数据中台这个词，这几年被讲得很玄。这本《数据中台实战》反其道而行：不谈概念，只谈一件事——在一个多产品线的电商公司里，怎么把数据从埋点一路做到推荐。全书沿着「采集 → 存储与计算 → 打通 → 分析 → 应用」的顺序推进：先把数据采全、把指标算清、把用户连起来，再在数据底座上长出用户、商品、流量、交易四个分析场景，最后开放成自助分析、自动化营销、推荐三大平台。

一条主线：把数据建成底座，把分析做成业务，把能力开放成平台。

这本书的价值在于它把「数据中台」这个大词拆成了可以动手的工序：埋点怎么设计、指标怎么拆解、标签怎么生成、人群怎么圈选、分析场景各看什么数、平台怎么开放给业务。下面这张结构图，就是全书的骨架。

底层建设（2–4 章）→ 业务分析（5–8 章）→ 应用平台（9–11 章），指标体系与标签体系是贯穿全书的两条暗线。

第二章　数据采集

数据中台采集的数据分两类：用户行为数据与业务数据。用户访问、浏览商品属于行为数据；加购、下单、支付属于业务数据——两者的采集方式从一开始就分了岔。

用户行为数据的采集有三种方式：

• 与第三方移动应用统计公司合作完成采集；
• 采用前端与后端埋点结合的方式完成采集；
• 采用可视化埋点的方式完成采集——圈选界面即可定义事件，降低开发成本。

免费 SDK 可选项包括 Sensors Analytics、Mixpanel、Google Analytics。电商场景里，坑位只看 UV 是不够的，关键要看坑位转化率——访问坑位的用户中最终支付的比例。

留存情况从两个口径观察：访问留存（7 天、14 天后是否还来访问）与购买留存（7 天、14 天、30 天后是否还支付）。

采集要靠统一的公共接口约束字段：设备与浏览器信息（终端操作系统及版本、屏幕高宽、浏览器名称及版本）、SDK 信息（类型与版本号）、网络信息（IP、国家、省份、城市）、时间信息（服务端时间与客户端时间）、来源渠道，以及平台信息（产品线、客户端名称）。

页面浏览事件的核心字段：唯一标识（账号 / 设备 ID）、会员 ID（手机号）、页面名称、浏览时长、当前页面 URL、前向 URL、事件名称（浏览 / 点击）、事件类型（如收藏传 collect、加购物车传 addshop）、是否首次访问、是否首日访问。

商品详情页要追加一组特殊字段：坑位 ID、来源类型（活动 / 搜索 / 分类 / 推荐）、来源活动 ID、搜索条件、分类 ID、推荐场景 ID——没有这组字段，后面所有坑位分析和来源分析都无从谈起。

后端埋点负责业务数据：例如加入购物车时，把商品的来源信息以 JSON 形式记录入库，让每一单都能追溯到来路。

第三章　数据存储与计算

这一章的前提是：先定义清晰且没有歧义的数据指标。办法是拆解——把一个看似口语化的指标，拆成一组标准件。

拆解涉及一组概念：业务板块即产品线；数据域是数据所属的领域；业务过程是完成某个业务所涉及的全部过程；时间周期是统计的时间范围；修饰类型是对修饰词的分类描述（如支付方式、终端类型）；修饰词是维度以外的限定词；原子指标是不可再拆分的指标；维度是反映业务一类属性的度量单位；属性隶属于维度。而原子指标 + 修饰词 + 时间周期，就组成了一个派生指标。

书里给的例子一目了然——「最近三个月 iOS 端下单金额」：业务板块是电商产品线，业务过程是下单，修饰是客户端 iOS 端，时间周期是最近三个月，原子指标是下单金额——每个成分各就各位，指标便不再有歧义。

另一个判断标准同样实用：和公司的增长无关、且从中很难看出公司问题的指标是虚荣指标；能直接促进交易额的指标是增长指标。

第四章　数据打通

标签系统适合的场景是：有了一定的用户基础和数据积累，处于多条产品线、多种角色、数据分散度很高的状态——这正是中台要解决的「打通」问题。

标签平台有四个功能：

1. 数据宽表：用来存储用户、商品等所有的指标，一张表看全一个对象；
2. 标签体系：把各条产品线共用的标签和非共用的标签，按统一的层级结构组织起来；
3. 标签工厂：基于规则选择指标、批量生成标签；
4. 人群圈选：通过不同标签组合圈出人群，与推送、营销功能对接。

