硬核干货 | 直击企业数字化转型的核心：数据采集、分析思路及方法

文自公众号 / 数字化转型时代 （ID：DXtimes）

原标题 / 企业数字化转型的核心（全）-数据采集、分析思路及方法

传统信息化一般是通过 ERP、CRM、MES、PLM 等系统的建设，构建覆盖企业完整业务条线的业务平台，从而实现对企业人、财、物等方面的精细化管理。但传统的信息化业务平台只是实现了业务运行过程的规范性和合规性，不能满足数字化时代企业对业务运行的要求。在数字化时代，企业更关注数据的采集、分析和应用。

要达到数据采集的完整有效，需要满足两个方面的要求，即业务全覆盖和有效的数据埋点：

1. 业务全覆盖

此处说的业务全覆盖不仅仅覆盖业务场景，还包括业务流程中的主动和被动操作。所谓主动操作，有打开 APP、跳过广告、浏览商品等，所谓被动操作有会员无感识别、生产过程监控、电子围栏等。通过信息化和自动化的技术，实现对这些业务场景和操作的全覆盖，为数据的有效采集提供保障，为企业数字化转型打好基础。

2. 有效的数据埋点

一个有效的数据埋点应该具备 4W1H，即：Who 谁是行为人；When 什么时候触发了行为；Where 在哪里触发了该行为；What 触发了什么行为；How 是怎么触发的。

为了达到 4W1H 的要求，通常来讲，企业首先要经过业务分析，确定要进行数据采集的业务场景，再通过技术人员撰写嵌入代码来监控用户的动作，从而能够对其动作的内容、时长、轨迹等数据进行采集。只有这样，才称为是有效的数据埋点。

为了保证进行数据采集结果的有效性，数据采集过程分为以下五步：确定场景、数据采集、数据分析、实施优化、持续监控。

3. 确定场景

确定场景是数据采集的第一步，只有确定了数据采集的场景，才能够明确目标，才能够做有意义的事情。

例如，我们的 PV 很高，但是很少人购买，转化率不够理想。为了改善这种情况，提高购买转化率，我们需要对从用户浏览到购买的这个业务场景的各个阶段进行数字化改造，从而能够找到转化率不理想这一情况背后的真实原因。

在这个例子中，我们的场景是使用户在线的购买过程，我们的目标是找到影响用户从浏览到购买的转换因素。

4. 数据采集

确定目标后，我们需要了解这些场景中，哪些是影响我们目标的数据，对此进行埋点和采集。

在前面的例子中，为了分析转化率低的原因，我们可能需要知道以下几个问题：

• 哪些会员对我们的商品感兴趣？

• 他们停留了多长时间？

• 是从什么渠道进来的？

• 是否详细的浏览了我们商品的详细介绍？

• 最后又去了哪里？

有了这些问题，企业就可以针对性的进行数据埋点，通过技术性的手段获得此业务场景中的每一个数据，从而为数据分析打好基础。

1. 数据分析

数据分析是数字化转型的核心，是其价值所在。前面提到过，正是由于数据的存储方式、数据存储成本、数据处理技术等方面有个长足进步，我们才有机会关注数据的本质所在，才有机会把执行以数据为核心的数字化转型，才有机会展示数据价值。

正如在前面的例子中，通过数据分析，我们会发现转化率低可能是我们把商品推给了不太匹配的会员，也可能是我们项目内容介绍做的不足够好，不够吸引人，导致会员很快离去。

有了数据分析，我们才能够得到转化率较低的真实原因，才能够针对性的采取措施。从而从根本上帮助企业优化业务流程，降低运营成本，提升营业额，从根本上帮助企业管理人员进行“最好的”决策。

2. 实施优化

我们对企业在数据分析过程中发现的问题进行总结分析，给出适当的解决方案，制定实施计划、预测和评估实施效果。

3. 持续监控

企业数字化部门要与业务部门随时沟通，了解业务执行过程中存在的各种各样的问题，并对其进行分析，不断执行“确定场景、数据采集、数据分析、实施优化”的过程，在这个业务循环中不断的优化、提升企业的数字化水平。

