大數據在企業運營的不同層次有著不同的作用，也對應了不同的應用方法論。本文抽象出大數據應用于企業運營的不同層次以及相應的應用方法——大數據企業 運營應用金字塔模型。大數據企業運營金字塔分為7個層面，包括數據基礎平臺層、業務運營監控層、用戶洞察與體驗優化層、精細化運營與營銷層、業務市場傳播 層、業務經營分析層和戰略分析層。企業在考慮大數據應用時，此模型可以作為基礎的參考方向。

數據基礎平臺層。數據基礎平臺層是大數據企業運營應用金字塔的最底層也是整個金字塔的基礎層，如果基礎層搭建不 好，上面的應用層也很難在企業運營中發揮效果。沒有數據或者沒有高質量的數據，所有的分析和數據挖掘都是誤導。數據基礎平臺層的目標是把企業的所有用戶 (客戶)數據用唯一的用戶ID串起來，包括用戶(客戶)的畫像(如性別、年齡等)和用戶行為等，以達到全面的了解用戶(客戶)的目的。數據基礎平臺層的搭 建有三大關鍵：

(1)確定用戶唯一ID。企業需要確定打通用戶(客戶)數據的唯一ID，可以考慮用會員注冊號，或手機號或者身份證號等。企業在構建會員注冊體系時， 最好是使用用戶手機號作為會員賬號，這樣方便后期整合其他外部數據源;同時使用手機號的好處在于未來可以基于手機號向會員開展相關的營銷活動;

(2)有效的解決數據孤島問題。擁有大數據的企業常常有多個業務部門，而且不同業務部門的數據往往孤立，導致同一企業的用戶各種行為和興趣愛好數據散 落在不同部門，出現不同的數據孤島，導致企業的數據資產不能很好的整合使用。解決數據孤島的問題，需要高層重視并授權給公司級的中立數據部門，企業從上往 下，有意識強有力的去整合不同業務部門的數據，解決數據孤島，打通數據;

(3)解決數據有效管理和計算的問題。我們可以通過技術手段和規范手段把數據管理起來。重點要解決的問題是存在數據倉庫里面的數據具體的含義是什么，以及如何高效的存儲和計算。通過數據接入系統和元數據管理系統，我們可以有效的管理數據的定義和相關計算邏輯;通過分布式文件系統、分布式數據庫等方法解決高效存儲的問題;通過大數據查詢分析計算、批處理計算、流式計算和內存計算等計算模式以及大數據計算任務調度系統等方法解決高效計算的問題。

業務運營監控層。業務運營監控層主要目的是幫助企業監控業務運營情況的健康度，快速發現問題并定位問題原因。我 們首先要做的是搭建業務運營的關鍵數據體系，在此基礎上開發可視化的數據產品，監控關鍵數據的異動，并可以定位數據異動的原因，輔助運營決策。在業務運營 監控層，如果企業構建了實時計算的能力，那么很多業務運營中問題就能更快的發現。因此，業務運營監控層的工作有兩大關鍵：

(1)梳理數據體系。數據分析師和業務負責人一起梳理業務的數據體系，尤其是對關鍵數據如KPI數據進行系統化的拆解和梳理。KPI數據的梳理可以以 假設該數據下跌開始進行梳理。以活躍用戶為例，假設某產品的活躍用戶數下跌，一方面可以通過物理拆解的方式層層下鉆找出影響模塊，即某產品的活躍用戶下跌 可能是因為該產品的子模塊活躍用戶下跌引起，我們可以對該子模塊進一步拆解分析原因，拆解的過程也是數據體系搭建的過程;另一方面，可以對活躍用戶的相關 因素進行數據化梳理，如新老用戶的構成、用戶質量、推廣渠道質量的變化等多種維度進行數據化梳理;

(2)打造數據異動監控產品。企業需要構建靈活和智能的數據異動監控產品，并把梳理好的數據體系封裝在數據異動監控產品中。數據異動監控產品需要有三 方面的能力：一方面，數據可視化程度高易讀性好，通過該產品可以清晰的看到數據體系和數據間的脈絡;第二方面，通過算法實現異動原因的定位;第三方面，智 能的告警功能，一旦關鍵數據的關鍵節點出問題，并可以通過短信、郵件等方式周知相關人員。

用戶洞察/體驗優化層。這一層主要是通過大數據來洞察用戶行為和偏好以及監控和優化用戶的體驗問題。這一層面既 運用了結構化的數據來洞察和優化，也運用非結構化的數據(如文本)來洞察和優化。前者更多的是應用各種用戶行為模型來實現，后者更多的是通過監測微博、論 壇和企業內部客服系統的文本來洞察和優化。具體包括以下兩大方面：

(1)用戶洞察。利用大數據技術抓取微博、論壇和企業客服系統等文本數據來洞察用戶對產品的關注點和走勢，實時掌握用戶需求及動向;基于大數據的用戶 行為數據分析，并結合用戶調研，深度掌握用戶潛在需求和預期;對企業內部數據進行系統化梳理后，為企業內部數據用戶搭建自助分析工具，協助企業內部數據用 戶(如產品經理、營銷人員)靈活提取和分析數據，幫助他們進行相關研究和決策;

(2)體驗優化。我們可以通過大數據構建各種用戶體驗監測模型來進行用戶體驗優化。如電商用戶購買行為的漏斗模型，監控用戶進入首頁、查看商品產品詳 情、把產品放到購物車、購買以及支付等各環節之間轉化率來發現用戶購物過程的體驗問題;通過大數據技術監測用戶使用產品的評價以及時發現產品體驗問題，并 提交給相關產品或服務部門進行調整和優化。

