數據運營的三重門，你可知曉

通過數據分析的結果來驅動運營方式，最終幫助運營者乃至企業決策者憑借數據敏感性和邏輯分析能力指導業務實踐。

近年來，“大數據”日益成為國家基礎性戰略資源，其所蘊藏的巨大潛力和能量在各行各業不斷積蓄的同時，整個數據行業的技術基礎和實踐能力也獲得了長足的提升，對于數據的分析和應用能力在不少行業案例中都得到了良好的展現。

單就運營而論，數據作為一種度量方式，能夠真實地反映運營狀況，幫助我們進一步了解產品、了解用戶、了解渠道進而優化運營策略是其快速發展的根本動因。

下面我們就從何為數據運營的三重門開始說起。

數據運營的三重門

數據的第一重門“交易門”

客戶與企業的交易數據。這重門以交易數據、日志數據為主，即客戶的交易行為（買賣、刷卡、查詢、投訴等）通過企業內部的生產作業系統記錄留存，基本以“事后”數據為主，數據存在形式以結構化數據為主體。

數據的第二重門“交互門”

客戶與企業的交互數據，我們形容為花園里面的數據。其特點是以用戶與企業的各種交互數據為主，數據本身代表了客戶的行為，如位置、點擊、瀏覽、企業App內的操作行為、企業線下實體內的行為(購物中心內的到店足跡)等。此類數據開始出現大量非結構化，流式數據等多種形態。

交互門與交易門的數據有什么不同，如何利用?

例子一：沉睡、瞌睡客戶的分析

通過交易門內的數據發現的沉睡、瞌睡客戶，在交互門里面表現如何呢？們是真的沉睡了還是離開你的服務？

交易門內的數據告訴企業這些客戶在你的企業交易門里面沒有留下任何交易的線索，不買你的理財產品，不買你的商品？這個時候要看看交互門的數據了。

先看這樣圖：

可以發現在一定時間段里，雖然交易門的數據類似，但是在交互門里面這些客戶表現大不相同。 停留在企業APP時間的時長不一樣，點擊的次數不一樣。所謂“投資型“客戶是數據猜測的，因為這些客戶不斷上來而且頻繁地在你手機里面做各種操作，他們在比對你的商品或者你的理財產品?？墒?，為什么交易門里面沒有收益呢？

這個時候要看看“交互門“外的數據了。即這些客戶在企業的App外在類似競品企業的App上是什么行為呢？如下圖：

結論很明顯，這些投資類型的客戶在競品App里面同樣活躍，是目標客戶，這個時候要考慮如何進行客戶的轉化了，如何進行客戶的轉化同樣離不開數據，屬于客戶運營范疇了。

這個例子是一個典型的穿越數據三重門的分析。

例子二：線下交互門的數據能干什么？

我們會認為24小時營業的火鍋店會給很多商業綜合體帶來巨大的客流量，會有良好的預期，覺得這些人來了會在我的商場里邊再會順便買一些東西，提高我的提袋率。事實情況是不是這樣呢?

我們做了這樣一個數據探索，跟我們的客戶一起去了解，把兩百多個商家做了一次分類，分類組織成為各種商家標簽，如下圖表格的縱向欄目。在通過數據運營施工，在商場內的各個商家門口(nearby)和進店(inside)的Wifi數據獲取整理。

通過大數據管理平臺，將商家標簽，人群軌跡做機器聚類分析，看看品牌與人流之間的關系到底是什么?

下圖中標紅的就是火鍋，其相關性為1.0。但是，這一欄中的人群除了跟火鍋類標簽相關度高之外，與其他商家標簽相關性都極低。如果是簡單描述這個分析結果就是，吃火鍋的人會直來直往，吃完了就走，對其他的入駐的商家和品牌帶動力非常有限。

據此我們可以進行進一步的分析，下圖為商業綜合體中所有的品牌與品牌之間的帶動力的分析，來看看數據會告送你哪些品牌是帶客源泉，哪些不是。

結論如下：

如果只看交易墻內的數據，如銷售量，租金等，上面的分析結果是不得而知的；

看交互墻內的數據需要進行數據運營和數據工程實現才能獲??；

如果在結合“公開市場門“的數據，還可以進行外部商圈分析、競品分析等，數據分析緯度繼續深入，但是這部分數據就需要外部合作獲取了。

數據的第三重門“公開市場門”

即客戶在一個開放市場中的各種行為數據，其本身往往并不直接與企業的業務相關，但是對這些數據的獲取和分析可以很大程度上輔助企業業務的開展，如移動App的數據、社交數據、微信微博的輿情數據、品牌偏好數據、職住娛位置聚集和遷徙數據、區塊內人群消費能力數據和觀影偏好數據等等。

這類數據的獲取不是盲目的，通常需要帶有一定的問題域觸發，即從解決某類業務問題觸發來考慮，否則會陷入“數據的汪洋大?！?，不知道收什么數據。

在問題域明確的前提下，通過分析加工“公開市場門”的數據可以幫助企業的具體業務問題（獲客、喚醒沉睡客戶、風險控制、宏觀選址、區塊消費偏好分析等等）。

這部分數據的獲取企業往往需要依靠內部的有目的性的運營活動加以外部合作來達到，這也是眾多傳統企業往往面臨的難題。

三重門的數據收集和獲取形式不同

數據從“收”到“獲”的變遷是什么意思?

