如何正确理解商业智能 BI 的价值 ？ 商业智能 BI 要解决的问题商业智能 BI ( Business Intelligence) 简单来说就是一套由数据仓库、查询报表、数据分析等组成的数据类技术解决方案，将企业中不同业务系统（ ERP、CRM、OA、BPM 等，包括自己开发的业务系统软件）中的数据进行有效的整合，并利用合适的查询和分析工具快速并且准确的为企业提供报表展现与分析，为企业提供决策支持。​商业智能概述商业智能 BI 的核心主线是什么？ 主线就是通过构建数据仓库平台，有效的整合数据并组织起来为分析决策提供支持并实现其价值。还有一种解释就是：将数据转变为信息，信息支撑决策，决策产生价值。对于商业智能 BI 大家在质疑什么？接触过很多的客户，对于商业智能 BI 他们有这样的一种普遍看法：商业智能 BI 是如何产生价值的，价值在哪里，我并没有看到？ 为什么在我的企业中我们 IT 部门或者业务部门完全沦为了做做报表，能体现的价值只是节省了我们做报表的工作量，仅此而已。​派可数据可视化分析报表这种质疑带有很大的普遍性，就如同之前有参加各种企业沙龙活动，有现场听众直接问到：你不用讲那么多，你直接告诉我这个东西有什么用，能解决我们什么问题，能不能帮我们企业赚钱….。有来自业务线的、技术线的、管理层的不同的听众，每一层他们关注的点实际上都各不相同。包括每个人、每家企业对数据的认知程度也决定了他们对商业智能 BI 的理解和认可程度。但这样的问题也不是不能解决，比如我们就不聊技术，我们就聊聊一些业务场景，最后发现效果就会好很多。在这里我们尝试用一种可能大家都能够理解的、非技术与专业的方式让大家理解一下商业智能 BI 的价值到底如何体现的。我们在此探讨一下在我们眼中商业智能 BI 的三个分析层次，或许我们对商业智能 BI 的认知可能有所改观。 为了便于理解，文章中不提及任何专业的名词与解释。商业智能 BI 的三个分析层次第一个层次是报表的常规呈现。所谓常规呈现指的是使用柱状图、饼状图、折线图、二维表格等图形可视化的方式将企业日常的业务数据（财务、供应链、人力、运营等）全面呈现出来，再通过各种维度（看数据的角度）筛选、关联、跳转、钻透等方式查看各类分析指标，业务分析图表按照主题划分，图表之间存在一定的逻辑关系。​派可数据 BI 可视化图表之间的钻取、联动等效果这些分析展现内容基本上是围绕各个业务部门日常工作展开，这里面有很多的业务分析内容可能需要复杂的计算规则，需要从不同的系统取数据，从业务系统软件中这些都是很难直观看到的。这个层次的报表分析就是一种呈现，让报表用户对日常的业务有一个清晰、直接、准确的认知，其次解放了他们自己手工通过 EXCEL 通过各种函数做汇总分析、制图的工作。比如，财务部门会关心今年的营业收入、目标完成率、营业毛利润率、净资产收益率等；销售部门会关心销售金额、订单数量、销售毛利、回款率等；采购部门会关心采购入库金额、退货情况、应付账款等等。​派可数据汽车4S集团财务分析部分案例因此，达到第一个层次的目标就是：通过可视化分析报表直观、全面的呈现企业日常经营、业务的情况。可以从集团层次出发，也可以从业务线或者部门出发。实际上，很多企业在落地商业智能 BI 的过程中也就停留在这个阶段，或者还没有完全达到这个程度，比如上面所提到的 “全面的呈现企业日常经营、业务的情况”，有的企业可能只是做到了“部分呈现”。因此，商业智能 BI 的价值在这个阶段就显得非常有限，数据的作用仅仅是从另外的一个”可视化”的角度对业务做出了另一种形式的解读，用户仅仅是被动的接收来自可视化报表上传递的信息。第二个层次是数据的”异常”分析。我们通常所认为的 “异常” 就是指不好的东西，那么在这里我们对 “异常”的解释是：通过可视化报表呈现，我们发现了一些数据指标反映出来的情况超出了我们的日常经验判断。例如，正常情况下每个月的平均用户注册量是10万左右。但是通过报表我们发现在今年的 8 月份，会员注册量达到了 23 万，这就是一种 “异常”，远远超过我们的经验判断和预期。再比如在今年的 1-9 月份，产品销售毛利率稳定在 30%-40% 之间，突然到了10月份，整体的毛利率下降到了 20% 不到，这也是一种 “异常”。这两种异常数据，一种是我们所追求的的正向”异常”，一种是我们极力避免的负向“异常”。商业智能 BI 是先通过第一层的报表呈现，将很多业务运营情况直观的反映出来，让用户可以直观的看到在我们经验之外的数据表现情况。