本文根据神策数据创始人&CEO 桑文锋在 CSDI 举办的“2019 年中国软件研发管理行业技术峰会”上发表的“面向数据流的产品迭代及业务闭环”主题演讲整理而成。
温馨提示：点击阅读原文，可下载完整版演讲 PPT。
本文将为你重点介绍：
-
企业数据化成熟度模型
-
信息化建设的现状与挑战
-
信息化建设由面向“业务流”转变为“数据流”
-
企业的数据化组织建设
-
面向数据流建设的产品迭代和运营革新
数据驱动智能运营
一、企业数据化成熟度模型
我从 2007 年浙大毕业到在百度任职 8 年，再到 2015 年从百度离开创建神策数据一直从事的都是与大数据相关的事情。
如今，神策数据在 4 年中已经积累了超过 1000 多家付费企业客户，在服务这些企业的实践过程中，我一直在思考如何进行企业的数据化建设，认知也在不断刷新与重构，现阶段的认识可以用一张图来概括，如下：
我认为企业的数据化总体上可从两个角度来看：
第一个是信息化，信息化包含 IT 化和 DT 化两部分，数据化的前提是 IT 化，只有具备 IT 基础，才能更好地支撑数据，而现在我们谈的数字化转型建设，也只是信息化建设的新阶段，在更早的阶段中，企业只是做 IT 化，如企业开始引入 ERP 系统、财务系统、人事系统等形成 IT 基础，而现在就处于信息化的第二个阶段 DT 化建设阶段；
第二个是组织，关于组织首先要重视的是数据意识，即企业中的每个人是否具备数据思维以及是否成熟，另外要重视的是组织架构，包含组织和流程是否完善，
下面我将从这两个角度进一步展开介绍。
二、信息化建设的现状与挑战
个人认为，中国的信息化建设经历两个阶段：
其一， IT 化阶段（2000-2015），众多企业做了 OA、ERP、CRM 等的开发和应用，这些实际上是在解决指令的下达和传递问题，比如通过电子邮件可以把一个决策立刻传达下去；
其二，DT 化阶段（2015-2030），DT 化阶段我预计有 15 年的时间窗口，目前我们处于数据化建设阶段，这个阶段与 IT 化阶段的目标不一样，IT 化阶段主要让企业的系统更完善，而在 DT 化阶段需要在基础设施的基础上加强流程管理，与生产经营环节关联，尝试通过数字化的角度进行优化、创新与升级，这个阶段与业务联系更紧密。
在 IT 化阶段，从根本上来说存在“面向业务流的信息化建设”的核心问题，可以从传统和互联网两个角度来看。
1.面向业务流的信息化建设（传统）
传统企业，在企业的发展中工作结构和方式发生了从纯人工，到引入机器，再到建设 IT 系统的转变，特别是一些大型企业，IT 系统是必备的，且 IT 系统在企业中承担的角色是面向业务流的。
例如，某个集团性公司的运作机制，会形成如上图的网状结构，一系列 IT 系统和不同职能线的人构成了整个服务体系，意味着缺少了人，这个体系就无法运转。
2.面向业务流的信息化建设（互联网）
互联网企业相比传统企业，整个体系运作起来相对完善，如阿里、头条、百度等这些互联网公司通过接近 20 年的发展，即使在一天内没有人工工作，整个服务受到的影响也不会很大，因为整个服务和系统的 IT 化还可以支持企业正常的有效运转。
具体来说，IT系统可以提高企业与用户的连接，但用户使用 IT 化系统的过程中，用户需求是否被有效地反馈很难决断，机器拥有的互动性和理解力与人相比，还是相差很多，这也意味着数据化的程度还不够，因为获得用户的真实反馈需要通过数据分析得出。
总体来说，数据只是 IT 化的副产品。
可能有人会疑问数据库中存在大量的数据不能称之为数据化吗？
答案是不能。
企业要通过数据最终实现的目的来判断，数据库中的数据存在只是为了让业务正常运转，但真正把数据库用于数据分析、数据挖掘时，企业会发现数据非常的不全面且零散，很多字段无法连通，进行有效的使用。
所以，归根到底是底层思路的问题，企业不是围绕数据驱动业务的目的进行的数据化建设。
三、信息化建设由面向“业务流”转变为面向“数据流”
不难看出，解决信息化建设的根本问题，要在整个企业信息化建设过程中，实现面向“业务流”到面向“数据流”的转变，不单只是考虑业务流，而是更多考虑如何把整个数据体系建立起来，来支撑业务更好地发展。
