开始阅读《数据运营之路--掘金数据化时代》
规模大小、流通速度、多样性是数据的内在属性，而数据通过业务逻辑、挖掘数据，最终创造价值，这并不属于内在属性。
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。
2.2 如何通过数据驱动品质运营
做好品质运营，需要建立整套的品质数据监测体系；我们经常说的体系，实则由业务场景抽象而来，抽象出各场景下基于流程规范的框架骨骼。
品质运营的关键在于，在业务流程中，制定执行的标准及核查的方式。通过业务场景，分类并归集业务动作和对应的核心指标，沉淀成制度与机制，驱动品质提升。同时，需要梳理出品质运营在各个业务场景下的责任方，从而完成品质工作的分工：谁制定规则，谁负责运营，谁负责执行。
在零售市场中，基本要素是人（商户）、货（商品）、场（交易场，多指渠道，可以衍生为效率场景等）。
销售额是大多数零售类企业的北极星指标（唯一关键指标）。
在新的方案推进的时候，我们往往感受到“50:50”原则。机制是否可以在组织内发挥作用，方案是否合理占50%，其余50%在于推进的过程。
实施思路：
首先，需要把环节模块化（按照故事线）；
此外，下设的需要把控服务标准的各个小环节；
在各场景和小环节中进行指标化，就可以开展服务品质的数据运营工作了。
找到业务环节的“七寸点”，把服务过程数字化，就可以实现通过数据运营的方式驱动品质提升，确保数据可监测，并反映真实的业务情况。品质运营指标的设计只有击中业务“七寸点”，才可以真实推进品质的提升。
针对不同的场景和环节，均需要先进行业务架构的数字化，然后使用技术的力量把数据监测起来，不断跟进运营，从而通过数据驱动品质的提升或者避免品质下降。针对流失的商户，还需要不断复盘流失的原因，找到商品品质、服务品质上可提升的点，不断优化品质运营的流程，夯实品质门槛的护城河，让品质为企业成为“行业第一”保驾护航。
在数据驱动品质运营中，模块化说起来简单，实际做起来非常难，需要不断架构、推敲，在实际场景下验证。就犹如颁布一套法典，根据真实场景不断地进行优化和修正，需要持续做。
通过品类计分卡，按照每周、月、年来监测品类得分，用以评价品类发展的好坏，同时用于品类负责人的绩效考核。以数据运营的方式推动品类负责人关注品类发展的关键要素。
p110
从公司运营的角度看，商品也需要分成不同的角色，以承担不同的职责，通常包含以下类型：
- 优势品类：想到该商品，就想到该门店或者平台，比如，买连衣裙会上淘宝，买家电会上京东。--贡献品牌心智份额
- 常规品类：消费者在生活中常用的商品，如米面粮油、日化清洁、生鲜瓜果。--贡献销售额
- 季节性品类：会季节性出现的商品，比如月饼。--少量贡献流量、整体贡献利润。
- 形象/成长性品类：产品更新快，满足消费者的新鲜感。比如女装、美妆等商品。--贡献利润
*便利性品类：在一站式购物场景中，组合商品链条的品类，比如压线、衣架之类的。--贡献利润
简单来说，优势品类贡献品牌心智份额，常规品类贡献销售额，季节性品类少量贡献流量、整体贡献利润，形象/成长性品类和便利性品类贡献利润。
品类归属也不是一成不变的，每年或者每个季度都需要重新评估，一般从销售额、销售额增长、毛利率、品类及品类认知度和产品更新速度五个维度进行评分来确定品类归属。
p112在实际的场景下，经常是三天一“摸高”、每周一大促、月度品类促、年度嘉年华。
P125 常规通用的指标和概念无法帮助企业解决实际业务中存在的问题，我们常常看到新晋的产品经理在各个信息渠道了解并收集这些指标后，就直接套用到自己的业务中，虽然不适用，却很容易得出“自成逻辑”的结论，即“看上去有些道理，逻辑上说得过去，然而在实际业务中并没有什么用的结论”。
从信息管理的角度来看，零售业在国内的演变可以划分为三个阶段：
- 以经销商为运营核心的分销阶段。
- 以终端门店为运营核心的门店管理阶段。
- 以用户为运营核心的用户运营阶段。
在不同的阶段，只是企业核心运营的角度不同，其他环节实际上都存在，可以简单理解为侧重点不同。
