很多行業都非常重視數據分析及其結果，尤其是電子商務行業。隨著互聯網購物的普及，電子商務行業對數據的要求越來越高，也越來越依賴于數據。但遺憾的是，即使在電子商務如此發達的今天，也很少有電子商務企業能夠在數據分析的環節上做到盡善盡美。很多公司的專業人員在收集數據的時候，會發現數據非常混亂，并且不同的數據雜亂地分散在很多人員和主管手中，給分類和整理造成了很大的麻煩。并且，很難將這些非常凌亂的數據聯系起來并分析出其中隱含的內容。

當然，必須承認的是，在數據運營的時候，會存在很多主客觀的因素，影響數據和數據分析的精準度。數據本身是沒有思想的，對數據的解讀在某些程度上也會受到和產品相關的各個部門的人員偏好的影響，這樣，數據就有了思想和針對性。分析這樣的數據，就會有不同的結果。例如，市場部門和運營部門對“產品轉化率”的理解有很大的不同，如果這樣的分歧一直存在，那么企業進行數據分析，其結果的波動性就會很大。

正是因為這些不穩定因素的存在，很多問題最后都要歸結到“人”和“企業”這兩方面來。如果數據分析師不能和其他部門的人產生良好的溝通，不能深入地了解業務部門的每天情況的變化，那么即使再多良好的數據也只會被浪費。數據分析師必須做到以一個業務員的身份來客觀地分析手中的數據，才能給管理層一個較為真實的分析結果。很多有經驗的數據分析師，面對數據，能夠在很短的時間內給出中肯的分析建議，這正是將第二招牢牢掌握的表現。

不得不提的是，第二招有兩個具體的場景。例如，面臨一堆數據和一個特定的商業場景的時候，當能夠準確地把握二者之間的關系時，就表示能夠實現對二者之間存在的“數據中間層”進行準確地把握。

第二招的另外一個層面，存在于企業中不同組織的數據之中。即當存在某一個特定的商業情景或問題的時候，需要對甲、乙、丙、丁四個不同組織之間的數據進行互相聯系并分析，才能得出結論或解決問題。例如，某一個銷售日，由于UV一下子有很大的增長，那么一定要去看退款的數量，如果退款的數量在這一天之內也有很大的增長，那么這就是一個正常的現象。當然，如果這一天的UV并沒有不尋常的增加，但退款的數目卻異常地增加了，那么就要考慮到可能是少數買家為之，此時，就要綜合其他各方面的原因進行全面的分析。這就是將不同組織之間的數據融會貫通之后分析的必要性。

很多企業，在對這至關重要的第二招的把握上存在很大的問題。主要表現在兩個方面。第一，從人的角度來說，即數據分析師的主觀原因造成的數據分析的不合理。如果數據分析師對企業不同組織架構中的數據不能明確地分辨，那么不僅會造成分析結果的偏差，還會導致更加嚴重的后果。然而，很多企業之中都有這樣的情況，部門與部門之間溝通不暢，導致數據和數據之間關聯性較小或者立足點不同，這就給分析造成了極大的困難，更別說得出有意義的結果了。

第二招，即打通數據與數據之間的聯系，是在數據分析中非常重要的一點，也是能夠進行準確數據分析的基礎。因此，事先做好一系列鋪墊工作非常重要，例如保證數據的安全性，統一不同部門統計數據的標準，以免造成更大的工作量。最后要保證不同部門數據之間能夠順利地相互交換，使得部門之間有較好的溝通和了解。第二招可謂是三招之中的核心，尤其是在現今每個企業的數據都越來越復雜，基數越來越大的時候。完全憑感覺去分析數據的時代已經過去了，面對海量數據，必須做好打通數據之間聯系的工作，才能更好地分析數據，使企業做正確的有益的決策。

第三招，對數據進行運營和分享。

用好第三招的主要內容就是能夠通過對數據的分析得出這樣幾點結論：企業的業務是否正常，如何對數據進行優化來促進企業業務的優化，如何通過對數據的分析來找到有益于企業發展的方法，幫助企業創造新的商業價值。這些問題之間看似存在明顯的遞進關系，但實際上卻不是如此簡單的邏輯關系就能夠解釋的。對待這三個問題，要根據不同的場景來具體分析。不同的問題有不同的解決方法，要具體問題具體對待，做到對癥下藥。以下就是幾種能夠解決不同問題的不同方法。

