劉立茹

〔中國石化北京石油分公司 北京 100022〕

大數(shù)據(jù)時(shí)代各行各業(yè)產(chǎn)品的豐富性和服務(wù)的多元化已經(jīng)司空見慣。市場(chǎng)趨于飽和與競(jìng)爭(zhēng)的白熱化狀態(tài)造成用戶的留存難度和成本居高不下，已成為企業(yè)不能承受之重。企業(yè)通過構(gòu)建數(shù)據(jù)化運(yùn)營(yíng)，依靠企業(yè)自有數(shù)據(jù)進(jìn)行分析從而實(shí)現(xiàn)智能化決策分析成為驅(qū)動(dòng)企業(yè)成長(zhǎng)的關(guān)鍵所在。

1 數(shù)據(jù)化運(yùn)營(yíng)體系的構(gòu)建

隨著大數(shù)據(jù)時(shí)代的到來，數(shù)據(jù)化運(yùn)營(yíng)被企業(yè)越發(fā)的重視，各企業(yè)數(shù)據(jù)化運(yùn)營(yíng)正在如火如荼地開展，數(shù)據(jù)分析和基于數(shù)據(jù)操作的相關(guān)工作變得越來越高大上。對(duì)于傳統(tǒng)企業(yè)而言，向數(shù)字化運(yùn)營(yíng)轉(zhuǎn)變是一個(gè)顛覆性的過程，無論是公司戰(zhàn)略、運(yùn)營(yíng)組織等都需有所調(diào)整，最終企業(yè)各個(gè)部門都需要具備一定的數(shù)據(jù)運(yùn)營(yíng)能力，那么如何構(gòu)建基礎(chǔ)的數(shù)據(jù)化運(yùn)營(yíng)體系？筆者將以電子商務(wù)的業(yè)務(wù)為例，根據(jù)數(shù)據(jù)化運(yùn)營(yíng)業(yè)務(wù)流程進(jìn)行拆解分析。從確認(rèn)目標(biāo)和數(shù)據(jù)指標(biāo)制定、數(shù)據(jù)提取清洗、數(shù)據(jù)建模分析、形成相關(guān)建議和驗(yàn)證優(yōu)化提升這六個(gè)方面構(gòu)建一個(gè)基于數(shù)據(jù)運(yùn)營(yíng)體系。

1.1 明確目標(biāo)

任何有價(jià)值的數(shù)據(jù)操作行為都是有目的的。它既可以是短期一次性的，也可以是長(zhǎng)期周期性的，無論如何，必須有一個(gè)目標(biāo)。

1.1.1 數(shù)據(jù)化運(yùn)營(yíng)的本質(zhì)

電子商務(wù)數(shù)據(jù)運(yùn)營(yíng)的本質(zhì)是用戶的運(yùn)營(yíng)管理，數(shù)據(jù)是從用戶的屬性和行為中收集計(jì)算出來的。為什么電子商務(wù)數(shù)據(jù)運(yùn)營(yíng)本質(zhì)上是用戶運(yùn)營(yíng)管理？拿市場(chǎng)上成熟電商的APP分析產(chǎn)品來說，整個(gè)產(chǎn)品生命周期是用戶獲取、用戶活躍、用戶留存、支付轉(zhuǎn)化和口碑傳播的閉環(huán)過程。此過程中的每個(gè)節(jié)點(diǎn)實(shí)際上都會(huì)刺激用戶行為以完成每個(gè)階段的目標(biāo)，獲得的數(shù)據(jù)也是用戶使用產(chǎn)品的數(shù)據(jù)。

1.1.2 數(shù)據(jù)化運(yùn)營(yíng)的目的

(1)基于具體指標(biāo)的數(shù)據(jù)運(yùn)營(yíng)管理。這種情況經(jīng)常發(fā)生在領(lǐng)導(dǎo)要求在短期內(nèi)實(shí)現(xiàn)數(shù)據(jù)指標(biāo)的飛躍。例如100萬新用戶增長(zhǎng)和30%活躍率、留存率達(dá)到25%、轉(zhuǎn)化率達(dá)到8%等等。這類分析的目的是短期或一次性，通常通過分析數(shù)據(jù)來尋找用戶所需進(jìn)行的激勵(lì)，例如活動(dòng)使產(chǎn)品能夠在短期內(nèi)快速達(dá)到指定目標(biāo)。