商业智能 BI 在这里体现的价值就是要对这些 “异常” 数据进行有目的的分析，通过相关联的维度、指标使用钻透、关联等分析方式探索出可能存在的原因。​派可数据可视化分析案例比如会员注册的问题，有哪些因素可能导致会员注册的大幅度增加的可能？是不是最近采取了一系列的线上降价促销、开放式的注册、相关营销活动等，这些支撑分析的数据是否都存在，如果都存在，它们的报表呈现情况如何，促销投入的力度和用户增长的关系等等。在这个层次中，可视化报表的分析是带着问题找问题的，通过一次或者多次的维度和指标图表构建，逐步形成了一种比较可靠的、固化的分析模型。这个阶段的用户不再是被动接受来自图表中反映的信息，而是通过”异常”数据来定位到背后的一个业务问题，数据和业务在这个层次开始有了联系，数据图表之间的逻辑性更强。例如，通过分析发现在三种线上促销方式中，促销方式一的投入产出最高，因此回归到业务场景中，这种促销方式以后应该要坚持，它可以有效的提升用户注册增长率。第三个层次是业务建模分析。业务建模分析通常是由精通业务的用户提出，通过合理的建模找出业务中可能存在的问题，将其反映出来并最后要回归到业务，形成决策并不断优化的一个过程。业务建模可简单，可由一个或多个图表组成，也可复杂，通过一组或多组数据图表支撑。业务建模简单来说也可以理解为一种业务分析的逻辑思维模型，只是用数据、图表化的方式将它们有效组织起来去验证我们对业务分析的逻辑判断。业务建模分析区别于第一层的全面数据呈现和第二层的异常分析和被动分析，它是一种更深层次的业务数据的主动设计和探索分析。这层分析的提出更加深入业务，围绕一个一个业务分析场景展开，对业务的认知要足够深。例如下面是一个有关 4S 店首保回店率的分析，通过一个很简单的建模（维度：年份，分析指标：新车销售数量、首保回店数、首保回店率）分析每年首保用户的留存情况。​首保回店率的分析通过分析发现，2015、2017、2018 年首保回店率在 90% 左右，2016 年的首保回店率只有 55%。从汽车 4S 店的实际业务出发，汽车销售实际上是不赚钱的，真正赚钱的在售后服务上，例如：保险、保养、维修等等。而首保回店率在很大程度上决定了购买新车的用户在提完车之后会不会经常回店的可能。因为新车用户在提车之后在第一次的保养都不选择原店，就意味着这个客户在后续的保养可能也不再回来，一年、两年、三年，这位用户可能就会永远的流失掉，也就意味着以后的保养、延保、事故车维修可能也不会回来。​首保回店率的分析比如一个用户做精品车保养，一年 1.5 次，一次平均贡献 3000 元，1.5 次就是 4500元的收入。再加上每年的保险例如 6000 元，可能潜在的维修在1500 元左右，一年可能产生 1.2 万的收入贡献。如果像2016 年的回店率只有 55%，流失的客户数是 174。如果能够提升到 90%的水平，就意味着可能的销售收入贡献能够达到 351 * 1.2 万 = 421 万，比现在要多出 160 万的收入。如果把新车基数扩大 10 倍呢，一年要多出 1600 万的各类收入，所以提升首保回店率就变得非常的重要。同时，也要对首保回店率低的原因做出分析：是因为车卖给了外地，还是因为新车用户对4S 店的维修保养环境、服务质量不信任，我们应该从哪些方面进行改善。所以实际上，业务分析模型的提出围绕的是一个一个非常具体的业务场景，回答的是一个又一个业务的问题，而这些问题的发现与企业的业务经营水平、管理水平可能有很大的关系。譬如其中的一个改善环节就是在新车用户提完车之后，带领新车用户参观维修保养区域，了解其规范性，透明的展示保养的整个过程和专业性，不会出现维修师傅在保养过程中偷油、少换零件、以次充好以建立信任；或者通过一些促销小手段极大可能的留下新车用户；或者通过系统在不同的时间点关怀用户，提前提醒新车用户回店保养等等。当然，实际上各家 4S 店的首保回店率正常情况下都能保证在 95% 以上或者更高的水平，这里只是通过一个例子来说明数据和业务是如何产生关联性的。所以，为了达到这样的目标实际上需要去从业务上解决问题，找出业务环节中的不足来提升业务指标。类似于这样的业务分析模型还有很多，但这样的分析场景很难由专业的 BI 开发人员提出来。业务分析建模需要由专业的业务人员且具备数据分析思维意识的人员来推进和主导，再辅助合适的数据分析、挖掘或统计工具，这样商业智能 BI 的价值才能得到充分的发挥，数据的价值也才会得到充分的体现。