任何事物的發展都需要一個范圍作為約束，數據也一樣，需要一個具體的框架來具體分析企業的業務水平究竟如何。因此，給數據搭建框架非常重要，有了合適的框架，才能對數據進行更加準確的分析，也就能更加直觀地分析企業業務的好壞。數據的框架，就是一個標準，能夠將數據在同樣的層面下進行分解的標準。指標化分解是一種重要的分解方式，能夠將混亂的數據整理出條理，并客觀地分析企業的業務。

這樣的方式就類似于生活中，因為感冒而去醫院檢查，醫生首先要求驗血來判斷是不是病毒性感冒一樣。根據客觀的數據得出真實的結論，然后對癥下藥，效果才會立竿見影。看數據要能夠看到數據背后隱藏的信息，而不只是被表面的信息所迷惑。對數據進行真正的分析，就會發現很多數據和其表面所代表的內容差別很大。例如，一個網站當天成交額的提高達到百分之二十，表面上這是個值得興奮的數據。但是，具體分析才發現，銷售額的增加是因為企業加大了對廣告的投入，一對比發現，成交額的提升帶來的收入增加不足以覆蓋增加的廣告費用，那么這個看似可喜的消息就立刻變成了一個可悲的消息，這說明企業的廣告效果非常差。

很多電子商務企業，在評價自己的業務水平時，通常用到以下兩套指標。第一套是企業用來計算其成交額的，公式為成交額=流量×轉化率×單價；另一套指標多用于企業對商品進行促銷的時候，公式為，即大促成交額=預熱期加入購物車的商品數×商品單價×經驗轉化率×經驗成交額占比。前者是用來評價企業的某一類商品或單個商品的健康度的，后者則是在企業促銷的前提下，用來預測大概成交額的。

業務水平的好壞是通過對數據分析之后進行比較才能得出的，單個的數據分析得到的結論是不具備代表性的。不能夠進行橫向和縱向比較的數據是沒有任何意義的。比較的實質就是找一個參照物，參照物的不同，會導致結果有很大的差別，因此進行比較不僅必要而且重要。尋找合適的比較對象是比較最重要的一個環節，例如，當企業進行促銷的時候，需要和往期的促銷活動銷售額、促銷幅度、顧客對促銷的評價等方面進行比較。而不是和上一個季度的正常銷售進行比較，因為毫無可比性。選錯了比較對象，會導致數據分析產生極大的偏差，影響對某一決策內容的判斷從而影響以后的決策方向。

當然，除了對數據框架的構造之外，能夠使數據分析錦上添花的一個方式就是好的展現形式。常見的數據分析展現形式就是表格和圖形。但是這兩種展現形式在某些特定的情境下是不可以互換的，否則會造成分析結果的不直觀和偏頗。使用了不恰當的表現形式，會使得對數據分析結果的分析產生障礙甚至誤解。那么如何選擇合適的數據展示形式呢？有幾種便捷的選擇原則：當需要對精確的數據有展示的時候，應該用表格，此時用圖就顯得非常不合適。好的數據展示形式有利于決策者根據數據做出更加合理的決策。

數據分析的最終目的就是通過對數據的分析，發現并解決問題。那么，這樣的目標就要求數據分析要準要切中問題要害。以下，舉一個例子來解釋如何利用數據幫助業務為企業發現更多的商機。

想要利用數據幫助業務讓企業發現并抓住更多的機會，就必須了解，這樣做的價值點在于通過這樣的方式，使得企業的數據變成了人人都必須使用的數據。長此以往，企業的每個人都會變成數據分析師。這正是最理想的狀態，每個人都能夠對數據做出分析并給出判斷和結論。客觀的數據是最好的指示器，如果能夠對數據進行客觀敏銳的分析，那么每個員工都可以成為企業決策的參與者。

