|
内容来源：2019年11月14-17日，由msup主办的“第八届全球软件案例研究峰会（简称：壹佰案例）”上，网易严选数据技术及产品部总监魏文庆进行了以“严选模式下的数据驱动引擎”为主题的精彩分享。笔记侠作为合作方，经主办方和讲者审阅授权发布。【整理摘编：时英平】 大家好，今天主要和大家分享一下“严选模式下的数据驱动引擎”，包括三块儿内容： 第一，“数据驱动策略是什么”； 第二，“数据产品的体系应该如何构建”； 第三，“数据中台体系是如何构建出来的”。 一、数据驱动策略 1.背景 ① 从线上化到数据化的提升 严选2015年底试运行，在2016年4月正式上线，而我是2017年6月份来到严选，线上化已初步成型。 对于电商，用户看到的是APP，而背后会有近百个或者一两百个业务系统在支撑。当时，我们遇到一个问题，数据烟囱化（也叫信息孤岛）非常严重。很多业务系统要做跨系统的数据操作，或做一些数据分析，难度都非常大。 面对这种情况，是需要建立数据体系来解决的。在这样的背景下，我来到了严选，主要去解决数据孤岛带来的数据获取和分析效率低下的问题。 ② 由数据需求，到数据驱动业务 当时我们有一些来自亚马逊等一线互联网公司的业务高管，觉得我们响应数据需求太慢了。我们当时主要通过几个BI人员，从不同的系统捞数据，通过不同的工具来加工分析，难以满足大量的数据需求。 我们的首要目标是解决业务方大规模的数据需求。对于我们来说，解决用户大量的数据需求，只是我们的初级目标，尽管也不容易，但我们的内心还是要数据驱动业务。 2.遇到的困难 ① 严选模式是什么 像淘宝、京东这样的平台，有海量的用户和海量的商品，强在流量的分发；像阿迪、耐克是品牌，有非常强的供应链。 严选模式是平台加品牌的创新模式，相对于品牌我们主要是线上渠道售卖，所以有详细的用户数据；相对于平台，我们能够对供应链进行精细化的管理。 ② 无法触达需求，也不知如何进行数据驱动 在严选模式下，我们要怎么做数据，是我当时考虑的最重要的问题。  从分析师的角度看，我们只要把固化的报表产品化就行了；从业务人员角度，他们也看不知道数据产品是什么、有什么用；从业务系统的角度看，我们把加工好的数据给他们就好了。而当时我们手里只有一个BI——网易有数。 笔记君注：商业智能Business Intelligence，简称：BI，又称商业智慧或商务智能，指用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术进行数据分析以实现商业价值。 这就导致我们根本拿不到需求！做产品的连需求拿不到，还怎么做事情？但是另一方面，即便拿到了需求，我们也不知道数据如何驱动业务。 3.我们的解决方案：双引擎驱动 解决以上问题的最重要的两个点是：我们的定位是什么？核心策略是什么？ 作为一个品牌电商公司，本质上还是在做零售，需要把钱从各个链路里抠出来，“降本增效、高性价比”是永恒的主题。 用户总是喜欢高性价比的东西，所以要深入零售的整个链路，用数据去看钱为什么多花了，供应链成本是多少等。 因此，我们必须满足所有业务方的各种数据需求，用大量的数据来优化整个过程，帮业务监控KPI、用需求驱动供应。 从产品体系讲，我们是用中台支撑的，在中台基础上，我们做了一个垂直的数据产品，来进行数据产品的驱动，我们称为“双引擎驱动”。 ① 核心策略：全链路数据驱动 我们做数据的策略和我们“品牌+平台”的商业模式有关，叫全链路数据驱动+需求驱动供应。
第一，相对于平台，我们有供应端管控优势。 拿淘宝和京东来讲，淘宝主要在销售侧：销售、配送、消费者。他们可以用数据做很多事情，但最本质的是将亿级用户和亿级商品去做匹配，进行人群细分和商品细分，然后做匹配。最核心的是流量的分发，所以淘宝的搜索和推荐在所有平台里做得最好的。 京东是从采购开始，因为它直接购买了品牌商的货，所以它的很多库存其实都是品牌自己承担的。京东自营仓配，智能的仓配是最强的。我们用数据做流量分发或者做仓配肯定做不过他们。 但是，我们也有自己的优势。我们从产品设计开始，到生产都要管，甚至可以管到原料。虽然可能会造成高库存，但是方便了我们的供应端管控。 第二，相对于品牌，我们有消费者洞察优势。 阿迪、耐克，包括联合利华基本都是分销模式，大批量货出去，根本不知道货卖给谁了。但我们绝大部分订单都是从线上渠道来的，有用户详细的浏览、消费记录这样的数据。 相对于传统品牌来说，我们拥有消费者的数据，就具备了对于消费者的洞察能力，这是非常有优势的。
