本文作者从他过去的B端数据分析工作中总结经验，和大家分享，一起来看一下吧。
一、写在前面
最近也越来越喜欢Dambisa Moyo的这句话，
“The best time to plant a tree was 10 years ago. The second best time is now.”
我是西索，距离2011年6月22日，到现在是真正意义上做了十年数据分析，十年前没有种好树，十年后我想重新开始积累。工作之后的前两年是面向于C端的零售行业，余下的八年都沉浸在B端领域里面，研究数据增值、变现的场景。
二、为什么要写这篇文章？
前一阵子在[一个数据人的自留地]群里发了一个问题：
对于to B的公司，要不要做企业画像? 如何做企业画像? 结果一石激起千层浪，大家讨论非常热烈。原来一直以为用户画像在to C的公司用的比较多，没想到服务B端的企业也有这么多人在关注，大家一致认为企业画像是有必要的。然而大家的分歧在于：如何做？人肉做，还是大数据，是否需要用到大数据？
和simba大佬聊完之后，大佬出了一系列文章，分享了如何做B端的画像。看完之后产生了一些感触和想法，C端的分析案例一搜一箩筐，但是B端的案例是真的少。
老实说，数据就是一团浆糊，越搅越糊，至今还没怎么真正把数据的价值和意义搞懂，每天一个踩坑知识点，过山车一样的刺激，懂的人自然懂。于是就想把过去在B端里面的分析场景整理出来进行分享，一方面给过去这十年做一个简单的复盘，另一方面也看看能不能得到一些共鸣，产生新的idea，欢迎私信来交流。
做数据，欲速而不达，慢就是快，需要稳扎稳打把脉络理清楚，后面在应用的时候就会清晰很多。
三、B端的数据，得看的远管的宽，才显专业
在B端做分析，时刻记牢的几个关键要素：“营收”、“影响”、“知名度”。
首先必须是“营收”，区别于C端消费，B端的决策周期长，从触达到产生订单之间的过程很难做归因，对数据而言，获取线索比直接看；
然后才是“专业”，需要对生意、行业、企业经营、业务（市场、营销、供应链仓储物流、商品、运营、客服、研发）上的概念有比较全面的了解，否则很难和业务保持在同一个沟通层面，很容易被评价为不懂业务；
再后就是“方法”，在B端如果能往外延伸触达到客户，所接触到的对象非富即贵，不是老板就是高官，不同的场合下用的“道”、“术”、“器”都进行区别，变则通，见人说人话，见鬼说鬼话；
3.1 这些B端业务上的一些核心业务指标，老板们都喜欢看
合同金额、付费用户数、付费转化率、用户客单价、用户流失率、商机线索量、市场占有率；
3.2 这些B端业务上的一些主要分析场景，领导们都喜欢听
- 面向市场的竞品分析，帮助营销找线索，竞品的主要客户群体、竞品的客户群体特征（区域特征、行业特征）、竞品客户群体的财务情况、目标客户的背景、目标客户的喜好；
- 面向客户的运营分析，帮助客户找它的经营问题也是平台的切入点，客户的整体市场规模、主要客源渠道分布、主打产品的地域差异、潜在的市场机会；
- 面向产品的用研分析，帮助产品快速定位提升优化体验，产品使用过程中的埋点行为分析、用户获取留存和流失、核心业务链路的使用情况监控；
- 面向管理的经营分析，帮助管理层更好的了解业务线现状，从财务分析的视角研究业务上的商业数据模型、多业务视角下的业务分析报告、新增市场新增产品新增用户研究；
- 面向质量的问题分析，帮助所有人认清客观的事实，从客服角度触发，把用户的诉求、投诉、建议、反馈等信息和业务数据串联起来，从用户视角去剖析产品、业务环节的质量问题；
3.3 这些B端业务上的一些主要算法场景，同事们都喜欢吹
- 基于标签的推荐算法，需要根据标签、用户偏好、商品信息建立混淆矩阵，召回商品集合，生成差异化的规则和策略；
- 基于商品的类目预测，需要从商品的类目、品牌、型号、规格、属性等信息，建立分类模型；
- 基于交易的趋势预测，需要从市场大盘、行业趋势、单品交易等维度，建立预测模型；
- 基于市场的供需模型，需要从供需双方的频次、需求量、供给量等层面，建立供需模型；
