編輯導讀：數據分析工作就是從一堆看似雜亂無章的數據中找到有用的價值，工作也是如此，越做越清晰。本文作者從他過去的B端數據分析工作中總結經驗，和大家分享，一起來看一下吧。

最近也越來越喜歡Dambisa Moyo的這句話，

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

我是西索，距離2011年6月22日，到現在是真正意義上做了十年數據分析，十年前沒有種好樹，十年後我想重新開始積累。工作之後的前兩年是面向于C端的零售行業，餘下的八年都沉浸在B端領域裡面，研究數據增值、變現的場景。

前一陣子在[一個數據人的自留地]群裡發了一個問題：

對于to B的公司，要不要做企業畫像? 如何做企業畫像? 結果一石激起千層浪，大家讨論非常熱烈。原來一直以為用戶畫像在to C的公司用的比較多，沒想到服務B端的企業也有這麼多人在關注，大家一緻認為企業畫像是有必要的。然而大家的分歧在于：如何做？人肉做，還是大數據，是否需要用到大數據？

和simba大佬聊完之後，大佬出了一系列文章，分享了如何做B端的畫像。看完之後産生了一些感觸和想法，C端的分析案例一搜一籮筐，但是B端的案例是真的少。

simba：一篇文章讓你掌握企業畫像

老實說，數據就是一團漿糊，越攪越糊，至今還沒怎麼真正把數據的價值和意義搞懂，每天一個踩坑知識點，過山車一樣的刺激，懂的人自然懂。于是就想把過去在B端裡面的分析場景整理出來進行分享，一方面給過去這十年做一個簡單的複盤，另一方面也看看能不能得到一些共鳴，産生新的idea，歡迎私信來交流。

做數據，欲速而不達，慢就是快，需要穩紮穩打把脈絡理清楚，後面在應用的時候就會清晰很多。

在B端做分析，時刻記牢的幾個關鍵要素：“營收”、“影響”、“知名度”。

首先必須是“營收”，區别于C端消費，B端的決策周期長，從觸達到産生訂單之間的過程很難做歸因，對數據而言，獲取線索比直接看；

然後才是“專業”，需要對生意、行業、企業經營、業務（市場、營銷、供應鍊倉儲物流、商品、運營、客服、研發）上的概念有比較全面的了解，否則很難和業務保持在同一個溝通層面，很容易被評價為不懂業務；

再後就是“方法”，在B端如果能往外延伸觸達到客戶，所接觸到的對象非富即貴，不是老闆就是高官，不同的場合下用的“道”、“術”、“器”都進行區别，變則通，見人說人話，見鬼說鬼話；

3.1 這些B端業務上的一些核心業務指标，老闆們都喜歡看

合同金額、付費用戶數、付費轉化率、用戶客單價、用戶流失率、商機線索量、市場占有率；

3.2 這些B端業務上的一些主要分析場景，領導們都喜歡聽

• 面向市場的競品分析，幫助營銷找線索，競品的主要客戶群體、競品的客戶群體特征（區域特征、行業特征）、競品客戶群體的财務情況、目标客戶的背景、目标客戶的喜好；
• 面向客戶的運營分析，幫助客戶找它的經營問題也是平台的切入點，客戶的整體市場規模、主要客源渠道分布、主打産品的地域差異、潛在的市場機會；
• 面向産品的用研分析，幫助産品快速定位提升優化體驗，産品使用過程中的埋點行為分析、用戶獲取留存和流失、核心業務鍊路的使用情況監控；
• 面向管理的經營分析，幫助管理層更好的了解業務線現狀，從财務分析的視角研究業務上的商業數據模型、多業務視角下的業務分析報告、新增市場新增産品新增用戶研究；
• 面向質量的問題分析，幫助所有人認清客觀的事實，從客服角度觸發，把用戶的訴求、投訴、建議、反饋等信息和業務數據串聯起來，從用戶視角去剖析産品、業務環節的質量問題；

3.3 這些B端業務上的一些主要算法場景，同事們都喜歡吹

• 基于标簽的推薦算法，需要根據标簽、用戶偏好、商品信息建立混淆矩陣，召回商品集合，生成差異化的規則和策略；
• 基于商品的類目預測，需要從商品的類目、品牌、型号、規格、屬性等信息，建立分類模型；
• 基于交易的趨勢預測，需要從市場大盤、行業趨勢、單品交易等維度，建立預測模型；
• 基于市場的供需模型，需要從供需雙方的頻次、需求量、供給量等層面，建立供需模型；
• 基于用戶的漏鬥分析，需要從渠道來源、訪問、頁面浏覽、模塊點擊、加購收藏、點擊支付等鍊路，建立漏鬥模型；
• 基于運營的畫像分類，需要從用戶、商品、交易、行為、風控、市場等粒度下，對用戶建立标簽；基于路徑的最優模型，需要對地理位置、行車路線、配送路線、倉庫建設等場景，建立基于時間、空間的最優模型；
• 基于風險的風控模型，需要從履約、違約、訴訟、行政處罰、刑事處罰等風險場景，建立風控模型；
• 基于客服的語義模型，需要對用戶訴求、電話咨詢、機器人問答、人工客服等場景，建立NLP模型；

