数据驱动
2020-09-08 11:30:00 1 举报AI智能生成
数据驱动
作者其他创作
大纲/内容
大数据思维&数据驱动
大数据
大数据本质
消除不确定性
信息层次
大数据
大
大数据的“大”强调宏观的“大”，不是一味追求数据量大：方方面面的数据
全
非样本采集，是全量采集，强调多重数据源，包括前端、后端、日志和数据库数据
细
多维度数据，包括事件、角色、属性和度量各种信息
时
实时采集，实时同步，实时计算，实时可视化和可视化
数据驱动
价值
驱动决策
产品改进
运营优化
营销分析
商业决策
驱动产品智能
采用一定数据，通过模型自助学习，然后再通过结果反馈到产品中，产品有了学习的功能，不断自我优化迭代。
目前现状
等待工程师跑数据
需求多，复杂，没有成熟的大数据工具，特别是埋点、采集和计算工具
流程长、效率低
仪表盘只能看到宏观数据
不够精准
烟冲开发，数据孤岛
没有灵活模型
理想状况
数据埋点、数据采集、数据同步、数据存储、数据计算、数据治理、数据质量、数据可视化体系化
大数据时代的条件
数据采集能力增强
移动互联网
传感器
数据处理能力增强
Hadoop
Spark
Flink
数据意识提升
大数据时代
精细化运营
DT时代
数据驱动环节
数据采集
常用采集方案
第三方统计工具
举例：友盟、百度第三方SDK统计
优点：简单，免费
缺点：
采集不完整，不能实现深度分析
业务数据是采集不到的，仅能采集流量行为数据
统计不准确，和业务数据对不上
网络异常、统计口径不一致等
云模式数据分析平台存在安全顾虑
不放心把核心数据放第三方平台
通过业务数据库做统计
举例：通过业务订单、用户数据统计
优点：准确
缺点：
业务数据和统计分析耦合
性能较差
关系数据库做全量数据统计分析几乎不太可能
缺失必要数据字段
比如没有支付时间业务照常流转
web日志统计分析
举例：通过debug、info信息完成数据统计
优点：业务数据和统计分离
缺点：debug、info和需要统计的数据耦合，比较随意麻烦，研发参与太多了
原则
大、全、细、时
科学采集方案
可视化/全埋点
优点：简单、快速
缺点：
只能采集交互数据，仅适用标准化的采集，最大公约数采集，自定义采集不了
兼容性太差，操作系统，版本，浏览器
属于前端埋点，采集不够全面、传输时效性差、数据可靠性无法保障
代码埋点
前端代码埋点，适合前端交互精细化运营优化
后端代码埋点，适合后端业务流程运营优化
导入辅助工具
数据准确性
网络异常
断网、高峰
统计口径不同
定义口径不同
代码质量问题
工程师水平和产品水平参差不齐
无效请求
黑客攻击等
数据建模
多维事件模型
event实体
who
userid、设备id、cookie
when
事件事件、处理时间
where
地理位置、空间位置、相对位置、绝对位置
how
操作系统、版本、浏览器、渠道
what
点击、下单、支付、注册、投诉、售后
user实体
个人资料
数据分析
行为事件分析
定义：研究某事件对价值影响，涉及事件、纬度和指标
特点和价值
who/when/where/how/what
场景：点击、曝光、分享、支付等
漏斗分析
营销管理重在过程，控制了过程就控制了结果。
多维度漏斗分析可以帮助企业快速定位转化问题
注意科学归因和属性关联(纯漏斗)
场景：首页->商详页->加购->提交订单->支付订单转化
优化路径和交互
留存分析
获客成本越来越高，提高留存是必经之道
价值：用户忠诚度分析，用户价值反馈
场景：游戏老玩家、微信老玩家、新用户流失
分布分析
按时间、次数、事件、指标分布统计
价值：挖掘规律，找出magic number，提高复购率和回访率
点击分析
页面分块分图标分连接热力图
价值：网页改版AB测试、热点交互分析
路径分析
同桑基图正确显示具体那条路径才是最优的
用户分群
物以类聚，人以群分