具体来说，业务流主要针对目标的实现，一般为老板定目标员工执行，而数据流是将目标和执行统筹到数据流中，如下图，在这个过程中，存在 N 个 IT 系统构成的管道来汇聚数据流为数据化提供支架，在这个过程中，需要打通每个系统，让每个系统的组件都能成为数据流的支撑，要思考每个系统可提供什么数据，数据是否全面和细致等，各个系统的打通是一个系统工程，企业需要构建好这个工程来作为数据流建设的基础。
而数据流的上一层是应用层，包括渠道效果评估、产品优化迭代、用户精细化运营、客户生命周期管理、产品智能改造等业务部分。
如图所示，不管是数据流，还是阿里提出的数据中台背后的理念都是一致的，未来 IT 系统的定位将改变，以前 IT 系统是核心，未来建 IT 系统是为了更好地收集数据，使数据流更高效地流转，最后再建立应用层，这不只是为了完成某个业务，而是构造一个可以支撑长远价值的系统工程，如不管是业务本身还是科学决策和产品智能都能更好地实现。
以神策数据的 ToB 数据流建设为例
神策数据就是 ToB 数据流建设的一个很好的例子，神策数据的整个业务对外有三个重要的环节：
市场营销、销售和客户成功。
这三个环节覆盖了神策数据服务客户的整个全生命周期，不同的环节都会产生一些数据，通过整合营销、售前行为、销售行为、客户行为、业务等数据建立数据流，虽然建立的过程会出现一些挑战，但是一旦建立了完善的数据流，就会消除不同团队、各业务之间的割裂，让各部门为同一目标而努力（如下图），加速公司目标的实现，这与传统相比是一种企业整体运营思路上的革新。
而关于数据流的建设可以用下面一张图来概括：
该图为神策分析的数据流架构图，数据流的建设各有不同，但都可以简单分为开源组件与企业自主开发的组件两部分整合构成，如上图中间的蓝色部分：
第一步进行数据收集，采用一些埋点工具实现数据的实时导入，然后再进行数据接收，接收后 kafka（一种高吞吐量的分布式发布订阅消息系统，它可以处理消费者规模的网站中的所有动作流数据）作为一个管道来做平常的业务行为和业务日志的采集，然后再进行数据的存储，存储分为实时和批量两类，实时的存储数据会到 kudu 里，批量的存储会通过 Parquet 这样的格式进行管理，后续再导入 Impala 的查询系统， Impala 是一个相对比较成熟的 MPP 架构的查询引擎，而且对 SQL 有着比较良好的支持。图中的
ImpalaS 是神策数据的研发团队改造和升级后的查询系统，最后是前端展示系统。
以上基本上构成了一条数据流，但只有这一条流是不够的，企业还要有一些公共的理念，如通过调度器来判断跑哪些数据、什么时候跑数据，还有监控器的配备，因为一个分布式系统牵涉到十几个模块，如果有数据没有跑出来，也很难定位哪个环节出了问题，而监控器可很好地辅助定位问题，另外还有可运维性，在我看来具备良好的可运维性可能是与分布系统的性能同等重要的事情，此外还有原数据，具备原数据的系统才可成为一个整体来支撑企业的应用，若仅用各个组件来支撑，使用的过程中可能有各种各样的依赖关系，从而引起一系列问题。
总体来说，数据流的基础架构与辅助设施的建构整体构成了一个有效的数据流。
四、企业的数据化组织建设
技术能解决很多问题，但技术解决不了所有问题，尤其是关于人的问题。
许多时候拥有一个好的系统并不意味着成功，关键是在企业的组织，企业的员工能否推动，所以企业在落地一个服务的时候，不只要考虑技术层面还要考虑组织层面。
打造数据化组织的第一步也是最关键的一步是用数据说话，即具备数据意识。
一个企业变成真正数据化的核心是老板、管理层具有数据意识，能自上而下地推动数据驱动的落地。
假如，一线工作人员花费 2 天时间进行数据分析选出最优方案交给老板，最后老板还是凭他的喜好拍板做决定，那么以后就不会有人再去真正的做数据分析，而全部都想变成心理专家，去洞察老板的喜好。
相反，如果老板本身有数据意识，员工开周会汇报工作，需要有数据为依据。
那么，这个企业至少在形态上具备数据驱动的前提条件，即人人在意数据，也就是树立数据驱动文化。
第二步是数据文化的打造，即企业中是否形成数据驱动的共识，在讨论问题时都是基于数据的。
网上曾流行的一个段子很形象的揭示了数据文化的作用：
如果两个人无凭无据的吵架，往往是嗓门大的会赢，如果两个人中的一位掌握数据，在吵架时，往往是有数据的人会赢，如果是两个人都掌握数据，就不需要吵架，只用看数据。