- 基于用户的漏斗分析，需要从渠道来源、访问、页面浏览、模块点击、加购收藏、点击支付等链路，建立漏斗模型；
- 基于运营的画像分类，需要从用户、商品、交易、行为、风控、市场等粒度下，对用户建立标签；基于路径的最优模型，需要对地理位置、行车路线、配送路线、仓库建设等场景，建立基于时间、空间的最优模型；
- 基于风险的风控模型，需要从履约、违约、诉讼、行政处罚、刑事处罚等风险场景，建立风控模型；
- 基于客服的语义模型，需要对用户诉求、电话咨询、机器人问答、人工客服等场景，建立NLP模型；
四、说下B端常见的一些用户分类
对于绝大多数B类用户的研究，接触到的对象一般都是以中小型的B端公司为主；只有在KA用户里面，有少部分是真正大规模的企业、品牌商，这类公司的组织形态又极其复杂，可能所对接的业务只是贵司其中很小的一个模块而已。
五、说下B端常见的业务类型
产品是B端业务的根本，市场开发是业务营收的关键，而服务是业务稳定增长的核心。
- 做产品，深挖客户需求形成产品建议，包装产品方案进行技术演练，丰富产品适配场景提高通用性；
- 做市场，对线上线下营销活动资源进行整合，建立线索的收集、反馈通道，快速感知用户的诉求，并提供产品应用解决方案；
- 做服务，保障产品实施交付，提供同步的指导培训，复盘客户业务现状、应用实践案例，形成业务解决方案，以驱动产品和营销方案的升级，促成用户续约；
通过服务扩散产品价值增益，维护老客的稳定接触，建立市场口碑，吸引更多的新客户。
六、对比B/C端数据的一些特征
不同的业务下，产品模式不一样，在结果体现上区别就会更大，以至于有很多业务线上的数据量级极小，甚至于根本谈不上大数据分析，就更谈不上所谓的算法和工程。
- 需求层级上：因为是垂直领域，对接的也是企业级之间的供给关系，所以从动机上来说，考虑更多的部分是商业模式和生态玩法，而不是单一的购买意向；
- 数据量级上：没有C端规模那么大，无论是用户群、产品使用、流量、需求；
- 产品架构上：受制于用户群体，B端的产品分类目标导向性会比较强，工具类型产品、平台类型产品、服务类型产品；
- 画像分层上：做的好的B端企业一定都是垂直细分领域，所以用户群体相对单一，画像更多的是在细分用户的精准性区别上，标签多来自于产品和系统本身；
- 合作方式上：B端之间的合作一旦达成，往往都是强依赖关系，具象一点，拿交易举个例子，C端消费的交易达成一般是订单，B端合作的交易达成可能是订单、也可能是合同、还可能是商业合作（短、中、长）；
- 盈利模式上：B端的盈利模式，服务费、佣金、返点、合作费用、广告投放费、会员费、线下活动入场费、培训费、咨询费等；
- 决策模式上：B端明显会偏向于多人决策、关键核心人决策，找准人找对人才是关键；
七、用户-业务-产品-数据，才是好的链路顺序
通过下表，对比下B端和C端之间的场景差异。
7.1 用户差异
7.2 业务差异
7.3 产品差异
e.g 以salseforce 为例，对于它的产品周期：
1. 最早提出SaaS的模式，这是一种全新的商业模式；
2. 后来以CRM 为突破口，建立了一个完整的以客户为中心的，售前(营销)、售中（销售、履约）、售后（客服）全链路的软件服务，可以看出他的产品就是围绕商业模式展开，战略就是围绕客户开展的一系列工作流程。
3. 到现在云计算， 促使他产生了几朵云，营销云， 销售云，客服云，而大数据又促使ta产生了 分析云，AI 又产生了AI 客户之类的服务；
7.4 行为差异
7.5 数据差异
八、社会才是最好的大学，都会有起有伏
每个人在离开学校，踏入社会的大门开始，都会经历很多个成长周期。在传统行业的产品管理中，有产品生命周期的一套理念，套用到职业生涯，应该也是可以的。
- 投入期，创新能力最重要，这时要考虑打造专利护城河；
- 成长期，销售最重要，持续打造规模效应护城河；
- 成熟期，利润最重要，持续打造网络效应和品牌护城河；
- 衰退期，成本最重要，用迁移成本减缓产品的衰退。
