百度站长平台验证网站,易购商城网站怎么做啊,泉州网站建设学徒招聘,文化馆门户网站建设的作用及意义摘要
本文主要探讨了阿里巴巴数据应用的实践与发展#xff0c;包括生意参谋在电商领域的应用以及阿里巴巴内部数据产品平台的建设。生意参谋通过数据驱动帮助商家优化运营#xff0c;如周黑鸭利用其预测销量减少商品过期问题#xff0c;烟花烫通过“赛马”机制提升销售额。…摘要
本文主要探讨了阿里巴巴数据应用的实践与发展包括生意参谋在电商领域的应用以及阿里巴巴内部数据产品平台的建设。生意参谋通过数据驱动帮助商家优化运营如周黑鸭利用其预测销量减少商品过期问题烟花烫通过“赛马”机制提升销售额。未来生意参谋将拓展全渠道数据服务打造个性化数据分析门户。阿里巴巴内部数据产品平台则经历了从临时需求到成熟平台的四个阶段为不同角色员工提供数据监控、分析和决策支持助力商业决策。 1. 数据应用背景
数据仓库的建设是企业迈向数据驱动战略的基础工程。它统一数据语言、连接业务链路、提升数据可用性是支撑报表分析、业务洞察、智能决策不可或缺的“数据中枢”。在数仓数据仓库中数据应用背景是指为什么企业要建设数据仓库以及它如何服务于企业的各类数据分析和决策需求。下面是详细解析
1.1. ✅ 数据应用背景的核心动因 背景类别 说明 1. 业务系统数据分散 企业拥有多个业务系统如 CRM、ERP、POS、支付系统等数据分布在不同系统中格式不一、标准不统一。 2. 缺乏统一的数据视角 无法从全局角度看清业务全貌例用户从注册到购买到售后的完整链路难以追踪。 3. 数据价值未被挖掘 大量业务数据未被结构化分析使用缺乏决策支持工具企业无法实现数据驱动运营。 4. 报表开发效率低 报表系统直接基于业务库开发导致系统性能下降、查询效率低、重复开发严重。 5. 决策依赖经验缺乏数据依据 高层管理和业务运营决策更多依赖人工经验缺乏可靠的指标体系和数据分析支持。
1.2. ✅ 数仓建设的业务驱动目标 目标 说明 统一数据标准 建立公共维度如用户、时间、产品、统一指标口径如GMV、活跃用户 支撑多维分析与可视化 构建 OLAP 模型支持业务人员通过多维度灵活查看数据如地区、产品、时间等 提升数据获取效率 一次建模、多处复用减少每次报表都“从零开始”的重复开发 保障数据一致性与可追溯性 同一口径的指标从数据源到报表全程可追踪、可复查 支持战略与运营决策 为高层战略决策、日常运营优化、市场活动评估提供数据支撑
1.3. ✅ 数据仓库常见应用场景示例 场景分类 应用示例 经营分析 销售分析、利润分析、渠道对比、客户留存 用户行为分析 新增、活跃、转化、流失、路径分析 财务数据统一 多系统对账、合并利润表、资金流向追踪 风控与合规 异常行为识别、规则模型训练、合规审计分析 管理驾驶舱 高层看板、实时监控、核心KPI指标体系
2. 生意参谋
作为大数据公司阿里巴巴在推动业务数据化的同时也在不断地帮助商家实现数据业务化。在对外产品方面阿里巴巴主要以“生意参谋”作为官方统一的数据产品平台为商家提供多样化、普惠性的数据赋能。
截至2016财年生意参谋累计服务商家已超2000万月服务商家超500万。在月成交额30万元以上的商家中逾90%在使用生意参谋在月成交额100万元以上的商家中逾90%每月登录天次超20次。本节主要介绍生意参谋是什么它主要为阿里生态下的商家提供哪些数据服务以及随着DT时代全面来临它将如何驱动商家重视数据化运营进而实现“数据赋能商家”这一重要理念。
2.1. 背景概述
生意参谋诞生于2011年最早是应用于阿里巴巴B2B市场的数据工具2013年10月才正式进入淘系。
当时阿里淘系的数据产品曾一度多达38个不同产品的统计方式不同相同指标在不同产品中的数据也有所差异这给商家带来不少的困扰。
