,2015年又获得“商业模式创新银奖”;线上会员截止目前累计了680万;线上也拥有了1万家加盟店,相当于一个小的移动机站,解决了最后一公里的推送问题。同时,品胜扩品类创平台,开创了集手机数码智能硬件的一起,集合线上线下业务的千机网服务平台,这样我们从售前市场到售后的服务市场就完全覆盖了。

    品胜发展势头这么好,数据在中间起到什么作用,又是怎么落地的?我通过三个层面来讲,第一是历程,第二是出现的问题,最后是几点建议。

    品胜数据应用历程与成果

    我们的数据应用是两个方向并行发展的。线上业务起步早,数据应用的较好,自2010年开始入驻淘宝后,到全渠道营销系统(当日达)上到使用了4年,完成线上全网数据的整合,并在2015年围绕线上数据自行研发了电商CRM系统,有效的管理到700万会员。2016年3月,我们后台做了一个支撑,进入了我们的大数据,比如可以实时跟会员聊天,做分析,做精准的营销。传统线下的业务怎样使用数据?线下的数据应用推广较为缓慢,更多的报表的应用,仪表盘的应用,在近期使用ORACLE的 DV自助分析平台有所提高。

    我们准备明年把线上线下融合一起打造统一的数据平台。线上常用的数据应用是应用于画像,这是我们做3C数码手机的原因,比如可以通过会员信息、注册信息、频率信息、购买信息,给会员打标签、分析会员、精准画像,这是我们的用户画像的应用成果。

    第二类聚类分析,通过对RFM属性的聚类分析,分析出重要价值会员群体,需要挽留的会员,还有充满潜力的会员群体,方便电商部门制作对应的营销活动。

    聚类分析完了以后,打标签,面对不面的群体,自定义的某类人群做短信营销,以及营销效果的跟踪分析。比如我们发送短信,看到成功接收了多少,看了短信以后效果怎么样?我们会进一步的跟踪,比如我们通过收货地址区分出来是一个白领,我们能够看到他有可能一年没买充电宝了,有打折了,是不是要换一个呢?这个时候我们做精准的营销。

    线下业务,分享两个应用案例,一是品胜对加盟商的贷款风险评估,我们为更好的开发市场,对有条件的加盟商可提供专项贷款;但在货款的风险以及贷款的额度就就用到了分析报告;这里展示的为风险指标;不同于传统的信贷更多的是查看我们的信用指标,还有偿还能力,我们还要对提货增长率、提货周期、配送时效等管理指标综合考量;

    图中展示了可以看到重庆的征信评分较低,那我们到底要示贷款给省级平台,还有贷多少,这时就需要通过统计方法完成对各指权重的计算,从而得到一个可贷款指数。

    二是打假应用,由于品胜产品的品质很好,特别是在充电宝市场,那没有插头的充电宝,也就是我们讲的备电成了不法分子的第一仿造对像。举个例子,这个图中展示的是四个城市的销量,图中我们可以出郑州的销量在15年9月出现明显下滑后,一直处于动态的波动中;但是全国的平均销量也同样出现波动,那有没有更深入的信息呢。看提货增长率。跟刚才算贷款一样,有5个指标,现在5个指标是要算综合的值,通过整体的波动率以及权重值,可以看出来哪个地方是假货,哪个地方的货可能存在问题,这时候我们的打假办去联系,现场实地跟踪信息,这是传统业务的应用。

    数据应用实施过程中的思考与问题

    第一,产品和技术选型。做数据分析,是把数据转化成信息,信息转化为支持,下一步应该转化到决策上,最终想要的结果是对经营管理产生价值。

    第一个是传统BI,更多的是使用数据库,结构化数据,实效性不太强,数据积累相比大数据慢很多,根据业务可以明确知道数据的含义,比如ERP的信息,我们知道每个字段,就知道它的意义是什么。同时在知识方面,因为使用的是标准化的系统,有明确的业务流程,精确的业务数据,可以积累更丰富的经验;另外,传统BI给到的信息大部分是统计趋势,对事实描述更多是基于群体共性,帮助决策者掌握宏观统计趋势,适合经营运营指标支撑类问题;

