時代商網--打造最權威的商業資訊平臺!
當前位置:時代商網 > 科技 > 正文

神策數據徐美玲:如何挖好數據這座礦?

11-05 來源:互聯網 發布人:張永

  從業務角度來看,數據的整體重要性毋庸置疑,但是對于業務人員來說,他們要的是真正稱之為鉆石的部分。本文根據神策數據業務咨詢專家徐美玲在神策2019數據驅動大會上發表的《如何挖好數據這座礦》主題演講整理而成。本文將為你重點介紹數據驅動的挖礦模式進階法,包含以下內容:

  ·看數據——如何正確的看數據?

  ·分析數據——有哪些典型的分析場景?各場景下的分析要點是什么?

  ·應用數據——應用數據的場景差異有哪些?千人千面、精準營銷、精細化運營如何實現?

  挖數據這座礦,從業務的角度上來講,可抽象為三個不同階段的層面,我將其歸納為挖礦模式進階法,如下圖:

  挖礦模式進階法

  一、看數據

  就看數據而言,我認為本質上可拆分為兩個問題,第一個是看什么數據,第二個是怎么看數據。

  1.看什么數據?

  看數據方法

  如上圖,首先是目標KPI。比方說從業務角度來看,基本上由本身的業務模式與業務發展階段所決定,包括KPI考核,為什么同樣是電商的成交業務,有時老板考核指標為DAU,有時是GMV。

  就電商的商業模式來說,其本質上最核心的目標一定是GMV或凈利潤率,但大部分都會關注規模,及不同的階段評估何種核心指標。

  其與常提到的第一核心目標或北極星指標一致,但在有目標KPI的情況下,大部分的目標KPI是一個綜合性的數據,如DAU,其可拆解成新客戶拉新、老客戶活躍、流失用戶的回流等。

  第二步是將目標KPI細分為業務場景。一般企業會按照一定的邏輯進行業務場景的細分。如對于老客戶拉新客戶的業務場景,企業會設計一個運營策略,考慮如何讓更多人知道老邀新機制,并使其更具吸引力、信任感等,使其點擊之后,還需要考慮如何促進下一步的注冊、轉化等。

  本質上,各個業務場景均具備其運作的業務流,在該流中會存在影響這個業務流運作好壞的一些因子或因素。

  第三步是將業務場景進一步細分到指標體系。很多企業只在看大盤數據,或進一步看結構數據,但這些數據均無法告知企業的深層次原因及下一步動作。因此,企業需要按照新的模式,從業務場景拆到指標體系,使其與產品、運營、市場等實際業務建立強相關的業務邏輯,該邏輯與企業的業務架構是強相關的。

  2.怎么看?

  看數據事實上存在一定的技巧。與常見的匯報數據不同,看數據需要多維深入全面的看,如下圖:

  看數據框架

  其一,看量級,這一點基本上企業均了解,在此不贅述;其二看趨勢,其意味著企業業務的健康度走向,若往下,企業便需要提高警惕;其三看異常,這要求看數據的人不斷提高異常敏感度;其四看結構,企業需了解其數據的組成、組成占比、優先級等;其五看細分,如企業看DAU時,需了解DAU中安卓和iOS操作系統的占比分別為多少,其中往往隱藏著用戶的特征或偏好,如使用華為手機的商務人士占比較高,而使用OPPO、VIVO系列手機的大多數為娛樂發燒友等。因此,用戶屬性特征數據本身能輔助企業解讀和挖掘一些有價值的信息,這也是數據的價值所在。

  下面我舉一個例子——某APP的月活,怎么看?

