09 混、通、晒，阿里巴巴数据化运营的内三板斧

当谈到阿里巴巴的数据化运营时，我首先想到的就是“人”，我们太多的时间都在讨论我们应该要做什么，却很少会反过来想如果要让数据化运营落地首先要从“人”做起，所以在这里想跟大家分享的秘密是，数据化运营的内功是什么呢？简单来说，就是利用好“混、通、晒”这三板斧。

混，“混 ”出数据

只有具备商业敏感的数据分析师，才会懂得使用什么数据来驱动公司实现经营目标。数据部的人要和业务部的人经常“混”在一起。

现在的很多数据分析师，当面对专业范围内“怎么算回归”、“怎么画函数”的问题时，他们常常游刃有余，但在实际工作中却往往缺乏商业意识。如果数据分析师缺乏商业意识，那么公司就成了“盲人”——分析师不知道该使用怎样的逻辑去分析数据，而公司的决策层也得不到任何有价值的参考意见。

现在绝大多数CEO都在抱怨，每天都要看一大堆零零散散的数据。造成这种局面的原因就是，数据分析师们只是单纯地把数据传递给了管理者，却没有向管理者解释这些呈现用户行为的数据和能够在商业上产生价值的数据之间的内在关系。

CEO是没有多余精力来解读页面浏览量（PV）和独立访客（UV）等数据的。他们只需要知道数据是否有问题、反映了什么问题、最近有什么新的发现以及需要我们做出什么样的改变。

简单来说，具有商业意识的数据分析师，在监测到网站上婴儿车销量增加的情况时，基本就可以预测到奶粉的销量也会随之上升。而且，也只有具备商业敏感的数据分析师，才会懂得用什么数据来驱动公司实现经营目标。

数据分析师要怎么才能拥有商业敏感呢？我觉得就要靠“混”。

什么是“混”？我先举一个例子，比如，我以前公司的CEO就跟我说：“你每周要跟管理业务的负责人吃两顿饭，最起码两顿，这就是你的KPI。”

我认为，这就是“混”。作为数据分析师，如果不和业务部混在一起，又怎么会知道业务部在做什么。商业敏感是要靠“混”出来的，它并不会凭空出现在你的面前。从更深层次来说，数据部的人要和业务部的人经常混在一起，比如参加业务部的周会、业务规划讨论会、头脑风暴等，或者去业务部定期轮岗、互通周报邮件，一起喝茶、吃饭等。现在在公司里，我最不希望看到数据分析师长时间地坐在自己的位置上埋头苦干，我更愿意看到他们和业务人员“混”成一片。

比如，我让数据分析师们在发给我的周报里，一定要讲到业务方的动态。而且，我给他们的考评标准是，千万不要让我看见业务方发过来的周报里面有的内容，你的周报里没有。我认为，要实现这一要求最基础的出发点是，数据分析师一定要跟业务方沟通，才有可能服务于他们。

通，打“通”“混” 的数据

“通”是“混、通、晒”里最关键的连接点。知道带着业务问题来看数据或者带着数据来看业务，这就是做到了“通”。

当你与业务人员“混”得足够熟时，在看到某些数据后，你自然就会明白，“哦，这个数据跟商业决策绝对有着莫大的关系。”

当前，各电商公司在评估公司经营状况时越来越依赖数据。但是，在今天，很少有电商敢完全肯定地说，自己掌握了体现公司状况较完整的数据。对于公司主管来说，一是因为很多电商在开始收集数据时，会发现数据非常散乱，分布在不同的数据收集渠道和运营人员——公司的核心人群手里，这就使得数据流非常“堵”；另一个问题是，绝大多数电商缺乏大数据运营的经验，只是收集了很“散”的数据，却不知道如何利用，也不知道让哪些数据关联起来。

