资讯动态 第2页

随着人工智能技术快速发展，在线教育领域也迎来了崭新的机遇和挑战。而数据收集和分析作为AI教育中不可或缺的环节，起到了至关重要的作用。通过有效地获取、整理和分析学生相关的定量和定性数据，可以为每位学生提供贴合其具体需求和潜力挖掘的优质教育服务。

本文将深入探讨AI教育中数据收集与处理以及机器学习算法在个性化学习中的应用，并分享一些成功案例和实施建议，希望能为推动AI教育发展提供启示与指导。

一、数据收集与处理

在AI教育方向中，数据收集与处理是非常关键的一步。通过收集学生相关的数据，可以更好地了解他们的学习情况和需求，以便针对性地提供个性化教育。

1.1 学生数据来源

学生数据来源广泛且多样化。其中包括课堂活动、在线交互和作业等各种渠道。例如，在线学习平台可以记录学生在视频课程中观看时间和完成进度等定量数据，同时还能获取学生对课程内容的评论和问题反馈等定性数据。

1.2 数据类型、数据清洗与预处理

这些收集到的数据又可分为两种类型：定量数据和定性数据。

1. 定量数据主要指一些具体数值表达式信息，如成绩、答题时间等；

2. 定性则更偏向基于人类经验或判断形成的描述,如学生反馈、行为模式。然而，在使用这些混合类型的数据之前，我们需要进行必要的清洗和预处理工作以确保其准确有效。

• 去除异常值（outliers），避免干扰后续分析工作并引起错误结果。
• 填补缺失值（missingvalues），确保完整性和准确性。

案例：D2L公司的个性化教育平台

实际上,一家名叫D2L的公司正专注于利用AI技术提升教育领域的效率和个性化程度。该公司开发了一套名为Brightspace(图一 Brightspace在线学习平台)的在线学习平台，它集成了先进的数据分析工具，能够收集并处理大量学生数据。通过对课堂活动、在线交互和作业等数据进行清洗与预处理，Brightspace能够帮助教育者更好地了解学生的学习情况和需求，并根据个人差异提供定制化的教育方案。

总之，在AI教育方向中，数据收集与处理是实现个性化教育目标的重要环节。通过有效地获取、整理和分析学生相关的定量和定性数据，可以为每位学生提供贴合其具体需求和潜力挖掘的优质教育服务。

二、机器学习算法在个性化学习中的应用^[1]

借助机器学习算法，AI教育领域探索了许多个性化学习方法。这些方法通过分析和利用大量数据来确定适合每位学生的课程或资源，并进一步根据不同特征进行群体比较与差异分析。

2.1 基于监督学习的个性化推荐系统

基于监督学习的个性化推荐系统将考虑到学生成绩和兴趣等因素，根据已有数据和模型进行预测，从而为每位学生提供适合其需求和水平的课程或资源推荐。

实际案例：Coursera（优达）公司开发了名为“SkillBlue”的在线平台。该平台使用监督式机器学习算法分析学生的成绩数据、兴趣和相关指标，并针对他们的需求推荐最合符的学术或技能课程。这种个性化推荐系统提升了用户参加或完成教育内容的动力和准确性。

2.2 基于聚类分析的群体比较与差异分析

基于聚类分析的个性化学习方法将学生划分为不同群组，以发现他们在不同特征下受到哪些因素影响并可能获得更好效果。这种个性化学习方法充分考虑到学生的个人区别和特点，并根据不同群组的结果提供相应的教育措施和支持。

2.3 组合决策方法

利用深度强化算法等组合决策方法可实现对高质量配套资源的自主选择。这些决策模型通过考虑资源之间的序列关系，并根据预设目标来进行选择和推荐，从而进一步提升个性化学习体验。

强化深度算法

实际案例：EdTech公司开发了名为“EduSmart”的在线教育平台。该平台采用了深度强化算法来设计自主选项，帮助学生在完成课程时可以根据需要、进展和偏好进行定制路径规划，并灵活地选择符合他们当前状态和目标的高质量教育资源。

在AI教育方向中，机器学习算法在个性化学习中发挥了关键作用。通过基于监督学习的推荐系统、基于聚类分析的群体比较与差异分析以及组合决策方法，能够更好地定制教育方案和资源选择，提供个性化的学习体验和优质教育服务。这些技术应用不仅改进了在线教育平台的效果和用户满意度，还为每位学生创造了更加适应其需求和潜力开发的学习环境。

三、AI教育方向的科普文：面临挑战及解决方案

尽管AI在教育领域取得了显著进展，但也面临着一些挑战。这些挑战涉及到学生隐私保护、评估指标建立以及数据偏见问题等。针对这些挑战，相关领域提出了一些解决方案。

3.1 隐私问题与数据安全保护

当收集和处理学生数据时，确保学生隐私并维护数据安全是至关重要的。^[2]

实际案例：Knewton公司开发了个性化在线学习平台。为了应对隐私问题，他们采用匿名化和加密技术来处理学生数据，并设计强大的防火墙和访问控制机制来确保敏感信息不会被滥用或泄露。

3.2 建立有效评估指标

为了衡量个性化学习中的进步，需要建立有效的评估指标。

实际案例：KhanAcademy（可汗学院）推出了反馈系统，在线课程期间跟踪记录每位学生完成情况，并根据其表现提供具体反馈以激励持续进步。同时还通过考试成绩、项目作品等方式进行定期评估，以便更全面地了解学生的学习成果和能力提升。

3.3 数据偏见问题

在学生数据分析过程中，可能存在样本不平衡和算法潜在偏见等问题。

实际案例：CarnegieLearning（卡内基学习）公司开发了名为“MATHia”的数学个性化学习系统。该系统致力于减少数据偏见，并通过多维度的评估来消除各种潜在因素对结果的影响。他们不仅对模型进行经常审查，还与教育专家合作确保其公正性和有效性。

3.4 大规模部署难题

将AI教育推广到大规模应用受到人力资源、技术要求和运营支持等方面的挑战。

实际案例：EdX是通过合作大学提供在线课程的平台之一，在面临大量注册用户时采取云计算技术扩容处理，并建立强大而稳定的服务器架构以适应高流量访问需求。

尽管AI教育方向面临一些挑战，但相关领域已经意识到并积极努力解决这些问题。通过采取匿名化和加密技术来保护隐私与数据安全、建立有效的评估指标以测量个性化学习成果、克服数据偏见问题，并应对大规模部署带来的挑战，AI教育可以获得更好的效果和可持续发展。关注这些解决方案并不断改进将推动个性化教育成功走向实现，为每位学生创造更有意义、贴合其需求和潜力开发的学习环境。

四、成功案例与实施建议

4.1 美国、中国等国家或地区的AI教育项目成功案例分享

在美国和中国等国家或地区，有许多令人瞩目的AI教育项目取得了巨大成功。以下是一些有关这些项目的案例。

（1）Coursera

Coursera是一个全球知名的在线教育平台，为学生提供各种主题的在线课程。^[3]他们也推出了一系列与人工智能相关的课程，如机器学习、深度学习和计算机视觉等。这些课程由业界领先专家授课，并通过互动式实践来帮助学生深入理解AI技术。

（2）Goodera

Goodera是印度一家以社会责任为导向的企业，致力于通过技术促进可持续发展。他们开发了一个基于人工智能和数据分析的虚拟实验室平台，用于培养高中和大学生对科学、技术、工程和数学（STEM）领域的兴趣。该平台还提供个性化指导，并鼓励参与者积极参与社交活动。

（3）21世纪英才网

21世纪英才网是中国最具影响力的K12在线教育平台之一。他们通过人工智能技术解决了传统教育中的许多难题，如个性化教学、自适应评估和智能辅助答疑等。该平台还利用大数据分析来预测学生在不同科目上的表现，并根据这些情况提供相应的课程推荐。

4.2 实施建议：明确目标，逐步推进，持续改善

要成功实施AI教育项目，以下是一些建议：

• 明确目标：确定您希望通过AI教育项目实现的具体目标，并将其与组织或机构整体战略保持一致。明确而具体的目标可以帮助您更好地规划和衡量项目进展。
• 逐步推进：开始时选择一个小范围进行试点测试，以便观察结果并收集反馈。在验收成功后再逐渐扩大规模。这种渐进式方法能够降低风险，并让您有时间调整和优化方案。
• 持续改善：不论项目规模大小，在实施过程中都要积极倾听用户反馈，并采取措施进行改善。定期评估项目效果，并根据结果进行调整和升级，以确保持续发展并与技术的最新进展同步。

通过以上成功案例和实施建议，我们可以看到AI教育在全球范围内正不断取得突破性的进展。无论是在线课程平台、虚拟实验室还是智能辅助教学系统，在这些项目中，人工智能技术为学生提供了更个性化、灵活且有效的学习体验。对于推动21世纪教育转型和培养具备未来竞争力的人才都起到了积极促进作用。

五、AI教育中数据收集和分析的发展趋势

5.1 AI教育中数据收集和分析

随着人工智能技术在教育领域的广泛应用，数据收集和分析将成为AI教育的关键。^[4]以下是一些未来发展趋势：

• 大规模数据采集：随着在线学习平台和虚拟实验室的普及，大量学生产生了海量的学习数据。通过使用机器学习算法，将这些数据进行分析可以揭示学生在不同主题和任务上的优点和缺陷。
• 学习过程可视化：通过监控学生在教育软件中进行活动并记录其行为（如点击、停留时间等），可以提供有关其学习过程、困难点以及可能需要加强训练或支持的方向信息。基于这些信息设计个性化指导策略。
• 自适应评估：利用自然语言处理技术对文本回答进行评价，并结合机器等级制定个性化反馈计划。同时，还可根据过去表现预测出后续走向，并针对特定问题设计解决方案。

5.2个性化学习是否为学生成长和学术成就带来了积极影响

个人化学习是AI教育的核心理念之一。通过根据学生的能力、兴趣和学习风格定制课程内容和进度，个性化学习为学生成长和学术成就带来了积极影响。以下是相关数据支持这一观点：

• 独立研究机构Gartner预测，在2023年，全球90%以上的K-12教育将使用个性化教育技术。
• 一项由美国在线科技公司Study.com进行的研究发现，采用个性化学习方法可以提高大约30%至80%之间不同类型的考试成绩。
• 韩国首尔市政府在实施AITutor教育项目后宣布，《语文》科试卷平均分数从48以上跃升到75，可见个性化辅助对于提高考试表现具有重要作用。

综上所述，AI教育中数据收集和分析将呈现强势发展，并将促进更加精准、个性化的教育模式。同时，通过实验与研究得出结论表明，个性化学习为学生成长和其在各种考试中取得优异成绩提供了显著的积极影响。随着技术的不断推进和研究成果的逐渐落地，我们对AI教育达到更高水平和更广泛应用持有乐观态度。

参考文献：

[1]黄兵兵. 二值矩阵补全在个性化学习中的应用研究[D].华中师范大学,2018.

