本次被訪者柳輝，TrueMetrics（觸脈咨詢）聯(lián)合創(chuàng)始人，西安電子科技大學(xué)碩士，谷歌官方認(rèn)證數(shù)據(jù)分析師，DCM個(gè)人認(rèn)證，美國PMP項(xiàng)目管理認(rèn)證。管理TrueMetrics的網(wǎng)站分析項(xiàng)目及數(shù)據(jù)可視化報(bào)告。
本文通過以下七部分拆解數(shù)據(jù)分析：
一、什么場景和行業(yè)需要數(shù)據(jù)分析
二、數(shù)據(jù)分析會(huì)騙人嗎？
三、怎樣排除虛假流量？
四、PC端數(shù)據(jù)分析指標(biāo)&方法論
五、電商、金融行業(yè)數(shù)據(jù)分析
六、數(shù)據(jù)分析的趨勢
七、怎么培養(yǎng)數(shù)據(jù)分析的能力？
01
“無法度量，就無法管理”
——管理大師彼得·德魯克
這說明了數(shù)據(jù)對于管理的重要性。在日常的運(yùn)營和決策中，數(shù)據(jù)扮演的是一個(gè)輔助角色。舉個(gè)比較貼切的例子，如果汽車相當(dāng)于生意，那用儀表盤來比喻數(shù)據(jù)是最貼切的。脫離儀表盤，車照樣可以開，但想要把車駕駛得精益求精，這時(shí)就要依靠儀表盤了。所以數(shù)據(jù)是常規(guī)運(yùn)營和決策的良好輔助，對于常規(guī)價(jià)值的增值能力，是數(shù)據(jù)最核心的價(jià)值。
真正系統(tǒng)性的網(wǎng)站分析大概只發(fā)展了十年左右，相比統(tǒng)計(jì)學(xué)、經(jīng)濟(jì)學(xué)等其他成熟學(xué)科，網(wǎng)站分析還是比較年輕的。
我從傳統(tǒng)零售業(yè)慢慢接觸到了互聯(lián)網(wǎng)領(lǐng)域，算是比較早接觸數(shù)據(jù)分析的。之前在傳統(tǒng)零售行業(yè)，接觸到的基本上都是市場數(shù)據(jù)和銷售數(shù)據(jù)，采用購物車追蹤器、會(huì)員系統(tǒng)、店面觀察員、市場調(diào)查員等方式獲取數(shù)據(jù)，數(shù)據(jù)分析的成本不低，并且要獲取細(xì)致的用戶行為數(shù)據(jù)非常難。當(dāng)我逐步接觸到互聯(lián)網(wǎng)在線數(shù)據(jù)分析之后，通過用戶行為定位、用戶行為追蹤的技術(shù)，能非常輕松地解決先前傳統(tǒng)行業(yè)的那些難題。
所以到底什么樣的場景需要數(shù)據(jù)分析呢？我認(rèn)為只要能產(chǎn)生可靠的數(shù)據(jù)，運(yùn)營者有意愿通過數(shù)據(jù)為生意增值的場景都是需要數(shù)據(jù)分析的。航空業(yè)、金融業(yè)、電信業(yè)是數(shù)據(jù)分析發(fā)揮價(jià)值較高的三個(gè)行業(yè)。這些行業(yè)的用戶有實(shí)名制，用戶的每次交易也都是實(shí)名的，用戶信息相對更準(zhǔn)確，對用戶的分析就會(huì)更準(zhǔn)確。
先進(jìn)種情況，數(shù)據(jù)是客觀存在的，它不會(huì)主動(dòng)騙人，真正騙人的是數(shù)據(jù)使用者。現(xiàn)在談?wù)撦^多是虛假流量的話題，用機(jī)器模擬流量數(shù)據(jù)混入正常數(shù)據(jù)里，污染真實(shí)數(shù)據(jù)。即使你有非常高明的手段也很難排除所有的機(jī)器流量。這種情況下去做數(shù)據(jù)分析，把機(jī)器數(shù)據(jù)當(dāng)做人的行為去揣測，用分析機(jī)器行為的結(jié)論去服務(wù)你的用戶，這種錯(cuò)誤的分析對真正的決策會(huì)產(chǎn)生很大的影響。
第二種情況，選用的數(shù)據(jù)分析方法不恰當(dāng)或?qū)δ撤N方法的使用領(lǐng)域了解不夠，導(dǎo)致數(shù)據(jù)分析對決策產(chǎn)生干擾。以數(shù)據(jù)抽樣為例，如果你的數(shù)據(jù)抽樣樣本屬性不恰當(dāng)，會(huì)造成整體數(shù)據(jù)的偏差。一個(gè)電商網(wǎng)站如果選取了80%的女性數(shù)據(jù)和20%的男性的數(shù)據(jù)開展分析，那么女性的數(shù)據(jù)特征就會(huì)對抽樣的整體造成數(shù)據(jù)偏差。
第三種情況，在于數(shù)據(jù)能力所不能及的問題。數(shù)據(jù)不是萬能的，一些情感類、風(fēng)格類的數(shù)據(jù)是不能完全數(shù)據(jù)化的。最簡單的例子，汽車廣告應(yīng)該投到時(shí)尚類、運(yùn)動(dòng)類、旅行類等比較貼切的場合，如果你把一個(gè)中高端汽車廣告投放到一個(gè)有笑話、惡搞的環(huán)境中會(huì)使廣告的效果大打折扣。但目前來講，數(shù)據(jù)還不能完全識(shí)別這樣的投放環(huán)境。另外，數(shù)據(jù)只能通過一些表象特征去分析，捕捉不到人情感的細(xì)微變化，人和人面對面的銷售方式反而能捕捉到一些變化。
