超越咨询顾问的算力 在 BI：大数据改变管理咨询

本篇文章4006字，读完约10分钟

消费品企业应如何利用内部生成和外部收集的数据，像互联网公司一样建立用户肖像和会员系统，并以数据驱动的方式进行精细化生产、运营和销售？

传统的管理咨询公司拥有数不清的顶尖人才，但他们的大脑只能得到excel等简单工具的帮助。这种计算能力能满足上述需求吗？

2015年上半年，数据冰山团队有幸为中国时尚消费品行业的一家领先公司建立了一个数据平台。花了半年时间完成内部数据的开放和洞察、用户的描述、会员系统的建立以及外部数据的获取和跟踪。在这里，我想和大家分享一下我们的一些经验，希望更多的消费品企业能够使用数据驱动的方法来进行精细化操作。

事实上，作为一家领先的消费品公司，其数据生产能力与中型互联网公司相当，并且有十多个it系统支持日常业务，例如:

1)配送系统:支持全国数千家线下商店的日常销售和配送，日订单数十万份；

2)电子商务订单系统:负责处理十多家主流电子商务公司(京东、天猫、维普、一号店、巨美、亚马逊、当当、优赞等)的订单管理和客户服务。)；

3)仓库管理系统:负责全国主要地区的仓储和物流，库存数千个单品；

4)bi系统:负责主要业务系统的数据汇总和日常统计报表的制作；除了大型和小型财务系统、人力资源系统、绩效系统、品牌/分支机构订购系统等。，每天生成的数据维度和订单实际上相当大。

然而，与互联网公司相比，消费品公司在数据消费和数据分析能力方面存在明显的不足。越来越多的管理者也希望像互联网公司一样管理用户和数据，并使用数据来推动他们的决策。

面对如此复杂分散的数据和对快速实时数据生成的渴望，不仅传统企业的it和业务分析部门束手无策，高端管理咨询公司也只能搔首弄姿，说“妾做不到”，这超出了这些聪明人的大脑的计算能力。

接下来，我们将从三个角度分享如何为传统行业搭建数据平台。首先，我们将介绍大数据(数据科学)和商业智能(bi)在消费品领域的应用。然后我们将详细解释用户肖像和用户系统建设。最后，我们将分享如何使用外部数据(电子商务、社交媒体)来监控行业趋势和其他企业的运营。

这里使用的数据相关技术已经大大超过了管理顾问的计算能力。就像封面图片中指环王的水晶球palantiri一样，它就像数据技术一样，赋予人类和精灵在任何地方都能看到的能力。然而，传统的人类，无论如何提高人类的视力，都只能达到有限的视力范围。

1大数据和商业智能(bi)我们很少说我们是一家大数据公司，因为“大数据”一词的含义更多的是指一种概念和思维方式，而没有具体的含义。这既不是工作，也不是技术。它可以被视为与数据科学相关的一些算法、技术和工具的统一名称，例如数据挖掘(聚类、关联)和机器学习(逻辑回归)。然而，在为特定企业服务时，我们不可避免地会被大数据所覆盖。毕竟，每个人都在寻找一家能够做“大数据”的公司。

与大数据相比，商业智能的历史要长得多。在主要软件供应商的持续教育下，几乎所有大中型公司都购买了bi软件。事实上，bi也是一个宽泛的概念，它包含了许多技术和工具，如大数据，如数据仓库、olap多维数据集、数据集市、星型模式、数据挖掘等等。那么它们是一样的吗？

1.1商业智能(bi)事实上，软件供应商提供的bi软件与广义的bi概念有很大不同。

为了追求高度的抽象性和通用性，bi软件大部分时间负责公司的各种报表应用:将各种it系统的数据汇总到bi中，然后进行统计汇总，通过bi前端的门户统一展示图表和数值，方便业务人员了解日常数据和操作。

因此，除了etl，bi软件的大多数功能都是高度通用的、跨行业的和非定制的。Etl是英语extract-transform-load的缩写，用于描述从源到目的地提取、转换和加载数据的过程。事实上，传统消费品企业需要etl服务，尤其是在面对分散的数据库时。

Etl似乎是低端的。事实上，如今的大数据顶级企业palantir在首次为cia服务时就开始使用etl，这样美国特工就不必在多个分散的数据库中进行查询。帕兰提尔的故事点击这里。

这就决定了bi软件的亮点是监控和绘制一般的统计报表，如时间序列统计、分布统计、分段统计等。

图1显示了该消费品企业过去两年平均价格变化和总销售额的时间序列。可以看出，近两年销量稳步增长，周期较小(1月和2月销量减少，换季月份销量增加)，而销售商品价格两年基本保持不变，表现出明显的周期变化(对于时尚消费品，冬季型号的成本自然远远高于夏季型号)。

图2显示了集团内各品牌的销售分布和比例。由此可见，集团拥有非常强大的主品牌和2-3个在垂直领域表现出色的子品牌，并定期输出销售分布情况，可以监控每个品牌的发展情况，衡量品牌战略是否成功。

bi软件的优势在于收集这些业务数据，无需编程即可绘制用于长期监控的可视化报告，并随时更新，而不是传统管理咨询的静态报告。传统咨询提供的报告通常在出版的第一天就过时了。

