近日，AWS和斯图飞腾（Stratifyd Inc）联合举办了主题为“数据驱动业务价值，让数据更聪明”的线上网络研讨会，以下为斯图飞腾（Stratifyd Inc）高级解决方案经理周冠男在会上的主要演讲内容，如需查看完整演讲视频或申领演讲课件，请关注Stratifyd微信公众号。

在大数据时代，数据已经成为企业的重要资产。挖掘数据价值，用数据驱动业务的运营、决策以及创新，已经成为数字化转型的核心工作。

数据驱动业务的本质可以归结为两点：捕捉业务数据和释放数据价值。需要明确的是，数据驱动业务只是方法，不是目的，最终目的是为了帮助企业增加利润。

驱动企业数字化转型的“双引擎”

从增加企业利润这个最终目标出发，构建数据驱动业务的体系可以从两种层面来执行，一种是业务效率驱动型，一种是科学决策驱动型。

对于业务效率驱动型的业务体系，管理人员更加看中业务是否可以省时省力地完成，整个流程是否更加规范化，数据工程师和数据架构师更加关注业务运作过程中产生的业务数据、客户数据是否可以有效采集，说白了这个过程强调的是如何正确地做事；而从另一个角度来讲，如何做正确的事，就要分析一下科学决策驱动型业务体系了，这是构建数据驱动业务体系非常关键和核心的一环。构建科学决策驱动型业务体系要考虑的三个核心要素是：数据资产是否广泛、数据分析是否深入、获得决策是否高效自动。

明确了构建数据驱动业务体系的两条路径，再来分析一下两者之间的关系。实际业务运作过程中，这两种业务驱动类型是相辅相成，缺一不可的。业务效率驱动型强调业务数据的沉淀和收集，科学决策驱动型强调数据价值的释放和应用。无论是业务运营相关的数据还是客户反馈相关的数据，都要通过一定的手段释放数据的价值。简言之，业务生产数据、数据反哺业务，这样方可构成业务运作的良性闭环。只有业务和数据发生共振，相互循环，数据驱动业务的价值才能真正释放。

这里列举一个新西兰能源行业的小案例：新西兰某领先能源企业曾借助Stratifyd增强智能数据分析工具全方位洞察和分析员工及消费者的反馈信息，大幅提升NPS分值，提升客户粘性和转化留存率。

可以看出，像能源这种偏传统基建领域的行业也在寻找数字化转型的新突破口，试图通过释放数据价值来驱动业绩增长。在与斯图飞腾（Stratifyd Inc）合作之前，该能源企业已经部署了一套CRM系统，目的是为了及时、快速、高效地与客户进行沟通，方便业务人员及时响应客户需求。但是该企业并不满足于此，虽然业务效率提高了，客户满意度却没有预期中那么好，于是该企业试图寻求其他方法，深入洞察客户所思所想，提升客户体验，斯图飞腾（Stratifyd Inc）也由此与该企业结缘。

斯图飞腾（Stratifyd Inc）帮助该能源企业挖掘和分析全渠道的客户反馈数据，利用AI算法高效提炼和分析消费者的热议重点和问题痛点，帮助企业深入洞察数据背后的商业洞察，提升客户体验，呼叫中心的客诉呼入率下降了43%，客户净推荐值（NPS）增加了40分！通过这个案例我们发现，只有收集、管理数据的业务系统是不够的，还要借助科学工具充分挖掘和释放数据价值，将数据价值再应用于业务和产品本身，也就是形成“业务——产生数据——助力业务”的良性循环。

以客户为中心构建价值体系

以客户为中心，就需要了解客户的需求，需要更多的采集客户数据，这其实是从思想到实践一脉相承的体系。斯图飞腾（Stratifyd Inc）合作的众多行业客户，都是以NPS为导向构建指标体系，接下来会重点介绍一下NPS和客户生命价值（LTV）的含义。

什么是NPS？

在互联网时代，消费者体验以及消费者传播的知识是非常重要的，客户净推荐值NPS（Net Promoter Score）是一种计量某个客户将会向其他人推荐某个企业或服务可能性的指数。它是最流行的顾客忠诚度分析指标，专注于顾客口碑如何影响企业成长。

NPS的计算方式

根据客户愿意推荐的程度让客户在0－10之间来打分，然后根据得分情况来建立客户忠诚度的3个范畴：

1、推荐者（Promoter，得分在9－10之间）：是具有狂热忠诚度的人，他们会继续购买并引荐给其他人。

2、被动者（Passive，得分在7－8之间）：总体满意但并不狂热，将会考虑其他竞争对手的产品。

3、贬损者（Detractor，得分在0－6之间）：使用并不满意或者对你的公司没有忠诚度。

净推荐值(NPS)=(推荐者数/总样本数)×100%-(贬损者数/总样本数)×100%

NPS计算公式的逻辑是推荐者会继续购买并且推荐给其他人来加速你的成长，而批评者则能破坏你的名声，并让你在负面的口碑中停止成长。

在互联网时代，人是很容易受到影响的，所以很多企业把NPS作为衡量客户忠诚度的指标。

以NPS作为指标是一种技术上的操作，企业商业上追求的是客户的生命周期价值（LTV）。从概念上讲其实比较容易理解，客户生命周期价值就是从潜在客户期到客户开发期、成长期、成熟期、衰退期直至客户流失整个生命周期过程所产生的价值。这是从长远的、以客户为中心的角度去评价客户的价值，所以是非常重要的。