在用户运营阶段，企业对数字资产的管理至关重要，尤其是会员及购买用户的数据。如何通过数据运营，持续提升用户的购买频次和客单价，从而提升用户的贡献值及生命周期价值，是企业亟需关注的问题。除了针对用户的运营，也需要重构企业的数据组织形式，以用户数据为核心，使用全链路数据串联线上和线下，针对业务全链条进行指标设计，自动化运营业务。这个阶段的消费者数据成了三个大圆中最核心、最聚焦的点，其他内容都这一点进行，所以很多互联网企业的价值观中第一条就是客户第一，本质上也是基于这一逻辑。
p128大部分用户运营的逻辑：
不断拓展活跃用户池子，并针对周活跃用户池子里的用户提升购买频次和购买金额。
初创公司往往聚焦新开用户、复活用户，而忽略了流失用户。成熟企业往往靠不断降低流失用户数量来保障池子中用户数量的量级。针对存量客户的不断触达、激活、提升，无论线上和线下采取什么方式，比如疫情期间直播带货这一方式热度较高，其实都是不同时期的不同方式，整体逻辑不变。
p129
经常看到RFM(Recency,Frequency,Monetary),RFM的应用是基于用户行为对用户进行分层，可以将其理解为在用户运营框架下，进行用户分层运营以提升用户价值的工具模型，属于用户运营中精细化运营的一种方式。有些企业回使用RFM的变体以更适应自己的需求：最近一次消费改为最近一次有效消费（比如购买金额达到多少），或者使用购买次数替代消费频率等。核心是“内化”，只有适合自己的才是最好的。
p130
在做客单价分析需求的时候，经常会遇到如下问题：
- 最近客单价怎么下降这么快，看看是什么原因？
- 客单价最近好像上涨了，看看是什么原因？
- 客单价最近没什么变化，看看有没有什么突破点？
确实还原了70%的真实场景，分析师收到这样的需求往往会快速做出一份“鲜肉刺身”式的分析，麻利地看一下日环比、周环比、月环比，找出客单价下降的品类，或者客单价下降的大区，然后得出一个结论。
从快速分析的角度来看，这样的作法符合时间需求，快速给出简易的反馈，给陷入“死胡同”的业务方搭建一个思维的“梯子”，可以先突破看看。可是从协助看到真相的角度来说，可能至少需要制作一份成熟点的客单价分析，才可以避免提供错误结论，避免带着业务方一起陷入误区。
兼具时间需求和严谨性需求的分析，称之为“七分熟客单价分析”，既满足时间需求也“美味可口”。
下探过程可以用贡献率、贡献度、贡献度变化带来的客单价变化元数来量化各个环节的影响，从而找出影响客单价的最大可控因子，然后通过运营可控因子提升客单价。
生命周期理论：引入/成长、稳定、流失；
为了提升收入，可以通过拉新提升新客户数量，也可以通过各种方法留下新客户，培养客户每日到店消费的习惯，把新客户培养成大部分客户；也可以通过降低大部分客户的流失，提升忠诚客户的数量。
少量的客户可以自己运营；可是对于百万级用户数量的互联网企业来说，通过用户运营提升用户价值，就需要将以上方法论进行产品化，通过用户价值提升三板斧“引入成长，转化升级，预警挽回”。针对不同分类用户的不同阶段进行千人千面的运营，每日自动计算出用户级别和当前阶段，自动实施对应的策略。例如，向新注册用户提供首单抵扣券，向预警流失用户自动发送挽回优惠券等。
引入/成长期对于用户生命价值最为重要，稳定期的核心是要实现用户级别的跃迁，一旦活跃度（频次、购买金额、访问深度、访问时长等反映用户活跃程度的指标）出现下降，要及时进行流失用户预警及挽回。
当遇到简单需求的时候，时刻提醒自己，是否可以由数据产品解决，该数据产品时什么样子。数据分析师会推动常用的数据分析方法论沉淀成数据工具，供运营人员自由灵活地使用。数据分析师承担推进数据平台工具不断升级的职责。同时，开展复杂性的探索性分析，之前没有接触的分析，可能需要细分指标，也可能需要全新角度，这些需要去探索。在完成探索，固化下来后，再推进实现工具化，从而整体促使公司的数据应用能力越来越强。
分析报告的基本共和展现形式：
从全局到细节，从顶层到最小单元，把业务在大脑中推演一遍，然后抽离出最关键的信息点，从业务视角把关键点串起来，形成结构整齐、逻辑整齐、逻辑清晰、前后一致的报告。
系统中有很多指标和数据，在真实的商业环境中，分析师必须指出哪个指标是现阶段最重要的，并可以从上到下以极简指标“击穿打透”。如非必要，应尽量使用现有指标解决问题和提出结论，以保证结论可以结合动作。
思考:
一、关于牛奶日期临近问题：
需要检测牛奶的新鲜度，避免新鲜度不佳（接近保质期结束）的商品流入市场；