当企业投入巨大的人力和物力成本，终于获得了想要的业务数据时，必须要思考一个问题：怎么才能让这些数据发挥应有的价值？要回答这个问题，我们需要有明确可实现的目标、有一套清晰的分析架构以及一系列科学的分析方法。

1. 数据分析的目标

对企业来讲，实现数据分析的目标，让数据发挥应有的价值，才是对投入巨资进行数字化转型的企业的最大鼓励，否则数字化转型则是无本之木，不能长久，也毫无意义。

那么数据分析的目标是什么呢？核心来讲就是驱动企业业务增长，为企业创造商业价值。主要有以下两个方面：

(1）在业务运营方面，通过数据分析，可以找出业务执行的痛点，针对性的进行业务流程优化，提高业务效率，从而降低企业运营成本。

另外，通过精准化的数字营销手段，精准的匹配客户和商品，吸引新客户，留住老客户，从而提升企业营业收入。正确的数据分析技术可以很好地帮助企业开源节流，帮助企业活的更好。

(2) 在管理决策方面，通过数据分析，可以帮助企业领导更好的进行业务管理和决策。对于规模稍大的企业来说，都存在管理结构复杂，决策链条长，决策依据不充分等弊病。

在数字化时代，对合适的数据进行科学的分析，可以极大的提升管理决策的质量和效率，实现“瞬时决策”和“最好的决策”。

2. 数据分析的 EOI 架构

EOI 是 Empower（助力）、Optimize（优化）和Innovate（创新）的简称，分别对应企业核心、战略和风险等不同级别的任务。

EOI 架构是 Google、Lindedin 等先进数字化企业定义数据分析项目目标的基本方式，也是公司首席增长官在思考商业分析项目时必备的一种手段。

以 2010 年 Google 公司为例，其核心任务是搜索、SEM 和广告，这些已经成熟的商业模型，正在持续的为公司贡献利润；其战略性任务是安卓平台，正在与苹果和其它厂商竞争，需要花更多的时间和精力去做，其发展迅速，但商业模式尚未成型，尚未形成利润；其风险任务是谷歌眼镜、自动驾驶创新任务，风险巨大但代表未来方向。

数据分析项目对这三类任务的目标也不同，对核心任务来讲，数据分析是助力（E），帮助公司更好的盈利，提高盈利效率；对战略任务来说是优化（O），如何能够辅助战略型任务找到方向和盈利点；对于风险任务，则是共同创业（I），努力验证创新项目的重要性 。首席增长官需要对公司业务及发展趋势有着清晰的认识，合理分配数据分析资源、制定数据分析目标方向。

3. 数据分析的思路

为了处理海量业务数据，企业首先要明确数据分析的思路，以确定的业务场景为起点，以数据分析结果为重要抓手，最终帮助实现商务洞察和商业决策。

在数据处理过程中，有很多主观和客观因素会影响我们的数据分析结果，按照内外因素分解法，我们把这些因素分为四个角度：内部因素、外部因素、可控因素和不可控因素。

(1) 一般的内部可控因素包括产品近期上线更新、市场投放渠道变化、产品粘性、新老用户留存问题、核心目标的转化等。内部可控因素的解决成本最低，可立即执行；

(2) 外部可控因素包括市场竞争对手近期行为、用户使用习惯的变化、招聘需求随时间的变化等，这部分可以通过渠道沟通、市场引导等办法解决；

(3) 内部不可控因素包括产品策略、公司整体战略、公司行业客户定位等，这部分因素可以通过沟通协调变更，但变更的成本和风险较大；

(4) 外部不可控因素有互联网招聘行业趋势、整体经济形势、季节性变化等，可作为数据分析时的确定性假设条件。

有了内外因素分解法，我们就可以较为全面地分析数据指标，避免可能遗失的影响因素并且对症下药。

另外一种数据分析的思路是 DOSS，即找出具体问题、分析整体影响、针对单一对象的回答，形成规模化解决方案。DOSS 思路是从一个具体问题拆分到整体影响，从单一的解决方案找到一个规模化解决方案的方式。首席增长官需要快速规模化有效的增长解决方案，DOSS 是一个有效的途径。