當員工積極地參與進了數據分析的工作中之后，就能夠對企業出謀劃策。幫助專業人員在產品的個性化設計、銷量預測等方面出一份力。這樣的模式也減輕了數據分析師的前期工作，使得數據分析師能夠對數據做出更加精確的分析。如此一來，數據的運營就進入了一個良性循環，有助于企業快速地提升自己的業務水平。

在阿里巴巴流傳著這樣一句話：“讓信用變成財富”，的確，阿里巴巴也在踐行這句話。阿里巴巴所有運營程序的核心就是通過數據來計算客戶的信用水平，并且通過對客戶信用的評估來為客戶進行授信。一系列流程之后，通過審核的顧客就會獲取他所需要的資金。正是這樣一個良好的信用模式，使得阿里巴巴越來越成功，旗下的產品也越來越多，深受顧客的喜愛。

數據分析師工作的一個重要環節就是通過對數據的分析和對市場的預測，說服產品經理某樣東西可以被列為產品出售。但是這樣一個看似簡單的環節在實際操作中卻很難順利地實行。尤其是公司對于新產品的開發和上架沒有任何問題，但是如果數據的分析達不到這個效果，一切都是空談。

因此，如果不能有效地獲取、使用、分享、協同、連接數據，數據化運營就會受到很大的阻礙。于是，數據分析師是否能將數據簡化，留下最重要的部分就變得尤為重要了。千萬不能出現收集了很多的數據不知道怎么用，不知道用的數據是怎么來的等情況。這就要求能夠熟練掌握前文提到的數據化運營的三招，讓每個員工都成為數據分析師。

大數據中的企業價值及客戶價值

有效的數據收集不僅能夠實現企業資源的合理配置，也能夠更好地服務顧客，為顧客帶來更好的體驗。如何有效地收集數據呢？數據的收集包括兩個維度，第一個維度，是衡量數據對企業的生產價值，第二個維護是衡量數據對顧客的價值。第一個維度要求記錄顧客行為數據里對企業有價值的那些。第二個維度則能很好地幫助企業為顧客提供更好的服務，創造更大的顧客價值。

從第一個維度企業的價值來看，數據收集的主要目的就是實現了對企業資源的合理分配。可以通過不斷的升級自己的操作系統，讓自己的產品能夠更方便地被顧客找到，從而增加產品的二次甚至多次銷售，創造更高的銷售利潤。

從第二個維度來看，企業的目標就是要提升顧客體驗。例如，提供各方面的服務界面和搜索引擎，方便顧客的購物，增加顧客消費的喜悅感和滿意感。

這兩個維度看似相似，實際不同。從不同的維度看數據，也會有不同的結果。例如，在工作日里，銀行門口總是排著長長的隊伍。從第一個維度去看，則需要知道每天固定時段排隊的人數，然后設法減少顧客排隊等候的時間。從第二個維度去看，則要思考這些排隊的顧客平均要等待多久才能獲得相應的服務。同樣的問題，從不同的角度去思考和理解，就會得到不同的結論。兩個維度所看重的信息點不同，第一個維度的解決方法可以是開發手機客戶端，減少排隊等候的人數。第二個維度的解決重點就是減少顧客等候的時間，例如在高峰期多開幾個窗口等。

因此，在分析數據的時候，要分清是從哪個維度去解決問題。因此，在大數據時代，數據運營要衡量不同的方面。同時，還要注意看待數據的不同角色，他們的感受和體驗也是不同的。即在銀行看來，20個人的隊伍并不算多，但是在顧客心中，等待超過了10分鐘，就屬于長時間的等待了。

排隊只是一個典型的例子，電子商務企業在操作系統方面的實踐和排隊相似。企業思考的是如何讓顧客更多地點擊自己的商品，而消費者想的卻是：“我想要買的這個東西能否順利買到呢？”

因此，企業在對數據進行了分析之后，只用通過改善自己的推薦系統來更好地改善用戶的購物體驗。此外，對用戶的整體購買情況要做橫縱向的分析，形成一條完整的數據鏈。例如，如果企業想要了解用戶登錄前的瀏覽情況，就需要更新系統來達到這個目的。