养殖促销网

政策 头条 行情 资讯 招商 行业动态 视频 技术 商会 企业招聘

To B,好用才是关键

作者:魏文庆 时间:2020-3-9 0:33:38 浏览:276924次

大家好,今天主要和大家分享一下“严选模式下的数据驱动引擎”,包括三块儿内容:

 

第一,“数据驱动策略是什么”;

第二,“数据产品的体系应该如何构建”;

第三,“数据中台体系是如何构建出来的”。


一、数据驱动策略

 

1.背景

 

① 从线上化到数据化的提升

  

严选2015年底试运行,在2016年4月正式上线,而我是2017年6月份来到严选,线上化已初步成型。

 

对于电商,用户看到的是APP,而背后会有近百个或者一两百个业务系统在支撑。当时,我们遇到一个问题,数据烟囱化(也叫信息孤岛)非常严重。很多业务系统要做跨系统的数据操作,或做一些数据分析,难度都非常大。

 

面对这种情况,是需要建立数据体系来解决的。在这样的背景下,我来到了严选,主要去解决数据孤岛带来的数据获取和分析效率低下的问题。

 

② 由数据需求,到数据驱动业务

 

当时我们有一些来自亚马逊等一线互联网公司的业务高管,觉得我们响应数据需求太慢了。我们当时主要通过几个BI人员,从不同的系统捞数据,通过不同的工具来加工分析,难以满足大量的数据需求。


我们的首要目标是解决业务方大规模的数据需求。对于我们来说,解决用户大量的数据需求,只是我们的初级目标,尽管也不容易,但我们的内心还是要数据驱动业务。

 

2.遇到的困难

 

① 严选模式是什么

 

像淘宝、京东这样的平台,有海量的用户和海量的商品,强在流量的分发;像阿迪、耐克是品牌,有非常强的供应链。


严选模式是平台加品牌的创新模式,相对于品牌我们主要是线上渠道售卖,所以有详细的用户数据;相对于平台,我们能够对供应链进行精细化的管理。

 

② 无法触达需求,也不知如何进行数据驱动

 

在严选模式下,我们要怎么做数据,是我当时考虑的最重要的问题。


从分析师的角度看,我们只要把固化的报表产品化就行了;从业务人员角度,他们也看不知道数据产品是什么、有什么用;从业务系统的角度看,我们把加工好的数据给他们就好了。而当时我们手里只有一个BI——网易有数。

 

笔记君注:商业智能Business Intelligence,简称:BI,又称商业智慧或商务智能,指用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术进行数据分析以实现商业价值。

 

这就导致我们根本拿不到需求!做产品的连需求拿不到,还怎么做事情?但是另一方面,即便拿到了需求,我们也不知道数据如何驱动业务。

 

3.我们的解决方案:双引擎驱动

 

解决以上问题的最重要的两个点是:我们的定位是什么?核心策略是什么?

 

作为一个品牌电商公司,本质上还是在做零售,需要把钱从各个链路里抠出来,“降本增效、高性价比”是永恒的主题。

 

用户总是喜欢高性价比的东西,所以要深入零售的整个链路,用数据去看钱为什么多花了,供应链成本是多少等。


因此,我们必须满足所有业务方的各种数据需求,用大量的数据来优化整个过程,帮业务监控KPI、用需求驱动供应。

 

从产品体系讲,我们是用中台支撑的,在中台基础上,我们做了一个垂直的数据产品,来进行数据产品的驱动,我们称为“双引擎驱动”。

① 核心策略:全链路数据驱动

 

我们做数据的策略和我们“品牌+平台”的商业模式有关,叫全链路数据驱动+需求驱动供应。


  • 我们的优势

 

第一,相对于平台,我们有供应端管控优势。

 

拿淘宝和京东来讲,淘宝主要在销售侧:销售、配送、消费者。他们可以用数据做很多事情,但最本质的是将亿级用户和亿级商品去做匹配,进行人群细分和商品细分,然后做匹配。最核心的是流量的分发,所以淘宝的搜索和推荐在所有平台里做得最好的。


京东是从采购开始,因为它直接购买了品牌商的货,所以它的很多库存其实都是品牌自己承担的。京东自营仓配,智能的仓配是最强的。我们用数据做流量分发或者做仓配肯定做不过他们。


但是,我们也有自己的优势。我们从产品设计开始,到生产都要管,甚至可以管到原料。虽然可能会造成高库存,但是方便了我们的供应端管控。

 

第二,相对于品牌,我们有消费者洞察优势。

 

阿迪、耐克,包括联合利华基本都是分销模式,大批量货出去,根本不知道货卖给谁了。但我们绝大部分订单都是从线上渠道来的,有用户详细的浏览、消费记录这样的数据。

 

