今天我们来说说数据挖掘和商业逻辑。如果前面的没看，那请点击这里

　　着眼情报数据挖掘

　　昨天我们提到了大数据工具的运用，另一方面情报数据也是电商公司真正应该关注的。

　　对于情报数据的处理，从日常工作来看，数据及情报的收集工作占了大部分时间。这个包含跟上下游供应链以及跨部门的沟通。例如，一个采购人员应该去生产线，去分析每家供应商的生产质量水平，产能如何，优秀的工厂和二线工厂的生产周期区别，哪里的原材料采购价格最低，运输时长较短、运输成本稳定。一般来讲，这样的一条情报能使用一到三年。

　　虽然数据性不强，直播，但这些情报价值十分高。讲数据挖掘不如讲是情报挖掘，情报挖掘才能够为电商企业提供真正生产力级的支持，如果情报挖掘都没做好，就想把它数字化和量化，有点操之过急。

　　举个夸张的例子，当一个品牌商拥有20万家生产厂商无从选择时，为了找一个与需求相匹配的生产企业，才需要建立一个大数据模型，进行筛选。而现在只需情报先行，当规模达到一定程度难以进行决策时，才使用数据挖掘技术。

　　的确，大数据的应用要渗透到中国的电商企业内部，还有很长的路要走。

　　而营销领域则完全不一样，市场营销的数据模型已经成熟，而互联网又带给电商企业足够多的信息源，大数据的应用已经可以直接给决策层提供建议。

　　以淘宝某原创女装品牌为例，他们会每天花费500~1000元做情报挖掘，这个cost已经相当的高了，甚至跟某些公司用于百度投放的日消耗相近。他们有专门的情报收集人员，根据数据魔方、量子恒道、CRM系统分析数据，再把这些信息结合辅助最基本的经营决策，考虑下一款新商品款式如何，基于对老会员的购买分析及需求分析，是否需要拓展新类目等等。

　　比如，当其有50件商品、100万现金时，究竟应该怎么安排生产？情报挖掘人员会提醒决策层，这其中有2件爆款、6件长尾、2件滞销品，甚至可以提出 对各款商品的补货、清仓建议，从而进行价格调整，页面展示位置调整，push调整等一系列后续动作。从系统中取得所需数据并不困难，但数据需要进一步拼接，再去思考各个数据之间的因果联系。

　　通俗来理解，商业领域中的情报分析，就是商业逻辑。

　　“情报支持的是对商业逻辑的理解，而数据支持的是对商业情报的处理能力。”我们认为必须要先做情报挖掘，再做数据挖掘。如果情报没做好，相当于对商业逻辑的理解没达标，指望着数据直接讲清商业逻辑，有些痴人说梦。

　　数据无法替代商业逻辑

　　大数据需要在量化数据的基础上，加上商业逻辑，才能帮助电商企业做全局性、系统性的决策。排除一系列不可控因素，把结论和实际情况进行剥离，在一个理想状态下的模型，只是数学专家给出的结论。

　　大数据的核心是融入商业逻辑。在商业逻辑里必须先懂市场，懂某个领域的消费者真正诉求的变化；其次要懂行业，包括行业的特征、要求和规则；最后才是懂企业运营，把多个支持模块 、资源有序地整合起来，从而共同创造价值。

　　在这些都具备的情况下，再用量化的数据适度辅佐决策，在商业逻辑的主导下，真正发挥量化数据的作用。

　　“缺乏这个商业逻辑之本，那量化数据就是天马行空的东西。”我们把商业逻辑看成真正需要解决的难题，因行业不同、企业不同、类目不同、时机不同，商业逻辑都会有所变化，这是一种动态平衡的艺术和哲学。虽然数据不能代替商业逻辑，但是数据可以修正、调整商业逻辑。“一个决策的产生，要靠部分数据、部分商业经验、部分商业直觉。”

　　说到这儿，就涉及数据分层。根据经验判断，越是偏宏观战略层面的数据，实用性越高，越是偏微观细小的数据，不确定性越高。因为宏观的决策很大，大到细小的影响起不了作用，而微观的决策恰恰相反。

　　比如纽约时报在2014年进行“去纸化”向“线上订阅”的转型过程中，面对不同设备、不同介质、不同时段的定价，以及培养用户习惯而赠送的免费渠道、免费数量。

　　再比如，整个行业规模如何，开奖，市场增长力如何，本身是多样本的综合数据，每一个样本的影响都只占一部分。而一旦到微观层面，比如广告用的颜色、打折力度大小、满减的额度，某一项的数据会起决定作用，这样如今多数商家更相信A／B testing等更多形式，去相信数据研判和自身商业逻辑的结合。

　　我们认为“宏观层面多看看数据，辅以经验；微观层面多谈谈经验，辅以数据”，相结合的内容才对电商企业有价值。