一些成功的公司也极其重视数据驱动的价值，并将数据文化很好地根植于企业中。
如百度，百度文化最核心的一条就是用数据说话，再如 Google，讲述 Google 经营之道的《How Google Works》其中用一章专门介绍用数据说话；
Paypal也强调有数据就有更大的自由权；
今日头条也流传过能用 A／B 测试解决的问题都不是问题。
这些数据文化，可辅助企业中形成一种用数据说话的氛围，做到做任何决策都需要看数据。
第三步为角色与组织的数据化。
企业一般主要会涉及三类角色：
业务人员、研发人员、数据人员，而在数据化组织中对这三类角色的工作都会引起相应的变化：
业务人员在思考需求时不只要思考业务需求还要思考数据需求，如要做一个运营活动，对应的运营目标与效果评估要拆解为相应的数据指标，再细化为一些可采集的数据需求；
研发人员往往会更重视产品开发而忽略数据采集，但如果没有相应的数据如何验证产品开发的好坏，如何进行产品开发的迭代呢？
因此，研发人员需转变轻数据重开发的思维；
数据人员，很多数据人员在企业里几乎仅担当取数人员的功能，这无疑是低价值的，因此数据人员应该从关注业务目标的角度更重视数据建设、数据分析及需求的把握。
第四步为打造数据化流程，我粗略分为数据、产品、运营三大块。
首先是数据，主要是数据采集流程与规范，即采了哪些数据？
采的数据对不对？采集
了哪些字段？
有哪些字段没有采集？
很多企业这一块都是不够规范的，产品运营人员在使用时也很不方便。
再者就是产品迭代，产品迭代也需要建立迭代的数据流程规范，如 A/B 测试如何验证，什么样的数据有代表性等；
最后是运营部分，如活动运营的数据流程，一个活动最开始需要哪些数据，需要哪些数据埋点，过程中需要看哪些数据，评估效果时又需要看哪些数据等。
下面主要从运营和产品迭代来展开介绍。
五、面向数据流建设的产品迭代
如下图，是无数据意识与有数据意识的产品迭代流程对比：
很显然，左侧无数据意识的产品迭代是一个重复的死循环，就像在迷宫中不断的试错，而右侧的数据驱动与之截然相反，是一个螺旋上升的闭环，就像在玩游戏，一关一关的打怪升级。
传统的产品迭代方式相对简单，可以理解为两个步骤：
点子和产品。
而关于面向数据流的产品迭代可将其抽象为三个环节，点子、产品、数据，有了数据的加入，我们在将想法转化为产品时，可实现建立可衡量的假设和指标、数据采集方案以及 A/B 测试的实施，让想法先得到科学的验证，再投入技术的开发，防止无畏的技术资源、时间、精力的浪费，实现投入产出比最大化产品迭代。
迭代后的产品会产生相关的新数据，通过数据分析，企业员工可以有所学习和思考，从而产生新的点子，然后让这个循环有效地运转下去。
如此，这个流程中因为引入了数据这个变量，将产品迭代变成一件科学的实验过程，所谓科学就是不断地假设、实验，验证。
下面，我们通过一个实例来看面向数据流的产品迭代案例：
如下图，为某海外电商A的订单量变化趋势，我们很容易发现，A 企业在 2018 年 1-7 月取得了良好的增长，但在 8 月初时新增有效订单数从增长趋势变为下降，并在 8 月中旬之后，订单量下降到一个较低区间（如下图）。
而对于一个创业公司来说，订单量的下降很可能影响企业的估值情况，是急需解决的，为此，该企业设立了一个优化目标：
如何在当前投放基础上，将新客购买转化率提升 1-2 个百分点（如下图）。
针对这个目标，A 企业首先要了解现在的具体情况，如以建立的数据流为数据分析的基础，根据用户购买流程创建漏斗，再根据观察的漏斗数据发现流失环节，定位流失环节后再进行多维度更细粒度的下钻分析原因精准定位问题，再聚焦问题来优化产品，并记录数据去评估优化效果（如下图）。
通过上图，A 企业发现从结算到生成订单的转化率比预期低，并进行维度的拆解来定位具体原因，相关数据分析团队最终通过查看结算时的订单金额不同区间的数据时发现，当结算的客单价在 0-50 美金时转化率仅有百分之十七点几，这部分用户数占整体的 70%，是主要的用户群体，且在这一区间流失的用户量占总体的50%，也就是说在这个环节流失了一半用户。
