O2O行业数据平台实战从监控到诊断的数据产品搭建

　　17位高级专家共同打造，涉及 15个领域 ， 133个体系框架 ， 1000个细分知识点 ！
　　关注公众号＂大话数智＂ ，免费下载这份《数据智能知识地图》⬇️
　　导读： 本文将分享 O2O 行业数据平台的实践，如何搭建从监控到诊断的数据产品。在展开话题之前，先留给大家一些小思考。O2O 是线上线下相融合的商业模式，被运用到生活服务场景的方方面面，比如团购、外卖、生鲜、出行等十余个领域，在这近 4 亿人的市场规模中，各行各业在做一些扩张和增长的过程中会衍生出一些问题，这里列举出了三个问题：   如何挖掘数据潜力，更好对业务推进 360 度分析和问题定位?   如何对业务进行降本增效，提高整体业务的效率？   如何做一些对业务真正有推动的数据产品，真正发挥数据产品的价值？
　　本文将带着这些问题进行分享，主要包括两部分内容：   O2O 行业业务管理痛点解析   数据产品的落地实践：监控-分析-诊断
　　分享嘉宾｜高远 字节跳动 资深数据产品
　　编辑整理｜DataFun志愿者
　　出品社区｜DataFun
　　01
　　O2O 行业业务管理痛点解析
　　1. 用户分类
　　作为业务型数据产品，需要比＂业务更加了解业务，让产品更加落地＂，数据产品属于产品的一个分支，在做产品之前，首先要去看一下我们的用户是谁。按业务场景来看，用户分为两类，一类是业务管理人员，比如区域负责人、部门 leader；另一类是业务一线人员，包括但不仅限于一线的运营与策略同学，以及一线业务等。
　　2. 场景与需求
　　针对不同用户群体，面临的问题也是不一样的。
　　① 对于管理人员，其诉求总结为三方面：  及时和灵活的数据报表供宏观分析；  业务核心指标（GMV/完单量等）发生异动之后准确及时分析原因。如果能更快给到业务管理者一个方向，对整个业务而言价值是非常大的；  管理者需要一套更加科学的方法去提升人效和钱效。
　　② 我们再来看一下业务人员的诉求，总结出来有以下几点：  每次业务自行分析都需要消耗大量时间，且方法比较粗犷，不利于精细化运营；  O2O 行业里面会涉及到一些定价的方法，如何更好的去做一些定价的调控，如何去评估业务的难点，还有一些日常规的业务问题。
　　3. 痛点解析
　　针对这些需求痛点，我们给予的解决方案是三步走的战略：第一步是关于如何通过数据监控产品的形式解决上述各种人群遇到的问题；第二步是数据分析层面，比数据监控更高一层；第三步是数据诊断。
　　接下来将对＂监控-分析-诊断＂三步走战略的数据产品落地实践进行讲解。
　　--
　　02
　　数据产品的落地实践：监控-分析-诊断
　　本章节分为以下几部分：  如何提取核心数据指标体系，高效把控业务表现  以 B 端为例，通过运营、定价分析落地数据产品  数据驱动产品，数据诊断建设三步走  整体总结
　　1. 监控-如何提取核心数据指标体系，高效把控业务表现
　　首先介绍三步走中的＂监控＂。以数据监控产品为例，如何去提取一些比较核心的数据指标，构建指标体系，再进行高效的业务分析。针对不同的业务，在做监控产品时，大家可以通过以下方式进行：  摸底业务盈利模式：需要先判断现在业务盈利模式是怎样的；  指标分类：根据盈利模式再做一些指标的分类；  监控产品：最后去落地产品的最终形态，实现监控产品。
　　① 摸底业务盈利模式
　　说起盈利模式，在互联网场景下，我们按照是否直接提供价值和是否省时间，可以把所有行业分为以下 4 个象限，分别为内容类业务（如抖音），工具类业务（如飞书），交易类业务（如天猫、美团），以及社交类业务（微博）。不同的行业象限，其盈利模式是不一样的，今天重点介绍交易类业务。
