无规则采集器列表算法( 【案例分析】构建数据驱动四步进阶法（一）)

　　无规则采集器列表算法(

【案例分析】构建数据驱动四步进阶法（一）)

　　

　　一、状态

　　背景：

　　问题：

　　随着公司的发展，用户越来越多，每个月的营销成本都惊人，但无法准确评估效果。结合网约车案例，列举如下问题：

　　目标：

　　搭建用户数据分析平台，助力企业用户成长。

　　二、搭建数据分析平台的意义

　　对于公司来说，每一项成本都是预算和有限的。通过数据分析，希望花的每一分钱都能产生看得见的效果，让每一个进入平台的用户都能长久停留。活跃并能够反复为平台创造收入并为转化付费。

　　三、构建数据驱动的四步法

　　从业务的角度来看，数据分析从概念到实施主要分为四个阶段，即拥有数据、查看数据、分析数据和应用数据。

　　1. 有数据：你想要什么数据？采集数据如何？

　　数据基础设施不容忽视。数据基础是数据应用的底盘。如果底盘不稳定，其上的建筑物根本无法建造。

　　(1）采集 数据类型和优先级

　　不同规模、不同类型的数据所蕴含的价值释放空间千差万别。企业需要根据实际业务需求来评估数据采集的优先级和内部逻辑。

　　

　　结合用户行为分析的逻辑，第一步将重点关注d-Mapping-的开启；第二步，将终端中的通用数据和主流程数据采集进行，采集核心相关的用户数据；第三步采集细粒度、更丰富维度的业务数据最终使行为数据、业务数据、用户数据形成工作机制，扩大数据本身的协同效应，如下图所示，划分不同类型数据的价值。

　　

　　2. 看数据：看什么？你怎么认为？

　　从本质上讲，查看数据可以分为两个关键问题：首先，查看哪些数据？第二，数据呢？

　　你在看什么数据？

　　整体来看，企业可以从三个维度从上到下查看数据：目标KPI、业务场景、指标体系。

　　(1）目标 kPI

　　目标KPI一般由企业自身的商业模式和业务发展阶段决定。一些公司将其称为第一个关键指标或北极星指标。大多数公司的目标KPI是一个综合数据，比如DAU，可以拆解成新客户吸引新客户，老客户活跃，流失用户回归。

　　一般情况下，企业的目标KPI可以设置为：累计客户数、活跃客户数、交易客户数、交易订单数、总交易量、留存率、回购率。

　　(2）业务场景

　　在实现目标KPI的过程中，企业需要将其细分为不同的业务场景。从本质上讲，每个业务场景都有其运营业务流程和相关影响因素。

　　一般情况下，企业的业务场景可以分为：促销推广、产品体验、资源定位运营、内容运营、客户运营、活动运营、商户运营等。

　　(3）指标系统

　　业务场景可以进一步细分为可评估的指标体系。这些细粒度的数据可以帮助企业识别影响成败的深层次因素，指导下一步的优化。

　　在从业务场景到指标体系的拆解过程中，企业需要按照新的商业模式，建立与产品、运营、市场等实际业务和发展阶段高度相关的业务逻辑。

　　需要注意的是，无论指标是哪个维度，由于指标应用涉及多个部门，为了提高指标体系的通用性，避免歧义，在梳理指标体系之初，指标口径或定义需要明确。.

　　

　　怎么看数据？

　　(1）看数据的5大角度

　　不同于一般的上报数据，需要多维度、深入、全面地看待数据，可以从量级、趋势、异常、结构、细分五个维度进行综合分析。详情如下：

　　一是看量级，即数据量；

　　二是看趋势，即通过数据的涨跌来判断企业业务健康的走势；

　　三是看异常，即看数据的骤升骤降，定位机会或问题点；

　　四是看结构，即了解数据的构成、构成的比例、优先级等；

　　五是看细分，即通过细分维度的数据，结合产品的具体形态，破译数据背后的具体含义，比如看Android和iOS操作系统在A中的占比，并分析用户的特征或偏好。如果你使用更多的华为手机系统，那么商业用户的比例会很高。如果多用OPPO和vvO系列手机，娱乐爱好者的比例会很高。

