下载掌阅APP，畅读海量书库
立即打开
要做到具有前瞻性、科学有效的业务资源容量规划，还需要对行业有一定的了解，对业务的运营数据与需求有一定的认识与把握。也就是说，在进行容量规划之前，还要做资源规划分析。
资源规划分析离不开运营数据。 运营数据是涉及多方面的，这需要负责运营规划的人员在业务的发展过程中逐步建立、完善系统，并注意及时地收集、整理信息。
在实际规划工作中，用于业务分析的运营数据类型有：基础数据、行业数据、竞品数据及产品数据（见表3.2）。
表3.2 业务分析的数据类型及描述
举例来讲，网民数据就是基础数据之一，如来自CNNIC（中国互联网络信息中心）的中国手机网民规模及其占比，见图3.7。
图3.7 CNNIC中国手机网民规模及其占整体网民数量的比例
（来源：CNNIC中国互联网络发展状况统计调查）
网络广告市场规模数据就是行业数据之一，如艾瑞咨询给出的2018～2025年中国移动广告市场规模及渗透率预测，见图3.8。
图3.8 艾瑞咨询给出的2018～2025年中国移动广告市场规模及渗透率预测
竞品很好理解，比如视频号的竞品为抖音、快手，电脑管家的竞品就有360安全，腾讯视频的竞品有爱奇艺、优酷等。竞品数据包括竞品的业务指标、用户规模、市场份额、资源数据、收入规模等，这些数据的获取相对困难，但可以通过行业交流或关键人物分享获取。
对于基础数据、行业数据及竞品数据，运营规划团队主要通过以下方式获取：
● 第三方公司调研报告（可正式引用）。
● 财报数据（可正式引用）。
● 行业交流及技术会议。
● 关键人物分享。
其中，第三方公司调研报告及财报数据比较权威、可信，更有说服力。规划团队较常引用数据的第三方数据公司有艾瑞、易观、Gartner、CNNIC、AC尼尔森、IDC、eMarketer、腾讯智库、百度与阿里的数据分析等。部分第三方数据分析公司LOGO见图3.9。
图3.9 第三方数据分析公司举例
相对而言，四类数据中产品数据是规划团队（业务链群）可以完全自主控制、最容易获取且可以获取得比较全面的，是资源规划分析中最重要的数据部分，平时要注意收集和累积。但这一点往往还是被业务团队忽视，对于精细化技术运营而言，原则上要求在产品上线时就必须有关于产品运营数据的收集与分析，并逐步完善数据的维度与细化程度。
规划团队平时会进行相关行业报告的收集、阅读并进行适当整理，这样做，一方面可了解行业趋势与市场变化，另一方面可作为资源容量规划的数据积累。在规划容量前，需要完成包括行业市场规模、份额、用户规模、各竞品收入规模等历史与预测数据的数据汇总与分析。
例如，在2014年对即时通信业务资源容量进行规划时，针对即时通信行业，规划经理收集、整理与汇总出的数据参见表3.3。
表3.3 收集第三方调研分析报告示例
（续）
这时，就可以对即时通信行业用户规模做出预测，参见表3.4。
表3.4 即时通信行业用户规模及预测
注：表中阴影部分数据为进行分析时得出的预测数据。表中数据主要用于理解预测方法，暂无更新的数据，不考虑时效情况。
然而实际收集第三方数据时，由于口径或维度上的差别，多家第三方给出的数据很可能不统一，在分析过程中，可以取众数或者市场平均水平。例如，表3.4中阴影部分的数据就取了当时市场预测的平均值。
关于如何做好行业分析，属于另外一个专业领域与方向，超出本书论述范畴，在此不做赘述。
业务资源规划需要抓住业务的核心需求进行，因此还需要结合中长期IDC资源的策略与布局原则，对业务的核心需求进行分析。
业务的核心需求分为四个方面，分别是业务发展需求、用户体验需求、架构特性需求及资源质量需求，如图3.10所示。
图3.10 业务的核心需求分析
注：1.SLA是Services Level Agreement的缩写，即服务等级协议。
2．MAN是Metropolitan Area Network的缩写，即城域网。
要做好业务的核心需求分析，需要平时与业务方多进行沟通，只有对所规划的业务核心需求非常了解，做出的资源容量规划才容易得到业务方的认可。与业务资源规划预测相关的业务分析主要有两类：
