北大国发院MBA15级校友张明明于7月13日在北京大学国发院朗润园万众楼与同学及校友们分享数据行业背景、大数据应用现状及前景预期。
【撷英工作人员】董润杉 P17、袁小婷F18、陈李帅 F17
【会议地点】北京大学国家发展研究院朗润园万众楼
【会议形式】内部交流
【参会人员】北京大学国家发展研究院EMBA、MBA、经双在校生和校友，以及部分校外人士，共计50余人
主讲人
张明明
国发院MBA 15级校友
美菜网数据运营高级总监
曾任阿里巴巴数据分析专家，
贝壳/链家数据运营总监
张明明在零售与消费品行业多个部门任职，期间在多家跨国消费品公司、国企以及市场研究公司工作，具有销售、市场、研究、商务智能以及数据多部门从业经历，担任过全国商务智能经理，数据运营VP，阿里巴巴数据分析专家，贝壳/链家数据运营总监等职务。数据爱好者，积累了商业数据研究，系统搭建与企业信息整合相关的实践经验。个人公众号数据八卦仔，分享数据应用的一些经验。
活动回顾节选
我们经常会听到的大数据其实是互联网的下半场。在互联网的上半场中，大家可以看到很多程序员拿到了很高的薪酬，而在各行各业都互联网化之后，各个领域都会非常需要数据分析人才。在互联网的下半场，数据分析人才也会水涨船高。在未来5到10年的话，会是一个长期发展的热门行业。
数据本身会分不同的行业。比如，零售、金融、房产等等，有一些共通性，不过，如果想让数据得到商业的价值，需要分析师具备更深入的行业经验。一个数据分析师需具备“三位一体”的基础技能。分别是：业务专家、技术技能、分析技能。
首先他必须是一个业务专家，业务专家就指的是他对这个行业是熟悉的，其次他最好是一个技术专家。不过对于技术要求并没那么高，但是至少会写代码，sql和python是要会写的，这是最基础的一个要求。另外，熟练的应用统计学，比如使用聚类分析、回归分析等。数据分析行业很多人的背景多来自统计学、数学、管理工程学、经济学专业，从目前的课程设置来看，这几门学科教授的内容，离该职能所需要的技能更为接近。
商业分析和数据运营现在是一个新兴的融合学科，国内的本科、硕士教育暂未设立该学科专业，本科跟硕士生教育是滞后于市场需求的。海外院校较早的开设了商业分析硕士学位。所以这个时候，我们去学这些东西，在未来必然是有很大的一个发展前景。
如果我们想做零售的数据分析并且用零售数据创造价值，首先，必须是个零售业的业务专家。以下这张图的话是基于我个人过往经验总结的零售业务链图。
在各个环节都是有数据系统在支撑的，只是在过往的二三十年来，数据系统一直在演变，基于数据系统的运营效率也在不断提升。
o 从经销商到零售终端，这部分数据从哪里来？
o 终端渠道门店商品如果缺货了，谁去做这个判断？
o 销售对于门店的拜访情况怎么样？
o 商品的品类结构是否健康？
假设我是一个品牌商，除了管理到工厂到仓库的数据，在变化多样的市场上，还需要了解市场上有多少商品在消化？有多少商品卖进了超市？有多少商品真正被消耗掉。
仅有这些，运作企业也是远远不够的。
为了让运营效率更高，必须了解更加深入的数据。沃尔玛、家乐福、阿里、京东均可以视为不同的零售终端，在零售终端的数据领域，有一家公司需要特别提到：
尼尔森是全球著名的市场调研公司，1923年创立，总部位于美国纽约，在零售终端数据提供商中，也是最大的线下零售数据提供商。其数据来源于POS系统，数据质量稳定且质量高，甚至比现在的一些互联网公司线上的数据质量还要好。为什么？一方面也有更新频率较低的原因。更主要的原因在于把数据治理做到了数据采集的前面。不仅如此，以barcode作为商品在系统里的唯一码，也保证了商品数据的清晰。
