数据化运营02：概念与趋势

如果本公众号对你有用，请推荐给有需要的人，感谢。

这是我写的数据化运营第2篇文章，请继续关注。

2019年，将针对数据化运营进行一系列的文章总结，期待能够形成一套科学和体系化的方法和指引。而过程中，随着思考和实践的深入，相关的方法论会有优化，甚至推翻重构，请独立思考，根据实际情况，借鉴使用。

如果你想深入了解数据化运营，建议你学习一些基本的数据分析思维和方法，这样能够加深了解数据化运营里面涉及的模型，具体可参考我以往的文章：

《数据分析快速入门》(含工具和视频)

写给喜欢数据分析的初学者

上期文章《数据化运营01：解决哪些产品运营问题》从问题从发，罗列了产品运营所要解决的常见问题。针对这些问题，后期我会讲一些系统化的解决方案。

我第一次系统地学习数据化运营，是在2014年。此前，我已经有几年的数据分析和产品运营经验。触发我系统化学习的动机，有两个：1是正在准备面试BAT公司，希望体系化地了解他们是如何做数据化运营的；2是希望通过系统化学习，能够从思维、组织架构和考核层面推动数据化运营。事实证明，这次学习对我帮助很大，我在负责某个阅读类产品的数据体系建设，用到数据化运营的一些思想，取得不错的成绩。2016年，我总结了一套数据化运营体系建设的方案（关于这个方案，后期文章再详细介绍），如下图：

对我影响最大的一本书是《数据挖掘与数据化运营实战：思路、方法、技巧与应用》（卢辉著，机械出版社），它结合数据化运营概念、如何推动实践、数据分析师如何自我修养和阿里巴巴的案例实践等方面，全面阐释了数据化运营的重点和难点，对我有很大的启发，建议大家可以阅读。

入正题：

一、数据化运营的概念：

概念千万条，有效就这条：

以企业海量数据的存储和分析挖掘应用为核心支持的，企业全员参与的，以精准、细分和精细化为特点的企业运营制度和战略。

----卢辉，《数据挖掘与数据化运营实战：思路、方法、技巧与应用》

卢辉提出的数据化运营，强调全员参与，人人都是数据分析师，这恰恰是目前数据化运营最难实现的一点，因为数据分析本身就有较高门槛，需要相应知识技能及系统支撑，而很多高层并不一定具备这方面的专业知识，甚至没有这方面的意识。要做到全员参与，需要自上而下的推动，从公司战略层面、组织架构和考核制度、企业文化等层面，甚至要与员工成长、职级相挂钩，才可以推动。

我曾经为产品经理团队制定了数据化运营的能力模型，用于指导他们提升的数据运营能力。

对于卢辉定义的数据化运营概念，我需要修正一点：即使没有海量数据（对于创业公司或小公司，往往是这样的），其实通过有效的数据应用，还是能够帮助产品取得更好增长。

二、数据化运营的趋势

卢辉在他书里阐述了数据化运营的三个趋势：

（一）数据产品作为商业智能的一个单独的发展方向和专业领域，在国内外的商业智能和数据分析行业已经成为共识，并且正在企业的数据化运营实践中发挥着越来越大的作用。

数据产品是能够有效提升数据应用的效率、放大数据价值、降低用户操作门槛的工具（或者系统）。数据产品的流行，是企业日益增长的数据需求与有限的专业数据人力的矛盾造成的。在人力成本激增的情况下，基于通用型的分析决策工具，能够有效降低这部分成本，同时也能够提高企业工作效率。

但是，一款强大的数据产品，往往要依赖在一个强大的数据中台，如果没有数据中台的支持，从0到1构建数据产品，建设周期非常长。目前国内，阿里构建了比较完善的数据中台，在此基础上衍生了很多数据产品。国内头条系，也有强大的数据中台，包括数据采集、推荐系统、ABtest等，据头条内部人士透露，头条系能够在两周内上线一个具备最小可行性功能的APP，通过ABtest系统快速测试新产品是否满足市场需求。他们典型的成功案例就是在短视频领域，借助中台的力量，同时孵化了抖音、西瓜和火山视频等爆品。

