《数据驱动-从方法到实践》读书笔记
2022-04-28 20:36:01 0 举报AI智能生成
了解数据驱动产品的方法和时间流程
作者其他创作
大纲/内容
结构
1百度大数据工作的经历
百度数据板块：网页数据和用户行为数据
搜索引擎发展
用户行为分析践行：百度知道的回答量提升7.5%
从零到一构建百度大数据分析平台
数据源与Event模型的重要性
大数据是屠龙术
2大数据思维与数据驱动
大数据的概念
大数据之“大”
个体数量大
大数据之“全”
覆盖类型众多
大数据之“细”
数据信息具体到每只企鹅的组织、器官
大数据之“时”
实时性
大数据的本质
信息是用来消除不确定性的东西。 ——香农《信息论》
大数据的本质，就是通过信息消除不确定性。 ——吴军《硅谷之谜》
数据驱动理念与现状
数据驱动的价值
分支主题
企业内部数据驱动现状
理想的数据驱动——“流”
大数据时代到来的条件
数据采集能力增强
数据处理能力增强
数据意识的提升
3数据驱动的环节
数据驱动的环节
数据采集->数据建模->数据分析->数据展示
分支主题
数据采集与埋点
数据采集的现状
埋点混乱, 常规埋错, 漏埋
采集对象
前端操作（Web/ Android/ iOS等）：按钮点击、下拉选择等
后端日志（Nginx/ UI/ Server等）：浏览、检索、购买、支付等
业务数据（数据库/ CRM等）：物流、进销存、客服等
数据采集遵循法则
让数据驱动落地企业, 数据采集的质量将决定数据分析的深度. 其中, 数据源是最重要的.
大, 全, 细, 时
科学的数据采集和埋点方式
全埋点
无埋点
分支主题
代码埋点
前端埋点
在前端嵌入SDK，但对每一关键行为都需要调用SDK代码，将必要的时间明、属性字段写入代码，发送到后台服务器。
后端埋点
将相关事件、属性通过后端模块调用SDK方式发送到后台服务器。（数据可靠性更高，且一处埋点，Web/iOS/Android 端全接入）
适合范围
数据的准确性
影响因素
比如网络异常、统计口径不同、代码质量问题、无效请求等
提升方法
关键行为采集，推荐后端埋点
事件设计和明确统计口径
元数据管理和埋点管理等
数据建模
数据模型与建模
多维数据模型
事件表
对行为事件的描述「4W1H」
用户表
用户属性信息等的「User Profile」
分支主题
多维事件模型的探索经历
数据分析方法
行为分析
行为事件分析
用来研究某行为事件的发生对企业组织价值的影响以及影响程度。
事件定义与选择 -> 下钻 -> 解释与结论
漏斗分析
了解用户在整个流程中的，从起点到终点，每一步的转化情况。
留存分析
分布分析
点击分析
即页面热力分析，展示某一个或某一组相似页面中所有的用户点击数据。一般用于Landing Page的分析。
用户路径
通过用户行为路径，发现用户行为特点与背后原因。
展示形式一般采用桑基图。
用户分析
用户分群
用户信息标签化，了解自己产品的真实用户是怎样一群人。
漏斗分析一般用于关注阶段差异；用户分群则用来关注群体差异。
属性分析
指标体系构建
第一关键指标法
用来确定产品当前发展阶段最重要的问题。
产品周期阶段
第一阶段：确定用户需求，做出MVP来验证需求真实性 ；
第二阶段：成型产品+固定的用户群，有丰富数据进行分析；
第三阶段：产品形态相对成熟，企业关注规模化、快速盈利。
分支主题
海盗指标法
AARRR
为企业提供数据分析基础和罗盘，以及指导创业和企业发展的探索方向。
分支主题
获取
根据不同来源的触发用户数，优化营销投入与产出
激活
关键是找到产品的Magic Number，本质是用户只有进行了这些操作后，才真正体验了产品的价值。
三个例子
Twitter发现新用户在30天内关注了30个好友，就很容易在平台上继续活跃，否则流失的风险就很高；
LinkedIn发现新用户如果一星期内加到5个联系人，他们的留存率和使用频率将会提高3-5倍；
Dropbox发现新用户只要使用1次Dropbox文件夹，变成忠诚用户的可能性大大增加。
留存
降低流失率
延长用户生命周期
营收
转化率、销售额、平均客单价、新增付费用户数…
引荐
NPS
4数据驱动产品和运营决策
数据驱动运营
用户获取（Acquisition）
激活（Activation）
留存（Retention）
引荐（Referral）
营收（Revenue）
数据驱动产品改进和体验优化
数据驱动商业决策
数据驱动落地企业，要从管理者做起
数据驱动商业决策的价值
5数据驱动产品智能
数据平台及用户智能
如何计算热门榜单
客服系统中的行为数据
为什么需要数据平台
数据平台提供的能力
数据应用与用户智能
基于用户行为数据的用户智能应用
用户智能分类：基于规则与机器学习
用户智能应用——用户画像
User Persona
User Profile标签体系的建立
用户智能应用——个性化推荐
个性化推荐的概念
架构实现
数据流
业务分析与模型选择
实验与迭代
6各行业实践数据分析全过程
互联网金融数据驱动实践
企业服务数据驱动实践
数据驱动能够为企业服务做什么
面临的挑战
数据应用的阶段
零售行业数据驱动实践
电子商务数据驱动实践
打破企业发展经营困局：从粗放式到精细化
电商企业数据驱动瓶颈
实践案例
0 条评论
下一页
