解码数据背后的商业价值(上),价值数据化是什么

价值化

价值化是指在市场经济中，以价值标准和价值增值标准来衡量和引导经济活动，以货币计量，利润导向的经济活动不断扩大，并导致非价值标准和非价值增值标准被排挤出市场经的趋势。

价值化的涵义

价值化有多重涵义：

1、价值化首先是指存在的一种状态、渐进的一种过程和发展的一种趋势。是指经济体系中以货币表现的价值量与其对应的实物量，即价值形态与实物形态从相一致到两者背离状态和逐步分离的过程，并呈现出一种发展趋势。

2、依据虚拟经济理论，价值化的核心是将经济看作是一套价值系统（包括价值增值），认为经济系统不仅是拥有一套物质技术关系，更重要的是有一套价值系统，价值系统是经济系统的本质，体现了一种经济系统中的社会关系、价值关系，与经济系统只是一套“纯物质”和“纯技术”关系的观点是对立的。

3、货币是价值的独立化表现形式，价值系统的运转是通过货币来完成的。所以，衡量价值化的“ 度”与“量”的基本单位应是以货币为表现的金融资产、地产为主的各类虚拟资产，它们是价值化的综合体。

价值化与货币化的联系

货币化是指通过货币进行的经济活动不断增加，一般用GNP来表示。

“货币化 ”与“价值化”之间的联系是，在市场经济初期价值化的表现形式是货币化，随着市场经济成熟，价值化的表现形式是虚拟化。所以，首先有经济中货币使用范围扩大的货币化，其次有以货币形式表现的财富积累的价值化，然后是由于价值化积累导致的经济虚拟化，有价值增殖虚拟化从实际生产过程中分离出来，价值化必须通过货币化、通过银行资产等形式体现出来。

数据本身不产生价值，如何分析和利用大数据对业务产生帮助才是关键。

对于这个问题我觉得知乎上的回答就很全面了：

具体可见知乎问题：

大数据最核心的价值是什么？

大数据的核心价值在于“资源优化配置”。

具体来说，要实现大数据的核心价值，还需要前两个重要的步骤，第一步是收集海量数据，第二步是通过大数据的技术途径进行“全量数据挖掘”，最后利用分析结果进行“资源优化配置”。（来源：知乎）

随着计算机的处理能力的日益强大，

你能获得的数据量越大，你能挖掘到的价值就越多。

大数据挖掘商业价值的方法主要分为四种：

客户群体细分，然后为每个群体量定制特别的服务。模拟现实环境，发掘新的需求同时提高投资的回报率。加强部门联系，提高整条管理链条和产业链条的效率。降低服务成本，发现隐藏线索进行产品和服务的创新。

数据不是物质，虽然它是客观存在的，但是它必须依托一种“介质”，比如文字，图片和视频。可能在很多人的印象中，数据就是数字或者说是由数字构成的，其实不然，数据的范畴远比数字要大的多。

那既然它不是物质，为何又需要数据库将它存储起来，或者说将它删除以后就不存在了。在这里可以举一个例子，现在你将一组数据写下了一张纸上，对于之前数据就是用纸来存储的，数据其实是我们人为主观加上去的。至于这张纸上是不是数据，在乎你怎么看它？你把它一把火烧了，纸不在了，那数据没有载体自然就消失了。

那我们今天可能会把数据和信息放在一起，信息不是物质。信息是关于世界、人和事的描述，它比数据来的抽象。

我们在互联网产生的数据都被传上了云端，云是一种技术，一种共享技术，也自然不能成为物质，但也是客观存在的。

在哲学里物质是标志客观实在的哲学范畴，这种客观实在是人通过感觉感知的，它不依赖于我们的感觉而存在。当然我们并不需要去思考这背后的物质原理。只需要去明白现在这个社会数据很重要，而重要的提前是它是否是有价值的，而有没有价值是需要很多技术去进行挖掘，去分析，所以现在的互联网公司都会将数据储存起来用于分析，挖掘更多的商业价值。

我是DataTalking的数据君，欢迎关注我。带你走进数据的世界。

大数据可以帮助了解社会,做出明智选择 无论是工业、金融、研究、办公、媒体还是日常生活,产生的数据均可成为大数据的一部分。

企业通过大数据技术更了解市场及自身,及时识别机会,制定有效的发展策略和做出正确有效的经营推动增强社会管理水平大数据在政府和公共服务领域的应用,可有效推动政务工作开展。