相对于传统品牌来说,我们拥有消费者的数据,就具备了对于消费者的洞察能力,这是非常有优势的。

 

  • 我们的策略


在商品开发时,我们会能根据用户对商品的评论,辅助商品开发人员不断优化商品。我们也会通过用户对商品的评论,优化我们的品控标准。


在工厂生产阶段时,我们甚至能根据采销数据计算原料,指导工厂备料。


商品管理过程中,我们通过数据管理商品生命周期,比如:判断商品是不是该下架。如果用户评论很差,有很多负面反馈,那就无需补单。


在品类监控上,对SKU(库存)数量进行控制,避免扩太多。市场运营方面,辅助拉新、留存和转化。客户服务方面,运用大屏将监控数据可视化。一直到最后的仓配物流和交易履约,全链路进行数据覆盖。


其中,最核心的是用需求来驱动供应链。因为我们根据用户需求决定说你生产什么,以及你什么时候生产,备多少料,什么时间采多少量,什么时候送到哪个仓库。


② 数据双引擎

 

双引擎,就是数据中台和数据产品相互驱动,相辅相成。

 

  • 中台基线

 

中台是一个基线,我们要把数据从一两百个系统中(包括日志)加工出来,然后将其可视化。


在这个部分,业务最核心的是监控KPI,就只业务是什么样的状态,是不是有异常,异常出在哪里……虽然数据量很大,但这是必须要做的事情。

 

  • 中台要保证高效高质量的交付


一般情况下,业务经常会怼研发。在严选,业务对我们的认可度相对较高,主要得益于我们一直尽量守住基线:高效稳定,且高质量交付,这对做数据来说非常重要。

 

做过数据的肯定会知道数据有时候会晚产出,有时候指标不一致,有时候数据计算的不对,出现异常情况。

 

不同于“搜索推荐”这种成熟的模型,做B端垂直的决策建议,需要对行业、对业务有深入了解,而深入了解业务,要靠和业务部门的专家,双方合作的基础就是信任。要是你的数据老是不对,就更别提合作做数据模型驱动决策了。

 

这时候,中台如果能保证高效高质量的交付,就能够获得信任,数据产品才能开展起来,也才能相互合作,进行决策建议,最终做到数据驱动。


二、数据产品体系应该如何构建?


我们的产品体系,一边是消费者,一边是制造商,那么数据产品是如何来布局的呢?

 

我们在营销侧做数据化运营,在供应链那一侧是做数据化供应,中间是数据化管理。

 

1.数据化运营的两个系统:刑天和神相

 

刑天—推广渠道管理系统,负责拉新;神相—作为用户行为分析平台,负责转化复购,通过各种监测链服务把数据投放的数据接入,包括曝光数据、点击数据,一直到转化数据,从而进行信息归因、用户生命健康度分析,以及ROI(投资回报率)预测等。

 

2.数字化管理:VIP App和谛听

 

VIP App是移动数据工作平台,谛听是舆情洞察中心。前者是自上而下推动数据化管理,后者是自下而上用数据驱动组织改进。

 

整个数据产品体系在业界没有成熟的方法论,能不能做好,还要看谁更精细化。

 

对于这个问题,首先应该是管理问题,而不是技术问题,包括团队协作问题、KPI不明确问题。

 

接下来,我会重点讲一下数据化管理,将会涉及到做产品、做数据的思路。

 

VIP App移动数据工作平台,提供的功能是在严选APP上进行了叠加,相关负责人长按一下商品就能看到商品的数据,长按一下类目就能看到类目的数据,简单方便。这也是我们的突破的第一步。


这个产品出来后就是给CEO用,他是第一个用户。原来看报表,有人汇报,而现在实时长按一下,想看什么就看什么,也不会被报告所忽悠。

 

这实际上是自上而下推动数据化管理的。严选负责人在看了这个之后都会截图,给运营负责人看今天的数据如何,又截个图给供应链老大,看扩展效果如何,接收到反馈的部门负责人就找到我们。

 

这样一来,我们就拿到需求了。现在,我们内部无论中层高层都在用这个系统——高层驱动职能部门,职能部门驱动业务实操

 

这个数据产品是我们数据化体系中最简单的一个,也是产品思维最强的一个。


做B端产品,一定要好用,CEO的时间是整个公司最大的资源,所以要帮他节约时间。

 

其实,核心是做两个事情:一是KPI的数据分层监控,一个是所见即所得的商品数据,现在也做了很多流量,各个业务也都要做进去。

 

当你随时可以拿到数据,就可以随时促发每个人的灵感,随时进行运营动作,实现销量的上升。

 

需要注意的是,做数据首先有个目标:解决运营频次的问题。原来决策可能是按周的,或者是按其他频次来做决策,现在是随时随地拿到,随时随地决策。

 

另外,做数据相关的驱动,应该从顶层入手,因为它是自上而下的事情

 

做完了自上而下的数据化管理,又要进行自下而上的数据驱动改进。我们的业务也在不断改进优化,但都是基于内部的自我认知。

 

我们如何听到用户的声音,让用户帮我们发现问题,驱动我们改进?