    而大数据一般都是非结化数据,实效性强;数据积累很快很大,每天可以达到PB级,如购物的文本评论。信息需要通过对数据的辨识而获得;获得信息的真伪程度取决于对数据的辨识技术;由于信息的不确定性,大数据分析的结果需要通过多次验证,确认后转化为知识。更倾向于刻画个体,更多的在于个性化的决策,价值也相对容易量化;比如精准营销,智能推荐等。

    选型完成以后,我们都想个性化营销,这个时候一定要记住一点,忌技术主导反推业务。有一个事例,我们BI虽然是2015年上线的,但是我们一直在努力做。2014年使用开源套件Pentaho完成了销售相关的仪表盘,当推荐到销售总监使用时,得到的结果是,数据均是他之前知道的,且有专门的部门出数据。这时候我们反思,技术是不是能马上应用到业务当中?是技术主导还是业务主导。所以我们一定要让业务引导技术。

    第二,在筹备上线过程中又遇到问题,没有统一的“名词”名称,统计口径存在差异。比如办事处的销量,销售线指的是办事处的出货量,财务是由回款来结算的,虽然两个部门要单独销量,但是出来的数据不一样,结果不一样。还有加盟商的提货量,加盟管理部指加盟商提货品胜产品的金额,新业务“千机网”运营部又是品胜产品与非品胜产品的的合度提货额。遇到这样的问题,我们的一个思考是尊重业务,因为需求出自业务。虽说解释后数据相等,沟通成本增加;为此根据数据驱动业务的进度,应择时机完成统一语义。

    第三个问题,可视化图表与使用对象不匹配。在推广时还要注意一点,通俗点讲,不是越漂亮越好,专业点就是图表要与使用对象的习惯匹配。数据可视化的价值,就是降低了其管理成本,让运营变得透明化,好不好用是重点,好不好看,相对是其次了;所以需要根据结合使用者的使用习惯,推送相对应图表。

    上线成功了,最后一个问题来了,是成功上线,还是上线成功?以传统企业的BI为例,上过BI的好多传统企业,报表看着好看,但是对决策有多少支持呢?很多BI习惯于给鱼,无法给渔,为啥,分析是一种思维,单靠数据团队来完成数据驱动业务,不能,也不可能。市场变化万千,实际不可能有人比一线更懂需要什么,做得再快,也跟不上一线的节奏。

    数据落地应用的几点建议

    最后是数据落地应用的几点建议。

    第一,业务放首位,没有业务就没有数据,选择适合本企业当前适用数据产品或技术;选择适合本企业的数据运营推广策略——“自上而下”、“无为而治”。第二是培养或者加强应用业务人员使用数据分析指导业务的意识,第三是持续运营数据分析平台,并将分析报告应用于业务流程优化;同时业务优化的结果,再进入数据分析,形成持续改进的生态闭环,使得我们的经验越来越丰富。第四,加强大数据人才储备,提高数据分析的硬实力。

    接下来分享一下我们的整体架构。在传统的ERP、财务、OA我们有自己的数据仓库。线上,比如说爬虫、第三方商城,整合到一起。线上和线下,经过分析过后的数据回传回来,在数据仓库里面统一收入。然后是应用方面。第一是传统分析应用,所谓的数据分析平台,第二个是数据分析报告,比如说打假,我们会实时的把大数据处理完,这是我们要做的典型的一个架构。

    最后是团队,第一是业务小组,包括业务分析师,数据分析师,以及虚拟对头的业务骨干,这里业务分析师多数由原来内部的实施顾问来承担;第二是技术小组,包括ETL工程师,数据建模师,以及大数据的技术开发人员;