消费者数据平台
消费者运营
营销自动化平台
企业微信SCRM
全场景零售交易
渠道管控及交易
全渠道运营
全渠道在线客服
热线客服
AI客服
智能工单
供应链智能
营销智能
超级会员中心
门店营销助手
消费者运营平台
点单小程序
商城小程序
全渠道交易平台
数据分析平台
自助分析BI
标签平台
8大基础能力中心
24大业务能力中心
主题域模型
标签模型
算法模型
低代码应用开发
中台控制器
能力图谱
大数据应用开发
大数据研发
标签工厂
数据资产管理
自助分析
敏捷协作
代码托管
自动化测试
运维监控
能力中心
业务中心
组件、功能包
应用生态
报告下载
行业洞察
产品热点
市场活动
数创会
数字化专题
企业动态
专家智库
关于我们
合作伙伴
加入我们
关于云徙
ABOUT US
发布日期:2022-12-05 来源:
从2017年到2021年,我国的数据产量增长了2.8倍,位居世界第二,数字经济的规模也已经增长了1.6倍,占国内生产总值的39.8%,可见数据已经渗透各行各业,做好数据治理可给各行业企业带来业务价值,在商业活动中成为必不可少的动力因子,如金融、医疗、工业、零售等行业,通过数据治理提升数据的价值。数据治理不可或缺,是企业实现数字战略的基础。
通过数据治理,数据如何充分发挥价值?
金融行业:一是数字人民币,它是基于数字原理,通过特定的算法大量计算产生的网络虚拟货币;二是金融的自动化交易,通过数据去做分析、评估、授信、贷后的预警。
医疗行业:如影像的辅助、临床诊断的辅助、基因/药检的检测药品管理、医保管理等。
工业:工业4.0,即用数据做生产制造、运维检测、仿真设计、经营管理等。
零售:零售有较多场景,如品宣获客、用户分享、智能补货、货盘标签等。
数字体验成为新的一种消费习惯,爆发强烈的需求。
2017年到2021年,国内生产总值趋势都在上涨,网上零售增长保持两位数,数字体验已成为一种新的消费习惯,同时也爆发出新的购物场景,可总结为四个变化:购物渠道的多元化,门店与电商结合的购买方式已经成为一种习惯;消费主力热衷线上;疫情下线上群体扩大;线上线下边界模糊,如电商和线下门店线上线下一体化服务消费者。
场景复杂化后,产生更多数据治理诉求,去发挥数据价值。
场景复杂化、数据积累越来越多后,企业需要进行数据治理解决以下问题:安全合规;风控预警:企业做了很多营销活动,其中是否套利行为?如何对消费者做智能推荐?如何打破信息孤岛?如何提升运营效率?如何做数据智能决策?如何实现数据的可视化、协同执行、减少内部壁垒、口径统一、降低管理成本...
治理过程的典型问题,经常导致数据无法发挥价值,数据治理过程中,数据发挥价值并非是一帆风顺的,遇到的典型问题可总结为以下6个:
1.数据不准:业务系统会收集业务流程产生的一系列数据,更多解决的是信息流问题。但收集上来的数据没有经过清洗,若把数据直接直接放在库中,使用数据时就会不准。
2.一个指标,多个口径:当使用的数据面向业务,又会在业务上产生另外的坑,如一个指标,多个口径。比如客单价,销售部门看客单价的统计口径是订单价格,但用户部门/会员部门的口径是消费者买多少价值的商品。因为会员部门是以用户购买来看,其客单价一般高于销售部门的客单价。
3.不懂业务:数据不懂业务,不清楚业务的出发点。使用数据时发现即使做了大量的关联分析工作也很难去理解、贴近业务。
4.快餐文化:没有做清洗,且最终的呈现的报告中存在很多专有名词难以理解,快餐文化是业务团队与IT团队配合过程中常会遇到的问题。
5.应用少:团队间没有达成共识时,真正能选到数据应用的场景就会很少。
6.查询慢:资源没有投入,系统一直存在问题,导致查询的结果非常慢。
产生这些原因是没有构建好数据生态
原来企业是基于业务临时需求去找IT寻求数据,取数据时不是不准确就是没有数据。
做新的生态需要提前规划业务目标,按照一套体系来做:上游如何养数据、中游如何存数据、下游如何用数据。整个生态始于业务,用于业务。
在上游养数据时,导购、终端销售需要贡献自己的经验与知识,进行标签化、流程在线化,通过浏览行为做触点、收集数据。获取数据后同步到中游,存到数据库。需要给进来的数据如何存储定义一个规范,当数据量很大时,引入比较好的算力使数据能跑起来。下游是如何用数据。通过打标、建立业务模型赋能业务。
具体如何做?