 

我们把严选上面的用户评论,以及客户系统的客服跟用户的对话,抓取出来进行分析分类,然后分发给对应的业务部门改进。

 

这是自下而上,用用户的声音来驱动各个业务部门去改进。

 

其实就是利用我们的舆情洞察中心,从用户访问、浏览、咨询、下单、配送、收货、使用、评价到最后的售后,会产生很多用户数据。这些数据有的是结构化的数字,有些是文本,但都能对所对应的相关部门提供服务。

 

整个消费链路涉及核心业务环节包括:商品开发、产品设计、商品详情页设计、活动策划、客服咨询、商品质检、包材设计、仓库作业承运商服务、售后服务等。

 

我们如何利用用户的声音来驱动大家好好工作呢?我们拿到整个数据后先用算法进行情感分析,判断哪些是好的哪些是不好的。

 

大家知道,很多时候,用户本来写了个好评,但忘记点星级了,就变成了差评;有时候用户写的是差评,却点了四星;有时候用户是带着情绪进行评论的……所以要用算法把真正的舆情分析出来


目前,我们分了13个一级问题,80个二级问题,最终都会通过算法对这些数据进行分类,然后分发给各个业务部门,让他们改进。

 

比如,用户评论“这次快递比上次慢了好多……”不看数据的话,这其实就是一个很主观的评论,所以要把主观的东西变成数字化的东西,真的慢了吗?


对此,首先做舆情的分类算法,我们看到它是一个差评,可能是物流问题,也可能是库存问题,但这只是可能,并不能确定,还要结合数仓的数据:推单时间、妥投时间、应妥投时间,发货仓等。


最终,要用实际数据来计算到底是哪个环节慢了,这里就涉及到我们的分类引擎,它是可以自定义配置的,比如算法大于多少,应投的时间大于多少,妥投的时间大于多少。


最终确定到底哪个环节出了问题,会对这个环节进行调整改进和优化。


再比如品控方面,国家的品控标准相对较低,而严选要做精品电商,要做高品质的东西,品控标准要更高,但品控标准从哪里来?

 

我们有大量的质量分类,比如通过用户对电气评级的舆情分析所产生的品控标准。这样在新品开发时,就可以规避这些东西,我们进厂质检的时候也能够去做更好的标准,来保障用户的利益。

 

现在,所有舆情全部接入谛听,有的可以直接到下游系统,让承运商去处理;有的可能到品控系统,去制定品控标准;有的到商品系统,商品进行迭代时就能规避很多问题,像一些功能性障碍或一些问题的设计,在商品迭代时就要去处理。

 

用数据反向驱动各业务部门改进,这是相对比较创新的方法。在VIP App内也有一个品质模块,负责人能看到整个品类或商品的品质是升了还是降了。

 

业务部门相对更关心品控部门,因为用户声音对他们来说是很有帮助的,最起码不再是拍脑袋汇报,相比之前可靠多了。

 

3.数字化供应

 

河洛作为供应链数据化运作平台,包含采购计划、需求计划、备料计划、波次(作业批次)到货计划等,因为数据是实时到达的,所以实时用户数据都能算出来,这是我们的优势。

 

严选是线上渠道,有很多用户数据。根据用户不断浏览、下单的数据,可以做需求计划;业务用户的数据结合上层定的KPI来做需求计划,即每周需要有多少商品到仓库,货要充足,完成KPI。

 

在数据支持方面,我们有数据仓库、模型计算、BI策略和算法服务,这和决策支持方面是相辅相成的,最终促进业务系统的发展。

比如,我们可以根据销售端营销侧的数据去进行一些活动计划,然后根据活动计划去计算需求计划,进而根据需求计划算采购计划。这时,会涉及到SKU,比如说一个颜色、一个尺码的衣服,一个SKU每周应该下多少量。


接下来是库存计划(库存是整体的,根据进销存来看库存的库转率)最终是到货计划,这是指有时候一个单下去,发现卖的不太好,需要拆掉部分生产订单。


这时,到了之后应该放到哪个仓里,因为各仓是不平衡的,就采购分仓,因为有的卖的多,有的卖的少。


 

整个数据都可以通过河洛供应链数据运作平台获取到,有了数据就同我们的核心供应商共享数据,进行策略输出:供应商做备料计划,进行产能配置,设置生产排程,以及交货建议。

 