[2]陈强.美国高等教育数据系统中的信息安全和隐私(一)[J].中国教育网络,2016,(11):28-30.

[3]刘小平,唐敏,李燕.慕课(MOOC)的发展对传统大学英语课程设置和课堂教学的挑战[J].兴义民族师范学院学报,2015(01):72-74+117.

[4]李海东,王潇筱.“AI+教育”，加速传媒院校教育模式变革和生态重构[J].中国传媒科技,2019(07):79-82.DOI:10.19483/j.cnki.11-4653/n.2019.07.024.

传统房地产在开发建设过程中，重点一般都是放在销售类产品的货值货量盘点统计，但是在目前竞争愈来愈激烈的市场环境中，我们需要对非销售类的自持产品，甚至对于“边角料”公建配套等不可售产品，进行资产盘查。通过资产盘查后，我们能清楚知道自己的家底，然后方便进一步进行经营规划和资产运营。

一、怎么去定义房地产资产管理

• 房地产行业一直在提的资产管理，指的是：企业对于自己拥有或控制的资产（建成的住宅、大楼），通过一系列经营手段来实现资产保值、增值和收益。
• 和现在的写字楼物业管理、商场运营管理的区别？实际上并无差别：资产管理的范畴中就包括了物业管理与运营管理！

从现在的市场情况来看，现在的写字楼物业管理、商场运营管理，很多都是由写字楼或商场的持有方/运营方发起的。房地产公司一般会通过成立自己的物业公司/经营公司，或者委托第三方公司，来负责旗下资产的物业管理服务或者是运营管理。其目的都只有一个，实现资产保值、增值和收益。

在传统地产的系统IT建设过程中，往往会有营销系统承接可售房产，租赁系统承接租赁房产，商管系统承接商铺写字楼，物业系统承接物业房产，还有一些架空层、物管用房、空地有可能没有系统承接管理等等。所以存在大量房产重复或者缺失的情况，这种情况下我们需要对房地产进行资产盘查和数据清理。

二、资产清查范围

1. 项目范围

一般首先会去针对全部重资产的项目（开发类项目，或者明确为有实际地块进行关联的项目）。而轻资产项目由于其特殊性，则一般作为后续第二批进行清理。

重资产是指持有实质性的房地产资产，包括住宅、商业地产和工业地产等。重资产投资者通常会直接购买物业，然后进行装修、管理和出租，或进行物业的长期持有和升值。重资产投资的特点是投资大、风险高，但长期回报潜力大。

轻资产则是指不持有实质性的房地产资产，而是通过与其他机构或个人合作，以管理、咨询或品牌授权的方式参与房地产业务。轻资产投资者通常不购买物业，而是通过提供服务或品牌，从物业租金或品牌使用费中获得收益。轻资产投资的特点是投资小、风险低，但长期回报潜力相对较小。

2. 产品类型范围

清查的产品类型一般会包括：商业（商业中心、商业街、附属商业（含底层商业）、其他商业）、写字楼、酒店、仓库、厂房、研发办公楼、农场、地下室（不含车位）、公共配套（含幼儿园、学校、医院、综合楼、宿舍、交通中心、肉菜市场、污水处理厂、产城大型展厅、体育中心、立体交通、市政公园、智慧城市、道路桥梁、高尔夫球场、邮电局、物业配套）、以及政府要求自持或暂不计划出售的住宅（洋房、别墅、公寓）。

三、资产清查步骤

1、可售资产可以参考售楼系统的数据进行整合盘点。

2、租赁资产可以参考租赁系统的数据进行整合盘点。

3、物管资产可以参考物业系统的数据进行整合盘点。

4、主数据系统可以补充一些目前尚未管理到的房间。

5、由于资产颗粒度不一致，有厂房或者商业街以及公建配套，建议统一到户的层级，也就是说，即使是厂房，也需要在该楼栋下创建一个虚拟户作为资产进行承载。

6、清理到户规则：

资产到户的时间节点：拆分至【户】的引入时间节点为“施工阶段”（该阶段未有户的面积）且建议由项目部团队搭建；营销团队取得“预售证阶段”引入【户】面积；不可售部分建议由营销统一维护；可售资产必需拆分到【户】，以营销系统数据为准，一个房间代码视为一【户】；不可售资产需拆分至产品楼栋，一个产品楼栋视为一个【户】（虚拟），如一个肉菜市场视为一【户】，无需拆分至每一个摊位号。

7、数据填报字段及规则

①凡涉及资产面积的字段，统一计量单位“平方米”,如预测建筑面积、预测套内面积、预测公摊面积、实测建筑面积、实测套内面积、实测公摊面积。

②凡涉及金额的字段，统一计量单位“元”，如可售货值、评估价值、签约金额、已回款金额、其中：本年回款金额、土地成本（管理口径）、分摊前总建设成本、分摊给其他可售产品的成本、分摊后总成本、集团已定的回购价、运营含增值税收入（不扣减所有运营支出）、运营支出（日常运营费用、除所得税以外的税金、实际缴纳的增值税等，不含折旧和利息）、运营净收益。

8、资产数据清理

按照主数据标准，如果管理到房间颗粒度，则面临房间的历史数据清理工作。首先先要厘清各个产品业态下是否都已经完成【户】的创建，其次针对下游系统，售转租、租转自持、转可售的房间使用状态的转化，要进行一轮去重。最后，针对“一户一卡”的资产管理，可以盘点出房开类的资产全集。

9、整合资产形成资产看板

当完成资产盘点后，我们可以利用不同的统计口径，例如按照项目-产品类型的维度统计目前地产公司有多少架空层，针对这部分空置闲置的架空层我们是否可以进行租赁管理。又比方说，针对闲置的写字楼，我们是否可以考虑降价处理，或者转为自持办公等等。另外，我们还可以按照产品流向的口径去统计，某区域公司的销售类流向货值和租赁类货值的情况进行统计分析，来即使调整经营决策。

四、总结

房地产行业由于其行业特殊性，在进行资产管理的过程中，与其他行业不太一样。且由于地产具备一定的金融属性，所以管理的及时性和准确性更为重要。我们在梳理的过程中，第一要框定资产管理的范围，其次要对业务对应的IT系统数据进行整合清理，最后才能盘清其家底。由于工作量较大，涉及的管理系统也会比较多，特别是针对变动比较频繁的租赁系统物业系统，需要拟定出一套行而有效的管理规范。

近期一直在思考关于数据服务的话题，一是自己这些年经历的这些公司的数据部门都是一种被用户摧残的感受，不论是在大公司中公司还是小公司，自己做了很多数据的工作，但用户并不买账，对数据缺少信任，价值感和认同感严重缺失。另一方面从用户的感受来看，他们也不是无端的责备，而是切实有数据应用的痛处。

仔细深思这个现象，到底是哪里出现了问题？为什么我们都很努力的去解决问题，但还是达不到皆大欢喜的效果？基于最近的工作和对以往的回顾，我认为可能是我们忽视了贴身感的数据服务。缺少从全局视角深度的设计数据服务，没有做好数据建设与数据应用的桥接。如何帮助一个非专业的小白用户用好数据是我们都知道的，但从来没有在数据的工作的每一个细节中都渗透这个概念。

从用户的数据使用体感来说，就我自己也有过非常不愉快的体验：使用某数据系统前要考试，不及格不能使用；遇到一个问题，需要自己找到和这个问题相关的所有产品、研发，历经七七四九劫难才得以解决；要想晋升必须通过XX的学习并认证通过；想想这些与数据、产品完全不搭调的绑定动作就很领人厌恶。我是一个平时极少用到数据的产品经理，但晋升必须通过中台的工具考试才可以申报，想必此时任何一个人都会骂上几句吧。

数据服务，也许是我们平时忽视的事情，可能它看不见摸不着，但是它就像一个人的表情，带给你的是一种感受，切实存在着。

一、用户的烦恼

最近我和朋友都在周末遇到了用户反馈的系统或者数据问题：

朋友负责他公司的某个系统，由于用户的操作不当，导致系统出了问题，数据有很多没有采集上来，下游的指标数据出现错误。可解这个问题的过程让用户特别糟心，用户通过ONCALL系统寻求帮助，可惜系统没有周末值班人员，然后他们就通过各种方式联系到了产品负责人，但产品负责人只负责产品问题，数据的问题涉及到一些技术问题，分管这块的技术负责人和产品不是一个部门，所以用户又通过产品负责人的连线到了技术负责人，就这样，用户自己前前后后打了10来通电话，联系到了系统的所有负责人，等了大半天，才算解决了部分问题，但数据的恢复工作还需要再等到第二天才能完全恢复。

事后同事跟我说，这个业务的用户感受非常不好，如果不是平时关系还不错，肯定要向上投诉的。他说最烦的是他是一个用户，解决问题的全程都需要自己来协调处理，可作为系统方，没有一个全局人或者接口人能够帮助协调，这一点着实令人气愤。就如同去4S店保养汽车，从进入4S园区开始，一切汽车保养的流程都需要靠自己协调来完成：找前台、描述问题、分别找不同的保养师傅、自己开到洗车区、缴费、自己打开停车场出门杆..