如何“养”数据:
定性收集:基于上游业务场景转化成文字数据,如:门店定位;
定量收集:补全订单没有的信息策略,如:会员注册填写;
扩展收集:问卷收集;
硬件收集:通过传感设备,将运营过程数据收集起来;
SOP流程:以业务目标出发,建立起一套完整的数据收集策略。
如何“存”数据:
数据湖:收集多方数据,集中管理;
入库规范、统一:进入库的数据要符合规定的格式、统一维度;
实时/定时检测异常:匹配数据是否缺失,断点;
业务匹配排查:排查业务需要的指标、标签数据源,如:客单价需要会员和订单数据;
数据血缘关系追踪:做好每个数据的血缘关系,用于排查。
如何“用”数据:
模型:构建可以分析业务过程的模型,可自创与引入。在沟通、分析业务时,有模型、有共同的目标、维度,分析与沟通也更加有方向感;
指标:经营指标实时洞察、检测情况、与智能预警、分派任务;
标签:将运营过程的状态,对象标签化,通过标签串联运营。如:千万店的标签,通过标签可了解特定规模的门店数量、销售额等。
数据治理规划应该是基于业务需求变化逐步构建
数据治理的体系规划是分步走的、需要逐步迭代的。可通过三个维度来看:数量、速度、范围。
速度范围在初级时,在数量与范围的应用比较少的情况下,企业需要做好数据收集的SOP,制定收集规范,建立数仓。根据小的业务场景先定义几个指标与标签,熟悉流程,把业务跑起来,产生业务效果。
当数量增加时,需要增加制定一个完整的数据治理计划、规划统一的业务口径、血缘关系,包括建立数据中台。因为只有数据中台在数据量大时,处理的效率才会更高。
当业务范围增长时,需要做多渠道的埋点。业务应用范围增长一般都是多渠道多触点的增长,所以需要做触点埋点和行为监控,以及分析跳转与关联情况,制定数据治理机制。搭建指标体系、标签体系。也包括建立业务中台,更好去串联业务,方便数据对接。
速度、数量与范围都同时在增长的过程中,除了上述之外,企业搭建数据中台与业务中台会更加顺畅,同时需要考虑投入产出比。传统行业由于原先的系统基础与思维意识均相对比较薄弱,所以前期的投入会比较大:一是团队组织的培训成本;第二,无论是搭建数据产品还是业务系统做数据在线化,其成本投入会相对比较大。但投入后随着应用场景越多,体系重复利用,边际成本就会逐步下降。与互联网企业不同,互联网企业一开始是通过线上渠道销售,一开始就有基础,但后座扩充相对简单。
总的来讲,数据治理产生价值一定是小步快跑快速迭代的,逐步发挥数据价值。既不是纯IT部门的职能,也不是纯业务部门职能,而是共同的部门合力做好数据治理,使数据发挥出业务期望的价值。
延伸阅读
数据中台战略高效落地,你还不知道的那些事
“XYZ法则”下的数据中台全局规划,你学会了吗?
数据中台系列直播课干货汇总,限时2周免费领取!