1月27日，江苏省企业信息化协会总群迎来第10期“智造+V课堂”。本次课堂邀请了兮易控股董事长陈广乾先生，给大家奉上了主题为“大数据在企业落地，增值收益实战”的精彩培训。
嘉宾介绍
陈广乾 兮易控股董事长
如下是分享实录：
我今天晚上主要跟大家汇报一下关于企业大数据应用方面具体我们做过的案例，大概有几个案例。在讲这个案例以前，我是想把整个创业简单的片子给大家先看一下。
我最后一个职业生涯是在江苏昆山，好孩子中国商贸集团的总部是在昆山，我是好孩子中国商贸集团的CEO，一直工作到2013年，2013年的3月份创业，到今天为止差不多快三年的时间了。之所以离开好孩子CEO的岗位参加创业，主要是看到了互联网，尤其是大数据的发展，从创业的过程当中一直到去年年底，我们在大数据项目上总共差不多做了七个项目。案例呢，由于时间关系我不会全讲，会讲几个面向B2C企业的案例，和一个B2B企业的案例。
在整个我们所做的大数据项目当中，从第一张片子可以看到，我2015年的4月份参加了国家在贵阳举办的第一届大数据国际博览会，在国际博览会下午峰会上我有一个发言，关于企业大数据应用的发言，在那里我提到了其实2015年可能是中国企业大数据发展的元年，这个看起来还是比较准确，因为现在最近企业大数据的发展势头来势比较猛。
我现在给大家放第二张片子，也就是我们为什么要做大数据，我们目前做的产品和架构是什么。现在请大家详细看一下这张PPT，这个是我整个所创业的兮易在整个大数据的定位，目前我们开发Saas平台，最上端大家看到有一个互联网转型，2B的企业和2C的企业，有一个工业4.0。工业4.0我们开发了8 个板块和48个具体的模块，底层是我们开发的一些关于企业核心能力的基础模块。但是支撑这些底层的，就是我们的兮易大数据增值产品，这个里面目前我们正在开发的产品有关于企业2C用户端会员管理，以及2B端的运营管理，和工业4.0服务的基础产品。
现在再给大家看一张片子，现在这张片子是我们对整个中国大数据目前现状的一个解读，目前现状看，其实我们看到百分点这家公司，这家公司已经获得几轮融资了，目前他们做金融大数据做得比较好，而且是目前中国最大的第三方消费者偏好数据的平台。最近又出来一个数据堂，目前我们大家公认的比较好的是阿里大数据，其实我目前看在互联网数据上最好的数据产品是阿里的大数据，我这上面列举了数据魔方的例子。
还有一个我想在这里说一下Uber，我最近看了一些文章说这个企业非常厉害，居然没有一台出租车，也没有一个司机，就能够控制着美国甚至全世界出租车行业。其实大家在评论这点的时候忽视了Uber在我看来是大数据的分析平台，通过大数据算法所做的司机和出租车的撮合平台目前是最好的。
但是呢，不管是阿里、Uber还是百分点，这些企业在我看来都主要是一些互联网的企业，它们目前的大数据产品还主要面向互联网数据的。其实我们大家知道，互联网数据所有的数据节点都是有痕迹的，所以相对来说数据的钻取、数据的采掘以及数据分析相对容易。
我们兮易目前做的主要是聚焦线下传统企业大数据的分析。在具体提到传统企业大数据如何分析之前，我再给大家看一张图，就关于整个我们传统企业现在走到今天，在大数据分析的背景资料的现状，给大家做一下分析。通过这张图大家可以看到，在互联网之前我们叫一代实体电商，这个时候我们传统企业做得还可以，传统企业店的形态其实都是通过品牌商到中间的渠道到门店再到消费者，这是第一代店。第二代店就是真正网络的电商了，主要以阿里、京东为代表，这个对我们传统企业是一个巨大的冲击。现在目前从2014年开始，企业都开始了O2O的转型，或者叫做全渠道的转型，今年明显能看到传统企业O2O已经有很大的发力。