  數據分析案例

  假如某APP的月活量級是100萬,首先企業需考量100萬意味著什么,對于教育或電商業務來說,100萬月活只能稱為一般,若其中新增為30萬,企業還需要進一步看其黏性,尤其是DAU占MAU的比例為多少,同樣也需要結合行業來看,如對于互聯網+企業MAU達到100萬,新增用戶為30萬,活躍用戶持續活躍用戶數為60萬,回流用戶為10萬,意味著在企業的整個用戶盤的結構處于良好,但也需結合具體業務重點分析。

  再者,企業需考慮iOS與Android的占比,如市場上的iOS與Android占比的平均趨勢為3:7,如某業務的iOS的占比更高且達到45%,說明企業用戶與整個中國大盤的市場結構不一致,此時企業需進一步思考是否該行業的用戶本身也具備該特征,來評斷企業的特征結構與行業大盤的用戶特征結構有無差異。

  然后,每月訪問僅1天的用戶占比45%,即表示該APP中低頻用戶的占比非常高,也意味著用戶可帶給該業務線的黏性與價值是不一樣的。因此,企業需關注月活中的天數分布數據,其很大程度上表明了用戶對你產品的黏性價值有多高。

  另外,我們再看趨勢,此時不僅看態勢還需看趨勢對比,如對比去年它的上升態勢,排除季節性因素影響,再比如分析是否存在月度規律數據,變化是否受到月度差異的影響,如有差異,再進一步下鉆分析。

  綜上所述,若企業的指標體系構建的足夠完善,哪怕只看數據,也能看到有意思的信息,實現一些獨特的發現與洞察,企業需結合自身的行業、業務、發展階段等來綜合定位和解決問題。

  此外,從整個數據體系來看,企業存在一定的數據體系差異基礎,一般可從兩個維度分析,如下圖:

  數據體系的基礎差異

  第一,指標的科學性,即企業本身指標體系的設計,是否具備科學性和系統體系。

  第二,數據完善性,數據的基礎建設呈現何種狀態。

  綜合這兩個維度,企業可判斷自身的薄弱處及自身所處階段,一般來說企業可做好這兩個維度,其數據化建設不會差。

  在神策數據,我們經常回訪客戶,一般當客戶不是很抵觸,我們均會建議看一下他們的后臺進行評估與建議:

  第一,企業的源數據結構如何,是否具備一個合理、有結構、有秩序的源數據體系,以及源數據本身的管理,有沒有持續更新迭代;

  第二,概覽體系建設如何,是否已建成一個相對有邏輯體系的概覽,該概覽是否能幫助企業看大盤數據和看實時數據;

  第三,各業務線的數據看板建設如何,如產品、運營、市場各個不同的職能線是否有相應的數據看板,甚至不同業務線的子團隊,有無對應看板。

  第四,數據權限的體系建設如何,是否明確,是否科學和安全等。

  以上四點如果企業建設的均不錯,則這家公司的數據應用應該不會特別差。神策數據在服務客戶的過程中不止聽對接人的反饋,還會通過數據后臺的建設情況直觀評估其是否達到比較理想的運作機制和問題所在,并給出相應的解決方案。

  其實這也是神策數據交付團隊今年在業務探索上的一個比較核心的思路,即數據采集完成不是終點,如果要扶客戶上馬,最小最小的終點是幫其把源數據和概覽體系建設到對于各個業務部門均適宜,基本上達到開箱即用的狀態,助其輕松上馬。

  二、分析數據

  就數據分析而言,數據和分析能力只是其中的一個小環,而對業務的理解與判斷能力對分析價值的貢獻和影響占比更多。

  分析的目的和終點

  從分析的角度來說,首先分析者明確知道原因,其次提出一些可行建議,更進一步,分析者可將優化措施常態化為一個常規運作機制,并使該機制自動化與流程化。

  從建設概覽的角度上來講,做數據分析的人應該幫業務的人建報表,建報表的目的從某種意義上就是將其機制化,并評估機制化的水平,如分析者是只能幫業務機制化到看一個大的數據結構和趨勢是什么,還是能夠把一些核心的維度與場景幫其提煉出來,做成一個關聯的主題,幫助業務人員更快更有效地看懂數據。

  對于分析數據,基本上可概括為3個較常見的場景:

  場景一:異常情況找原因

  我將其分為兩個分析方向:有頭緒和沒頭緒。

  (1)有頭緒——驗證式

  分析方法一

  有頭緒的找原因一般帶有經驗,數據的下降很容易關聯2-3種原因假設,這幾種原因又對應著一定的數據表現特征,然后再定向的查看和分析這些特征的數據表現維度,評估其趨勢結構與預設的是否一致,如果一致,則基本驗證了假設。

