文 / 阿里巴巴集团贸易智能部资深经理 欧吉良（勾践）
数据的沉要性已经被越来越多的公司、幼我所熟知与接受 ，甚至于有过犹不及之势头 。大数据的概想满天飞 ，似乎一夜之间人人都在讨论大数据 ，见了面不用大数据打招呼 ，如同就不是在数据圈子里混的了 。那么 ，被表界传得神乎其神的数据 ，到底能够在哪些方面推进业务的腾飞？或者换种说法 ，业务对数据有哪些档次的需要？数据在哪些处所可能援手业务？
结合笔者多年的工作经验以及对数据与业务的理解 ，业务对数据的需要综合为四个档次 。
第一层：知其然
我们能够通过成立数据监控系统 ，把握产生了什么、水平若何 ，做到“知其然” 。
具体来说 ，切入数据的角度重要有这几个方面 。首先是“观天” ，观察行业整体趋向、政策环境影响；再是“知地” ，相识竞争敌手的阐发；最后是“自省” ，自身做得怎么样了 ，自己的数据阐发怎么样 。从看数据的周期上来讲 ，“观天”可所以季度性或者更长的周期；“知地”按周或者月 ，特殊功夫点、特殊事务情况下之表；“自省”类的数据拿到的是最全面的 ，必要天天看 ，专门有人看 ，有人钻研 。
在这一层上 ，分享两个看数据的概想：
1.数据是散的 ，看数据必要有框架 。
怎么看数据很有讲求 。细碎的数据很难阐扬出真正的价值 ，把数据放到一个有效的框架里 ，能力阐扬整体价值 。所谓有效的框架至少蕴含两沉作用：
（1）数据好多 ，分歧人对数据需要不一样 ，如CEO、中层治理者、底层员工关注的数据通常是不一样的 ，有效的框架可能让分歧的人各取所需 。
（2）有效的框架可能急剧地定位问题地点 。举个例子 ，买卖量指标各人都关切 ，若是某一天买卖量指标掉了20% ，那么 ，业务很大可能下是出了问题 ，但问题到底出在哪儿呢？若是只有几个高度抽象的指标 ，如转化率、成交人数、客单价等 ，是定位不到问题的 。好的框架可能支持我们往下钻 ，从品类、流量渠路等找到问题地点 ，板子也就能打到具体的掌管人身上了 。这也是我们通常所说的 ，看数据要落地 。
2.数据 ，有比力才有真相 。
我有120斤 ，你说是沉还是轻呢？一个孤零零的数据是很难注明问题的 。判断某个指标增长快慢 ，必要选择正确的比力对象、参考系 ，也就是基准线 。这个基准线可所以一个预先设定的指标 ，可所以同业业均匀水平 ，也可所以汗青的同期数据 。
第二层：知其所以然
通过数据看到了问题 ，走到这一步还不够 。数据只是表象 ，是用来发现、描述问题的 ，实操中解决问题更沉要 。数据结合业务 ，找到数据表象背后的真正原因 ，解决之 。解决问题的过程就会涉及数据、数据加工 ，还可能会涉及数据模型之类的步骤或者是工具 ，这里面技术含量比力高 ，另作篇幅介绍 ，这里不发展了 。
在第二层里也有两点分享：
1.数据是客观的 ，但对数据的解读则可能带有很强的主观意识 。
数据自身是客观的 ，但消费数据的是有主观能动性的人 。各人往往在解读数据的时辰带入主观成分：同样一个数据在A看来结论可能是好的 ，从B看来可能却得出截然相反的了局 。不是说出现这样的情况不好 ，真谛越辩越明 。但如果不是通过数据找问题 ，而是先对问题定性 ，而后有选择地利用数据证明自己的概想 ，这种做法就不成取了 ？墒率瞪 ，Stake官网身边时时产生这样的事件 。
2.懂业务能力真正懂数据 。
车品觉教员的博文《不懂贸易就别谈数据》对这个概想作了深刻论述 ，这里不发展讲了 。只是由于本概想的沉要性 ，笔者专门拿出来做一下强调 。
第三层：发现机遇
利用数据能够援手业务发现机遇 。举个例子：淘宝上有中老年服装细分市场 ，有大码女装市场 ，这些市场能够通过对周边环境的感知 ，相识到我们身边有一些中老年人或者胖MM在淘宝上面没有得到需要的满足 。那么还有没有其他的渠路找到更多的细分市场呢？
数据能够！
通过用户搜索的关键词与现实成交的数据比力 ，发现有好多需要并没有被很好地满足 ，反映出需要旺盛 ，但供给不及 。如果发现了这样的细分市场 ，颁布出来给行业幼二 ，颁布出来给卖家 ，是不是能够援手各人更好地去服务消费者呢？这个例子就是此刻我们在做的“潜力细分市场发现”项目 。
讲这个案例 ，不是想夸口数据有多严害 ，而是想通知各人：数据就在那里 ，有些人熟视无见 ，但有些人却能够从中挖出“宝贝”来 。差距是什么呢？贸易感触 。刚刚提到的搜索数据、成交数据好多人都可能看到 ，但以前没有人把这两份数据联系在一路看 ，这背后体现出的就是贸易感触 。
第四层：成立数据化运营系统
我理解的数据化运营 ，蕴含了两沉意思：数据作为间接出产力和直接出产力 。
1.数据作为间接出产力 。
所谓间接出产力 ，是指数据工作者将数据价值通过运营传递给消费者 ，即通常所说的决策支持 ，数据工作者产出报表、分析汇报等供各级业务决策者参考 。我称之为决策支持1.0模式 。然而随着业务启发和业务人员对数据沉要性理解的加强 ，对数据的需要会如雨后春笋般冒出来 ，显然单单依赖人数不多的分析师是满足不了的 。授人以鱼不如授人以渔 ，让运营、产品的同学都可能进行数据分析 ，是我脑子中的决策支持2.0模式 。
决策支持2.0模式有三个关键词：产品、能力、意愿 。
让运营和PD把握SQL这类取数说话 ，把握SAS、SPSS这类分析工作 ，显得不大现实和必要 。提供低门槛、用户履历优良的数据产品是实现决策支持2.0模式的基础 。这里讲的产品 ，不仅仅是操作职能集 ，还必要承载分析思路和现实案例 。
但是 ，数据分析的门槛始终是存在的 。这就对运营和PD提出了新的根基能力要求 ，即基础的数学能力、逻辑思虑能力和进建能力 。
最后一个意愿 ，也许是最关键的 ，只有内心有强烈的驱动 ，想做好这件事件的时辰 ，才有可能做好 。
2.数据作为直接出产力 。
所谓直接出产力 ，是指数据工作者将数据价值直接通过前台产品作用于消费者 。时髦点讲 ，叫数据变现 。随着大数据时期的到来 ，公司治理层越来越器沉这一点 。大数据时期带来了大的机遇 ，但也可能是大苦难 。若是不能利用数据产生价值 ，那么 ，它就是一个苦难——产生的数据越多 ，存储的空间、浪费的资源就越多 。
此刻比力好理解的一个利用就是关联推荐 ， 你买了一个商品之后 ，给你推荐一个最有可能再买的商品 。个性化是数据作为直接出产力的新海潮 ，这个海潮已经越来越近 。数据工作者们 ，做好迎接的筹备吧 。