　　(2）评估数据系统的四个维度

　　一、看企业的源数据结构，是否拥有合理、结构化、有序的源数据体系，源数据管理是否不断更新；

　　二、概览系统的建设情况如何，是否构建了相对逻辑的概览，概览是否可以帮助企业看到市场数据和实时数据；

　　第三，各业务线的数据看板如何构建，如产品、运营、市场等不同功能线是否有对应的数据看板，甚至不同业务线的子团队是否有对应的看板；

　　第四，数据权限的制度建设如何，权限划分是否清晰、科学、安全。

　　3. 分析数据：为什么？怎么做？

　　分析数据的目的和终点是业务，所以数据和分析能力只是分析数据的一小部分，业务理解和判断能力对分析价值的贡献和影响更多来自分析能力和业务的结合。从角度来看，一级数据分析师可以清楚地分析出问题的原因；二级数据分析师可以提出一些针对性可行的建议；三级数据分析师可以将优化建议抽象为例程。运行机制，实现机制自动化和精简。

　　

　　结合业务数据分析，基本可以总结为三种常见的场景。

　　场景一：找出异常情况的原因

　　寻找异常情况的原因是一个常见的分析场景，主要是确认数据变化是如何受到影响的。大致可以分为两个分析方向：无能和无能。

　　（1）有线索——已验证

　　有线索的数据分析一般是验证类型，依赖业务和分析经验，效率高，但可能忽略其他因素。分析逻辑如下：

　　正常情况下，线索数据分析已经关联了23个因果假设，其中一个是可能影响数据下降或上升70%-80%的关键因素。通过原因假设的数据表现和对应的数据细分维度层级分析将非常高效地找到问题的答案。

　　(2）没有线索 - 探索性

　　没有线索的数据分析通常是探索性的。它需要根据数据的可能性进行测试，效率低且易于使用。分析逻辑如下：

　　没有线索的数据分析应该像技术调查一样用尽，进行探索性分析。这时，企业数据采集的完整性对分析的效率和结果有重要影响。

　　探索性分析方法效率相对较低，因此数据分析师需要培养自己的业务感知，积累自己的经验来提高判断力，并尝试使用验证性分析方法。

　　场景二：业务迭代效果评估

　　业务选择的评价效果的分析逻辑是比较固定的。一般是了解业务的原创状态、采取的修改措施以及采集的相关衡量指标数据，然后根据指标的变化趋势分析优化效果。以下是评估业务选择效果的三个评估和诊断原则：

　　一是指标准确全面，即业务含义准确，核心维度全面；

　　二是数据可比性强，即保证两组分析的数据具有可比性。如果用户结构相同，外部环境不变，保证两组数据之间唯一的干预因素是实验计划；

　　第三，分析逻辑清晰，即分析思路清晰，分析模型科学。

　　(1）数据驱动选择全景图

　　企业不仅要通过数据分析明确数据变化的原因，更要从中寻找突破点。因此，企业首先要明确业务增长目标，然后围绕目标进行综合分析诊断，寻找解决方案或思路，优化选择新一代。最终形成开发上线、效果评估、优化方案的闭环。以下是数据驱动的选择全景图：

　　

　　(2）如何找到增长点？

　　企业寻找业务增长点的三个步骤：打蛇打七寸，确定第一个关键指标；建立增长模型，定位增长点；结合业务场景确定具体的行动计划。

　　①明确第一个关键指标

　　企业可以从两个维度找到第一个关键指标：

　　首先，商业模式企业首先需要洞察产品或业务为用户提供的真正价值，从而构建价值模型，明确量化指标。很大程度上决定了数据操作的上限。

　　例如，关于企业提高用户留存率，如果企业自身产品的使用频率受限于其能够为用户提供的价值，那么无论企业付出多大的努力，都难以实现。长期保留。因此，数据性能是由商业模式决定的，不同的商业模式有不同的天花板。

　　其次，AARRR，即在给定商业模式的情况下，每个环节的数据表现及其承担的结构能力，是企业确定第一个关键指标或增长目标的重要因素。

　　② 构建增长模型

　　通过拆解第一个关键指标，可以构建对应的增长模型，比如常见的GMV拆分。根据增长模型，可以明确定位增长点。

　　③ 业务场景

　　企 寻找业务增长突破点的思路可以概括为下图：

　　