为了保证用户体验从2014年起依托阿里巴巴内部的OneData体系建设的、在数据一致性方面更具优势的生意参谋陆续整合量子恒道、数据魔方等其他数据产品并在2015年年底升级为官方统一的商家数据产品平台。由此商家只要通过生意参谋一个平台就能体验统一、稳定、准确的官方数据服务。当然长达两年的整合升级并不是简单地对多个数据产品进行功能整合而是在保留其核心功能的同时对其进行优化同时不断拓展新平台的服务能力和服务范围。
在整合量子恒道时同步推出大促活动看板、实时直播大屏、自助取数等重要功能在整合数据魔方时推出功能定位相似的“市场行情”还同步上线数据作战室这款风靡众多高端商家的大促直播利器…经过不断拓展目前平台的数据已覆盖淘宝、天猫等阿里系所有平台和PC、无线等终端涉及指标上千个。在产品功能方面已拥有店铺自有分析、店铺行业分析、店铺竞争分析三大基础业务模块。另外它还支持多个专题工具的使用和自助取数等个性化需求。 2016年为进一步满足商家数据需求阿里巴巴在门户、数据内容、产品形态三个方面对生意参谋进行全新升级。
在门户方面首页支持多岗多面、多店融合商家可根据不同岗位需求选择页面中出现哪些数据在数据内容方面加强商家中后台数据突破新增服务、物流等环节的数据服务进一步满足商家全渠道、全链路的数据需求在产品形态方面更注重深度分析、诊断、建议、优化和预测。随着网红经济的爆发这一年生意参谋还尝试了布局电商外领域一与新浪微博、优酷等自媒体平台合作推出生意参谋CP版含微博版、优酷版)。网红或达人通过生意参谋可了解自己的内容影响力、粉丝用户画像、商家合作效果商家也可通过平台了解网红引流效果从而更好地制定推广策略。
2.2. 生意参谋功能架构
如上所述生意参谋发展到今天已经不是一个简单的数据产品或数据工具而是集合了此前集团的多个数据产品同时包含数据作战室、市场行情、装修分析、流量纵横、竞争情报等多个产品在内的数据产品平台。目前平台共有七个板块除首页外还有实时直播、经营分析、市场行情、自助取数、专题工具、数据学院如图162所示。不同板块的数据不尽相同但又彼此联系。从商家实际应用场景来看这些数据服务可以划分为三个维度即看我情、看行情和看敌情。 2.2.1. 看我情
不管是哪一层级的商家看数据一般都是优先关注自身店铺。如果连自身数据都不关注那么了解再多的行业数据和对手数据也无济于事。在一定程度上分析“我情”是店铺数据化运营的根本。
在生意参谋上“我情”的数据主要基于店铺经营全链路的各个环节进行设计。以“经营分析”为例这个板块依次为商家提供流量、商品、交易、服务、物流、营销等不同环节的数据服务不同服务还能再往下细分如在“流量分析”下还会再提供流量地图、访客分析、装修分析等更细粒度的数据。基本上一个访客从未进店到进店再到店内流转最终交易转化转化后的评价和物流情况都可以通过“经营分析”一站式获取。
2.2.2. 看行情
在线上零售环境竞争程度还不十分激烈的时候店铺埋头苦干修好内功或许就能独辟蹊径脱颖而出。但现在随着线上线下不断融合有实力者不断入局线上竞争日益加剧。在这个过程中店铺要想运营好就不得不经常关注行业动态了。只有知道外界在关注什么、在发生什么变化才有可能把握市场动态挖掘先机。
基于此生意参谋通过市场行情为商家提供了行业维度的大盘分析包括行业洞察、搜索词分析、人群画像等。其中行业洞察可以从品牌、产品、属性、商品、店铺等粒度对本行业数据进行分析通过搜索词分析可以了解不同关键词的近日表现从而反推消费者偏好人群画像能从人群维度入手直接提供买家人群、卖家人群、搜索人群三大人群的数据洞察信息。
2.2.3. 看敌情
大家都知道商场如战场只有知己知彼才能百战百胜因此关注“敌情”十分重要这也是很多店铺发展到一定阶段后的迫切需求。
