0　数据运营概论

近些年，企业内部数据整合的需求催生了首席数据官。虽然在不同发展阶段的企业里，数据所属的阶段也不同，就算同样的职位名称“数据分析师”，其实际所做的具体工作也可能大相径庭。但其工作本质都是，为企业不断开创和建立数据组织，以期从数据中获得有用的信息情报。随着数据在企业内部的进一步深入和应用，将产生新的职能：新型的数据运营团队。

数据运营在现实中存在的问题

随着互联网深入各行各业，在数据大量产生的同时，数据使用能力成为制约各行各业发展的门槛。企业的日常运营工作无时无刻不在产生大量数据信息，这些数据该如何采集、分析、应用并最终产生商业价值？

在实际的商业工作中，数据运营遇到了大量现实的问题。

● 企业现存的数据应该怎么利用起来？

● 如果要发展企业的数据能力，应该怎么做，哪些部门需要做增量，该采集什么数据？

● 采集的数据应该怎么使用？

● 不同的分析技术和可视化方法适用于所有的商业问题吗？

● 分析后的数据真的可以为企业带来价值吗？

这些问题在企业各级员工的心中都打着问号，但是由于互联网化的快速推进，数据化席卷了各行各业，在这股力量中，无论企业是否懂得该如何做，都争先恐后或者不得不先做起来。然而，对于数据的使用，就如同医生诊断病人，需要有科学的办法和经验积累的过程。如果学艺不精，则数据运营不仅起不到为企业带来价值的作用，还会引导企业误入歧途。我相信，这样的风险正在逐渐上演。

2015年，我开始在在行分享对数据运营的一些看法，有幸接触到了各行各业对数据有需求的人，有美容行业的，也有动漫音乐行业的，虽然需要诊断的业务需求不同，但是大家都渴望用一种通用且容易复制的方法去解决现存的问题。

与此同时，随着信息资讯的不断发展，每个人都可以很快在互联网上找到类似的经验分享或者专家法则。通过浏览几篇文章或者咨询几位数据从业人员，就希望可以得到解决自身企业问题的方法论，这样往往是危险的。对于企业问题的诊断，需要结合的信息非常复杂，从宏观的经济政策、国内环境，到微观的行业市场、企业地位，再到内部的产品阶段、人事财务、战略目标、经营目标、团队管理，都有关系。如果仅仅从数据的角度去解决商业的问题，往往无法做到。只有从宏观到微观、从外部到内部、从上到下，用数据击穿业务链路，串联起彼此的关系，才具备解决问题的基础思维框架。与此同时，要辅以专业的解读才可以真正定位问题，解决问题。

任何不负责任的局部判断或者杂糅错误采集的数据信息都有可能导致最终的决策出问题。

数据的解读需要专业人士极大的耐心和责任心，要真正解决问题，而不是看上去解决了问题。

真正可以让数据价值得以发挥的方法是什么？

笔者旨在提供企业切实可用的数据运营方法，并以给企业带来价值为目标，击穿这一问题。希望当数据化大潮来临时，为企业的发展尽一份微薄之力。

首先，信息技术只能解决一部分问题。目前在大数据技术、数据挖掘方面，市面上均有不少著作，让数据市场增益不少。但是在应用层面，市场上绝大多数企业并不具备互联网企业的技术实力和数据积累，受困于成本原因和数据严重不足的局面，这些高阶的技术至少在现阶段仍无法使用。在业务尚未清晰的情况下，盲目地迷信数据可以解决业务问题，也不切实际。

解决实际的商业问题只能依靠具备行业经验的专家，而这部分能力需要长时间的沉淀，以及对于行业的深度了解。对于数据背后的商业逻辑理解，对于数据背后的商业规则明晰，对于数据之间的钩稽关系，都需要基于业务的先后和进入的快慢，结合企业的目标，进行指标树的建立，让数据在指标树里流动起来，让企业内部的数据像血液一样流动，激发企业心脏活力，让整个企业运营“活起来”。

