消費品企業(yè)應(yīng)該如何使用內(nèi)部產(chǎn)生以及外部采集的數(shù)據(jù)，像互聯(lián)網(wǎng)公司一樣建立用戶畫像與會員體系，以數(shù)據(jù)驅(qū)動的方式進(jìn)行精細(xì)化的生產(chǎn)、運營和銷售？

傳統(tǒng)的管理咨詢公司，雖然有無數(shù)頂尖的大腦，但是他們的大腦只靠 Excel 等簡單工具的輔助，這樣的算力，能不能滿足上述的需求？

在 2015年 上半年，數(shù)據(jù)冰山團隊有幸為國內(nèi)一家時尚消費品行業(yè)的龍頭公司進(jìn)行數(shù)據(jù)平臺的建設(shè)，歷時半年，完成了內(nèi)部數(shù)據(jù)的打通和洞察，用戶畫像，會員體系的搭建，以及外部數(shù)據(jù)獲取與跟蹤。在這里和大家分享我們的一些體會，希望更多的消費品企業(yè)可以用數(shù)據(jù)驅(qū)動的方式來進(jìn)行精細(xì)化的運作。

其實作為龍頭消費品企業(yè)，其數(shù)據(jù)生產(chǎn)能力與中等規(guī)模的互聯(lián)網(wǎng)公司不相上下，支撐日常業(yè)務(wù)的 IT 系統(tǒng)大大小小共有十余個，比如：

1）分銷系統(tǒng)：支撐全國上千家線下門店每日的銷售配貨，每日訂單量在數(shù)十萬量級；

2）電商訂單系統(tǒng)：負(fù)責(zé)處理十余個主流電商（京東，天貓，唯品會，一號店，聚美，亞馬遜，當(dāng)當(dāng)網(wǎng)，有贊等）的訂單管理與客服；

3）倉庫管理系統(tǒng)：負(fù)責(zé)全國各大區(qū)域的倉儲物流，數(shù)千個 SKU 的備貨情況；

4）BI 系統(tǒng)：負(fù)責(zé)各主要業(yè)務(wù)系統(tǒng)的數(shù)據(jù)聚合，制成日常統(tǒng)計報表；外加大大小小的財務(wù)系統(tǒng)，人力系統(tǒng)，績效系統(tǒng)，品牌 / 分公司訂貨系統(tǒng)等，每日產(chǎn)生的數(shù)據(jù)維度以及量級其實已經(jīng)相當(dāng)龐大。

但和互聯(lián)網(wǎng)公司相比，消費品企業(yè)的數(shù)據(jù)消費，數(shù)據(jù)分析能力存在明顯的短板。越來越多的管理層也十分希望像互聯(lián)網(wǎng)公司一樣管理用戶和數(shù)據(jù)，使用數(shù)據(jù)驅(qū)動他們的決策。

面對這樣龐雜而分散的數(shù)據(jù)以及對快速實時產(chǎn)生數(shù)據(jù)的渴求，不僅傳統(tǒng)企業(yè)的 IT 及經(jīng)營分析部門束手無策，再高端的管理咨詢公司也只能撓撓頭說 “臣妾做不到呀”，實在是超越了這群聰明人大腦的算力。

接下來會從三個角度分享如何為傳統(tǒng)行業(yè)搭建數(shù)據(jù)平臺，首先介紹大數(shù)據(jù)（數(shù)據(jù)科學(xué)）與商業(yè)智能（BI）在消費品領(lǐng)域的應(yīng)用，然后詳細(xì)講解用戶畫像與用戶體系搭建，最后分享如何利用外部數(shù)據(jù)（電商，社交媒體）對行業(yè)趨勢與其他企業(yè)的運營進(jìn)行監(jiān)控。

在這里面所用到的數(shù)據(jù)相關(guān)的技術(shù)，已經(jīng)大大超越管理咨詢顧問的算力。如同封面圖中的《魔戒》水晶球 Palantiri，它如同數(shù)據(jù)技術(shù)賦予了人類及精靈看到任何地方的能力。而傳統(tǒng)的人類，無論如何提高人肉的眼力，也只能到目力所及的有限范圍。

