189 8069 5689
在数据驱动下的营销中，对于数据质量的把控、数据预测和统计都要一个系统来支持。
文/庖丁的刀
电商在最近几年的迅猛发展，导致围绕电商的相关产业和服务迅速增加，数据化运营就是一例。相比传统行业，电商对数据的依赖更强，而数据的获取容易太多。进而数据处理的这项工作也有了很大需求和变化：先是纯技术的数据统计，自己的IT，后来有了数据分析师、商业分析师、数据挖掘专家、甚至数据科学家。而在应用上也有了各种工具如量子统计、各种CRM软件，再到咨询公司、顾问公司等。
之所以有那么多的岗位，那么多的公司出现，就是电商企业希望自己的数据能“数据变现"，提升销售、 降低成本、加快周转等等，从而达到开源销售、节约成本的目的。
数据化运营曾经在2011年非常火爆，但后来却渐渐无人提及。为何如此？
第一种原因是因为做数据的同事对商业理解不够，对运作模式理解不够。拿到一些数据推送给一线运营人员，如果经验不够，直接拿来应用，自然会产生很多问题。因为电商的整个链条非常长，从营销流程看，从各种渠道的推广到站内的导流引导（参考 《站外引流+站内引导：流量不是梦！》），到折扣策略、订单的审核、采购的回货、物流的选择、包裹的跟踪、客服的维护等等，每一步都需要很好的沟通和协调才能完成。这些工作并非仅仅数据层面上就能一次性解决，是需要每个步骤对数据的理解是一致的基础上才能完成的。
第二种原因就是那些运营人员是从零开始做起，各个部门的协作已经非常娴熟，在常规的营销、运营的层面对数据的依赖非常小，同时又熟悉市场、了解用户，对供应链又比较熟悉，这样的团队基本可以秒杀数据的工作人员。
那就意味着数据分析师们注定要失业了？这倒未必。
想在这样的团队有立足，就只能在分工协作的条件下做他们无法靠业务经验来完成的事情——数据挖掘、大数据应用。这样的应用场景是：具有相同兴趣偏好、相同消费习惯的用户群、用户的支付方面的风险控制、用户流失预警、匹配各种用户 群的商品组等等。对这些场景可以组合多种营销策略，而达到销售的目的。
而对于销售以后的事情，比如如何保证订单不缺货，选择好的物流及时发货，并能给用户及时的反馈包裹情况等都需要内部的运营系统。当然，除了系统方面的支持外，还需要很多的人力执行层面的执行，仓库的拣货、打包，物流人员的取包、送货等等。尽管这些都不能由机器或者系统代替，但数据中心完全可以提供相关的支持支持。
数据化运营可以在整个公司的运营体系中发挥很大的作用，如果有数据中心的支持，除了可以监控运营的整个流程，还能提供相关的KPI数据、人力管理数据、财务数据等，使得公司能方面快捷的知道公司运营的各个关键节点的表现，以方便做出 各种决策，在执行层面能制定出更优化的、更高效的战术。
主题营销是数据化运营中最常见的动作。因为各种节日的活动促销非常频繁，一到节假日就会发现各种促销活动蜂拥而至，无论是商场还是超市都是如此。而线上的电商则更是疯狂，不仅造出了光棍节，还有了诸如“94”备货节之类的节日，更不用说各家自己搞的店庆什么的了。同时，这些主题营销的影响一般比较大，主要表现为：站外流量、站内商品的热销和缺货、团队协作的不顺畅、仓库的发货压力、采购的回货不及时。
当电商遇到这些问题的时候，我们就能说是时候启用数据分析了。