二、你到底服务与谁

现在绝大多数的中大型公司都有非常长的数据加工流。如果看一个报表的制作，大的模块上来看，就有数据采集、加工、分析、可视化4个步骤，每个步骤下还有很多细分领域。随着公司组织的扩大，这些细分领域都需要细分的角色来完成流水线上的每一步动作，每个角色的工作都非常的专精化，例如做埋点的专职做埋点、做数据加工的专职做数据加工、做工具的专职做工具，甚至一个大型的产品、项目需要多角色协同完成，比如工具的建设，同时需要研发、产品和测试3个角色。

所以这些数据流水线上的角色服务范围只是流水线的一段，它不是全局。每个角色专精在自己工作领域内，但他可能对自己确切的服务对象并不是了解的很清晰。还是拿埋点来举例子，专职做埋点的人，他直接服务的对象是谁？他是否和用户有直接的联系？是否有明确的服务动作和服务流程？

服务的灰区

另一方面，对于数据的应用方来讲，绝大多数的用户是不知道流数据水线有几个角色，他们之间是怎么协同工作的，他们不是数据方面的专业人士，发现问题只能看到问题的表象但是不能拆解问题定位到数据流水线的具体哪个角色上。如果出现了数据问题，在流水线的一侧我们没有设立好问题的对接机制和流程的话，用户体验就会非常糟糕，随着长时间处理问题，他需要了解流水线是怎么运作的，出了问题如何定位到具体的流水线角色。

这就产生出服务的灰区，流水线上的角色，或许从来没想到过自己的客户是谁，也没人告诉他，我的上下游是谁，明确的边界在哪里，以及到底有哪些动作是要协调工作的。协同工作偏“感性”，很多日常事务没有明确的规章制度，基本上口头相传，工作中不懂就问，出现问题临时拉群，临时性随意性占据主要成分。

三、服务均衡

之所以会有用户认为数据难用，工具不好使，一方面确实是数据部门在数据服务和用户成功方面投入的太少，另一方面数据部门的人力资源不足与组织设定的不匹配也是重要的原因。

数据部门从公司建设初期到成熟期的发展，也是结合不同的需求来进行人员的组建和调整的。绝大多数公司是以数仓当核心，围绕数仓进行拓展建设，数仓是核心团队，他们掌控着全量数据的采集加工和输出。

假设公司只有数仓团队，公司的数据也是可以运转起来的。因为用户可以“张口就要”：我要XX天的销售数据；你帮我做一个运营日报；下周要进行季度总结，需要上经营分析大会，你帮我准备一下数据….

索要过程是简单的，只要结果，减少非专业用户在此投入的精力，本身符合人性，也符合经济学规律。如果你能通过数据告诉我下一步做什么，那再好不过了，之所以chatgpt能够给人如此大的期待，就是相信随着发展，它能有一天最大限度的给与用户在数据应用的场景上做到秒级的“张口就要”。

现实情况是，数据的需求是多样化的，临时性的，不可预测的。所以我们在消化数据需求的过程中，必然会产生对需求的理解，以及对它们的定制化开发。

需求不是批量生产的过程，随着公司规模的扩大，对数据有需求的用户越来越多，但数据团队的人并非是同一时期稳步增长的。原本因为数据需求的不确定性导致数据部门疲于应对数据需求，如何能够高效的解决杂乱不确定的数据需求是数据部门的一个较大的挑战。

如果数据需求过多，解决需求的耗时过长，就会进入到需求做不完，一个“简单的”需求要T+1周起的状态。

不论是数据部门，还是用户，从体感上来讲，都会很差。数据部门的人每日重复工作，大多数是提数、报表等数据处理工作，然后就会出台一些列的限制性条约来约束用户的数据需求，例如给个表单，所有信息填清楚才可以开发需求，然后走排期流程等，至少需要用户想清楚再提，至于数据问题、数据、产品易用性等服务所投入的资源就更少了，自然达不到“服务”的标准。

用户也不敢轻易的提出需求，对数据的应用心态逐步演变成了尽量自己解决，疑难杂症再去寻求数据部门的帮助。随着时间的变化，数据部门和用户之间默默的达成了服务均衡状态。

所以让用户自己学习数据知识、工具，自己实现部分的数据诉求，是有原因的。

四、服务端到端

如酒店饭店、火车站、飞机场、游乐园等大型机构，它们所提供的服务感就很好。

例如你去火车站，车站里的标记会指引你如何进行安监、买票、进站、乘车。与其配套的还会有固定的咨询点、贴在墙上或者大屏幕上的各种服务电话，随时来应对你遇到的各种问题。你无需了解火车站的运转逻辑，你也无需关心火车如何调度，工作人员是如何排班的。

我认为如果作为一个普通人，除非兴趣使然，如果你在使用一个实体服务前必须了它的工作原理，从体感上来讲，你获得的服务感受一定是不好的。

我们去机场，核心目的是登机，除了登机之外的事情，都不应该是你需要特意了解的，理应是顺其自然。增加被动需要就增加了服务成本，例如安检，它是必要的，但是它和登机本身没有直接关系。

对于服务，我想以端到端的方式来理解。完成一件客户服务，其实就可以比作买卖，一手交钱，一手交货。明确客户的诉求，然后交付诉求，中间不掺杂任何其他的过程和行为，这是最简洁、纯粹的服务。

但在公司的数据服务层面，绝大多数的公司，几乎都缺乏明确的数据服务体系，更难做到端到端。这个并不难发现，很多公司会明令要求一些非数据专业的数据应用者去学习很多数据课程，还需要有强制考试，甚至是在使用某些产品之前先需要经过考试并且及格才能使用。这些不但是典型的非端到端服务，硬是把用户的“客户”身份变成了参与者，他们不得不去花时间精力去学习考试，增加了很多的学习成本，并占用了本该去做本职工作的时间。

我们经常会“教育”用户了解BI工具，了解数据中台，了解OLAP是什么，了解维度、埋点，但作为业务，他们真的需要了解这些吗？

我们换一个场景，作为一个汽车的拥有者，我需要了解CVT，可变正时，空气悬挂，托森差速这些知识吗？回归到出行工具的本质，我只需会驾驶它，是不是就足够了？所以驾校的学习是必要的，汽车知识的学习是“非必要”的。在数据产品和服务的过程中，我们是否能够区分出哪些是必要的，哪些是非必要的？

是否可以调研一下这些被迫学习的非专业用户，他们有多少人是自愿来学习的？他们诉求是不是想要时就能提供，到手就用，而无需任何学习成本？

五、用户成功

我相信绝大多数产品人在产品创建之初的核心目标是帮助用户解决实际问题，深入到用户的场景中去，让用户能够成功。

公司内的数据部门，几乎不存在用户成功团队，所有跟用户的交互，不是在会议室、社交软件上沟通，就是产品的直接交互。主动的触达与体系化的辅助工作是完全没有的。在前几年很多公司几乎不设立内部工具、内容的运营团队，数据更是如此，用户成功团队几乎更不可能。

用户成功和运营团队的工作是不同的。运营的目的是让用户更了解产品工具体系、内容体系，更偏重“批量统一模式”。传统的对工具的运营方式是工具的培训、内容的推送、系统的迭代更新发版、深入一点的会有用户关系维系等。但这些并不能很好的帮助用户建立产品心智。因为很多运营手段都是“批量给与”的，例如统一的培训，产品宣讲，甚至是产品调研，这些手段本身并不精益。虽然它可以解决一些通用性问题，但很难做到用户和产品的完全结合。

我们自己问一下自己，是不是我们自己做了很多运营动作后，就很难深入下去了？有一种使了很大力之后，没有任何回响的感受？

例如产品培训，做了一期、两期、三期之后，似乎咨询量一点没少，该问的还是会问？

而用户成功，则需要站在用户身旁，与用户一起达到目标，需要深入。这里讲究的是一个换位或者伴随的过程。在把产品交给用户前，可以问一问自己：

• 你知道用户在该场景下，都要做哪些事情吗，没有产品或者你以及你的服务，他们怎么把事情跑起来？
• 他们遇到了问题，怎么去解决？
• 他们工作中的上下游都是谁，组织间是如何协同的？

帮助用户成功的过程，首先要有足够的观察，观察他们在没有产品时，是如何运作的。然后进行深入的分析，明确他们想要什么，我们的产品能在哪个环节渗透进去，渗透进去的效果是什么。

用户成功与运营的本质不同在于，作为数据提供方，需要与业务制定共同的目标，在数据应用上能为业务提供什么价值，这个价值是双方认可的，由数据团队提供专业的辅导与产品方案，帮助用户独立或半独立的实现价值。

最关键的是，不能站在数据部门的角度去执行，要以用户的角度，拿来数据和工具后，怎么达到价值的视角来制定成功计划。

六、做好数据服务的一些思考

数据服务始终不是数据部门的主线，但如果稍加在此投入一些精力进行设计与实践，相信对于数据部门和用户都能够有较大的收获。

我想，要想做好数据服务，需要从以下几点来看：

1. 心态与价值共鸣

好的心态是好的服务的前提。在公司里很少有特定对心态的专业性建设的，一般都会去考量工作量和工作产出。

好的心态建设要体现在独立的个体与团队两方面。其中比较关键的是两点：一方面是自我认同，一方面是他人认同。

价值共鸣很重要，如果你去问问数据部门的人，你服务的用户是谁，你的价值是什么，想必有很多人是答不出来的。然后再去问问用户，你觉着数据带给你什么价值，这个价值是谁带给你的，他们可能会零星说出几个人，但基本上都是通过平时和他对接人的态度、交付质量相对感性的理解来判断的，是相对感性的，并不是服务体系整体的支撑产生的。

自我认同和他人认同都很模糊，自然就缺少相互的换位的思考。双方都清楚自身服务于谁，被谁服务，产生价值共鸣，对心态的正向引导是非常有必要的。

疲于应对需求，主张技术攻克，但缺少和用户联动，逐步进入被动状态，往往对心态或多或少的产生不利的影响。

好的心态与价值共鸣，需要从组织上切入。也需要组织的负责人来统筹规划，不能只盯着一些技术、运营层面的指标，而不关注这些深层次无法度量的事情。更要明确每个部门中角色的权责，定义好边界和流程，既是保护也是正义。

紧密的合作伙伴也是关键的要素，很多时候我们推出产品，目标用户有很多，反而没有核心的VIP用户，用户没有分层和针对性的深入，是很难找到价值共鸣的，VIP用户会明确你提供的服务范围，他更需要知道你能为他提供什么样的价值。

注意，价值共鸣不是跪着服务，而是相互尊重，相互成就。如果任何一方是单向的，都不会有价值共鸣。因为如果是单方意愿，那么你做什么都是被记为及格分，不会有优秀的感情分。

2. 从被动到主动

主动服务于被动服务是两个截然不同的状态，在这里特意拿出来说，是因为部门间的服务均衡往往是被动形成的，而不是一个服务部门主动规划形成的。对于业务的数据需求、数据能够产生多少价值，很多数据部门的掌控程度很低。它们不是没有技术、不是没有数据、甚至于存在很多技术大咖，但依然不能有效的掌控业务在数据上的应用体感。

