评论
许多组织将数据货币化与出售数据联系在一起。然而，出售数据不是一项简单的任务，特别是对于主要依赖数据的组织。新涉足数据销售的组织需要关注隐私和个人可识别信息（PII）、数据质量和准确性、数据传输可靠性、定价、包装、市场营销、销售、支持等。像 Nielsen、Experian 和 Acxiom 这样的公司在数据销售方面是专家，因为这是他们的业务；他们围绕收集、汇总、清洗、对齐、包装、销售和支持数据建立了业务。
所以，与其专注于尝试销售数据，不如专注于货币化从数据中获得的客户、产品和运营见解；这些见解可用于优化关键业务和运营流程，减少安全和合规风险，发现新的收入机会，并创造更具吸引力的客户和合作伙伴互动。
对于那些寻求货币化其客户、产品和运营见解的组织来说，分析配置文件是不可或缺的。虽然我经常谈论分析配置文件的概念，但我从未写过一篇详细说明分析配置文件如何工作的博客。所以，让我们创建一个“分析配置文件的日常”来解释分析配置文件如何捕捉和“货币化”你的分析资产。
分析配置文件提供了一种存储模型（类似于键值存储）来捕捉组织的分析资产，以便于这些资产在多个业务用例中进行提炼和共享。分析配置文件由指标、预测指标、细分、评分和业务规则组成，这些规则对组织关键业务实体如客户、患者、学生、运动员、喷气发动机、汽车、机车、CAT 扫描仪和风力涡轮机的行为、偏好、倾向、兴趣、关联和隶属关系进行编码（参见图 1）。
图 1： 分析配置文件
分析配置文件在捕捉和重用分析见解时强制执行一种规范，这些见解针对个别关键业务实体（例如，个别患者、个别学生、个别风力涡轮机）。缺乏捕捉、提炼和共享分析的操作框架可能导致：
-
数据工程和数据科学资源的使用效率低
-
分析项目未与高价值业务计划挂钩
-
组织学习的捕捉和应用有限
-
获取组织对分析技术、资源和技能投资的支持存在困难
-
难以建立作为可信赖业务顾问的信誉
-
缺乏可重用的资产，使得未来用例的成本效益更高，并显著提高投资回报率（ROI）
让我们看看分析档案是如何工作的。
假设你是一个组织的分析副总裁，该组织通过注册的在线账户和/或忠诚度计划（例如零售、酒店、娱乐、旅行、餐厅、金融服务、保险）跟踪个体购买交易。你被要求运用数据和分析帮助组织“提高同一地点销售”5%。
在执行了愿景研讨会（顺便说一句，这个决定非常明智！）以识别、验证、优先排序和对齐业务相关方围绕关键业务用例后，你提出了以下“提高同一地点销售”业务计划的业务用例：
-
用例 #1：提高活动效果
-
用例 #2：提高客户忠诚度
-
用例 #3：增加客户店铺访问量
-
用例 #4：减少客户流失
为了支持“提高活动效果”用例，数据科学团队与业务相关方合作，头脑风暴、测试并确认他们需要为每个客户构建人口统计和行为分段。人口统计分段基于客户的变量，如年龄、性别、婚姻状况、就业状态、雇主、收入水平、教育水平、大学学位、抚养人数、抚养者年龄、家庭位置、房屋价值、工作地点和职位。行为分段则基于购买和互动交易，如购买频率、最近购买时间、购买的物品、花费金额、使用的优惠券或折扣、应用的折扣、退货和消费者评论。
图 2 显示了来自“提高活动效果”用例的客户 WDS120356 的客户分析档案。
图 2： 提高活动效果
注意：一个客户不会只属于一个人口统计或行为分段，而可能根据人口统计属性和购买活动的组合存在于多个不同的人口统计和行为分段中。
由于这个用例，我们在分析档案中创建并捕获了大量每个客户的人口统计和行为分段。这些人口统计和行为分段现在可以在不同的用例中使用。