我发现一个问题，当和一些不熟悉我们这个领域的朋友们来说，解释大数据的概念比起解释商业智能 BI 要容易的多。举个例子，我们问“你知道什么是商业智能 BI”吗？通常情况会一脸茫然的回答到：“不知道！”。但是当我们问：“你知道什么是大数据吗？”，通常情况下大部分人都会很直接的回答：“大数据，我知道啊！”.....“就是数据很大”（我问过我同学、朋友、家人，答案几乎一致，但是他们完全没有相关任何从业经验）。通常的还有数据分析、数据挖掘，这些名词本身就和大数据一样自带解释功能。对于一般非本行业的朋友们来说，看到这些词通过字面意思通常就能理解个大概，所以取一个好名字就显得有多么的重要。

站在一个比较专业的角度来看，这些解释肯定不太严谨或者本身的理解就是错误的，比如前面所提到“大数据就是数据大”的情况。但我个人认为这些并不是什么太大的问题，因为能理解个大概总比解释了半天还不能理解要好。那我现在要说的就是如何向身边的朋友或者客户解释什么是商业智能 BI。

不要试图用一句话解释什么是 BI

在看下面的文章之前，先停下来想一下，假设是由你来介绍，你会用什么样的方式向一个朋友或者你的客户来解释什么是商业智能（Business Intelligence） 呢？

比如：

BI 就是把数据转换为信息。

BI 就是报表。

....

我要说的是，不要尝试用一句话解释商业智能 BI 是什么，因为它本身就是一个专业词汇，背后涉及到方方面面的概念和知识体系。就如同跟一个不懂遗传学的人解释什么是“孟德尔遗传规律”一样，即使可能用一句话高度概括了，但我相信很多人听了仍然不懂。所以，当你向你朋友解释不了什么是商业智能 BI 的时候，这是非常正常的。不是我们知识不够我们讲的不好，而是因为它本身太专业，它包括了 ETL、数据仓库、OLAP、数据分析、数据挖掘等专业技术，以及整套将数据变为信息、信息升华为价值的整个过程。

当每个人都认为自己解释的是正确的，但同时在别人的眼里都是不正确的或者不是很完美的时候，就不要试图用一句话来解释了。

什么是商业智能 BI？

我们先来看看官方的解释。

1) 来自 Wikipedia 的定义：Business intelligence (BI) can be described as "a set of techniques and tools for the acquisition and transformation of raw data into meaningful and useful information for business analysis purposes". （Business intelligence）

2) 来自百度百科：BI 是Business Intelligence的英文缩写，中文解释为商务智能，用来帮助企业更好地利用数据提高决策质量的技术集合，是从大量的数据中钻取信息与知识的过程。简单讲就是业务、数据、数据价值应用的过程。（Business Intelligence）

对于一些完全没有接触过 BI 的朋友们来说是不是很难理解？ 什么叫高质量决策的技术集合？什么叫钻取数据？业务、数据、数据价值应用又是什么？

如何快速的理解商业智能 BI？

跟人们解释一样东西，还是从他们最熟悉的东西开始。我们从到一个餐厅点单开始说起，同时便于大家对比和理解，我在这里不提商业智能 BI，只提一个最简单的场景，从做一张报表开始。

点单和提出报表需求

在图片左边，我们现在去一个餐厅点单，需要点一个菜叫做“小鸡炖蘑菇”。同时在图片右边，我们需要做一张有关销售方面的报表。

餐厅点单的时候，顾客提出了具体的要求（假设可以这样随便提出要求），比如对于食材必须是深山散养的童子鸡，以及对于其它材料的要求，蘑菇的切法等等。这就对应于我们现在要一张有关“产品销售分析”的报表一样，需要弄清楚这张报表应该如何展现，具体需要哪些方面的数据展现在报表上面。无论是点单还是报表需求询问，这都是一个“提出需求的过程”。客户要什么东西，这些东西怎么做，这些就是需求。

备菜的过程与准备报表数据

备菜的过程说简单点就是要上这盘菜，要炒这盘菜，首先我们得把原材料准备好，比如鸡肉、香菇。同样的，我们要去准备一张报表，需求拿到了，那我们就要去准备好这些数据，比如销售相关的、产品相关的数据。备好的菜是放在一个叫操作台的地方，大厨就直接可以炒菜了。同样的，备好的数据放在一个叫“数据仓库 Data Warehouse”的地方，报表开发人员可以从里面直接找到数据制作报表。