(2)掌握商品生態(tài)。掌握商品生態(tài)系統(tǒng)意味著將數(shù)據(jù)運(yùn)營(yíng)管理應(yīng)用于日常工作流程，作為日常生產(chǎn)過程的一部分。這樣做的目的主要是通過數(shù)據(jù)沉淀和數(shù)據(jù)分析來了解產(chǎn)品的用戶群是什么，用戶分類是什么，以及如何使用該產(chǎn)品來實(shí)現(xiàn)用戶的精細(xì)化操作。

(3)發(fā)現(xiàn)潛在方向。在大數(shù)據(jù)時(shí)代，發(fā)現(xiàn)需求通?；跀?shù)據(jù)分析的結(jié)果，從而推導(dǎo)出解決用戶需求的產(chǎn)品。在某些情況下，通過數(shù)據(jù)分析，可以發(fā)現(xiàn)用戶未通過外觀顯示的更多問題和痛點(diǎn)。就數(shù)據(jù)挖掘中的經(jīng)典啤酒尿布而言，通過對(duì)用戶購買數(shù)據(jù)的相關(guān)分析，發(fā)現(xiàn)尿布與啤酒表面上無關(guān)的物品之間的潛在聯(lián)系。通過一定的經(jīng)營(yíng)策略

來提升兩者的購買。因此，通過數(shù)據(jù)運(yùn)營(yíng)管理，還可以找到用戶的潛在需求，從而創(chuàng)建新功能或新產(chǎn)品來解決用戶問題。

(4)通過問題解決問題。一個(gè)交友網(wǎng)站最近有大量用戶投訴酒托事件，作為產(chǎn)品負(fù)責(zé)人需要解決酒托問題并減少用戶投訴。那么，如何通過被舉報(bào)女性用戶來識(shí)別更多的酒托？

首先，定位數(shù)據(jù)，找到被舉報(bào)酒托的女性用戶的數(shù)據(jù)和屬性，并發(fā)現(xiàn)這類用戶在最近經(jīng)常添加大量的男性用戶，并且同時(shí)與多個(gè)男性用戶聊天，而且聊天時(shí)間一般比較短。結(jié)合這些用戶行為和用戶屬性，從用戶數(shù)據(jù)庫中找到可疑的酒托用戶，然后使用數(shù)據(jù)監(jiān)控來確定它是否是真實(shí)的酒托。

上述案例是通過問題來定位數(shù)據(jù)，并通過數(shù)據(jù)找到問題的解決方案，從而解決了問題。

1.2 數(shù)據(jù)指標(biāo)制定

1.2.1 明確指標(biāo)

宏觀指標(biāo)和可操作指標(biāo)之間的區(qū)別：宏觀指標(biāo)通常是不具備執(zhí)行性的，一般是領(lǐng)導(dǎo)者的指標(biāo)。這個(gè)指標(biāo)是從企業(yè)整體發(fā)展的視角而提出的奮斗目標(biāo)?？刹僮髦笜?biāo)，大多是可以實(shí)施的指標(biāo)，如通過微信引入5萬新用戶，或者支付的轉(zhuǎn)化率提高到7%等。用這些指標(biāo)可以找到具體的實(shí)施策略。

1.2.2 指標(biāo)構(gòu)成

總結(jié)和分析常用的數(shù)據(jù)指標(biāo)。根據(jù)不同的產(chǎn)品和不同的服務(wù)，提供詳細(xì)的具體指標(biāo)分析，不要盲目復(fù)制和套用。

(1)基礎(chǔ)指標(biāo)。①拉新，新用戶注冊(cè)數(shù)；②活躍，用戶登錄數(shù)(日、周、月)；③留存，流失用戶數(shù)(日、周、月)；④轉(zhuǎn)化，付費(fèi)用戶數(shù)；⑤傳播，分享用戶數(shù)。

(2)用戶屬性。用戶屬性就是用戶身上的各種標(biāo)簽。例如：25歲、金融專業(yè)、用蘋果手機(jī)、愛玩游戲等這些都是標(biāo)簽。通過精準(zhǔn)的用戶屬性分析，能提供更好的偏好服務(wù)和滿足其真實(shí)需求的產(chǎn)品。