从客观角度来看，数据运营的方方面面都可能存在影响数据精准度的“噪音”。数据本身是客观的，但它很容易受到产品和运营人员的影响——产品目的的导向会影响运营人员的想法，而运营人员的想法则会影响样本获取的精准度，这就造成了数据在不同人眼中出现不同结果的情形。以转化率为例，市场部门和运营部门对于“转化率”的想法是不同的，如果公司内部的数据标准没有“打通”一致，公司决策时被数据迷惑和误导的可能性就会被放大。

因此你会发现，问题最后还是要归结到“人”和“公司”上来。如果不能“通”到商业环境里，即使数据很多也没有任何价值。坚持带着业务问题来观察数据或者带着数据来观察业务，兼备二者的敏感，就是做到了“通”。有些人在很短的时间里就能判断出数据是否有价值，就是因为“混通”了。

值得注意的是，“通”有两个场景。比如说，现在有一个商业场景和一堆数据，这两者产生关系时，就是商业模式和数据彼此的“通”，我们可以称它为“数据中间层”，简单来说，它就是能够敏感地反映出商业变化的数据群（Smart Data Set）。

另外一种更深入的“通”，就是存在于公司组织中的数据。譬如，有一个商业问题，但是需要数据A和B、C、D互通，才能解决。举例说明，今天的退款非常多，我会去做的第一件事情可能是去察看营销部门的数据，我看到今天UV猛增，所以退款才特别多，这是可能合理的。但是，我从客服数据中发现一些退款是少量的卖家产生出来的，那就另当别论了，因为这说明这个商业场景也有可能是作弊，此时就需要对营销、客服和风控等多组数据综合起来进行解释。所以，把数据打通，一是商业理解和数据之间的“通”，另一种就是部门数据和部门数据的交叉。

现实中的“不通”，也有两种：一种是从人的角度来说的，比如说人在思考上的“不通”；另一种则是从公司的角度来说的，比如在架构上的“不通”。这两者角度不同，造成的损失也会有差别。大部分的公司都会出现“不通”的情况，比如，部门与部门的隔离打乱了整个流程的连贯性，财务部门对产品、市场和运营等的不敏感，可能会把数据打散，这样一来，商业活动就根本没有办法继续进行。

想做到数据的积累和沉淀，想要打通数据，建立合理的系统是不二之选。首先，做好数据安全工作，以保证公司内部不同职位的员工可以察看不同的数据；然后，统一不同部门的数据标准，使公司内部数据有统一的接口，避免混乱；最后，关联不同部门的数据，创造机会让数据的运营可以扩散至数据部门之外。

“通”是“混、通、晒”里最关键的连接点。以前，数据量没这么大的时候，公司“混”完就“晒”了，完全凭借商业敏感去运营数据。而现在海量数据成为主流，“通”也就成为了运营数据不可或缺的一部分。

晒，“晒”出“混”和“通”的数据

数据能不能做到在获取、使用、分享、协同、连接、组合之上让自己变得超级简单和便捷，这是数据化运营里面非常重要的一点，这也正是“晒”的内容。

“晒”是一种在“混”和“通”的基础上产生出来的最终的数据表现，是基于人、商业和数据结合后的一种看数据和用数据的方法论。

在“晒”数据层面上，通常是通过数据来回答这几个问题：业务好还是不好，数据如何改变可以让业务更好，如何利用数据帮助业务发现机会，甚至产生出新的商业价值。这些问题看起来是递进关系，其实不然，因为具体应该用数据解决什么问题，要根据业务的场景来决定。每一个问题都有不同的回答方法，接下来具体讨论一下这些方法。

数据需要有框架可依：数据如何来证明业务好还是不好

这个问题用更专业的语言来说，就是如何搭建数据的框架，并通过数据框架来解答业务水平的好坏。所谓的框架就是，对一个业务进行指标化的分解，并通过有限多个指标来客观描述业务的状况。指标化的分解是为了能够快速地定位到问题。

举例来说，每个人一生中都可能因为感冒去医院看病，很多医生一般都会先让病人验血，再从化验单里判断是病毒感染，还是细菌感染，或者其他感染因素，然后根据化验单的指标来对症下药。而数据框架的作用正是如此。