例如数据出现问题，影响业务决策时，用户反馈给部门领导时，多数时候数据部门总是显得那么窘迫，而不是从容的对待。对需求，对问题，数据部门似乎极少时间能够有很强的掌控，所以数据服务的主动性掌控是非常必要的，不是你说了我做，而是你不说我也要做的转变。

对数据服务的掌控，也能够很好的规划出部门到底需要什么样的技术、人才、和组织形式，最终达到最大化效率和价值体现。

3. 整体设计

如何扭转被动性？需要在技术、组织、产品层面上进行整体的设计。它的设计需要有几个原则：

1、部门要给服务流出资源和精力，需要有人深入的思考，数据如何更好的服务给业务，转变作为数据提供者思维，站在用户视角看服务

2、需要深入的观察，观察业务是如何应用数据的，它们使用数据的深度是什么，如果能把使用深度分级，他们处于第几级？

3、需要量化业务用户的使用行为，能够在你不看见业务用户真人的情况下，详细的了解他们是如何使用数据的

4、寻求良性的服务均衡，减少迫于需求压力而导致的被动需求均衡，减少无需求的技术投入，增加投入的技术价值

5、增加主动服务的能力，以和业务融合的方式，帮助用户成功

6、寻找明确的价值共鸣，并传递至部门所有人

7、需要一个全局人，明确服务灰区，减少灰区间带来的服务断层问题

3分靠产品，7分靠运营，我相信在绝大多数产品让用户使用的过程中，都是一个非常适用的规则。

总的来说，数据部门在勤勤恳恳的设计数仓架构、优化突破技术方案、专心制作数据工具产品等工作之外，真的需要有一个固定的角色来从服务的角度审视我们生产出来的“产品”如何让用户“用起来”，切实的帮助用户产生了真正的价值。而不是9分埋头苦干做技术解决需求，1分处理客户关系及服务。避免在产出的过程中，因没有思考这些服务方式而让产品、数据离“易用”较远。

其实现实情况，想做到上面的事情是很难的，毕竟很多公司不是新公司，有很深的历史痕迹，打破重来很难，全局性的服务还要有产品工具的易用性、以及好的规则的延续、组织间权责明确、组织的稳定性等条件同时具备才能让好的数据服务成功的概率更大。

好的数据服务不是一蹴而就形成的，它需要用户的洗礼和时间的沉淀，能够在长时间周期中延续存活下来，就已经胜出了。未来借助人工智能，也许数据服务会变得更“单纯”、“简单”，可能不用和那么多服务角色打交道，只要做好知识库让机器处于活跃的服务一线，才是未来好的数据服务的终景吧。

一、什么是数据仓库？

百度是这样介绍的：

看起来有点抽象。

不管他，我们将数据仓库拆成“数据”+“仓库”，来理解。

继续百度。

数据：

仓库：

再简单上个仓库图，有画面感了！

数据+仓库，我们现在也可以粗暴的理解为“数据中转站”。

我们把仓库的描述进行拆分，通过对比数据仓库，来体会一下数据仓库是什么？

1）仓库的构成：库房、传送设施、出入库房的管道和设备、消防设施、管理用房

这里描述了货物的存储，出入，管理环节的基础设施。

那数据的存储，出入，管理环节同样也需要基础设施去支撑，数据存储在数据库或者文件系统里，数据通过ETL工具在数据仓库里流转，通过API对外提供数据，以及任务调度工具、节点管理工具去管理等。

2）按仓库存储的物品形态分为：固体、液体、气体、粉状物品

固体有固体的存储空间和方式，液体有液体的存储空间和方式，同样的气体、粉状物品都会有相应的存储方式。

数据也是一样，结构化数据可以存储在结构化的数据库，比如mysql，oracle等；文件等非结构化数据，也有相应的数据库去存储，比如HDFS，Hbase等。

3）按存储物品性质分为：原材料、半成本、成品

从加工的流程来看，物品在不同加工阶段，有不同的展现形式，数据也是一样，在原材料阶段，称为原始数据；对原始数据进行清洗，加工后，成为明细数据；对明细数据进行聚合，加工后，成为汇总数据；最后产出可直接应用的数据，成为应用数据。

4）按建筑形态分为：单层仓库、多层仓库、圆筒形仓库

对于存储不同形态的的物品，存储量不同，仓库也会有不同的建筑形态。数据仓库也是一样，根据应用场景，可以分为离线数仓，实时数仓，按照数据分层，可以分为贴源层，明细层，汇总层，应用层。

仓库有了，货物有了，还要考虑什么？

在现实生活中，每天都要存货，找货，出货。如何合理的存储货物，快速的查找货物，及时的把货物运出去才是仓库管理员最关心的。

数据也是如此，为了合理的存储数据，快速的使用数据，横向可对数据进行主题的划分，纵向可对数据进行层级划分（这里就不展开介绍了）。

经过以上对比介绍，大致就能理解数据仓库具体是干什么的了。

二、为什么需要数据仓库？

首先，数据仓库的典型用户是数据分析人员，使用场景是决策场景，那么企业为什么需要数据仓库，我们需要知道没有数据仓库前，数据分析是什么样的，就能知道为什么需要数据仓库？

这里需要先补充一下业务系统的范式模型是什么？

即指遵循3范式规则设计的表模型。

第①范式：列都是原子性的，即数据库表的每一列都是不可分割的原子数据项（为了消除冗余和方便查询，对数据拆分处理，主要是针对时间、地区等属性）。

第②范式：在1范式基础上，实体的属性需要完全依赖于主键全部，不能存在仅依赖主键一部分的属性（指不能只依赖联合主键的其中一个属性，只有一个主键可不考虑第2范式）。

第③范式：需要确保数据表中的每一列数据都和主键直接相关，而不能间接相关（消除冗余，降低实体属性和业务数据之间的影响）。

范式模型就像是异地恋，双方不在一起，只能通过电话联系，沟通效率不高，但是你也可以知道对方每天做了什么，吃了什么。但是范式模型是会关联多个哈，是个海王。

在业务系统中，范式模型强调减少数据冗余、单纯依赖关联关系，主要应用于在线事务系统。由于业务数据库是实时记录业务操作的，仅通过ID关联，在业务系统的各种实体属性修改时，不会牵扯到历史数据的回溯；以及业务数据修改时候，不会影响各种实体属性。

假设此时企业没有建设数据仓库。这时候来了一个分析需求，要求统计企业每个工程项目的物料使用情况和人力成本情况。

那么可能会遇到以下几个情况：

• 取数难：由于人资、物资、项目是三个子系统，你就得想办法去多个业务系统去搞生产数据，能不能拿到，需不需要审批，数据安全都是要考虑的问题。
• 分析难：每个系统的开发规则，规范程度、统计口径都不一致。你还要去做数据关系映射，了解原业务系统的数据逻辑，废了老大劲。
• 分析慢：由于业务系统是遵循范式建模的，发现关联了一堆表才能完成分析需求，分析时间长不说，还可能会影响业务数据库的稳定。
• 成本高：显而易见，在没有数据统一处理的情况下，这种分析需求费时费力，如果有更多更复杂的分析需求，该怎么办呢。

此时我们需要一个可以将各个业务系统数据集成起来，面向业务数据分析的，统一规划数据加工的规范，甚至是独立的，不会影响业务系统的数据模型组织方式。

数据仓库就是这样一种数据的组织方式，此处引出维度建模理论，那么维度模型是什么？

维度建模从分析决策的需求出发构建模型，为分析需求服务，因此它重点关注用户如何更快速地完成需求分析，同时具有较好的大规模复杂查询的响应性能。其典型的代表是星形模型。（来源大数据之路）

维度模型强调面向业务分析决策需求，提高数据查询的效率，可以减少关联，进行维度冗余。由于维度模型的数据具有稳定性，进入数仓的数据，不会发生修改，且数据都有历史记录，所以不需要考虑事实和维度之间的变化会互相影响。

但是数据冗余在提高查询效率的同时，也会增加存储成本。

维度模型就像是本地恋，恨不得天天腻在一起，去玩，去吃饭，相互之间了解的更多了，感情变好了，但是日常花销也变高了。

由以上问题我们可以推导出数据仓库的作用，以及为什么需要数据仓库？

• 隔离业务数据。
• 把散落在各个业务系统的数据集中起来，集中处理。
• 统一建模，沉淀数据处理的结果，降低重复加工。
• 提高数据的使用/共享效率，为企业决策提 供数据依据。

三、数据仓库有什么特征？

结合前两部分的介绍，我们总结一下数据仓库的特征：

• 面向业务的：根据业务过程对数据进行划分，让数据合理的组织和存储，方便快速查找和使用数据。
• 集成的：原始数据是从多个业务系统获得，要将这些来源不同的原始数据整合到一个数据库中统一处理。
• 稳定的：一旦进入数据仓库，就不允许被修改，一般的操作就是查询、定期的加载。
• 统一的：数据仓库可以对数据规范化、统一化处理，沉淀公共处理逻辑。

今天继续分享如何写数据分析报告。很多同学问：“静态数据的报告该咋写”。尤其以用户画像报告为甚。很多时候业务提了需求：看看我们的用户画像。结果写出来报告被批：我都知道了，你写这有啥意义。到底咋弄？今天系统分享一下。

一、没用的报告长这样

一提到用户画像，很多同学的报告都长这样：

• 男女比例4:6
• 30岁以上占比40%
• 平均年消费500元
• 活跃1个月以上用户55%
• ……
• 往往这种报告写得很辛苦，跑的数据很多。最后收获一句“我早知道了，你能讲点有意义的不？”

于是有些人认为：光提供描述性数据不行，那必须模型走起呀。最直接能想到的就是RFM，于是抽出R、F、M三个维度数据，每个砍成五段，5*5*5分成125个分类，再用聚类，搞成5大类，125小类，每一类都细心标注上：“这个用户买了1次500元，5天没卖了，所以得让他买！”