(3)用戶來源。用戶來自哪些渠道。包括線上和線下兩個(gè)渠道。具體有微信、線下便利店或者APP。

(4)用戶行為。用戶行為由最簡(jiǎn)單的五個(gè)元素構(gòu)成：時(shí)間、地點(diǎn)、人物、交互、交互的內(nèi)容。用戶行為又分為線上行為和線下行為。對(duì)于線上行為的采集記錄從技術(shù)上講比較成熟，線下行為數(shù)據(jù)則要通過部署一定的感知設(shè)備才能很詳細(xì)地采集。

1.3 數(shù)據(jù)的提取和清洗

在確定目標(biāo)并確定需要分析的數(shù)據(jù)指標(biāo)后，開始進(jìn)行數(shù)據(jù)提取及清洗，主要針對(duì)殘缺數(shù)據(jù)、錯(cuò)誤數(shù)據(jù)、重復(fù)數(shù)據(jù)進(jìn)行處理，這是一個(gè)反復(fù)的過程，不斷的發(fā)現(xiàn)問題，解決問題。

1.3.1 數(shù)據(jù)采集

電商主要的數(shù)據(jù)來源有兩種，一種是埋點(diǎn)數(shù)據(jù)，然后提取相應(yīng)的數(shù)據(jù)字段。另一種是通過用戶的日志分析用戶行為。

1.3.2 數(shù)據(jù)預(yù)處理

為什么要做數(shù)據(jù)預(yù)處理？由于系統(tǒng)或人為原因，記錄中的某些字段可能會(huì)遺漏。所以將收集到的不規(guī)則數(shù)據(jù)，進(jìn)行填補(bǔ)缺少的數(shù)據(jù)，或者刪除重復(fù)的數(shù)據(jù)及許多其他超出規(guī)范的數(shù)據(jù)處理。

1.4 數(shù)據(jù)建模分析

1.4.1 數(shù)據(jù)分析框

有許多專業(yè)的數(shù)據(jù)挖掘算法，如關(guān)聯(lián)分析、聚類分析、神經(jīng)網(wǎng)絡(luò)等。在這里只做簡(jiǎn)單介紹。

(1)用戶畫像洞察。用戶圖像洞察是通過聚合用戶數(shù)據(jù)將數(shù)據(jù)轉(zhuǎn)換為可視化的虛擬用戶模型。用戶的肖像顯示具有特定類型特征的一組用戶。根據(jù)用戶特點(diǎn)定義分類用戶組，為精確的用戶引導(dǎo)提供數(shù)據(jù)支持。

(2)用戶行為分析。最常用的用戶行為分析是漏斗分析模型(圖1)。這意味著用戶在完成特定任務(wù)時(shí)必須經(jīng)歷多個(gè)步驟。在每一步，都會(huì)有用戶流失，從而通過漏斗分析發(fā)現(xiàn)問題。

圖1 用戶行為分析模型

如圖(1)所示，以電商用戶支付和經(jīng)營(yíng)收入為例，用戶在成功購買某個(gè)產(chǎn)品必須經(jīng)過多個(gè)步驟。這其中每一個(gè)環(huán)節(jié)都會(huì)造成用戶的流失。因此，在漏斗分析中，可以觀察用戶哪個(gè)部分是最嚴(yán)重的流失，然后分析相應(yīng)的鏈接，找到相應(yīng)的解決方案，以提高用戶的轉(zhuǎn)換率。

1.4.2 數(shù)據(jù)的可視化

實(shí)現(xiàn)整屏設(shè)計(jì)、分屏開發(fā)，整屏投放，屏間聯(lián)動(dòng)；支持?jǐn)?shù)據(jù)的實(shí)時(shí)動(dòng)態(tài)更新和顯示。實(shí)現(xiàn)交互操控和數(shù)據(jù)展示的一體化。

(1)可視化方式?？梢暬椒ㄊ蔷哂懈鶕?jù)數(shù)據(jù)類型和呈現(xiàn)形式顯示時(shí)間關(guān)系的時(shí)序圖，展現(xiàn)占比的餅狀圖，展現(xiàn)數(shù)據(jù)分布的柱狀圖等等。