比如说像好孩子商贸集团其实就开发了一个很强大的线上线下统一的应用，线下对传统渠道打通，而且也做的比较好，但是目前传统企业O2O第三代主要还是开发一些微信，还有APP工具，使用的主要手段还是甩红包、打折来吸引消费者下载我们的应用。
但大家看我这张图对右端叫3.0的高级阶段，3.0的高级阶段其实我认为APP不仅仅是唯一手段就是靠红包和打折吸引消费者，其实我们在3.0更高级阶段，其实应该把我们的视角进入到一个真正洞察消费者的痛点，真正走入用户，做深度传播新的更高发展阶段。在这里面其实小米、Uber做得比较好，一到深度洞察消费者，后面我提出四个基本先决条件，这四个基本先决条件，如果我们能够走进消费者心理，未来没有社会学、心理学和语言学的手段介入，我们很难在深度上跟消费者做心理和情感的沟通。那么大数据技术就需要进一步成熟，我们需要更深层对消费者360度的画像，我们需要更成熟的智能语言的分析技术，和需要更成熟的其他涉及到大数据的分析技术。
在我们销售系统里面，目前我们的销售系统，像目前销售自动化系统，还不足以能够深度挖掘消费者，可能未来就走向智能的销售系统，以及能够更智能获得大量新的智能终端设备，来全面获取我们的销售数据。另外，我们的沟通工具也需要进一步成熟，由我们的微媒、我们自媒体进一步深度发展，能够360度沟通我们用户。
为什么需要这样做呢?我们再看一张片子，这张片子告诉我们为什么要在这个程度上更加用到大数据分析技术了呢，我们看到第一代基于我们渠道客户的时候，我们主要的KPI就是sell out、sell in，就是我们到分销，到经销商的库存，以及经销商库存转化到门店，包括我们分销的网格化等等，以及门店的终端陈列等等。在门店这个层面上，我们需要更多是零售数据了，这里面有客流数据，但是这些传统的KPI我们过去的工具基本上可以解决。走到第三代基于用户的时候，我们的KPI考核会发生很大变化，但是看右侧的KPI，这里就出现了细分用户群了，出现了老用户数、新用户数、用户的转化率，包括会员的复购率，用户的购买品质，你能链接到多少用户，互动的用户数以及互动的反馈，用户的推荐，用户的价值，用户的流失，以及精准客群投入的产出。
当大家看到这些指标的时候我们会看到，这些指标如果没有跟用户相关这些新的工具和平台，没有这些精准大数据分析，走向用户，尤其深度走向用户是很难实现的。那么这张片子就主要说明在我们跟用户交互的时候，大家作为搞信息化搞IT的同事们看到，这个逻辑在这里面做了一个陈述。这个基本逻辑是这样的，就是说我们跟用户的沟通里面，现在相当多的是手机，定位的软件就是微信，我们有手环，定的可能是微博，我们未来的智能手表定位的可能是社区，我们智能家具可能定位着电商，以及我们大量企业都开发了跟用户沟通的这种比较正的APP，未来我们可能有更多的终端，因此有更多的软件。
那么大的结构上来看，我们目前在跟用户沟通上主要的一个系统，还是SCRM，和前端的用户交互系统，我们叫做CIC。面对SCRM和CIC系统呢，其实我们拉到后端的就是需要做大数据的分析，通过大数据分析才能够形成中间这个闭环，也是通过我们获取数据来洞察用户的痛点，然后形成我们产品和服务的创新，这个产品服务的创新又走向一个生态圈互动的场景，通过我们各种技术实现我们大数据分析，这个大数据又调过来解决用户的痛点，这样形成一个闭环，通过创造用户的体验，洞察用户的需求，来实现我们对用户精准营销的解决方案。
