元宇宙行业竞品分析(元宇宙相关产品)

大家好，今天来为大家分享元宇宙行业竞品分析的一些知识点，和元宇宙相关产品的问题解析，大家要是都明白，那么可以忽略，如果不太清楚的话可以看看本篇文章，相信很大概率可以解决您的问题，接下来我们就一起来看看吧！

本文目录

1. 业务员怎么样跟进客户
2. 「案例分析」美妆品牌如何玩转KOL营销
3. 数据分析能力模型

一、业务员怎么样跟进客户

业务员怎么样跟进客户？跟进客户显然是没有固定方法的，“一千个销售人员就有一千种方法”，最适合自己的方法一定是自己摸索出来的，下面为大家分享几个业务员怎么样跟进客户的方法。

发现潜在客户后，先不要急着联系，要做到“知己知彼”，对客户信息进行详细调查，摸清情况才方便做下一步部署，调查维度包括不限于：

如果没有做好充足准备贸然联系客户很可能跟进失败，为了打好这场“有准备的仗”，一定要在拜访客户前明确目的，拜访目的主要包括签单、维系关系、检查进度、沟通解决方案、市场调研等等……作为销售，很多情况是无法预判的，我们能做到的只有尽可能准备充分，主要体现在：

物质准备：既包括即将拜访的企业组织架构、发展情况等、即将拜访面向的客户个人分析资料；也包括一些产品/服务相关的资料（包括公司、产品、试样等、；

心理准备：恐惧来源于对对方的未知和不可控制，销售一定要整理好自己的状态。

做好一系列准备工作后，万事俱备，可以开始联系客户，获取客户信息可以借助CRM系统的获客功能，搜索关键词即可：

有了联系方式后更不能掉以轻心，一定要记住，当面交流才是最好的方式，可以先电话沟通，建立好感，再进一步约见面拜访，很多销售人员对于当面拜访如何开场不知所措，提供几个聊天话题的主要思路：

这是客户最关注的问题，可以最先抛出，争取进一步沟通的空间；

这时候前期的资料收集就能很好派上用场，共同话题有助于拉近距离，建立好感；

行业趋势和热点信息都是很有效的沟通话题，有助于体现专业性，如最近火爆的“元宇宙”概念。

聊天开场后要趁热打铁，深入沟通，过程中一定要留意客户意向，主要针对有意向的客户重点跟进，销售人员的时间宝贵，没必要把时间浪费在跟进希望渺茫的低价值客户上，最好在CRM系统中实时记录客户跟进动态，方便下一步部署跟进。

同时要挖掘客户真实需求，需求往往不等于表面需要，有研究表明很多销售人员认为最难的就是寻找、识别客户真实需求。为解决这一问题，我们可以借助问题漏斗这个工具：

明确客户需求后，我们就能对“客户想要什么”有一个大概的把握，我们还要对“我们有什么”有一个清晰的认知，即让客户了解我们的产品/方案/服务等，具体介绍流程也是有科学方法的，如SPIN法：

根据以上四步可以直击客户痛点，为客户提供有效的解决方案，有助于通过产品向客户传递价值，完成客户的转化和商机挖掘。当客户有了成单的可能性，销售人员可以根据对赢单可能性的考量划分出一系列关键动作，例如：初步洽谈/需求确定/方案报价/谈判审核/赢单/输单。

跟进客户后，客户的维护工作也不容忽视。

拜访客户后，应该为客户建立完善资料档案，安排服务计划，提升客户满意度；还要对客户进行回访，复盘自己的问题，改进自己的交流方式和服务方法，这样才能有效留住客户，为今后积累人脉，方便再次销售。

当客户进店的过程中，就可以判断那些客户是属于有兴趣类的，这个时候我们要趁热打铁，在客户进店后一天后给客户去电沟通，及时明确他们的需求，快速解决掉客户心中的疑虑，并加上一些催促的方法，如优惠时间快要截止了等等。