宽表是地基。用户宽表以手机号为主线，挂上国家、省份、城市、运营商、终端，以及 R（最近一次支付天数）、F（支付频次）、M（累计支付金额）等指标：

表 4-1　用户宽表的例子（节选）

商品宽表同理，围绕商品名称挂上架状态、面料、价格、风格、店铺、品牌、销售热度：

表 4-2　商品宽表的例子

标签体系采用四级结构。基础标签挂在「基本信息」之下，如平台信息、用户类型、潜客、地理位置，多数为事实标签，潜客类型这类需要模型判别的是模型标签：

表 4-3　标签体系的基础标签例子（节选）

业务标签则按产品线挂「用户价值」，把 R、F、M 分段做成模型标签（产品线 B 与 A 同构）：

表 4-4　标签体系的业务标签例子

标签工厂生成标签的五步：选择平台 → 选择维度 → 选择一级标签和二级标签 → 定义标签 → 设定标签的计算规则。界面上就是选指标、配运算符——比如给「用户价值」挂两个标签：「注册天数 ≤ 2」「消费频次 ＜ 2 次」，二者用「且」「或」组合，就能描述一群人。

人群圈选有三种方式：基于用户的客观属性标签、基于用户行为、基于用户的主观标签（由运营、销售手动打标，支持单个或批量，可管理有效性、是否停用与有效期）。

用户画像由五块拼成：基础信息、关键指标（加购 / 收藏 / 领券 / 下单）、标签信息、访问路径信息、偏好信息。

RFM 模型是其中最经典的分层：R（Recency）是用户最近一次交易时间的间隔，F（Frequency）是一段时间内交易的次数，M（Monetary）是一段时间内交易的金额。

营销活动一般分三步：圈人、做活动、看效果——标签平台是第一步的地基。

第五章　用户分析

用户分析的总纲是 AARRR 理论：拉新（获取）、活跃（激活）、留存、转化（收入）、裂变（推荐），五个环节构成一条漏斗。

用户拉新的原子指标是注册量。渠道管理分三级：一级是部门，二级是大类（SEM、地推等），三级是渠道拉新的更细分类别。拉新页面转化率 = 注册成功人数 ÷ 访问注册页人数。

用户活跃分析里，日活、周活、月活都是虚荣指标；关键指标是三段转化率：访问商品详情 → 加购、加购 → 下单、下单 → 支付。

用户留存分析记住一个基准：40-20-10 原则——次日留存 40%，7 日留存 20%，30 日留存 10%。口径分访问留存率与购买留存率。

用户转化分析的关键指标：首单人数、复购人数、首单率、复购率，常用 90 天复购率。

用户裂变分析的核心是 K 因子：每个用户发出邀请数量 × 接到邀请转化为新用户的转化率。

用户生命周期把用户分成新用户、未激活用户、活跃用户、沉默用户、流失用户五类，彼此之间可以流转——未激活可以被唤醒为活跃，活跃与沉默互有来往，流失也有回流的机会。换算关系是：未支付用户 = 新用户 + 未激活用户；已支付用户 = 活跃用户 + 沉默用户 + 流失用户。

第六章　商品分析

供应商选择的评分标准：商品销售数量、发货速率、次品率。商品定位是市场定位问题；商品数量规划分四款：引流款、跑量款、四季常青款、高利润款。

商品售中分析的常用指标：商品 PV、商品 UV、支付件数、支付金额、转化率。价格段管理可以自动化——用 K-Means 聚类算法把每个品类划分出最合适的价格段：先找到每个品类价格的中心点，再通过中心点划分价格段。落地时注意三点：剔除异常值、设定定时器定期调整、划分好后找运营人员讨论。

售后分析看三个指标：次品率、48 小时发货率、退货率。

第七章　流量分析

网页分八类，各自的指标预期不同：推广落地页（访问时长要短，快进快出才算精准）、首页、商品列表页、商品详情页（访问时间要长、跳出率要低）、加购页、下单页、支付页、个人中心页。