好，我们再看下一张片，这张片子文字比较多，我做一下说明，右边这张图是我们在传统企业，尤其是B2C企业互联网转型顶层结构图，这个顶层结构图最核心的，我提出一个三交的概念，交互、交易、交付，我们传统企业做交易和交付是很成熟的，但是我们在转型的过程当中，可能越来越多面向于用户的交互，用户交互过程当中，我们使用主要的平台就是官网、官微和官博，通过这个平台我们会实现我们品牌的人格化、品牌的故事化和品牌的时代化，通过这个品牌的传播，通过对用户的交互，我们会实现销售的大数据，用户的大数据，以及传播层的大数据。
前台开发的就是前台的交互系统与用户的交互系统，主要是各个企业开发的APP，微媒体的系统，以及客户互动中心的CIC。中台的交易系统主要是电商，线上电商，线下是各种前端的销售体系，后台主要是ERP和仓储物流等等，通过三台系统和前端的交互系统来实现用户传播和销售的大数据。
这个大数据的获取目的之一就是要形成我们产品开发，更好应对我们消费者，这个就是我们所说的让用户找产品，在开发过程当中，这里面提出四代开发内容，其中第一代、第二代的开发都是传统的从P0到P6，也就是从产品规划到产品推市的一整套产品生命周期的过程。但是在第三代开发的时候已经引入了基于消费和用户体验的大数据分析，但是这个还不够，在开发的第四代，也就是产品研发或者产品全生命周期PMI的第四代，其实像做得比较好的类似于小米，目前有些企业也正在做，正在做的就是在整个研发立项，甚至一个创意阶段，就已经跟粉丝，跟业界大V产生了创意的互动，包括在企划上、创意上、开发上的互动，这个互动对产品开很有好处，这是最新一代新的开发。新的开发之后，通过互动我们会积累更多产品交互的大数据，这个对产品的DNA爆款的形成是很有帮助的。
再给大家看一张图，下面这张图就是从前面产品开发大数据分析概念走到了后端智能制造，我在最近一篇微博里面也提出了这张图，就是我们做的工业4.0 的核心结构概念，这个核心结构里面我们分成8个模块，整个工业4.0的架构分成8个模块，第一个是满足用户个性化和多样化需求的智能销售系统;第二个是智能用户需求的交互与分析的系统，现在这两个系统很显然都是基于前端跟用户交互的大数据才能形成。第三个系统就是整个工业4.0的核心，也就是我们的互联网体验和基于互联网的iMES，也就是设计执行系统，以及我们的设计系统，也就是实现协同设计，互动设计和用于环境的设计，以及用于成本的设计等等;第五个就是智能采购，这是可视化和模块和供应商的采购;第六个是智能生产系统;第七个是智能物流系统；第八个是智能服务系统。
我拿这张图的意图是什么呢?其实搭建智能系统底层核心又走到了产业，我们叫做工业大数据，它的核心是工业大数据，没有工业大数据在这里做底层的基础，其实这八大智能模块是难以实现的。
我们看一下这张图就能说明一下我刚才说的含义了，这个就是我们开发的设想，第一张图就是我们设想未来智能物流系统的一个结构图，如果我们未来需求大数据做得很好，如果我们能够实现准确的需求预测与订单预测，如果我们可以实现全流程库存的共享，如果我们能够实现整个从订单端到端全流程可视。我这里举个例子，400万订单需求，其实我们有可能通过200万的现金可以满足，因为在这个条件下，如果我们未来的缺货率低于5%，未来我们的订单预测的准确率高于 80%，未来我们的速度低于10天，中间的苦库存也尽可能优，在这些条件下，其实我们可以用一半的资金满足400万订单，满足安全库存全部要求，其实我们可以成为物流银行，因为有200万资金像阿里巴巴的余额宝一样存留起来。但是这张图的核心，我刚才说的那么多如果，这个如果的先决表现就是基于从工厂到销售到CDC、RDC到HUB一直到门店到最后一公里用户全部流程的大数据分析，全部流程数据的可视化。