目前国内，数据发展最好的公司，我个人的看法是阿里，而且优势仍在不断扩大。
这里谈一谈零售数据的买方是谁？买方市场是非常广袤的，举例，雀巢、伊利、玛氏、耐克等，我们所有想到的品牌都会有需求去购买市场数据，从而抓住市场机会，获得收益。假设一家数据公司可以监测80-90个品类，每个品类下有1-2家品牌商购买该数据，收益就会非常可观。数据生意是一个非常好的生意。
在过去10年间，零售终端从传统线下到线上的转型过程中，数据市场也随之发生了改变。我们现在很多的数据已经不在线下，而是在线上。线上沉淀的不仅是商品数据，更有购物者大量的购物行为。数据类型、种类是越来越丰富的，这种丰富的数据复杂么？其实只有三个核心：人、货、场。把这三个核心的“唯一码”做出来的话，整个零售是可以依托数据系统自动运转，将极大的提升运营效率。
在整个零售链条上有非常多的数据公司，也存在很多的机会，从工厂到分销商到零售终端再到消费者是零售业商品、收入流通的主链条。
在主链条下存在众多业务场景，再各个业务场景下又存在很多细分的环节。
以ROI分析为例，我们会去评估在媒体花费上哪个效果比较好，还会去监测播出的收视率、曝光量，在播出完成之后，还会去到消费者端测效果，去找消费者做调研。
这里提下品牌监测常见的3个主要维度：
1. 知晓度，就是一百个人里有多少个人知道你的品牌
2. 美誉度，大家对于这个品牌是正向还是负向的情绪，是喜爱还是相反的方向
3. 关联度，当我们说起这个品牌的时候，消费者想到的是什么？
消费者买的东西是不是“物有所值”，这个概念的提出是非常巧妙的。消费者在买商品的时候不是过分的追求低价或高价。怎么样把商品传递“物有所值”的概念是比较重要的。
在目前来讲，数据在两个行业非常有优势: 一个是金融业，另一个就是零售业。而且零售业的优势更大。原因是零售基本上是充分竞争的，有数不清的商品、数不清的消费者、数不清的交易环节。其他行业的数据化还是刚刚开始，各行各业人都在想怎么去做数据化。这里面同样蕴含着巨大的机会。
下面我们讲如何在零售业做增长。
在零售行业有一个经验，就是当一个商品的市场份额到了40%的时候，就很难再往上提升了。这个不是一个测算值，是一个经验值。
举个例子，比如某品牌的饼干在饼干糕点市场份额达到了40%的时候，想在往上提一个点是非常难的。在这个情况下就必须做一个重新的市场界定。以前我遇到过这样一个品牌，在饼干糕点市场份额到了40%，为了可以提升增长，我们当时给了该商品一个新的概念——早餐。把它定位到早餐市场之后，该饼干由休闲食品拓展为功能食品。在做完重新定位后，确实也带来了增长，但这个增长也不是无限的。制造商必须不断地开发新产品，才可以去不断地催生增长。
这里提一个可能被忽略，其实起到很重要的点。企业内部的目标管理以及数据一致性。企业里的每个人在看数据产品的时候，每个人的理解很可能是不一致的，理解程度也是不同的。当看到的数据不一致、判断不一致的时候，很多时候组织是没有办法推进公司决策的。这里面有一个非常重要的一点：对于一个公司来说，数据一致性跟使用同一套数据产品是可以让整个组织变聪明的重要媒介。
很可能组织里的员工已经很聪明了，公司的业务模式和商品在市场上也很有竞争力，可是就是无法增长。回到组织的原因，很可能内部看待一个问题的时候，存在很多不同的想法，在不同的想法下。组织就很难应对一个快速变化的复杂市场。因为他们没有办法产生协同效应。大家一定要在同样的一个维度上去思考、去认可对方的建议，才可以让整个组织变得更有竞争力，而不是一两个人有竞争力。