交易門內的數據，基本以生產、交易、管理系統的自然數據的留存為主要模式，有時也被稱為交易系統的副產品，所以主要是“采集”而不是“獲取”。而是自然數據的日志自然積累，過去幾十年有很多技術處理這樣的資產，比如企業內部的數據倉庫系統，商業智能系統，管理駕駛艙等經營分析系統將ERP，CRM，核心交易系統的數據進行聚合分析和展現。

交互門里面的數據，以用戶與企業的各種交互數據為主，這部分的數據需要企業通過TPU運營和數據運營才能獲取。

TPU運營的意思是通過圍繞著流量(Traffic)、產品(Product)、用戶(User)為核心的一系列的運營活動，來幫助企業將用戶從公開市場門中發現，并引導他們穿越交互門、交易門成為企業的客戶;同時對已有客戶通過三重門數據的運營來提升粘性，提升客戶滿意度。

數據運營在此環節中十分重要，在上述的各種運營中，始終要將數據獲取作為與業務開展幾乎同等重要的事情來看待，在各種運營活動中對于數據獲取進行必要的設計和必要的IT建設。

談談這里所謂的IT建設，我們暫且以“埋點”來統稱這一環節的工作。所謂“埋點”即在過程中預先設計的一個事件觸發和記錄的環節，用以獲取、記錄該事件的數據。

埋點可以分為以下幾類：

IT系統內的埋點：比如網頁的JS代碼，App內的埋點事件，H5內的埋點等；

運營活動的埋點：在線下運營活動中，設計的“搖一搖”“掃二維碼”“免費Wifi提供”“H5鏈接“等等；

業務人員的所謂“人肉埋點“：即地推人員在活動區塊設定、話術設定等方面的設計和數據回籠措施的設計。

只有通過專業、體系化的埋點措施并配合必要的業務管理要求和IT系統建設，才能解決“交互門“甚至“公開市場門”里面的數據持續獲取。

通過對埋點數據的分析可以幫助企業去優化流量運營方面的各種措施，這是一個迭代過程。即通過TPU運營帶入客戶，通過對客戶的各種交互、交易數據的分析優化TPU運營的舉措，從而帶入更多的流量，采集更多的數據，如此循環往復。

舉個例子，如今跑步成為一種時尚，很多企業客戶希望通過贊助這樣的馬拉松比賽來增加知名度和獲客。

某銀行客戶舉辦了一次這樣的馬拉松比賽，報名人數三萬，影響的人大概十萬左右，目的很明顯，拉升銀行產品的知名度，拉動銀行客戶的開卡開戶。結果是什么，錢花了，人來了。但是，人都是穿著短褲來的，沒帶筆，怎么開戶；周邊觀眾好幾萬，都是拿著手機來的，確實被這次活動吸引了。但是此次活動，銀行只從承辦公司拿了1900個手機號而已，其他的10萬人的線索活動后就斷了，1000多萬的預算，收獲了什么？產品露出(Awareness)，但是貌似很難衡量，后續這些人如何做跟蹤和轉化呢？貌似沒有跟進手段?數據收獲了沒有？除了1900個手機號，沒有其他了。

這個活動就是典型的沒有從數據運營和流量運營結合來考慮。從舉辦活動前夕的預熱，官網、官微、移動APP、大流量端的預先活動設計和配合的線上埋點設計，比賽沿途（報名處，休息處，半馬全馬完成處，照相合影處）稍作設計都可以成為線下埋點的地方，點埋了，數據回籠了，有幾件收益：

產品露出效果可以衡量，在官網、官微、手機App上獲客情況，轉化如何?在線下埋點收集的數據上來，運動敏感性的潛客是不是收集了?