1大數(shù)據(jù)和商業(yè)智能（BI）

我們很少說自己是一家大數(shù)據(jù)公司，因為大數(shù)據(jù)這三個字的意義更多是指一種概念和思維方式，并沒有什么具體的含義，既不是一種工作也不是一種技術(shù)，可能勉強算得上是一些門檻稍高的，和數(shù)據(jù)科學(xué)有關(guān)的算法，技術(shù)以及工具的統(tǒng)一稱謂，比如數(shù)據(jù)挖掘 (聚類，關(guān)聯(lián))，機器學(xué)習(xí) (邏輯回歸，神經(jīng)網(wǎng)絡(luò))，比如自然語言處理，比如分布式運算 (Hadoop, Spark)。但在服務(wù)具體企業(yè)的時候，我們難免會被套上大數(shù)據(jù)的殼子，畢竟大家都在找能做 “大數(shù)據(jù)” 的公司。

相比大數(shù)據(jù)，Business Inteligence (BI) 的歷史就要久遠(yuǎn)許多，在各大軟件廠商的不斷教育下，大中型公司幾乎都采購了 BI 軟件。其實 BI 也是一個比較寬泛的概念，和大數(shù)據(jù)一樣包含了許許多多的技術(shù)和工具，像是數(shù)據(jù)倉庫，OLAP cubes，Data Mart，Star schema，數(shù)據(jù)挖掘等等。那么他們究竟是不是同一個東西呢？

1.1商業(yè)智能（BI）

其實軟件廠商所提供的 BI 軟件與廣義的 BI 概念還是有很大程度的區(qū)別。

為了追求高度的抽象化與通用性，BI 軟件大部分時間所承擔(dān)的責(zé)任是一家公司的各類報表應(yīng)用：將各個 IT 系統(tǒng)的數(shù)據(jù)聚合至 BI，然后進(jìn)行統(tǒng)計匯總，并統(tǒng)一在前端通過 BI portal 呈現(xiàn)出圖表與數(shù)值，便于業(yè)務(wù)人員了解日常數(shù)據(jù)和運營情況。

所以除了 ETL 部分以外，BI 軟件絕大多數(shù)的功能都是通用性極強的，跨行業(yè)，非定制化。ETL，是英文 Extract-Transform-Load 的縮寫，用來描述將數(shù)據(jù)從來源端經(jīng)過抽?。╡xtract）、轉(zhuǎn)換（transform）、加載（load）至目的端的過程。其實傳統(tǒng)的消費品企業(yè)面對零散的數(shù)據(jù)庫，特別需要 ETL 的服務(wù)。

ETL 看似低端，其實當(dāng)今的大數(shù)據(jù)頂尖企業(yè) Palantir，在最初為 CIA 服務(wù)的時候，也是從 ETL 開始的，讓美帝特工不用在分散的多個數(shù)據(jù)庫上分別做一次查詢。

這也就決定了 BI 軟件的 sweet spot 在于監(jiān)控和繪制通用性的統(tǒng)計報表，比如時間序列統(tǒng)計，分布統(tǒng)計，分段統(tǒng)計等等。

圖 1 展示了這家消費品企業(yè)兩年間平均價格變動與總銷量的時間序列，可以看出銷量兩年來穩(wěn)步增長，有小周期性（一二月份賣得少，換季的月份賣得多），而賣出商品的價格兩年保持基本一致，并呈明顯周期性變化（對于時尚消費品，冬款的造價自然要高出夏款許多）。

圖 2 展示了集團旗下各品牌的銷量分布和占比，可見此集團有一個相當(dāng)強悍的主品牌，以及 2-3 個在垂直領(lǐng)域表現(xiàn)不菲的子品牌，定期輸出銷量分布，可以監(jiān)控各品牌的發(fā)展情況并衡量品牌策略是否成功。