​派可数据分析报表样图对商业智能 BI 的总结所以我最终想表达的一个观点是：我们不应该质疑商业智能 BI 本身，我们质疑的应该是在这个过程中，我们的个人、企业对于商业智能 BI 的认知和推进到了哪一个层次，推进到哪个层次，商业智能 BI 的价值就会体现在哪个层次。如何有效和成功的推进商业智能 BI 的建设与落地，这才是我们 BI 服务提供商和客户一起共同要面对的问题。最后看看我们对商业智能 BI 的认知是不是这样理解才更加合理：商业智能 BI 的表象是可视化分析报表的呈现，但它的本质还是业务问题、管理问题。商业智能 BI 数据分析来源于业务，通过数据呈现发现业务问题（好的或不好的，经验之内或之外的 ）再次回到业务优化业务提升业务运营的一个过程，这就是在商业智能 BI 中数据到信息、信息产生决策、决策产生价值的真正内涵。作者简介派可数据联合创始人 吕品，前天善智能联合创始人&运营总监，十余年商业智能 BI 行业经验，2015-2019 微软 MVP本文由 派可数据 投稿至 数据分析网 并经编辑发表，内容观点不代表本站立场，如转载请联系原作者 。

BI（商业智能）的未来？ 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。商业智能作为一个工具，是用来处理企业中现有数据，并将其转换成知识、分析和结论，辅助业务或者决策者做出正确且明智的决定。是帮助企业更好地利用数据提高决策质量的技术，包含了从数据仓库到分析型系统等。百度百科认为BI包括三个层级：数据报表、数据分析和数据挖掘。数据报表：传统的报表系统技术上已经相当成熟，大家熟悉的Excel、水晶报表、FineReport、Reporting Service等都已经被广泛使用，其实很多公司不需要要什么专业化的报表工具，自己定制也足够OK。数据分析：报表系统更多的是呈现数据，但如果你想更多了解数据之间的关系，发现一些异常，一般只能靠定制化方案解决，比如取个数，然后有“好事者”觉得分析的模式还是有规律可循，因此提出了OLAP的概念，希望用多维钻取、关联的方式来帮助业务人员更方便的探索数据的内含规律，同时通过可视化配套技术来展现分析的结果，诸如仪表盘、大屏啥的，这就是所谓的数据分析工具，也是当前BI工具的主流。数据挖掘：数据挖掘则希望能超越人的限制，针对特定的数据、特定的问题，选择一种或者多种挖掘算法，找到数据下面隐藏的规律，这些规律往往被用来预测、支持决策。但笔者认识的大多数BI，其实仅包含数据报表和数据分析，数据挖掘的一些东西可以集成到数据分析工具中，但大多数情况是没有的。现在BI工具发展的不错，诸如Power BI 和 Tableau等都是不错的产品，每年有几十个点的增长率，但从笔者的使用经历看，或者站在一个大厂的角度看，BI这个20年前提出的概念，近些年来其实并没有获得突破性的进展，起码在数据转化为知识的过程中，当前的BI工具能起到的作用是极其有限的。这也是为什么会经常会听到这样的对BI的质疑：你不用讲那么多，你直接告诉我这个东西有什么用，能解决我们什么问题，能不能帮我们企业赚钱….。BI也许会这么解释：业务分析需要由专业的业务人员且具备数据分析思维意识的人员来推进和主导，再辅助合适的数据分析、挖掘或统计工具，这样商业智能BI的价值才能得到充分的发挥，数据的价值也才会得到充分的体现。但跟机器学习和人工智能中的‘’智‘’相比，BI商业智能中的‘’智‘’，实在是弱了点。所以BI工具能卖的动，一方面得益于数字化产业的加速，另一方面也跟企业数据意识的崛起有关，大量中小企业都希望用更为自动化的报表形式来提升看数的效率，但大厂、运营商等也许早就过了这个阶段，现在的BI工具对它们来说，缺乏进一步的吸引力。从可视的角度看，BI工具的边际效益并不高，10年多前我看到的可视化和当前我看到的可视化，并没有有多大的进步，或者对于分析有更大的价值，当然大屏除外。从灵活的角度看，SQL、Python等解释性语言的普及度越来越高，大量的业务人员开始掌握这些简单的语言来进行定制化的分析，固定模板和样式的BI工具就显得相对弱了。从分析的角度看，既然BI更多是验证业务人员的假设，其实EXCEL性价比已经很高了，至于EXCEL依赖的数据源，靠定制化的取数也是可以的，这在当前很多企业中是主流的支撑模式。