我们对此实行的具体策略大家可以看下图： 在商品开发时，我们会能根据用户对商品的评论，辅助商品开发人员不断优化商品。我们也会通过用户对商品的评论，优化我们的品控标准。 在工厂生产阶段时，我们甚至能根据采销数据计算原料，指导工厂备料。 商品管理过程中，我们通过数据管理商品生命周期，比如:判断商品是不是该下架。如果用户评论很差，有很多负面反馈，那就无需补单。 在品类监控上，对SKU（库存）数量进行控制，避免扩太多。市场运营方面，辅助拉新、留存和转化。客户服务方面，运用大屏将监控数据可视化。一直到最后的仓配物流和交易履约，全链路进行数据覆盖。 其中，最核心的是用需求来驱动供应链。因为我们根据用户需求决定说你生产什么，以及你什么时候生产，备多少料，什么时间采多少量，什么时候送到哪个仓库。 ② 数据双引擎 双引擎，就是数据中台和数据产品相互驱动，相辅相成。
中台是一个基线，我们要把数据从一两百个系统中（包括日志）加工出来，然后将其可视化。 在这个部分，业务最核心的是监控KPI，就只业务是什么样的状态，是不是有异常，异常出在哪里……虽然数据量很大，但这是必须要做的事情。
一般情况下，业务经常会怼研发。在严选，业务对我们的认可度相对较高，主要得益于我们一直尽量守住基线：高效稳定，且高质量交付，这对做数据来说非常重要。 做过数据的肯定会知道数据有时候会晚产出，有时候指标不一致，有时候数据计算的不对，出现异常情况。 不同于“搜索推荐”这种成熟的模型，做B端垂直的决策建议，需要对行业、对业务有深入了解，而深入了解业务，要靠和业务部门的专家，双方合作的基础就是信任。要是你的数据老是不对，就更别提合作做数据模型驱动决策了。 这时候，中台如果能保证高效高质量的交付，就能够获得信任，数据产品才能开展起来，也才能相互合作，进行决策建议，最终做到数据驱动。 二、数据产品体系应该如何构建？ 我们的产品体系，一边是消费者，一边是制造商，那么数据产品是如何来布局的呢？ 我们在营销侧做数据化运营，在供应链那一侧是做数据化供应，中间是数据化管理。 1.数据化运营的两个系统：刑天和神相 刑天—推广渠道管理系统，负责拉新；神相—作为用户行为分析平台，负责转化复购，通过各种监测链服务把数据投放的数据接入，包括曝光数据、点击数据，一直到转化数据，从而进行信息归因、用户生命健康度分析，以及ROI（投资回报率）预测等。  2.数字化管理：VIP App和谛听 VIP App是移动数据工作平台，谛听是舆情洞察中心。前者是自上而下推动数据化管理，后者是自下而上用数据驱动组织改进。 整个数据产品体系在业界没有成熟的方法论，能不能做好，还要看谁更精细化。 对于这个问题，首先应该是管理问题，而不是技术问题，包括团队协作问题、KPI不明确问题。 接下来，我会重点讲一下数据化管理，将会涉及到做产品、做数据的思路。 VIP App移动数据工作平台，提供的功能是在严选APP上进行了叠加，相关负责人长按一下商品就能看到商品的数据，长按一下类目就能看到类目的数据，简单方便。这也是我们的突破的第一步。 这个产品出来后就是给CEO用，他是第一个用户。原来看报表，有人汇报，而现在实时长按一下，想看什么就看什么，也不会被报告所忽悠。 这实际上是自上而下推动数据化管理的。严选负责人在看了这个之后都会截图，给运营负责人看今天的数据如何，又截个图给供应链老大，看扩展效果如何，接收到反馈的部门负责人就找到我们。 这样一来，我们就拿到需求了。现在，我们内部无论中层高层都在用这个系统——高层驱动职能部门，职能部门驱动业务实操。 这个数据产品是我们数据化体系中最简单的一个，也是产品思维最强的一个。 做B端产品，一定要好用，CEO的时间是整个公司最大的资源，所以要帮他节约时间。 其实，核心是做两个事情：一是KPI的数据分层监控，一个是所见即所得的商品数据，现在也做了很多流量，各个业务也都要做进去。 当你随时可以拿到数据，就可以随时促发每个人的灵感，随时进行运营动作，实现销量的上升。 需要注意的是，做数据首先有个目标：解决运营频次的问题。