这是我们2013年做的第一个大数据项目，这其实是一个电商，这是中国很有名的一家电商，它的线上当时是1700万会员，线下传统大概有8000多万会员，我们是做的8000多万会员分群的大数据分析。大家看的这张图可以看到，原来做大数据分析以前，它的整个线上1700万会员是没有做分类的，每个月的邮箱营销推送费大概是1750万左右，但是整个用户的点击率，就是访问订单率连千分之一都不到，因为大部分都作为垃圾处理了，它没有一个比较精准的分群。由于这家企业其实它虽然是个互联网企业，但是我们从它的数据分析里面看到它整个数据积累质量还是比较低，所以我们打的200多个标签里面最后用的标签其实连20个都不到，因为没有数据做支撑。
即使在这种情况下，通过我们的算法，就是我们数据质量高的时候，有对于高的算法，质量相对低的时候，我们有相对低的算法，通过这些算法我们最后确定了7个大的分群，这就把大概1700万线上会员缩小到了小的10几万，大的100多万这样一个分群，这种分群就能够使它的整个推送比原来精准多了，至少是 7倍的精准。
在这个基础上，我们开发了面向各种不同群体的销售语言，对应不同群体营销语言，并且组织了针对不同群体营销的策划，这个效果比原来的效果要好得多。
现在这个是我们做的又一个用于C端大数据分析，这家公司是有2700万会员，我们是整个对会员打了1300多个标签，我简单说一下这个方法论，在这个项目里面，上面有一列，大家看一下，P01叫做基础，P02叫做接触，P03叫做意向，P04叫做眼光，P05叫做优惠，P06叫做选款，这个什么意思呢?所谓P就是process，就是这家公司的核心业务，其实不管大数据也好，小数据也好，数据表征主要是业务，所以我们要对业务首先进行比较清晰的梳理，对于业务要有深刻的认识，你不对业务有深刻认识是没有办法做大数据分析的，就是我常说的，你即使是邀请一个人大统计系毕业的，北大统计学毕业出身的，他马上也做不了大数据业务，为什么呢?因为他对业务没有一个很清楚的了解是做不了大数据分析的。
比如说我们问一个学统计学的大学生，库存周转天数是35天意味着什么?大学生很难知道这个库存周转35天，这个业务有没有竞争力，所以它的先决条件就是我们要对业务进行透彻的分析。这个业务透彻分析里，任何一家公司业务都是非常复杂的，所以我们分析的主要是给这家公司带来销售收入，带来盈利，造成成本端到端的梳理，所以这家公司我们梳理了14个核心业务的端到端的流程，就是大家看到的从P01到P04，这14个核心业务的流程就构成了这家公司一年 50多个亿的销售收入。
那么左侧这个纵向图，就是我们通常对于用户，尤其是对会员大数据分析的基本纬度，下面就这个具体项目呢，我再给大家拷几张片子做一个更详细的说明。大家看这张片子就更有意思了，这张片子是我们做项目基本的方法论，大家看右侧有一个标签分层，我们其实把整个对C2端，对会员大数据分析分成八层，大家可以看到第一个纬度是地理的纬度，什么叫地理纬度呢?这里面有一个解说，比如说省会城市、住宅、购买地址、商圈、交通、店的档位，这些都属于地理位置。人口特征就是年龄、性别、职业、收入、教育程度，包括在这个项目里人的验光记录，验光属性的特征，这属于人口特征。再往上走就是像购买行为、价值潜力、使用场合、需求动机，这里都有具体说明。从底往上走，大家看到越往上走数据获取难度越大。
其实我们或许一个用户的地理信息呢，以及他的年龄相对来说还是容易，获取用户的成本信息以及购买行为信息就相对难了，再往上走，比如说获取他的需求动机，他的态度、个性，甚至说他的生活方式，这些信息就更难了，过去在没有互联网，尤其是移动互联网条件下，我们越往上走的数据几乎获取不到，所以过去大数据分析的深度是很有限的。
