感悟篇:我在B端做数据分析(一)

0 评论 2430 浏览 24 收藏 21 分钟

编辑导读:数据分析工作就是从一堆看似杂乱无章的数据中找到有用的价值,工作也是如此,越做越清晰。本文作者从他过去的B端数据分析工作中总结经验,和大家分享,一起来看一下吧。

一、写在前面

最近也越来越喜欢Dambisa Moyo的这句话,

“The best time to plant a tree was 10 years ago. The second best time is now.”

我是西索,距离2011年6月22日,到现在是真正意义上做了十年数据分析,十年前没有种好树,十年后我想重新开始积累。工作之后的前两年是面向于C端的零售行业,余下的八年都沉浸在B端领域里面,研究数据增值、变现的场景。

二、为什么要写这篇文章?

前一阵子在[一个数据人的自留地]群里发了一个问题:

对于to B的公司,要不要做企业画像? 如何做企业画像? 结果一石激起千层浪,大家讨论非常热烈。原来一直以为用户画像在to C的公司用的比较多,没想到服务B端的企业也有这么多人在关注,大家一致认为企业画像是有必要的。然而大家的分歧在于:如何做?人肉做,还是大数据,是否需要用到大数据?

和simba大佬聊完之后,大佬出了一系列文章,分享了如何做B端的画像。看完之后产生了一些感触和想法,C端的分析案例一搜一箩筐,但是B端的案例是真的少。

simba:一篇文章让你掌握企业画像

老实说,数据就是一团浆糊,越搅越糊,至今还没怎么真正把数据的价值和意义搞懂,每天一个踩坑知识点,过山车一样的刺激,懂的人自然懂。于是就想把过去在B端里面的分析场景整理出来进行分享,一方面给过去这十年做一个简单的复盘,另一方面也看看能不能得到一些共鸣,产生新的idea,欢迎私信来交流。

做数据,欲速而不达,慢就是快,需要稳扎稳打把脉络理清楚,后面在应用的时候就会清晰很多。

三、B端的数据,得看的远管的宽,才显专业

在B端做分析,时刻记牢的几个关键要素:“营收”、“影响”、“知名度”。

首先必须是“营收”,区别于C端消费,B端的决策周期长,从触达到产生订单之间的过程很难做归因,对数据而言,获取线索比直接看;

然后才是“专业”,需要对生意、行业、企业经营、业务(市场、营销、供应链仓储物流、商品、运营、客服、研发)上的概念有比较全面的了解,否则很难和业务保持在同一个沟通层面,很容易被评价为不懂业务;

再后就是“方法”,在B端如果能往外延伸触达到客户,所接触到的对象非富即贵,不是老板就是高官,不同的场合下用的“道”、“术”、“器”都进行区别,变则通,见人说人话,见鬼说鬼话;

3.1 这些B端业务上的一些核心业务指标,老板们都喜欢看

合同金额、付费用户数、付费转化率、用户客单价、用户流失率、商机线索量、市场占有率;

3.2 这些B端业务上的一些主要分析场景,领导们都喜欢听

  • 面向市场的竞品分析,帮助营销找线索,竞品的主要客户群体、竞品的客户群体特征(区域特征、行业特征)、竞品客户群体的财务情况、目标客户的背景、目标客户的喜好;
  • 面向客户的运营分析,帮助客户找它的经营问题也是平台的切入点,客户的整体市场规模、主要客源渠道分布、主打产品的地域差异、潜在的市场机会;
  • 面向产品的用研分析,帮助产品快速定位提升优化体验,产品使用过程中的埋点行为分析、用户获取留存和流失、核心业务链路的使用情况监控;
  • 面向管理的经营分析,帮助管理层更好的了解业务线现状,从财务分析的视角研究业务上的商业数据模型、多业务视角下的业务分析报告、新增市场新增产品新增用户研究;
  • 面向质量的问题分析,帮助所有人认清客观的事实,从客服角度触发,把用户的诉求、投诉、建议、反馈等信息和业务数据串联起来,从用户视角去剖析产品、业务环节的质量问题;

3.3 这些B端业务上的一些主要算法场景,同事们都喜欢吹

  • 基于标签的推荐算法,需要根据标签、用户偏好、商品信息建立混淆矩阵,召回商品集合,生成差异化的规则和策略;
  • 基于商品的类目预测,需要从商品的类目、品牌、型号、规格、属性等信息,建立分类模型;
  • 基于交易的趋势预测,需要从市场大盘、行业趋势、单品交易等维度,建立预测模型;
  • 基于市场的供需模型,需要从供需双方的频次、需求量、供给量等层面,建立供需模型;
  • 基于用户的漏斗分析,需要从渠道来源、访问、页面浏览、模块点击、加购收藏、点击支付等链路,建立漏斗模型;
  • 基于运营的画像分类,需要从用户、商品、交易、行为、风控、市场等粒度下,对用户建立标签;基于路径的最优模型,需要对地理位置、行车路线、配送路线、仓库建设等场景,建立基于时间、空间的最优模型;
  • 基于风险的风控模型,需要从履约、违约、诉讼、行政处罚、刑事处罚等风险场景,建立风控模型;
  • 基于客服的语义模型,需要对用户诉求、电话咨询、机器人问答、人工客服等场景,建立NLP模型;