但是竞争对手的数据十分敏感生意参谋的产品设计原则之一又是确保商家数据安全要如何权衡两者的关系呢我们的解决方案是推出“竞争情报”这一专题工具在保障商家隐私和数据安全的前提下提供竞争分析。需要强调的是我们不作无原则的数据披露在这个产品中只要涉及其他商家核心数据均作指数化处理这一方法同样被应用在整个生意参谋平台中)而非赤裸裸地呈现在分析竞争群体时则以群体均值的形式进行呈现且“群体”一般是10个店铺以上不是少量几个店铺以此解决商家了解竞争环境的需求也避免店铺核心数据被“窥探”。
从我情到行情再到敌情这三个层次、三个维度的数据披露和分析在一定程度上可以满足大多数商家对店铺经营数据的基本诉求。其实数据服务并不是提供得越多越好还要注重数据的统一性、及时性和准确性否则数据提供越多给商家带来的困扰可能就越大。
在这点上平台背后看不见的“数据中台”给生意参谋提供了大量技术保障。例如在体验方面生意参谋的数据来自阿里巴巴大数据公共层OneData.。OneData可以对集团内外数量繁多的数据进行规范化和数据建模从根本上避免数据指标定义不一致、重复建设的问题从而确保生意参谋对外数据口径标准统一计算全面、精确。商家不用再纠结从多个数据产品看到的数据不一致也不会再遇到小二看到的数据和自己看到的不一样的情况。在技术层面数据中台的实时数据计算技术也可以保障生意参谋众多数据指标的实时性和准确性。商家这一秒就能看到上一秒的数据一旦店铺出现异常可以马上发现并进行处理。
在用户洞察方面基于阿里大数据团队全力打造的OneID体系商家可以在生意参谋上更好地洞察消费者画像。以真人识别为例顾客A白天在电脑上打开了某旗舰店的店铺页浏览并看中店内某款商品加了购物车晚上躺在床上用手机打开淘宝把购物车中的商品支付了。在这个案例中顾客A分别使用电脑和手机浏览了某旗舰店这在很多数据工具中顾客A可能会被识别成两个人而生意参谋会将这个访客的行为轨迹包括跨屏的行为串联起来识别出独立用户个体而非简单的用户行为次数。
阿里数据中台顶层设计如图16.3所示。OneData体系、OneID技术等在其中为生意参谋等数据产品提供了稳定的技术支持。 2.3. 商家应用实践
一方面生意参谋不断开放阿里巴巴的大数据能力另一方面其服务对象正受益于大数据基于数据不断提升自身运营效率和获客能力。
比如周黑鸭食品旗舰店经营的商品以短保商品为主这类商品的特点是保质期短对储存温度、包裹温度都有特殊要求。如果备货太多商品容易过期如果备货过少又影响发货速度进而影响客户体验。在使用生意参谋之前周黑鸭备货主要靠经验几百盒甚至上千盒产品报废的情况经常发生。但通过生意参谋周黑鸭可以实时监控店铺商品被加入购物车的数量明细从而精准预测销量。2015年“双11”期间周黑鸭通过平台预测的大促销售额是2000万与实际销售额2150万高度吻合。大促7天之内2000多万商品全部发货完毕没有出现任何因定量不精准而导致的产品过期问题。
烟花烫是天猫平台上的原创设计女装品牌每季度会推出新品大约300款但因为资源所限新款开发完毕后还需要对其进行再区分进而确定优、良、中、差等级来搭配不同的运营策略。
鉴于此烟花烫基于生意参谋和相关数据独创了一套“赛马”机制。首先新品上线后运营团队会通过生意参谋了解不同宝贝的访客、成交、加购、收藏和页面停留情况然后将对应指标数据标准化再进行加权计算从而形成初步的“成绩单”。对“成绩单”内访客数高且综合分高的商品运营团队逐步提高访客数对访客数高但综合分低的商品则逐步降低访客数同时考虑更大优惠/搭配调整提高转化率。
“赛马”机制启动后通过半年的调整优化烟花烫天猫旗舰店的销售额同比增长了100%。需要注意的是当前商家对数据的应用已经不局限在运营层面还延伸到团队激励、品牌传播等层面。近两年“双11”期间三只松鼠太平鸟、马克华菲等商家还会基于生意参谋数据作战室搭建舞台并邀请媒体、合作伙伴等前来观战和员工一同感受“双11”期间数字跳动的气氛进而展示自身品牌实力。
类似的案例其实不少从这些商家的应用实践来看数据对商家的作用是毋庸置疑的。随着数据逐渐成为阿里巴巴赋能商家的新能源掌握数据并基于数据驱动运营是商家保持市场竞争力的关键。未来只有把数据同商业实践、消费者行为结合起来并利用其洞察消费者画像挖掘市场潜在需求才有可能触发更高层次的消费场景。