后續轉化可以做了，潛客標簽為“運動狂“的人群做針對性運營，老客也可以做相應的牽引和含片推薦；

數據資產收獲。此次活動作為一次實戰的數據獲取和訓練過程，充實了用戶的數據資產（交互門外的數據，交易門的數據都有）。

Talking Data將TPU運營（T：Traffic流量；P：Product產品；U：User用戶）與3A3R整合在一起，結合數據三重門的數據運營特點，來幫助客戶通過數據運營和平臺建設來完成這一過程。通過持續的運營，幫助企業擴充自己的數據資產。如下圖所示：

所謂數據運營，即所有的運營活動都基于數據，“不能量化就不能優化，不能量化就不能衡量”源自于此。移動互聯網迫使企業的運營點前移出交易墻，到交互墻內，甚至是公開市場。

運營點前移造成既有的運營指標體系出現了不滿足的情況，因為原有的指標體系是依據交易墻內的數據建設的，所以出現了新的移動互聯網業態下的運營指標。

如下圖所示的例子：

結合各個行業的特點，從3A3R（Awareness，Acquire，Activation，Retain，Revenue，Refer） 幾個角度從公開數據、交互門數據和交易門數據來統一考慮運營指標體系的建設。在此角度上Talking Data已經與多個行業客戶聯合推出了券商、直銷銀行、互聯網金融和商業房地產等行業垂直運營體系，后續不斷有行業運營指標體系推出。

運營的前移的另外一個收效在于，業務的運營可在業務的發生過程中，甚至之前就有所動作，而不是等到數據進入了“交易門“做事后的處理。

“羊毛黨“運營的例子

舉一個新形態下反欺詐的例子，大家知道有一個人群叫“羊毛黨”，做互聯網金融、電商的企業客戶，以及那些愛領取卡券優惠的人們可能比較熟悉。

專業的羊毛黨的影響越來越大。2015年的時候，在華南有一家不大的企業興致勃勃地做了他自己互聯網金融產品發布會，投了兩個億，做互聯網金融產品，配屬了將近數千萬的卡券優惠。結果是開售首日產品幾乎直接被搶光。到了半年后，這些互聯網金融產品到期贖回時，出現了大規模的集中贖回，類似銀行擠兌的情況。要求贖回的理財產品和配屬的卡券優惠金額加起來在一億兩千萬左右，這個公司直接資金鏈斷裂、關門大吉。

事后才知道，這些產品貌似是眾多客戶分開購買的，實際上是羊毛黨的杰作，通過技術手段操縱移動App，通過近萬個帳戶搶購產品和擼羊毛(卡券優惠)，這是很極端的例子。單純依靠交易門內的數據來坐分析，顯然于事無補。在互聯網金融、電商等企業都會面對這個情況可以說這是新的對反欺詐的訴求。

通過結合三重門的數據運營，運營點前移后是否可以解決這個問題呢？Talking Data推出的基于新的RFM模型，從運營的角度上去展開跟羊毛黨的攻防戰。

從“交互門”，甚至公開市場門就開始識別羊毛黨，具體分析羊毛黨出沒的痕跡如下：

網絡行為，通道，接入IP地址，Hostname, 路由設備日志，運營商接入基站都可以留存大量的網絡行為日志，完整的網絡日志可以形成一條羊毛用戶網絡路徑，客觀反映羊毛黨的網絡行為軌跡；

設備動態行為，智能手機及手持設備往往會內置眾多的運動傳感器， 傳感器會手機手機設備的動態行為包括位置變化幅度，變化頻次， 變化規律等信息， 從而通過數據計算判斷設備的動態行為；

平臺行為，被擼平臺往往有很多的平臺行為及過程，包括注冊，綁卡，瀏覽，交易和提現。每個過程都會留下很多行為軌跡，而羊毛黨特別是其中的機器羊毛黨的行為軌跡更是有其特殊性；

交易行為，羊毛黨會對平臺的產品做詳細的對比分析，找出其中ROI最大化的薅方案。其交易的產品，交易金額和交易時間都是最佳化設計；

手機的整體行為，羊毛黨的主要工具都是手機， 每臺手機上安裝的互聯網金融平臺數，活躍時間，甚至于羊毛黨對手機終端的偏好都可以留下一定的行為軌跡。

通過對這些來自羊毛黨的“公開市場門”、“交互門”和“交易門”的數據整體獲取和分析，可以建立一張羊毛黨個人行為的數據圖譜。如下圖展示了一張匯集了多個數據源的羊毛黨數據圖譜，從圖譜中可以直觀的多看到一臺安卓設備通過多次刷機形成了19臺虛擬設備，這19臺設備注冊了19個賬號完成了19次薅羊毛行動的數據軌跡。

在可以識別以后，進入了羊毛黨的運營階段，因為依企業不同發展要求，需要甄別羊毛黨和卡券敏感性客戶以及死忠粉，需要采用運營手段對不同的客戶用不同的策略來對待，而不是全部拒之門外。

這是一個運營點前移到交易門外的例子，這樣的例子很多，不一一贅述。