新鲜度不佳的商品流入市场会带来很多风险，比如，由于消费者不愿意购买而造成高库存和滞销；由于零售商急于清库存而降低售价冲击市场；或者消费者购买回去，按照消费量会在使用完成之前就打到保质期（比如奶粉等）。
加强对牛奶新鲜度的管理。在距离保质期还有6个月的时候，就需要提前进行动作，逐步降低高货龄商品的库存，维持周转率在合理范围内的同时，基于先进先出的原则，确保商品新鲜度在市场可接受的范围内。
由于商品的属性不同，在品质运营对应的内容上就会有所不同，沉淀到数据层也会不一样。比如，食品类的快速消费品对应的内容包括是否新鲜，陈列商品是否有凹罐等；
二、关于米面等商品运输破损的问题
不仅仅是简单给出改善包装建议的问题，参考以供应链企业中以“场”为核心的交付握手环节，如何保证货物在交付环节中的品质？
基本原则是减少握手环节。在供应链企业中，交付环节越少，对品质的影响越小。直至无法避免的最小的握手环节，需要根据所交付的商品，落地可保证品质的方案。例如，在交付蔬菜的时候，装筐交付和非装筐交付将使品质产生很大区别。装筐交付的蔬菜，由于避免了挤压和频繁移动带来的损耗，最大限度地降低了交付过程中品质的降低。因此，为了提升整体的品质，可以考核装筐率。
三、售后的作用：
改善客户体验是一方面，也可以说是降低客户流失，提升客户忠诚度的一种方式。
大部分用户运营的逻辑：
不断拓展活跃用户池子，并针对周活跃用户池子里的用户提升购买频次和购买金额。
初创公司往往聚焦新开用户、复活用户，而忽略了流失用户。成熟企业往往靠不断降低流失用户数量来保障池子中用户数量的量级。而流失原因主要聚焦于质量和服务。
四、考虑自己能做的贡献以及部门的要求，是增长还是提效。
“分析师”所需要掌握的技能也有差异，从分析场景上看，主要分析的是用户、效率，还是商品，其背后需要的技能和分析方法都不太一样。分析用户主要基于LTV(life time value,生命周期总价值)展开。分析效率主要从内部运营的角度切入，分析各个交易场景和促成交易场景下的效率如何提升，例如营销效率分析、销售效率分析等。分析商品一般应用的是品类管理，需要考虑商品的属性。不仅场景不同，不同行业对应的分析也不同。
五、不是被动的取数，化被动为主动
不跟需求方“哈拉”的数据分析师不是好分析师
- 需求拆解和确认
（1） 了解该需求的背景，即为什么需要该数据，使用该数据做什么。
针对不同目的，即时需要的字段相同，需要的数据侧重点也不一样。指在不同需求的场景下，探索数据的岔路口需要前往的方向不同。
了解需求主要是为了确保数据提供出来可以支持需求，确保信息一致，也节省了反复沟通、重复提取的时间。
（2）在了解需求背景的前提下，判断并完成如下两件事：
A.需求方需要的数据是否可以支撑需求方要达到的目的。
B.基于需求，判断所需数据的定义，并得出定义梳理表，与需求方确定。
对于数据需求背后的真实需求的判断，以及基于内部系统和现有数据的理解、熟悉程度，融合需求场景和待解决的问题，给予需求方包含但不限于所需数据字段、周期等建议，并提供最终的数据呈现报告及结论洞察建议。技术+业务+数据+沟通能力
对于实际工作中的真实需求：
以业务需求为出发点，以现状为辅助，了解公司内部通用指标的含义，并不困于现有的指标里；对指标的深入理解，需要先理解指标本身的属性；指标彼此关联，有时间先后，先梳理业务链路，再梳理指标关系。以数据为媒介，“击穿”需求链路，把需求方及其所需要数据的背景、提出的字段与分析师判断的字段做融合，给出需求方都可能尚不清楚的最佳方案。
（3）将输出的需求字段及其定义属性等全面的信息形成文件。
文件包含但不限于：数据来源、字段、定义、周期、计算方法、颗粒度、刷新时间。
在文件中需梳理哪些是需求方的需求，哪些是在需求里没有提出却隐含在其中的其他内容。
六、要学会沟通
1、沟通清晰，核心是基础要打好--上手前快速盘点业务。
- 有哪些业务线？
- 有哪些核心品类？
- 有哪些商户类型?
- 销售额占比：不同分类销售额占比怎么样？最近8周趋势如何？对比去年同期，月环比占比有什么变化，增长慢于还是快于其他分类？
- 毛利贡献：不同分类毛利率怎样？毛利贡献（分类毛利额/整体毛利额）的八周趋势如何？对比去年同期，月环比有什么变化？
2、想成为一名好的数据人员，不仅需要硬实力，软实力也同样重要。
"对于业绩了解透，专用词汇专业用，直击要害不瞎说，把控局面保输出。"