(2)可視化工具。簡(jiǎn)單的數(shù)據(jù)分析工作可以用Excel完成，復(fù)雜的數(shù)據(jù)需要SPSS、Tableau和其他專門的數(shù)據(jù)分析工具。

1.4.3 數(shù)據(jù)報(bào)告

數(shù)據(jù)分析報(bào)告一般要求如下：①分析背景、目標(biāo)；②數(shù)據(jù)源選??；③數(shù)據(jù)分析方法、框架；④數(shù)據(jù)可視化；⑤數(shù)據(jù)分析結(jié)果、建議。

根據(jù)具體問題進(jìn)行具體分析的原則，根據(jù)數(shù)據(jù)分析報(bào)告的目的進(jìn)行個(gè)性化設(shè)計(jì)與完善。

1.5 形成建議

建議的制定取決于目的和數(shù)據(jù)分析的結(jié)果，由目的和結(jié)果形成策略?？梢愿鶕?jù)具體問題和具體的業(yè)務(wù)場(chǎng)景制定有效的建議。

1.6 驗(yàn)證優(yōu)化提升

由數(shù)據(jù)分析結(jié)果產(chǎn)生的建議不一定有效，并且它不一定能夠快速達(dá)到預(yù)期的結(jié)果。通過數(shù)據(jù)積累沉淀，監(jiān)測(cè)相應(yīng)的數(shù)據(jù)指標(biāo)，優(yōu)化提升，以達(dá)到最終目的。

圖2 數(shù)據(jù)化運(yùn)營(yíng)流程

以上六個(gè)方面構(gòu)成了數(shù)據(jù)化運(yùn)營(yíng)的閉環(huán)流程。應(yīng)該指出的是，任何基于數(shù)據(jù)化的運(yùn)營(yíng)都必須是面向業(yè)務(wù)的，并且應(yīng)該根據(jù)特定的業(yè)務(wù)場(chǎng)景來選擇數(shù)據(jù)分析方法、思路。

2 數(shù)據(jù)化的構(gòu)建

為了能夠支撐和落實(shí)實(shí)際的業(yè)務(wù)需求，提出了構(gòu)建一個(gè)大數(shù)據(jù)智能營(yíng)銷平臺(tái)。在平臺(tái)中接入了多個(gè)業(yè)務(wù)系統(tǒng)的數(shù)據(jù)源，對(duì)數(shù)據(jù)進(jìn)行集成，并且進(jìn)行數(shù)據(jù)清洗和轉(zhuǎn)換，打通業(yè)務(wù)系統(tǒng)數(shù)據(jù)，實(shí)現(xiàn)表間關(guān)聯(lián)。同時(shí)，利用客戶信息、加油數(shù)據(jù)和購物記錄，結(jié)合業(yè)務(wù)經(jīng)驗(yàn)知識(shí)，構(gòu)建用戶標(biāo)簽體系，利用大數(shù)據(jù)技術(shù)實(shí)現(xiàn)標(biāo)簽建模，最終為客戶打上一個(gè)個(gè)的業(yè)務(wù)標(biāo)簽。

大數(shù)據(jù)智能營(yíng)銷平臺(tái)將用戶標(biāo)簽進(jìn)行可視化展示，讓業(yè)務(wù)部門人員在平臺(tái)前端進(jìn)行操作，進(jìn)行目標(biāo)客戶群篩選和客戶標(biāo)簽分析，同時(shí)可以自定義不同的目標(biāo)客戶群以支撐不同的營(yíng)銷活動(dòng)。將該系統(tǒng)與營(yíng)銷平臺(tái)打通，形成一個(gè)整體性的功能平臺(tái)，利用大數(shù)據(jù)技術(shù)支撐業(yè)務(wù)，并為客戶提供智能化的推送服務(wù)，提高客戶體驗(yàn)，實(shí)現(xiàn)銷售公司的精細(xì)化管理和運(yùn)營(yíng)。

