在搭建數據中臺之后，可能面臨一個問題：通過數據中臺的建立，來自各業務系統，以及企業內外部不同來源的數據，最終形成一個統一的數據體系，建設統一數倉。那么接下來應該思考如何讓數據發揮價值？
數據有哪些應用場景？
一切數據業務化一切業務數據化，當完成了業務數據化環節后，企業要做的就是數據業務化。數據業務化方向主要有三類：
1. 數據展示應用。以大小屏看板或二維報表形式進行指標展示，支持數據分析。
2. 通過數據模型來支持業務層面的應用。基于具體業務需求構建數據模型，對多源數據進行處理以輸出支撐業務使用的數據，如分析幫助企業預測未來業務發展的數據，可進行經營決策的調整。
3. 為業務應用提供數據服務。以API的方式把后臺內部已經處理好的數據提供給其它業務系統，再進一步深度加工，從而幫助其它業務系統更好地深度應用數據價值，以支撐業務應用，提供業務價值；同時也解決在數據處理過程中可能會碰到的總接口復雜混亂的問題。
下面是每個應用場景的深入介紹。
數據展示應用
指標體系的梳理是建設數據展示應用的第一步。
指標體系的梳理：把指標的六大屬性整理成一個完整的清單，幫助指導如何把企業內部各部門使用的數據的聚合指標形成一個統一的指標，幫助做未來的可視化應用的展開。指標的六大屬性包括：基礎屬性、業務屬性、統計屬性、任務屬性、實施屬性、管理屬性。
通過對六大屬性的整理形成一個指標清單，把每個指標都展開成一個完整的指標體系，進而把企業所有的指標都統合到一套口徑之下。統一各部門之間的管理語言，避免出現不同的業務部門之間，單獨的指標卻有不同的命名，或不同的口徑卻叫同一個名字，更好去進行數據的統合。
上述指標體系的梳理是一個普適性、面向企業所有指標展開的事項。若企業想做更專精的項目，面向某些更加具體的業務域做專門的分析或展開，使用北極星指標體系的模式來整理無疑是一個更優的選擇。
北極星指標：企業需要整理出一個唯一的北極星指標，也是最重要的核心指標。分析體系或分析的數據是為北極星指標服務的。比如GMV，商品總交易額是企業要關注的核心內容。
二級指標：把北極星指標拆分為3個二級指標，GMV可以用公式來進一步拆解：如用戶數*轉化率*客單價，還可再加上復購。
三級指標：是按業務過程來做后續的拆解。如轉化率本身有它的業務過程，從廣告投放，到渠道的投放、用戶的瀏覽點擊、吸引用戶、流資等，把過程中每一步都進行拆解。
四級指標：主要是從整體緯度區域來做拆解。如按照組織架構的維度：A區域的用戶數是多少？B區域的轉化率是多少？往下更細分是某個城市、某個門店等，可逐級向下拆分。
通過上述方式可以把一個核心指標拆分成多個指標來逐級做自頂而下的拆解，數據層面可以形成自底向上匯總的機制，從而可以更好地指導后期的策略調整。
完成了指標體系梳理后，基于指標體系，選擇合適的模板，指標填充，從數據的接入到成功的加工后，把數據直接輸出給對應的前端應用工具來填充，完成開發過程。除了主要用市面上可能已經投出的BI工具以外，企業有特殊要求，比如應用的交互轉換，也可以通過外部端開發的方式來做直接性的開發。
數據模型支持業務應用
如何為一個業務場景構建適合它的數據模型？
通常有兩種思路：
第一種：歷史成功案例的標簽化。
這是一種經驗模型的方式。過往數十年的運營過程中，業務人員積累了大量的成功經驗，可以把復盤經驗的結論來做優化：哪類產品銷售情況較好？什么類型的門店與銷售增長速度正相關？庫存滿足率是否會影響增長情況？通過這種標簽抽象出標簽類型，從而可以應用到當前的業務和對應的對象上，以歷史的經驗來支持現在的一些認知。
另外還需要成功營銷策略沉淀。如周期下匹配市場趨勢的營銷策略是什么？什么樣的政策渠道商更愿意配合？通過一系列成功策略的沉淀，會形成一些標簽，貼到需要的對象上。
第二種：數據的深耕與探索。
如果是一個全新的創新業務，或沒有對應的可參考的案例，就需要通過數據的深耕和探索的角度，逐步發掘需要的數據模型。
第一步：明確設計業務需要解決的目標場景。如需要增加單店產出，就需要明確，圍繞對應的場景，哪些數據可以取用，哪些數據是現有的可以支持的。