1.2数据科学与数据科学相反，如果你站在数据工程师的立场，bi软件所做的实际上属于数据分析的范畴，任何数据洞察和数据挖掘工作都需要涉及这些一般维度的基本统计。但基于这种肤浅的分析，数据科学家可以引入强有力的人类干预和工业投入，并获得比商业智能更高的数据洞察力。通过将这些见解应用到具体的产品设计、营销计划、会员系统和售后服务中，我们可以像互联网公司一样实现数据驱动的业务。

举一个实际例子，图3是用户重复购买间隔的累积分布函数。横坐标代表天数，纵坐标代表百分比。数据显示，37%的用户将在第一次购买后一个月(30天)内进行第二次购买，45%的用户将在第二次购买后一个月内进行第三次购买，51%的用户将在第三次购买后一个月内进行第四次购买。随着购买次数的增加，cdf曲线向左倾斜，这意味着在用户建立品牌认知度后，购买频率显著增加，两次购买的间隔显著缩短。

因此，诱导新用户建立品牌意识和进行二次购买的窗口，换季为3-4个月，而唤醒老客户消费的窗口较短，最好是1-2个月。这是一个典型的例子，数据工程师利用他们自己的行业知识和经验来实现数据洞察力，这是bi软件所不能做到的。首先，它研究了回购间隔在消费品行业是一个独特的场景，更重要的是，如果你想完成这一洞察，所涉及的统计工作是高度定制和复杂的，这需要通过编写统计脚本或使用多个复合sql来实现，数据工程师的价值也在这里得到体现。

除了复杂和高度定制的统计逻辑，非结构化数据的处理和挖掘不是bi软件的强项。对于大型消费品公司来说，所有电子商务渠道的运作已经成为常态，每天有数万份订单来自京东、天猫、维普、一号店和巨美。这些订单中的邮寄地址包含了大量的信息，比如用户的城市、地理位置，甚至是身份、职业、消费能力等等。通过程序和地图api将这些邮件地址转换成经度和纬度后，可以对用户组进行大量详细的研究。

图4是由我们的交付地址生成的用户组分布热图。以北京海淀区为例，大量用户集中在中关村附近，其次是各大高校的宿舍聚集区，如五道口、知春路。红色标签表示品牌线下的商店位置。可以看出，门店已经覆盖了中关村、北大和五道口，但在用户相对集中的知春路和牡丹园没有分店。相比之下，安贞里分店的目标用户并不多。因此，在图4中有用户分布和商店位置。

热图的计算能力往往超出管理咨询公司的能力，但它对用户的网站选择非常有价值。

对于一些日常监测不需要的统计数据，它们有时会提供许多有价值的见解。

图5显示了在线用户购买时间的分布。可以看出，周末网上购物的时间是非常统一的，除了午夜以外，大多数时间都是网上购物。相比之下，网上购物时间在工作日的分布变得非常有趣，大量订单集中在早上9: 00到10: 00之间，这意味着对于大量时尚白领来说，在上班途中或进入办公室后的第一件事就是失去一个心爱的宝宝，然后他们就可以以詹妮弗的心情开始一天的工作。

所以，无论是自主经营的电子商务推广、短信推广，还是各种宣传阵地上的推介会，平日上午8: 00到10: 00都是一个很好的窗口。与图5类似，图6按照每周七天的时间分布在线用户的购买数据，并且有一些有趣的现象。例如，周六和周日网上购物的用户非常少，每周的网上购物高峰出现在周一和周二。也许办公室工作人员通过网上购物来抚慰自己，治愈周一综合症。离周末越近，人们在网上购物的热情就越低。？

像图5和图6这样的数据洞察力通常不会被bi软件捕获。数据工程师可以将这些无需长期监控的指标转化为具有商业价值的见解。与此同时，传统的管理咨询公司无法做到这一点，因为他们缺乏每天甚至每小时实时集成和输出如此海量数据的能力。

就个人而言，数据科学(大数据)和广泛的商业智能之间没有本质区别，两者都涵盖了广泛的内容，两者的核心都是通过数据处理和分析来提高业务绩效。

然而，我们通常所说的“bi”实际上是指软件厂商提供的bi软件/套件，用于实现业务报表和统计监控的功能。不管制造商是否被怀疑故意窃取概念，商业智能软件和数据科学仍然大不相同。可以说，bi软件通过高度抽象的方法为数据聚合、统计和可视化提供了非常方便的工具，从而完成了数据科学的部分工作，而许多比bi软件更深层次的、面向行业的分析和洞察仍然需要数据工程师的参与和特定数据系统的支持来共同完成。

综上所述，与传统的管理咨询公司相比，在bi层面上，大数据的相关技术优于计算能力:数据集成能力、实时处理能力和展示能力。

这个问题只是一个小小的开胃菜，在接下来的章节中(关于建立用户形象和使用外部数据来了解行业和趋势)，大数据的相关技术将进一步扩大计算能力的差距，以至于传统的脑力无法赶上。

文章来自智湖专栏:数据冰山，欢迎关注我们的微信公众号:数据冰山

原创文章，作者:数据冰山，如果转载，请注明出处:http://36kr/p/5043565

“读完这篇文章还不够吗？如果你也开始创业，希望你的项目被报道，请点击这里告诉我们！”