“營(yíng)銷未動(dòng)，數(shù)據(jù)先行”。依托大數(shù)據(jù)智能營(yíng)銷平臺(tái)的智能分析能力，能夠讓營(yíng)銷活動(dòng)真正做到有據(jù)可依、有跡可循、人群洞察、精準(zhǔn)定位！大數(shù)據(jù)智能營(yíng)銷平臺(tái)融合了油品及非油品業(yè)務(wù)系統(tǒng)的全量數(shù)據(jù)，以數(shù)據(jù)為基礎(chǔ)，以標(biāo)簽為標(biāo)識(shí)，分析客戶特征，洞察群體行為，讓大數(shù)據(jù)服務(wù)于智能營(yíng)銷時(shí)代。

整個(gè)建設(shè)方案核的心包括用戶標(biāo)簽構(gòu)建和閉環(huán)智能營(yíng)銷兩部分的建設(shè)內(nèi)容。

2.1 用戶畫像的構(gòu)建

用戶畫像是整個(gè)大數(shù)據(jù)智能營(yíng)銷平臺(tái)建設(shè)的基礎(chǔ)，是真實(shí)用戶的虛擬代表，是建立在一系列真實(shí)數(shù)據(jù)之上的目標(biāo)用戶模型。方案制定主要從人群特征、加油偏好、購物偏好三個(gè)層次，進(jìn)行全面分析與刻畫用戶畫像。

2.1.1 用戶標(biāo)簽體系

用戶畫像即用戶信息標(biāo)簽化，需要為用戶打標(biāo)簽，那么前提是需要建立一套基于業(yè)務(wù)邏輯的用戶標(biāo)簽體系，能夠?qū)崿F(xiàn)對(duì)用戶構(gòu)建一個(gè)360°用戶畫像。

標(biāo)簽體系中每一個(gè)標(biāo)簽都是某一種用戶特征的符號(hào)表示。一方面，該標(biāo)簽要具有一定的群體性，在一定程度上抽象和歸納事物的特征。另一方面，使用符號(hào)來表示用戶的一類特征，可以是中文，也可以是數(shù)字。其核心就是為用戶打上的標(biāo)簽，要讓人能夠理解并且方便于計(jì)算機(jī)處理，從原始數(shù)據(jù)到最終的業(yè)務(wù)標(biāo)簽，從數(shù)據(jù)清洗到數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)，都能夠歸納和總結(jié)。

通過對(duì)某石油銷售企業(yè)業(yè)務(wù)體系和數(shù)據(jù)體系的分析，總結(jié)了三大類別的標(biāo)簽。

(1)人群特征標(biāo)簽。人群特征即用戶基礎(chǔ)屬性，反映了用戶相關(guān)的基礎(chǔ)信息，共包含15個(gè)一級(jí)標(biāo)簽，112個(gè)二級(jí)標(biāo)簽。其中一級(jí)標(biāo)簽為等級(jí)名稱、性別、所在區(qū)域、年齡、星座、私車數(shù)量、婚姻狀況、教育程度、子女狀況、月收入、職業(yè)、出生地及有無加油卡、會(huì)員卡和用戶編號(hào)。

(2)加油偏好標(biāo)簽。加油偏好，反映了與加油業(yè)務(wù)相關(guān)的用戶屬性，共12個(gè)一級(jí)標(biāo)簽，36個(gè)二級(jí)標(biāo)簽。其中一級(jí)標(biāo)簽為高頻加油站編號(hào)及名稱、高量加油站編號(hào)及名稱、高頻和高額加油油品、加油時(shí)段和加滿偏好、高標(biāo)油品和加油頻率偏好、充值和沉淀資金偏好。

(3)購物偏好標(biāo)簽。購物偏好，反映了與便利店業(yè)務(wù)相關(guān)的用戶屬性，共14個(gè)一級(jí)標(biāo)簽，47個(gè)二級(jí)標(biāo)簽。其中一級(jí)標(biāo)簽為購物單價(jià)、購物頻率、購買力、支付方式偏好、促銷偏好、優(yōu)惠券偏好、進(jìn)店率、煙草偏好、酒類偏好、飲料偏好、食品偏好、百貨偏好、汽車用品偏好、服務(wù)偏好。