  如果不一致,則需要考慮另一種假設,該方式比較高效,一般情況下,出現異常主要由1個核心影響因素導致,可能該因素導致數據下降或上升的影響占70%-80%。因此,分析者依靠業務和分析經驗的的驗證式策略極其有效。

  舉個關于分析GMV掉了的原因的例子,運營發現數據出現異常時,經常會找產品和技術問是否有bug,接下來就會來回排查,使事情變得非常低效。我踩過幾次坑后,發現大多數業務是強利益導向的,一旦活動在產品中看不到一些顯性的精細化營銷策略,或當這個策略失效后,數據將會較明顯的下降。

  因此,我在數據采集體系里增加了一個采集字段——在一次成交的訂單中是否用券,并專門做了一個報表,分析GMV掉了如何定位原因。其第一個維度是用券的GMV結構,是同步上升,還是異步的一個上升另一個下降。如果是同步下降的意味著不是活動的影響,但如果GMV是整體下降,且其中用券的結構大幅下降,其沒有用券的成交結構反而是小幅上升或是一個穩定狀態,便意味著肯定是活動的影響。

  數據指標分析

  這件事情教會我大多數分析師應具備產品敏銳度,包括敏銳度怎么轉化到數據采集方向上的結構性解決方案,及數據指標看版的結構性探索。以上是在異常分析中依賴經驗的一種非常快速的驗證式方案。

  (2)沒頭緒——探索式

  若該數據結構沒有什么頭緒,就需要像技術排查一樣做窮舉,只不過分析者可通過數據做驗證窮舉,而不需要技術去排查代碼,依次驗證場景有無異常。

  此時,當發現數據下降時,需先尋找可細分的維度有哪些,這些細分的維度本身有沒有出現差異化的趨勢,并且這個趨勢里面主要影響的維度跟因素有可能是哪些。這變成了一個探索式分析,這種探索式分析取決于企業數據采集的完備性,因為如果某一個核心的維度并未采集數據,企業便很難驗證對錯,因此,這對數據采集本身的要求很高。

  分析方法二

  同樣是GMV掉了的場景,假如我是一個對該業務場景不熟悉的分析師,并無可靠的假設,則需要遍歷所有維度,尤其是重點影響維度,當發現維度內表現有差異即很有可能為影響因素,當維度內走勢都相似,則需向前追溯。

  業務場景分析

  整體來看,這種分析方式是比較低效的,因此分析者需要與業務合作,逐漸熟悉業務,并積累自己的分析經驗,提高自身判斷力,盡量使用驗證式方法。

  場景二:業務迭代評估效果好不好

  業務迭代評估的業務場景相對固定,其基本上為了解業務原先狀態,采取的改動措施,并在這個過程中采用了哪些指標、取了哪些時間段的數據,然后用哪些維度與分析邏輯驗證迭代或變動措施是否正確。下面介紹業務迭代評估效果的三個評估診斷原則:

  其一,指標準確全面,這點很容易理解;

  其二,可比基準較高,企業對比的數據基準本身具有可比性,否則將無意義,就是大多數A/B測試的基本實現原理,其要保證兩組分析的數據本身具備可比較性,并屏蔽它的外部影響因素和其它可能的干預措施對于分析結果的影響,盡量保證兩組數據之間唯一的干預因子為實驗方案。

  其三,分析邏輯清晰。舉個例子,互金行業存在新增難,羊毛客戶多的問題,我還在互金行業時,針對這個問題,我們決定更改企業的新增方案,評估在新增方案下面能否實現更好的用戶和資金的留存。

  業務背景

  圖中包含兩期它的原本方案和一個新的測試方案,在測試方案中的主要修改點有四個:利率結構調整;限額調整;用戶到期續持,優惠調整。最后的優惠調整主要是為提高用戶后續的二次投資,促進用戶從首投到新增轉化,避免薅完羊毛之后就直接斷點。

  當時,關于持有天數的設計有不同的看法,推廣人員擔心天數加長影響新客轉化,運營會考慮引流用戶的質量等。

  需要解答的問題

  但是,從產品的角度上來講,我認為主要是一個效率思維,在做產品約2年的時間中,我最大的感觸是,對于產品來說,量只是它的一個舞臺,而產品的實質好壞,很大程度上取決于產品轉化能力。