最后收获一连串连珠炮似的追问：

• 你说他买他就买呀！
• 买啥！哪里买！
• 咋让他买
• 咋通知他买！
• 不买又咋样！
• 买了又怎样！
• 他要是本来就会买呢！

……被轰的晕头转向……

到底问题出在哪里？

二、报告没用的核心原因

核心原因就一条：无判断标准。

• 男女比例是不是个关键问题
• 男女比例4:6是不是个问题
• 男女比例3:7又怎样
• 通通没有判断标准

让人看了觉得不着四六

有意思的是：监控数据是自带标准的。我们看一条曲线，即使没有定义一个“目标值”，曲线本身的变动也能成为判断标准。

对于销售额，利润，用户数这种正向指标（越多越好的指标），增长本身就是好的，增长的速度越快越好，绝对数越大越好。

对于成本、风险损失、投诉这种负向指标而言，下降本身就是好的，下降速度越好越好，绝对数越小越好。
当然这样判断是鲁莽的，有可能出现大涨大落的情况，但粗略地看是没问题的。

但大部分静态数据，没有标准可言。比如男女4:6，就一定好/不好？不一定。因此看到这种数据，无法形成判断，就很难产生价值。

况且业务部门本身对用户情况是有一定感觉的。比如：“我们服务的用户以女性为主”，即使不看4:6，他也知道是女性多，看到6和感觉差不多，自然会说：“我早知道了”。

至于那种“因为用户消费了1次500，所以得让他消费600 ”的判断，就更是就数论数，毫无头脑。数字只是一个记录，数字背后是一个真实的、活生生的场景。脱离业务场景空谈数字是没意义的。

就像你去吃面，进了面馆喊一声：“老板一碗牛肉面”，老板大喝一声：“不！你不要一碗！我们的人工智能高级大数据分析师说你需要2碗！给我吃！”

请问这时候你是啥心情……

所以破局的关键只有1个，就是：找标准。让数据表达含义，不仅仅是一串数字。

三、提高报告有用性的方法

首先要区分场景。注意，如果是第一次汇报，是可以用开头被猛烈吐槽的方式的。可能因为新换了领导，可能因为刚上CRM系统，总之之前业务方对用户情况毫无了解。这时候事无巨细地列一堆数据，是很有帮助的。能够让大家详细了解情况，建立认知。

但是从第二次汇报开始，就不能这么平铺直叙了；对那些已经了解情况的业务方，也不能直接这么丢大白话，我们找判断标准。常见的找法有这三种：

1、从问题找标准

2、从目标找标准

3、从业务找标准

当然，这三种方法都需要做到以下三点：

1. 数据与业务有充分的沟通
2. 了解业务背景（工作目标、设计思路、执行计划）
3. 了解业务运行基本逻辑及对应数据表

但是在很多企业，这三个条件不具备。

有可能是因为业务部门把自己当上帝，觉得自己全知全能，就差一个跑数的小哥了，招进来的不是数据分析师而是sql编写员；

也有可能是因为企业把数据分析师当上帝，觉得只要他做数据分析工作，他就全知全能，企业里其他人不张嘴，做数据的只凭一道金光闪过就无所不知……

总之，数据报告没用，数据与业务脱节，只能说明这个企业不行，业务和数据都有责任。与其相互甩锅，不如老老实实做好沟通，达到更好效果。

然而有的同学又说了：老师，明明是同一份报告，为啥有的人看了说做得真好，有的看了就喷没水平。感觉好难呀。那是因为说者无意，听者有心。能让全国人民开心的只有赵本山，你换了郭德纲都有人嫌他三俗，所以看菜吃饭是必须的。

近些年数字化、数智化被越来越多的提到，到底什么是数字化，数字化和信息化有什么差异，数字化是如何出现的以及数字化的出现是为了解决什么问题？相信有很多人都会有这些问题，那就让我们把这些问题做一个阐述说明。

01 数字化转型的发展过程

你知道吗，信息化一词最早是出现在上世纪六七十年代的日本，随后在80年代传入我国，逐步被政府和企业使用。“信息化”的英文翻译，仅在China Daily（《中国日报》）上，就先后有过Informationalization、Informationization、 Informatization、Information Technology 等4种译法。但对于这些英文词，其实国外专家基本听不懂，因为他们大都习惯使用数字化、信息、信息技术、信息系统等通用词汇，基本上不用“信息化”术语。

通过对文献的研究，政府在1997年首届全国信息化工作会议给出的定义是“信息化是指培育、发展以智能化工具为代表的新的生产力并使之造福于社会的历史过程。”从该定义来看，信息化的目标是指向智能化工具和新生产力的，是有相当的认识高度和一定前瞻性的。

国家对信息化的定义并未能在产业界形成共识，企业内部无法从如此高度认识信息化的价值，更多的企业只知道信息化这个名词，并不理解其真正内涵，但话又说回来，信息化能够让企业阶段性的解决其所面对的实际问题，至于其定义到底是什么又有什么重要的呢。可以说对于信息化的定义，从学术界、产业界到有关部门一直都没有达成一直理解。

信息化的过程从上世纪开始，一直持续现在，虽不太引入瞩目，但大多数企业也都在推进信息化的过程中。而数字化转型则是从19年消费互联网向产业互联网转变之后逐步被大家关注的，19年pony 马也是在知乎提出了那个很有热度的问题。

未来十年哪些基础科学突破会影响互联网科技产业？产业互联网和消费互联网融合创新，会带来哪些改变？

随后出现了疫情，让经济大环境出现了巨大的挑战，很多企业没有建立线上渠道，导致整个业务受阻，人们愈发的发现业务线上化的重要性。

我们从百度指数也可以看到这个现象：

从以上这些背景我们不难看出几个趋势：

1、消费互联网的发展红利已经基本消失，从增量市场变成了存量竞争的市场。消费端业务的线上化已经非常成熟，电商、支付、社交网络多已经高度发达，互联网的基础设施已经基本搭建完成。

2、消费端的需求从被发现到主动创造需求，以用户需求为中心的观点已经成为企业的共识。

3、企业面对的市场环境更加复杂、多变，黑天鹅事件层出不穷，企业稍有不慎将会快速被竞争对手超越。

再上升到国家层面也需要有一个弯道超车的机会，我们需要创造新赛道、新模式，让国内的企业能够和国际企业重新站在同一起跑线上。

基于这些趋势，数字化转型这个话题被人们重新拾起，放在了一个很高的高度。在这一轮数字化转型之前，企业说的更多是信息化，通过IT技术把业务流程往线上搬，让数据能够通过系统记录下来，同时让系统的使用人员可以快速、方便的获取数据。我们把信息化和数字化从几个方面做个对比，全面的看下两者之间的差异：

1、信息化更多的是企业内部业务的线上化；数字化是即对内部有线上化的要求，还需要把外部的合作伙伴也接入到线上化的系统中

2、信息化更多的关注的是效率、成本；数字化除了关注这两者之外，还注重提升客户的体验、决策的科学性、新业务模式的拓展、新的销售增长点的创造和挖掘

3、信息化是管理方式的抓手、工具；数字化转型是推动管理变革的动力

4、信息化是对员工及基层管理人员工作方式的变革；数字化转型更多的是对高层以及一把手的赋能和工作方式的变革。

从趋势以及和信息化的对比，我们看到了数字化转型是大部分企业的必然选择，通过数字化转型企业增加对客户、供应链以及市场其它主体的链接能力，提升企业内部业务团队相应客户需求的敏捷度，加强高层决策的科学性，从而实现重塑企业核心竞争力。

最后我们看下信息化和数字化当前的主流定义是在怎么样的。

1、信息化的定义

信息化是指培养、发展以计算机为主的智能化工具为代表的新生产力，并使之造福于社会的历史过程

林毅夫等指出：“所谓信息化，是指建立在IT产业发展与IT在社会经济各部门扩散的基础之上，运用IT改造传统的经济、社会结构的过程”

2、数字化的定义

数字化转型（Digital transformation）是建立在数字化转换（Digitization）、数字化升级（Digitalization）基础上， 进一步触及公司核心业务，以新建一种商业模式为目标的高层次转型。数字化转型Digital transformation是开发数字化技术及支持能力以新建一个富有活力的数字化商业模式

从以上可以看到，信息化注重的是对IT技术的应用，以及这种应用对企业、社会所产生影响的过程，概念相对抽象；而数字化则是更加的具体，它作用的对象是企业，是通过数字化的过程重塑企业的商业模式，形成新的竞争力。

02 信息化VS数字化

一说到信息化，我们肯定会想到流程梳理、标准规范的制定，把以前哪些人为控制的地方逐个翻出来，对其进行改造，然后在根据梳理出来的流程、标准、制度去上各种系统，什么ERP、MES、CRM等等，上这些系统其核心的目的是让管理方式有抓手能够落地，通过上系统让标准规范能够固化起来，尽量的能够落到业务实处，减少沟通成本，说白了信息化是管理方式落地的手段而已，是企业向内求追求效率和降低成本的方法之一。

通过信息技术，我能够让员工间更好的进行信息共享，能够做到信息的高效传输，然后顺带这能够把业务数据记录起来，对其进行分析、统计，让管理者能够更快的获取报表，并在企业运营的过程中出现问题时可以进行追溯。

信息化发展到今天，我们也已经认识到其无法从根本上提升企业的运营效率，也无法直接降低企业的运营成本，其效果的体现强依赖管理能力。信息化也无法让企业内部的决策更加的迅速、准确，信息化没有把员工、货、设备、客户、供应商等要素实时链接，且只有企业内部的数据基于此是无法做出有效决策的。信息化更无法让企业获得新的业务增长点，信息化没有把数据当做资产，也没有要求数据业务化，不会对业务模式、商业模式产生根本性的影响。

在一个不确定的世界中，唯有变化才是不变的。数字化转型很重要的一定是提升企业感知社会变化的能力，客户需求的变化、供应商的变化、市场环境的变化等等。数字化转型需要把各种要素、资源都链接到一个平台上，能够及时的获取这些对象的数据，再通过强大的分析能力感知到每一个数据背后的含义。

我们把信息化和数字化的区别进行一个小结，如下：

1、信息化强调的是对技术、工具的应用，更多是作用于某一个组织内部的改造，例如要求企业上线ERP、CRM、SRM等等系统；数字化更强调的是链接性，即对内部有线上化的要求，还需要把外部的合作伙伴也接入到线上化的系统中，更多的要解决运营、协同层面问题

2、信息化更多的关注的是效率、成本，更多是在现有的业务上去进行优化、调整，是管理方式的抓手和工具；数字化推动现有管理方式和业务模式变革的动力，除了关注效率、成本这两者之外，还注重提升客户的体验、决策的科学性、新业务模式的拓展、新的销售增长点的创造和挖掘，