2.1.2 360°用戶畫像

用戶畫像基于某石油銷售企業(yè)的多個(gè)業(yè)務(wù)系統(tǒng)數(shù)據(jù)，將多個(gè)業(yè)務(wù)數(shù)據(jù)源融合到Hive數(shù)據(jù)倉庫中，可以打通基于用戶維度的所有數(shù)據(jù)源，構(gòu)建一個(gè)完整的360°大數(shù)據(jù)用戶畫像，為精準(zhǔn)的個(gè)性化營(yíng)銷提供多維數(shù)據(jù)支持。實(shí)現(xiàn)了對(duì)用戶基本信息、會(huì)員信息、加油卡信息、加油明細(xì)、充值明細(xì)、購物明細(xì)、車輛信息、資產(chǎn)信息、wifi上網(wǎng)信息、手機(jī)終端信息等維度的全方位的畫像。

2.2 閉環(huán)智能運(yùn)營(yíng)平臺(tái)的構(gòu)建

閉環(huán)智能運(yùn)營(yíng)是根據(jù)用戶畫像的結(jié)果，結(jié)合促銷活動(dòng)的類型和內(nèi)容，通過篩選對(duì)應(yīng)群體，將促銷信息或優(yōu)惠券推送給目標(biāo)用戶；結(jié)合用戶所標(biāo)出的屬性，選擇結(jié)合用戶興趣愛好的內(nèi)容，將相關(guān)商品推送給目標(biāo)用戶。

因零售業(yè)促銷活動(dòng)頻繁、情況多變、人群靈活多變的業(yè)務(wù)特點(diǎn)，運(yùn)營(yíng)方案設(shè)計(jì)了一套靈活可配、簡(jiǎn)單易用、一鍵式操作的智能營(yíng)銷系統(tǒng)。靈活可配，體現(xiàn)在人群篩選的靈活，可以隨意篩選組合所需的標(biāo)簽，實(shí)現(xiàn)精準(zhǔn)定位的人群，并保存已完成的篩選條件形成預(yù)制群體；簡(jiǎn)單易用，體現(xiàn)在每步操作都有完整的幫助文檔，每個(gè)輸出都有相應(yīng)的解釋提示，界面設(shè)計(jì)清晰簡(jiǎn)潔，使業(yè)務(wù)人員可以輕松地完成整個(gè)活動(dòng)策劃；一鍵式操作，體現(xiàn)在營(yíng)銷管家做到了閉環(huán)管理，從活動(dòng)策劃、人群篩選、優(yōu)惠券發(fā)放、效果評(píng)估實(shí)現(xiàn)了全流程閉環(huán)操作，一步到位，不需切換其他系統(tǒng)或反復(fù)切換頁面。

為了實(shí)現(xiàn)對(duì)促銷活動(dòng)的后期評(píng)估，使活動(dòng)好壞有據(jù)可依，并幫助業(yè)務(wù)人員優(yōu)化未來的促銷活動(dòng)。在促銷開始后系統(tǒng)會(huì)實(shí)時(shí)統(tǒng)計(jì)優(yōu)惠券的使用情況，使業(yè)務(wù)人員從活動(dòng)開始到活動(dòng)結(jié)束都能及時(shí)了解促銷活動(dòng)的動(dòng)態(tài)，并在活動(dòng)下架的時(shí)候?qū)Ρ敬位顒?dòng)進(jìn)行評(píng)估、總結(jié)當(dāng)期經(jīng)驗(yàn)和未來的促銷提供經(jīng)驗(yàn)。

2.2.1 大數(shù)據(jù)精準(zhǔn)推送的應(yīng)用

基于大數(shù)據(jù)技術(shù)構(gòu)建的客戶畫像標(biāo)簽，為銷售企業(yè)的精準(zhǔn)營(yíng)銷服務(wù)可提供客戶分群支撐，實(shí)現(xiàn)營(yíng)銷產(chǎn)品與目標(biāo)潛在用戶的精準(zhǔn)匹配，讓業(yè)務(wù)人員完成促銷活動(dòng)的一鍵式智能營(yíng)銷，精準(zhǔn)推送優(yōu)惠券、通知消息、廣告鏈接等以至目標(biāo)客戶群，并及時(shí)追蹤營(yíng)銷活動(dòng)效果(圖3)。