比如，某电商网站今天的成交额提升了30%，那么这是不是一个值得高兴的数据呢？我们无法直接给出答案，此时，就应该让数据告诉我们，假如是因为投放了外部广告，才使得成交额提升，那么，这就是一个客观的描述，我们要做的不是看成交额的高低，而是应该评价广告效果的好坏。

在电子商务领域，评价业务水平通常有两套指标，一套是常用的计算成交额的方法，即流量×转化率×客单价=成交额，它能够评价一个类目、一个商品的健康度。另外一套指标在商品大促的时候使用居多，即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=大促成交额，因为经验转化率和经验成交额占比通常是两个固定的数据，所以只要看看购物车有多少商品及其价值，基本上就能算出来大概会有多少成交额了。这就是数据框架的作用，它使我们分清楚了业务的状况。

但是，业务水平的好坏需要进行不断的比较，单独一个数字是没有意义的，比如180这个数据，从表面上看，没有任何意义，但是如果有比较，这个数据就有了意义。如果是身高180厘米的男性，那就算是高个子，因为中国人的平均身高可能只有170厘米；如果是汽车时速180公里，那就是危险速度，因为高速公路的限速是时速120公里，它已经属于超速50%，是危险驾驶。推及业务上，业务需要进行比较才能判断好坏，而比较的前提就是要不断地去寻找比较对象，拿电商的大促活动来说，至少需要进行三个参照组的比较才能区分业务水平的好坏，分别是：这次大促对比平时的涨幅、这次大促和上次同等规模大促的涨幅、这次大促同比涨幅对比上次大促同比涨幅，经过这些比较，才能客观地评价大促的效果到底好不好，如果没有选对参照系，那很有可能得出错误的结论。而要选择正确的参考系，就需要分析师具有很强的商业敏感，而这种商业敏感就来自 “混”和“通”。

除了搭建数据框架之外，好的展现形式也必不可少，最典型的就是图和表。但是，现实中很多人不知道图和表到底该用在什么地方，现在就介绍几个小诀窍。如果业务场景是要查找精确的数据时，用图，就错了；如果业务场景要观察变化趋势却用了表，那也错了。一个好的分析师，不论是设计数据产品还是做图表都需要有很好的“晒”的意识，而且还要让“晒”出去的数据能够吸引到更多人的注意。

数据如何改变可以让业务更好

这一过程就是通过数据发现问题，并解决问题。就如之前说到的化验单的例子一样，通过数据的分析找出问题的症结，并进行有针对性的优化，这样的例子在阿里巴巴几乎是天天都在发生，以下就是一个相关的例子。

数据分析实例

淘宝有一个“二手闲置”业务，它与淘宝主站笔记本类目有一个合作项目——以旧换新。用户在二手闲置频道“甩旧”（卖出二手商品）后，就可以获得在笔记本类目以优惠价“买新”的资格，而且在“甩旧+买新”两步骤都完成后，还可以获得数百元的集分宝。从项目描述来看，整个交易原理并不复杂。

那么，在项目上线后，整个市场反馈如何，用户是不是买账呢？根据淘宝后台的数据显示，整个活动的流量漏斗效应非常严重。大量参与活动的用户中，最后成功“以旧换新”的寥寥无几，整体转化率非常低。那么，问题出在哪里呢？事实上，这还是要从数据切入查找原因。