3、信息化是对员工及基层管理人员工作方式的变革，原来可能是打电话、纸质的方式开展工作，数据无法很好的采集、结构化，现在需要使用系统开展工作更好的采集数据以及把数据结构化；数字化转型更多的是对高层以及一把手的赋能和工作方式的变革，全员使用系统只是基本要求，还要能够充分利用系统中采集和结构化的数据，做到数据驱动业务、数据业务化。

4、信息化是企业稳定发展的保障，它以流程和标准为基础，能够支持现有业务线性增长；数字化是企业快速响应市场、满足用户需求的解决方案，他要求企业所有要素足够敏捷，以支持企业业务呈指数级的增长

03 企业为什么要进行数字化转型

这个问题在前一个问题的解答过程中已经给出了部分答案，当趋势来临时个体很多时候是都是被裹挟的，没的选择。你不转，国家大环境都在转，你付个款、纳个税都是用数字化的系统在完成。国家在2017年已经把数字经济吸入党的十九大报告，明确了其作为驱动传统产业升级的国家战略。

你不转，你的竞争对手在转，他转成功了那核心竞争力一定比你强，在竞争过程中你必然处于劣势。

你不转，你的客户和供应链在转，他们转型后再看你就是个异类，会发现你是整个产业链条中效率低、认知低、体验低的那一个，必然会挤压你的生存空间。外部环境的变化是促使企业进行转型的很大一部分因素，而很多企业本身也需要通过数字化转型打破原有的分工模式、业务模式，实现业务敏捷和商业模式的重塑。

现有的大多数企业都是践行者大规模生产下而产生的管理模式，部门墙严重，内部的信息流转很不顺畅，权利也相对比较集中，而在这个多变的世界中，机会是稍纵即逝的，需要能够对前端业务人员进行赋能，让其能够在现场进行决策，也需要决策者能够综合考虑多方因素，能够真实快速的感知到市场、用户的变化，并捕捉这些变化去辅助进行决策，稍有不慎即会出现不可挽回的损失。而要能做到这些，我们就需要从文化、制度、工具等层面进行改造，而数字化转型就是这种改造的载体。

当然，不同的企业通过数字化转型能够获得效果也会有所不同，大体来说可以分为这几个层次：

1、通过数字化转型，给客户、员工创造了新体验，同时也实现了增效、降本、提质。

2、通过数字化转型，增加了企业感知市场、客户的能力，同时内部实现了业务敏捷。

3、通过数字化转型，实现了新的商业模式转型，打造了新的数字化产品并获得客户认可。

04 如何进行数字化转型

数字化转型是一个系统的工作，要想增加其成功的概率，我们需要能够形成一套行之有效的方法论。我们认为能够从这几个方面去下功夫：

1、制定清晰的数字化转型的目标，明确转型过程中各个阶段的交付价值

2、组建具备数字化思维以及能够执行落地的数字化转型团队，并设立合适的数字化转型组织架构

3、能够形成数字化转型的氛围、文化，敢于打破现有的业务模式、管理方式

4、建设统一的数字化运营平台，能够满足业务指数级增长

下面我们逐个说明这几个方面如何去开展转型的工作

4.1 制定清晰的数字化转型的目标，明确转型过程中各个阶段的交付价值

企业战略一般分为三个层次：公司战略、经营战略、职能战略。公司战略是公司整体的战略总纲，经营战略是公司为实现经营目标而制定的全局性的战略，而职能战略则是按照公司战略以及经营战略对企业内的各职能部门进行统一规划和部署，其中职能战略又可以分为生产运营战略、资源保障战略、战略支持性职能战略三类。

在过去，信息化时代，IT战略大多数是属于职能战略，为经营战略和公司战略提供支持，少部分公司可能会把IT战略放高一层作为作为阶段性的经营战略去推进，极少有企业能够把IT战略作为公司战略去进行推进。

而在数字化时代，数字化战略需要上升到公司战略层面，要能够通过数字化转型去构建公司的核心竞争力，是关乎企业未来发展甚至于存亡的大事。在经营战略或者是业务战略中要能够体现出数字化战略的意图和作用，经营业务要融入数字化思维，要能够挖掘客户需求创造出新的数字化产品和服务。

数字化战略是一个相对来说需要较长周期去落地实施的，数字化转型一般会持续3~5年，那在这么长的时间里如何让企业能够坚定信心持续进行投入，如何让企业成员保持持续的热情去推进落地，是我们需要深入考虑的问题。而推进数字化转型的过程是一个对企业内部“动刀”的过程，这里面自然会涉及到人员组织的调整、权利以及利益的重新分配，在这种长期见效、持续投入以及环境压力等多方因素下，数字化转型失败的概率是蛮高的。

而要项取得数字化转型的成功，首先，我们需要明确数字化转型就是一把手工程，需要确定数字化转型就是企业战略，没有最高领导坚定的支持是无法推进数字化转型的，也只有最高领导才能够有如此眼光、魄力以及忍耐力，能够在遇到困难、挫折是坚定的去支持转型的推进。

所以在做数字化转型的同学，首先需要问问，数字化转型在我们公司到底是什么层次的战略、是谁在为期最终负责。

其次我们既要有长期的总体目标，也要有各阶段所需要交付的价值标准，我们需要建立完善的指标体系，通过对公司级的指北针指标进行分解，去确定我们数字化转型各个阶段所需要达成的小目标，积小流成大江，积小胜成大胜。在长期的落地实施的过程中有团队也需要不断地取得小胜去鼓舞士气、获得人心。

在数字化转型的第一步我们需要确定战略层级、负责人以及目标体系，做好这些我们算是开了一个好头，未来可期。

4.2 组建具备数字化思维以及能够执行落地的数字化转型团队，并设立合适的数字化转型组织架构

确定了战略级目标之后，我们需要有相应的组织及人才去落地执行。那数字化转型应该建立什么样的组织架构，吸引什么样的数字化转型的人才呢？

传统企业大多数是按职能进行部门划分，分工明确、结构稳定，不管什么层次的人才进入公司，在这个现有的组织及机制下均能在一定的时间能基本胜任工作，这种严格按职能进行划分部门长时间不做改变的话会导致部门墙高筑，各部门只会自扫门前雪。

这种状况在企业外部环境相对稳定，业务平稳发展的时候问题不大，但在现如今这个用户需求多变，市场环境从以前的以产品为中心向以客户为中心转变的过程下，这种状况会严重制约企业的创新能力。

其次数字化转型追求敏捷性，需要能够打破部门墙，让跨部门协助变得高效，在通过数据发现需求或问题的时候能够快速的组织项目小组，迅速解决问题或研发新产品。

为了解决稳定性和敏捷性之间的平衡，我们需要在原有的职能部门的组织架构体系之上，要设立一些半虚拟组织，这些组织有些是需要长期存在，具有制定标准、监督执行等权利，例如：数据治理委员会、产品委员会、技术委员会、PMO等；而有些则是更具项目推进而设立的项目执行小组，小组成员负责对项目目标进行落地执行。

这两类组织均需要从各部门抽调人员，在抽调时需要明确其工作内容以及考核办法，既不能让其出现只办事没回报的情况，也不能出现光有名头不办事的情况。

数字化转型需要什么样的人才呢？应该是符合型人才，具备业务、互联网、项目管理思维，能够有主观能动性，且愿意去进行创新，同时还要具备很强的执行能力。可能在上面某一个或几个方面稍有欠缺，但只要足够开放并有学习的欲望都是可以的。

但不管怎么样，能够去推进数字化专项落地的人才一定是至少在某一个方面有其专业性，能够对自己的专业领域所面临的问题、机会在哪里，并愿意为探索其解决方案付出努力。

安于现状，没有创新意识，不具有学习能力及动力的同学不适合去推进数字化转型。数字化转型本身是一件十分有挑战以及创造力的事，对人员的要求自然也高，而把这群人聚拢起来，我们还需有很好的团队氛围和文化去把价值发挥出来。

4.3 能够形成数字化转型的氛围、文化，敢于打破现有的业务模式、管理方式

数字化转型的氛围、文化是什么呢？我想有这么几个关键词：客户为中心、鼓励创新、小步快跑快速试错。我们做任何事之前都要问自己我的用户是谁？我给他提供什么价值？这个价值在什么场景下交付给他？他的感受是怎么样的？比如说，我们做产品策划的，我要去完成需求调研，那我调研的对象是谁我需要弄清楚，我调研的问题是否适合让他来回答，他什么时候的时间比较好配合我去进行调研，调研完了后我什么时候要给他反馈以及反馈什么内容。

调研是一件具体的事，而我是推进这件事的主责方，那我必须要提前做好准备，了解清楚我的用户是谁？场景是什么？用户的感受怎么样？再比如，我是一个买化工原材料的销售，我在要打电话给客户之前也是需要做一些准工作的，我得清楚我的客户他大概是干那个行业的，可能会用到什么产品，这个产品的特性是怎么样的，市场行情如何，是否有其他的替代产品或者更好的解决方案等等。以客户为中心的氛围我们不能只写在墙上，我们需要在推进转型落地的方方面面都把它体现出来。

另外我们还需要能够包容团队成员犯错，失败是成功之母，能够包容犯错才是最好的鼓励创新。但这种错误我们也是需要区分的，在品质道德层面要严格要求；在项目实施过程中没有科学的方法，没有去尽最大努力解决问题、克服障碍的失败也要尽量避免。

包容犯错不是借口，只是我们创造的一种氛围、文化，我们要能够尽量的引导团队，向这个方向发展。最后我们要让团队知道小步快跑快速迭代的思维，要能够在繁杂、纷乱的事物之中找到逻辑、关系，能够用一种实验的思维去做创新，又要成本产出意识，也要能够建立反馈闭环机制，团队里面要提倡多讲数据，少讲“我认为”，即使不能提供准确的数据，那也需要能够进行客观且实施求是的陈述。

最后在管理上我们也要进行突破，不能只是简单的进行任务分配、日会周会，我们需要能够去赋能成员，我们要找到模式复制的方法，要能够把团队最佳实践推广到全员，还要能够挖掘最佳实践的价值，创造对客户有价值的产品或服务。我们要能够建立员工能力成长体系，并把它数据化，让员工能够对成长过程有更加直观的感受。

