整理 | Sober Zhang

11月26、27日，由全球营销商业权威媒体平台Morketing主办，以“进化”为主题的Morketing Summit 2020灵眸大赏在北京·中国大饭店成功举办。

“做数字化运营，核心不是为了产生交易，而是积累用户数据，并沉淀与用户沟通的最有效的链路，并通过这些链路完成对用户的精准触达，进而驱动企业增长”，GrowingIO创始人张溪梦表示。

在11月26日下午数字化专场中，GrowingIO创始人张溪梦带来《数据驱动精准运营，提升零售客户价值》主题演讲。

张溪梦先生曾在硅谷有十三年数据分析经验，曾任LinkedIn美国商业分析部高级总监，亲手建立了LinkedIn近百人商务分析和数据科学团队，支撑LinkedIn所有与营收相关业务的高速增长，被Data Science Central 评选为「世界前十位前沿数据科学家」。

以下是演讲实录（Morketing编辑整理）：

趋势：数字孪生到数据驱动

大家好，我是张溪梦，GrowingIO的创始人兼CEO。我们致力于给中国企业提供以“数据驱动业务增长”为目标的数据产品和咨询服务。积累了一些心得体会，今天简单和大家做个分享。

最近几年，数字孪生是我们反复提及的一个概念，到底是什么是数字孪生？数字孪生又为我们带来了什么价值？

“数字孪生”概念由德勤提出，即所有物理世界中与用户的触点，都会在数字世界中重构。

通俗地讲，无论是线上业务还是线下业务，都是物理场景，我们都需要将其在数字世界中进行重构，建立属于自己的映射。

随着中国互联网近十年的蓬勃发展，把线下的许多交易场景、到店场景、经营场景、货品的运营场景、物流场景等等，都转化为线上进行。

同时，O2O模式应用在电信、车企等业态，再将线上的数据应用到我们的线下供应链中、线下服务中、线下交易场景中，反哺核心业务，完成效率提升。

综上，数字化孪生提升了用户与企业间的效率，同时完成数据积累。

无论是现在和未来，数字孪生带来的价值便是用户数据的产生，那么企业如何驱动数据，进行精准运营？数据又该如何助力企业增长？

数据驱动增长，

1个模型与4个驱动机会点

数据的积累是驱动企业增长的基础。

讲到这里，不得不提到“增长黑客”的概念，它把数字化营销总结为AARRR模型。而2018年，私域流量火了，实际上，许多高速发展的互联网企业运用的增长模型，与我们刚刚提到的“增长黑客”模型相似，但也有所区别。

接下来，我为大家解释一下增长黑客模型AARRR是如何应用于门店与零售私域流量领域的。

AARRR模型主要分为五步：获客（Aquisition），激活（Activation），推荐（Referral），变现（Revenue）以及留存（Retention）。

AARRR模型的循环往复，也就形成了新时代数据化驱动的增长模型，不变的是AARRR，变的是将“裂变”从底部位置前移，变成私域流量运营的核心步骤。

讲到这里，对于大部分线上企业来说，里面都有许多我们可以精细化运营的细节，零售“门店+数字化”的结合将会存在以下四大数据驱动机会点。

除了我们以前常常提到的人（用户运营类）、货（商品运营类）、场（门店运营类）、这三部分，我还要补充一个营销活动（促销活动类），就是我们常说的campaign。

首先是“人”，是以用户为核心的运营体系。

其次是“货”，在商品里面，也有很深的学问。比如商品定价的弹性，以及哪些是复购商品，哪些是战略性亏损商品，哪些是可以产生利润的商品，这都需要智慧的进行组合。

此前我在零售做的时候，有一系列的品类，每周都在打折，因为它是高频的，它的价格或许不是最高的，利润率也不是很高，但目的只有一个：让用户复购，用低频带动高频，用低毛利带动高毛利。

接下来是“场”，也就是我们常说的门店运营，这就需要关注到门店的属性，某家单店的用户画像是什么样的？如何将一个成功的店铺进行复制？如何了解店长效率与店员效率？都需要深度的门店分析。

最后落到营销活动。此前，很多用户认为营销活动就是获客与买量，实际上并不是。无论是针对零售品牌还是线下实体店，我们需要一个“持续”的能力，通过会员体系等，留住我们的用户。

值得注意的是，线上购买的用户和线下购买的用户，他们的年龄、收入、购物习惯以及各种画像都是有很大的区别，他们对价格的敏感度也是不一样的。

比如前两天我们给全国最大的零食企业做服务，发现线上购买者年龄偏年轻，非常喜欢看到打折，他认为他买三百块钱，就应该得到50%的折扣，这是被线上的平台培养成的习惯。

而线下的用户则有完全不同的购物习惯，他们对价格没有那么敏感，但是他对商品，对口味有非常大的执着，而且经常会到店复购，忠诚用户比较多。因此我们做促销活动，也要针对不同的地域、消费类型进行不同的组合。

那么，如何利用企业内数据精准定位用户？

举一个简单的例子，积累的数据会对用户进行分类，而线上+线下的数据结合联动形成闭环，通过算法将标签打在每个人身上，随后再通过点对点营销形成转化，产生交易。

但在我们今天做数字化运营的过程中，不仅仅是为了产生交易，核心任务是沉淀用户数据，沉淀与用户最有效的连接链路。

科学模型应用于业务场景，

提升单客户价值

我原来做了很多年的数据分析，其实数据分析主要就分为两类：一类是给人看的，另一类是给机器看的。而人类能理解到的极致就是图表和可视化内容，但机器可以帮我们看到更细微具体的内容，同时借助预测模型，实现千人千面。

上图便是机器帮我们分析数据后预测出的相关模型，我们可以直接应用到企业业务中去，比如应用到用户场景之中，这就是AI在决策方面能为企业提供的帮助。

具体如何操作呢？举一个例子为大家解释。

整个过程主要分为三个阶段。

一、收集数据。把用户通过技术进行分层。

二、精准营销。针对每一位用户喜欢的商品，打造精准营销的策略。

三、规划执行。制定完精准营销策略后，找到我们的精准触点，通过私域进行社交裂变，产生相应价值。

依据经验，使用模型与否，GMV增长差异可能高达13倍。

数据驱动在决策与运营方面，都提供了相当大的价值。同时，在私域流量的经营里实际上是有许多科学性的东西存在，这些科学的产品和方法，是可以在企业里面得到复制的。

6大痛点与5层管理解决方案

那么刚刚我讲的三个阶段，听起来很顺畅美妙，但在实际运用中，企业其实会面临许多挑战。

数据的多源异构、实效性低、业务与技术之间的壁垒、独立储存的数据会形成数据孤岛、数据安全、管理与执行的壁垒是目前企业可能面临的6大痛点。

那如何能有效解决以上问题？我给大家分享一下GrwoingIO的管理框架。

从底层的管理数据化、业务数字化，到管理、分析、应用数据与顶层的组织变革，这五层结构基本上可以帮助企业成功落地数据驱动，这也是企业数字化转型过程中五个必不可少的部分。

之前我们GrowingIO做了大量的用户行为分析，去年开始到最近两年，也一直在构建我们客户的客户数据平台产品，可以提供客户360度画像，A/B测试系统，预测引擎等等。这个预测产品可以提升用户的体验，未来赋能销售或门店店长等。
未来的数字化运营，将不再单纯以市场营销为核心，而是贯穿整个客户的生命周期，通过各个部门间的协作为客户提供一个整体的、持续的最佳体验。

以上就是我今天的分享，谢谢大家。