突破数据孤岛的云移动数据中台将数据“汇、通、用-

建立数据中台后，通过数据中台的建立、来自各业务系统、企业内外不同来源的数据，最终可能会面临形成统一的数据系统、建设统一的仓库的问题。那么，接下来考虑一下让数据发挥价值的方法怎么样。

数据中有哪些应用程序场景。

在完成所有数据业务化所有业务数据化、业务数据化环节后，企业要做的就是数据业务化。数据的商业化方向主要有三种。

1.数据演示应用程序。以大屏幕看板或二维报表形式进行指标展示，支持数据分析。

2.通过数据模型支持业务级应用。根据具体业务需求建立数据模型，处理多源数据输出支持业务使用的数据，例如分析帮助企业预测未来业务发展的数据，进行经营决策的调整。

3.为业务应用提供数据服务。通过API的方式将后台内部处理的数据提供给其他业务系统，并进一步深加工，帮助其他业务系统更深入地应用数据价值，支撑业务应用，提供业务价值，同时它还解决了在数据处理过程中可能遇到的总接口的复杂和混乱问题。

下面是每个应用程序场景的详细说明。

数据演示应用程序

指标体系整理是建设数据展示应用的第一步。

指标体系整理：将指标的六大属性整理成一个完整的列表，指导企业内部各部门如何将使用的数据聚合指标形成统一的指标，帮助未来可视化应用的开展。指标的六大属性包括基础属性、业务属性、统计属性、任务属性、实施属性和管理属性。

通过梳理6个属性形成指标清单，将各指标展开为完整的指标体系，将企业所有指标整合到口径之下。统一各部门之间的管理语言，不同的业务部门之间可以对数据进行整合，以避免个别指标被命名为不同的名称，或者在不同口径上被命名为相同的名称。

上述指标体系的整理是一般的，是面向企业所有指标开展的事项。企业要进行更精细的项目，面向更具体的业务域进行专业的分析和部署，北极星使用指标体系的模型进行整理无疑是一个更好的选择。

北极星指标：企业唯一需要整理北极星指标，也是最重要的核心指标。分析系统或分析的数据服务于指标。例如GMV、商品总交易额是企业应关注的核心内容。

二级指标：北极星将指标划分为3个二级指标，GMV可使用公式进一步分解：如户数*转化率*客单价，可再加购。

3级指标：根据业务流程进行后续解体。例如，转化率本身就有其业务过程，从广告投放到渠道投放，分解过程中的所有步骤，如用户浏览点击、用户吸引、流动资金等。

四级指标：主要从整个纬度区域分解。根据组织架构维，A区域的用户数是多少。B区的转化率是多少。下面更细化的是某个城市、某个商店等，可以分阶段向下分割。

通过上述方法，可以将一个核心指标分割成多个指标，分阶段地进行自上而下的分解，形成数据水平自下而上聚合的机制，从而更好地指导后期的战略调整。

完成指标体系整理后，根据指标体系，选择合适的模板，填充指标，从数据存取成功加工后，将数据直接输出到相应的前端应用工具进行填充，完成开发过程。除了主要使用市面上可能出现的BI工具外，企业还有应用交互转换等特殊要求，也可以通过外部终端开发的方法进行直接的开发。

通过数据模型支持业务应用程序

如何构建适合业务场景的数据模型

通常有两种想法：。

第一个是过去成功案例的标签化。

这是一种经验模型的方法。在过去几十年的运作过程中，业务员积累了大量的成功经验，可以优化复盘经验的结论：哪种产品的销售情况比较好？什么类型的店铺与销售额的增长率正相关。库存满足率会影响增长情况吗？通过使用此标签抽象标签类型，可以将其应用于当前业务或相应的对象，并通过历史经验支持当前认知。

此外，我们还需要成功沉淀营销策略。周期性匹配市场趋势的营销策略是什么。什么样的政策渠道商愿意合作。一系列成功策略的沉淀将形成要粘贴到所需对象上的标签。

第二种：数据的深耕与探索。

如果你是一个新的创新业务，或者没有可借鉴的案例，你需要通过数据深耕和探索的角度，逐步挖掘出你需要的数据模型。

步骤1：明确设计业务要解决的目标场景。如果你需要增加单店产出，你需要以相应的场景为中心，明确哪些数据可用，哪些数据现有支持。

第2步：构建模型，合并业务应用程序。数据模型的难点不是算法开发和代码，而是数据的丰富性和数据的质量。例如，产品、订单和店铺都有基本信息，可以对数据进行相关分析和相关洞察，以具体的商业场景为中心构建。您可以用现有数据构建一个粗略的逻辑模型，然后通过算法进行相应的测试。

