数据运营：数据分析模型撬动新零售实战

本书主要内容

本书主要介绍12个经典数据分析模型在零售企业的决策应用实战，着重介绍企业不同的业务场景会遇见的运营问题，针对不同的问题怎样选择分析模型，怎么分析？模型结果如何落地？

基础部分

第1～4章，内容相对简单。第1章是基础内容，打基石的部分，这是考虑到有些读者对数据分析应用或者利用数据可视化洞察业务具有入门的需求。第2～4章介绍的是常见且较简单的分析模型，帮助读者简单理解模型的决策支持。

进阶部分

第5～10章，较前面内容相对复杂，复杂的“点”可能在于决策应用，也可能在模型实现，将这些模型集中到一起，主要想帮助读者更进一步理解分析模型如何支持决策。

高阶部分

第11～12章，选取阿里巴巴公司目前针对零售品牌企业全域运营较为主流的营销模型，某种程度而言属于企业战略层操作。它们落地时需要将前面基础、进阶部分的分析模型融合在一起应用，所以这部分是本书数据分析模型系统应用的一个升华。从读者的学习路径来说，完成了对数据分析模型“基础认知—模型理解—理解决策应用”的完整学习链路。

本书主要解决以下问题：

针对不同的业务场景，分析模型怎么选？

利用数据分析解决业务问题的完整思路是怎样的？

商业分析如何养成？分析结果如何落地？

叶秋萍（公众号ID：shujushangye）

从数据分析师到数据分析运营管理者。

专业书籍《数据实践之美》作者之一。

互联网、传统行业都曾涉猎。服务过世界500强企业数据项目；经手过数据治理、数据分析、BI、数据中台设计、数据运营、用户画像等数据应用及企业整体解决方案；熟悉前沿的数据产品、数据运营体系。

致力于企业从“点”到“面”的数据应用，不能落地的数据项目都属于资源浪费。

职场的竞争归根结底是核心竞争力的竞争，数据分析市场越来越饱和，企业高层越来越看重数据价值落地，数据运营悄然成为行业新兴稀缺人才，它能够跳脱技术工作与业务决策紧密结合决定了它长青的职业生命力，同时于每一位数据从业者而言，它也是必备的一项核心职场能力。

很多数据分析师、数据工程师不懂业务，很多业务决策人员揣着业务高见又受限于不懂如何做数据分析……如何将数据结果和业务决策结合起来发挥数据价值正是本书设计的初衷和内容，全书以案例实战为主，涉猎多个零售行业，涵盖企业众多常见的业务场景，数据应用流程阐述完整可以很好帮助读者快速理解数据分析模型应用于决策的方法和思路。

无论你是业务人员还是专业的数据从业人员，本书都很适合阅读。

经常有人问我：如何转行成为数据分析师？如何提升数据分析能力？数据分析如何能落地？

也曾被咨询：“你们的数据分析师日常输出什么？为何我们公司的数据分析师只是充当了取数工具，其他价值一无所出？”

而当我面对不同企业的高层领导时，经常回答同一个问题：“你的团队能为公司带来什么价值？”

诸如此类问题，不胜枚举，总体而言，大家都很疑惑数据分析怎么做？数据分析如何驱动业务？数据分析的价值在哪？数据分析能为企业带来什么？这不仅是执行层的困惑，同时也是企业领导的困惑。

市场发展到现在，数据分析师职业在市场上其实相对成熟，但在实际工作中会发现强技术的分析师易找，具有业务思维或懂得数据应用的分析师一将难求，甚至有时候招聘需要筛选百份简历，历经数月。所以我常思考：我们对于数据分析职业及能力的认知，是否真的从业务需求中来，最终结果可以赋能于业务？

近年，有个岗位悄然兴起：数据运营。数据运营的目标是服务运营，核心前提是运用数据，它是将数据分析真正落地，进行数据变现的岗位。结合过往的项目来看，数据运营岗位工作非常复杂，它不是独立的数据分析，也不是独立的活动运营或者用户运营，所以国内市场乃至国外的数据运营人才都非常稀缺。数据分析职业因人力成本投入高，如果不能从分析走到运营变现，那么分析团队在企业中便难以生存。

从与出版社确定写书计划开始，我不断思考：事隔多年再次写书，我应该写些什么内容能够满足大家日常工作的需求？带着问题，综合上述林林总总的思虑及自身的工作、分析师团队招聘等经历，经过较为深入的思考后最终敲定了本书的写作方向：洞见数据价值，探索数据驱动运营。

为什么选零售行业？如何理解“新”零售？

从商业细分看，市场上业务形态多元，品牌零售企业相对较多。从某种程度而言，具备销售商品性质的企业都带有零售属性，不同的企业只是在人、货、场上有微小的差异，但数据分析方法是通用的。

“数据分析模型撬动新零售”中的“新”不仅指零售企业借助互联网实现线上线下融合的新场景，同时指零售企业借助数据分析手段颠覆传统的运营方式，真正走上“创新”的数据运营之路。

本书内容特点

我曾和一个从事数据服务多年的朋友交流，他总结了多年的服务经验，他认为要解决甲方企业的业务问题，技术不是第一位，业务思维及数据落地应用地才是首要的，同时也是最难以突破的。所以我在对内容安排经过严密思考后，决定本书不讲工具，不限于工具，崇尚能够解决业务问题的都是优秀的工具。