根据这八个层次，我们做了一个标签的分层，最右边那些就是具体的标签分层，这八个纬度变成到这个项目里面具体的标签分层就有了这个企业具体特点了，比如说在功能需求上，我们验光上，除了一个视觉的健康以及实像两个基本需求之外，其实我们有可能还有病理的需求，像年龄大的可能产生眼睛的老化、青光眼、白内障，这就属于病理的需求。还有其他功能性的需求，还有产品特性的需求，还有特定的适应性的需求，这些都是需求动机。由于这个企业数据保密原因，所以我们就到了第二层为止。
左边这两个实际上是KPI，因为对于老板来说他其实不在乎你是大数据还是小数据，快数据还是慢数据，老板在乎我给你钱做数据分析，我要的是效益的改善，在具体项目里就是要的是老会员的活跃，沉睡会员的觉醒，流失会员的回归，以及会员的复购率，以及客单价，这些是通过我们大数据分析来完成的。所以在我们大数据方法论上看的第一步其实是KPI定义相关标签的设计与差距分析，这是我们做的第一步。这之前我们还有一个第零步，也就是项目的开端，我们要有一个大数据先验的分析模型，根据先验的分析模型，根据KPI定义，我们第二步再做数据的清洗和整合。第三步要基于现有客户的价值做分群，第四步要开展营销活动，第五步要对营销活动提出来一个具体的销售效果，然后持续改进。大数据的算法就在第二步和第三步之间，具体的算法模型是在第二步第三步之间实现的。
具体的分析模型，我们再看一张图，这张图是我们具体分析的一张图了，从这张图截图看下来，原来的这家2700万会员近乎没有做任何分群，我们其实在这个分群中，由于我们分析方法的成熟，由于数据质量比前一个有很大的提升，其实我们对2700万会员做了细的一个群。这里给大家看一个具体的分群，45岁到50岁这个年龄已经开始要形成眼疾病了，这个眼疾病有几种表现，有可能是斜视、弱视，有可能眼表面的疾病，有可能形成白内障，这种疾病在哪些场合下形成的?到底有什么感受?45岁到50岁这个群体具体活动的场所、场景都是什么，他是在社交上更多，还是开车上更多，休闲活动更多呢，这些活动对于他视力有什么要求呢?这个眼睛到底应该怎么解决呢?以及这类人群里面都是哪些具体的职业，职业有什么变化，等等，这些过去都完全没有。经过我们画像，以及画像做的分群，已经做的比以前细多了，而且我们有一个基本的定义，也就是我们把两年半以内就来配一次眼镜的作为活跃客户，两年半到四年之间配一次眼镜的作为睡眠客户，四年还没有来配眼镜的，这个客户基本上流失了，而且这个配眼镜还是配太阳镜还是配近视镜还是老花镜呢，都有一些具体的聚类分群。
我们再看下一张片子，这个就是针对我们具体的聚类分群，我们开发的用于前端手机的大数据分析产品，这个在实际效果中比较好。比如说拿我的例子来说，原来验光可能是七到八个纬度，有时候验光写在一张纸上，这张纸是输到系统里还是随手扔掉，我们也不知道，这种验光之后可以接收到52个纬度的信息，而且在你结束验光以后几乎一分钟之内就可以收到。
这个信息里面的纬度，对我们用户来讲就可能会造成用户的感动，为什么?比如说拿年龄大的来说，这上面就可以看得到，你哪一天到我们这儿验光了，而且验光的52个纬度信息，我们可以从手机上看到，看到有些视觉纬度到危险期的时候，短信上，手机的网页上可以做提示，比如说你可能接近轻微青光眼的前期了，这种情况下会主动推送很多服务，比如说三个月之内再给你免费做一次验光，看看你这个视觉是不是变坏，这样除了配镜子以外，还要做一下健康的检查。