原材料的清洗和数据的清洗

下锅炒菜的时候不能直接把一只鸡放在操作台上扔进锅里炒，在原材料变成炒菜的材料之前要把鸡割颈拔毛开膛破肚去屁股尖切成块；蘑菇去根，洗净，顶部开十字口等等，这是一个择菜、洗菜、把源材料变成一个真正可用可下锅的一个过程。这个过程就是 ETL —— Extract 抽取，把鸡拿出来；Transformation 转换，把鸡变成鸡块，完成清洗和转换工作；Loading 加载，把洗净的鸡块放到操作台上以供随时炒菜。

数据的准备过程和菜品原材料的清洗过程是一样的道理，数据是存放在一些数据表中，但是并不是所有的数据都需要抽取出来，只有有用的数据才会被抽取（Extract）；涉及到一些数据需要去重、合并计算、格式转换（比如 15/10/22 转换成 2015-10-22）等都属于 Transformation 阶段；Loading，最后把数据统一加载到数据仓库 Data Warehouse，数据仓库中有一组表。

对于菜品的源材料清洗过程很容易理解，这里为了让大家理解对于数据 ETL 的过程，举了下面这个例子。第（1）张表是我们的原始数据，我们的清洗规则是拿到从0034到0036,0036到0048之间的时间间隔，因此需要通过程序来计算和整理这些数据，可能先转变成第（2）张表的数据，最后再计算转变成第（3）张表的结果。而第（3）张表的结果就是报表最后要的结果，比如展示 ID = 1001， 1002， 1003 ... 等各自的时间间隔。

原材料的采购和源数据的加载

我们再继续想一想，这些鸡和蘑菇是从哪里来的？菜场。可能是一个菜场，也可能是多个菜场的多个摊位采购的，采购之后先原封不动的放到厨房。

源数据的采集和加载也是同样的道理，数据可能是来自外部系统，也可能来自内部的不同业务系统，比如 CRM 系统、ERP 系统，也有可能来自业务人员的 EXCEL 表格， 这些统称为 Data Source 数据源。

这些数据通过 ETL 工具原封不动的抽取到一个叫做 ODS 或者 STAGING 的数据库（或者数据库中的一些表）先存放起来，就类似于把菜买回来先放到厨房，先放起来。后面才有数据的清洗、整理，完毕之后才放到数据仓库，在之后就是制作报表的过程。

这里还要解释一下，ETL 工具和 ETL 的概念区别。ETL 描述的是将数据从一个源头抽取出来，中间完成了数据的清洗和整理，把干净的数据放入到目标数据库或表这样的一个过程。这个过程是可以通过一些工具来实现的，这些帮助实现 ETL 过程的工具统称为 ETL 工具，比如 DataStage、Kettle、Informatica、微软 BI 的 SSIS 等。

回顾整个过程

其实到这里，这些流程已经是比较清楚了，现在只需要反转一下。

其中有几个点我再来解释一下：

第一，菜并不是客户点了单之后我们才到市场去采购的，而是在点菜之前就准备好了的。同样的，报表并不是客户提出了需求我们才去找数据，可能这些数据早就准备好了，当报表需求提出的时候我们只需要从数据仓库中去取就可以了。如果菜品的源材料没有了，只是当时这个菜可能做不了，但并不代表以后这个菜就没有了，以后仍然可以采购。同样的，如果报表所要的数据没有了，就需要顺着这个流程反过来去找，找到数据的源头，然后抽取过来，加工放到仓库里。

第二，在 BI 项目中，通常数据是定时比如说每天晚上或者凌晨从各个数据源抽取到 STAGING/ODS，再到数据仓库，所有的历史数据根据不同的设计得到部分或者全部保留。

第三，从上图中 ODS/STAGING 到 DW 处我用 ETL 来匹配“择菜、洗菜、切菜”的过程。其实从各个数据源抽取数据到 ODS/STAGING，也属于 ETL，只不过在这个 ETL 过程中数据都是原封不动的搬过来，发生了很少的或者没有发生 TRANSFORMATION 转换操作。

一个简单的 BI 项目架构

这篇文章不会把 BI 描述的过于复杂，就如同描述一栋住宅一样。这个住宅你可以规划的非常复杂，把一切都描述的尽善尽美。你也可以把住宅画的很简单，也能让大家明白这就是一个住宅，有门有窗有房顶。同样的道理，对于 BI 来说，不同的人有不同的解释和定义，但我们一样可以描述的很简单。

商业智能 BI 就是一个把数据变为信息的过程 —— 将企业中的各个部分、各个业务系统中的数据统一的按照一定规则的抽取、清洗，最后加载到一个统一而集中的数据库中。在这个数据库之上，可以做报表展现、也可以做数据分析，最后这些展现和分析的结果将能成为一些决策的重要数据支持，这就是描述商业智能 BI 的一个最简单的价值。简单概括这个过程所体现的三个大的部分就是：Data Source 数据源，Data Warehouse 数据仓库的数据准备，Reporting 报表系统提供报表展现和数据分析。