有一个非常重要的事情可能被大家忽略：公司发展阶段不同、行业不同，对数据的需求是不同的。从线上借鉴一套系统或者借鉴其他公司数据部署，很可能是不适用的，而且很大概率是不适用的，极大风险不仅无法促进运营效率的提升，还会产生很大的阻碍增长阻力。数据搭建是一个非常需要内化的事情，如果数据系统不内化，就像业务方穿了非常不合适的鞋子去跑马拉松，很可能穿了还不如不穿。
数据价值很有意思的点还在于，它可以产生比卖数据更大的价值。举例，小企业去做数据的话，会在上面耗费很多费用，而且这些成本无法通过短期的增长覆盖，我们经常听到“数据资产”，数据现在越来越像基础设施建设。所以在进行数据化的时候，企业需要巧妙一点，很多时候可以简单的方式去做，而不是通过数据体系化的方式。很浪费钱，也没必要。最小动作解决问题，打中业务的七寸。使用数据，而不是成为数据的奴隶。
这里提供一个个人总结的数据需求矩阵，给创业或投资的朋友做参考，有想向数据领域发展的，可以看看是否在这个框架内。
下面简单分享下数据领域常常讨论的几个话题，也便于大家在数据化的时候不掉坑：
消费者画像靠谱么？
这是一个大家经常听到的概念——消费者画像。消费者画像这个事其实不容易做。阿里的画像非常得精准，核心原因在于场景够多，不过是不是就是全面的消费者画像，个人不这样认为，主要是没有完全覆盖，比如仍有大量的社交数据在腾讯或者其他类型的数据在其他互联巨头中。虽然如此，阿里的消费者画像仍是现在国内最先进的水平。如果有人说可以给你提供全面的消费者画像，你要注意了，在理论上是很难实现的，他可能只是给你一个片面的消费者标签。在片面的消费者标签的情况下，很可能还是不适用你的业务场景，无法解决你的业务问题。
轻量级的Sql产品指的是什么？
这个产品是可以提供快速反应的分析师工具。给分析师使用的，举例，在内部做常规性的简单数据监测时，每提取一次要写一些代码，每次有一个需求就需要有相对应的代码。比较聪明的做法是，代码里的时间、品类设置成可置换的。运营人员去灵活调整即可。分析师只要写一套代码，给到运营员人员，让他们自己去换日期、换类目去选择，就可以节省了数据分析师的时间精力资源，让运营人员去做更多直接的探索。
方法论沉淀工具是什么？
方法论沉淀工具是现在这个行业中的一大门槛，很多公司请了很多数据分析师或者买了很多数据软件，买完部署完之后，却发现没有解决问题。本质原因是什么呢？我们有技术人员、也有业务专家，但是如果想让数据产品可用，不需要任何人去解读就可用，就必须把“方法论”嵌到系统里。
方法论到底是什么？
举例，我们怎么去评估一个单品是有效率的？当接到这个问题的时候，怎么评估一个单品是有效率，其实是业务链路众多场景下在零售终端环节下的一个子问题。在这个子问题下会存在一个方法论。只有当把这一个一个的方法论沉淀到数据产品，数据产品才是可用的，才能给企业带来了价值。
但是，现在方法论沉淀是缺失的。
目前的现状是，分析师给你一个表格、柱图或线图，甚至有时候直接给企业主一张表，但是这些数据有什么彼此关联性呢？是想提供什么结论呢？想让企业主做什么样的决策呢？各方都是在一个模糊的状态。在方法论缺失的情况下，如果只有数据的展示，而没有人去消化这部分数据，提供一个消化后的结论，数据是很难发挥价值的，只会让企业在应用数据的路上，越来越艰难，因为数据复杂度呈几何增长，却没有消化更简呈现，在信息的传递上，企业组织间的协同上，复杂的数据呈现均会形成巨大的壁垒，不仅没有促进，更多的是产生负面效应。
这就是因为没有方法论，业内会有一些分析师，做分析时，其实对于业务可能是不熟的，更多的时候只是在单纯展示数据，而不是通过方法论有一个判断。
数据的机会整体归纳一下有五层空间、三种类型：
AI是需要数据的，但是目前大量的数据不够干净。其实有很多很好的算法，不过仅依靠算法无法解决复杂的业务问题，往往只是解决某一个非常细分，非常窄的环节，比如销售预测或者商品名称文本的数据清晰与归类。
