-
用户生命周期分析攻略
有很多人想看用户生命周期的分析，今天它来了。用户生命周期管理，是系统化运营和拍脑袋运营的重要区别。不做系统化设计，就会沦陷为无脑烧钱的傻大粗。然而用户生命周期到底要怎么管，网上很少有详细的讨论。 用户生命周期分析的常见错误 网上流传的用户生命周期只有一张语焉不详的图（类似下图）。 这张图有极大的迷惑性，会让新人们误以为： 所有的业务的用户，都有五个阶段。 所有的用户，都会从出生到衰退走完全程。 只…- 32
- 0
-
数字化战略发展五维度
企业刚开始进行数字化升级和转型时容易遇到难题。一是虽然行业中的成功案例比比皆是，但企业完全照搬外部经验构建自己的数字化战略并执行时，效率可能不增反降。二是企业在数字化战略上能够投入的资源有限，希望投在价值回报最大的方向，但数字化项目的价值回报并不确定，导致资源难以集中。针对这些痛点，本文提出企业在制定数字化战略时可以集中资源发展的五维度。 一、五维度内容侧重不同 1. 精益化维度 精益化维度的主要…- 52
- 0
-
如何建立数据治理的长效机制
随着大数据技术的迅速发展，企业对于数据的掌握和处理能力得到了质的飞跃，数据已经成为继物质和能源之后另一种重要的战略资源。因此，企业越来越重视数据资源的管理和应用。然而，信息孤岛和部门壁垒的存在成为了制约企业业务协同和智能决策的重要因素。 为了解决这些问题，我们可以采取以下思路：建立一个“业务一技术一组织”三维一体的数据治理体系，通过数据治理消除信息孤岛，促进企业业务协同和提高业务效率，实现企业的降…- 51
- 0
-
数据分析如何科学制定需求，提升数据获取效率？
让管理者能基于数据做高效高质量决策，是每个数据分析人员的使命。 但是，面对快速变化和日趋激烈的竞争环境，数字化转型多年，企业内常见的一个矛盾，依然是业务灵活多变的业务分析需求，和数据资产和数据提供不及时、不完整、不充分之间的矛盾。 业务常常抱怨，数据需求总是被漫长排期、和IT的沟通总是很费力、想要找的数据总是不知何处、数据质量总是不尽如人意——数据分析的前期工作，就已经耗费了分析任务70%以上的精…- 36
- 0
-
小米数据中台建设实践赋能业务增长
01 销售数仓介绍 首先介绍下小米销售数仓，包括发展历程、销售数仓定义、数据获取使用、销售数仓的内容和规模。 在 2019 年前，小米的中国区、国际部等业务数据团队在进行独立的数仓建设，这个时期是烟囱式的开发。随着业务飞速发展，在集团技术委 ABC（AI、Big data、Cloud）策略的指导下，开始建设统一的销售数仓。在 2020 年，完成了离线销售数仓的建设，同时在筹备实时数仓的建设。202…- 21
- 0
-
搭建数据指标体系的方法
一提到数据指标体系，很多人喜欢背诵AARRR、RFM一类。可真到工作中，会经常发现很难满足业务需要。比如前几天就有同学在星球提问：用户流失该如何搭建指标体系？ 起因是：某公司定义了用户流失率指标是“连续三个月不消费”，可业务看到这个指标却很懵： 1、知道了用户流失率是30%，所以呢？能干什么？ 2、知道了用户流失要召回，可召回划算吗，值不值得干？ 3、为啥一定要等到用户流失了才干活？不能早干点事吗…- 54
- 0
-
如何快速建立数据分析框架
对于专业且经验丰富的数据人来说，结合业务场景和工作经历大部分都已经建立了一套完备的分析思路。就算换了新的工作内容也能结合分析框架轻松适应业务需求。这次想探讨的是针对一线业务同学以及刚接触数据的同学，当接触全新的分析议题时帮助快速建立数据分析框架。 01 问问自己到底要分析什么 这个问题其实很难回答，我觉得资深的分析师在写做各种数据处理和汇总时也会有这种疑问。有时候是巧妇难为无米之炊，数据质量欠缺导…- 32
- 0
-
如何搭建一个高效的运营分析体系
有指标，无体系 有数字，无分析 有图表，无结论 这是做数据的同学们在实际工作中最大痛点。今天拿运营做例子，系统讲解一下如何破局。运营的分支有八种，今天拿内容运营举例。因为内容运营，是最能体现“指标一大堆，分析屁没有”的（如下图）。 问题出在哪里 一提到内容运营，很多同学本能想到公众号、微博、抖音。于是数据指标是张口就来：粉丝量、新增粉丝量、常读粉丝量、阅读数、打开率、转发率……越说越起劲，喉咙里那…- 58