数据发挥价值步骤

企业从挖掘到发挥数据价值，分为以下步骤：链路梳理、指标建立、数据采集、数据流动、数据分析、数据运营、价值输出。

大部分非数据行业从业者将数据行业等同于数据分析行业。这是极大的误解，也让大部分人认为，数据的价值需要靠“分析”这一动作来实现，从而迷信大量分析技术和模型，希望可以通过分析技术产生数据价值。市场上衍生出来大量分析工具、分析软件，软件即服务（SaaS）应需求而生，但数据价值却在实际应用中形象模糊，好像有又好像没有。分析其背后的原因，其实这是由于产生数据价值的错误路径造成的。

分析数据，首先需要了解：数据本身是否已经足够被分析？质量是否足够好（全面、准确）？数据本身是否具备被分析的条件？对照组设置得是否合理？数据分析获得了好的效果，并不一定是分析技术有多好。其实，在实际工作中，大部分问题在数据采集阶段就已经被解决了。

数据这一概念涵盖的内容众多，为了有清晰的方向，必须对数据行业有更清晰的理解，数据分为五层：采集/获取、存储、展示、联结、智能。数据智能绝不仅仅是该层所代表的技术算法，而是各层彼此的递进整合，只有从第一层开始逐级做好，才能实现最终的数据智能。

以现实场景举例说明，某数据公司为某饼干商提供了基于包装、口味的趋势分析后，饼干商要求了解产地的趋势分析，数据公司无法提供的原因是“数据库里并没有对饼干的产地进行区分的数据”。在这种情况下，虽然数据公司有商品数据库，也有技术精良的分析人员，但无法进行准确的分析。除非回到数据采集层，重新采集商品所需的该字段数据，但这将产生巨额成本。

数据的兴起源于互联网的兴起，围绕互联网工具产生了大量数据。在初期，这些数据绝大部分是被动产生的。比如，使用作业流程管理软件主要为了管理作业流程，但是各个环节有了数据节点，围绕这些数据节点就被动产生了很多数据。这些数据产生后，被具备数据分析能力的人员收集，用来分析作业效率。

随着数据行业的逐渐发展，部分数据从业人员发现，被动产生的数据可以用来解决商业效率问题，但不足以解决所有的商业问题。解决所有商业问题所需要的数据，往往不在流程工具可以覆盖的范围内。这个时候，就需要主动获取数据。依托自身强大的技术能力，互联网企业被动产生数据的成本几乎为零，主动采集数据的成本也非常低。大部分互联网企业都会对外宣称和强调自己的数据计算能力，以及运用数据获得价值的能力，甚至直接把自己定位为数据公司，将数据作为企业的主营业务，并通过其数据能力对外部市场进行赋能。目前，加入这一阵营的互联网企业越来越多。这也是互联网企业数据成本低而传统企业数据成本高的主要原因。

互联网企业的业务均在工具里被展开，被动产生的数据在采集/获取阶段并没有成本，主要成本在存储、解析、计算和分析上，而传统企业的数据多为主动采集的数据，成本较高。同时，由于不具备存储、解析、计算的能力，转而向外寻求技术外包，甚至一部分分析工作也“在外进行”，从而可以节省精力将其投入主营业务，体现了社会分工的效率性。由于产生数据的方式不同，数据本身的质量和应用范围也十分不同。

互联网企业的数据伴随工具产生，在需要主动获取数据的时候，也会修改工具（在不影响工具功能与体验的前提下）以获取该部分数据。不过，仍旧是用户在使用线上工具时被动产生的这部分数据规模大、交互多。随着这部分规模大、交互多的数据被大家更多地了解和讨论，国际数据公司（International Data Corporation，IDC）提出了大数据区别于非大数据的四个属性，即数据规模（Volume）、快速的数据流转（Velocity）、多样的数据类型（Variety）及巨大的数据价值（Value），并由此给出了大数据的标准化定义，并拉开了大数据和小数据谁更有用之争的序幕。