原来决策可能是按周的，或者是按其他频次来做决策，现在是随时随地拿到，随时随地决策。 另外，做数据相关的驱动，应该从顶层入手，因为它是自上而下的事情。 做完了自上而下的数据化管理，又要进行自下而上的数据驱动改进。我们的业务也在不断改进优化，但都是基于内部的自我认知。 我们如何听到用户的声音，让用户帮我们发现问题，驱动我们改进？ 我们把严选上面的用户评论，以及客户系统的客服跟用户的对话，抓取出来进行分析分类，然后分发给对应的业务部门改进。 这是自下而上，用用户的声音来驱动各个业务部门去改进。 其实就是利用我们的舆情洞察中心，从用户访问、浏览、咨询、下单、配送、收货、使用、评价到最后的售后，会产生很多用户数据。这些数据有的是结构化的数字，有些是文本，但都能对所对应的相关部门提供服务。 整个消费链路涉及核心业务环节包括：商品开发、产品设计、商品详情页设计、活动策划、客服咨询、商品质检、包材设计、仓库作业承运商服务、售后服务等。 我们如何利用用户的声音来驱动大家好好工作呢？我们拿到整个数据后先用算法进行情感分析，判断哪些是好的哪些是不好的。 大家知道，很多时候，用户本来写了个好评，但忘记点星级了，就变成了差评；有时候用户写的是差评，却点了四星；有时候用户是带着情绪进行评论的……所以要用算法把真正的舆情分析出来 目前，我们分了13个一级问题，80个二级问题，最终都会通过算法对这些数据进行分类，然后分发给各个业务部门，让他们改进。 比如，用户评论“这次快递比上次慢了好多……”不看数据的话，这其实就是一个很主观的评论，所以要把主观的东西变成数字化的东西，真的慢了吗？ 对此，首先做舆情的分类算法，我们看到它是一个差评，可能是物流问题，也可能是库存问题，但这只是可能，并不能确定，还要结合数仓的数据：推单时间、妥投时间、应妥投时间，发货仓等。 最终，要用实际数据来计算到底是哪个环节慢了，这里就涉及到我们的分类引擎，它是可以自定义配置的，比如算法大于多少，应投的时间大于多少，妥投的时间大于多少。 最终确定到底哪个环节出了问题，会对这个环节进行调整改进和优化。  再比如品控方面，国家的品控标准相对较低，而严选要做精品电商，要做高品质的东西，品控标准要更高，但品控标准从哪里来？ 我们有大量的质量分类，比如通过用户对电气评级的舆情分析所产生的品控标准。这样在新品开发时，就可以规避这些东西，我们进厂质检的时候也能够去做更好的标准，来保障用户的利益。 现在，所有舆情全部接入谛听，有的可以直接到下游系统，让承运商去处理；有的可能到品控系统，去制定品控标准；有的到商品系统，商品进行迭代时就能规避很多问题，像一些功能性障碍或一些问题的设计，在商品迭代时就要去处理。 用数据反向驱动各业务部门改进，这是相对比较创新的方法。在VIP App内也有一个品质模块，负责人能看到整个品类或商品的品质是升了还是降了。 业务部门相对更关心品控部门，因为用户声音对他们来说是很有帮助的，最起码不再是拍脑袋汇报，相比之前可靠多了。 3.数字化供应 河洛作为供应链数据化运作平台，包含采购计划、需求计划、备料计划、波次（作业批次）到货计划等，因为数据是实时到达的，所以实时用户数据都能算出来，这是我们的优势。 严选是线上渠道，有很多用户数据。根据用户不断浏览、下单的数据，可以做需求计划；业务用户的数据结合上层定的KPI来做需求计划，即每周需要有多少商品到仓库，货要充足，完成KPI。 在数据支持方面，我们有数据仓库、模型计算、BI策略和算法服务，这和决策支持方面是相辅相成的，最终促进业务系统的发展。 比如，我们可以根据销售端营销侧的数据去进行一些活动计划，然后根据活动计划去计算需求计划，进而根据需求计划算采购计划。这时，会涉及到SKU，比如说一个颜色、一个尺码的衣服，一个SKU每周应该下多少量。 接下来是库存计划（库存是整体的，根据进销存来看库存的库转率）；最终是到货计划，这是指有时候一个单下去，发现卖的不太好，需要拆掉部分生产订单。 这时，到了之后应该放到哪个仓里，因为各仓是不平衡的，就采购分仓，因为有的卖的多，有的卖的少。 整个数据都可以通过河洛供应链数据运作平台获取到，有了数据就同我们的核心供应商共享数据，进行策略输出：供应商做备料计划，进行产能配置，设置生产排程，以及交货建议。 