圖3 大數(shù)據(jù)精準(zhǔn)推送模型

2.2.2 加油站客戶流失預(yù)警的應(yīng)用

基于大數(shù)據(jù)技術(shù)構(gòu)建客戶畫像標(biāo)簽，針對(duì)客戶的加油時(shí)間、加油頻率、加油量等計(jì)算出客戶流失類型標(biāo)簽，同時(shí)采用RFM技術(shù)建立客戶流失預(yù)測(cè)模型(圖4)，對(duì)流失客戶進(jìn)行客戶價(jià)值細(xì)分。針對(duì)高價(jià)值的即將流失的客戶進(jìn)行挽留，對(duì)沉睡客戶進(jìn)行激活和已流失客戶的召回。

圖4 客戶流失預(yù)警模型

2.2.3 加油站客流分析的應(yīng)用

加油站客流分析圖5是通過分析線下流量的來源和影響因素，從而改進(jìn)門店當(dāng)前的經(jīng)營(yíng)現(xiàn)狀，合理安排人員規(guī)劃和庫存調(diào)度，最終實(shí)現(xiàn)降低運(yùn)營(yíng)成本，提高營(yíng)業(yè)收入的目標(biāo)。同時(shí)基于客戶wifi路徑軌跡，為客戶提供更好的vip定制服務(wù)。

圖5 客流分析模型

2.2.4 促銷商品營(yíng)銷分析的應(yīng)用

營(yíng)銷分析(圖6)基于多個(gè)業(yè)務(wù)系統(tǒng)數(shù)據(jù)源，對(duì)銷量、庫存量、客流量、進(jìn)店率等指標(biāo)進(jìn)行可視化分析，可以按店、按區(qū)進(jìn)行細(xì)分。營(yíng)銷分析以大數(shù)據(jù)多維分析技術(shù)和數(shù)據(jù)倉庫技術(shù)為支撐，支持時(shí)間趨勢(shì)上的銷量預(yù)測(cè)分析，讓企業(yè)更好地洞察商品的營(yíng)銷趨勢(shì)，進(jìn)行智能決策，促銷商品營(yíng)銷分析模型見圖6。

圖6 促銷商品營(yíng)銷分析模型

2.2.5 風(fēng)險(xiǎn)防控的應(yīng)用

風(fēng)險(xiǎn)防控(圖7)大數(shù)據(jù)的應(yīng)用是通過用戶信息數(shù)據(jù)、用戶購物數(shù)據(jù)、辦卡信息。消費(fèi)紀(jì)錄，充值記錄等，基于大數(shù)據(jù)算法與業(yè)務(wù)規(guī)則，防范經(jīng)營(yíng)中面臨的法律風(fēng)險(xiǎn)、信用風(fēng)險(xiǎn)、操作風(fēng)險(xiǎn)等。實(shí)時(shí)提供異常預(yù)警，以輔助運(yùn)營(yíng)人員快速發(fā)現(xiàn)異常情況，減少違法違紀(jì)案件的發(fā)生，風(fēng)險(xiǎn)防控模型見圖7所示。

圖7 風(fēng)險(xiǎn)防控模型

3 總結(jié)

在新興互聯(lián)網(wǎng)企業(yè)，數(shù)據(jù)化運(yùn)營(yíng)已然不可或缺，其在企業(yè)運(yùn)營(yíng)管理等方面起著至關(guān)重要的作用，但是對(duì)于傳統(tǒng)企業(yè)來說，如何構(gòu)建適合自己的數(shù)據(jù)化運(yùn)營(yíng)體系，仍需要根據(jù)企業(yè)自身狀況不斷的探索、實(shí)踐、總結(jié)。目前，國內(nèi)大量傳統(tǒng)企業(yè)已開始相關(guān)業(yè)務(wù)探索、實(shí)踐。筆者相信在未來一兩年內(nèi)，數(shù)據(jù)化運(yùn)營(yíng)將成為眾多傳統(tǒng)企業(yè)發(fā)展的催化劑。在未來，率先建立起數(shù)據(jù)化運(yùn)營(yíng)的傳統(tǒng)企業(yè)，定會(huì)成為行業(yè)中的領(lǐng)頭羊。