在发展后期，我们逐渐发现，这样的讨论并无实际意义，数据的目标是解决实际问题，根据业务、需求场景的不同，可能单独应用大数据、小数据，或者以整合形式来解决问题。数据不分大小、量级、交互等，这些特征本就是数据自身的属性，只是技术的发展引起了某个属性值的不断突破。

在此基础上，需要提出数据价值论。规模大小、流通速度、多样性是数据的内在属性，而数据则通过业务逻辑、挖掘数据，最终创造出价值。这一属性不属于内在属性。数据是数据价值的原材料。数据的存在是为了创造价值。没有价值或者无法获得价值的数据，无论其规模、流通速度、多样性多么突出，对于企业来讲，都是成本的浪费，甚至是可能存在的对决策的误导。所以，对于数据来讲，选择合适的方法和人才，以客观严谨的态度获取数据价值，才是最关键的部分。这一部分就是数据应用环节，而这一环节在数据发展至今一直被忽视，导致大量数据成本产生，却无法创造相应的价值。数据从业人员经常说的一句话是：数据是金矿。其实数据是矿石，让矿石变金矿，需要“点石成金”的技能；找到矿山，还需要认知和远见。

数据运营行业发展情况

数据组织职能和数据行业的发展情况密不可分。随着数据在企业经营活动中的作用变得越来越重要，在企业中负责数据的人员也经历了一个演变的过程。最开始，数据从业人员起源于信息技术部，协助各部门做一些简单的数据收集和处理工作；随着数据日益增多，各个职能部门演化出专门人员从事数据统计、分析、汇报工作，这部分人往往是企业内部较为初级的人员，所做的工作也非常基础，除了简单的数理统计工作，还承担部分沟通协调工作，薪资收入处于企业内部较低的水平。

之后随着数据规模增大，数据展示在企业内部形成通用语言，对于专门技能的需求逐渐形成了专业的数据团队，比如市场数据团队、运营数据团队、人力财务数据团队等。这个时期的数据从业人员往往招募自重点院校的统计学、市场营销学和经济学专业，也有来自数学、物理或者其他理工类专业的本科生或者研究生。以外资企业为主，为该领域人才提供了良好的培训机制和具有竞争力的薪酬，以及广阔的发展空间，比如调任亚太总部或者全球总部从事更大范围研究的机会。自此，企业内部专业的数据团队逐渐完成专业化的转变，形成规模。

处于初级发展阶段的市场数据团队会娴熟地使用统计软件、办公软件集中处理部门数据。处于稳定阶段的市场数据团队主要负责市场类数据分析，如市场份额、品类增长、趋势研究、用户增长等。对内对接市场部的其他团队，如媒介、产品、营销等，支持产品定位开发、媒体投放策略和市场推广策略制定等；对外对接外部数据公司、市场研究公司等。市场数据团队的出现在发展阶段和时间上都晚于市场调研团队。市场调研团队前期主要从事市场调查研究工作，后期随着业务需求越来越多，逐渐承担更多的研究职能，成为市场研究中心。其从属于市场部或者独立存在，协助市场部进行用户调研，开展研究工作，如创新研究、渠道研究、数字化营销、用户研究、媒介研究、战略研究和投资回报率（Return On Investment，ROI）研究等。传统企业对于调研的理论和实践知识多继承自西方的企业管理科学决策方法和市场营销理论。此外，用户调研这一职能在互联网企业往往从属于产品部门。传统调研团队的具体工作包括需求确认、调研设计、信息采集、数据清理和统计分析五个主要步骤，常用的调研方法有观察法和询问法，具体应用较多的有问卷调查、桌案研究法、小组座谈法（Focus Group）和观察法。大量市场数据的整合，促使在市场研究中心内部逐渐产生了专门的市场数据团队。

以数据为驱动的市场团队，在互联网时代衍变成增长团队。这也是在大部分线上线下融合企业中，首席营销官（Chief Marketing Officer，CMO）和首席增长官（Chief Growth Officer，CGO）的职责有重合，甚至是由CGO替代CMO的本质原因。