结论：对于这一类客户跟进一定要及时，要牢牢把握住他们，不错失是最关键的。

对于这类客户，他们不清楚自己要买的是什么，目标不明确，整个销售过程中表现得犹犹豫豫的，这需要去和客户大量的沟通、联系，深入了解他们的需求。

结论：这类客户在得与失之间权衡，找痛点，先了解他们是属那方面的需求，对产品的需求，还是对价格方面的某种需求，了解之后，帮他们分析得与失的关系。

这类客户是属于真正的潜在客户，近期不买，未来肯定是要买的。

首先第一步要做的就是保持联系、沟通，混眼熟，其实进店的客户都是有需求的，不然不会逛店，所以，现在不买不代表将来不买，现在把基础打好，印象分高，将来买的时候，他们自然会想起我们。

对于这类客户，也需要跟进，了解他们不买产品的原因是什么，比如是产品功能方面还是什么方面不满等。对于了解以后，有些问题，我们是可以用专业知识进行解决问题的，如果不能解决，进行汇总整理资料，以便我们进行更好的改进和提高工作。

经常会遇见这样的.情况，报价后，客户就没音讯了。这种情况，可以微信、电话等进行沟通，问客户是售后、产品质量、或者使用方法等有什么问题，或者是价格上面。

解决办法：重新着重介绍产品的优点，与竞品相比自己的优势在那，价格方面优惠政策等，打消客户的疑虑，让客户嘴上不说，但心里已经认为这个产品是物有所值的，从而重新考虑我们的产品。

我们所有的信任关系，首先是建立在客户对你好奇和感兴趣之上的，没有这一点，再长的沟通时间，也无法让客户和你发展进一步的合作关系。

让客户好奇并感兴趣的话题很多，但需要根据客户的实际情况预先设计，很多沟通都需要我们预先的准备，而不是随机应变。以下常用的方法：

(1)刺激性问题。比如：我想请教您一个问题。

(2)提供部分信息。比如：通过我们和类似客户的合作，我们发现一个普遍的问题。

(3)显露价值的冰山一角。比如：我们通过方案的优化，将一个客户的成本降低26%，你有兴趣听一听吗?

(4)新奇的东西。比如：我们推出一个新产品，能比原来的多人操作省一半人力，需要了解一下吗?

(5)利用群体趋同效应。比如：我们为您这个行业的好多客户提供了多款优质产品，获得客户的一致好评，你要了解一下吗?

二、把客户的需求和产品建立强关联

把客户吸引过来后，就需要明确你能帮助客户解决什么问题，或者说给客户带来哪些好处。然后让他体验和感受。这个过程一定是要与你的产品相关联。这就需要，我们在沟通之前做好充分的信息准备工作，包括：

1、客户在引发兴趣后，关注点会在哪里?

2、针对这些关注点，我们如何将客户不同阶段的需求和我们的不同产品强关联，在这个环节中通常采取的方式是先体验，感受，通过专业化解决问题，从而让客户信任你。

3、不同阶段，不同客户的关注点是不一样的，所以需要你推出不同的产品来对应客户的需求。也不建议为了维护而维护，而是能够为我们带来变现的维护才最有效。

4、这样的行为可以固定持续的去做。

通过第二个环节后，就会有人在进行咨询或者是购买你的产品，及时做好服务。

关于销售的整个过程及每个环节具体应对策略，可以看销售的金钥匙，一本专门针对销售新手，为销售新手讲述一套简单，实用，低成本，快速持续提升销售业绩的流程和方法。

关于如何去打造一套高绩效，可复制的，成体系的打法，能让你的团队成员目标非常明确，完成目标的动作能达成共识，能清楚的知道接下来每月每周每天要去做什么，能具备对应的执行能力，能自我激励，自我优化工作方式。

最重要的是能长期高效执行。可以查看销售团队作战地图。

二、「案例分析」美妆品牌如何玩转KOL营销

M·A·C发布元宇宙光幻妆，开设线下快闪店

2月21日,M·A·C魅可启动天猫超级品牌日,宣布携手现象级虚拟人物AYAYI，共同开启美妆界元宇宙之旅。M·A·C天猫超级品牌日围绕“元气妆前乳”持续进行妆前乳种草。