路径分析基于汇总数据与明细数据，还原用户在页面间的游走路线。

坑位流量分析是电商特有的视角：坑位由各产品线负责开发控制，管理上要做成可配置（背景图、标题、内容等），支持开启和禁用。基础指标：PV、UV、坑位交易额、下单人数、转化率。有一个口径问题必须先明确：坑位的流量是否包含坑位内层页面产生的流量。

第八章　交易分析

交易分析要分视角设计。针对公司领导层：交易额、公司总用户数、收入，数据模式分实时与 T+1（数据晚一天）。针对产品与运营人员：年度目标和完成率、月度目标和完成率、每日交易额、每日收入。

再往下钻两个维度：渠道交易分析区分线上销售渠道与线下销售渠道；交易来源分析按客户端、坑位、分类页、推荐等拆分——依赖前端埋点与后端埋点的配合。最后还有两组行为视角：购物频次分析与购物间隔分析。

第九章　自助分析平台

自助分析的思路是把取数、看数的能力开放给业务同学。市面成品：GrowingIO、诸葛 IO、神策；看板工具：帆软、达芬奇自助看板、Superset。

第十章　自动化营销平台

自动化营销平台把「圈人、做活动、看效果」三步产品化。活动策划先明确活动目的；圈人用标签平台定义目标用户；做活动确定内容并选择渠道（消息中心）；看效果用数据体现活动效果。

平台功能三件套：

1. 建活动：主题、产品线、归类；
2. 触达任务：一个活动对应一个或多个触达任务；
3. 任务设置：类型、时间、渠道——短信 / APP 推送 / 站外推送。

常规活动内容：优惠券（类型、使用条件）、H5 小游戏（基本信息、页面、文案，以及时间、奖品等细节信息）、H5 页面。活动效果分析依托带链接的短信与 H5 小游戏回传数据；复盘看两个数：新增用户数、活动交易额。活动的目标始终是：没下过单的人首次下单，下过单的人复购。

第十一章　推荐平台

推荐系统的价值是解决人货匹配的问题。用户数据分显性数据与隐性数据（即用户行为数据）。

功能上分三步：召回——通过一定方式找到用户可能感兴趣的商品（与用户喜欢物品类似的物品、与用户有相似兴趣的用户喜欢的物品、基于用户标签推荐的物品）；过滤——剔除不该出现的商品；排序——把最可能成交的排到前面。

技术架构上，数据流是：用户行为产生埋点数据、业务数据、日志数据，经消息队列传输；近线层任务（如 Flink）负责用户特征、实时召回算法、实时商品热度，结果存入 Redis；离线层任务（如 Spark）跑召回算法与排序算法，结果存入 HBase；在线层整合实时计算引擎、离线计算引擎与其他业务规则，响应推荐请求。整体流程四步：收集用户产生的数据 → 执行实时层、离线层的计算任务 → 整合实时推荐结果和离线推荐结果 → 展示推荐结果。

经典推荐算法有两族。基于用户的协同过滤：先找到和目标用户兴趣相似的用户，再把相似用户喜欢、且目标用户没买过的商品推出去。基于物品的协同过滤：先找到目标用户曾经可能喜欢的物品，计算物品相似度，将相似度最高的物品推荐给用户。

评测分两套指标：商业指标——曝光次数、商品 PV、UV、支付人数、支付金额、支付件数、点击率、支付转化率；算法运行监测指标——准确率、召回率、覆盖率。

读完全书回头看，数据中台并不是一个买来的系统，而是从埋点规范、指标定义这些最不起眼的工序里一层层长出来的：采集决定数据全不全，指标体系决定数据清不清，标签体系决定用户连不连得起来；在此之上，用户、商品、流量、交易四个分析场景各自回答一个业务问题；最后，自助分析把能力交给分析师，自动化营销把人群交给运营，推荐把人货匹配交给算法。所谓中台，就是让每一次圈人、每一次复盘、每一次推荐，都有数可依。

指标口径是数据中台的第一生产力——埋点采不全，后面全白算；指标说不清，报表全白做。——读《数据中台实战》后记