BI 軟件的強項是將這些業(yè)務(wù)數(shù)據(jù)匯總起來，無需編程即可繪制出可供長期監(jiān)控的可視化報表，同時實現(xiàn)隨時更新，而不是傳統(tǒng)管理咨詢的一份靜態(tài)報告。傳統(tǒng)咨詢提供的報告，往往在出爐的第一天就過時了。

1.2數(shù)據(jù)科學(xué)

反觀數(shù)據(jù)科學(xué)，如果站在一個數(shù)據(jù)工程師的立場上，BI 軟件做的事情其實也屬于數(shù)據(jù)分析的范疇，任何數(shù)據(jù)洞察，數(shù)據(jù)挖掘工作都需要涉及到這些通用維度的基本統(tǒng)計。但在這種淺層分析的基礎(chǔ)之上，數(shù)據(jù)科學(xué)家可以通過帶入較強的人為干預(yù)和行業(yè)性輸入，做到許多高于 BI 的數(shù)據(jù)洞察。而將這些洞察落地，運用至具體產(chǎn)品設(shè)計，營銷方案，會員體系和售后服務(wù)中，便可以像互聯(lián)網(wǎng)公司一樣，實現(xiàn)以數(shù)據(jù)驅(qū)動業(yè)務(wù)。

舉一個實際的例子，圖 3 是用戶重復(fù)購買間隔的 CDF 曲線 (Cumulative distribution function)。橫坐標(biāo)代表天數(shù)，縱坐標(biāo)代表百分比。數(shù)據(jù)顯示，有 37%的用戶在第一次購買后的一個月(30 天) 內(nèi)會進(jìn)行第二次購買，而 45%的用戶在第二次購買后的一個月內(nèi)進(jìn)行了第三次購買，51%的用戶在第三次購買后的一個月內(nèi)進(jìn)行了第四次購買。隨著購買次數(shù)的增加，CDF 曲線向左傾斜，也就意味著用戶在建立了品牌認(rèn)知后，購買頻率顯著增高，兩次購買之間的間隔明顯縮短。

因此，誘發(fā)新用戶建立品牌意識，進(jìn)行二次購買的窗口為 3-4 個月的換季檔，而對老客戶的消費喚醒窗口期則更短，以 1-2 個月為最優(yōu)。這是一個很典型的數(shù)據(jù)工程師利用自己的行業(yè)知識和經(jīng)驗來實現(xiàn)數(shù)據(jù)洞察的例子，也是 BI 軟件無法做到的。首先研究復(fù)購間隔是消費品行業(yè)獨有的場景，更重要的是想要完成這個洞察，其中所涉及的統(tǒng)計工作具有很強的定制性，也較為復(fù)雜，需要編寫統(tǒng)計腳本或是使用多條復(fù)合 SQL 來實現(xiàn)，數(shù)據(jù)工程師的價值也在此有了體現(xiàn)。

除了復(fù)雜和高定制性的統(tǒng)計邏輯外，對于非結(jié)構(gòu)化數(shù)據(jù)的處理和挖掘也并非 BI 軟件的強項。對于大型消費品公司來說，全電商渠道的運營已經(jīng)成了常態(tài)，每日來自京東，天貓，唯品會，一號店，聚美這些大型電商平臺的訂單數(shù)高達(dá)數(shù)萬個。而這些訂單中的郵寄地址里包含了巨大的信息量，比如用戶所在的城市，地理位置，甚至是身份，職業(yè)，消費能力等等。通過程序和地圖 API 將這些郵寄地址轉(zhuǎn)化為經(jīng)緯度后，可以對用戶群做大量的精細(xì)研究。

圖 4 便是我們利用送貨地址做的用戶群分布的熱力圖，以北京的海淀區(qū)為例，大量的用戶密集集中在中關(guān)村周邊，其次便是各大高校宿舍聚集的區(qū)域，如五道口，知春路等地。紅色標(biāo)簽為品牌線下店鋪位置，可見門店已經(jīng)覆蓋了中關(guān)村，北京大學(xué)和五道口等地，但對于知春路片區(qū)，以及用戶相對集中的牡丹園并未開設(shè)分店。相比之下安貞里分店四周并沒有特別多的目標(biāo)用戶群出沒。于是有了圖 4 的用戶分布及店鋪選址。