- 0
-
大部分场景都能用的”人货场”模型
做数据分析的同学，很多都听过：人、货、场的分析模型。然而，这东西又是个只闻其名，不见真身的东西。到底该怎么结合实际分析？今天我们系统讲解下。 问题场景： 某生鲜电商，用户复购率较低，60%的用户在30天内无二次购买行为，运营领导非常着急，要求通过数据分析提升复购率，请问你作为数据分析师该怎么做？ A、建立人工智能精准推荐算法（40%概率用协同过滤，60%用关联分析） B、把过往6个月月初复购率做成…- 89
- 0
-
数据归因模型该如何搭建？
“要深度分析问题原因，不能只统计数字，流于表面！” 每次写原因分析类报告，都有领导这么咆哮道。而听到这个要求，很多新手同学又是眉头一皱眼睛一闭：妈耶，咋整啊。今天我们系统讲解下。 问题场景： 某硬件+服务的大企业，正在推微信服务小程序，目标是降低人工客服工作量。可全力推进一段时间后，人工客服未见减少。客户服务中心（一级部门，很有权势）领导大为不满，要求做数据分析，为啥推广小程序没有减少人工客服量。…- 31
- 0
-
搭建搜索词评估体系的简单实践
搜索功能作为C端用户的重要路径，搜索行为对应的信息获取成本及效果会直接影响用户的使用体验，所以针对搜索词做定期评估是非常重要的。这篇文章会简单说一些搭建搜索词评估体系的关键指标，具体的评估细节还要视具体的业务形态而定。 01 确定评估范围 明确产品对标的竞品，并确定抽取搜索词规则，一般都是随机抽取评估。 02 评估场景 衡量用户在什么场景下发起的搜索及回答效果。比如下方的主动搜索场景，针对用户输入…- 1k
- 0
-
怎样正确的做数据报告？
想要写好一份数据分析报告，看完这篇内容基本上能懂个90%，剩下的10%就靠自己实践啦！ 1.想清楚你要写的数据报告属于什么类型； 2.了解数据分析报告的基本架构； 3.数据报告分析报告要注意的一些细节； 4.常见数据分析的几大误区； 一、数据分析报告分为哪几种类型？ 由于数据分析报告的对象、内容、时间和方法等情况不同，因此存在不同形式的报告类型。我们常见的几种数据分析报告有专题分析报告、综合分析报…- 72
- 0
-
一个案例看懂数据分析全流程
经常有新手同学问：数据分析完整流程是什么样的？今天用一个通俗的例子，让大家看清楚数据分析全流程。通过对比，你也能发现：为啥你觉得自己没有做过完整的数据分析。 某天，你的朋友老王对你说：“还上啥班呀，你看你上班一个月才1万块，还不如像我一样卖手抓饼呢，比你上班挣得多多了！”你又吃惊，又好奇。卖手抓饼真的比上班挣得多多了？为了解答这个问题，你得做个分析。前边老王对你说的话，用专业话说叫：了解分析背景。…- 100
- 0
-
搭建数据指标体系的标准化全流程
一提起指标体系，很多同学像说相声一样，脱口而出“AARRR”“OSM”“UJM”……讲得好开心，可面试官多反驳一句：“我这是销售运营的指标体系！”“说清楚到底O是什么O，U是怎么U的！”就会让很多同学没了办法。今天系统讲解下，该如何处理此类问题。 和很多数据分析问题一样，OSM等理论本身没有问题。问题是不能把理论当教条，不深入业务流程之中，不考了具体场景，是没法搭建出好用的指标体系的。 第一步：清…- 63
- 0
-
数据分析的价值是什么？
经常有同学在工作中抱怨，感觉“做的分析没有啥业务价值，报表丢出去了也没回应”。到底怎么做才能让数据分析体现价值，今天结合一个具体场景，详细讲解一下。 问题场景 某同学入职一个公司会员中心，雄心勃勃地想建立“数据驱动业务”机制，为此，规划了一堆： 1、建立全链路数据指标体系，反应运营情况 2、建设3000个会员标签，丰富会员画像 3、建立RFM模型，对会员分层 4、建立预测模型，针对会员购买行为进行…- 57
- 0
-
数据指标体系的4大类型