在2月17日-22日期间,M·A·C天猫超级品牌日在上海静安久光百货外广场开启光幻未来空间站，众多博主追寻AYAYI的脚步，以“迷幻魅力粉”作为主色调现身活动现场，在快闪店里可以进行线下试妆、拍照互动以及全线产品展示体验。微博话题#这个雪地光幻妆太上头#阅读数突破6000万，包括美妆KOL如@雪宝Fairy、@superMooooooo、@熊猫姐姐Papa、@汤易困等都参加了现场活动。从PARKLU数据监测平台可以看到，其中@雪宝Fairy在微博的发文获得了约2K的互动量，创造了最高的媒体影响力价值，为80839元。同时，也有众多KOL和KOC在自己的社交媒体上晒出仿AYAYI“元宇宙光幻妆”。

最近元宇宙的概念十分之火，M·A·C紧跟Z世代人群的步伐，与虚拟人物合作，并通过线下空间站的打造，接触到更多消费者的驻足、打卡和体验。同时通过线上社交媒体的曝光得以传播至更多观众。

YSL高定衣典香水发布，大V带动腰尾部共同传播

YSL在年初的时候为高定衣典香水系列增添了全新成员——高定红丝绒(ROUGE VELOURS)香水，将YSL高定成衣的利落刻画在香水瓶的各个角度，诠释丝绒玫瑰与神秘广藿碰撞的西普香韵。

YSL的这次新品活动，线上主要集中在微博、小红书，其中微博占据11%的篇幅，小红书达到81%，剩下还有分布在B站和微信公众号。在小红书上，#YSL高定衣典话题浏览量达到434.8万。

在博主方面，大博主占比14%，中博主占比20%，小博主和草根博主占比66%。可以清楚地看到，YSL通过大博主高质量的内容制作来吸引和带动中博主、小博主和KOC们的参与讨论，以通过各种形式的种草，来达到增强曝光量的效果。

纪梵希举办彩妆晚宴，提升品牌知名度

近日，纪梵希美妆以黑能臻萃系列产品为灵感创想，于上海苏宁宝丽嘉酒店举办“天生高定·流光之庭”晚宴。纪梵希彩妆代言人蔡徐坤、李冰冰都有出席当日活动，畅聊护肤观点。时尚博主@凌听雨、@QiQi靓靓、@香菱鼓瑟、@甜仇等都参与了此次纪梵希的线下活动，并在自己的社交媒体上发布图文内容。

从PARKLU数据监测平台可以看到，纪梵希此次邀请的博主以大博主为主，也有部分中博主和小博主。其中@QiQi靓靓在微博上发布的内容，获得了非常好的曝光和互动，虽然是以日常穿搭内容形式展现，但是也收获了3300的互动量，创造了8.5万元的媒体影响力价值。

美妆品牌通过彩妆晚宴的形式邀请媒体、KOL前来参与派对，有趣又不生硬，很多博主都会愿意自发地在社交媒体上发布他们当日参与的活动以及自然地将品牌露出，而明星的参与，使其更具话题性，品牌不妨可以学习参考。

香奈儿举办一号花园限时快闪，KOL、KOC积极打卡

最近在上海最火的线下快闪活动莫过于在前滩太古里的“香奈儿一号花园”了。快闪店用红山茶花的颜色布置，氛围感十足，随手一拍都非常出片。里面展出了红山茶花系列产品，并且通过趣味互动体验可以获得一份特别惊喜。

香奈儿的快闪店吸引了大量博主前来打卡，包括KOL@Fake姐、@Mecca、@吉良先生、@Grace的幻境等都有在自己的社交媒体上发布活动打卡内容。从PARKLU数据监测平台可以看到，虽然活动从3月3日开始，仅仅一周的时间，该活动已经收获了4.4万的互动量，200万元的媒体影响力价值。其中，@钟惠玲Kiko发布在微博的图文内容获得了最高的媒体影响力价值，为10.1万元，互动量近4500。

香奈儿运用布置精美的快闪店的方式，有趣的产品体验和互动，吸引了KOL打卡拍照，在社交媒体上扩散传播度，吸引更多的观众和消费者前去体验，了解并种草红山茶花系列产品，获取有效消费者。