未来生意参谋在全渠道、全链路、个性化和智能化等方面还会不断探索包括打通阿里巴巴内多店数据、阿里巴巴外电商数据、线下商业数据做好全渠道数据的采集计算除了现有的经营数据外还将提供财务分析、会员画像等更多环节的数据服务进一步丰富全链路服务监测同时还会尝试打造更个性化的数据分析门户建立可视化组件库建立智能化业务数据预警监测体系等。
而在电商外领域也会加速布局力求阿里巴巴的业务走到哪里数据服务就跟到哪里。我们希望未来生意参谋能基于数据打通建立各个业态商业群体之间的连接使得商业价值最大化。同时面向不同业态、不同群体提供持续、分层次、分场景、快速、低成本的数据赋能。阿里数据中台视角的生意参谋全景如图16.4所示。 2.4. 内部数据产品平台
在阿里巴巴内部数据分析基本上是所有员工必备的技能。本节主要介绍阿里巴巴对内数据产品的由来、整体架构以及它是如何有效支持内部员工的日常工作的。
在DT时代数据作为商业的“水、电、煤”需要通过各种各样的“管道”将“水、电、煤”输出给商业、赋能商业其中数据产品就是一类非常重要的“通道”通过数据产品将数据转化为用户更优做决策和行动的依据。数据产品有多种形态包括最简单常见的报表如静态报表、Dashboard等简单统计分析)、多维分析(OLAP、即席查询分析等工具型数据产品)、专题分析型数据产品面向某一类业务场景沉淀分析思路)、智能型数据应用产品如个性化搜索、推荐、广告定向推送、精准营销等这类数据应用产品的发展较为成熟且大都在数据外面穿了一层外衣使非专业的用户并不能直观地感受到它是数据产品)。本节会重点介绍阿里巴巴赋能企业内部高管和小二的自助报表产品和商业分析产品。
数据产品的本质是产品既然是产品那么首先要回答用户是谁用户的痛点是什么产品要解决用户的哪些痛点即产品给用户带来的价值是什么。对于企业内部数据产品它的用户是公司的员工包括销售、BD、运营、产品、技术、客服、管理者等多种角色解决的痛点是用户对业务发展中的数据监控、问题分析、机会洞察、决策支持等诉求提供给用户高效率获取数据、合理分析框架、数据辅助业务决策的价值。在阿里巴巴内部针对不同业务、不同层级的用户、不同的使用场景会有不同的数据需求需要对不同业务、不同使用场景的数据需求进行高度抽象同时又要深入业务场景规划设计出既要拓展性强又要贴合业务还要开发效率高的数据产品。
阿里巴巴对数据产品建设不是一蹴而就的而是伴随着业务、大数据行业的高速发展一起成长起来的整个对内数据产品建设大概经历了四个阶段。
2.4.1. 临时需求阶段
时间回溯到2003年左右当时大数据的概念还未兴起数据化运营还未被提及用户对数据的诉求也很简单即获取业务现状的基本数据。当时还没有数据产品的概念用户诉求主要以临时取数方式满足用户需要了解业务基本数据时提交需求给数据仓库团队数据工程师通过编写代码将数据跑好再给到用户基本靠人力在做支持。这个阶段逐渐积累了数据和业务经验为后续数据产品的思考和规划积累了丰富的原始需求。
2.4.2. V2.0自动化报表阶段
到了2006年随着业务的不断发展壮大业务对数据的需求越来越强烈数据工程师“人肉”支持效率太低已经跟不上业务和时代的发展。基于之前在数据仓库技术、业务支撑方面的经验积累数据仓库团队将相似的需求合并同类项的同时总结提炼并且引入BI工具通过报表和Dashboard的方式将数据需求固化下来进而实现了自动化。
一次开发可以满足更多的用户除了表格之外还有简单的可视化不但减少了数据仓库团队的重复建设提高了用户获取数据的效率还增强了数据的可读性让更多人学会使用和分析数据。当然严格来说这个阶段还不算有真正的数据产品从当时的成本、效益方面考虑阿里巴巴数据仓库选择购买微策略的MSTR工具后来又升级为BEE工具用于报表和集市的制作。为了方便用户找到报表搭建了数据门户将报表和集市以业务主题的方式进行组织数据门户雏形在这个阶段开始出现发展到后面用户不断加深对数据价值的认知需求越来越精细化和多元化对数据化运营的期待越来越高