  比方說,同樣是100萬用戶,產品的轉化能力有多高才是產品真正實力的體現,而100萬用戶與1000萬用戶,只能說明產品舞臺不一樣,實際發揮的價值也不一樣。

  傳統分析方法:“量”為王

  上圖中是推廣人員當時給出的數據結果,對比方案一、方案二、方案三的數據,方案三的日均注冊人數與日均首投金額均有下降,甚至客單價出現了下降。所以,推廣人員的第一反應是要回滾整個新客轉化的運營方案,但我看到該數據時是存疑的,因為直觀上從產品的角度上來講,尤其是從投資用戶的角度上來講,我認為真實用戶的比例結構肯定是上升的,長期的健康度價值來看一定是更好的。

  后來,我花了2天時間,重新整理了新的推廣方案上線后的數據,如下圖:

  基于轉化邏輯在:更科學對比同樣基準下的量,質量和轉化能力

  呈現該數據的核心原因是大部分的新客轉化有一個統計窗口期的概念,每個時間段引進來的新用戶,其轉化邏輯有差異,所以不能只看統計窗口期當天的注冊轉化。因此,我重新按照用戶從統計窗口期進來的結構來看有多少激活、注冊、充值、投資以及普通標(普通標代表用戶二次投資轉化的能力)。

  從圖中,大家可以看到激活的整個轉化率結構,實際上新方案從投資激活轉化能力上來看是有所提高的,尤其我不只看用戶的首次投資,還分析首日投資的客單價與均價,整體來看方案三的表現更好。

  該方案從產品設計的邏輯上阻絕了大多數羊毛黨的短期套利空間,對于長期用戶價值是更有利的。因此,我便使用該數據進行第二次匯報,該數據與上次數據的最大差別是整個數據匯報思路是從現階段分析的,該階段很大程度上取決于激活量本身,其最終真正轉化的有效投資,尤其是用戶的二次投資能力更強,因此后續采用的是第三種方案,后續該方案至少應用了約半年。

  通過這個案例,我發現整個公司的數據應用思路與邏輯具備很大的差異和可提升空間。

  場景三:尋找業務增長突破點

  從整個數據驅動角度上來看,基本上企業的思路要從前往后走,首先企業提升增長的目標究竟是什么,然后圍繞這個目標做診斷分析,再從診斷分析里提出一些解決方案或思路,最后在解決方案與思路的方向上形成一個閉環的運作機制,如下圖:

  數據驅動的迭代全景圖

  企業需要做整個開發測量的閉環反饋機制,現在大部分做增長也按照這樣的思路,在相對早期未采用A/B測試時,在整個機制的情況下,大多數數據驅動做的比較好的公司用的是這套機制,區別在于同時的測試數及測試速度,甚至在業界相對較杰出的人也基本上是按照這套機制做產品迭代和增長。

  我認為,尋找增長點的核心在于第一指標,可從兩個維度來分析:

  其一,業務模式。一般考量產品或業務真正為用戶提供的價值是什么,價值如果被量化,量化的指標是什么,以及業務在頻率與價格上呈現什么樣的特征,這些特征很大程度上決定了數據運作的上限。

  其二,AARRR,即在業務模式既定的情況下,各環節的數據表現與其承接的結構能力,是企業判定第一指標或增長目標的核心點。

  第二步為構建增長模型,用第一指標做拆解,可搭建出相應的增長模型,如常見的GMV的拆分,當在增長模型中定位了增長點,繼而可關聯幾個核心的業務場景。

  第三步為業務場景,企業可從幾個關聯的業務場景出發設定具體動作方案提升業務場景的數據表現,最終提升增長模型中的核心杠桿點,從而促進第一指標的提升。

  這是個基本思路模式(如下圖),只是每個人的理解或思考深度會有一定的差異。

  增長點模型

  下面我們再談談如何尋找解決方案?因無法公開具體案例的相關數據,我和大家分享下解決方案的思路。

  在業務場景的分析閉環中,企業需首先進行業務場景的定義,如現在經常會遇到的場景邏輯是把整個新用戶的轉換路徑拉長,尋找不同節點的里程碑,而里程碑中的激勵策略如何,表現出的業務轉化率如何便需要進行其指標體系的設計,來評估整個環節的效果。