关于报表展现和数据分析

我这里再来放一些图表，来自不同的报表工具，这些报表都是以展现或者分析的目的而制作的，通过数据报表来发现和找到企业在生产、内部管理、市场、客户管理等各个方面的问题，或者作为日常会议决策过程的数据支持。

最后我要说的是，这并不是 BI 的全部，BI 所涉及到的内容和部分比想象中的更复杂。但是作为一个之前并不了解 BI 的朋友们来说，相信通过这篇文章会让你对 BI 的认识更加清晰一些，尽管到最后你还是不能用一句话来表达它的全部。如果看完了之后，更加觉得疑惑或者有更多的问题想要抛出来，可以稍微压抑一下自己的冲动，只需要把做饭的过程和我所描述的报表制作过程理解了就可以了。如果连做饭的过程都不知道，我只能说你日子过的太舒服了，请不要到这里和我们抢饭碗。

如果想了解的更加深入，我会在我的专栏（天善智能社区 BIWORK）更新更多这样的文章，比如商业智能 BI、大数据、数据分析和数据挖掘它们之间的关系，BI 体系的技术与产品划分等内容。

之前发布的一些文章：

如何看懂 Gartner 魔力象限？再度解析 Gartner 2016年商业智能与分析平台魔力象限业务人员不知道如何提出 BI 需求，老板不重视 BI 项目怎么办？IT 外包中的甲方乙方，德国人，美国人，印度人和日本人印象杂谈有感于三个50岁的美国程序员的生活状态与IT职业杂想

如需转载，须经天善智能或本人同意授权，并请完整保留以下内容，否则违者必究：

文本转自天善智能社区 BIWORK 专栏

有些企业为了追求数据量大，而不断地挖掘数据。在这些数据之中，非关键数据占了大量比重，这就形成了数据黑洞。大数据营销也是如此，当企业过分追求大数据营销的威力，也可能从一个极端走向另一个极端。此时，经营者营销时就需要在“精”字上下功夫。

大数据能够记录用户的各种基本属性特征、行为轨迹。但在很多情况下，用户的行为具有偶然性，用户的行为并不能完全反映其真实意图。从这种角度来看，大数据的黑洞是无法避免的，下面是六种大数据黑洞的来源。

1.不能预测用户的创意和想象

大数据来源于现实，但是人类的行为活动却不一定由现实支配。用户创造性的思维与想象总是天马行空、超越现实，由此决定的用户行为往往是无法预测的。因此，美国科学家维克托?迈尔?舍恩伯格（Viktor Mayer-Sch?nberger，《大数据时代》的作者）直言：“大数据“算“不出来人们的创意和想象”

大数据常常忽视人们创意的杰作。当大量消费者对某种产品产生兴趣偏好时，数据分析通常可以敏锐地预测到这种趋势。然而，一些充满创意性的价值很高的产品在一开始就被数据摈弃了，因为这类产品不是人们熟知的。

2.不能代替人类思维

大数据通常可以为企业的决策人员提供一些问题的解决方案，但决策人员最终选择哪个方案、做出何种决策，还是要通过思维的考量来自己决定。人类的决策不是一个个单独事件，而是处于一定的时间背景之中。经过千百万年的演化，人脑善于处理背景下的现实。

比如，无论故事情节和背景多么复杂，人脑依然可以条理清晰的讲述出来。数据分析则不会叙事，更没有思维浮现的过程。即便是一个简单的童话故事，数据分析也无法解释其中的思路。

3.不能预测超越人类认知范围的事情

大数据是基于历史数据预测未来的，这也是大数据的核心功能。但是大数据无法预测毫无先兆、超越人类认知范围的事情，这类事情就是人们常说的“黑天鹅”。一旦历史不可掌握或者根本就没有历史数据，大数据就无计可施了。

4.大数据掩盖了价值观念

收集的数据永远做不到最原始，因为大数据在采集、处理过程中难免被融入数据分析师的价值观和倾向性，这就在一定程度上影响了最后的分析结果。

数据分析的结果表面上客观公正，实际上数据构建到解读的过程都体现了价值选择。

5.无法描述客户的感情

大数据很难表现和描述用户的感情。分析人类情感、社会关系、前后关联等问题是大数据不太擅长做的事情。大数据只能表示用户正在做什么，而不能体现用户在做什么的时候是怎么想的、有什么样的背景以及用户的情绪波动。所以，大数据是不能直击用户心智空间，理解用户价值观的。