希望上面的几个案例分析可以带给你启发，如果你也想要了解自己品牌的竞手在社交媒体上的声量，深入剖析竞手的KOL营销策略分析及数据监测、衡量并进行行业基准对比，或了解不同的KOL们提及了行业中哪些竞品品牌或者哪些爆品，可以使用PARKLU KOL数据分析平台！

借助PARKLU社交舆情分析功能，品牌可以及时了解、分析、监测竞争对手在选定任意时间段的KOL营销数据。根据不同指标如KOL数量、影响力、帖子数量、互动率或者PARKLU研发的媒体影响价值等来比较/衡量不同品牌在既定的时间段的KOL营销数据。品牌不仅可以分析自身品牌，也能分析竞品甚至竞品的指定产品。

深入挖掘品牌及产品的数据，通过选择不同级别KOL、日期、平台等进行分析，发现并查看相关搜索的排名前 100名KOL，还有词云功能让你更了解KOL发文内容关键词。

三、数据分析能力模型

1、「过去」以往在增量时代，每天都有新的领域、新的市场被开发。尤其是在互联网、电商等领域的红利期，似乎只要做好单点的突破就能获得市场。这个蛮荒时代，业务运营主要依靠是经验和直觉驱动。比如跨境电商领域初期，凭借世界工厂平台的优势，国内厂家似乎只需基于经验选品即可大卖。

2、「现在」但是随着规则的成熟，更多玩家的进入，市场从蓝海变为红海，进入到存量期，仅靠经验驱动的增长模式不再有效。还是拿跨境电商举例，由于卖家的剧增，海外市场的饱和，跨境电商就进入存量运营时代，已经不存在绝对的蓝海市场，每个细分领域都有许多竞争对手。此时，要求商家从粗放运营转为精细化运营，也就是用数据分析报告决定市场是否值得投入，用数据选品，用数据做经营分析，用数据库存管理。

3、当然，不是说纯定量的数据分析决定了一切，经验就不重要了。而是说在决策的过程中，数据结论占据的比例与以往相比更大，同时业务经验也是必不可少的部分。

4、「未来」互联网逐渐成为“传统行业”的未来，人工智能、元宇宙等由数据驱动的行业越来越依赖数据分析。还有众多制造业亟待数字化转型，以期在全球供应链中提高制造环节的附加值。也就是说，在未来，数据驱动业务将更频繁。

5、数据分析的本质是「沙盘演练」：战场上，指挥员们在指挥部的地形模型前「推演」敌我双方的趋势确定作战方案；商场上，管理层通过数据间的运算关系「推断」运营的发展进而做决策。

6、基于这样的定义可以知道数据分析的目的是为了做对当下运营发展有利的决策，那它是如何做到的呢？为了解答这个问题，可以从前面的定义中引申出几个关键概念：数据，运算关系，推断，决策。

7、最通用的理解，数据是被存储起来的信息。从应用的角度，数据是把事物做量化处理的工具，万物皆可数据化：数值数字是数据，文本、图像、视频等同样都是数据。

8、按字段类型划分，可以把数据分为：

9、根据数据连续的属性不同，还可以分为：

10、孤立的数据往往没有参考价值，比如量化一个人，身高是180cm，并不能意味什么。比如网易云音乐的用户，每个用户的年龄是数据，对使用产品的人群年龄进行分段比如18-24岁，该年龄段人数占比的指标对网易云音乐来说才有价值。从数据到指标的计算过程，就是数据间的「运算关系」，也叫「指标」。

11、指标的作用在于「度量」业务的发展：

12、这些指标（点）通过一定的结构可以编织而成指标体系（线、面）衡量局部、甚至是全局的业务。

13、「沙盘演练」中，指挥员通过军事沙盘上的地形，及敌我双方的工事、兵力部署、火器配置等情况，分析敌情，制定作战方案。数据把现实中的运营抽象到数字世界中，通过指标体系，应用各种分析方法（业务分析、产品分析、用户分析、经营分析......），帮助经营做决策。