　　交易类业务盈利模式案例：
　　由于今天重点分析 O2O，只讲下交易类业务按佣金模式的盈利。佣金模式会涉及到自己的盈利公式，单纯用＂利润=单笔的应收金额*单量＂肯定是不够的，因为通过佣金模式来为企业赚钱的话，需要排除掉一些分账比例。比如外卖业务，可能一单客户（C 端）的实付价 10 元，这 10 元不可能完全给到商家（B端），也不能完全给到外卖员（D 端），需要抽一些利润作为企业本身的利润，以此来作为盈利的收入，这样得到一个整体的利润公式。同时，还要减去一些补贴，因为订外卖时会有一些补贴发放（神券、满减券等），这些也在成本范围，需要从利润中剔除，最终得到利润。
　　② 指标分类
　　再看 O2O 行业，因为它其实是一个撮合型业务，即撮合客户（C 端）和商家（B 端），以这个目标为切入点，把利润也分为 C 端和 B 端。
　　我们希望像天平一样，两端的量是均衡的，这样平台的受益才会更大，所以 C 端，会想如何提升他的订单量，或者提升客单价。B 端可能如果单纯从企业的角度出发，会想如何降低分账比例与补贴等方式，来提高企业的利润。在这样的盈利模式下，我们其实可以构建交易类业务的数据指标体系。以利润为出发点，是我们时时刻刻围绕的目标，这个建设方式相对而言是比较有效的。
　　③ 监控产品
　　指标体系有了，最后一步是去做监控型产品。日常的监控产品形态，分为以下三类：
　　最经典的产品：Excel 报表
　　Excel 的灵活性、强大性，其它产品很难取代，但它也有一些局限，比如一线的业务同学可能 Excel 的使用能力比较薄弱，一些比较难的公式，如补贴率，或是可能长达百行的财务类公式，对于运营同学而言，有一定的学习成本。而且随着口径的复杂，取数的准确性也比较难以保证。Excel 可视化效果的连续性比较差，比如只能做一些切片（数据量少），定量地去看一周或一个月比较小段的数据连续性，如果看历史多年数据趋势，数据就会跑崩，效果会比较差。  通用报表：Tabular 等
　　通用的报表，国外的类似于 Tabular，国内的比如帆软、神策等第三方数据集成平台，比 Excel 要上升了一个层次，数据使用比较简单，集成性也比较好。但其问题在于，因为它是做一些通用化解决方案，功能比较单一，并且是成套售卖，要去添加一些个性化查询功能可能存在困难。  定制化看板
　　我比较推崇的是自建监控型的看板与产品。它的优点非常多：首先数据会比较全面，功能也会相对比较强大，因为都是按照业务本身的需求情况来实现的功能；可以自定义时间力度，比如按天、按周、按月，甚至按年，能很快的在一个产品内，把所有管理者或者是一线业务所需要的数据都展示出来，并且可以通过一些技术优化手段来保证数据的 SLA 与 DQC；最大的一个好处是保障数据安全性，因为我们可以做到按指标密级鉴权，或业务线组织节点管控数据权限，比如GMV或者财务类这样高密级指标，是比较敏感的，需要更灵活的管控。
　　定制化看板唯一的缺点也比较明显，就是需要去做一些定制化的开发。
　　2. 分析-以 B 端为例，通过运营、定价等分析落地数据产品
　　再来介绍第二个方面＂分析＂。
　　以 B 端运营为例，如何去落地相关数据产品？
　　在这个课题之下，我们分为两个角度来看如何做分析：  从短中期视角，数据监控体系搭好后，如何去更加精细化分析，把运营方式沉淀到产品上；  长期视角，涉及到定价策略与佣金策略的调整。这些策略调整一般不频繁，但对于业务影响是非常深远的。