比如，数据分析得知客户在今年76%的时间里与6位朋友的社交互动情况，却不能分析出客户与6位朋友见面时的感情异同。因此，数据不能帮助人们进行社交关系的决策。

6.制造出更大的“干草垛”

大数据会制造更大的“干草垛”是著名商业思想家纳西姆?塔勒布（Nassim Taleb，《黑天鹅：如何应对不可知的未来》的作者）提出的观点。随着大数据资源的丰富，统计数据上的各种相关关系越来越多。很多数据相关关系是没有实际意义的，在真正解决问题的时候可能会让人做出错误的决定。而且这种欺骗性随着数据量的增长呈数级增长。在这个庞大的“干草垛”里，人们要发现的有价值的信息被越埋越深，数据扩张带来的噪音了淹没很多重大发现。

尽管大数据拥有黑洞，但不可否认的是，大数据为人们的生活带来了很多方便。企业收集客户数据的手段有很多，包括信息感知移动设备、软件日志、摄像头、麦克风以及其他的科技手段。然而，在利用客户数据的时候，企业们需要采取一些措施来填补大数据的黑洞。

目前，大数据分析者和专家们对客户的情感依然不够重视，在讨论客户体验和参与度的衡量标准时，90%以上的人都不会提到“情感”这一词语。而情感却能够为数据分析提供必要的情景，更准确的对客户的行为、回忆以及目的进行预测。

没有情感数据，数据分析只能定义一次互动或经历，却不能找到“消费者是否会记住这次经历？”这类问题的答案。情感数据能帮助人们将事实、感知，以及事实蕴意融合在一起。情感因素就是通过这种方式影响了数据回忆的预测性建模（predictive modeling）。

要填补大数据中的这一黑洞，就必须捕捉情感数据，并将其与传统数据结合在一起。而制定获取情感数据的相关计划，细心设计数据收集过程是捕捉情感数据的唯一方法。只有先确立这一目标，才能感知客户的情感与心声，并准确地描绘出客户的体验。

要想了解为何要学习大数据，可以从大数据的概念、应用领域和发展前景三方面来阐述。

当前的大数据已经从早期的概念逐渐形成了一个完整的产业链，应用领域也正在从互联网领域向传统领域拓展。大数据的产生是物联网、Web和传统信息系统发展的必然结果，大数据自身所蕴藏的海量信息是大数据的价值所在，而大数据的相关技术就是基于从数据的采集到数据分析再到应用的全过程。

随着大数据逐渐普及到广大的传统行业，对于职场人来说，学习大数据具有以下几点实际意义：

第一：大数据正在成为重要的生产材料。随着更多的企业转向以数据为驱动的运营模式，众多工作岗位将基于大数据进行工作的开展，所以掌握大数据相关技术将成为职场人的基本要求，其中大量的岗位将要求职场人具备一定的数据分析能力。

第二：大数据是产业结构升级的重要内容。大数据是产业结构升级的重要内容，要想在未来的职场竞争中获得更多的竞争力，就需要掌握大数据相关技术。从近些年研究生的就业情况来看，大数据相关方向的毕业生往往会获得更多的机会，在薪资待遇方面也具有较为明显的优势。

第三：大数据是人工智能的基础。未来传统行业将逐渐实现网络化和智能化，而智能化的基础就是大数据，所以掌握大数据技术是打开智能化大门的钥匙。以智能医疗为例，智能医疗目前普遍采用机器学习技术，而机器学习的效果与数据有密切的联系。简单的说，没有大数据的支撑，机器学习很难能达到令人满意的效果。

目前大数据领域的人才缺口还是比较大的，岗位需求也逐渐从中高端人才需求向应用型人才过渡，所以目前学习大数据相关技术是不错的选择。

我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。

如果有互联网方面的问题，或者考研方面的问题，都可以咨询我，谢谢！

很多第一次做电商运营的人都不知道要怎么做分析，我之前也做过互联网运营，一开始无非就是看看PV、UV，分许分析流量就完事了，但是很快老板就会发现我的分析结果根本没有任何价值，因为分析这些东西根本毛用都没有！