（1） 选用行业通用的经典分析模型，适用各种不同业务的企业（互联网亦可用），且具有可持续性。

（2） 覆盖企业业务场景广：新零售、私域运营、客户分析、CRM……

（3） 讲业务、讲商业，讲数据、讲分析，同时讲需要的技术。

（4） 从业务问题思考、指标选取、数据分析思考、模型实现到结果应用全链路讲解。

（5） 实战案例丰富，总能找到你所需要的。

（6） 多数数据分析模型都有相关的实现工具推荐，不同的读者可以按需求选用。

（7） 书中内容适用性广，可以适应多元化、不同层级及不同工作角色的读者。

（8） 章节内容采用叙事性写法，阅读数据案例不枯燥。

读者对象&学习路径

（1） 初级数据&商业分析师、欲转行人员：建议您先从第1章开始阅读，从基础开始，循序渐进。第1章对每个分析模型的逻辑进行了介绍，有助于初步理解数据分析模型。

（2） 专业数据分析师：专业人士对书中多数分析模型较为熟悉，可以以阅读相关案例应用为主，理解思考模型结果如何落地，即如何从数据分析走到数据变现。

（3） 专业数据运营人士：对于您来说，较为薄弱的可能是数据分析部分，可以主要阅读每个模型的逻辑原理、案例的业务思考、指标选取及完整分析思路，了解数据结果的来源很重要。

（4） 业务决策者：如果您没有数据分析基础，建议先从第1章开始详细阅读，根据自己遇见的业务问题匹配出相应的分析模型，再各个击破。本书分析模型实现多数采用图形化的分析工具或者Excel，对您同样很友好。

（5） 强数据意识企业高层领导：可以着重关注不同分析模型适应的业务场景，以及案例阐述的业务问题。

（6） 对数据分析或数据运营感兴趣的人员：可以根据自己喜好或者需求阅读。

内容勘误

作者个人的观点不是唯一且无比精确的，同时时间仓促，工作之余完成了本书，本书势必存在部分内容上的不足或者错误，欢迎读者批评指正。

个人微信号：binglingzi3344 ，有需要的读者可以联系我，“三人行必有我师”，期待我们可以相互学习，相互促进。

个人公众号：shujushangye（数据新商业），对大数据相关内容感兴趣的读者可以关注，将为您呈现更深入、更复杂的数据应用内容。

本书能够顺利完成离不开大家对我的支持和帮助，在此对默默支持帮助我的朋友们表示衷心的感谢。同时，一本书的上市更需要出版社编辑的呕心沥血，在此非常感谢电子工业出版社的石倩编辑对本书的指导和付出，也祝愿所有看到本书的读者工作顺利！

作者

第1 篇　零售企业基础分析方法应用

第1 章　开启数据化业务洞察：基础分析方法 002

1.1　趋势分析 003

1.2　对比分析 005

1.3　分布分析 009

1.4　组成分析 013

1.5　关系分析 015

1.6　其他分析方法 017

1.7　本章小结 019

第2 章　让客单价“飞”起来：购物篮分析 020

2.1　从经典故事的起源探索购物篮分析的奥秘 020

2.2　两个案例：购物篮分析数据化决策怎么用 022

2.2.1　模型适用的零售业务场景 022

2.2.2　案例1 ：不合时宜的服饰可以不打折清仓吗 025

2.2.3　案例2 ：如何轻松获取私域运营流量

（新零售场景） 030

2.3　购物篮分析模型的实现 034

2.4　本章小结 036

第3 章　擒贼先擒王，高效降本增益：帕累托分析 038

3.1　二八定律诞生的科学性 038

3.2　两个案例：帕累托分析数据化决策怎么用 040

3.2.1　模型适用的零售业务场景 040

3.2.2　案例1 ：降本增益，1500 多个商品如何优化 041

3.2.3　案例2 ：企业的用户贡献分布健康吗

（CRM 管理） 045

3.3　帕累托分析模型的实现 049

3.4　本章小结 054

第4 章　精准定位，业绩优化有方向：象限分析 056

4.1　象限分割的数学逻辑原理 057

4.2　两个案例：象限分析数据化决策怎么用 060

4.2.1　模型适用的零售业务场景 060

4.2.2　案例1 ：餐厅的菜品如何管理优化 062

4.2.3　案例2 ：纸业零售商如何提升门店业绩 066

4.3　象限分析模型的实现 070

4.4　本章小结 074

第2 篇　零售企业进阶分析方法应用

第5 章　快速厘清自己，掌握外部形势：SWOT 分析 076

5.1　SWOT 分析的原理 076

5.2　两个案例：SWOT 分析数据化决策怎么用 079

5.2.1　模型适用的零售业务场景 080

5.2.2　案例1 ：用户眼中的品牌是什么样的

（市场决策） 081

5.2.3　案例2 ：备选开店的3 家购物中心该如何选择

（企业战略） 085

5.3　本章小结 091

第6 章　1 分钟梳理10 万个用户的商业价值：RFM 分析 092

6.1　RFM 分析的逻辑原理 093

6.2　两个案例：RFM 分析数据化决策怎么用 095

6.2.1　模型适用的零售业务场景 095

6.2.2　案例1 ：你的高价值用户在哪里（CRM） 097

6.2.3　案例2 ：打折清仓的靴子卖给谁（营销决策） 103

6.3　RFM 分析模型的实现 107

6.4　本章小结 110

第7 章　不懂商业数据分析？先来听它说：杜邦分析 112

7.1　从经典起源看杜邦分析如何“解” 112

7.2　两个案例：杜邦分析数据化决策怎么用 114

7.2.1　模型适用的零售业务场景 114

7.2.2　案例1 ：上个月的营业总成本为何这么高

（财务分析） 117

7.2.3　案例2 ：如何快速学会商业分析（商业思维） 120

7.3　杜邦分析模型的实现 124

7.4　本章小结 125

第8 章　………