根据本文的介绍，我们有了明确的数据分析目标和思路，下面我们将详细介绍实现数据价值的方法。

常见的数据分析方法有趋势分析、维度分解、转化漏斗、A/B 测试和数学建模等，对企业业务场景进行数字化分析时会用到其中一种或多种数据分析方法。

1. 趋势分析

看数字、看趋势是最基础展示数据信息的方式。在数据分析中，我们可以通过直观的数字或趋势图表，迅速了解市场的走势、订单的数量、业绩完成的情况等等，从而直观的吸收数据信息，有助于决策的准确性和实时性。

例如，对于电子商务网站，流量是非常重要的指标。我们将网站的访问用户量（UV）和页面浏览量（PV）等指标汇汇聚到统一的数据看板，并且实时更新，这些数据一目了然，公司首席增长官这些数据及其趋势了然于胸。

2. 维度分解

有时候，单一的数据趋势过于宏观时，我们需要通过不同的维度对于数据进行分解，以获取更加精细的数据洞察。在选择维度时，需要仔细思考其对于分析结果的影响。

例如，我们可以根据用户的基本情况、交易及环境等维度对用户打标签，进行用户画像，分析不同维度下用户的交易变化情况，从而进行更加精准化的营销，大幅度提高用户支付的意愿和销售金额。

3. 转化漏斗

绝大部分商业变现的流程，都可以归纳为漏斗。漏斗分析是我们最常见的数据分析手段之一，无论是注册转化漏斗、商机销售漏斗还是电商下单的漏斗，都是通过从先到后还原用户转化路径，分析每一个转化节点的效率。在进行转化漏斗分析的时候，我们往往关注三个要点：

第一，从开始到结尾，整体的转化效率是多少？

第二，每一步的转化率是多少？

第三，哪一步流失最多，原因在什么地方？流失的用户符合哪些特征？

4. A/B 测试

A/B 测试用来对比不同产品设计/算法对结果的影响。产品在上线过程中经常会使用 A/B 测试来测试不同产品或者功能设计的效果，市场和运营可以通过 A/B 测试来完成不同渠道、内容、广告创意的效果评估。

要进行 A/B 测试有两个必备因素：第一，有足够的时间进行测试；第二，数据量和数据密度较高。A/B 测试往往在公司数据规模较大时使用会更加精准，更快得到统计的结果。

例如，在进行用户留存分析的时候，我们可以通过对比不同的用户角度，例如来源、好友关系等，进行用户留存情况分析，从而进行精准化的用户留存营销。

5. 数学建模

当一个商业目标与多种行为、画像等信息有关联性时，我们通常会使用数学建模、数据挖掘的手段进行建模，预测该商业结果的产生。例如在用户行为轨迹分析和留存分析的时候，需要考虑用户所处场景、停留时长、来源、关系链等各种关系，可采用数学建模的方式进行数据分析，创造更多的价值。

让数据发挥出应有的价值！数据分析需要通过与市场、渠道、商务、运营、研发等部门的深入沟通合作，才有可能产生真正驱动业务的价值，从而实现数据驱动业务的目标。

To B 领域投融资 / 行业资讯 / 行业洞察 / 人物专访

……

尽在牛透社

————【推荐阅读】————

关注公众号：拾黑（shiheibook）了解更多

[广告]赞助链接：

四季很好，只要有你，文娱排行榜：https://www.yaopaiming.com/
让资讯触达的更精准有趣：https://www.0xu.cn/