从报表的角度看，拥有开发能力的大厂自己定制报表系统已经不是事了，大数据起来后，大厂更多关注的是报表的性能和适配自己的技术生态，而不是简单的便捷和好看。那么，未来的BI到底长啥样？如果我们超越当前主流BI工具定义的范畴，也许可以从大厂的实践获得一些启示，至少有三点是值得思考的。1、前后端一体化大数据在带来海量数据的同时，也带来了数据处理技术的革命，其对BI的影响是深远的，主要有三点：第一、大数据高价值、维度多、价值密度低的特点，使得多维分析的价值突然提升了，在小数据时代，多维分析其实有点聊胜于无，但现在的驱动力强多了。第二、大数据带来了数据处理技术的革命，比如hadoop用多样化的技术引擎来满足各类数据分析场景的诉求，但同时也大幅提升了数据分析的门槛，业务人员会突然发现很难直接操作hadoop。第三、现有的BI工具（如Tableau，Microstrategy等）往往存在很大的局限，如难以水平扩展、无法处理超大规模数据等等问题，这些不适配降低了大数据引擎进步带来的价值。因此，BI工具如何去适配这些大数据处理和分析引擎就成了一个机遇，现在Apache Kylin多维数据库很火，就是因为它成为了新时期BI工具和大数据后台引擎的连接器，其针对海量数据的OLAP分析的性能很高，为BI提供了面对大数据时缺失的能力，阿里的AnalyticDB也是类似的。业务人员对可视化也许会审美疲劳，但其对于数据分析速度的要求是始终的，在相当长的时间内，因为业务人员自己做不动，开发人员做的成本又比较高（当然大厂可以自己做），只要BI能衔接到这些大数据引擎，就会产生1+1>2的效果。可以肯定的是，BI通过全新的大数据技术手段来提升产品的竞争力会是一个趋势。2、移动端的场景化BI产品的移动化很久以前就有产品了，但奇怪的是，它们并没有像移动互联网一样快速普及，起码速度不够快，为什么？当笔者第一次接触到这些移动化的BI产品时，就发现把报表系统原封不动的搬到手机上体验是不行的，光是选择指标和维度就显得有些繁琐了，小屏看报表问题很多。而且应用的场景似乎也出现了点问题，在碎片化的时间，人们似乎没有心思去研究报表，更不用说钻取分析了，有那时间，还不如坐在电脑前直接看大屏的报表，这是很尴尬的地方。因此，移动端的BI也许只能承载轻量的随时随地看数的需求，未来的一个趋势也许就是场景化，实时化。场景化就是针对特定的事件提供针对性的看数方案，比如KPI是一种场景，双11也是一种场景，但双11你给老板看的报表和指标跟平时的KPI是完全不同的，你要定制化这些指标，显性化展示指标，需要补充一些跟这个场景相关的特定要素。以下是校园营销的移动端BI示意。既然是场景化的，必然在特定时机会有看数的诉求，这个时候就有数据实时性的要求，比如双11就是实时的数据展现，我们在做校园营销的时候，就需要针对每个校园进行进行实时受理数据的比对，以便及时发现问题。由于场景化的要素不确定，决定了不大可能用标准的BI工具来实现，无论是实时的接入能力还是组装场景的能力。因此，现在一般用定制化的方式来解决，但考虑到场景是有时效性的，也许生命周期只有几天，定制化的成本相对就会比较高，“搭积木方式”的BI工厂也许就是一种解决方案。其实，无论是小屏、中屏、大屏，我们都有这种诉求，也许，这代表了一种趋势。3、自助式的分析10多年前来我们做了很多定制化分析的系统，现在留下来还在发挥作用的，就是自助取数。由此延伸出来的自助概念很好，因为它改变了数据分析支撑的模式。以前基本上都是IT业务部门提需求，IT部门负责制作相应的报表，这样的流程会很长，响应的及时性也不够，那能不能提供给业务部门一些自助的工具让它自己来DIY数据呢？比如基于指标灵活的组装形成报表，这就是当前BI提倡的自助分析。但我们以前的自助报表系统却没有存活下来，为什么？因为要达到自助的目标，不仅仅是提供一套灵活的报表发布工具那么简单，而是要提供从数据采集、处理、发布、调度、数据管理等的一整套数据解决方案，否则，你的自助分析的应用范围就会受到极大的限制。举个例子，假如企业没有好用的数据字典，业务人员连数据是啥意思都不清楚，自助分析也就无从谈起了。现在的很多BI自助工具所以能玩的转，往往是因为面对的数据不多，维度很少，指标有限，反正就是固定的维度和指标的组装，那是没问题的，但这种理想的场景在大企业其实很少。现在数据中台所以能这么火，就是因为它对前端的赋能其实是一个系统工程，要考虑数据的方方面面，比如数据标准化，只有在这个基础上的自助分析才是有生命力的。