由于支撑企业的最大利润中心与业务直接且密切相关，企业内部规模最大的数据团队往往是支持销售工作的销售数据团队。在强执行力的企业中，销售数据团队往往在各级管理层与销售团队中均有人员编制，“直线”向企业总部经营负责人首席运营官（Chief Operating Officer，COO）汇报，“虚线”向当地销售团队汇报。销售数据团队一般可分为销售工程团队、需求预测团队、物流效率团队、渠道商（主要是中间渠道商，如供应商等）数据团队、绩效管理团队和销售信息团队。

● 销售工程团队负责系统的开发统筹、需求反馈、模块更新等，一般采用外包的形式，对接外部系统开发商、系统咨询公司。

● 需求预测团队会根据各地销售的实际情况预测未来的生产需求，从而进行供应链的管理和生产优化，对于预测数据的准确度要求很高，对接销售团队与工厂管理团队。

● 物流效率团队负责管理从工厂到各地的仓储物流进度、效率管理和优化、仓储物流合作商管理，优秀的物流效率团队还会推动物流合作商基于业务需求开发专属的物流工具，制定物流方案。

● 渠道商数据团队负责合作的渠道商分级和管理等，比如渠道商区域管理范围的划分等。

● 绩效管理团队负责制定各级销售团队的绩效规则，并负责核算绩效，同时承担部分人效和编制原则制定及评估工作。

● 销售信息团队负责向各级团队提供业务分析并支持各级销售决策。与此同时，财务部和人力部出现少量专门从事数据分析的人员。

在这一时期，几乎所有部门都设置了自己的数据分析岗位，数据分析人员大量增多，在一定程度上解决了部门内部的信息需求，然而不同的分析立场、角度、内容和能力导致各部门输出的结论无法融合，甚至南辕北辙，不同的分析标准、逻辑、体系，以及“接驳”环节的缺乏也让部门间的信息沟通无法有效进行。很多管理会议讨论到最后才发现，分歧产生的原因在于彼此间的数据定义不同，管理会议变成了数据会议。

随着企业内部数据的大量产生和数据解析复杂性的提高，衍生出了专门处理数据的商业智能（Business Intelligence，BI）团队。传统企业里的商业智能部一般直接向首席执行官（Chief Executive Officer，CEO）汇报，主要负责企业内外部所有信息的整合分析，通常需要同时具备资深的业务经验和数据分析能力，协助企业高级管理层、董事会完成经营分析、市场决策。商业智能部的经营分析往往覆盖市场部、销售部、客户服务部、人力部和财务部等多个部门，负责管理会议、董事会会议上的经营汇报，并提供预算分配、目标制定建议。同时，提供市场行业研究、竞争对手分析，并提供企业战略、策略支持。

互联网企业的商业智能部的职责范围略有不同，大部分独立于战略发展部，主要承担经营分析工作和支持CEO的研究需求，并拆分出支持各个业务线的BI；在支持业务线发展的同时，协助CEO及时了解各个事业部的发展情况，并进行战略、策略的上传下达，沟通推进工作。经营分析的范围往往不涉及人力、财务，主要集中在经营业务层面。互联网企业数据的丰富性让企业内部每个人都具备使用数据的能力，在这个阶段，似乎“人人都是数据分析师”，所有的内部沟通和决策均广泛地使用数据来沟通。在实际工作中，为了得到灵活且客观的结果，互联网企业均有专业的数据团队，一般分为算法、技术、分析三个主要职能，承担获取底层数据（数据埋点）、建立数据仓库与中间层、建立指标与指标树、开发数据分析工具、提供整合数据分析及数据可视化等工作。除了按照职能，还会按照业务、事业部等分成支持不同业务单元的分析师。

近些年，企业内部数据整合的需求催生了首席数据官（Chief Data Officer，CDO）。虽然在不同发展阶段的企业里，数据所属的阶段也不同，就算同样的职位名称“数据分析师”，其实际所做的具体工作也可能大相径庭。但其工作本质都是，为企业不断开创和建立数据组织，以期从数据中获得有用的信息情报。随着数据在企业内部进一步深入和应用，将产生新的职能：新型的数据运营团队。

