要怎样才能够做好数据运营？这篇文章中，笔者对这些数据运营模型的经验与坑、雷的内容进行对应整理，推荐值得一看哦！

在很多企业或个人做数据运营的过程中，会存在某些偏差。

例如：

1. 业务部门会单方面陷入【精准运营】的规划梦想中。
2. 数据部门陷入【数据展现】的无穷挖掘中。
3. 研发部门不了解数据代表着什么，甚至不清楚对应业务数据要求该从哪些字段去做算法分析……

以上种种都是因为在做数据运营初期，没有把业务模型、组织模型给建立好。只有把业务模型建立清晰，针对对应模型模块填充对应的人员，进行组织架构管理。数据运营才能达成它应有的魅力。

笔者承接过某IPO阶段公司的【数据中台】建设工作，针对这些经验与坑、雷进行对应整理，全文将围绕着图-1进行铺开阐述。

图-1

一、【数仓】建立

当企业发展一定体量级的时候，会有很多业务线，不同业务线有其对应的业务系统，甚至一部分业务体量会很大。

这代表着：

1. 高层BOSS很难有直观数据，全盘考虑各业务线的发展战略。
2. 大体量业务系统的数据拉取，很消耗性能，拉取耗时长。
3. 由于业务发展阶段不一致，各个业务线考虑的指标方向是不一致的，对各业务线系统支撑的数据人员、IT人员要求不一致，造成人员冗余……

我们在市场上听过很多关于【数仓】、【数据中台】的介绍，老板们也发现这个是他们想要的，但真正的怎么建设好【数据仓库】，笔者就用类实体仓库的比喻来进行浅显的介绍：

1. 性能考量

在医药零售仓库中，会将仓库进行分库、分区，分为收货库、出货库、暂存库、整件区、拆零区等。这些都是为了业务操作方面考虑，能快速准确进行货物流转。

同理为了数据快速准确流转，我们在建设初期就应该将各种数据基于它规划的体量进行分库分表设置，例如采购数据每年可能达千万条，门店销售数据每月达上亿条，那么针对这些数据体量就需要规划好对应的数据库、数据表。

2. 快速响应

这里的快速响应，指的是人员的快速响应。业务人员要数据与IT算法人员要数据是一致的么？就像顾客要货、门店要货、仓库拣货的逻辑是一样的么？

答案肯定是不一样的，针对统一给SKU，例如阿莫西林胶囊，顾客讲的是这个名词，门店要货输入的是这个SKU在ERP里面的编码；仓库拣货录入的是WMS和分拣设备上的仓库编码。这些都是为了快速响应对应上级部门需求做的转化。

同理，业务人员可能要的是店效、坪效、人效、品效数据，数据人员转化为对应的指标及算法逻辑，IT人员就需要从不同数据字段中将其进行实现。

但是业务人员、数据人员、IT人员（或者是做表的表哥、表姐）就类似顾客、店员、仓管人员，如果没有一套有效的【编码机制】，那三者就会实现起来不高效且痛苦。

【字段字典】只是【编码机制】的一部分，这项工作，初期比较耗时，很多PM不愿意安排资源去落实，但越晚做就会越痛苦。尤其是IT人员，就需要一个懂业务、知道对应数据算法逻辑、了解对应数据是数据表内对应字段的【翻译人员】去给其进行标注，这个人可能是产品经理，也可能是资深运维，也可能是业务部门的表哥表姐（不要问我咋知道的，说多了都是泪）。

3. 技术实现

类实体仓库的电子标签、自动传输带，RF枪，在数仓中也会有各种自己的特定实现技术，无论是【定时触发器】、【数据异常报警机制】、【数据主键】等，这些在具体实现中会面临对应的需求。

只是就像仓库：

1. 十万订单出货量的仓库和百万订单出货量的仓库。
2. 90%的订单准确率和99.99%的订单准确率。
3. 三天发货和一天发货；在【硬件设备】上的需求是不一样的。

那么【数仓】的建设，这些内容也需要基于体量、业务运营需求进行对应的技术实现规划。这一块需要一个有前瞻性的技术人员进行对应规划。就像实体仓，全都规划甚至放好货了，突然发现有几个库区建小了，要重新搞。那个工作，希望读者不会遇到。

二、展示数据

这一部分就是很多表哥表姐永远的痛，也是很多数据挖掘者孜孜不倦的内容。数据展示逻辑可以有以下两种：

1. 指标拆解法（并行关系）

• 针对【零售门店场景】有人货场模型。
• 针对【用户运营场景】有RFM模型。
• 针对商品管理有进销存指标……这些模型里面的指标，又有不同的数据指标与分析维度。

例如同样是

【人效】：

1. 老板考虑的是公司整个薪酬/收入的占比（例如是10%还是12%），因为他们考虑的是大盘，考虑的是净利。净利=毛利-运营成本，在资本市场，就是要做大毛利，降低运营成本，这样口袋里的钱才会越来越多。
2. 业务leader考虑的是其中人效的比值提升，深层次的薪酬构成，各种公司的考核制度其实是它想要员工达到的方向。例如它想要门店卖某些商品，那么它会做对应商品的带金提成；它想要门店提升服务，那么它会做对应服务的星级考评的工资带……
3. 业务主管考虑的是人效人员的排名与提升情况：好的，鼓励并让其分享；差的，了解情况并做提升。