下一个用例是“提升客户忠诚度”。数据科学团队再次开始与业务利益相关者进行头脑风暴，以“确定可能更好地预测客户忠诚度的变量和指标”。数据科学团队开始分析过程，重用放入数据湖中的用例 #1 数据，但收集额外数据以支持客户忠诚度评分的开发、测试和优化。
作为分析建模过程的一部分，数据科学团队决定，创建的行为细分可以被重用以支持“增加客户忠诚度”用例，但发现通过额外的数据可以改进行为细分的预测能力。
因此，数据科学团队完成了两个任务，以支持“提升客户忠诚度”用例：
-
创建了一个新的客户忠诚度评分，包含了用例 #1 数据以及新的数据来源
-
改进了现有行为细分的预测能力（现已版本控制为版本 1.1）
图 3 显示了“增加客户忠诚度”用例生成的客户 WDS120356 的更新分析档案。
图 3: 提升客户忠诚度用例
需要特别注意的是，改进后的行为细分的受益者——无需额外费用——是用例 #1: 提升活动效果。也就是说，“提升活动效果”用例的性能和结果仅仅在没有额外成本的情况下得到了改善！
为了实现这一目标，分析捕获在分析档案中的内容必须像软件一样对待，并包括支持软件开发技术的功能，如检查/检出、版本控制和回归测试（使用 Jupyter Notebooks 和 GitHub 等技术）。
让我们再来看一个用例：“增加客户到店访问”。数据科学团队再次开始与业务利益相关者进行头脑风暴，以“确定可能更好地预测客户访问的变量和指标”。数据科学团队再次开始分析过程，重用放入数据湖中的用例 #1 和 #2 数据，但收集额外数据以支持客户访问频率指数的开发、测试和优化。
作为分析建模过程的一部分，数据科学团队再次决定，更新后的行为细分可以被重用以支持“增加客户到店访问”用例，并发现可以通过额外的数据进一步提升行为细分的预测能力，以支持“增加客户到店访问”用例。
图 4 显示了客户 WDS120356 的更新后的客户分析档案，结果来自“增加客户店铺访问”用例。
图 4: 增加店铺访问用例
再次强调，更新的行为细分的受益者——无需额外费用——是用例 #1 和 #2，它们发现这些用例的表现和结果有所改善，无需额外费用。
通过逐个用例推进，客户分析档案得到完善，并为数据货币化提供基础，改进业务和运营流程，减少安全和合规风险（见图 5）。
图 5: 完全功能的客户分析档案
分析档案还提供了识别新收入机会的基础；了解你的客户和产品使用行为、趋势、倾向和偏好，以至于你可以识别未满足的客户需求或新服务、新产品、新定价、新捆绑、新市场、新渠道等的新的产品使用场景。
接纳分析档案的概念创建了一个操作框架，用于捕捉、完善和重复使用组织的分析资产。这使得：
-
利用关于多个业务用例中关键业务实体的分析洞察。
-
发展基准，随着时间的推移，有助于优化未来的决策。
-
开发可重复的分析流程，以加速组织内部分析的采用。
-
为进一步提高数据的经济价值而证明对分析工具和数据科学家的投资。
-
通过使你的分析对其他业务利益相关者可消费来扩展你的分析工作的价值。
-
更好地了解你“没有但可能拥有”的数据。
分析档案帮助组织优先考虑和调整数据科学资源，以创建可操作的洞察，这些洞察可以在整个组织中重复使用，以优化关键业务和运营流程，减少网络安全风险，发现新的货币化机会，并提供更有吸引力、更具指导性的客户和合作伙伴体验。
因此，你不应该专注于销售数据（因为很难量化数据对他人的价值），而是寻找销售分析洞察的机会（例如，行业指数、客户细分、产品和服务的交叉销售/增销建议、运营绩效基准），这些洞察可以支持目标市场的关键决策。你的目标市场可能会为帮助他们做出更好决策并发现新收入机会的分析洞察付费。
原始内容。已获授权转载。
相关：
-
确定数据的经济价值
-
区块链是数据货币化的终极推动者吗？
-
识别可能是更好预测指标的变量