四、说下B端常见的一些用户分类

对于绝大多数B类用户的研究,接触到的对象一般都是以中小型的B端公司为主;只有在KA用户里面,有少部分是真正大规模的企业、品牌商,这类公司的组织形态又极其复杂,可能所对接的业务只是贵司其中很小的一个模块而已。

五、说下B端常见的业务类型

产品是B端业务的根本,市场开发是业务营收的关键,而服务是业务稳定增长的核心。

  • 做产品,深挖客户需求形成产品建议,包装产品方案进行技术演练,丰富产品适配场景提高通用性;
  • 做市场,对线上线下营销活动资源进行整合,建立线索的收集、反馈通道,快速感知用户的诉求,并提供产品应用解决方案;
  • 做服务,保障产品实施交付,提供同步的指导培训,复盘客户业务现状、应用实践案例,形成业务解决方案,以驱动产品和营销方案的升级,促成用户续约;

通过服务扩散产品价值增益,维护老客的稳定接触,建立市场口碑,吸引更多的新客户。

六、对比B/C端数据的一些特征

不同的业务下,产品模式不一样,在结果体现上区别就会更大,以至于有很多业务线上的数据量级极小,甚至于根本谈不上大数据分析,就更谈不上所谓的算法和工程。

  • 需求层级上:因为是垂直领域,对接的也是企业级之间的供给关系,所以从动机上来说,考虑更多的部分是商业模式和生态玩法,而不是单一的购买意向;
  • 数据量级上:没有C端规模那么大,无论是用户群、产品使用、流量、需求;
  • 产品架构上:受制于用户群体,B端的产品分类目标导向性会比较强,工具类型产品、平台类型产品、服务类型产品;
  • 画像分层上:做的好的B端企业一定都是垂直细分领域,所以用户群体相对单一,画像更多的是在细分用户的精准性区别上,标签多来自于产品和系统本身;
  • 合作方式上:B端之间的合作一旦达成,往往都是强依赖关系,具象一点,拿交易举个例子,C端消费的交易达成一般是订单,B端合作的交易达成可能是订单、也可能是合同、还可能是商业合作(短、中、长);
  • 盈利模式上:B端的盈利模式,服务费、佣金、返点、合作费用、广告投放费、会员费、线下活动入场费、培训费、咨询费等;
  • 决策模式上:B端明显会偏向于多人决策、关键核心人决策,找准人找对人才是关键;

七、用户-业务-产品-数据,才是好的链路顺序

通过下表,对比下B端和C端之间的场景差异。

7.1 用户差异

7.2 业务差异

7.3 产品差异

e.g 以salseforce 为例,对于它的产品周期:

1. 最早提出SaaS的模式,这是一种全新的商业模式;

2. 后来以CRM 为突破口,建立了一个完整的以客户为中心的,售前(营销)、售中(销售、履约)、售后(客服)全链路的软件服务,可以看出他的产品就是围绕商业模式展开,战略就是围绕客户开展的一系列工作流程。

3. 到现在云计算, 促使他产生了几朵云,营销云, 销售云,客服云,而大数据又促使ta产生了 分析云,AI 又产生了AI 客户之类的服务;

7.4 行为差异

7.5 数据差异

八、社会才是最好的大学,都会有起有伏

每个人在离开学校,踏入社会的大门开始,都会经历很多个成长周期。在传统行业的产品管理中,有产品生命周期的一套理念,套用到职业生涯,应该也是可以的。

  • 投入期,创新能力最重要,这时要考虑打造专利护城河;
  • 成长期,销售最重要,持续打造规模效应护城河;
  • 成熟期,利润最重要,持续打造网络效应和品牌护城河;
  • 衰退期,成本最重要,用迁移成本减缓产品的衰退。

对应上面的四张图,我周边很多朋友在毕业没多久就如第一个图的呈现,起点高,偶尔有起伏,站的总归一直在高处。回看我自己的职业生涯,觉得应该比较贴切右边最后一张,职场进阶的道路上虽然曲曲折折,但是总会在一个小周期之后能得到突破。

九、入门难,深造更难,不要沉迷于工具带来的爽感

不得不说,初入职场的前几年,特别沉迷于数据本身而不是业务,以及对各种数据处理技巧的深层次研究,用VBA、R、SPSS、Python不同的软件去自研各种自动化的小工具,小有成就。

工具毕竟只是工具,就跟打游戏开荒一样,当每个模块、功能都尝试用过一遍之后,就丧失了兴趣,数据分析不过如此,几年之后就索然无味了,分析无用。当对一件事情失去了兴趣和焦点,整个人就会变得很浮躁,傲慢、漫不经心、焦躁、忧虑……以及冲动,我想辞职!