对应上面的四张图，我周边很多朋友在毕业没多久就如第一个图的呈现，起点高，偶尔有起伏，站的总归一直在高处。回看我自己的职业生涯，觉得应该比较贴切右边最后一张，职场进阶的道路上虽然曲曲折折，但是总会在一个小周期之后能得到突破。
九、入门难，深造更难，不要沉迷于工具带来的爽感
不得不说，初入职场的前几年，特别沉迷于数据本身而不是业务，以及对各种数据处理技巧的深层次研究，用VBA、R、SPSS、Python不同的软件去自研各种自动化的小工具，小有成就。
工具毕竟只是工具，就跟打游戏开荒一样，当每个模块、功能都尝试用过一遍之后，就丧失了兴趣，数据分析不过如此，几年之后就索然无味了，分析无用。当对一件事情失去了兴趣和焦点，整个人就会变得很浮躁，傲慢、漫不经心、焦躁、忧虑……以及冲动，我想辞职！
庆幸的是，碰到了一些比好的领导，都是人生中的引路人，在状态极其不好的时候，给予方向上的指导，给了很多选择。
有一阵子，内心浮躁，无所事事。领导说有机会就跟着市场、营销、工程的同事去接触接触业务，如果可行，以后转型也方便。后面就跟着事业部的业务同学去拜访客户，到用户现场参观，了解产品是如何在用户公司使用的，到一线听他们的吐槽（大部分是骂声）。人间清醒是客户，付了钱，产品哪里好用、哪里有问题，意见反馈、客服电话打了一通又一通，这些都是从结构化的数据里面看不出来的。
有种说法是说客服才是一家公司最懂业务的人，只要他们想，随时可以去挑战任何一个产品、技术和业务！
在B端用户分析里面，很多时候通过数据分析在异常上找不到的原因，在用户现场指不定就茅塞顿开了。为什么这个用户原来很活跃，一个时间点之后，它就不活跃了，因为它的业务主体发生变更了，老板原来的确是做这个细分板块业务的，有一天他朋友来合伙投资，整体业务方向就变了；为什么这个用户的营业额突然就下降了，因为他们家老板又开了家子公司，还是同一拨人，当地有小企业扶持政策，还可以免一部分税；……这些部分都离不开对细分行业的了解，随着业务知识的增加，会更合理的看待数据，以及对数据中对异常做解释。
鉴于对产品、业务、用户有了更深层次的理解，再回过头来看数据，认知面就会不太一样。
十、认识用户，了解用户，切勿闭门造车
熟悉业务最好的方式，是直接去找用户进行面对面的对话，高效而简洁；
其次是角色代入式的按照用户视角去模拟用户在产品上的操作，熟悉产品模块和流程；
最次是通过数据库的表结构关系、DDL，去做业务假象，通过日常需求对接，丰富业务上的知识树。
了解C端的用户可以通过区域化的抽样问卷调查，或者通过采买第三方平台所提供的画像数据，能够用样本分析的方法去对人群标签做特征拟合。但是在B端，问卷调查的方式往往是行不通的，毕竟不同性质的企业，在群体特性的差异上是极大的。用户走访，是一个在B端不得不去做的事情，选择一群合适的访谈对象，去和用户做共创、做MPV、做试点，然后把研究的结果在更大范围内进行复制、应用，避免闭门造车。
前面已经提到过，对于企业用户，其看重的是“生意”，功能诉求为主，普遍有丰富的生意经验和复杂的业务流程，因此调研不仅要了解用户使用网上产品的诉求、意见，更需要还原用户原生行为（即线下做生意的行为，链路等）、诉求，据此对应投射到互联网产品。
因为B端的业务决策链路长，且参与角色多，所以不同的人所掌握的信息和权力都有非常大的区别，即使是同一个岗位，不同级别、不同业务分工，所负责内容，关注点的不同。比如在市场营销部门里面，总经理、总监、经理、主管，四个角色在同一事情上的视角和焦点都会不一样；而在零售类型的企业，负责电商、线下渠道、直播渠道为了一个决策所需要的信息也会大不相同。
十一、写在最后
过往面试的时候，面试官问最有成就感的事情是什么，我的回答“通过数据分析、挖掘去促成了2亿市场规模的合同达成（专项项目组）”；“面向B端公司进行定制化的数据报告实现5000万左右的数据营收（报告营收）”……我觉得这是比较感觉到自豪的。
回过头看这些年的经历，感慨万千，在过去这十年的工作经验里面，一直都是在数据分析这个title上。很想把这些年积累的一些知识内容以文字的形式记录下来，对于一个纯理科生来说，这无疑是一种挑战。后面应该会拆成很多个部分，缝缝补补，陆陆续续的完善。