这个对前端来说客户就是比较满意，而且客户比较感动，这个我们在一个城市做试点的时候知道这个试点的效果还是比较好，但这个后台就是做了大量的工作，大家看这张图看出来，后台推送手机短信，后台有一个很大的CIC客户互动中心，交互中心，交互中心会把这些数据都聚类起来，在后端是一个CM系统，然后底层有一个大数据分析的体系，这些体系的建设，而且内部数据全部要打通，所有门店上的数据，验光师上面的数据，以及交易上来的数据要全部打通，才能实现前端让用户感动的数据服务。
还有一个案例我要简单说一下。这个项目我就简单说到这儿，我们再看一个更大范围内的大数据分析的例子，这个不是一个店，这是一个大的购物中心，这个是我们所做的对于到购物中心128家店3月2号那一天十几万人消费者所有行为轨迹的分析，这一大型购物中心主要形成了一个用户定义，形成了一个消费偏好，消费动机，消费行为，商户对购物中心贡献度，做了这几个纬度的数据分析，靠这一天几万十几万人整个WIFI数据地址，他的整个轨迹数据，再配合红外的数据，再辅助以门店的POS数据所做的综合消费行为的分析。
大家从这张图里能够看到，在我们分析的125家商户当中，中间这个节点，就是大家去的最多的那个节点，给这个购物中心带来最大贡献的一个节点是一家 coldstone的店，最差的一家店是叫做(品拉照相)的店，coldstone的店对购物中心的贡献比购物中心向它收的租金大几倍甚至十几倍，所以通过这个大数据分析，我们引导购物中心不仅仅通过传统的收租金的一种方式，所以这种购物中心的费用收取模式的变革实际上是依据大数据分析的。
我再简单说最后一个案例，这个案例是我们在做大数据分析项目里面比较艰难的一个案例，就是我们一个很新的尝试，目前分析的领域还主要是面向终端用户，这个已经走到了B2B了，走到了B2B一个企业内部的运营了，如果说前面对用户的分析主要拉伸他的销售，这个分析主要是要节约运营成本。
这是一家工程机械的企业，这个企业看到原来在我们前几个项目来核心业务的梳理，端到端的梳理只有一条线，从前拉到后，这个企业里面，我们核心有五条线，因为这个企业的工程机械销售还是比B2C的企业复杂得多，因为它不是一个简单的现款现货完成销售的闭环，其实工程机械卖出去以后，销售的一半还没有结束，其实大量的业务流程是在后市场，服务、维修、退换货，以及更重要的是整个租赁，以及风控的环节。
我们整个对这家公司的业务，通过五个主业务纬度，对它的售前、售后、后市场风控，进行了五个纬度业务数据的解读，找到了520个业务的断点，520 个业务断点做了很多分类，对每个分类进行了大量的算法模型，通过算法模型找到了能够让它经营断点，这个断点其实对于企业老板来说就是流血点，能够让流血点止血的一整套大数据分析和新的运营管理的解决方案。这个解决方案，我们的分析过程当中，这些业务断点一年造成了这家公司经营损失大概1500多万，通过我们数据分析所形成新的运营改善的方案，经过去年实战已经有了2000多万回收，这2000多万业务经营的改善，实际上就是净利，这家公司的董事长对于这个项目是感到非常的惊喜，因为没有想到他这么多年建的系统，其实系统是能够看到数的，但是过去一直缺乏这么一个数背后的，能够带来业务改善的分析方法。
最后一张片子，我说一下我们大数据分析模型，这张片子其实是很有意义的，由于我们在传统企业大数据分析走的相对早，而且我们在每做一个项目的时候都在积累我们的分析方法，因为很多项目其实对于我们来说也是很大的挑战，所以我们逐渐开发出了一套“8+1”板块，大概有48个组件，250多个模板的这么一整套大数据分析增值分析的模型，由于还不可能无偿向大家开放，所以我们这里举个例子。在我们一级结构，就是大数据分析模型从第零步，一直到第八步，二级就是分成的板块，比如说第六步，就是大数据挖掘算法测试开发和发布，第七步就是交互设计与系统开发的SaaS，第八步就是上线内测公测，集成、连条、持续运营，这涉及到系统。