14、赵括熟读兵书，却不能活用，沦为纸上谈兵的笑话。所以获得分析能力后，不能照本宣科，要结合实际业务场景做决策。

15、数据分析落地涉及流程创新、变革管理，用新的思维解决业务问题。但这个过程并不是强迫变革，需要借助对业务的理解及软性的能力来使分析平滑落地。

16、站在“前人”的肩膀上，可以走得更远。饼干哥哥根据多年数据分析工作经验沉淀出了数据分析师能力模型，跟着它“按图索骥”，补充自身缺失的能力，最终形成独立、落地的数据分析能力。

17、完整的数据分析师能力体系应该包括底层认知、业务场景及能力三板斧。

18、在建立数据分析思维之前，应该先在底层认知达成共识。

19、什么是认知？是对事物底层逻辑的了解，是对是世界万物的判断，认知的本质就是做决定。也就是说，为了帮助数据分析中每个决策的有效性（选择什么指标、分析方法？接下来做什么？等等），需要先建立底层认知。

20、这一步，我们需要去明确数据分析的定义：数据分析是什么？目的/产出？分析流程？

21、同学们在求职过程中会发现，同样是数据分析师岗位，但是面试的内容千差万别，有考察机器学习、统计学等专业能力的，也有考察市场/行业分析的，还有考察产品分析的。

22、此时就有同学问，这些真的是数据分析该做的吗？

23、我们从字面上拆解，数据分析=数据分析，进一步拆：

24、这就是认知上的偏差：当一些同学认为数据分析就是用Excel做表、python写脚本、机器学习建模时（其实这些只是组成数据分析能力的一部分），求职市场对数据分析师的要求更为完整。

25、回过头来看，数据分析到底是什么？笔者认为，数据分析是一个过程，是利用数据能力做分析的过程：从发现问题、分析原因，到落地建议；这还是一个“解构”的过程：从整体拆到局部，从一般到特殊，从面到线到点，不断下钻剖析，找到具体可落地的点。

26、了解完什么是数据分析后，深入思考一个问题：这个过程的最终产出的交付物是什么？

27、要回答这个问题，我们需要回到数据分析的本质：解决业务问题。也就是回到业务层面的需求是什么，才能决定最后落地交付物：

28、最常见的数据分析场景，就是业务发现销售额下降、用户流失、产品跳失率高，也就是业务层面出现了一个问题待解决，此时需要数据分析师介入帮助从数据层面挖掘原因、给出解决建议。

29、分析过程可能是做一些探索性数据分析、统计分析、机器学习建模，甚至是做AB测试实验，最终交付分析报告，或者模型部署上线。

30、有时业务可能并不存在确切的“问题”，更多旨在通过加深对现有场景的理解，来提高现有业务模型、策略的效果；比如，现在业务使用的是客单价平均值将客户分为高、低两个人群进行营销，此时数据分析师通过对消费者的洞察分析，给予更精准的人群划分方案：利用客单价分位数，将客户分为三个人群，这样业务利用更新后的策略进行营销设计，提高转化效果。

31、分析过程可能是做相关分析、回归分析，甚至是无监督的聚类，来对现状进行解释。

32、按照需求的时效性，可以把业务需求分为临时需求和常规需求，而前面两者属于业务的临时需求，或者说是专项分析需求。对于常规需求，主要旨在提高业务流程的效率，比如对于电商运营中的商品库存管理业务，运营需要及时查询库存情况，并结合销售趋势对低库存量的商品进行补单；此时，数据分析师可以通过交付“低库存预警报表”来帮助优化该流程效率。

33、支持诊断的内容主要集中在自动化的报表，甚至是商业智能（BI）体系的搭建。

34、如果说前面是基于已知模式的分析，那么业务中还存在一种需求，就是对未知的探索。最为典型的场景则是对市场、对消费者的洞察后，给出品牌及业务增长的策略。

35、分析过程更多是基于行业、基于市场，使用如PEST、SWOT、波特五力等商业分析模型。

36、至此，我们知道了数据分析是什么，以及最终的产出交付物，那这个过程如何实现的呢？从落地的角度来看，数据分析是一个从发散到收敛的过程：业务理解-数据探索-分析模型-落地交付-产品生命周期