  從指標體系來說,可大體分為四類(下將以金融行業舉例說明):

  第一,量級指標。就金融來說,需查看每天帶來的投資金額多少,投資人數多少等。

  第二,效率指標。大部分指標都是看轉化率,從一個環節到下一個環節,或整個鏈條的轉化率是多少。

  第三,結構指標。如每日投資金額里,投資新手專項包、日常活動包的占比結構如何,在該結構中投30天或90天的比例是多少,如測試數據顯示基本上約90%的人只投30天,那么從產品設計的邏輯上來講,企業可直接刪除90天的選擇,簡化用戶在這個環節的選擇跟停留。

  在指標體系完善后,企業需進一步做特征挖掘,這是分析中比較重點的環節,因為找趨勢或找特征這件事,需看數據全局,從各個細分維度分析可先把有異常或較特殊的數據高亮出來,再繼續做原因分析和得出最終的解決方案(如下圖)。

  解決方案

  就個人經驗來看,我接觸的分析師一般可做到第三層,第四層、第五層只是一筆代過,將最后一層做好需極強的業務思維,需把自己當成這條業務線的owner進行分析,如此其提出的解決方案才可具備極強的可行性與價值。

  因此,在業務閉環的最后,一定是經驗或能力發揮更大的價值,并且一定要做到閉環,不管因這個閉環職能可再往前走一步,還是往交叉線再多走一步。因此,業務人員具備數據分析能力很重要。如果要為其階段性定一個目標,我認為可做兩件事:第一,看懂數據;第二,會提需求。

  三、應用數據

  關于應用數據,我們先看一下數據應用全景圖,如下:

  數據應用全景圖

  首先我們可從通道和粒度兩個維度進行分析:

  其一為粒度,指可具體到群體還是精準化個人,一般有兩種大策略,其策略力度基本上決定了一個因子是用規則類的分層,還是精細到個人的推薦算法;其二為通道,通道在產品內,還是產品外,決定了其對應的應用場景是什么。產品內是大家常見的一些資源,比如廣告資源位/item欄目列表等;產品外的通道如短信、push、電銷、廣告等。

  另外,時效性是數據應用的一個關鍵,包含數據本身和數據分析的時效性等,特別是個性化推薦策略更需要實時在線、個性化的千人千面展示。下面我介紹下具體應用:

  1.差異化展示:基于分發效率提升體驗和業績

  很多產品,如神策智能運營、神策用戶畫像、神策智能推薦從真正應用場景來講,其邏輯基本上通過業務屬性、用戶屬性或行為特征數據進行篩選人群分組,再得到分組的結構標簽,精準定義人群,再根據人群分組標簽匹配對應的方案或內容庫,繼而根據規則進行是否展示和展示順序的兩個判斷。

  整體最終的目的包括提升體驗、分發效率、業績等,其差別只在于實現這套體系時的內容供給類型與時效性,其很大程度決定了實現需求本身的成本大小。其整體邏輯如下圖:

  差異化展示:基于分發效率提升體驗和業績

  對應我前面提到的概念,如何正確的給開發提需求,每一個產品或每一個運營都希望擁有實時性的業務上線規則,甚至脫離研發排期,實現創意與落地的快速打通。

  2.個性化展示:產品內個性化推薦實現原理

  這也是神策智能運營可實現的一個子場景,即產品內的差異化分發,而神策智能推薦會再多出來一層,其本身會搭一個數據集市,并做特征工程,在這個工程后面會做索引構建與模型訓練,繼而再做推薦服務。因此其整個產品的運作機制會比以上描述的體系復雜很多,其力度也會做的更細,這種場景下其實現的基本是實時的推薦服務,因為推薦服務本身會對接到客戶業務后端和用戶端。

  在這兩個體系里均會實現埋點收集和業務執行反饋,然后再回收效果數據和業務運作的實際數據。因此,這套系統的搭建會復雜很多,神策智能推薦的報價也比神策智能運營的報價更高,在提需求時大概可以思考實現的成本與實現效果,究竟要落到哪個通道,哪個力度,以及什么樣的時效性,在這三個維度上掌握好再給技術提需求,技術才知道業務究竟要干嘛,這是給做業務的人正確提需求的一個參考指南。

