第8章 需求挖掘与分析，电子商务与大数据(3)
很多行业都非常重视数据分析及其结果，尤其是电子商务行业。随着互联网购物的普及，电子商务行业对数据的要求越来越高，也越来越依赖于数据。但遗憾的是，即使在电子商务如此发达的今天，也很少有电子商务企业能够在数据分析的环节上做到尽善尽美。很多公司的专业人员在收集数据的时候，会发现数据非常混乱，并且不同的数据杂乱地分散在很多人员和主管手中，给分类和整理造成了很大的麻烦。并且，很难将这些非常凌乱的数据联系起来并分析出其中隐含的内容。
当然，必须承认的是，在数据运营的时候，会存在很多主客观的因素，影响数据和数据分析的精准度。数据本身是没有思想的，对数据的解读在某些程度上也会受到和产品相关的各个部门的人员偏好的影响，这样，数据就有了思想和针对性。分析这样的数据，就会有不同的结果。例如，市场部门和运营部门对“产品转化率”的理解有很大的不同，如果这样的分歧一直存在，那么企业进行数据分析，其结果的波动性就会很大。
正是因为这些不稳定因素的存在，很多问题最后都要归结到“人”和“企业”这两方面来。如果数据分析师不能和其他部门的人产生良好的沟通，不能深入地了解业务部门的每天情况的变化，那么即使再多良好的数据也只会被浪费。数据分析师必须做到以一个业务员的身份来客观地分析手中的数据，才能给管理层一个较为真实的分析结果。很多有经验的数据分析师，面对数据，能够在很短的时间内给出中肯的分析建议，这正是将第二招牢牢掌握的表现。
不得不提的是，第二招有两个具体的场景。例如，面临一堆数据和一个特定的商业场景的时候，当能够准确地把握二者之间的关系时，就表示能够实现对二者之间存在的“数据中间层”进行准确地把握。
第二招的另外一个层面，存在于企业中不同组织的数据之中。即当存在某一个特定的商业情景或问题的时候，需要对甲、乙、丙、丁四个不同组织之间的数据进行互相联系并分析，才能得出结论或解决问题。例如，某一个销售日，由于UV一下子有很大的增长，那么一定要去看退款的数量，如果退款的数量在这一天之内也有很大的增长，那么这就是一个正常的现象。当然，如果这一天的UV并没有不寻常的增加，但退款的数目却异常地增加了，那么就要考虑到可能是少数买家为之，此时，就要综合其他各方面的原因进行全面的分析。这就是将不同组织之间的数据融会贯通之后分析的必要性。
很多企业，在对这至关重要的第二招的把握上存在很大的问题。主要表现在两个方面。第一，从人的角度来说，即数据分析师的主观原因造成的数据分析的不合理。如果数据分析师对企业不同组织架构中的数据不能明确地分辨，那么不仅会造成分析结果的偏差，还会导致更加严重的后果。然而，很多企业之中都有这样的情况，部门与部门之间沟通不畅，导致数据和数据之间关联性较小或者立足点不同，这就给分析造成了极大的困难，更别说得出有意义的结果了。
第二招，即打通数据与数据之间的联系，是在数据分析中非常重要的一点，也是能够进行准确数据分析的基础。因此，事先做好一系列铺垫工作非常重要，例如保证数据的安全性，统一不同部门统计数据的标准，以免造成更大的工作量。最后要保证不同部门数据之间能够顺利地相互交换，使得部门之间有较好的沟通和了解。第二招可谓是三招之中的核心，尤其是在现今每个企业的数据都越来越复杂，基数越来越大的时候。完全凭感觉去分析数据的时代已经过去了，面对海量数据，必须做好打通数据之间联系的工作，才能更好地分析数据，使企业做正确的有益的决策。
第三招，对数据进行运营和分享。