因此，假如一个企业的自助分析够做的很好，那数据管理水平也是相当高的。BI工具的成功，从来就不是简单的工具成功，而是跟这个企业的发展阶段、机制流程、人员素质、数据基础、平台能力分不开的。无论如何，自助分析会是个趋势，但需要数据中台为其背书。这篇文章写到一半其实就有点写不下去，因为发现自己对于最新的BI产品的进展理解不够，更多的还是从自己的实际工作来理解印象中的BI，个人色彩浓重了点，权当抛砖引玉，各大BI厂商就不要来“锤”我了。本文为专栏文章，来自：傅一平，内容观点不代表本站立场，如若转载请联系专栏作者 。

BI是什么？BI≠报表≠数据大屏≠花架子 什么是BI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。然而，现在大部分人可能对BI有所误解，很多人可能认为BI软件仅仅是一个花架子。在软件的功能使用过程当中，人们总是认为BI软件仅仅是做一个报表，或者说做一个图形可视化的大屏，并不能减少业务人员的工作。诚然，最基础的BI软件在功能上与一个报表，软件极为相似。但是我理解的BI软件远非如此，而且BI软件应该是在原来的业务系统之上的。BI的地位在实际的BI应用过程中，很多企业对数据分析的概念仅为雏形，且业务人员往往难以了解自身数据分析的需求。这就造成很多BI需求调研在和业务人员沟通的环节，业务人员难以明确需求，这使得BI沦为一个报表软件，或者以业务软件的形式来进行实施。BI软件不是一个业务系统，BI软件应当以一个工具的形式存在。就像Excel，Excel并没有任何业务功能，但是大家可以利用Excel完成业务任务、可以分析数据、可以传递数据。同样，BI软件也应当是这样的地位，而不是沦为一个业务软件。BI的优势BI软件的强大，在于其可以快速的拉取数据，并且可以以任何的字段作为维度进行筛选整合数据。BI软件在数据处理的灵活性，是仅次于Excel的，但其又可以处理比Excel更大数据量的数据。换句话说，如果一个企业的数量很小，是不建议上BI软件的。用Excel进行数据处理是很好的选择。当然，想要炫酷的可视化除外。BI与数据可视化说到BI软件，大家会想到很炫酷的大屏。如果说哪一款BI软件没法进行数据大屏可视化设计，那是一款功能很少的BI软件。BI软件可以让业务人员快速的展示数据，将原来的数据用图形的形式展现出来。最开始做数据可视化的是Tableau，其从二战时期便开始了数据可视化的探索，可以说是数据可视化的鼻祖，近年来国内也有各个厂商推出BI软件。此处对于国内数据可视化应用来说，需要说道说道。业务人员有时候会反馈说，数据可视化后，还不如看表来的快。数据可视化在其伊始，就有这样那样的津津乐道的故事，如：南宁格尔玫瑰图的来源（此处不予赘述）。那么为什么我们在实际业务过程中却用起来那么笨拙呢？图形维度和图形选择处理不当及模型的缺失图形的选择是在可视化过程中很重要的环节，然而很多实际实施过程中都将其忽略，这就造成图形选择较为随意，看到的维度不够等问题，幸好BI有下钻、联动的功能可以使用，但是却不如表格一目十行来的实在。中国人很会心算个人认为这是中国更喜欢表格的重要原因。在BI行业，有一种表格叫做“复杂中国式报表”，可见中国人很喜欢把多个维度叠加在一起，形成一张很大的报表，而对于表格的汇总，完全可以进行心算。业务人员对数据关注，做到“心中有数”，看一眼数据，便知道业务做的好坏，不需要更多的图形展现。对于业务来说，数据可视化更多的是一种炫科技的存在，没有实际用处。但是，对于长期趋势的对比、查看，甚至更加深入的分析（如：帕累托分析），则不是各个表格一眼看穿的。这就需要BI的帮助了。总之，BI有其独有的价值，是其他系统的数据分析模块无法替代的。不能因为业务系统中集成了某一个数据分析模型，而否定BI的价值，更不能将BI系统作为一个业务系统来看待。希望企业可以运用好自己的数据，让数据为企业带来价值！本文由 张文迪 投稿至 数据分析网 并经编辑发表，内容观点不代表本站立场，如转载请联系原作者 。