但是我也很无奈，因为这些常规数据就绑定着我的KPI，要是不做的话，我就会被扣钱扣工资，运营分析还能怎么搞出花来？老板是为了公司盈利，我也要为了生活啊。

后来我才知道，不是分析方法和内容不对，而是没有关注到重点的数据。

顿悟的方法很简单，去问一个专业的搞数据分析的就行了，我有幸就遇到了这么一位，简直称得上是扫地僧一样的隐藏人物，几句点拨就足够我学习的了。

一、首先，要明白自己企业的商业模式

既然题主问的是电商，那么就先说一下电商的盈利模式，很简单：

客户看中了你的产品或者服务，你把产品和服务卖给客户，一个订单完成！

电商公司和o2o类公司都是这种模式，公司的收入是由一个个订单堆积出来，订单是由用户购买了相关的商品或服务产生，可以说用户和商品或服务为订单的两大基本元素，公司收入下降、增长、异常最终都可以追踪到用户与商品这两大元素上。这样我们将公司收入相关数据拆解为三大模块：用户、商品或服务、订单。作为运营人，我们最主要要关注的就是两个字——用户。

公司收入、订单都是由用户消费所产生，用户的消费流程可以划分为以下四个阶段：引流、转化、消费、存留。

当然我们希望最理想的情况就是吸引和转化最多的用户、让他们买我们的产品，并且留住他们好让他们一直买。然而现实是残酷的，我们能做的，就是对这些数据进行分析，根据数据情况进行策略对调整，让现实与理想情况之间的距离越来越近。

我们一般将用户分为新用户和老用户，如下图所示：

无论新老用户，我们都会关心两块内容，一个是引流（拉新），一个是转化，最终以数据的形式体现出来，就是流量与转化率。

二、引流

一个购物中心，建在荒郊野外，没人进来，装饰再奢华也没什么卵用。用户是有限的，我们需要精打细算，实现对每种渠道每种类型的流量来源的最大价值利用。

分析目标：通过对流量的分析，保证流量的稳定性，并通过调整，尝试提高流量。

分析内容：基本数据指标有访客数(uv)、浏览量(pv)、访问次数(visits)，是常用的衡量流量多少的数据指标；平均访问深度(浏览量/访问次数)、平均停留时间(总停留时间/总浏览量)、跳失率(跳出次数/访问次数)是用来衡量流量质量优劣的指标。

分析角度：

1. 观察流量规律，便于活动安排、服务调整

上面这个图使用FineReport做的UV分析，可以发现以下规律：一天当中，访问集中在9点到11点和14点到17点这段工作时间，一年中则在春节前后的访问量比较大，每周中也是访问集中在工作日。

一般来说，流量都是以每天中的时段、季节、节假日、星期这样的规律来分布的。所以可以将以上几面统一放到同一页面中进行观测，可以全面的了解应用的访问规律。并且通过对渠道、业务的选择，可以观测具体的渠道、业务的访问规律。

2.发现流量异常，分析异常原因并及时调整

通过对上图的观察，可以发现异常现象：

3月21日到4月17日到流量图中，工作日到流量一般都维持在2400左右，而观察4月18日到5月15日到图，发现流量从4月19日下滑开始，很少突破2000，也就是流量在近一个月有明显下滑。原因可能是对手购买了竞价排名、自己的seo做的不好等等。

一般来说，流量以周为单位，周期性分布的情况是比较多的，将视角拉长，一次性多看几个周的数据，便于发现问题。将一段时间内的数据与历史数据进行对比，也有助于问题的发现。

除上图中对流量异常的简单监控外，可以对流量进行进一步分解，如下图所示，通过图表联动，观察具体渠道或者业务的流量情况，从而完成对问题的追踪定位，例如通过进一步分析发现，4月中旬开始的流量下降主要出现在pc端，那么可以进一步缩小问题的范围。

3. 观察流量结构，分析其合理性，并作出调整

流量结构一般可分为渠道结构、业务结构、地区结构。通过查询一段时间内的各结构占比，了解流量组成。

如上图所示，在渠道中，pc占比相对过大，而app占比不高，app对于用户具有更大的黏度，所以应分析app占比过低原因，并想办法提高app流量占比。下面的折线图可以对各渠道的流量情况进行追踪，分析占比不合理是短期内出现的，还是长期存在的、辅助问题的分析。

4. 追踪流量情况，衡量活动或者调整效果

对流量的追踪，一般就是对流量的监控，观察活动前、活动中、活动后的变化情况，评估活动效果。一般来讲，活动期间流量会大幅提升，活动后有一定回落，是一个成功的活动。如果活动期间流量上升幅度不大，或者活动结束后流量大幅度跌落，甚至流量低于活动前的正常流量很多，都不能说是一个成功的活动。