很多同学问：“有没有普遍的、一般的指标体系梳理方法？”网上常见的指标体系分享，大多是互联网的AARRR一类，现实中情况却很复杂。普遍的方法当然有，就是基于业务逻辑，梳理指标体系。从本质上看，数据指标体系有4大类型，针对四个不同的业务逻辑。今天来系统介绍一下。 评估型 “这个产品质量咋样?” “这个活动效果好不好?” “这个客户群值不值得做？ 这种用数据指标，评价一个东西好/不好的指标体系，即为评估…- 58
- 0
-
从0到1搭建决策分析模型
数据分析要驱动决策！这个道理人人都知道，可实操起来，到底咋驱动法？很多同学见都没见过，偶尔写几句分析建议，还被喷回来……咋整？今天系统分享一下。 破局的关键，在于：不要一脚踩进烂泥坑里。和决策有关的因素那么多，指望一个神威无敌大将军公式全部计算清楚，是不可能的。想脚踏实地的解决问题，最好的办法就是：从最简单的地方开始，一步步做。 困难度0级决策 设想一个最简单的场景：卖盒饭。一个盒饭成本5元，如何…- 48
- 0
-
一文快速解锁：标签体系全流程
标签体系，绝对是数据分析年度工作中，最值得摆在开年做的。因为它和所有工作都有关系，经营分析、投放分析、用户画像、推荐策略、商品运营……都得靠标签带动。 标签体系做得好，后续分析才有足够多素材，才能积累经验。标签体系做得差，白费功夫不说，后边做深入分析的时候还没有依靠。 那么该如何做呢?今天简单分享一下 一、标签体系常见错误 最常见的错误，就是：标签就是一箩筐，啥玩意都往里装。 上传文章的时候，随手…- 99
- 0
-
浅谈互联网搜索之召回
01 背景 在上一期中我们从宏观上介绍了在互联网行业中搜索系统的流程与现状，而在搜索系统中，一般会把整个搜索系统划分为召回和排序两大子系统。本期会从宏观上介绍召回系统，并着重介绍语义召回。谨以此文，希望对从事和将要从事搜索行业的工作者带来一些启发与思考。 02 搜索系统召回方法 不同于推荐系统，检索系统是在输入query的前提下，快速召回与query相关的文本，特点为要求是快，注重召回轻准确。注意…- 639
- 0
-
如何用数据分析挖掘业务机会
从数据中，挖掘出业务机会点，是很多公司对数据分析师的要求。然而到底啥是机会点？到底要怎么挖？很少有人详细讲解过，也让很多同学困扰。今天结合一个具体问题讲解一下。 问题场景：某电商平台，运营部门要求数据分析师挖掘用户运营机会点。数据分析师开心地报告“发现用户购买4次以后，用户消费就很高了，建议让每个用户买4次”……之后惨遭业务批判：“你分析了屁！” 问题出在哪里呢？ 01 错误示范 “发现用户购买4…- 82
- 0
-
数据中台产品如何进行联合项目推动？
01 背景 随着数据中台基础建设的晚上，中台产品的工作重点不仅仅是在功能建设上，更多是侧重提供数据解决方案。那要想更好地沉淀数据解决方案，则需跟业务方进行紧密合作，深入了解业务。索隆作为一个数据中台产品，在跟业务开展联合深度合作时遇到了一些困难，找了相关人沟通咨询，把沉淀的解决方案分享出来，供大家参考。 索隆：我们与业务A开展了联合项目，双方领导及下属都初步碰了未来的合作点。会议待办…- 65
- 0
-
人货匹配模型得思考与分析
很多数据分析书本、文章都提过人货场模型，但对于其中最核心的人货如何匹配，没有详细介绍。人货匹配是非常底层的分析理论，涉及到转化率分析、用户分群、推荐算法训练等重要议题，无论互联网的电商、O2O、短视频、直播等产品都会考虑这点。废话不多说，今天详细介绍一下。 一、导购型匹配 设想一个最简单的场景：顾客站在柜台前，说“我想要个电风扇”。此时顾客需求已经跋山涉水来到店里，成交意愿很高。且需求已经表达得很…- 207
- 0
-
用户行为分析之“留存”
浅谈一：如何定义 用户的留存，故名思义，就是用户留下了。留存的定义是首次使用后第N天回来的用户比例。 在用户行为产品中，我们可以对留存有着更精细的定义：留存就是第一个时间周期内发生了起始事件的用户在第二个时间周期内发生回访事件的比率。 所以留存的计算方法就是： （第二个时间周期内发生回访事件的用户数/第一个时间周期内发生了起始事件的用户数）*100%。 不同产品可以根据业务情况，定义不同的起始事件…- 159
- 0
