数据驱动到底能做什么?数据驱动的使用方法实践说明

电子说

1.3w人已加入

描述

数据驱动能做什么?我们认为主要包含驱动决策、驱动产品智能两方面的价值。本文分享以下内容:

1、数据驱动价值:驱动决策、驱动产品智能

2、数据驱动闭环:数据采集—数据建模—数据分析—数据反馈

3、数据驱动各环节方法与实践

本文根据神策数据联合创始人& CTO 曹犟在发表题为《数据驱动从方法到实践》演讲整理所得,请您欣赏!

这个是我之前一个产品同事发给我的,他说这些是产品关心的指标。

因为我是工程师出身,我根本不懂这些东西,但是我知道怎么改进产品:我们把这些指标全部算出来,进行监控,一旦发现某一个指标异常,立刻分析原因,并解决这些原因。

如果指标没有异常,可以和别人家进行对比,你的转化率是多少,我的转化率是多少,看我们有多少提升空间,来提升指标。

所以,整个逻辑很简单,先设置关心的问题,实际算出来,并关注是否异常,找到异常原因,分析解决异常,看数据有没有真正得到上升。

场景 1:内容产品的“Aha Moment”

通过用户行为将用户群体划分成四类:路人、打酱油、参与(点赞、转发)、深度参与,如何提升这四类人的用户留存?

很简单,首先我观察四类人的留存率,很明显,行为深度越深,用户留存肯定越高。

那该怎么操作?

扩大“参与行为”使用者面积,门槛太高,落地性较差;扩大“围观行为”使用者面积?这个方法更可行,在产品信息流页露出“热评”,可以提升留存,来验证新增“热评”之后效果如何。

场景 2:电商,收藏按钮位置改版

某电商的英国威廉希尔公司网站 存在两个“收藏”,一开始设置有点问题,一个点击率极高,一个点击率极低。显而易见,浪费了非常重要的位置。后来将点击率低的收藏按钮位置换成了“服务”的按钮,经过验证,点击进入量没有明显下降,同时“服务”点击量提升。

经过 SA 中的数据对比发现,BEST 分类的点击流量并没有预想中高,甚至跟 MEN 分类的访问量差不多。猜想可能用户不习惯往左滑动页面,习惯往右滑动界面。

同时,该电商还进行了英国威廉希尔公司网站 BEST 分类按钮位置调整,将 BEST 类目放到 FUN 类目右边。效果:经过调整后,50% 以上的英国威廉希尔公司网站 用户会进入 BEST 类目,比原来调整之前相对提高了 78% 。

场景 3:小程序的产品迭代案例

这是一个纯女性短视频社区案例,他们一直致力将数据分析融入到运营乃至产品迭代的最细节处。这是他们的工作方式。

该企业的小程序更新发版很快。用户分享之后裂变,有一个完整的看板让大家来评估的自己的影响。日裂变作为关键指标,某版本上线后发现裂变指数(uv 数 x 内部调整因子)迅速下跌。

图 18 某版本上线后发现裂变指数迅速下跌

通过回溯过去 7 日的分析看到:“分享”按钮的点击数据出现连续下滑,“下载”按钮的数据在出现大幅度提升。

图 19 回溯 7 日数据快速筛查可能原因

通过用户实际回访,确认“保存按钮”其实弱化了“分享意愿”,造成分享减少。次日晨完成新版本上线后,指标变得正常。

(4)运营

除了数据驱动产品迭代,下一个案例是用数据驱动运营,数据驱动运营同样是发现问题,分析原因,来验证效果。

图 20 基于数据的驱动闭环,驱动业务决策

六、反馈

最后给大家介绍几个重要闭环。

1. 用户运营的闭环反馈

我们推出了自动化运营的新产品,我们发现大家对产品运营自动化越来越高。

神策自动化运营是基于分群标签的全流程运营闭环分析系统,通过用户精准分群、灵活创建并管理营销活动计划,比如知道用户数据、业务数据,最终精准的刻画了用户画像。基于用户画像采用不同的触达方式,比如优惠券等。

做完之后,我可以分析衡量触达效果怎么样,从而评价营销效果。有了第一次营销效果之后,可以针对性的改进,做第二次营销效果。真正形成自动化、精细化的运营闭环。

图 21 用户运营闭环反馈

2. 产品智能闭环反馈

这是个性化推荐的全流程,包括采集各种不同的数据,构建相应的兴趣模型,特定的场景推荐下做推荐,不同纬度、不同指标做测量。

图 22 产品智能闭环反馈

东方明珠是神策数据的客户(东方明珠:融媒时代的大数据转型之路打造),以百视通 IPTV 某驻地为例,日活数百万用户通过 IPTV 机顶盒付费观看授权内容,部分精品内容需额外充值观看;在接入神策推荐之前,主要依赖人工推荐,以热门、付费和内容相关性为主要推荐参考。

为提升用户的观影体验、提高用户留存以及充值付费营收,东方明珠利用神策推荐解决方案,完成采集点击日志、展示日志、播放日志等所需用户行为数据,基于行为数据构建深度学习召回算法策略,采用 GBDT+LR 排序模型训练数据。

推荐算法上线两周后,神策推荐的效果,对比人工推荐,仅 CTR 一个指标即提升了 6 倍,对推荐内容的人均浏览次数提升了 1.9 倍。

责任编辑 LK

打开APP阅读更多精彩内容
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

全部0条评论

快来发表一下你的评论吧 !

×
20
完善资料,
赚取积分