● 业务现状分析。
● 规划预测分析。
业务现状分析，主要通过横向对比竞品与企业内同类别产品的指标、资源、技术架构、算法实现等差异，或纵向对比产品自身（如相同产品的不同版本）的历史指标、资源数据、技术架构、单机性能指标的变化，了解或掌握业务产品所处的发展阶段、行业地位、运营资源成本等状况，并为未来的优化与演进提供对比数据基准。
规划预测分析，则主要通过一些预测模型[如巴斯（Bass）扩散模型、贝叶斯（Bayes）多水平回归模型、正交试验、联合分析等]进行业务产品的用户发展预测，进而通过单位用户资源关系模型对未来发展所需的资源或成本进行预测分析，从而科学预测业务发展所需的资源，保障业务发展，也为商务谈判、预算支出等提供决策参考依据。
对于业务产品运营数据的获取与分析包括：
● 产品拆分：需要将规划产品拆分到运营产品，甚至产品模块级别。
● 对拆分后的产品：获取业务指标的现状数据、历史数据及增长变化趋势。
● 对拆分后的产品：获取资源数量的现状数据，历史数据及增长变化趋势。
● 试图建立起业务指标与资源的模型关系：常见的有线性关系、放大或指数关系，尽可能用函数公式表达出来。
● 产品技术架构与Set模型、分布。
● 分析业务的KPI、未来增长点或需求、业务侧重点工作及主要矛盾或问题点。
以微信为例，在2014年进行其运营资源规划预测时，规划经理将微信拆分为基础IM、朋友圈、VOIP（Voice Over Internet Protocol，即基于IP的语音。此处指微信通话）等运营产品，并且在当时对业务指标数据进行整理并做出了预测，参见表3.5。
表3.5 微信产品指标数据整理及预测
注：表中所列数据仅为模拟示例，用于说明预测方法，并不代表实际业务运行数据。阴影部分表示核心预测项。
其中，DAU的预测一方面来自各第三方公司对即时通信行业做出的增长率预测。另一方面来自业务自身历史数据的建模预测分析。
这里举一个微信用户规模预测的实例，依据微信早期公开的运营数据（此处为模拟示例数据），收集并整理得到表3.6。
表3.6 微信用户数整理
注：带*处的具体日期不详，暂按月中的日期（当月15日）计算。
利用Bass扩散模型：
假定其创新系数 p 、模仿系数 q 在一段时间内保持为常数， m 为市场潜力，即潜在需求总数，通过最大似然估计法或非线性规划的直接数值法求解，获得模型的参数值：
p =0.000086， q =0.005010， m =78500
我们可以得到表3.7。
表3.7 用Bass扩散模型预测微信用户数
（续）
注：带*处的具体日期不详，暂按月中的日期（当月15日）计算。
这样，就预测出了微信用户规模的数据及走势，如图3.11所示。
图3.11 微信用户规模及走势预测
图中柱子的高度表示历史上的用户数，曲线表示模型的计算值。可以看到，模型对历史数据的拟合还是比较好的。
若可收集到更多的历史数据，同时引入协变量（如市场竞争活动、营销组合的变化、产品本身的变化、用户期望的变化等），使模型参数成为时变参数，则有希望获取更为精确的拟合预测结果。
以上建模方法也可以推广到其他产品的用户数预测，如能结合多层次贝叶斯（Hierarchical Bayes）模型、CBC（Choice-Based Conjoint，基于选择的联合）分析模型等方法，这样不但可以根据最新积累的数据逐段修正对未来的预测，还可以用于估计尚未发布产品的未来用户数。
另外，表3.5中其他指标的预测方法为：2014年按前3个月增长预测，2015～2017年除按DAU增长率预测外，还补充考虑随终端用户便利性增加及4G与5G的商用，带来用户带宽高速增长及微信的高速发展，朋友圈相册应保持较高增速；对于存储的预测同步考虑终端用户像素提高与优化控制，其增速应按上传图片增速，再加20%的增长冗余（考虑图片大小、套图数变化等）。
对于业务指标数据预测，大家可以思考一个问题：微信活跃用户及收发消息的上限会是多少？