全渠道运营的数据科学

运营 2020-04-11 80 次浏览 0 条评论 次点赞

hdr1.png

在全渠道运营体系中,通过数据科学的数据管理和数据分析手段,最终实现营业额的提升。全渠道运营的数据科学在SAS服务体系中称之为omnichannel analytics

数据科学

从概念上来看,数据科学(Data Science)是一门利用数据学习知识的学科,其目标是通过从数据中提取出有价值的部分来生产数据产品。它结合了诸多领域中的理论和技术,包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。

数据科学通过运用各种相关的数据来帮助非专业人士理解问题,对商业竞争有极大的帮助。传统企业将数据科学作为商业分析工具,辅助企业发现风险事件和挖掘营销机会。新型企业则将数据科学作为商业引擎,帮助企业实时进行商业决策,提升业务收入,体现在包括产品设计,市场营销,库存管理,客户经营,商品推荐,门店选址,成本控制,供应链管理等业务运营的方方面面。

最显见的效用是,依靠数据科学可以降低库存成本,测量需求变化,实时商业决策,并加速商业模式的迭代。

全渠道运营

由于竞争激烈、流量红利消失、流量的超级碎片化、用户体验升级需求等等原因,倒逼企业需要做全渠道运营。全渠道运营的核心就是“围绕人、货、场进行最终营业额的提升”。

用流行的前中后台思维,来描述一下全渠道运营的整体构建,软件提供商 Terminus 为我们提供了一个结构素材,将企业的核心能力以数字化形式沉淀到平台,形成以服务为中心,以业务中台和数据中台构建起数据闭环运转的运营体系,供企业更高效地进行业务探索和创新,以数字化资产的形态构建企业差异化的核心竞争力。

qtyw.png
gxzt.png
qyzt.png
terminus.io

全渠道运营的数据科学包括数据管理和数据分析两个方面。

全渠道运营的数据管理

全渠道运营的核心,首先是客户数据的管理,特别是行为数据,而不仅仅是交易数据。

在当前的经营实践中,绝大部分品牌商和渠道之间沟通的数据往往仅限于销售本身。在这种情况下,品牌商根本无从了解自己的客户。

举个应用场景来理解,客人线下店逛了10次,最后成交一双鞋子。在这个过程中,传统系统只能纪录该次成交的信息。这里就有一个数据获取的问题。过去靠进店计数器所能获取的信息极为有限。而今天通过新技术,如RFID(射频识别)、iBeacon(智能传感)甚至微信扫码等技术手段,以及消费者本身对于移动应用的习惯性依赖,可以帮助线下获取大量以前无法获取的数据。

这些不同来源的数据获取之后,如何管理和使用呢?技术上来说,这些数据来自于不同的空间。

举个可以理解的例子,商家采集到信息说“小明来到实体店试戴了一副眼镜”,同时,电商部得到信息说“王先生在我们的官网上对一副眼镜浏览了很久”。事实上,在现实世界中,这两个信息都是关于“王小明”的。如果品牌商有一套系统,帮助自己整合来自各个渠道来源的信息,并作出相应的分析和推荐,那么当实体店的导购员知道“小明”来了的时候,就已经可以调取到“王先生”在线上的浏览记录,及时有效地作出导购和推荐。

传统的经营模式中,割裂售前、售中和售后职能,分别由市场部、销售部和客服部门负责的,部门之间在面向同一个客户的时候信息不互通、不共享。因为每个渠道都存在这三个不同的职能部门,所以这个问题在多个渠道同时运营时会被放大,会明显降低客户的消费转化率和品牌满意度。我们的实践经验是,让所有渠道的所有部门共享同一个数据库,包括客户数据、商品数据等。

举个场景帮助理解,对于客服部门而言,当接到一个客户打电话投诉的时候,客服代表能清晰地了解该客户的“前世今生”,知道TA有没有在微博上抱怨过等来自所有渠道上的信息,然后能很确定地给出一个解决的办法,比如让TA直接去办公楼下面的实体店退换货。

一个既能对接好各类前端消费平台,又能打通后端生产和供应链的完整数据链管理平台,是保证商家玩转全渠道运营模式的技术基础。

“互道信息”有提到一个全资源管理系统ORP(Omni-Resource-Planning)概念,倡导打破渠道边界和企业内外边界,致力于快速建立自己的数据管理平台和全员的数据化运营系统。

本节参考王华文章。王华,互道信息技术(上海)有限公司创始人兼CEO,曾担任 SAP 全球高级副总裁。

全渠道运营的数据分析

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析,将它们加以汇总和理解并消化,以求最大化地开发数据的功能,发挥数据的作用。数据分析是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。将数据分析商业化、信息化,从而实现商业价值的企业信息化建设过程称为商业智能

数据分析驱动的决策管理是优秀管理者必备的竞争优势,进而成为下一步运营战略规划的基础。

通过以下4个方面以提高数据分析能力(参看《数据分析师必备的9大技能》),包括:

  • 数据指标体系设计;
  • 数据的获取与采集;
  • 常见的数据分析方法;
  • 数据分析与增长试验闭环。

数据指标体系设计
以销售型业务为例,信息服务和电商作为全渠道运营的主要工作,通过信息服务展示商品并获得销售线索,通过电商完成交易,其中最重要的数据有:新增用户、重复购买、总销售额。数据指标体系设计要基于先进的软件设计,又最终由软件准确呈现。

数据的获取与采集
数据指标体系设计指导下,通常通过前中后台的软件设计来完成。可以肯定的是,季承陈旧理念的软件产品没有实用的数据获取与采集功能,因为它们建立于原始的数据指标设计。

常见的数据分析方法
最普遍会用的是描述统计,很多文案PPT中都会呈现;进一步可作方差分析、回归分析等,更多的数据分析方法将是一个专业领域,参看《16种常用的数据分析技术汇总》和《15种数据分析方法》。

数据分析与增长试验闭环
数据分析与试验增长闭环测试的核心逻辑是:假设——验证——分析。
实施的方法是“提出假设——计划排期——运行试验——研究调查——数据分析——行为分析——再次提出假设”的一个闭环试验,符合数据驱动的增长闭环。

20200528160119.png

本节参考丰宪飞文章


本文由 pbradmin 整理发布,参考 CC-BY-SA 3.0 协议共享,欢迎转载、引用或改编。
感谢您的支持,以让我们共同关注宠物行业的商业观点和企业创新!

还不快抢沙发

添加新评论