这些就是同样对于【人效】这个数据进行的不同数据维度的分析，当然还可以引入其他的维度。

2. 漏斗分析法（串行关系）

用户运营场景中一般运用的比较多，例如基于【用户行为路径】做的漏斗转化分析，找到对应是在哪一层出现问题。这些读者可以在很多地方找到专业的资料，我这就不班门弄斧了。

但是数据展示逻辑一定要基于展示对象进行考虑，就像老板看的数据一定不会是和运营主管看的一样。怎么样快速抓住对应展示对象的眼球，很考量数据产品经理的业务能力。

三、判断数据（第一层魅力）

单独给你一个数据，例如销售额20个小目标；销售同比上升5%；销售同比下降10%……这些背后表明到底这个业务是好是坏？

你会发现，你不能够盲目判断。

例如：

1. 去年公司GMV30亿，今年20亿，那么就代表今年业务遇到了问题。
2. 销售同比上升5%，但是国家GDP提升10%，行业销售提升20%，这个时候你的老板就要开始跳脚了。
3. 销售同比下降10%，但是行业销售下降20%，同地区同行下降30%，这个时候你老板反而还要鼓励你，给你发奖金。

所以单独一份数据，是没有用的。要对数据进行判断，让其提现真实的业务状况，这时候数据才开始展现它【第一层的魅力】。数据展现方法也分以下两种：

1.单指标

1）时间维度

单指标的时间维度，同时要结合业务的【生命周期】做考虑。

例如：

1. 爆发期，很多数据都是上升的。这个时候上升的数据的指数变化就需要再纳入考量。
2. 平稳期，大数的波动就不会很多，分项数据的波动才好来分析市场的变化。
3. 衰减期，很多数据都是下降的，这个时候新的分享的贡献比的波动，就是重点考量的方向。

2）同期群分析

与同类型、同期发展的业务比较，例如公司在各B2C平台都开了店，那么各个平台横向数据对比就能直观展示不同业务组的发展情况。

3）分层分析法

分层分析法，一般用于精细化个体分析。例如A、B、C品的退货率分别是多少；甲、乙、丙客服的满意度是多少。这些甚至可以做排名。

2. 多指标

在这一块，有【矩阵法】、【Kmean聚类】，针对具体行业好做具体数据分析。就像本段开头讲的，多指标才能够具体判断市场情况、行业情况、公司发展情况、业务发展情况、部门发展情况等。不能单一指标盲目下判断。

四、问题诊断（第二层魅力）

问题诊断很多时候，在公司是通过人去进行诊断的，这些人就慢慢的变得举足轻重（说白了，就是年纪越来越大，工资越来越高，越来越不好忽悠。以上观点不代表作者，仅气氛需要）。

很多时候，通过拉入不同指标，做数据判断，由系统来做智能化问题诊断，就提现了数据系统的【第二层魅力】。在这个过程中，系统发现异常情况，细分问题来源，给出诊断建议，那么你就能打败行业中95%的数据工具。

1. 经验推断方法

这个方法是从结果进行推断：通过对比找到问题严重的点；通过追溯找到问题源头，发现原因。一般分为以下5中方法：

1）结构分析

通过结构分析，找到问题发生点

2）标签分析法

通过打标签，做个体对比，找到问题原因

3）相关分析

通过计算指标相关关系，找到相关指标，再形成假设

4）MECE法

讲多个业务假设，按MECE原则合并成分析逻辑，一一验证

5）关联分析

2. 实验推断方法

这个方法的逻辑是有了一件事要做，然后针对里面的部分进行假设，再针对假设做实验，然后根据验证数据再循环做假设。最出名的有ABtest。

五、数据预测（第三层魅力）

根据第四步的分析，我们可以给出数据预测，告诉业务部门，你再不采取新的行动，你的数据下一个时间维度是什么样的。这就是数据工作的【第三层魅力】。

1. 业务型

很多老板喜欢给业务leader下指标，例如明年GMV要提升100%，订单量要提升80%，会员要增长100万。我们不能说老板是拍着脑袋去下指标，但我们要拿数据给到业务部门做支撑。

这也是能有数据的去做【业务假设】，做假设之前先要针对某项指标做支撑拆分，拆分的越细，得出的结论会越准确。具体逻辑见图-2，其中某项或某几项值会基于业务动作进行改变（例如加大渠道投放力度）。

图-2

2. 算法型

这些是基于现有数据及其波动规律进行的算法模型得出的数据，有①移动平均法；②指数平滑法；③自回归移动模型。具体逻辑见图-3。

图-3

六、解决方案（第四层魅力）

所有的解决方案都应遵循PDCA原则，首先前五步是为了Plan提供支撑；同时在Do的过程中，用过程数据进行Check;当数据有了过程呈现，及时进行Act（可以是引入新方案，可以是原方案的继续执行，也可以在原方案基础上进行调整）。

这样我们循环使用1-6步，形成完整的数据运营模型，再针对数据模型选择自己团队组织架构，打造一个数据运营团队。这样才能体现出数据完整的四层魅力。