37、数据分析是从业务到数据再回到业务的过程，所以理解业务是数据分析的起点。

38、“无场景不分析”、“脱离业务场景的分析都是耍流氓”等资深数据分析师的建议无不说明业务场景的重要性。数据分析能力模型中的业务场景模型：用户-产品-场景，就是为了帮助读者理解业务场景而设计的，在这里不赘述。

39、不知道读者有没这样的体验？就是领导交代任务给你，或者是朋友有求于你时，执行力强的人很快就完成了任务请求，但是最后却被告知这结果并不是对方想要的？这种情况很常发生在初入数据分析岗位的新同学身上，原因归根结底就是没有做好问题定义！

40、在理解了需求所处的业务场景后，可以借助逻辑树工具来对问题进行拆解，拆解的过程尽量要遵循MECE、“相互独立,完全穷尽”的金字塔原理。

41、如果说前面定义问题是明确做什么，那在这一步就是要明确做到什么程度？

42、比如面对销售额下降的问题，做数据分析，最终是产出一份数据分析报告就好了，还是说需要介入到测试实验，给出增长策略？如果是后者，那对销售额的提升幅度要提升多少才有价值？是不痛不痒的1%还是要达到显著的10%？

43、如果不在价值层面做思考，并付诸价值落地的行动，最后很容易产生“价值在哪”的灵魂拷问，面临被优化的风险。

44、在业务理解阶段，我们是站在业务层面与需求方沟通，但是数据分析的核心部分都是在数据层面进行的。所以在正式开始分析之前，我们需要把业务需求转成数据需求，这个过程就是数据探索。

45、拿到业务需求时的定义问题阶段，需要数据的辅助：用数据透视业务，判断现状与描述是否一致。比如，业务说销售额下降了需要分析，但是这个下降是和谁比？环比下降但是同比提升，同比下降，但是和竞品相比是提升的。

46、这个步骤比较多的是使用探索性数据分析（Exploratory data analysis），或者说通过常见的统计指标来对数据现状进行剖析。

47、如果说第一步是在用数据验证需求的有效性，那这一步则是真正把业务问题转为数据需求。

48、此外，还需要判断数据质量及能做的特征工程，比如某些字段缺失率太高，这会影响特征的构建。

49、了解业务、明确数据需求后，就可以挑选合适的武器（分析方法、模型框架）上阵。

50、指标的好坏、特征是否显著等都可以通过比较分析的方法来实现，比如常见的归因业务场景，本质就是做比较，通过横向、纵向的比较找出原因。

51、分析方法：比如T检验、方差分析、同比环比、同期群分析等

52、分析变量之间的相关性是重要的分析场景。比如业务中想知道提高广告预算是否能、甚至是能提升多少的销售业绩？这样的相关性分析或许能找到最优投放ROI的配置方案。

53、分析方法：卡方、皮尔逊(Pearson)相关系数、斯皮尔曼(Spearman)相关系数、结构分析等

54、不论是对企业销售的预测、还是对用户行为的预测，都能帮助提升业务效率，比如常见的预测用户流失分析，及时得到高概率流失的人群名单，运营通过提前营销干预，提高用户留存率；常见的销售预测能帮助企业在供应链侧做准备。这类场景主要应用的是机器学习中的有监督分类模型。

55、分析方法：线性/逻辑回归、决策树、时间序列分析、贝叶斯等；

56、前面三种都是基于企业已知模式的分析逻辑，还有一种分析方法——无监督的机器学习模型，可以应对未知模式的分析。比如不知道应该把现有人群分成多少个组来进行营销最合适，就可以对人群基于核心特征做无监督的聚类分析，得出有效分组的界限。

57、分析方法：Kmeans聚类、DBScan聚类等；

58、交付落地的最佳实践是让数据和分析从理论渗透到业务中，对流程进行变革提效。

59、在交付给业务之前，需要先对给出的解决方案做有效性评估：

60、分析如果涉及模型的开发使用，需要通过AB测试，或者ROC等指标来证明模型在数据层面上的有效。在数据层面完成验证后，回到业务分析需求，评估交付的方案在业务层面上的有效落地。