熱力圖這樣的算力往往超過了管理咨詢公司的能力范圍，然而對于用戶的選址卻是很有價值。

對于一些并無日常監(jiān)控必要的統(tǒng)計，有時也會貢獻(xiàn)許多有價值的洞察。

圖 5 展示了線上用戶購買時間的分布情況。可以看得出，周末線上購物的時間十分均勻，除了半夜之外大部分時間段都有網(wǎng)購發(fā)生。相比之下工作日的線上購物時間分布就變得十分有趣，大量的訂單集中產(chǎn)生在早上九點和十點之間，也就是說大量的時尚白領(lǐng)在上班途中，或是步入辦公室后的第一件事便是敗一件自己心儀的寶貝，然后才能心情舒暢地開始一天的工作。

那么不管是自營電商促銷，短信推廣，還是各宣傳陣地的推送，工作日早上 8 點至 10 點都是一個不錯的窗口。和圖 5 類似，圖 6 將線上用戶的購買數(shù)據(jù)按照一周七天進(jìn)行分布統(tǒng)計，也會出現(xiàn)一些有意思的現(xiàn)象，比如周六周日上網(wǎng)買東西的用戶極少，每周網(wǎng)購的高峰出現(xiàn)在周一和周二?；蛟S上班族們都是通過線上血拼來撫慰自己，治愈周一綜合征的。而越臨近周末，大家在線買東西的熱情也就越低。

像圖 5，圖 6 這樣的數(shù)據(jù)洞察往往也是 BI 軟件無法捕捉到的。數(shù)據(jù)工程師們可以將這些沒有長期監(jiān)控的意義的指標(biāo)轉(zhuǎn)化成擁有商業(yè)價值的洞察。同時這又是傳統(tǒng)的管理咨詢公司無法做到的，因為他們?nèi)狈δ芰φ先绱撕Ａ康臄?shù)據(jù)并按天甚至按小時進(jìn)行實時輸出。

個人認(rèn)為，數(shù)據(jù)科學(xué) (大數(shù)據(jù)) 和廣義的商業(yè)智能原本沒有本質(zhì)區(qū)別，兩者都涵蓋了非常廣泛的內(nèi)容，并且兩者的核心都是通過數(shù)據(jù)處理和分析的方式，提升業(yè)務(wù)表現(xiàn)。

但我們平時所談?wù)摰?“BI” 很多時候其實指是軟件廠商所提供的 BI 軟件 / 套件，用于實現(xiàn)業(yè)務(wù)報表和統(tǒng)計監(jiān)控的功能。暫且不提廠商們是否有故意偷換概念的嫌疑，BI 軟件和數(shù)據(jù)科學(xué)還是有著比較大的差異?？梢哉f BI 軟件通過高度抽象的方法，提供了一種非常便利的數(shù)據(jù)匯總，統(tǒng)計，可視化的工具，從而完成了數(shù)據(jù)科學(xué)的一部分工作，而許多深層次的，帶有行業(yè)性的，高于 BI 軟件的分析與洞察，仍然需要數(shù)據(jù)工程師的參與，以及特定數(shù)據(jù)系統(tǒng)的支撐來共同完成。

總結(jié)

與傳統(tǒng)的管理咨詢公司相比，在 BI 層面，大數(shù)據(jù)的相關(guān)技術(shù)勝在算力：數(shù)據(jù)整合能力、實時處理能力以及呈現(xiàn)能力。

這一期只是小小的開胃菜，而在后續(xù)的章節(jié)（關(guān)于建立用戶畫像和利用外部數(shù)據(jù)理解行業(yè)及趨勢），大數(shù)據(jù)的相關(guān)技術(shù)將進(jìn)一步將算力的差距拉得更大，讓傳統(tǒng)的腦力無法追趕。