對于絕大多數B類用戶的研究，接觸到的對象一般都是以中小型的B端公司為主；隻有在KA用戶裡面，有少部分是真正大規模的企業、品牌商，這類公司的組織形态又極其複雜，可能所對接的業務隻是貴司其中很小的一個模塊而已。

産品是B端業務的根本，市場開發是業務營收的關鍵，而服務是業務穩定增長的核心。

• 做産品，深挖客戶需求形成産品建議，包裝産品方案進行技術演練，豐富産品适配場景提高通用性；
• 做市場，對線上線下營銷活動資源進行整合，建立線索的收集、反饋通道，快速感知用戶的訴求，并提供産品應用解決方案；
• 做服務，保障産品實施交付，提供同步的指導培訓，複盤客戶業務現狀、應用實踐案例，形成業務解決方案，以驅動産品和營銷方案的升級，促成用戶續約；

通過服務擴散産品價值增益，維護老客的穩定接觸，建立市場口碑，吸引更多的新客戶。

不同的業務下，産品模式不一樣，在結果體現上區别就會更大，以至于有很多業務線上的數據量級極小，甚至于根本談不上大數據分析，就更談不上所謂的算法和工程。

• 需求層級上：因為是垂直領域，對接的也是企業級之間的供給關系，所以從動機上來說，考慮更多的部分是商業模式和生态玩法，而不是單一的購買意向；
• 數據量級上：沒有C端規模那麼大，無論是用戶群、産品使用、流量、需求；
• 産品架構上：受制于用戶群體，B端的産品分類目标導向性會比較強，工具類型産品、平台類型産品、服務類型産品；
• 畫像分層上：做的好的B端企業一定都是垂直細分領域，所以用戶群體相對單一，畫像更多的是在細分用戶的精準性區别上，标簽多來自于産品和系統本身；
• 合作方式上：B端之間的合作一旦達成，往往都是強依賴關系，具象一點，拿交易舉個例子，C端消費的交易達成一般是訂單，B端合作的交易達成可能是訂單、也可能是合同、還可能是商業合作（短、中、長）；
• 盈利模式上：B端的盈利模式，服務費、傭金、返點、合作費用、廣告投放費、會員費、線下活動入場費、培訓費、咨詢費等；
• 決策模式上：B端明顯會偏向于多人決策、關鍵核心人決策，找準人找對人才是關鍵；

通過下表，對比下B端和C端之間的場景差異。

7.1 用戶差異

7.2 業務差異

7.3 産品差異

e.g 以salseforce 為例，對于它的産品周期：

1. 最早提出SaaS的模式，這是一種全新的商業模式；

2. 後來以CRM 為突破口，建立了一個完整的以客戶為中心的，售前(營銷)、售中（銷售、履約）、售後（客服）全鍊路的軟件服務，可以看出他的産品就是圍繞商業模式展開，戰略就是圍繞客戶開展的一系列工作流程。

3. 到現在雲計算， 促使他産生了幾朵雲，營銷雲， 銷售雲，客服雲，而大數據又促使ta産生了 分析雲，AI 又産生了AI 客戶之類的服務；

7.4 行為差異

7.5 數據差異

每個人在離開學校，踏入社會的大門開始，都會經曆很多個成長周期。在傳統行業的産品管理中，有産品生命周期的一套理念，套用到職業生涯，應該也是可以的。

• 投入期，創新能力最重要，這時要考慮打造專利護城河；
• 成長期，銷售最重要，持續打造規模效應護城河；
• 成熟期，利潤最重要，持續打造網絡效應和品牌護城河；
• 衰退期，成本最重要，用遷移成本減緩産品的衰退。

對應上面的四張圖，我周邊很多朋友在畢業沒多久就如第一個圖的呈現，起點高，偶爾有起伏，站的總歸一直在高處。回看我自己的職業生涯，覺得應該比較貼切右邊最後一張，職場進階的道路上雖然曲曲折折，但是總會在一個小周期之後能得到突破。