我们要建立复盘文化，在复盘是尽可能的让数据说话，通过分析数据进行总结性的称述。

4.4 建设统一的数字化运营平台，能够满足业务指数级增长

最后数字化转型需要能够建设统一的业务运营平台，要能够支持业务创新，能够支撑业务指数级增长。很多企业在信息化的过程中积累了很多的业务系统，但都成信息孤岛，系统发展久了之后，发现要做业务创新时系统的支持效率降低了，动不动就是这个改动很多，那个需求动到底层了。

在进行数据统计或者是财务分析时发现数据质量很差，同一个产品在不同的系统可以能定义的标准不一样，即使在同一系统内也可能有不同的叫法。业务还没有开始各种困难就已经摆在前面了。做数字化转型就是要打破这种局面，不能让系统成为业务发展的障碍，而应该成为业务增长的助手。

这要求我们要建立一个统一的业务运营平台，它还要具备一定的配置化能力，同时能够通过API的方式与前端应用进行集成。很多时候业务创新是在营销层面的，那我们可以把面向客户的应用和内部支撑的业务平台进行分离，而这也是前两年非常流行的中台思维。虽然最近不怎么讲中台了，但我认为只有建设统一的业务运营平台，并提供可复用的能力才是数字化系统应该具备的特征。

在推进落地数字化业务运营平台是，我们要遵循总体设计、迭代交付，业务和IT协同推进的总体原则，要能够有庖丁解牛的能力和思路，能够通过不断的迭代去构建统一平台，而不是瀑布式开发，憋大招，等你开发建设好平台了，业务都已经发生翻天覆地的变化了。

系统的建设一定要把业务方参与进来，应该是IT和业务共建共创去完成系统的落地，不能只是IT在闭门造车，瞎YY，但也不能把IT变成了施工队，业务方说怎么样就怎么样。数字化转型一定要能够把新技术、新理念在系统中进行体现，只有如此才能创造出新体验、新产品。

05 总结

当前数字化转型的浪潮已经来临，而各种对数字化的解读也是层出不穷，希望自己能够在这个浪潮中提供些许经验，帮助更多的企业完成这次转型。

一、小红书近几年的增长来自哪里？

从内部说，有两个原因。一个是新增，一个是大盘。首先，新增是人群泛化带来的。

人群泛化是以同一个群体为圆心，做内容品类延展，内容品类之间是有联系的。

比如，年轻女孩喜欢美妆，喜欢穿搭，喜欢在旅行的时候拍好看的照片，喜欢吃色香味具全的美食，喜欢在健身房拍张照片…

这些是不同的内容品类，但都是围绕着「年轻女孩的美好生活」为圆心的。

其次，大盘的核心是用户活跃、留存和忠诚度，这是以人为本的社区带来的。

做好这点，骨子里是有自己价值观的，才能经住诱惑、稳住节奏。

有很多策略可以快速拿到短期收益，比如知乎里就有在问答中编故事、写连载小说的。短期收益肯定拿到了，但对社区内容质量和氛围有伤害，损害长期价值。

面对这样的诱惑，小红书的坚持是能看得到的。

从外部说，小红书独占了一个用户群体+内容赛道的。

用户群体，是指一二线城市有消费能力的年轻女性，小红书在这个群体上有绝对优势，基本已经渗透到天花板。

内容赛道，是指有用，类似教程、经验分享的howto内容。抖快B等平台也有，但做得不是最好，也没有很强的用户心智。

这样的用户群体+内容赛道，小红书就是这几个平台内，最有竞争力的。

二、小红书把自己定位成社区，内容社区和内容平台的核心差异是什么？

社区和内容平台的最大区别是：围绕的中心不一样。

内容平台的中心是内容，核心是高效的匹配内容供给和消费，过程中做好商业价值。效率越高越好，是一个高速运转的机器。

社群的中心是人，核心是让人通过内容的载体，更好的链接起来，产生互动和社区氛围。

想要把社交和互动做好，就不能追求效率。

就好像在线下社交就是坐下喝杯咖啡、吃个饭，从寒暄问候到深入聚焦，再达成某种共识。这个循序渐进的过程，是不可被跳跃的。

在街边寒暄两句，马上就进入下一步。效率是高了，但这不是社交，是交易。

三、内容社区怎么样能保持“人”的存在感？

先说抽象的理解。人是有相貌、声音、观点、感情、社交等，这是人的特征。好的社区，也需要具备这些。

所以，有“人”的内容，大概是这样的：

有真人出镜或有自己的声音，有自己的观点，有喜怒哀乐的情绪，有和其他人互动交流，这才是人。

具体到执行策略，有三个关键点：

1）搭场子

就像咖啡厅、饭店、老年活动中心，给用户一个能坐下来的、能把内容看进去、能和他人深入聊进去的场子。

2）建氛围

友善和接纳度高的氛围，才不会让社区有增长天花板。

如果友善不好理解，反面就是喷子、杠精、键盘侠、色眯眯的猥琐男，这样的用户会赶走有意愿分享的人。

把这样的氛围建设好，是需要有旗帜鲜明的价值观，以及对应的社区管理政策。具体是什么、怎么度量行为，虽然我们外面的人看不到，但重视程度和决心能感受得到。

3）促互动

相比纯内容消费行为，互动是更深度的行为，更少比例的用户才会使用。反过来看，参与互动的用户就是这个产品的重度用户。

引导更多互动，就会增加社区的重度用户，也产生社交行为。

四、小红书需要标杆人物，成为代表社区的代表者吗？

小红书既没有这个意愿，也没有这个能力。

从意愿上说，小红书的价值观是更关注人的，也就是众多个体。头部的出现，对个体来说虽然是榜样，但也有负面影响的一面。

个体看到头部，会觉得平台不公平。

有很多个体的声音，其实是被淹没的，平台不重视、大众也看不到的。这些声音是在发泄对平台的不满：为什么他可以，而我不行；为什么把流量给这样的作品，而我的却没人看。

只要平台推头部，就会有这样不满的声音出现，只是我们听不到罢了。

从能力上说，能不能出现超头部，小红书估计也做不了主，干预难度比较大。

社区真想去推火一个人，是非常难的。

平台去推，意味着要干预正常流量。但这些公域流量给了某个人，也不一定能接得住，CTR、完播和互动都不好的话，流量就浪费了。

如果流量倾斜的多，还可能对大盘数据有影响，从公司内部来看，这样的决策是很难推进的。

五、当下适合小红书的带货风格是什么？有什么机会和不足。

首先，董洁章小蕙在小红书直播电商的爆火，肯定不是平台设计的，而是跑出来的。

但这是非常好的案例，原因是：

1）这几位女明星有类似的特点，比如都有过丰富的人生阅历、有文化底蕴、性格温和，同样也不是当下顶流。

2）直播和选品风格也相似，走的是买手选品的路线，而不是极致性价比。所以将产品的时候不会制造焦虑，不咆哮。

这些特点就和当下的直播带货平台，非常好的区分开了，也符合小红书的整体调性，所以是非常好的案例。

然后，这样的直播风格，只是开始而不是终局。

小红书直播电商需要一个切入点，让行业都关注起来，也可被理解和拆解。

但这种风格是很难被大规模复制的，相信之后会有更多的直播案例跑出来，代表着不同的风格类型，可想象的空间是挺大的。

六、小红书未来想要继续增长，下面应该做些什么？

小红书一定可以做到更大，但做不到最大，这是社区形态决定的。

这不影响小红书是一个好的产品，不必每个产品都去追求最大、最赚钱，战略和价值观的底层逻辑就是取舍。

继续追求增长，有两个方向可以探讨：

1）用户群体的拓展

向三线以下城市延伸，不是简单的「推土机式」扩张，而是遵循社区的发展规律，以现有社区文化和内容类型为中心。

展开说一下。

从人口流动情况看，有「去中心化」的趋势。也就是大量人口，从一二线城市到下沉城镇去工作和生活。

这部分人群，有一二线城市的审美特点和信息知识，本身就是小红书的受众，随着他们的流动，小红书这个产品就能做到「向下兼容」。

这个向下兼容的过程，实际上是筛选出目标受众，并拥抱他们的过程。

2）内容形式的拓展

小红书目前只是图文和视频两种内容形式，像直播（非电商）和音频就有很大的拓展空间。

现阶段小红书的开播渗透率肯定是很低的，但这种内容形式是有价值的。能玩转小红书的创作者去开播，肯定和抖快B不一样，能跑出自己的特点。

直播搞起来，就又会是一个新的增长点，就像当初做视频时一样。

再说音频。

播客这种内容形态，还是很小众。如果是抖音做、微信做，感觉都起不了什么水化。

但在小红书就不一样了，音频和小红书的用户群体重合度很高的。

在小红书上看到很多推荐我播客的内容，都导流到小宇宙App上了。在小宇宙上，有关小红书的内容都是最火的。

七、对于小红书的未来发展，都有哪些期待？

都说线上社区就像线下城市，但我分析两者有一个根本差异点：城市是有物理距离的区隔的，但线上社区就没有。

在某个城市距离几公里或十几公里的地方，完全有可能是另外一种风格文化，且彼此分割，互不影响。

比如我在北京。

北五环外就是我这样的互联网IT人士，在东三环就是文化创意更聚集的地方。不说其他隐性的，从着装风格上就完全不同。

把不同的内容、商品、活动，分别放在北五环和东三环，完全可行。

但在线上社区，就很难做到。

社区的内容分发，都在一个小小的智能手机屏幕上。几刷下来，也就能曝光几十条内容，数量是非常就有限的。

可能你会说，用推荐算法分发，不同的人看不同内容。

当下内容推荐的算法，能做到的是全局最优，而不是局部最优，且对未知情况做预测的能力较弱。

不同人的需求，是局部的，很难被分发到；多数人的需求是趋同的，更容易分发。

比如，算法会把社区里今天爆火的内容推给更多用户，数据越好，推的用户就更多，可能一半的用户都会喜欢。

但我喜欢古典音乐的黑胶唱片，在我没有留下这个兴趣点之前，推到概率很小。

说的有点绕，总结一下。

线下城市是靠物理距离区隔不同用户的，线上社区只能依赖推荐算法，但目前很难做到。

一众现做饮料的品牌中，瑞幸咖啡和蜜雪冰城的网络流量几乎是最顶尖的，近期两家品牌在互联网上的一番你来我往，也让网友直呼“第一次直观的看到了商战的丑陋”。

起因是有顾客在自媒体上控诉瑞幸咖啡只用两口就喝完，剩下的冰块几乎占据了三分之二的体积，评论区里出现了不少披着蜜雪冰城外皮的账号留言，“小瑞怎么回事啊，应该不是故意的吧”、“小瑞怎么放那么多冰，想冷死顾客吗”等等。