从万物互联到万数互联，你做好准备了吗？ ［摘要］：去年我们讨论了《转化率优化的9种方法》。就像这个世界保持发展进化一样，“转化率优化”也在不断演化。2018年，以下五个CRO的最佳实践，不得不知。［正文］：一：个性化的网站体验当零售商与B2B公司都在努力突围的时候，你怎能忍受自己的网站与竞品网站看起来如出一辙？当然，网站提供的体验也许已经足够愉快了，但没有任何一点能让它脱颖而出。所以你跟对手转化目标客户的机会也不相上下。据埃森哲[ 埃森哲（Accenture）是全球最大的管理咨询、信息技术和业务流程外包的跨国企业]的研究： 65％的消费者更有可能从了解其购买历史的零售商下单； 58％的消费者在得到基于其偏好或购买历史的推荐时，更有可能下单； 65％的消费者更愿意从提供了与其相关的个性化促销活动的零售商那里下单。 越来越多的营销人员开始意识到个性化体验的重要性。实时个性化平台Evergage在报告称，88％的营销人员相信潜在客户或客户希望获得个性化体验。认同“个性化有助于改善客户关系”的人员更高达96%。调查显示 仅有4%的营销人员不同意个性化能够改善客户关系该研究还发现，应用或网站个性化的最大好处是提升转化率。其次是改善客户体验，第三是增加了访客的参与度。个性化还有助于其它很多方面，比如提高品牌知名度、降低客户流失率等。最不济，还有17%的人认为个性化能让网站看起来更棒！有很多种方法来个性化访客的网站体验。比如，您可以根据地理位置、受众特征、浏览行为等对访客进行细分。然后，分别为这些客群提供个性化的着陆页、活动、定价政策、推荐等。案例：Squaw Valley Alpine Meadows度假村Squaw Valley Alpine Meadows连续三年被评为北美洲最好的滑雪度假村，Evergage对其进行了研究。该度假村的官网通过多种方式对访客进行了细分，以提供高度个性化的网站体验。首先，他们根据地理位置自动划分访客，并显示与他们地理位置最相关的主页。其次，网站上创建了几个主要的客群，比如家庭区、新手区等，根据需求提供不同的内容。比如，属于“家庭”的访客将会看到“家庭滑雪选择Squaw的最佳理由”。Squaw Valley尽可能将访客放入相关的细分市场。正如下图所示，访客也可以从四个不同的组中自行选择。甚至每个组的CTA（call to action）都采取了个性化的文案。高度个性化帮助Squaw Valley迎合访客的独特要求与偏好。他们将“家庭”细分市场的转化率提高了38％。在这个高价值领域，单个用户收入也增长了41％。二、帮购物者迅速得到答案人们因为便利性而选择网购。他们能从舒适的家中得到所需的东西，就不想浪费时间去商店。所以很自然，网购者也希望能迅速找到自己想要的东西，然后不费吹灰之力地购买。当这种需求无法得到满足时，就可能挫败他们，并丧失转化为客户的机会。皮尤研究中心[皮尤研究中心（Pew Research Center）是美国的一间独立性民调机构，总部设于华盛顿特区。该中心对那些影响美国乃至世界的问题、态度与潮流提供信息资料。]的一项调查发现，“能够提问”对83%从未购买过该物品的美国成年人来说非常重要。但是，当他们的问题不能被FAQ页面解决时，他们也不想自找麻烦再给你打电话。Avaya的调查也证明了这一点，比起打电话，消费者更愿意通过消息与企业进行沟通，尤其是千禧一代。此外，本特利大学与NeuraFlash公司在一项联合调查中发现，每个受访者都更愿意通过聊天机器人与企业沟通，如果这样可以节省时间并解决问题的话。所以很明显，你的CRO策略需要考虑如何让购物者不用打电话，就能迅速得到答案。B2C与B2B公司都可以用这种方式来提高访客体验，并提高转化。案例： Logical Position公司Logical Position是一家致力于增长的PPC（付费广告）管理公司，利用在线聊天成功地提升了转化率。根据LiveChat的案例研究，LP在支持实时聊天之后，其线索增长了150%，销售也增长了30%－40%。即使你的客服不能24／7全天候聊天，也可以清楚地显示其工作时间。您还可以鼓励访客给客服留言，以便客服一回到线上即可快速回复。三、更高效的实现UGC当你计划提升网站转化率时，“信任”是一个重要的因素。您可以通过各种声明来证明您值得信任。但人们更愿意信任其它客户，而不是您的声明。所以您需要通过社交证据来证明您的声明——也就是UGC——用户生产内容。事实上，皮尤研究中心发现，82％的美国成年人在第一次网购之前，会看其它客户的评分与评论。很可能您已经知道这一点，并且有了一些评分与评论了，但2018年，您需要更进一步优化这些UGC以提升转化。除了常规的评论与评分，你可以添加更多的UGC方式，比如小视频、GIF等等。哪种UGC形式最吸引人？