業務運營監控層和用戶洞察/體驗優化層這兩個層面終極目標是實現企業運營健康度監控的智能化，這兩層面做出的工具好比是人體的體溫計、血壓計、B超、CT等工具，我們用這些工具就能快速透視企業運營中那一模塊或者環節發生問題，以輔助相關人員進行及時的改進。

精細化運營和營銷層。這一層主要的目的是通過大數據驅動企業進行精細化運營和營銷。實現精細化運營和營銷有六方面關鍵：

(1)構建基于用戶的數據提取和運營工具。運營和營銷人員通過簡單的條件配置(如選擇男性、18-24歲以及特定興趣愛好)，便可把用戶信息提取出來，對相應的用戶進行營銷或運營活動;

(2)構建基于大數據的CRM系統。傳統的CRM系統只關注企業內部數據，而大數據時代的CRM不僅僅是整合企業內部數據，還需要整合更多的外部數據，利用大數據技術獲取更多實時和多元化的用戶行為和偏好數據，為企業潛在用戶、存留用戶打標簽，構建多維度及實時的用戶視圖，更有效掌握不同用戶的價值，對不同用戶實施不同的營銷策略;

(3)構建基于大數據的營銷活動數據挖掘體系。通過數據挖掘提升用戶對營銷活動的響應(如點擊率)，常見的數據挖掘算法有決策樹、邏輯回歸等，通過這些算法有效的提前識別最有可能參與活動的用戶，或者發現潛客;

(4)推廣渠道質量監控和防作弊。通過大數據手段建立營銷推廣渠道質量的監控模型，實時的監控推廣渠道的效果和質量，防止渠道作弊，及時優化和挑戰推廣策略和預算;

(5)通過數據挖掘的手段進行客戶生命周期管理，做到實時對不同生命周期的客戶進行實時標記和預警，并把有效的活動當成商品一樣及時的推送給不同生命周期階段的客戶;

(6)客戶個性化推薦。主要是用個性化推薦算法實現根據用戶不同的興趣和需求推薦不同的商品或者產品，以實現推廣資源效率和效果最大化。

業務市場傳播層。這一層面要做到通過“性感”的數據分析和挖掘來輔助產品進行傳播，主要有兩種實現方式：

(1)制作有趣的數據信息圖譜。相信大家都不喜歡看產品的公關軟文，而更喜歡看好玩的有趣的內容。互聯網上內容的傳播更是如此。第三方數據公司 CNNIC中國互聯網絡信息中心2014年的數據顯示，10-29歲的網民占所有中國網民的55%，而這些用戶偏年輕、偏“屌絲”，所以這些受眾更喜歡 “性感”的內容。某電商平臺曾經通過統計其購買胸罩C-Cup以上的用戶地區分布，發現西安的網民相對比例最多，并發布了這個數據，暗示西安女生身材好， 引起不少“屌絲”網民傳播。而某社交平臺在則基于其8億多活躍用戶披露“逃離北上廣”數據圖，發現11%的用戶在春節后逃離了北上廣，并引起央視的深入報 道;

(2)提供數據可視化產品。如某搜索引擎廠商，提供關鍵詞搜索指數，讓關注此關鍵詞的用戶可以實時掌握該關鍵詞被網民關注的走勢，在提供此服務的同 時，也形成了該搜索廠商的品牌傳播效應。另外一個案例是，某互聯網地圖服務上基于其位置定位數據，向網民展示了春節期間的全國春運出行熱度圖，以可視化的 大數據產品形式來展現全國春運動態，網民可以在動態的出行熱度圖上查看某城市的人口遷入、遷出線路排行，并能進行飛機、汽車、火車等不同出行方式的熱度對 比，由此來知曉某地區春運的出行熱度。全國春運出行熱度圖被央視報道，可見這樣結合社會熱點的數據可視化產品更被關注。

業務經營分析層和戰略分析層。這兩個層面更多的是運營傳統的戰略分析、經營分析層面的方法論，擁有大數據的企業 在這兩個層面的優勢在于其分析的數據可以來自大數據，并且數據更新速度快，快到可以按照小時來更新甚至是分鐘級的速度更新，傳統的戰略分析、經營分析一般 是按月來統計;另外一個優勢在于大數據的數據來源更多，可以對非結構化的數據進行更多的深入挖掘和洞察。但有兩方面需要注意：

(1)有很多企業錯誤的把“業務運營監控層”和“用戶洞察/體驗優化層”能做的事情放在經營分析層或者戰略分析層來實施。我們認為“業務運營監控層” 和“用戶/客戶體驗優化層”更多的是通過機器、算法和數據產品來實現的，“戰略分析”、“經營分析”更多的是人來實現。很多企業把機器能做的事情交給了人 來做，這樣導致發現問題的效率較低。我們的建議是：能用機器做的事情盡量用機器來做好，尤其是“業務運營監控層”和“用戶/客戶體驗優化層”，在此基礎上 讓人來做擅長的經營分析和戰略判斷;

(2)在變化極快的互聯網領域，在業務的戰略方向選擇上，數據很難預測業務的大發展方向，如果有人說微信這個大方向是通過數據挖掘和分析研究出來，估 計產品經理們會笑了。我們認為，如果能利用數據通過機器、算法、或者人工的手段，把經營的現狀和問題及原因洞悉的特別清楚已經很不錯了，這樣決策層就可以 基于這些情況進行更好的“拍腦袋”決策。

從本質上來說，數據在業務運營監控、用戶洞察和體驗優化、精細化營銷和運營、輔助經營分析中能起到比較好的作用，但在產品策劃、產品創意等創意性的事 情上，起到的作用較小。但一旦產品創意出來，便可以通過大數據AB測試，數據驗證效果了。總之，本文只是提綱挈領的介紹了大數據在企業的落地方案。還有更 多的細節和方法論未能展示出來，后面的文章將繼續展開。