数据矿工的博客

您现在的位置是:首页 > 数据资讯与书籍推荐 > 正文

数据资讯与书籍推荐

什么是数据化运营?了解一下

数字化运营2020-09-25数据资讯与书籍推荐3824
大数据时代到来,数据智能成为当下相当多零售企业转型升级寄予厚望的利器,数据化运营模式成为流行模式被追捧。一方面,我们确实看到不少先锋企业在数据化运营上的成功实践;另一方面,我们也观察到仍然有不少的零售

大数据时代到来,数据智能成为当下相当多零售企业转型升级寄予厚望的利器,数据化运营模式成为流行模式被追捧。一方面,我们确实看到不少先锋企业在数据化运营上的成功实践;另一方面,我们也观察到仍然有不少的零售企业在数据化运营上的困境,他们投入不少,满怀期待,但现实很骨感。

我们难免开始怀疑:数据化运营是一个值得期待的经典运营模式吗?在这种模式下,不少零售企业发生的困境到底是什么原因?数据化运营之路关键在何处呢?

首先,数据化运营模式有合理的逻辑作为支撑。在企业运营过程中,数据记录了相当丰富的信息,理论上讲,这些信息如果真实,且信息量足够大到能够代表一个有效的样本的话,通过数据是可以获取到与真相比较接近的结论的。与通过业务理解观察外部现象获取到运营真相相比,数据化运营存在着受观察者主观影响小、实现高效快捷等优点,是值得期待的运营模式升级。

然而,在运营实践中,大量的品牌企业并没有从中获取到预期的成果。那么,在企业数据化运营实践中,到底存在着哪些误区呢?

 

第一,忽视了企业数据化化运营的本质是商业逻辑,过度追求数据主义。在很多的数据化运营实践中,不去深度思考业务背景,不去深度思考自身业务特色,不去深度结合业务实际,而直接依赖比较通用的数据分析结果。殊不知,数据分析结果可能是特定业务背景下的偶然表现,不代表普遍的业务现象,更不反应实际的业务本质,基于这样的结果来指导业务,是很难有效的。

 

第二,在求解业务逻辑问题时,生硬照搬所谓的通用的数据模型。业务问题解决需要依靠商业逻辑,也就意味着任何数据模型的导入,数据模型逻辑必须与业务逻辑一致。由于不同业务场景的业务逻辑有其特殊性,使得不少通用的数据模型在解决问题上存在偏差。如果生硬的导入所谓通用的数据模型解决问题,解决问题方向就会发生偏差,甚至南辕北辙。比如,我们在数据化运营实践中,如果直接套用市面上所谓成熟的商品推荐模型来为顾客推荐商品,而不是考虑在自己的商业场景中,商品推荐中存在的商品本身的特殊性,客人购买场景等,不断结合自身业务迭代优化,那效果必然是无法保障的。在做业务预测的场景中,由于影响业务结果的维度非常复杂,通过数据模型分析的结果,可能会出现少数几个维度与分析结果的相关关系(实际上这种只是数据应用陷阱,前谷歌数据科学家赛斯·戴威维茨就此提出了“维数灾难”的概念),如果因此就兴奋得出预测模型,可以持续指导后续业务,那就大错特错了。

 

第三,数据分析结果的业务解读欠缺。数据分析结果是数据的重组织,是机械式的直观表达。要想让数据分析结果来指导业务,必须把数据分析与业务逻辑深度融合。每个数据指标表达什么业务含义,在什么场景下发生,为什么发生,其带来的后果是什么,未来会怎么样,诸如此类的问题,需要有业务为主导的深度解读,才能为商业真正赋能。

 

第四,要想让数据对业务提供足够支撑,需要有丰富的数据来支撑。很多时候我们的商家不是不知道如何分析数据,而是没有数据可供分析。因此,除了消费数据外,有意识的采集数据也是商业实践中相当重要。在这种意义上,数据采集就是重要的投资。在非常核心的客户运营实践中,要求我们的商家必须重视在消费者场景端数据的采集,无论是线上的客户端,还是线下的场景,消费者的一言一行的行为都是消费者分析中非常重要的一环。

那么如何避免上述误区,保持数据化运营的正确姿态呢?数据化运营不是孤立的数据主义,应该是“业务专家+数据智能”的半人工方式,也就要求我们在数据化运营实践中,需要拥有深度的业务逻辑,以业务为始,以业务为终,再结合数据智能技术,才能实现数据智能为业务的赋能。


发表评论

评论列表

  • 这篇文章还没有收到评论,赶紧来抢沙发吧~
展开