得到算出的数据后,采购计划会推单推到我们针对供应商提供的采购系统,我们会把我们的一些备料计划、采购计划同步给对方,还有品控方面的舆情。

 

接下来,我们看下供应链一体化协同解决方案:


WMS系统(仓储管理系统)是仓储管理系统,采购分仓时,WMS要知道什么时候采购,会有多少货进来,以及什么时候进来等相关数据;TMS(运输管理系统)是物流体系,什么时间要派卡车到哪几个供应商处,以及走哪条路线去取货。

 

它是整个严选的供应链的智慧大脑,能对接上很多系统。它可能会利用数仓的数据、我们的一些模型、BI的一些策略,还有算法的一些服务去进行对接,在每个环节我们也都会做一些模型和一些KPI监控,进行一些模型的计算,最终做出决策建议。


这也意味着我们真的已经走到数据驱动业务这一步了,因为我们已经可以利用一系列数据给出业务方面的建议了。


三、数据中台体系是如何构建出来的?

中台是2015年阿里提出来的,但真正流行的其实是2018年下半年。当时经济真的开始下行,粗犷经营方式已也经不行,没有容易赚的钱,于是大家开始转向数据化运营。

 

对于数据中台,大家有着不一样的定义,但无论定义多么不同,在我来看,最终交付的肯定是产品或者系统,中台最核心的问题是:解决数据的高效以及高质量的交付问题

 

1.数据中台的服务架构体系

 

① 前台

 

既然讲中台,肯定有前台存在。对于我们的中台来说,前台是BI系统、数据产品和业务系统,是直接驱动业务的东西。

 

首先是BI报表。我们最早服务的是BI报表,包括营销分析、商品分析、用户分析、流量分析等各种报表。

 

其次是数据产品,前面已经详细讲过,这里就不多讲了。

 

最后是业务系统。包括商品中心的热销排行、消费报告,一年消费了多少,买了什么东西,结构如何。不过,这些数据都是中台出产的,包括CRM系统圈用户的数据。

 

② 数仓体系

 

对于前台三大系统来说,中台就是个加工中心。用一个比较形象的类比就是:一个人可以自己买菜做饭,但如果像富士康那样的有50万人要吃饭,该怎么办?

 

这时,要把这个流程切开,中台相当于就是输进来的是稻米、小麦、活鸡,出去的是宫保鸡丁的配料。数据从各个系统进来,要把它变成半成品,供前台系统使用。

 

数据仓库同食材仓库一样,分很多种,要把数仓管好,就要有相关的系统。比如菜单系统、质量管控系统,还有设计质量等,必须有一些相关的系统来保证它产生的数据的高效生产和高质量。

 

③ 数据服务

 

数据服务这一层我们经常类比物流服务,主要是统一查询服务,还有标签服务、指标监控服务、数据传产出服务和数据导入服务等。

 

至于严选有数-敏捷BI平台,我们经常会把它形象的地比喻成半自动炒菜机,分析师只需要按各种键,就能够半自动的炒出相应的菜。

 

以上大概就是整个中台的体系。

 

2.数据中台:高效+高质量

 

所谓中台,是和业务相关的东西,它主要解决两个问题:高效和高质量。

 

其中,高效包括高效分析、高效集成、高效研发这三个方面。解决了这三个方面的问题,也就解决了高效的问题。

 

相对来说,高质量的问题比较复杂,最主要的是解决指标的一致性问题。这是老板比较关心的问题,老板就怕看到数据不一样。

 

对于指标一致性问题,最核心的就是三层:统一定义、统一开发、统一使用。

 

以严选为例:

 

统一定义:仓颉-指标管理系统来做定义,有原子指标、修饰指标、派生指标。数据产品统一来管口径,口径一定要定义完再进行输出。


统一开发:数据进行指标加工,通过北斗-数仓设计系统去设计各种表,再在网易猛犸里去进行数据开发,分析师主要做汇总、聚合等分析型处理。


统一使用:所有的数据产品、有数报告、业务系统,通过统一查询,最终统一来配送。


不过,大家会对指标的认知是不一致的,业务对报告里的指标口径理解可能有偏差,所以要统一制定交互规范。


无论在数据产品,有数报告和业务系统里,我们都要求在指标旁边放一个感叹号,鼠标悬停就会显示从我们仓颉指标系统中获取到相关的指标定义。

 

如此一来,我们在配送数据的同时也能把定义配送过去,这样业务方看到数据的同时,也能看到到底是如何定义的。

 

从价值来说,即使我们中台体系和数据产品体系已经相对比较完善,我们仍然要做更好的驱动业务。否则,我们对公司创造的价值会降低的。

 

今天的分享到这里就结束了,谢谢大家。

养殖圈QQ群:469935162

服务热线:

15031129300


在线客服