　　① 短中期运营-核心分析
　　以商家分析为例，核心分析为以下内容：  整体盘面  结构分析  流转分析
　　整体盘面：之前已经做了数据监控产品，为什么现在还要去看数据的趋势？原因是我们现在面对的是更细分下钻的运营场景，所表达出的一些指标可能会更细化，帮助我们的一线业务同学更好的去把控进度。所以不能单纯看监控结果，整体大盘分析还是非常有必要的。
　　结构分析：在看完大盘的基础上，我们可以去看一下结构，如 6 月 15 号这一天，有一个峰值，大家肯定会去关注 15 号这一天到底是哪一些人群为 GMV，为订单提供更多的贡献？比如可能是成熟类的商家，对于大盘贡献更多。所以第二步解决的结构分析，主要是去分析谁为这样的一些数据指标提供了贡献。我们通过分层柱状图的形式对大盘去做拆解，看是谁的贡献最多。这个问题解决后，我们对指标的变化情况其实心里面已经有一个摸底了。
　　留存分析：我们再做一些关于流转留存方面的分析。以 B 端商家人群为例（8 月），把商家人群分为不同的人群类型：高潜的商家，核心的商家，新商家。把 8 月的人群标签固定，看 9 月份这些商家流转是怎么样的，很可能会出现以下三种情况的变化，一种是从新商家人群转移到成熟的商家，可能会有一个显著的提频，这是我们都愿意看到的正向的走势；还有一种是从 8 月到 9 月，整体人群的状态没有变，之前是成熟商家，现在还是成熟商家；还有一部分是降频人群，即灰色区域，我们是需要非常关注的，因为降频就意味着 GMV、订单量会有一些损失，谁降频了，为什么降频，是否需要把手头的一些资源给到这些用户，把他们引回来。
　　以上就是运营过程中比较典型的一个流转留存运营场景，还有一种叫留存分析。关注商家粘性，粘性越强收益可能会越好。所以我们会固定 8 月第一周引入一批新商家，看 8 月后几周留存情况，主要是哪些商家流失了，为什么流失？我们可以通过这样的一个产品形式，来一键帮助业务同学去定位到有问题的商家，帮助他们进行下一步的提频、促活相关策略。
　　总结如下：
　　② 长期运营-定价分析
　　定价是一个很低频的调整，比如说以季度以半年这样的时间频次去做一些调整。那么综合什么样的情况之下，才会做定价或者是佣金相关的一些调整？有以下 4 个方面：  市场环境：完全竞争的市场还是非完全竞争市场；  长期的周期性事件：季节更替，淡季和旺季等定价肯定是不太一样的；  竞争对手：直接与间接竞争对手；  政策因素：政府政策颁布
　　在 O2O 定价场景下，我们到底怎么去调，为什么要去调？分为以下几个方面:  整体情况  实施调价  调价评估
　　整体情况 ：第一，整体定调。比如外卖一般是基于城市力度去调，北上广深等一线城市与二线城市调的策略和力度是不一样的，因为城市的体量、人均的收入、整体大环境等，引发了档位不同。第二，从市场占有率和竞争分析。如果是竞争态势的急速扩张，以拉新为目的，定价相对而言会比较低。第三，供需核心指标，看这个城市到底是不是有这么大需求，去综合情况做定价结论。
　　实施调价 ：动态定价是在合适的时间找到合适的用户，并且售卖。它是基于经济学原理中，人们对激励做出反应这样的基本策略来去进行调的。
　　举个简单例子，下边图横轴商品数量，纵轴商品价格。黄线是需求曲线，绿线是供给曲线。比如我现在要去买一个包子，定价越高，引入的商家也会越多，但是消费者的情况是相反的，越便宜消费者的数量会越多，因此要在两者之间找到一个平衡点实现全局最优。