用好第三招的主要内容就是能够通过对数据的分析得出这样几点结论：企业的业务是否正常，如何对数据进行优化来促进企业业务的优化，如何通过对数据的分析来找到有益于企业发展的方法，帮助企业创造新的商业价值。这些问题之间看似存在明显的递进关系，但实际上却不是如此简单的逻辑关系就能够解释的。对待这三个问题，要根据不同的场景来具体分析。不同的问题有不同的解决方法，要具体问题具体对待，做到对症下药。以下就是几种能够解决不同问题的不同方法。
任何事物的发展都需要一个范围作为约束，数据也一样，需要一个具体的框架来具体分析企业的业务水平究竟如何。因此，给数据搭建框架非常重要，有了合适的框架，才能对数据进行更加准确的分析，也就能更加直观地分析企业业务的好坏。数据的框架，就是一个标准，能够将数据在同样的层面下进行分解的标准。指标化分解是一种重要的分解方式，能够将混乱的数据整理出条理，并客观地分析企业的业务。
这样的方式就类似于生活中，因为感冒而去医院检查，医生首先要求验血来判断是不是病毒性感冒一样。根据客观的数据得出真实的结论，然后对症下药，效果才会立竿见影。看数据要能够看到数据背后隐藏的信息，而不只是被表面的信息所迷惑。对数据进行真正的分析，就会发现很多数据和其表面所代表的内容差别很大。例如，一个网站当天成交额的提高达到百分之二十，表面上这是个值得兴奋的数据。但是，具体分析才发现，销售额的增加是因为企业加大了对广告的投入，一对比发现，成交额的提升带来的收入增加不足以覆盖增加的广告费用，那么这个看似可喜的消息就立刻变成了一个可悲的消息，这说明企业的广告效果非常差。
很多电子商务企业，在评价自己的业务水平时，通常用到以下两套指标。第一套是企业用来计算其成交额的，公式为成交额=流量×转化率×单价；另一套指标多用于企业对商品进行促销的时候，公式为，即大促成交额=预热期加入购物车的商品数×商品单价×经验转化率×经验成交额占比。前者是用来评价企业的某一类商品或单个商品的健康度的，后者则是在企业促销的前提下，用来预测大概成交额的。
业务水平的好坏是通过对数据分析之后进行比较才能得出的，单个的数据分析得到的结论是不具备代表性的。不能够进行横向和纵向比较的数据是没有任何意义的。比较的实质就是找一个参照物，参照物的不同，会导致结果有很大的差别，因此进行比较不仅必要而且重要。寻找合适的比较对象是比较最重要的一个环节，例如，当企业进行促销的时候，需要和往期的促销活动销售额、促销幅度、顾客对促销的评价等方面进行比较。而不是和上一个季度的正常销售进行比较，因为毫无可比性。选错了比较对象，会导致数据分析产生极大的偏差，影响对某一决策内容的判断从而影响以后的决策方向。
当然，除了对数据框架的构造之外，能够使数据分析锦上添花的一个方式就是好的展现形式。常见的数据分析展现形式就是表格和图形。但是这两种展现形式在某些特定的情境下是不可以互换的，否则会造成分析结果的不直观和偏颇。使用了不恰当的表现形式，会使得对数据分析结果的分析产生障碍甚至误解。那么如何选择合适的数据展示形式呢？有几种便捷的选择原则：当需要对精确的数据有展示的时候，应该用表格，此时用图就显得非常不合适。好的数据展示形式有利于决策者根据数据做出更加合理的决策。
数据分析的最终目的就是通过对数据的分析，发现并解决问题。那么，这样的目标就要求数据分析要准要切中问题要害。以下，举一个例子来解释如何利用数据帮助业务为企业发现更多的商机。
想要利用数据帮助业务让企业发现并抓住更多的机会，就必须了解，这样做的价值点在于通过这样的方式，使得企业的数据变成了人人都必须使用的数据。长此以往，企业的每个人都会变成数据分析师。这正是最理想的状态，每个人都能够对数据做出分析并给出判断和结论。客观的数据是最好的指示器，如果能够对数据进行客观敏锐的分析，那么每个员工都可以成为企业决策的参与者。
