数据驱动的增长飞轮运转

3.2 数据驱动的增长飞轮运转

彼得·德鲁克，现代管理学之父曾说过：“如果你不能衡量它，那么你就不能有效增长它。”这句话也适用于用户增长。
为了实现有效的用户增长，数据起到了至关重要的作用。
从定北极星指标、构建增长模型、分析用户数据到寻找增长机会，所有增长策略的探索和发现都依赖于数据。在阿里巴巴国际站中，数据驱动的文化已经被广泛推崇。
国际站增长团队认识到数据的重要性，并且积极采用数据驱动的方法，以此来指导决策和执行。

与此同时，国际站在数据驱动方面打造了三大利器：
第一是B类买家资产沉淀，B类买家是阿里巴巴国际站最具价值的客户群体之一，他们的购买能力和消费需求都非常高。因此，国际站将大量的精力和资源用于B类买家资产的沉淀和整理，使这些资产成为支持增长策略的重要数据源。
第二是用户行为分析系统。通过建立用户行为分析系统，国际站可以对用户行为进行深入分析，从而了解用户的需求、偏好和行为模式。这些数据可以用于指导产品开发、增长策略制定以及用户体验的优化，从而帮助国际站实现有效的用户增长。
第三是增长策略中心。增长策略中心是国际站增长团队的核心组成部分，它的主要任务是收集、分析和挖掘数据，寻找增长机会并设计增长策略。
增长策略中心的建立，使国际站能够更加有针对性地制定增长策略，并且可以随时根据市场变化和用户需求进行调整和优化，实现持续的用户增长和商业价值的提升。

在阿里巴巴国际站，数据驱动的文化已经深入人心，成为了公司的核心价值观之一。通过利用B类买家资产沉淀、用户行为分析系统和增长策略中心等三大利器，国际站不仅能够实现更加精准的目标客户定义、更加高效的营销投放、更加优质的用户体验，还可以持续地探索和发现增长机会，实现可持续的用户增长和商业价值提升。

3.2.1 B类买家资产沉淀

1) 业务背景

国际电商平台服务于来自全球200多个国家的客户，这些客户具有不同的文化、风俗、法律法规以及行业差异。因此，买家需求的多样性是必然存在的。为了满足买家的需要，我们需要整合内外部数据，并构建海外B类数据资产。这将有助于我们更好地了解海外B类客户的采购需求，进而定制符合他们需求的用户引导路径、货品供给、权益服务等精细化运营机制。最终目的是提高海外B买市场渗透率，并保障高质量买家增长。

相较于国内买家的数据资产构建，海外B类的资产建设面临着明显的挑战。

主要表现在以下两个方面：

数据沉淀难：对于海外B类客户，数据沉淀难度大。站内买家行为数据稀疏，用户自填身份、偏好和采购需求等关键信息填写率低。而且，与国内不同，海外买家缺乏良好的二/三方生态，无法联动相互补充数据。另外，由于涉及到用户隐私和数据跨境传输等问题，邓白氏等海外数据公司各个数据源的稳定性、准确性和及时性也存在较大问题。

资产化难度高：为尽量弥补数据稀疏的问题，我们经常采用多种数据源。但是，这些数据源之间格式不统一，存在语种、货币等差异。此外，企业信息缺乏统一主键，其数据清洗归一化的复杂性呈指数级别增长。因此，海外买家同人模型的构建难度远高于国内B/C类数据资产。

2) 解决方案

为了应对上述挑战，阿里提出了一个整体解决方案，包括以下三个主要模块：

• 多数据源引入：将采用渐进式的方法，逐步收集、整理和沉淀站内买家信息，并基于流批一体技术实现行为日志和业务数据的实时&离线数据集成。同时，我们会建立二方&三方数据的标准化沉淀流程，并采用最小单元原则，制定标准化数据标准。
• 数据资产化：过数据建模来沉淀B类买家的数据资产，结合数据标准定义和数据资产保障措施，实现数据资产的管理与治理。
• 服务标准化：通过资产管理、人群圈选、效果评估以及标签服务等手段，建立B买家数据资产的标准化服务能力。

---

3.2.2 用户行为分析系统

1) 业务背景

在网站运营中，用户行为对于产品体验和用户留存与增长至关重要。
因此，我们希望通过用户行为分析来回答以下问题并提升用户体验：

• 产品的主路径是什么，用户是否有按照预期的路径步骤操作？

• 进入产品的不同来源分布如何，哪些来源的质量更优？

• 产品中是否存在异常路径，如环路、非预期路径等？

• 产品中哪些环节流失量、流失率较高？

• 在不同标签等条件下，用户动线的差异是什么？

2) 解决方案

然而，由于功能设计复杂多变，传统的手工梳理方式的成本高、准确性低、周期长、扩展性差等问题已经无法满足需求。
因此，我们打造了一套自动化的用户行为分析系统，
主要包含以下几个模块：：

• 用户行为建模：在网站打点数据的基础上，通过事件的发生先后顺序构建一套用户行为数据模型。将用户维度信息、用户行为信息、用户反馈信息等底层数据通过以离线的方式进行聚合，然后再导入OLAP实时数仓，为后续行为可视化及分析做好数据基础。
• 用户行为可视化：为了降低了行为分析的门槛，我们设计了一种路径配置的领域特定语言（DSL），用户只需要完成简单的配置即可自定义一个用户的行为动线。基于配置化的动线可视化，不仅可以支持产品运营同学的快速调整与试错，而且降低了平台的后续开发维护成本，通配置文件与平台的解耦，底层的数据模型、计算方式及可视化呈现不管动线如何变化均无需二次开发。
• 用户行为分析：通过将常见的行为分析方法，如来源去向分析、转化漏斗分析、热门路径分析、人群对比分析、流失行为分析等做成自动化工具，帮助产品运营同学基于用户行为快速发现增长的策略，并通过AB实验的验证，在驱动业务增长的同时，迭代改进自动化分析方法。

3.2.3 基于买家需求理解的增长策略中心

为了创造价值并实现业务增长，理解用户需求是非常重要的。因此，国际站从B类买家的需求出发，建立了增长策略中心。
该中心旨在通过深入理解买家需求，并协同各个团队的联合作战，驱动全局业务增长。
核心模块如下：

1）数据中心：将站内外相关数据从需求视角出发汇总成数据中心。这包括站内数据（如供需数据、行业化数据、国家化数据、供应链数据等）和站外数据（如国外电商热卖数据、Google搜索趋势数据、海关进出口数据等），这是需求理解的基础。

2）策略输出：需求分析及策略输出：基于自动分析识别下面几个需求理解问题，挖掘增量机会点，并通过按国家、行业、身份等维度的多维下钻，找到每个细分市场潜在的机会点，输出增长策略。
下面是自动分析识别下的需求理解问题：

• 1.对于用户的搜索或浏览记录，分析背后的真正需求是什么？
• 2.对需求进行分层，识别高频需求、季节性需求和趋势性需求。
• 3.站外需求的趋势是否在站内有类似趋势？如果没有，是因为流量不够还是供给不足？

3）策略协同：增长策略输出给各业务团队（用增、供给、供应链、商业等），并结合业务的经验，进一步判断策略的可行性，进行协同作战。

4）策略验证：对可行的策略，通过AB实验进行验证，并结合AB实验的结果迭代优化策略生成逻辑。