对比传统的运营团队，新型的数据运营团队提供了效率更高的运营模式，从人力需求、响应速度、培训成本上都具备明显的优势，需要借助数据作决策的环节会直接由数据作决策建议。人只需依据标准参考值和实际产生值作决定即可。由于数据是商业世界的通用语言，沟通和协调的工作可以全部由数据完成，从而极大地提高运营效率。传统企业里几十人的运营团队的工作，在搭建完数据运营模式后，往往只需要四五个人即可。未来五年，将出现一个趋势—企业运营数字化，这一趋势里蕴含着巨大的机会。在此基础上，会出现统筹整个企业数据工作的数据价值官（Data Value Office，DVO），这类人员不仅管理企业内部的数据，数字化运营企业，还会结合外部各类情报信息，整合解析，运用数据为企业创造价值，并最终对企业的利润负责。

数据运营在替代传统运营的同时，会被拆分为追求增长的市场/用户运营（增长线），以及提升内部效率的销售运营（运营线）。目前已经普遍存在的BI部门仍会继续存在，以管理层、智囊决策层的角色切入日常运营，从某种意义上说，承担的是企业内部各职能部门统筹整合的决策运营工作，未来或属于数据运营的一部分，支持顶层决策。

传统企业的数据分析师的薪酬分为两部分：基准工资与业务绩效。

“直线”归属的数据部门决定招募、定级基准工资水平；“虚线”归属的业务部门是人员的实际使用部门，分析师的绩效与所支持的业务绩效挂钩。比如，支持城市的数据分析师，如果城市的目标完成，则分析师也会获得绩效激励；支持全国的数据分析师，只有全国的绩效完成，才可以得到绩效激励。与传统企业不同，线上企业的绝大多数数据分析师的绩效不与其支持的业务挂钩，而来源于周期性的管理层定性评价。由于并不用对自己的分析建议引致的结果负责，分析师往往只会完成上级交代的工作，而对于分析结果对业务的实际作用不做深入的理解及评估。这一点，有点类似内部的咨询公司，基于需求方的要求，提供数据咨询服务和支持，但不对结果负责。这里涉及数据分析师的定位问题。

为了让数据分析师的输出更有价值，企业内部最有效的做法是将数据分析师的绩效与其所支持的业务、项目目标达成情况“挂钩”，从而激发数据分析师的自我驱动力。

无论是传统企业，还是互联网企业，对应企业数据多样的需求与高强度的工作，好的数据分析人才在内部均为稀缺的资源。成熟的数据行业人才更像经验丰富的企业医生，为企业诊断关键问题提供解决方案，对症下药。由于数据行业属于新兴行业，并在这几年逐渐趋于成熟，海内外院校在2016年开始逐渐开设商业分析专业以应对市场需求，以香港大学商业分析（MSc in Business Analytics，MSBA）课程为例，课程长度为1年，即2个学期，课程费用为25万港元，课程结构如下图所示。

从课程结构可以看出，对于商业分析师的技能培养，覆盖了三个方面：信息技术能力、数学计算能力，以及商业理解和经营能力。不仅教授基础数据涉及的技术和语言，还涉及数学建模，而且开设了市场、运营、财务、供应链数据相关课程，并以商业智能分析为主修的核心课程。这一设计基本满足了市场需求，并为商业分析人才在未来快速进入数据行业发展提供了能力基础。

数据是物理世界向虚拟世界转化的媒介，是虚拟世界里流动的“血液”，而数据运营体系就是虚拟世界里的“神经系统”。

数据运营的基础重点在于做好数据行业的第一层：采集，即获取运营所需的数据。要满足这一需求，必须了解要运营的业务，以及该业务要达成的目标。在任何时候发现运营不出效果，则返回第一步，评估梳理业务，并评估业务目标是否合理，进一步明晰目标。