此外，在确定相应的输出和输出后，还需要通过一系列可量化的指标进行监控，以监控业务是否有用，并通过监控机制进行1-2周的效果调整。不断发现模型问题，进而进行优化和复盘，更好地发挥算法模型的效果。

黄金购买时间算法模型：通过黄金购买时间预测精选最具潜在购物倾向的会员，进行精准的消费者群体触摸提升，提高再购买率和营销转化

通过大量用户行为分析构建相关标签，用黄金购买时间算法发现用户上次购买到当前活动日的周期，预测每日购买趋势，选择购买趋势较高的阶段进行精确推送。

例如，对黄金购买时间进行的测试结果显示，通过黄金购买时间筛选出所需会员，即通过经验模型筛选出的会员，为品牌客户额外获得近700W的销售额，入店转化率高于非战略集团的两倍。

比较这两类不同的策略群和非策略群，黄金购买时间算法模型、交易人数、交易笔数、人均交易的发生、券的冲销用量、销售量、转化率都有明显提高，因此模型可以实现转化率等的提高。

补充预测算法模型：单品目准确，不强烈依赖店铺经验判断的行业预测算法

不仅是市场营销，在供应链和其他业务场景中也能发挥数据的价值。供应链角度的补充预测算法模型等。

例如，茶饮连锁企业经常面临的问题：

1.订单基于经验。很多店铺都是根据可见的库存和经验订购的。产品一上架，一年就能盈利，傻瓜很多。

2.实际损失、用量不清。只有操作sop没有实时操作数据，没有测量标准。对损失的使用量不明确。问题通过经验自己整理

3.加盟店的库存很难把握。如能看到加盟店的库存结构和趋势，总部可以积极介入，帮助加盟店解决问题。

4.分歧不准确。进口销售比容易误判，不能有效盯住商品流向。教练没有掌握准确的数字，也没有注意到分数。

5.采购不可能更准确。客观判断不好，每年平均浪费1000万个品种。

为了解决上述难题，云迁移提供了一种具体的预测算法。

算法模型的应用，可以取得非常显著的成果：

对于业务：降低成本和提高效率。例如店铺库存周转周期、降低损失率等，同时支持企业建立物料中心和物料中心。

最终，可以为每家店铺节省每年702元的大幅缩短的效率，降低2万元的损失，给企业带来最大的经济效率增值。通过数据模型为企业提供业务判断预测和支持具有很大潜力。

向其他业务系统提供数据

云移动服务某消费品行业案例：为企业CRM系统提供客户数据，支持数字营销业务。

首先是数据整合，通过数据中台穿透在线和线下不同业务渠道客户的数据，以挖掘的方式实现数据的穿透，也可以通过中台添加装修工程或指标管理套件

其次，将已处理的会员数据、标签数据推送到其他业务系统，然后面向多场景进行会员更多的运营，提供等级、权益、场景等。

最后，设置运营工具后，可以进行更深层次的价值挖掘，提供数据应用支持，实现数据赋能。

数据应用建设切入点：关注高层重点，降低建设难度，规避建设风险，保障组织支持，符合业务需要。

企业可以进行数据应用的构建，选择某项业务进行这一初步识别，如何选择比较合理？

1.高层的关心。关注高层核心关注的方向，关注近期集团重点着力的业务板块，关注集团重点业务。这些方向的选择提供了更高级别的支持，并使数据构建更加顺利。数据中台进行数据应用是一项指导性工程，只有上下统一贯彻，才能更好地实现各部门间数据的收集、加工等。

2.信息化建设的基础。有足够的数据可供您选择并收集并使用具有一定信息化基础的业务线或业务方向。

3.数据质量。商业线上使用的数据和生成的数据都可以，表格结构清晰，数据之间的互联网连接难度也很低。数据质量是更快构建数据应用程序的基本要求。

4.组织架构的基础。为了更好地继承中台的长期使用，需要足够的IT组织人员。IT功能可以支持数据支持、分析工作，有专门负责数据管理、数据管理的部门

5.业务需求清晰。如果有比较清晰的业务应用，业务员对业务、指标有清晰的了解，可以参考指标清单，规划总体指标要求，帮助建设更好的数据应用。