61、数据分析是围绕业务价值而展开的，所以在最后的落地，也得就价值进行讨论，回答这个方案解决业务问题的途径和程度：

62、 A.途径是对流程的优化（降本提效）还是对数据的优化（数据体系效率、数据质量）？

63、 B.这方式能多大程度上帮助解决？比如对业务的提升是10%还是30%？是对单次项目的应用，还是说可以部署到日常流程中，在更长时间、更广范围内影响业务？

64、 C.此外，要实现这样的效果，需要投入的资源是什么

65、分析项目的落地需要多方参与，即使是业务能力丰富的分析师，由于流程边界的存在也不可能每步都参与执行。因此，确保项目能否有效落地的一个重要因素则是能否和业务达成共识。

66、如何做到？讲数据故事：起因(需求定义)、过程(分析逻辑)、结局(重要结论)是否引人入胜(被认可)。

67、这个过程需要制作PPT向上汇报、与业务沟通，甚至是做跨部门的演讲。

68、不论是业务模型还是算法模型，最终都有一个“靴子落地”的过程--落地实施。模型测试有效、与业务达成共识后就到了模型的部署上线阶段：

69、接在分析生命周期最后的是分析产品的生命周期：以产品的思维看待数据分析，交付至业务落地的模型应用就是产品。数据分析这个过程并不是静态、单次的，而是一个PDCA不断迭代升级的过程。（这个分析产品的定义包括分析服务、数据产品。）

70、从产品思维的角度，分析结论落地到业务流程中，对流程进行再造，提高运营效率。

71、当数据分析流程成熟后，大量重复执行的流程可以抽取出来，形成自动化的产品，用于服务数据分析（主要对象为数据分析师，也包括运营），这就是数据产品。分析师的结论模型就可以部署到现有的数据产品中，优化分析效率。

72、之所以要从产品思维的角度来看数据分析过程，是因为要像迭代产品那样去迭代分析模型：不论是优化算法参数，还是调整分析框架，都能得到更优的结论。

73、在数据分析生命周期第一步的“理解业务”中，我们提到业务场景的重要性。

74、根据业务经验，笔者沉淀了一套便于理解的模型：业务场景=用户产品场景

75、也就是说，要理解业务，就要了解用户，熟悉产品，明确分析所处的上下文场景。它们决定了分析的目标、处理逻辑以及落地建议。

76、更详细的讨论见：回归到营销理论，谈谈到底什么是业务场景？

77、对数据分析有了底层认知、了解业务场景后，就需要有看得见摸得着的“招式”来行动：思维方法、工具技术和项目能力这三板斧能组成不同招式应对多变的问题。

78、经常看到有人说数据分析如做饭，如果是这样的话，在数据分析这个厨房里，工具技术就是锅铲、铁锅、勺子等器皿，思维方法就是切配、烹饪、打荷等技艺手法，项目能力则是最后的装盘上菜。

79、很多人学做饭，可能是因为在抖音或B站看到某个美食视频，然后就开始按照视频步骤备料烹饪。这个过程，也就是数据分析中学习思维方法的过程。数据分析也是先有思维方法，才能谈得上是分析。

80、刚开始学做饭时，通常先学基础的煎、炒、炸、烤、煮、蒸、焖、拌烹饪方式。这些基础的能力在数据分析中就是统计学、相关分析、归因分析等通用分析思维。

81、正如美食有八大菜系，分别满足不同地域人群的口味，数据分析在不同场景下，也有不同的“分析”招式来满足不同的业务需求：

82、习得了做饭的方法后，就可以选择几件趁手的器皿，来提高烹饪效率。

83、之所以不是先选择器皿再研究做饭流程，是因为工具始终是工具，完成同一个目标或许有多种工具可以实现，再不济我用原始的土灶也能烧饭。

84、不过对于部分复杂的烹饪需求，也是需要选择特定的器皿才能完成。

85、菜做好后一定要及时出锅、装盘、上菜，要不然再美味的菜肴也只是空中阁楼。

86、项目能力强调的是数据分析项目的落地。理论的分析方法如何在业务场景中落地赋能，体现数据价值？这是很多企业数据团队在讨论的课题。

87、说项目能力像是烹饪最后的上菜阶段，其实不太严谨，因为落地能力是一种软性的能力，贯穿分析项目的整个过程：

文章结束，欢迎大家转发。