虽然也有不少人怀疑这些账号的真实性，但这种直白的骚操作，倒也符合蜜雪冰城平日里在互联网上的街溜子形象，让看热闹不嫌事大的网友建议瑞幸咖啡下周出的新品就叫绿茶蜜雪。

其实值得玩味的是，大家似乎并不觉得蜜雪冰城、瑞幸咖啡这两个不同品种的饮料品牌在网上对线，觉得有什么奇怪的——这画面如果换成蜜雪冰城去阴阳星巴克，恐怕给人的观感就不太一样了。

归根结底，瑞幸咖啡和蜜雪冰城争夺的是同一类消费者的注意力，瑞幸咖啡在下沉市场的宿敌也许并不是星巴克，而是蜜雪冰城们。

一、赛道相似

咖啡和奶茶从来就不是两条赛道。

中国人对咖啡的初始印象，大多都建立在都市白领放在笔记本电脑旁边的那一杯星巴克上。

星巴克热卖的拿铁、摩卡、卡布奇诺、焦糖玛奇朵、星冰乐等，都是在咖啡中加入了大量奶、糖以及奶油，刨去咖啡豆和茶叶的不同，仅从其他成分表来看，咖啡与奶茶的差别似乎并没有那么大。

而且对于喝不太惯意式浓缩、冰美式等“正宗”咖啡的中国人来说，咖啡豆是否浓香醇厚，恐怕还不如杯顶那一大坨奶油来得实在。

为了把咖啡做得更能抓住中国人的胃，瑞幸决定进一步向奶茶品牌们看齐，沿着咖啡+万物的基本思路，不断调整与咖啡搭配的元素组合、比例，终于在2021年推出了自己的超级爆款生椰拿铁。

生椰拿铁当时火到从微博、微信到B站、豆瓣都能看到它的身影，并衍生出了另一个热词YYDS，“突然全世界都在说生椰拿铁好好喝YYDS，难道只有我每次看到都售罄吗！”

这种利用网络炒作、玩梗提高传播度，以此打造“排队也买不到的”超级爆款，吸引更多人来消费的套路，正是喜茶等新派奶茶品牌的拿手好戏，只不过这一次被瑞幸用在了咖啡上。

生椰拿铁有多成功？这款4月下旬上线的产品，让当时深陷财务困境的瑞幸在一个月后，首次实现了经营层面利润转正，整个二季度的毛利率也从24%提升到了36%，单店杯量也从2019年的每日285杯提升到2021年每日349杯。

当时生椰拿铁还选用了因为选秀节目一夜爆火的利路修，拍摄生椰拿铁的宣传物料，#瑞幸冰咖推荐官利路修#词条阅读量在20天内就高达1.3亿。爆款单品带来的巨大流量，也有效冲淡了瑞幸因为财务造假给人们留下的负面印象。

两年过去，曾经的人气选手利路修已经在娱乐圈里难寻踪迹，但生椰拿铁却仍旧吸引着顾客走进瑞幸咖啡门店。

此后瑞幸又陆续推出了生酪拿铁、橙C美式、茉莉花香拿铁、碧落知春拿铁等各类咖啡新品。在咖啡+奶逐渐成为行业标配，玩不出什么新花样后，瑞幸又将目光瞄准了咖啡+茶。

咖啡+茶听起来奇怪，但只要消费者能买单，那便没有不可逾越的边界，毕竟中国消费者对饮品的印象从未固化。

也正因如此，咖啡和茶饮两个赛道的重合度越来越高，甚至被有些投资人统称为“新茶咖”赛道。

瑞幸卖起茶饮的同时，蜜雪冰城、CoCo等奶茶品牌也已卖起了咖啡。大家的眼里都写满了相同的野心，不仅要在网上争夺流量和话题度，更要在线下争夺门店布局。

比起星巴克，瑞幸咖啡其实正在变得更加像蜜雪冰城，这个下沉市场的王者。

二、市场下沉

咖啡品牌争夺下沉市场。

作为一家靠“碰瓷”星巴克出道的咖啡品牌，如果有人在三四年前对瑞幸说公司，不远的将来会与蜜雪冰城竞争，瑞幸自己恐怕都不敢信。

然而在经历了疫情三年、经济下行、消费萎靡等多重因素的影响后，中国头部的饮品品牌们不约而同地打起了价格战，比如喜茶就主动降价到了单价20元左右，而瑞幸则是不停发放优惠券。

来自瑞幸前创始人团队的陆正耀，则是在创办库迪咖啡后，带领整个行业进入了单杯9.9元的巷战时代。

当库迪凭借低价大肆吸引客户时，瑞幸也在6月以万店同庆为由头，推出了同样的优惠价，麦当劳、肯德基等快餐店也紧随其后，开始了历时三个多月的9.9元咖啡大战。

若是在几年之前，大规模推广这种只有星巴克四分之一价格的咖啡绝对会被认为是“坏了规矩”，同行只会冷嘲热讽而不会跟着加入战场。

但正因为中国的咖啡市场逐渐成熟，在一线城市的门店增长开始摸到天花板，如今这种持续时间较长的咖啡价格战才会发生——因为本土咖啡品牌们都意识到了下沉市场的重要性。

根据美团及《2023中国咖啡市场洞察报告》统计，当前国内四、五线城市的咖啡订单量同比增长250%以上，县城咖啡、小镇咖啡的热度不断高涨，甚至带动了不少小镇青年在家门口实现就业。

瑞幸咖啡一边以9.9元咖啡为引流款，提高门店人气，一边配合着开店策略，持续布局三、四、五线城市，将自己抬上了中国咖啡第一宝座。

8月1日晚间，瑞幸咖啡披露2023Q2财报，净收入达62亿元，同比增长88%，高于同期星巴克在中国实现的59亿元净收入。

门店数量方面的差距则更明显，截至二季度末，瑞幸的门店数已达到10836家，远高于星巴克中国的6480家。二季度也是瑞幸扩张门店速度较快的时候，折算下来每天新增16.5家店，其中四成为加盟店。

瑞幸开放加盟店，其实就是在为抢占下沉市场铺路。今年1月底，瑞幸披露了首轮加盟招募计划，首批要覆盖的80个城市中有33个城市此前并无瑞幸门店，且主要集中在三线城市。

而三四线城市正是蜜雪冰城的核心盘。据红餐大数据,截止2022年8月,蜜雪冰城门店数超过了22500家,其中三线及以下城市门店占比超五成。除了蜜雪冰城，书亦烧仙草等茶饮品牌也在围绕下沉市场展开激烈争夺。

中国的下沉市场虽然空间广阔，但因为单个客户的预算有限、价格敏感，每次的消费行为，都可能是一场在咖啡与奶茶之间非此即彼的选择，导致三四线城市里的所有现做饮料品牌都构成了实际上的直接竞争关系。

倘若中国的每个下沉市场都只能容得下一个王者，就像拼多多之于下沉电商那样，那么瑞幸咖啡和蜜雪冰城最后只能决战县镇之巅。

三、难达预期

没有质量的增长撑不起资本市场的期待。

瑞幸交出亮眼业绩的背后，资本市场对其财务状况和资本运作的担忧却并未停止。

一方面，瑞幸当年因财务造假而被强制退市，重回纳斯达克的可能性十分渺茫；另一方面，如今瑞幸靠低价引流策略来提高销量、扩张门店，令业内人士担心瑞幸会陷入没有质量的增长。

以率先开打价格战的库迪咖啡为例，单杯原料成本至少5-6元/杯，以售价9.9元计算，单杯不到4元的利润还得用于房租、人工等各项开支，以及外卖平台近30%的扣点。如此“薄利”，恐怕并不是靠“多销”就能弥补的。

低价策略对瑞幸同样危险，根据其财报显示，前期瑞幸靠烧钱补贴做量的时候，单杯售价仅12元，公司也一直处于亏损状态。到2022年，瑞幸的单杯咖啡均价涨至15.55元（含配送费），营业利润才首次由负转正。

根据第三方机构测算，9.9元咖啡大战期间，瑞幸的客单价依然保持在15元区间。然而15元的价格对下沉市场消费者来说，其实并不算便宜，难怪近期瑞幸在财报会议上表示，9.9元咖啡战瑞幸还要再打2年。

在本土咖啡品牌里，瑞幸的供应链能力已然属于赛道内顶尖水平，有着优秀的成本控制、数字化管理能力，还能把每一杯咖啡的牛奶耗损控制在极低范围（美式以外品种中，牛奶成本是咖啡豆的2倍），很有打价格战的底气。

但是瑞幸能否在大规模开展9.9咖啡活动的情况下依旧保持盈利，这个问题就见仁见智了。至少对于已经被瑞幸靠烧钱冲量、跑步上市、业绩变脸割过一波韭菜的投资者来说，这恐怕属于黑色幽默的范畴。

即便瑞幸已经洗心革面，老老实实做业绩，想要重新上市也不容易，这一点参考蜜雪冰城IPO之路有多艰难便可想而知。

2022年9月，蜜雪冰城向深交所提交了招股书，却因为监管部门对核准制下的主板申报进行行业限制，属于食品、餐饮连锁行业的蜜雪冰城并不受政策支持。

行业门槛低、产品更新快、难以建立护城河等问题，困扰着蜜雪冰城，也困扰着瑞幸咖啡。

作为下沉市场的头部玩家，蜜雪冰城真正的赚钱方式是向加盟商收费，其九成以上的收入来自于给加盟商供应食材、包装材料、设备和营运物资及收取加盟费。可以说比起终端消费者，加盟商才是蜜雪冰城真正的客户。

蜜雪冰城的经营模式，也许能给同样想要占领下沉市场的瑞幸咖啡带来一些启示，但瑞幸对供应链的掌控能力和成本压缩能力，还没有做到蜜雪冰城那般极致，目前将创收重心转移到加盟商身上的可能性并不大。

瑞幸要继续吸引终端消费者，现在做的免费配送和发放优惠券就不能停，而这势必也会造成销售费用盘桓在高位。

平衡好成本和收益对于瑞幸来说是极难的事情，面对蜜雪冰城这种级别的竞争对手，就让这种本就极难的平衡工作，变得更难了。