单纯的报表监控分析已经无法高效满足当时的用户诉求而且受限于BEE工具拓展性和报表体验难以提升…但是在这个阶段建设团队积累了更丰富的技术和业务经验。基于此阿里巴巴数据人已经开始思考数据产品化之路。
2.4.3. 自主研发BI工具阶段
从2012年年底开始我们有了真正意义上的数据产品。随着业务的高速发展数据维度和数据量增长迅猛数据需求越来越繁杂和参差不齐同时不能靠增加人力来满足所以急需强大、易用的BI工具来支持。
受限于第三方BI工具MSTR、BIEE主要面向的是专业数据人员而我们需要能有工具可以面向普通的数据使用人员满足其自身不同的需求当时阿里巴巴已经将大部分数据迁移上云经典的第三方BI工具无法直接接入云上的数据。基于上述两个考虑我们最早构思了一个“取数机器人”的工具目的就是想让这个“机器人”帮大家建数据和获取数据降低大家对数据需求的成本。围绕这个构思我们规划落地了“快门”和“小站”(“快门”和“小站”均为内部数据产品名称仅限于在阿里巴巴内部使用)。
“快门”的寓意是获取数据可以像相机的快门一样快速、便捷“小站”的寓意是方便用户搭建出自己或部门的数据站点。“快门”和“小站”的定位是阿里巴巴内部的BI工具。快门端同时支持用户标准模式和SQL模式其中标准模式是拖拉拽的方式主要针对开发好的集市宽表支持“亿级数据秒级响应”用户只需要拖拉拽再配置一下简单的COUNT或SUM就可以获取到自己的数据SQL模式更灵活将SQL代码代入进去即可生成一张报表同第二阶段的自动化报表功能类似。小站则是把快门的报表和外部的数据或页面以整体的分析思路、可视化表格、图表等)和解读富文本的方式更好地组织和展示出来。这个阶段是真正意义上自主研发数据产品或工具的阶段是不断积累业务需求及产品规划和技术的过程为后续做数据平台打下了坚实的基础。
2.4.4. V4.0数据产品平台
2014年前后“快门”和“小站”经过两年时间的打磨在产品功能、体验方面都有很好的提升不仅为淘宝业务提供服务同时还为整个阿里巴巴电商业务提供服务在整个阿里巴巴集团都有一定的影响力。
随着业务的发展很多垂直业务的数据团队合并规避重复建设更好地形成合力提升效能同时业务对数据的诉求越来越精细化和多元化除了使用BI工具方便获取数据做数据日常监控之外还需要将特定业务场景的分析思路固化下来沉淀在产品里以自动化来替换分析师的“人肉”分析同时需要把业务数据应用到线上。比如众所周知的个性化搜索和推荐、精准营销、选品选商、搭建专场、数据效果跟踪等一整套闭环分析需求…所以对平台化的思考越来越清晰“阿里数据平台”应运而生目的是为阿里巴巴内部用户打造一站式数据获取、数据分析、数据应用的数据产品平台。同时随着无线发展的大趋势随时随地掌握数据的需求也越来越明显所以阿里数据平台在一开始就布局了PC版和APP版的规划。
这一年开始数据产品可谓百花齐放。例如“双11”大促需要有实时数据监控分析不仅仅是对大盘的监控还要有对各个会场、商家商品的实时流量和成交的监控以便调整资源和调配流量分配。对于这类需求传统的数据仓库离线计算是满足不了的。为了更好地解决这类需求我们突破传统数据仓库的边界研究业界前沿的流计算技术同时规划设计直播类产品不仅覆盖了实时交易还有实时流量从大盘到行业再到会场、商家、商品各个维度同时产品从淘宝业务逐步拓宽到阿里巴巴电商的所有业务实时指导大促各个层级用户的数据化运营。