　　(3）如何找到解决方案？

　　寻找解决方案的分析思维分为五个步骤：明确业务场景；建立指标体系；深度特征挖掘；深入的原因分析；并确定解决方案。

　　①明确业务场景

　　常见的业务场景包括：新用户全流程、核心主流程、页面流量分布、搜索、推广活动等。在分析数据时，首先要识别关键业务场景。比如对新用户全流程的分析，分析师需要确定用户旅程中不同节点的里程碑，然后根据里程碑中的激励策略和业务转型能力设计指标体系来评估效果整个链接。

　　② 指标体系

　　总体指标体系的构建可以分为四类：量级指标、效率指标、结构指标和细分维度。

　　③ 特征挖掘

　　特征挖掘一般包括尺度特征、趋势特征、过程特征、结构特征和异常点挖掘。特征挖掘的分析过程需要看整体数据，然后下钻分析各个细分维度，突出异常或特殊数据，再进行原因分析。

　　④ 原因分析

　　原因分析可以结合模式/阶段、主要业务动作、功能流程设计、线上运营活动、营销投放等，这些因素都可能导致数据变化。

　　⑤ 解决方案

　　在确定业务解决方案时，它通常不是一次性的过程。可以先确定优化方向，再进行进一步分析，再确定优化方案。如果需要优化的点很多，则需要确定优化的优先级。

　　下图总结了寻找解决方案的思路。

　　

　　应用数据：如何使用？有什么价值？

　　通过将数据应用从渠道、粒度、时效上进行划分，可以构建一个数据应用全景图，如下：

　　

　　（1）差异化展示：基于配送效率提升体验和性能

　　从数据应用的真实场景来看，很多大数据分析产品的逻辑基本都是基于业务属性、用户属性或行为特征数据提取和筛选人群分组标签，然后根据匹配相应的方案或内容库。给人群分组标签，然后按照规则。判断是否展示和展示顺序进行个性化推荐，以达到提升体验、分发效率和性能的目的。

　　不同产品的区别往往只在于实现这个系统时内容供给的类型和及时性，这在很大程度上决定了实现需求本身的成本。

　　（2）个性化展示：产品内个性化推荐实施原则

　　推荐系统中的数据是一个非常关键的元素。例如，模型训练需要组织训练数据；计算在线用户预测的用户特征；智能推荐等内容元数据

　　(3）差异化触达营销：精准列表输出，匹配营销渠道，促进目标达成

　　通过用户行为分析和行为特征，对用户进行分组，输出精准列表，然后匹配规则和策略，对接不同的渠道/营销系统，发送短信/Push，或者发放优惠券/红包等。这就是产品An最终结果是目标转化的外部营销机制。

　　在这种场景下，对接系统策略和时效需要结合实际业务需求进行评估。比如很多频率比较低的业务，一个月可能积累不了几条数据，极少量的数据在算法或者规则策略操作方面质量很差，达不到决定更新的程度的策略。做T+30很好。

　　(4）价值实现与资源投入的矛盾

　　很多公司花费高昂的成本来建立一个应用数据团队，但最终的产出却相差无几。这是因为价值感知和资源投入不成正比，还需要考虑其他因素，如下图所示。

　　

　　应用数据对于整个价值感知来说是最直接的，也是大多数老板所看重的。但实际上，当一些服务的用户差异不大时，应用数据的价值就比较弱，比如服务频率很低；

　　分析数据，分析数据的价值释放与分析师的能力密切相关。如果企业有一个好的数据分析师团队，释放出来的价值会比图中的更大；

　　看数据是企业数据驱动的第一步，所以它的价值感知被放大了，如图所示；

　　数据生产整合，数据生产整合是一项重要的工作，投入资源较多，但整体价值感知较少。

　　建议第一步是整合数据生产，看数据；第二步，分析数据，企业需要培养数据分析人才，先了解业务，熟悉学习分析思路再应用；第三步，企业有一定的数据基础，需要数据分析人才时，进行应用数据系统的建设。

　　本文由@Brilliant 千阳原创 发表 每个人都是产品经理。未经作者许可，禁止转载。

　　题图来自 pexels，基于 CC0 协议。