三、转化

在完成引流的工作后，下一步需要考虑的就是转化了，一个崭新的用户一路走来到完成交易，中间需要经历：

浏览页面（下载app）->注册成为用户->登陆->添加购物车->下单->付款->完成交易

每一环节中都会有用户流失，提高各个环节的转化率，一直是互联网公司运营的最核心的工作。转化率的提升，意味着更低的成本，更高的利润。

分析目标：了解各环节转化情况，分析其异常或不合理情况，进行调整，以提升各环节的转化率。

分析角度：关于转化率的各种名词也特别多，有静默转化率、登陆转化率、咨询转化率、付款转化率等等，然而并不需要考虑这些词，只要关注用户从接触应用到成交中的几个环节就好。

我们依然使用FineReport中图表的形式来从各个角度对转化数据进行展示分析。

1.观察各环节转化率，分析其合理性，针对转化率异常环节进行调整

上图所示，传统漏斗图只能显示一条路径的转化率情况，稍加修改后，可实现对比功能，例如上图所示的新老用户的转化率的对比。可以根据实际情况中在该图中加入更多环节，例如注册、收藏、开工、竣工等。

从上图中，我们可以发现这样一个问题，下单到付款中的转化率过低，正常来说，用户只要下单，付款的比例是比较大的。对于这个异常，我们来做下猜测：

又看了下其他家的商品或服务，发现了更好的，就取消了付款；付款前习惯性的问下相关的人进行确认，然后发现计划有变，所以取消付款；到了付款的时候发现居然不支持支付宝，无奈取消付款；下单后被告知没货；页面好卡，怒而弃之；余额不足

总体上可以分为两类：用户本身原因，系统设计原因。上图中这么出现付款率这么低的情况，基本上可以确定是系统原因。然而具体是哪块的设计出了问题，可以进一步细化追踪。

如上图所示，点击相应阶段，联动出下面各渠道与各业务的转化率明细，可以看出，各渠道的转化率差别较大，其中pc端转化率明显偏低，而各业务之间的转化率差别不大，基本可以确定，是pc端存在问题，导致转化率偏低。

上图中的付款转化率低的太明显，只要不瞎都能看出这转化率出了问题，但是往往转化率的问题并没有这样的明显，那怎样定位自己的转化率是否合理，哪个阶段的转化率有提升空间呢？继续看下面这张图：

上图是通过多角度对比来分析业务转化率的健康状况，包括与自己同期对比、行业中与自己相似产品对比、行业中优秀的产品对比。对比各环节转化率的不同，产生数据上的冲击，所有落后的节点，都是可以提升的空间。

2. 追踪转化率变化，用于异常定位和策略调整效果验证

除流量外，转化率也是需要追踪的，将时间的维度拉开，分析各阶段转化率随着时间的波动，也是很有看点的。

如上图所示，在4月17日到21日中间，转化率出现下滑趋势，通过渠道转化率与业务转化率两个图表的联动，可以追踪定位导致转化率下滑的渠道或业务。常见的原因，公司运营部门投入了某个渠道进行推广，新的渠道带来了新的流量，而该渠道所引入的用户质量却偏低，拉低了整体的转化率。

3. 观察各渠道转化情况，定义渠道价值，并依此适当调整运营策略

气泡图在传统图表中信息量涵盖相对是比较大的，上面这张图x轴和y轴分别表示流量和转化率，y轴可以根据分析内容不同切换成点击率、注册率、架构率、下单率等等，气泡大小表示的为渠道ROI。从上图中可以看出，在右上象限中的渠道价值是比较大的，再综合考虑ROI，还可以看出渠道性价比情况。

4. 分析各环节转化周期，分析用户习惯，为制定运营策略提供依据

这种场景通用性并不是很强，会和公司业务相关联，有些业务的交易是分成多个阶段来完成，这种情况可以对转化周期进行分析。

上图中可以看出，该业务的付款与成交一般在前四周完成，而第五周开始趋于稳定。知道以上信息后，可针对第五周未付款或完成交易的用户进行询问，提高转化率。另外可制定四周内完成交易有奖励等活动来缩短成交周期，因为图中可以看出，绝大部分用户四周时间足够完成服务检查、订单确认等工作。

四、日活/存留

互联网行业的拉新成本现在都很高，要投入广告、投入时间，这些都是成本。如果用户还没有产生什么价值就流失了，那一定是亏了。相反，拉过来的用户，存留的时间越长，产生的价值也就越大，也才能弥补其他流失用户所产生的损失。因此，提高用户的存留时间，也是提高公司收入，为公司创造更多价值的重要一环。