  產品內個性化推薦實現原理

  3.差異化觸達營銷:精準名單輸出,對接營銷渠道和手段,推動目標達成

  營銷的邏輯與第一個場景的整體實現邏輯有點像,差別在于分群名單對接的是通道或營銷系統,實現的是通過哪些通道,推送哪些內容,以及是否要發優惠券,這是產品外的一種營銷機制,其最終的結果是目標轉化,如下圖:

  差異化觸達營銷

  相比產品場景,該對接的系統與邏輯存在差異會有時效性的問題,如其是可支持準實時,還是最多可支持T+1,策略與時效性本身也與業務場景強相關,提需求時需考量在內。

  下面我展開介紹下價值實現和資源投入的矛盾,如下圖:

  價值實現和資源投入的矛盾

  從整個價值感知上來說,大多數老板認為應用數據非常高大上,雖然對大多數業務來說確實如此,但當有部分業務非常低頻,其用戶差異度并不大時,其應用數據的的價值也相對較弱。

  再看分析數據,我之所以把它畫成梯型,是因為我認為在這個領域里面能夠真正做好的分析師太少,導致實際產生的價值并不多。但真正做好數據分析的團隊,產生的分析數據的價值其實應該更大。而看數據之所以放大來看,是因為看數據是一家公司做好數據驅動的第一步,這一步非常難,并且其做好的前提是先實現下面的數據生產整合,因此看數據的整體成本相比分析數據會更高一點。當然對價值實現和資源投入有以上認知的老板已經很好,有的老板會認為這是你該做的事,甚至還會因為將其整體搭建起來成本太高而認為沒價值。

  從資源投入的角度來看,假如企業的數據基礎資源建設做好是一個非常大的投入,再往上看數據和分析數據的成本會逐漸降低。但是,再往上因為應用數據其實是重新又建了一套完整運作的體系,它其實是需要被產品化與平臺化的,其成本會變的更高。

  現在我們與客戶溝通時,從神策數據的服務角度切入,往往會推薦其先做數據生產整合和看數據,分析數據需要企業進行數據分析的培養或通過神策數據的解決方案學習一些分析的模式、策略再進行實際應用,在數據基礎具備及具備數據分析人才與能力后可進行應用數據體系的建設,這是我比較推薦的階段性規劃。

  綜上所述,企業要做好數據建設,需道與術全面兼備才可更高速地挖掘出礦中的鉆石,釋放價值。

  關于神策數據

  神策數據是專業的大數據分析平臺服務提供商,致力于幫助客戶實現數據驅動。公司圍繞用戶級大數據分析和管理需求,推出神策分析、神策用戶畫像、神策智能運營、神策智能推薦、神策客景等產品。

  此外,還提供大數據相關咨詢和完整解決方案。神策數據積累了中國銀聯、中國電信、百度視頻、小米、中郵消費金融、海通證券、廣發證券、東方證券、中原銀行、百信銀行、中青旅、平安壽險、四川航空、翼支付、好未來、VIPKID、東方明珠、華潤、有贊、百姓網、貨拉拉、閃送、驢媽媽、Keep、36氪、拉勾、VUE、春雨醫生、聚美優品、惠頭條、紛享銷客、媽媽幫等1000余家付費企業用戶的服務和客戶成功經驗,為客戶全面提供指標梳理、數據模型搭建等專業的咨詢、實施和技術支持服務。希望更深入了解神策數據或有數據驅動相關問題,請撥打4006509827電話咨詢,會有專業的工作人員為您解答。

版權聲明:凡注有"時代商網"的稿件,轉載必須注明來源為"時代商網",來源標注其他網站的所有內容,與時代商網無關。其原創性和內容未經本站證實,本站不作任何保證或承諾,請讀者僅作參考,并請自行核實相關內容。如發現本站文章存在版權問題,煩請用郵件發送至郵箱[email protected]我們將及時進行刪除處理,謝謝合作!

? 河南22选5玩法说明