得到算出的数据后，采购计划会推单推到我们针对供应商提供的采购系统，我们会把我们的一些备料计划、采购计划同步给对方，还有品控方面的舆情。 接下来，我们看下供应链一体化协同解决方案： WMS系统（仓储管理系统）是仓储管理系统，采购分仓时，WMS要知道什么时候采购，会有多少货进来，以及什么时候进来等相关数据；TMS（运输管理系统）是物流体系，什么时间要派卡车到哪几个供应商处，以及走哪条路线去取货。 它是整个严选的供应链的智慧大脑，能对接上很多系统。它可能会利用数仓的数据、我们的一些模型、BI的一些策略，还有算法的一些服务去进行对接，在每个环节我们也都会做一些模型和一些KPI监控，进行一些模型的计算，最终做出决策建议。 这也意味着我们真的已经走到数据驱动业务这一步了，因为我们已经可以利用一系列数据给出业务方面的建议了。 三、数据中台体系是如何构建出来的？ 中台是2015年阿里提出来的，但真正流行的其实是2018年下半年。当时经济真的开始下行，粗犷经营方式已也经不行，没有容易赚的钱，于是大家开始转向数据化运营。 对于数据中台，大家有着不一样的定义，但无论定义多么不同，在我来看，最终交付的肯定是产品或者系统，中台最核心的问题是：解决数据的高效以及高质量的交付问题。 1.数据中台的服务架构体系 ① 前台 既然讲中台，肯定有前台存在。对于我们的中台来说，前台是BI系统、数据产品和业务系统，是直接驱动业务的东西。 首先是BI报表。我们最早服务的是BI报表，包括营销分析、商品分析、用户分析、流量分析等各种报表。 其次是数据产品，前面已经详细讲过，这里就不多讲了。 最后是业务系统。包括商品中心的热销排行、消费报告，一年消费了多少，买了什么东西，结构如何。不过，这些数据都是中台出产的，包括CRM系统圈用户的数据。 ② 数仓体系 对于前台三大系统来说，中台就是个加工中心。用一个比较形象的类比就是：一个人可以自己买菜做饭，但如果像富士康那样的有50万人要吃饭，该怎么办？ 这时，要把这个流程切开，中台相当于就是输进来的是稻米、小麦、活鸡，出去的是宫保鸡丁的配料。数据从各个系统进来，要把它变成半成品，供前台系统使用。 数据仓库同食材仓库一样，分很多种，要把数仓管好，就要有相关的系统。比如菜单系统、质量管控系统，还有设计质量等，必须有一些相关的系统来保证它产生的数据的高效生产和高质量。 ③ 数据服务 数据服务这一层我们经常类比物流服务，主要是统一查询服务，还有标签服务、指标监控服务、数据传产出服务和数据导入服务等。 至于严选有数-敏捷BI平台，我们经常会把它形象的地比喻成半自动炒菜机，分析师只需要按各种键，就能够半自动的炒出相应的菜。 以上大概就是整个中台的体系。 2.数据中台：高效+高质量 所谓中台，是和业务相关的东西，它主要解决两个问题：高效和高质量。 其中，高效包括高效分析、高效集成、高效研发这三个方面。解决了这三个方面的问题，也就解决了高效的问题。 相对来说，高质量的问题比较复杂，最主要的是解决指标的一致性问题。这是老板比较关心的问题，老板就怕看到数据不一样。 对于指标一致性问题，最核心的就是三层：统一定义、统一开发、统一使用。 以严选为例： 统一定义：仓颉-指标管理系统来做定义，有原子指标、修饰指标、派生指标。数据产品统一来管口径，口径一定要定义完再进行输出。 统一开发：数据进行指标加工，通过北斗-数仓设计系统去设计各种表，再在网易猛犸里去进行数据开发，分析师主要做汇总、聚合等分析型处理。 统一使用：所有的数据产品、有数报告、业务系统，通过统一查询，最终统一来配送。 不过，大家会对指标的认知是不一致的，业务对报告里的指标口径理解可能有偏差，所以要统一制定交互规范。 无论在数据产品，有数报告和业务系统里，我们都要求在指标旁边放一个感叹号，鼠标悬停就会显示从我们仓颉指标系统中获取到相关的指标定义。 如此一来，我们在配送数据的同时也能把定义配送过去，这样业务方看到数据的同时，也能看到到底是如何定义的。 从价值来说，即使我们中台体系和数据产品体系已经相对比较完善，我们仍然要做更好的驱动业务。否则，我们对公司创造的价值会降低的。 今天的分享到这里就结束了，谢谢大家。 *文章为作者独立观点，不代表笔记侠立场。 |
|
|