分析目标：通过分析用户的日活/存留，来帮助运营人员发现问题、监控数据，为调整策略提供数据支持，达到提高日活/存留的效果。

分析角度：

1.日活监控，观察用户活跃数据，分析日活健康度

活跃用户一般可以分为以下三类：

有些公司可能不太关注回流(一定时间内没有登陆的用户再次登陆)这部分用户，我将它列出来，是认为了解回流用户的日活情况在一些场合中是有价值的，例如活动期间、发优惠券测试，是否会对流失用户的回流产生了作用。

上图中是用finereport做的堆积面积图，其面积大小为各类型用户数，堆积总高度为总活跃用户数。对于日活数据来说，相对理想的情况是老用户占比较高，为活跃用户主力，并且呈现逐步上升的趋势，代表产品对新用户的粘性较好，总体拉新存留大于流失用户。否则，要么是新用户的存留率过低，要么是老用户的流失率过高，都需要进行调整。

2.观察存留规律，定位存留阶段，辅助市场活动、市场策略定位等

存留规律分析应该分开对待，一部分高频小额订单(例如外卖)这种互联网公司，其分析模式类似于游戏、知乎、SasS平台，会以日为单位来分析存留。

如上图所示，这种用户登录频率较高的应用，可以通过上图分成三个阶段，过滤期、试探期、平稳期。刚开始接触一个应用的用户中，有大量的用户是质量不高的用户，不可避免的要经历一个存留率大幅下降的阶段，但这一阶段周期一般较短(我认为这一阶段可能更多的是应用筛选用户)。在这一阶段过去之后，用户会对应用进行详细的试探，是否让自己满意，这段期间也会有部分用户流失。最后留下的就是相对稳定的用户了。

上图可称之为手枪图，该图可以看出用户存留的整体情况，存留率有没有越来越高，产品粘性是否做的够好，通过上图可以看出一定的问题来。但要像日存留那样，找出用户存留的三个阶段是比较困难的，因为用户是否存留下来更多的取决于消费体验，并且消费体验周期过长，很难判断用户是否会再次消费。

3.对比不同用户、产品功能的存留情况，分析产品价值、辅助产品调整

如上图所示，通过对比，发现使用了分享功能和收藏功能的用户的存留率相对较高。得到这样一个信息后，可以通过产品上的调整，来鼓励用户使用分享、收藏等功能，以此来提高用户的存留率。

这种对比可以是多种形式的，将功能选择换成用户分类、用户来源，可以从不同的角度来观察问题。例如，如果发现男性用户的存留率比女性用户低，那么一是可以提醒反思造成这种情况的原因是什么，或者是可以调整产品推广渠道，以吸引女用户主。

存留率是互联网公司非常关注的指标之一，而很多公司会对存留率进行非常深入的挖掘。上文提供几种存留率常用的展现形式，为分析存留率提供一定的参考。

一：大数据可以帮助企业了解和定位客户

当前不少企业都热衷于社交媒体数据、浏览器日志、文本信息等各类大数据的收集工作，然后通过预先运用大数据技术建立起来的数据模型，来全面分析客户的行为偏好，方便企业制定下一步的营销规划方案。例如汽车企业就可以根据社交媒体汽车内容的阅读量来分析用户需求偏好，预先推出受欢迎的汽车类型。

二：大数据可以帮助了解和优化业务流程

诸如商品供应链和配送路径的优化。在这一方面，需求方可通过定位和识别系统来跟踪货物或运输车辆，并根据实时交通路况传回的数据对运输路线进行提前优化，帮助运输流程更加省时省力。

三：大数据可以帮助提供个性化服务

大数据对于商家企业而言无疑有着巨大价值，但事实上它对于我们每一个个体都有着益处。例如人们在日常生活中可以穿戴智能手表和智能指环，而这些智能设备会从穿戴用户的日常行为中采集到大量数据，借此可以分析用户的运动数据、睡眠质量、卡路里消耗等信息，以此来为用户的下一阶段运动和休息方案提供制定依据。

四：大数据可以改善医疗保健和公共卫生

DNA序列解码是一项相对负责的事项，但大数据分析能力却可以在几分钟内完成解码，为人们提供一些疾病的治疗疗法，以及预防预测疾病发生的方法。同时，大数据能够借助医疗记录数据与社交媒体相关记录，来帮助预测流行性疾病或传染性疾病的大规模爆发，减少公共卫生突然性事件的发生。

五：大数据可以提高体育运动技能水平

当今许多比赛都采用了大数据分析技术，教练组可以通过大数据来分析球类运动的球落点，可以跟踪运动员的睡眠、营养和锻炼等数据，来帮助他们制定专业的训练方案，并提升运动员的技能水平，最终在赛场上发挥出更好的成绩。