数据驱动业务整个体系搭建起来的话，以客户为中心作为指导，以NPS作为具体指标，想方设法去了解客户对于公司和产品的想法，这样，企业就可以有更好的协同体系去创造更满足客户需求的服务和产品，这时客户的体验度更高了，满意度更高了，忠诚度更高了。从下图可以看出，搭建了「数据驱动业务体系」的企业可以让客户的生命周期价值变得更长远、更持久，这对企业带来的其实是更多正向的收益。

增强智能释放数据价值

明确了以客户为中心去构建数据驱动业务的体系以后，接下来还有一个难点，就是如何释放数据的价值。下面介绍一下如果利用增强智能去挖掘更广的数据资产、运用更多的算法技术、执行更自动的决策方案，进而找到客户反馈数据中更深的故事含义。

斯图飞腾（Stratifyd Inc）提出的数据驱动业务的体系框架如下图所示，除了企业的内部数据（运营数据、财务数据等）之外，Stratifyd还可以收集客户在公开渠道反馈的数据，包括语音、聊天、问卷调研、电商、社交平台等。数据收集起来之后，我们去发挥它的价值，无论是定性地研究、抽取话题、判断情感，还是定量地分析趋势以及分布，在不同颗粒度上进行研究，这些都会借助很多增强智能的技术。在这个过程中其实已经构建了一个数据收集、分析的自助式/自动化流程，那么在不同的决策阶段都可以给到数据支持，包括体验优化、新品验证、抱怨倾听、需求研究、意图情感、合规质检、商机识别、智能推荐，在这些场景里面都可以去发挥数据的价值。

以客户为中心，以客户需求作为出发点我们去收集客户数据，然后利用增强智能技术分析数据，再到可视化呈现分析结果，持续监测聆听客户反馈，不断完善、优化业务流程，去更好地指导市场、产品以及客户体验团队，帮助管理者做出更科学的分析和决策。

Stratifyd不仅可以分析传统的结构化数据，还可以分析语音、文本等非结构化数据，我们把数据资产扩充之后，才能更广泛地应用数据分析技术。对于结构化数据，我们更多会使用BI技术，通过数据可视化更直观、更清晰地在不同颗粒度上去看到数据的分布和趋势。Stratifyd在非结构化数据的分析、处理上也非常有优势，比如自然语言处理和理解技术（抽取话题、预测情感），语音转写技术、时间序列预测技术，这些应用类的技术其实是得益于很多机器学习算法相关领域的快速发展，从底层统计学的算法，到深层次的非监督学习、有监督学习算法，都可以帮助我们在现实中去应用技术。

增强智能助您轻松找到数据背后的故事

数据收集好了，无论是结构化数据还是非结构化的语音、文本、视频等数据，增强智能（Augmented Intelligence）是否可以给我们带来更深入的商业洞察呢？答案是肯定的。增强智能的本质就是将人类擅长的技能与机器能力相结合，赋予人类更强的分析能力，帮助人们更快地找到数据背后的故事。接下来会给大家介绍几个有趣的案例，从数据分析的深度和自动化两个角度去展开。

数据分析深度：只有结构化数据是远远不够的

数据驱动业务体系：

电商数据收集 à NLU 分析 à 业务建议

美国某领先健康护理快消品牌借助 Stratifyd 挖掘非结构化电商反馈，完成新品上市验证。

故事背景：事业部打算推出新的卷纸 SKU。新款卷纸采用无中心纸筒的新设计，不仅降低了制造成本同时也节省了仓储物流空间。为了验证是否受消费者欢迎，他们在电商平台上进行了一次带有试验性质的短期促销活动，发现销量不错。

结构化数据的积极推论：无论从财务角度还是销量角度，似乎都预示着如果正式将其推广到市场中，公司将获得高额利润。

但是，非结构化数据却得到相反的结论。

数据分析部门利用 Stratifyd NLU 模块对消费者的评论进行深度挖掘，发现消费者的反馈是比较负面的，系统自动归纳出的主流话题为：

1、该产品销量不错只是因为很多消费者是冲着牌子和新品促销折扣购买的；

2、很多消费者收到产品后才发现是无中心纸筒的卷纸，表示自己没仔细看商品介绍买错了；

3、很多消费者表示不喜欢这种设计，并声称不会再买这种卷纸了。

决策层听取了数据分析部门的这些洞察发现，决定停止该产品的正式推广计划。

数据分析自动化：意图识别模型，帮助人员判断

数据驱动业务体系：

收集数据 à 相关性判断à 意图识别 à 运营执行

中国某500 强集团旗下人力资源外包及品牌咨询服务公司，使用 Stratifyd AI AutoLearn 模块，打造自动化多层意图识别模型，完成运营业务的数字化转型。

该企业帮助客户运营品牌并提供咨询服务，其中一个策略就是提升客户品牌在社交媒体上的发声并增加消费者互动。最开始该工作需先由人工团队对社交媒体内容进行筛选和分类，识别意图后交由运营团队进行消费者互动，但因为相关内容体量大，产能有限无法实现业务规模化，效率低。借助 Stratifyd增强智能数据分析工具，数据分析师完成 AI 模型训练，实现文本的自动分类与意图识别，大幅提升运营效率，产能得到指数级优化。

出于篇幅考虑，本文仅整理部分案例供参阅，如需了解更多有关数据驱动业务的趣味案例，可搜索“Stratifyd”关注微信公众号查看完整回放视频。斯图飞腾（Stratifyd Inc）在全国诚募合作伙伴，如果对我们的产品感兴趣或有合作意向，欢迎发邮件（partner@stratifyd.cn）联系。