用户画像精准营销
熟悉分析
纬度熟悉全面分析
价值：可能隐藏内在原因呢？
数据指标
第一关键指标法
在企业发展的各个阶段，都有一个当前阶段最重要的指标
比如：GMV、UV、转化率、客单价
创业公司各阶段重要指标
MVP阶段
GMV、新增用户数
增长阶段
活跃、留存、引荐(病毒传播和口口相传)
营收阶段
生命周期总价值LTV、用户获客成本CAC
海盗指标法
A
acquisition获取
A
activation激活
R
retention留存
R
revenue营收
R
referral引荐
数据驱动产品和运营决策
数据驱动运营监控
acquisition获取
分析各个渠道ROI
activation激活
误区
激活就是用户触达
激活就意味着注册成功
正确
magic number
Facebook
10天交到7个朋友
Tiwitter
关注30个人
金融
绑卡
电商
支付订单
提高
减少干扰
提升性能
增加引导
人工介入
retention留存
复购率、次日留存、周留存、月留存
获客成本CAC
客户生命周期价值LTV
提高
精准推送提高留存
运用magic number
流失用户挽回
referral引荐
病毒营销
口碑营销
revenue营收
支付转化率、销售额、客单价、新增付费用户数
数据驱动产品改进和优化
AB测试优化交互和设计改版
商业决策
百度知道有关作业
孵化作业帮
蚂蚁金服团队协作
孵化语雀
蚂蚁金服设计
孵化AntV
Google提供免费午餐
可以提高员工工作效率
价值
透过现象看本质
用数据说话，降低企业沟通成本
赋予企业全面准确的精准商业洞察能力
数据驱动产品智能
数据平台
数据埋点、数据采集、数据计算、数据服务、数据可视化离线和实时一体化
数据应用
自助查询
在线分析
个性化推荐
精准广告推送
搜索优化
用户画像
文本挖掘
反作弊、反欺诈
行业实践数据驱动案例
互联网金融
需求梳理
对公共平台用户精细化分析需求
用户情况
PV、UV、活跃用户数、新增用户数、注册用户数
产品使用情况
平均使用时长、访问时长分布、人均访问页面数、跳出率
核心功能漏斗
注册流程、绑卡流程、出入金流程
私信使用情况
用户关注情况
Life平台精细化分析需求
用户和产品使用情况
PV、UV、新增用户、访问时长
商品交易
GMV、分类目交易
订单数据
订单量、发货时长
关于外汇业务线的精细化分析需求
对P2P理财业务的精细化分析需求
对股票业务线的精细化分析需求
事件设计
对公共平台用户精细化分析需求
启动、退出、页面曝光、点击、激活、注册、登录
Life平台精细化分析需求
曝光、提交订单、支付成功、发货、收货
关于外汇业务线的精细化分析需求
开户流程、申请外汇流程、购买外汇流程
对P2P理财业务的精细化分析需求
点击理财、授信、支付、投资、领券
对股票业务线的精细化分析需求
浏览、点赞、评论、分享、发布、挂单、撤单、交易
数据接入
方式
前端埋点
前端交互数据
后端埋点
出金、入金、投资、购买等核心数据
规范
事件和属性名称的规范
事件采集时机的规范
属性采集范围的规范
应用场景
与工单系统结合，还原真实用户操作，高效化解客户诉求
数据驱动定位最近开展主题
大招用户分群、精准推送、效果反馈的全流程精细化运营体系
企业服务2B
启动阶段
关注产品市场匹配PMF，关注MVP
粘性阶段
留存是根本，关注生命周期价值，是否续约、升级销售
震荡期
绝大多数流失
选择器
稳定期
优化
找到影响流失的关键功能
从用户行为监控用户活跃度
提高渗透率和利用率
引导客户使用高价值功能
从客户业务的流程触发视角去使用产品
增长阶段
关注净推荐值NPS
品牌
病毒传播
营收阶段
收入来源分析
续约
向上销售和交叉销售
实践案例
需求梳理
事件设计
数据接入
应用场景
零售业
电商
职业：数仓工程师
0 条评论
下一页