从本质上看，采集层的数据可能就是用不了的，采集层背后有各种各样的运营动作和实际的业务现场可能出现的不稳定因子使得数据不准。
当我们做好了采集、存储、展示、联结之后，我们才有可能做到智能层，否则的话智能是比较虚的。甚至是说要把前面几层做得比较好之后，数据才能在企业里产生价值，要不然都是为时过早，或者说，产生较为局部的价值，仍需要大量分析师去做支撑。
在技术领域，有架构师；在业务数据领域，其实也需要架构师，这一块目前也比较缺。很少有人可以把业务数据架构清晰。在大部分时候，一个业务需求提出，技术方似乎理解，做了之后发现根本就不是这么一回事。
最后给大家打一个强心针，无论是数据人员还是数据行业，都在一个快速上升的空间中，未来有很多想象空间，希望有越来越多的人加入这个行业，挖掘数据价值。
以上分享均来自现场实录，如想更系统化的了解数据运营体系，可以浏览张明明个人公众号“数据八卦仔”的文章 《通过数据运营获得价值》
https://mp.weixin.qq.com/s/wedCI3d3yc4lqc1Xp47V9A
张明明："商务智能这本书是我个人读过干货比较丰富的书，目前已经到了第四版。希望有所帮助"。
活动反馈
某MBA校友
今天这个话题特别好！感谢七七老师的精彩分享。同时也感谢撷英的小伙伴们辛苦组织。期待下一期！
感谢分享 七七老师真棒
某EMBA
某在校生
感谢明明师姐分享！感谢朗润撷英的主办支持！内推职位，感兴趣的同学还可以投递!
谢谢会议引导，有好讲座请通知我！
校外人士
SHARING
朗润·撷英
朗润撷英（LangRun Sharing）是由北京大学国家发展研究院在校生及校友发起的高质量的非盈利性质的交流平台。朗润撷英依托北大国发院、北大国发院BiMBA商学院，由北大国发院校友部、MBA中心、职业发展部、北大数字金融研究中心等多部门的大力支持，旨在促进北大国发院在读生、校友及教授与业界各领域学者、专家及高管之间的交流互通。
朗润撷英致力于卓越的经济洞见、前沿的商业智慧、优质的精英人脉。自2018年创建以来，朗润撷英经营并管理近10个主题微信社群、成功举办闭门交流20余次、公开行业分享40余讲、线下交流酒会10余次、北大国发院首届跨项目院系级的大型辩论赛。
活动覆盖北大国发院本硕博、MBA、EMBA、木兰学院、南南合作学院、DPS博士项目以及北京大学在校生及校友等，累计参与人数过千人。
在朗润撷英，你能够接触到中国最顶尖的经济学者、管理学者，你能够获知最前卫的理论和思想。你能与国内职场精英为伍，也能和全球500强高管共谋战略。
更重要的是，你能够通过朗润撷英磨炼你的综合素质，让你形成一种独到的思维方式。这种建立在学习、实践、创造和分享基础上的思维方式，构成了撷英们不同于其他人的特殊价值。
At Sharing Club, you relate to the scholars and professionals of utmost wisdom in economics and business linking China with the world.
What we ultimately bring to you is a unique way of thinking, which is based on sharing, learning and creating that constitute the core competencies of our members.
欢迎关注撷英公众号
访问学者申请
EMAIL
北京大学
ENGLISH