图片：52%，视频：27%，文字：12%图片营销平台Olapic研究发现： 25%的受访者UGC中看到该产品后，购买了该产品； 56％的受访者在UGC图片中看到某物后，如果该图片是积极的，或是与自己相关，则有可能购买该物。 52％的受访者表示，照片是最吸引人的UGC形式。 这些数字表明，可视化的UGC可以显著提升您的CRO。尝试在您的产品页面或主页显示用户通过社交媒体提交的照片吧。案例： Byron Bond腕表下图是伦敦腕表品牌Byron Bond在其主页上展示UGC的方式：这是Byron Bond的另一个例子，他们在这里同时显示顾客的照片与文字评论：如果您是B2B公司，并且想要展示UGC，可以尝试在客户评论或背书旁添加他们的真实照片。案例： GroupHigh官网市场营销软件提供商GroupHigh在其官网上如此展示客户背书：四、优化你的付款页面付款页面是销售渠道中最重要的元素之一。它是决定您是否关闭销售的页面。即使顾客已经快要走完整个购买流程，如果付款页面出现问题，他们仍然有机会改变注意。事实上，电子商务研究机构Baymard Institute发现，电子商务零售商的平均购物车流失率接近70％。这表明，很多零售商并没有付出足够的努力来确保付款页面利于转化。根据Baymard Institute的研究，购物车流失的最大原因是额外费用（如运费、包装费等）太高。这表明大多数零售商在客户添加产品到购物车之前，没有正确显示产品的额外费用。虽然这对许多零售商来说是无法控制的，但还是要想方设法让额外费用透明化。比如，假如您有平邮费，请确保显示。或者，如果免费送货有最低要求，请确保显著地显示该条款。您可以将其展示为横幅，也可以将其展示在正在查看的产品的定价细节旁边。案例： Amazon官网亚马逊的免费送货条款就在某一产品的成本之下。案例： 悦诗风吟官网悦诗风吟为购物者提供运费计算器。 购物者可以根据产品的各种因素（如地点，运送方式和包裹重量）计算运费。购物车流失的另一个常见原因就是漫长、复杂的流程，它往往包含强制性的账户创建。要想优化您的付款页面，请确保您减少购买所需的步骤。首先，停止强制性的账户创建，并开放游客付款选项。如果这对您所经营的业务来说不可行，您也可以让购物者使用他们的社交媒体账户进行注册。通过添加可信标识，您可以进一步优化该页面。这是至关重要的，因为22％的消费者因为不信任该网站而放弃结算。如果您想推动更多销售，为购物者提供多种付款方式也很重要。五、利用机器学习识别网站问题机器学习正在逐渐演变，为线上零售商实现CRO创造更多的机会。Zebra Technologies预测，到2021年，零售商将广泛使用机器学习来个性化客户体验。这也将提高他们预测消费者需求趋势与变化的能力，并提高品牌知名度。机器学习算法还可以用来识别导致转化流失的网站问题。这些算法可以大大缩短识别问题的时间。案例： SessionCamSessionCam最近就利用机器学习技术，开发了一个名为“客户挣扎分数”或“CS分数” 的CRO工具， 该工具在后台运行，实时分析数以千计的网站会话。通过这一分析，该工具可以确定访问者的行为，指出网站上一些常见的可用性问题。它减少了为找出网站转化问题所花费的时间和精力。英国啤酒公司Adnams PLC使用该技术，迅速识别无法提供良好客户体验的网页。他们可以把精力与资源集中在最需要优化的页面上。这帮助他们更高效地修正网站问题。［结语］：这些就是您在2018年需要了解的五个CRO策略。与往常一样，它们聚焦“客户体验”并由数据驱动。数据观，帮助您顺利实现自己的 CRO理念！数据连接：迅速连接CRM、官网日志、Salesforce等数据，了解用户动态数据处理：快速清洗数据，形成指标，存储到后台，并可以反复利用，自动更新数据视觉：纷繁的数据变成可视化的看板，用户行为、产品问题一幕了然数据协作：让正确的洞察抵达正确的人，不与工作流程结合的数据分析都是耍流氓应用市场：完全不懂分析也没关系，这里有海量报告模版本文为专栏文章，来自：数据观，内容观点不代表本站立场，如若转载请联系专栏作者 。

