本文將企業大數據體系的構建分為六個層級，但并非是線性過程，每個層級之間或有基礎關系，但并不是說一定要逐層構建。例如創業型公司，在缺乏數據研發實力的時候，多數會借助第三方平臺進行數據上報與分析。

下面一張圖，是本文的精華概括，后面一一展開與大家探討。

一、數據基礎平臺

基礎的數據平臺建設工作，包含數據平臺建設，數據規范，數據倉庫、產品數據規范，產品ID，用戶ID，統一SDK等。

很多公司的數據無法有效利用，就是缺乏統一規范，產品數據上報任由開發按照自己的理解和習慣上報，沒有標準化的SDK和上報協議，并且數據散落在各個部門產品的服務器，無法構建結構化的數據倉庫。

做數據平臺的架構，很多人會理解為高大上的技術活，其實整個數據平臺價值的體現，需要公司各個部門的配合，例如關鍵數據指標體系的建立，需要從各個部門業務指標進行提煉，并得到業務部門認可。常見的關鍵指標有：DAU、PCU、WAU、MAU、按天留存率(1-30日留存)、累計留存率（7日、14日、30日累計留存率），新增用戶，有效新增用戶，活躍轉化率，付費轉化率，收入指標，ARPU人均收入，渠道效果數據等。

下圖是騰訊和阿里的數據平臺架構。

阿里大數據業務架構：

阿里云梯分布式計算平臺整體架構：

二、數據報表與可視化

騰訊數據門戶

阿里數據地圖

三、產品與運營分析

在建立數據平臺和可視化基礎上，對已有的用戶行為、收入數據等進行各種分析，輸出日報、周報、月報、各種專題分析報告。常見的數據分析工作如下：

1. A/B TEST進行產品分析優化；

2. 運用漏斗模型進行用戶觸達分析，如TIPS、廣告等曝光到活躍的轉化；

3. 收入效果監控與分析，包含付費轉化率、渠道效果數據等；

4. 業務長期健康度分析，例如從用戶流動模型、產品生命周期分析產品成長性和健康度；

5. 營銷推廣活動的實時反饋；
用戶畫像也是常見的數據分析方式，包括用戶如性別、年齡、行為、收入、興趣愛好、消費行為、上網行為、渠道偏好、行為喜好、生活軌跡與位置等，反映用戶各種特征，以達到全面的了解用戶，針對性的為用戶提供個性化服務的目的，通常每半年做一次用戶畫像的專題分析。

下圖是常見的數據分析思路：

常用分析工具：EXCLE，SPSS，SAS，Enterprise Miner，Clementine，STATISTICA。個人用的比較多的是：EXCEL和SPSS。

下圖是SPSS常用的數據分析與挖掘方法：

四、精細化運營平臺

基于數據基礎上搭建的精細化運營平臺，主要的平臺邏輯多數是進行用戶細分，商品和服務細分，通過多種推薦算法的組合優化進行商品和服務的個性化推薦。另外還有針對不同產品生命周期，用戶生命周期構建的產品數據運營體系。

五、數據產品

廣義的數據產品非常多，例如搜索類，天氣預報類等等。這里主要講狹義的數據產品，以BAT三家公司的數據產品為例進行分享。
騰訊：廣點通、信鴿

阿里：數據魔方、淘寶情報、淘寶指數、在云端

百度：百度預測、百度統計、百度指數、百度司南、百度精算

截取幾張PPT如下：

六、戰略分析與決策

戰略分析與決策層，更多的是跟很多傳統的戰略分析、經營分析層面的方法論相似，***的差異是數據來自于大數據。

有很多企業錯誤的把“業務運營監控層”和“用戶/客戶體驗優化層”做的事情放在經營分析或者戰略分析層來做。傅志華認為“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。

建議是，能用機器做的事情盡量用機器來做好“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人類更擅長的經驗分析和戰略判斷。

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。從本質上來說，數據在精細化營銷和運營中能起到比較好的作用，但在產品策劃、廣告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，就可以通過灰度測試，數據驗證效果了。

本文由Blues授權36大數據發表，并經36大數據編輯。轉載此文章須經作者同意，并請附上出處(36大數據)及本頁鏈接。原文鏈接：http://www.36dsj.com/?p=9390