而客单价在 $50 以上，转化率在百分之六十几，也就是说，金额越贵，成单率越高，这是比较反常识的（如下图）。
运营人员随即进行了进一步的下钻分析，最终发现是支付方式问题导致，如下图：
现在问题定位已经基本明确，但还不足以解决问题，下面还可继续对数据进行拆解分析找出解决方案（如下图）。
通过在线支付失败数据的拆解发现问题主要出现在信用卡的授权上，即很可能很多人并未开通在线支付，进一步明确问题后，现在就可得出解决方案，并采取相应措施，如下图：
但调整只是针对可能的解决方案，是否真的产生效果，还需进一步验证。
如下图为优化前后的数据表现对比：
从数据我们可以得知，此次优化显然是成功的，但是，很多时候第一次解决方案的尝试不一定会成功，就需要再次数据下钻，寻找另外的解决方案，这个过程中，最重要的是科学方法的掌握与运用，通过正确的方法一定会找到最终的优化措施来实现目标。
六、面向数据流建设的运营革新
下面我们再来看看运营，下图简单概括了运营的核心流程：
在整个运营链条中，数据在各个关键节点，如开源、节流、促活、转化都可释放价值，举个例子，在渠道获客时，可根据渠道引流用户量，引流用户的后续留存、转化数据来评估各个渠道的优劣。
举个例子，一个新用户进入某 APP 会在不同阶段接收到运营发送的相关消息（如下图），这是运营采取的促活促留存的常用措施，如用权益激励的方式、产品功能推荐、内容推荐等方式促进用户的持续使用。
值得强调的是，以上只是简单举例，企业的具体运营策略应切实结合自身产品来灵活变通运营策略，比如大姨妈会使用金币奖励、用户签到、周期记录的方式来保障用户留存。
而往往很多时候，用户很反感接收运营的消息，其最关键的原因是运营没有做到个性化，即推送的不是用户想看到的消息，而结合企业实际来说，很可能因为技术支持不够，导致运营只能进行无差别的全量推送，如下图：
仔细观察整个过程，我们会发现多次的跨部门配合，使整个周期非常长，且不能得到实时的效果验证，最大的问题是，每次营销活动关于优化过程可汲取的经验很少，无法简化流程，也就是无法实现运营流程的迭代，要改变这个现状主要可通过减少配合和自动化来实现，即用机器代替人，如下图，为优化后的精准运营流程。
在构建了自动化运营流程的根基后可让运营形成一个自我迭代闭环，这从时效性和投入产出比，以及运营人员自身的提升都有很大的价值，当有了数据根基，我们通过给用户打标签，实现用户分群，构建用户画像，并根据其制定运营策略，实施运营方案，实现用户触达，再通过效果分析，进行优化迭代，最终让每一次运营都变成一次学习（如下图）。
七、数据驱动智能运营
实现数据驱动智能运营，企业需要做三层准备，第一层数据化，即构建数据基础平台，包括埋点管理、数据采集、用户分群、标签引擎等；
第二层智能化，即构建智能运营，包括运营计划、自动化流程、受众洞察、项目设置等；
第三层为场景化，即结合场景进行运营实践分析，包容运营自动化、构建个性化用户旅程、用户特征分析、全局设置等。
数据驱动智能运营过程用人与机器的配合替代了人与人的配合，甚至部分用机器与机器的配合替代人的重复工作，最终实现效率和效果的双升级。
当企业到某一个阶段，就需要考虑将智能运营产品化，目前神策数据推出的神策智能运营系统就是智能运营产品化的结果，该系统将个性化推送、自动化分发等功能整合管理，可助力企业实现策略快速制定、受众精准触达、效果实时反馈，驱动企业场景化运营营销的落地，详情可戳：
事实上，我一直认为“企业的本质是效率机器”，在竞争愈演愈烈的今天，这句话更为适用，所有企业比的是如何更快更好地满足用户，先于别的企业就可能胜出，否则，只是一个参与者。
以上是我全部的分享，希望对大家有所帮助，也欢迎在留言区留言讨论。
现在神策智能运营已有免费 demo 可体验，欢迎在神策数据官网体验（网址：https://www.sensorsdata.cn），或扫描下方二维码体验神策智能运营。
扫码体验神策智能运营
『不容错过的精彩内容』
▼▼▼
收藏
★
公众号，及时获取精彩内容
关注
神策数据
帮助客户实现数据驱动。
↙↙↙戳此，下载完整版演讲 PPT
“在看”，你就戳戳我☟
标签：迭代,PPT,神策,桑文锋,运营,数据流,企业,数据
来源： https://blog.51cto.com/u_14438762/2876731