再如互联网公司对网站流量分析是运营最基本的诉求运营需要了解当日访问页面的流量、何时访问量最高、每个位置的点击效果与引流效果等。针对流量分析我们规划设计了类似于GA的流量分析产品但定位跟GA不同其不只是流量分析的通用分析产品覆盖了GA的流量基础统计分析的功能同时还是阿里巴巴电商流量引导转化深度分析的产品将流量数据同交易引导转化数据打通让运营更有抓手。在这个阶段我们根据不同的业务场景规划落地了较多场景化或专题类的分析型数据产品这类产品的适用场景和用户非常聚焦除了解决数据获取效率之外还提供了特定业务场景的分析思路使数据价值更加突显。
针对众所周知的个性化搜索和推荐、精准营销、选品选商、搭建专场、数据效果跟踪等一整套闭环分析需求我们规划设计了对内使用的应用分析产品不仅能够通过勾选条件筛选出目标数据同时还能够做自助分析调整条件满足需求后直接对接前台应用系统实现个性化、精准营销、选品选商、搭建专场的需求。
这个阶段还在继续探索中日渐丰富和复杂的业务场景也对产品提出了更高的要求产品之间如何打通是当前我们在设计和规划数据产品中着重思考和突破的地方。
3. 整体架构设计
对于数据产品数据一直都是产品的核心和生命力数据质量和数据安全是数据产品最基础的要求如果一款数据产品提供的数据不准那么对使用产品的用户来说是灾难性的甚至会根据数据产品得出完全错误的结论进而影响业务决策。
数据安全管理在阿里巴巴内部是非常严格的所以数据权限管控的重要性不言而喻。阿里巴巴对内数据产品基于阿里数据公共层数据公共层在数据准确性方面投入了很多精力同时有一整套指标算法统一和研发工具来保障取得了非常不错的成果。这部分内容在数据模型建设、数据加工处理环节已经详细阐述。
阿里巴巴对内数据产品平台即阿里数据平台包括PC版和APP版共有四个层次即数据监控、专题分析、应用分析和数据决策如图16.5所示。 3.1. 数据监控
对于所有内部普通运营小二都有查看或分析业务数据的需求阿里数据平台提供最基础的报表工具供用户自助取数、多维分析、DY个性化数据门户。这块对应的产品主要是我们自主研发的BI工具同时我们还在研发一款基于Web Excel的BI工具一孔明灯除了服务内部之外还可以将内部的BI工具能力对外输出给阿里巴巴的商家和合作伙伴使用。
3.2. 专题分析
对于专题运营小二如行业运营小二对类目有强烈的分析诉求按照分析师沉淀的成熟分析思路组织数据实现行业运营小二自助分析行业异动原因发现行业潜在机会实现“人人都是分析师”提高数据化运营的效率和质量。这块对应的产品主要有实时直播分析产品可以根据实时数据调整资源及流量分配行业一体化分析产品从行业视角提供行业360度的数据同时沉淀行业分析思路流量分析产品从流量的角度提供流量相关数据包括对站点、页面、区块、位置的浏览曝光、点击分布以及获得资源位的活动投放等数据。
3.3. 应用分析
对于很多业务系统的流程数据是其中不可缺少的一环通过对接前台系统实现数据的自动化。比如日常营销活动运营需要选品选商、搭建专场那么如何选商选品以及选择什么样的商家和商品对整个活动非常重要完全人工筛选在效率上会受到很大制约。为解决此问题我们提供了专门产品来完成系统对接不只是数据的对接同时也包含产品交互间的打通。这一产品不仅能够通过勾选条件筛选出目标数据同时还能够做自助分析调整条件满足需求后直接对接前台应用系统实现个性化、精准营销、选品选商、搭建专场的需求。
3.4. 数据决策
对于高管和决策者既需要宏观的业务数据又需要可下沉的数据还需要丰富的趋势数据来辅助决策需要通过数据了解业务进展、当前进展是否合理、接下来的业务方向等针对此类需求提供定制化的数据产品供决策参考为高管提供宏观决策分析支撑平台分析历史数据规律预测未来发展趋势洞察全行业动态。
随着阿里巴巴业务的发展、新技术的引入对内数据产品势必会不断迭代去探索更多、更新的数据价值更高效地开发数据产品。未来对内数据产品平台的发展会重点在两个方面进行突破一方面把BI工具等工具型产品功能做强做大不仅可以做报表还可以做出专题分析型产品在有限的研发资源下更高效地实现数据产品另一方面在应用型数据产品上做更多的探索赋能业务数据化的运营。
博文参考
《阿里巴巴大数据实战》