庆幸的是,碰到了一些比好的领导,都是人生中的引路人,在状态极其不好的时候,给予方向上的指导,给了很多选择。

有一阵子,内心浮躁,无所事事。领导说有机会就跟着市场、营销、工程的同事去接触接触业务,如果可行,以后转型也方便。后面就跟着事业部的业务同学去拜访客户,到用户现场参观,了解产品是如何在用户公司使用的,到一线听他们的吐槽(大部分是骂声)。人间清醒是客户,付了钱,产品哪里好用、哪里有问题,意见反馈、客服电话打了一通又一通,这些都是从结构化的数据里面看不出来的。

有种说法是说客服才是一家公司最懂业务的人,只要他们想,随时可以去挑战任何一个产品、技术和业务!

在B端用户分析里面,很多时候通过数据分析在异常上找不到的原因,在用户现场指不定就茅塞顿开了。为什么这个用户原来很活跃,一个时间点之后,它就不活跃了,因为它的业务主体发生变更了,老板原来的确是做这个细分板块业务的,有一天他朋友来合伙投资,整体业务方向就变了;为什么这个用户的营业额突然就下降了,因为他们家老板又开了家子公司,还是同一拨人,当地有小企业扶持政策,还可以免一部分税;……这些部分都离不开对细分行业的了解,随着业务知识的增加,会更合理的看待数据,以及对数据中对异常做解释。

鉴于对产品、业务、用户有了更深层次的理解,再回过头来看数据,认知面就会不太一样。

十、认识用户,了解用户,切勿闭门造车

熟悉业务最好的方式,是直接去找用户进行面对面的对话,高效而简洁;

其次是角色代入式的按照用户视角去模拟用户在产品上的操作,熟悉产品模块和流程;

最次是通过数据库的表结构关系、DDL,去做业务假象,通过日常需求对接,丰富业务上的知识树。

了解C端的用户可以通过区域化的抽样问卷调查,或者通过采买第三方平台所提供的画像数据,能够用样本分析的方法去对人群标签做特征拟合。但是在B端,问卷调查的方式往往是行不通的,毕竟不同性质的企业,在群体特性的差异上是极大的。用户走访,是一个在B端不得不去做的事情,选择一群合适的访谈对象,去和用户做共创、做MPV、做试点,然后把研究的结果在更大范围内进行复制、应用,避免闭门造车。

前面已经提到过,对于企业用户,其看重的是“生意”,功能诉求为主,普遍有丰富的生意经验和复杂的业务流程,因此调研不仅要了解用户使用网上产品的诉求、意见,更需要还原用户原生行为(即线下做生意的行为,链路等)、诉求,据此对应投射到互联网产品。

因为B端的业务决策链路长,且参与角色多,所以不同的人所掌握的信息和权力都有非常大的区别,即使是同一个岗位,不同级别、不同业务分工,所负责内容,关注点的不同。比如在市场营销部门里面,总经理、总监、经理、主管,四个角色在同一事情上的视角和焦点都会不一样;而在零售类型的企业,负责电商、线下渠道、直播渠道为了一个决策所需要的信息也会大不相同。

十一、写在最后

过往面试的时候,面试官问最有成就感的事情是什么,我的回答“通过数据分析、挖掘去促成了2亿市场规模的合同达成(专项项目组)”;“面向B端公司进行定制化的数据报告实现5000万左右的数据营收(报告营收)”……我觉得这是比较感觉到自豪的。

回过头看这些年的经历,感慨万千,在过去这十年的工作经验里面,一直都是在数据分析这个title上。很想把这些年积累的一些知识内容以文字的形式记录下来,对于一个纯理科生来说,这无疑是一种挑战。后面应该会拆成很多个部分,缝缝补补,陆陆续续的完善。

 

作者:郑小柒是西索啊,微信公众号:郑小柒是西索啊

本文由 @郑小柒是西索啊 原创发布于人人都是产品经理。未经许可,禁止转载

题图来自Unsplash,基于CC0协议

给作者打赏,鼓励TA抓紧创作!
更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 目前还没评论,等你发挥!