GBASE进入GARTNER DMSA魔力象限 前瞻性领跑中国厂商 近日， Gartner发布了2018年版“分析型数据管理解决方案魔力象限”（简称DMSA）。GBase南大通用成功进入该象限，并在前瞻性方面领先阿里云与华为。GBase进入“特定领域者”象限分析型数据管理解决方案（DMSA）被定义为“支持和管理一个或多个文件管理系统（通常是数据库）中数据的完整软件系统。”Gartner并没有忽视一个事实：尽管在大多数企业组织中，传统的数据仓库使用场合仍是分析工具的基础，然而，企业组织对于管理来自多个不同地方的数据越来越感兴趣。因此，DMSA应满足四大使用场合，即传统数据仓库、实时数据仓库、与上下文无关的数据仓库以及逻辑数据仓库。去年出现在象限中的EnterpriseDB与MongoDB皆因为支持场景较少的原因而在2018年出局。在该象限中，横轴代表着前瞻性(Completeness of Vision)，包括厂商或供应商提供的产品底层技术基础的能力、市场领导能力、创新能力和外部投资等等;纵轴代表着执行能力(Ability to Execute)，包括产品的使用难度、市场服务的完善程度和技术支持能力、管理团队的经验和能力等。根据这两种能力的高低，划分为四个象限，从左下角到右下角顺时针分别为：特定领域者、挑战者、有远见者和领导者。GBase位于“特定领域者”象限，在执行力方面低于华为与阿里云，在前瞻性方面则优于中国厂商。Gartner在报告指出，GBase的优势主要体现在三个方面：1、在中国市场取得巨大成功并在全球市场初露头角：GBase在中国大型客户市场取得了强劲的业绩，在金融和电信领域部署了PB级的数据仓库。同时，GBase在南美，非洲，东欧和北美的电信行业初露头角。2、客户忠诚度高：GBase在客户持久性调查中得分很高。参考客户中，有超过90％的人表示他们打算在未来12个月内向GBase购买额外的许可证，甚至更多的人表示他们会向其他人推荐GBase。3、逻辑数据仓库愿景：通过GBase UP，GBase旨在为逻辑数据仓库提供产品支持。中国供应商的崛起今年，共有22家厂商被选入魔力象限。其中，亚太地区入围的三家全部来自中国，包括GBase、阿里云和华为，这也是该象限首次有三家中国厂商进入。除了Micro Focus和SAP两家欧洲公司外，其余17家均为美国公司。中国的数据库已经成功进入国际视野，这表明了以GBase等为代表的国产数据库产品成熟度、稳定性、服务支持能力、研发前瞻性等指标均已达到国际水平，并处于亚太地区领先地位。Gartner用“中国供应商的崛起”来形容中国厂商的表现：“中国的DMSAs市场非常庞大，一些中国供应商已经取得了显著的成功，他们正在考虑开拓国际市场。”GBase前瞻性领先此次入选的三家中国厂商中，GBase是唯一的独立软件供应商，专注于数据库产品和大数据平台的研发、创新。GBase引领了中国厂商的前瞻性，这得益于GBase自主研发的GBase 8a MPP分析型数据库以及一系列具有鲜明特点与优势的解决方案。GBase 8a是大数据时代成熟的分析型数据库，用于满足数据密集型行业日益增大的数据查询、数据统计、数据分析、数据挖掘和数据备份等需求，可用做数据仓库系统、BI系统和决策支持系统的承载数据库。作为一款成熟的数据库，GBase 8a MPP Cluster已经为超过200个用户部署了100+ PB上线数据量以及3000+ 个节点，成功支撑了国家人社部、海关总署、中国人民银行、中国农业银行、国家电网、中国移动等各行各业用户的核心业务系统，并得到用户的认可。强调“自服务”的新一代商业分析平台——数据观就采用了GBase 8a MPP作为底层架构，为浦发银行、阳光保险等企业提供商业分析解决方案。数据观消除了数据分析过程中的一切技术门槛，满足业务人员脱离IT瓶颈、自助分析的需求，结合GBase 8a强大的数据处理性能，帮助企业实现全员数据驱动的愿景。除此之外，GBase品牌在各方面都抢占“第一”：GBase 8a Cluster是国内第一款分布式并行数据库集群；GBase 8t是国内第一款与世界技术同级的国产事务型通用数据库系统；GBase BI 是国内可视化商业智能的领先产品；GBase 8d 是国内第一品牌的目录服务器；GBase 8s 是国内第一款采用硬件加密技术获得国家密码管理局资质的安全数据库；GBase 8m 是国内第一事务处理性能的数据库。而支持辑数据仓库的GBase UP融合大数据平台，可以为企业提供易配置、低门槛、全数据、超融合、开放的一站式大数据解决方案，是企业大数据落地实施的最佳平台。 本文为专栏文章，来自：数据观，内容观点不代表本站立场，如若转载请联系专栏作者 。