不得不說，初入職場的前幾年，特别沉迷于數據本身而不是業務，以及對各種數據處理技巧的深層次研究，用VBA、R、SPSS、Python不同的軟件去自研各種自動化的小工具，小有成就。

工具畢竟隻是工具，就跟打遊戲開荒一樣，當每個模塊、功能都嘗試用過一遍之後，就喪失了興趣，數據分析不過如此，幾年之後就索然無味了，分析無用。當對一件事情失去了興趣和焦點，整個人就會變得很浮躁，傲慢、漫不經心、焦躁、憂慮……以及沖動，我想辭職！

慶幸的是，碰到了一些比好的領導，都是人生中的引路人，在狀态極其不好的時候，給予方向上的指導，給了很多選擇。

有一陣子，内心浮躁，無所事事。領導說有機會就跟着市場、營銷、工程的同事去接觸接觸業務，如果可行，以後轉型也方便。後面就跟着事業部的業務同學去拜訪客戶，到用戶現場參觀，了解産品是如何在用戶公司使用的，到一線聽他們的吐槽（大部分是罵聲）。人間清醒是客戶，付了錢，産品哪裡好用、哪裡有問題，意見反饋、客服電話打了一通又一通，這些都是從結構化的數據裡面看不出來的。

有種說法是說客服才是一家公司最懂業務的人，隻要他們想，随時可以去挑戰任何一個産品、技術和業務！

在B端用戶分析裡面，很多時候通過數據分析在異常上找不到的原因，在用戶現場指不定就茅塞頓開了。為什麼這個用戶原來很活躍，一個時間點之後，它就不活躍了，因為它的業務主體發生變更了，老闆原來的确是做這個細分闆塊業務的，有一天他朋友來合夥投資，整體業務方向就變了；為什麼這個用戶的營業額突然就下降了，因為他們家老闆又開了家子公司，還是同一撥人，當地有小企業扶持政策，還可以免一部分稅；……這些部分都離不開對細分行業的了解，随着業務知識的增加，會更合理的看待數據，以及對數據中對異常做解釋。

鑒于對産品、業務、用戶有了更深層次的理解，再回過頭來看數據，認知面就會不太一樣。

熟悉業務最好的方式，是直接去找用戶進行面對面的對話，高效而簡潔；

其次是角色代入式的按照用戶視角去模拟用戶在産品上的操作，熟悉産品模塊和流程；

最次是通過數據庫的表結構關系、DDL，去做業務假象，通過日常需求對接，豐富業務上的知識樹。

了解C端的用戶可以通過區域化的抽樣問卷調查，或者通過采買第三方平台所提供的畫像數據，能夠用樣本分析的方法去對人群标簽做特征拟合。但是在B端，問卷調查的方式往往是行不通的，畢竟不同性質的企業，在群體特性的差異上是極大的。用戶走訪，是一個在B端不得不去做的事情，選擇一群合适的訪談對象，去和用戶做共創、做MPV、做試點，然後把研究的結果在更大範圍内進行複制、應用，避免閉門造車。

前面已經提到過，對于企業用戶，其看重的是“生意”，功能訴求為主，普遍有豐富的生意經驗和複雜的業務流程，因此調研不僅要了解用戶使用網上産品的訴求、意見，更需要還原用戶原生行為（即線下做生意的行為，鍊路等）、訴求，據此對應投射到互聯網産品。

因為B端的業務決策鍊路長，且參與角色多，所以不同的人所掌握的信息和權力都有非常大的區别，即使是同一個崗位，不同級别、不同業務分工，所負責内容，關注點的不同。比如在市場營銷部門裡面，總經理、總監、經理、主管，四個角色在同一事情上的視角和焦點都會不一樣；而在零售類型的企業，負責電商、線下渠道、直播渠道為了一個決策所需要的信息也會大不相同。

過往面試的時候，面試官問最有成就感的事情是什麼，我的回答“通過數據分析、挖掘去促成了2億市場規模的合同達成（專項項目組）”；“面向B端公司進行定制化的數據報告實現5000萬左右的數據營收（報告營收）”……我覺得這是比較感覺到自豪的。

回過頭看這些年的經曆，感慨萬千，在過去這十年的工作經驗裡面，一直都是在數據分析這個title上。很想把這些年積累的一些知識内容以文字的形式記錄下來，對于一個純理科生來說，這無疑是一種挑戰。後面應該會拆成很多個部分，縫縫補補，陸陸續續的完善。

作者：鄭小柒是西索啊，鄭小柒是西索啊

本文由 @鄭小柒是西索啊 原創發布于人人都是産品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!