● “估价”到“售旧”环节用户流失率最高；

● 在流量来源监控中，其中一个渠道的转化率几乎为0；

● 手机及平板的回收转化率明显高于笔记本用户；

● 在已成功回收的商品中，宏、联想、三星等品牌占比最高；

● 在成功购新的商品中，价位以3 000~4 000元为主；

● 在来访用户中，男性居多。

通过上面这些数据反映出的问题，我们可以做以下4大方面的改进。

● “以旧换新”整体步骤过多，漏斗效应非常明显——需要首先在“估价”到“售旧”中优化并简化流程；

● 尽管“以旧换新”给活动带来了不少流量，但这些流量几乎无后续转化——流量来源需要调整；

● 用户对品牌属性、价格高低是有偏好的——橱窗展示商品的品牌和价格也可优化；

● 来访用户中男性居多，细化分析后发现少男（20~25岁）和轻熟男（25~30岁）为主要群体——广告定投。

基于上面的数据和发现，后续的数据落地动作也就清晰起来，具体做法有如下3个方面。

● 流程以简单化为原则，对于用户流失严重的环节，进行较大调整。

● 流量精准度。“以旧换新”项目二期流量投放上选择以少男和轻熟男为主的流量源，放弃有流量无转化的渠道。

● 商品选择。将联想、宏等品牌放在较明显的位置；推荐商品价位下调（由原来的7 000元以上下调至3 000~4 000元或4 000以上为主）。

经过这样的调整后，淘宝“以旧换新”二期活动的效果明显，整体转化率提升了6倍左右。

如何利用数据帮助业务发现机会

利用数据帮助业务发现机会就涉及具体数据在业务场景中的应用了，这里最核心的价值点就是使数据变成人人都要用，而且是人人都必须用。我曾经提出过一个理念，就是人人都是数据分析师，也就是说让公司的业务人员都能够通过数据去做决策，让数据来驱动业务，以实现真正的数据化运营。比如，有一个团购网站就做得非常好。这个网站的运营领导和一线运营主管都有非常好的数据意识，他们和数据分析师“混”和“通”了之后，非常清楚地知道数据能够解决什么问题，并和数据分析师一起对网站的主要流程进行了剖析，最终得出了以下5个观点。

1. 网站流量和页面有限，必须个性化；

2. 商品的进入是公司成败的关键，必须选对商品；

3. 销售过程中可能会出现断货的情况，必须有销量预测；

4. 价格是竞争的核心，必须关注竞争对手；

5. 服务是核心，必须关注发货速度和用户投诉。

定位了这些问题之后，就开始着手进行解决，对于个性化、选品和销量预测等问题，数据分析师迅速跟进，并进行数据模型建设；对于价格和服务的问题，他们建立起了专门的预警系统来进行观测。这样一来，数据运营得非常好，对业务的提升也起到了很大的作用。

用数据如何创造出新的商业价值

为了说明此问题，我在这里举一个阿里金融的例子。阿里有一句话，叫作“让信用变成财富”，阿里金融也正是这样的。阿里金融的核心就是通过数据来计算客户的信用水平，并通过信用来对客户进行授信，让客户能够方便快捷地获得所需要的资金。基于这种信用模式，越来越多的相关产品被开发出来。其核心就是通过业务和数据的结合，将数据“晒”出来，从而形成一种竞争力。

“晒”是产生力量的过程，以上是数据化运营中的“晒”，同样适用于企业内部。对数据分析师来说，说服别人才是“晒”，如果从产品场景来讲，就需要说服产品经理把某个东西放在产品里面，这就是数据工具体验上的一大难题了。公司架构上没问题了，但是数据工具不便于使用，用户体验自然就不令用户满意了。

所以，数据能不能做到在获取、使用、分享、协同、连接、组合之上让自己变得超级简单和便捷，这是数据化运营里面非常重要的一点，这也正是“晒”的内容。数据分析师一定要让数据变得简单，只有这样才不会出现前面所说的——收集数据的不知道怎么用，用数据的不知道数据是怎么来的。也正是因为数据很复杂，假如数据分析师无法将之变得简单，管理和运营的工作人员自然会产生困惑，也就不可能真正做到“通”和“晒”。

阿里巴巴的“混、通、晒”三板斧其实是配合了数据方法论与人的修练，能做到借事修人，让用数据的人在数据中成长，循序渐进地让每个人都成为数据分析师。