当员工积极地参与进了数据分析的工作中之后，就能够对企业出谋划策。帮助专业人员在产品的个性化设计、销量预测等方面出一份力。这样的模式也减轻了数据分析师的前期工作，使得数据分析师能够对数据做出更加精确的分析。如此一来，数据的运营就进入了一个良性循环，有助于企业快速地提升自己的业务水平。
在阿里巴巴流传着这样一句话：“让信用变成财富”，的确，阿里巴巴也在践行这句话。阿里巴巴所有运营程序的核心就是通过数据来计算客户的信用水平，并且通过对客户信用的评估来为客户进行授信。一系列流程之后，通过审核的顾客就会获取他所需要的资金。正是这样一个良好的信用模式，使得阿里巴巴越来越成功，旗下的产品也越来越多，深受顾客的喜爱。
数据分析师工作的一个重要环节就是通过对数据的分析和对市场的预测，说服产品经理某样东西可以被列为产品出售。但是这样一个看似简单的环节在实际操作中却很难顺利地实行。尤其是公司对于新产品的开发和上架没有任何问题，但是如果数据的分析达不到这个效果，一切都是空谈。
因此，如果不能有效地获取、使用、分享、协同、连接数据，数据化运营就会受到很大的阻碍。于是，数据分析师是否能将数据简化，留下最重要的部分就变得尤为重要了。千万不能出现收集了很多的数据不知道怎么用，不知道用的数据是怎么来的等情况。这就要求能够熟练掌握前文提到的数据化运营的三招，让每个员工都成为数据分析师。
大数据中的企业价值及客户价值
有效的数据收集不仅能够实现企业资源的合理配置，也能够更好地服务顾客，为顾客带来更好的体验。如何有效地收集数据呢？数据的收集包括两个维度，第一个维度，是衡量数据对企业的生产价值，第二个维护是衡量数据对顾客的价值。第一个维度要求记录顾客行为数据里对企业有价值的那些。第二个维度则能很好地帮助企业为顾客提供更好的服务，创造更大的顾客价值。
从第一个维度企业的价值来看，数据收集的主要目的就是实现了对企业资源的合理分配。可以通过不断的升级自己的操作系统，让自己的产品能够更方便地被顾客找到，从而增加产品的二次甚至多次销售，创造更高的销售利润。
从第二个维度来看，企业的目标就是要提升顾客体验。例如，提供各方面的服务界面和搜索引擎，方便顾客的购物，增加顾客消费的喜悦感和满意感。
这两个维度看似相似，实际不同。从不同的维度看数据，也会有不同的结果。例如，在工作日里，银行门口总是排着长长的队伍。从第一个维度去看，则需要知道每天固定时段排队的人数，然后设法减少顾客排队等候的时间。从第二个维度去看，则要思考这些排队的顾客平均要等待多久才能获得相应的服务。同样的问题，从不同的角度去思考和理解，就会得到不同的结论。两个维度所看重的信息点不同，第一个维度的解决方法可以是开发手机客户端，减少排队等候的人数。第二个维度的解决重点就是减少顾客等候的时间，例如在高峰期多开几个窗口等。
因此，在分析数据的时候，要分清是从哪个维度去解决问题。因此，在大数据时代，数据运营要衡量不同的方面。同时，还要注意看待数据的不同角色，他们的感受和体验也是不同的。即在银行看来，20个人的队伍并不算多，但是在顾客心中，等待超过了10分钟，就属于长时间的等待了。
排队只是一个典型的例子，电子商务企业在操作系统方面的实践和排队相似。企业思考的是如何让顾客更多地点击自己的商品，而消费者想的却是：“我想要买的这个东西能否顺利买到呢？”
因此，企业在对数据进行了分析之后，只用通过改善自己的推荐系统来更好地改善用户的购物体验。此外，对用户的整体购买情况要做横纵向的分析，形成一条完整的数据链。例如，如果企业想要了解用户登录前的浏览情况，就需要更新系统来达到这个目的。