第二步：構建模型并串聯業務應用。數據模型難點不在算法開發或梳理上，而是數據的豐富度和數據的質量。比如產品、訂單、門店都有基本信息，可以做數據的關聯分析和相關的洞察，圍繞具體業務場景來構建。以現有的數據構建一個大致的邏輯模型，隨后就可以通過算法的方式來做對應的測試。
另外，還需要通過一系列可量化的指標來監測，當做了對應的輸出和判斷后，是否給業務帶來了幫助，以及通過監控機制還需要進行1-2周的效果調優。不斷發現模型問題，進而進行優化和復盤，把算法模型的效果更好地發揮出來。
黃金購買時間算法模型：通過黃金購買時間預測精選最具潛在購物傾向的會員，進行精準消費人群觸達，提升復購率及營銷轉化
通過大量的用戶行為分析構建相關的標簽，以黃金購買時間算法發現從用戶上次購買到現在活動日之間周期，預測每天的購買傾向，選擇購買傾向較高的環節進行精準的推送。
比如一個針對黃金購買時間做的測試，結果發現：通過黃金購買時間來篩選所需要的會員，即通過經驗模型篩選出來的會員，為品牌客戶額外創收近700W銷售額、進店轉化率高于非策略組 2倍。
對比這種兩種不同的策略人群和非策略人群可以看出，通過黃金購買時間算法模型，交易人數、交易筆數、人均交易的產生、券的核銷使用量、銷售量、轉化率都有明顯的提升，因此模型可以實現轉化率等的提升。
補貨預測算法模型：精準至單項物料且不強依賴門店經驗判斷的行業預測算法
不只面向營銷端，面向供應鏈或其他業務場景也能發揮數據的價值。如供應鏈角度的補貨預測算法模型。
如茶飲連鎖企業經常碰到的問題：
1. 訂貨憑經驗。大多門店基于肉眼可見庫存及經驗訂貨。產品一下架，一年合算造成呆料不少。
2. 實際損耗、用量不清楚。只有操作sop 沒有實時操作數據，沒有衡量標準。對損耗對用量不清楚。問題通過經驗自己梳理
3.加盟店庫存難掌握。如果能看到加盟店庫存結構和趨勢，總部就能主動干預，幫助加盟商解決問題。
4.竄貨抓不準。進銷比容易誤判，沒辦法有效把竄貨走水盯起來；督導沒有精確數字做抓手，盯不到點上。
5.采購怎能更精準。沒能很好的客觀判斷，每年平均浪費上千萬物料。
為解決上述難題，云徙推出了一個具體的預測算法。
通過算法模型的應用，可得到非常顯著的成果：
對于業務：降本增效。比如門店庫存的周轉周期，降低損耗率等，同時也支持企業搭建物料中心和BOM中心。
最終可以為每個門店每年節省702元這樣大幅縮短的效率，降低2萬元的損耗，為企業帶來最大的經濟效率增值。通過數據模型為企業提供業務的判斷預測與輔助支持是有很大的潛力的。
為其他業務系統提供數據
云徙服務的某消費品行業案例：為企業CRM系統提供客戶數據，支持數字化營銷業務。
首先是數據的整合，通過數據中臺拉通線上線下不同業務渠道的客戶的數據，以挖掘的方式實現數據的拉通，也可以通過中臺加裝一些裝修工程或者指標管理套件；
其次，把已經處理好的會員數據、標簽數據推送到其他業務系統，后續面向多場景做會員的更多運營，提供等級、權益、場景等；
最后，設置運營工具之后，可以進行更加深度的價值挖掘，提供數據的應用支持，實現數據賦能。
數據應用建設切入點：關注高層重點，降低建設難度，規避建設風險，保障組織支撐，切合業務需求。
企業做數據應用的建立，可以選擇選擇某一業務來做這個初步的識別，如何選擇比較合理？
1. 高層關注。關注高層核心關注的方向；關注近期集團重點發力的業務板塊；關注集團的重點業務板塊。通過這些方向的選擇能夠得到比較好的高層支持和更好地推進數據的建立。數據中臺做數據應用是一個領導的工程，需要由上下統一貫徹下來，才能更好實現各個部門之間數據的收集、加工等。
2. 信息化建設基礎。選擇有一定信息化基礎的業務線或者業務的方向，有一個充足的數據是可以收集使用。
3. 數據質量。業務線所使用和產生的數據都比較好，表結構清晰，數據之間互聯網打通的難度也比較低。數據質量是數據應用更好更快建立的一個基本要求。
4. 組織架構基礎。需要有充足的IT組織人員，能夠更好的承接運營中臺長期的使用；IT職能能夠支持數據支持、分析工作；有專門負責數據管理、數據治理的崗位
5. 業務需求清晰。如果有比較清晰的業務應用，業務人員對業務、指標有清晰的了解，可以參考指標清單，規劃一個整體性的指標的要求，幫助更好的來建設相應的數據應用。