阿里巴巴的数据中台全景图

这几年，如GrowingIO、神策、腾讯灯塔（https://beacon.qq.com/）等数据产品也崭露头角，解决了数据埋点、报表自动化和敏捷自助分析等一些问题。但离我心目中的高阶数据产品工具，还有一定距离。我认为的数据产品有这五个阶段：

1、数据埋点层：解决数据代码埋点和无埋点，元数据管理的问题。下图是腾讯灯塔提供的各项服务：

2、报表和指标层：通过报表模板，快速构建指标和报表体系，报表满足实时监控。下图是神策报表体系的演示案例：

3、敏捷分析层：能够有简单的自助分析，解决简单的探索性分析等问题，并且能够并行多任务的ABtest实验能力。

4、模型自动化应用层：提供有针对性的模型解决方案，能够快速接入模型，与投放系统链接，实现效果实时追踪和优化，提升运营效率，提升个性化营销的能力。

5、智能运营层：提供运营一体化解决方案，构建比较完善的用户生命周期管理、产品生命周期管理、用户激励机制和CRM系统，利用模型，实现高效自动化运营和个性化内容推荐。

从目前情况看，大部分的数据化产品只达到1至3的层面，部分垂直类同质化的产品，如游戏，在模型自动化应用层，有不错的成功案例。

（二）数据产品经理作为分析和商业智能的一个细分的职业岗位，已经在越来越多的大规模数据化运营的企业得以专门设立并且日益强化。这里的数据产品经理，是专指设计和运营数据产品的产品经理。但我遇到的许多数据产品经理，其实并非很符合实际的要求。很多数据产品经理，过于专注于技术，而忽视了产品运营的实际情况，甚至有一些闭门造车，数据产品过于追求通用化，降低了工具的效果。解决通用化需求和个性化问题，需要寻找到一个平衡点，这个平衡点，需要数据产品经理具备一定的业务运营经验，才能把握好。

（三）泛BI的概念在大规模数据化运营的企业里正在越来越深入人心。由于数据产品的逐步普及，让人人成为数据分析师，成为一种可能，借助于工具的辅助，能够极大降低做数据分析和决策的门槛。

我的观察：

1、数据分析技术门槛下降，懂业务运营的数据分析师价值更大。越来越多的产品团队，建立自身的数据分析团队（不归属于数据部门），与专门的数据部门形成协同作战。我遇到很多后台及客户端开发同事，转做在线推荐的，他们最大的问题是对业务问题不了解，许多模型做出来，效果差强人意。一些在数据部门的分析师，则往往从单点解决产品运营的问题，极少能够从体系化的层面考虑。所以，如果遇到一名既懂业务，又懂数据分析的数据分析师，真的值得好好对待，这类人已经成为独角兽。

2、科学实验（ABtest）成为重要的数据驱动工具。2018年，在我的数据化运营思维里面增加了增长黑客的思想，我认为增长黑客是一套体系化、可执行的数据化运营方法论。增长黑客的方法，体系化地阐述了如何开展数据化运营：如何建立增长团队、如何设定不同阶段的增长目标和北极星指标、如何绘制增长路线图（增长模型）、如何建立增长引擎（流程、文化）、如何快速让其他团队认可。这些问题，在卢辉的书里面，没有完全解决。增长黑客推崇的大规模高效的ABtest实验，解决常规模型无法解决的个性化问题，这又是对数据产品无法解决通用性问题的很好解决方案。

3、数据中台极其重要，是提炼数据价值的炼油厂。如果把数据比喻为工业时代的石油，那数据中台就是大型的炼油厂，它把控着数据质量、标准化，通过数据整合，把数据的价值提升到更高层次，更重要的是，它能够发挥数据的规模效应。

上期文章：数据化运营01：解决哪些产品运营问题

无信仰不数据，愿与志同道合的朋友，一起推动数据化运营，炼数成金！如果想跟我交流数据化运营，请关注我的公众号。