　　调价评估 ：调完之后，要关注以下 3 个方面：  看目标：我们调前会有一个目标，调完之后是否实现了目标？比如完单变多了，还是毛利变多了？  看体验：用户 NPS，商家整体反馈。  看舆情：舆情对企业、对品牌至关重要，定价调的过高可能会损害消费者利益，就很容易上热搜，使公司造成损伤，所以定价调的时候一定要慎重。
　　3. 诊断-数据驱动产品，数据诊断建设三步走
　　① 诊断的前提
　　接下来介绍诊断数据驱动产品是如何去做的。在建设诊断产品之前，要注意我们现在是否满足了以下 3 个条件：  数据建设成熟 ：底层数据基建，各种明细表，轻度汇总表是否完善。  数据应用稳健 ：基础的数据应用是否稳健，比如监控方面的数据是否稳定产出，或基本的一些数据分析应用是否搭建完善。  业务形态稳定 ：诊断建设的成本会比较高，上线之后改动起来灵活度会比较低，所以一定要注意业务形态是不是处于一个稳定期，已经找到商业模式。
　　② 指标洞察  先做整体诊断结论  原因分析
　　以 GMV 为例讲解：
　　整体诊断结论：诊断类产品最先需要给出结论，有没有问题？程度是否严重？  有没有问题：和对比周期相比较，是否发生上涨或者下降  程度是否严重：上涨/下降的幅度是否超过阈值（例如 5%）
　　首先，需要给出结论是异常偏高的，还是正常的或偏低的。可能这个地方或区域破峰值了，这种情况对 GMV 要做相关的一些拆解，比如完成订单数涨了，还是客单价单均涨了。
　　原因分析：从各个角度出发分析原因。O2O 行业会被天气、节假日、政策以及舆情等外部动向影响，在内部表现上，去做维度拆解，可以分 B、C 端。以订单为例，计算各个维度的贡献度，分析贡献高的一些地区和时段等维值，通过这些分析结果去支撑诊断的结论。
　　4. 整体总结
　　① 问题复盘
　　我们回顾一下，不同用户在使用数据时遇到的痛点，是否可以解决？
　　管理侧 ：希望通过各种时间力度去监控业务发展的情况，这个肯定没有问题，因为第一步数据监控，就是为管理层量身定做的。同时他需要知道一些关键指标的异动与原因，通过第三步诊断产品可以解决。
　　业务侧 ：业务侧更精细化的一些运营需求，可以通过第二步数据分析里的核心分析，落地数据产品的方式，给到他们相关的一些经验的传承和落地。并且定价分析可以解决如何评估定价效果的问题。关于数据诊断，因为管理者会关注核心指标，所以有一些业务同学也是需要去看的。
　　② 提升总结
　　最后，关于提升的总结，有以下三点：  具体问题具体分析 ：前文介绍了整体业务型的数据产品建设的三层结构，分别是监控、分析和诊断，需要根据不同的业务发展情况、规模来判断，一定要因地制宜，看一下现在业务发展是属于新生还是中期，是高速增长期还是属于平缓时期，每个时期的解决方法是不一样的，可以有针对性的去解决。  核心问题重点考虑 ：在比较复杂的业务场景下，所涉及的业务链条非常多，如果我们想最大化业务型数据产品的价值，一定要在各个环节里面抓重要核心，做一个业务型的数据产品，要比业务同学更加了解业务。  跨领域的思想迁移 ：除了 O2O 行业，我在传统的工业数据化转型都有过相关的一些经验，所以上述的方法在各个领域都有尝试去落地。大家可以思考下，如何运用本文讲解的一套方法去落地到大家现在所处的各个行业。
　　今天的分享就到这里，谢谢大家。
　　｜分享嘉宾｜
　　｜DataFun新媒体矩阵｜
　　｜关于DataFun｜
　　专注于大数据、人工智能技术应用的分享与交流。发起于2017年，在北京、上海、深圳、杭州等城市举办超过100+线下和100+线上沙龙、论坛及峰会，已邀请超过2000位专家和学者参与分享。其公众号 DataFunTalk 累计生产原创文章900+，百万+阅读，近16万精准粉丝。