在第六步的第三个层级，就是模块的层级，大家看到有这么七个模块，到底怎么去端到端的梳理业务，建立关键的闸口点，以及结合用户的业务策略，来制定从业务角度考虑的数据的重要纬度，因为数据并不是同等的，我们把数据前后可能分成五个纬度，最重要的纬度拿五个星来表示，然后比如再往下走一步，就是调度引擎会根据配置的任务进行作业的调度形成相关的数据，然后做数据的标准化的变量选择与转换，这都是比较技术的语言了。复杂数据模型到多重算法的技术建模，这个说老实话我也不懂，这是我们大数据分析团队，尤其是大数据科学家他们专业的任务。对应的模板大家看就是下面有一张对应的模板，这是我们整个大数据分析方法，这个方法使我们对各种类型的企业，尤其对2C的企业，在你企业积累了相当的数据，而且不知道怎么用的情况下，这是一个很大的帮助。
我昨天接触了一个做游戏的一家公司，这家公司其实也积累了大量的数据，尤其是VIP会员的数据，但是为什么会员会上来打游戏，或者为什么这段时间不来，或者是哪些会员流失了，因为他的VIP会员是他销售的90%，现在完全很茫然，完全不知道到底背后是哪些原因造成他们这些行为，所以现在他们对我们大数据分析模型方法很感兴趣，这就是一个具体的例子。
我今天的介绍，关于大数据分析，如何给企业带来实际，或者销售收入的增长，这里面表明为会员复购率的增长，或者是对一个企业运营成本的节约，这是节约的效率，一个是开源一个节流，我做了两个案例分析，在分析以前对整个大数据提出了我的看法，所以我今天跟各位的交流就说到这里，首先谢谢各位，欢迎下面继续讨论。
今天会议的主持，我集中关于大数据落地汇报就说到这里。
问答精选：
提问：我们是快消品厂家，目前主要是通过第三方平台做toc，这方面可以做第三方平台的大数据分析吗?
回答：有一位朋友提到了，他们是快销品厂家，目前用的第三方的平台，我想问一下第三方平台是不是指淘宝天猫的平台?如果是淘宝天猫平台，其实关键在于你能不能获取到天猫的数据，以我过去参与电商的经历，你是很难获取到天猫的数据，因为淘宝天猫本身就有大数据产品，他们本身就是靠这个赚钱的。
提问：当业务部门还热衷于传统模式运营，不接受数据分析运营时怎么办?
回答：这个说明现在这个传统企业活得还不错，其实分析不分析，对他来说销售很好，毛利很高，这个时候他没有痛点或者你还没有找到他的痛点，对用户还没有洞察的需求，其实也无所谓大数据分析。业务部门热衷于传统模式的运营是因为传统模式还能够给业务带来利润。业务不会天生对大数据感兴趣。还是找到业务的痛点：1.要么大数据如何对业绩提升做出贡献;2.要么对成本降低做出贡献;业务尝到甜头后，自然会感兴趣。毕竟业务对大数据技术是不精通的。
提问：大数据分析，在对于质量提升方面有什么案例吗?
回答：有一位朋友提到了对于大数据分析对质量的提升，这个实际上项目是没有具体做过，但是因为我过去在企业管理里面长期是对全面质量管理感兴趣，其实我个人认为，其实基于质量的全流程质量追溯，尤其责任追溯，从前端质量的投诉一直到后面门店，或者是销售，或者是制造，以及到供应商的供应这一连串质量的追溯，其实这里面如果这个数据能实现闭环的话，其实我是建议这个质量追溯的大数据分析模型还是很有意义的。
而对于这个模型，我的想象只要对每一个追溯的节点，你数据都能够获取，包括这个数据获取我个人想象是多维度的，比如从质量检测仪器上获取的数据，从计量仪器上获取的数据，包括从质量管理组织获取的数据，包括索赔的数据，以及供应商分批次质量问题数据，如果这些都获取来的情况下，其实完全可以建立一个比较精准的大数据分析模型，这个方法其实我们可以做深入的沟通。