虛假流量的作假手法和排除手法每年都在升級。從字面上講，虛假流量可以分成虛流量和假流量，二者本質(zhì)上是有些區(qū)別的。
非人為的流量我們會(huì)把它歸類到虛流量里面，比如說蜘蛛的爬蟲，它不是惡意的，而是自然而然產(chǎn)生的，它只是讓網(wǎng)站流量虛高，一些測試流量和垃圾流量也都屬于虛流量。
假流量是因?yàn)橛欣骝?qū)使人為造假，主要涉及以下手段。
一、刷量。這種方法比較簡單粗暴，比較容易被識(shí)破?？梢酝ㄟ^時(shí)間段排查，因?yàn)闄C(jī)器沒有正常的作息，如果簡單設(shè)置為24小時(shí)平均刷，每周7天平均刷，這就違背了人的正常作息時(shí)間。還有一些虛假流量是通過機(jī)房多設(shè)備刷量，機(jī)房的特點(diǎn)是IP統(tǒng)一，配置、屏幕大小、操作系統(tǒng)和瀏覽器都差不多，也是比較容易識(shí)破的。
二、模擬鼠標(biāo)坐標(biāo)。有些刷量考慮的非常周全，用不同的IP地址、產(chǎn)生不同的訪問、延遲情況，甚至能夠模擬實(shí)時(shí)的鼠標(biāo)坐標(biāo)。但難免有破綻，人從一個(gè)點(diǎn)到另一個(gè)點(diǎn)的移動(dòng)很難做到是一個(gè)標(biāo)準(zhǔn)的直線，而模仿的軌跡都是點(diǎn)到點(diǎn)的，全部都是直線，它不會(huì)拐彎。所以也能識(shí)別出來。
三、技術(shù)性的假流量。它可以遠(yuǎn)程控制機(jī)器，然后植入木馬，誘騙你去點(diǎn)擊一些亂七八糟的網(wǎng)站，實(shí)現(xiàn)刷量的目的。這種很難識(shí)別，因?yàn)楫a(chǎn)生這個(gè)動(dòng)作的是真實(shí)的人，甚至還會(huì)產(chǎn)生真實(shí)的交易。
四、刷量群。他們類似淘寶刷單，加入刷單群之后，群主一聲令下，點(diǎn)擊什么網(wǎng)站，跟客服發(fā)生三句話以上的咨詢，這些流量就都傳送過去了，這都是人的行為，而且這些群里的人天南海北，產(chǎn)生的行為也都特別真實(shí)，所以這樣的假流量很難甄別。
五、數(shù)據(jù)監(jiān)測死角。還有些渠道很難監(jiān)測，比如微信朋友圈、今日頭條的信息流，它們屬于監(jiān)測的死角，沒有任何依據(jù)去判斷真假。虛假流量還有一個(gè)產(chǎn)業(yè)鏈，這個(gè)就比較復(fù)雜了，找到其中的破綻需要通過很多角度來做數(shù)據(jù)驗(yàn)證，但也是有抓的辦法，我們也在研究一些抓虛假流量的工具，做多角度抓取此類虛假流量的嘗試。
抓假流量固然重要，但比這更重要的是防范假流量。
先進(jìn)個(gè)建議，堅(jiān)持用可靠的數(shù)據(jù)監(jiān)測工具，并且和廣告商、媒體爭取用抓取到的數(shù)據(jù)進(jìn)行廣告費(fèi)結(jié)算。
我有一筆廣告費(fèi)，要在你這里做廣告，但是你要同意我使用第三方的工具進(jìn)行監(jiān)測，監(jiān)測到什么數(shù)量，就給你多少廣告費(fèi)。這有兩層目的，一是節(jié)省廣告費(fèi)，二是威懾作用，比如讓媒體知道你用了知名的反作弊工具比如谷歌的DoubleClick，在造假時(shí)就會(huì)忌憚三分。一般媒體會(huì)同意你使用第三方的監(jiān)測工具，但它會(huì)要求做測試，你相信這個(gè)工具，但媒體不相信。這時(shí)要防范一些比較老道的媒體會(huì)向你要“分時(shí)段數(shù)據(jù)”，他們要這些數(shù)據(jù)只是為了看一下在哪一個(gè)時(shí)段的作弊手段沒有被工具檢測到，等到正式投放的時(shí)候，應(yīng)該使用哪一種作弊手段。
第二個(gè)建議，在企業(yè)內(nèi)部使用輔助KPI做數(shù)據(jù)真實(shí)的驗(yàn)證。
明面上的考核是要公布給媒體和代理商的，他們知道選取什么樣的渠道才能完成KPI，達(dá)到什么樣的量級才能結(jié)算廣告費(fèi)。輔助KPI比如用戶行為特征、行為習(xí)慣，這些是用戶的行為特征數(shù)據(jù)，可以不向媒體公布。如果是假流量，是難以符合常規(guī)的行為習(xí)慣的，這個(gè)可以作為假流量的依據(jù)。
第三個(gè)建議，對初次合作的媒體一定要做重點(diǎn)檢測。
初次合作的媒體通常認(rèn)為會(huì)比較“老實(shí)”，但真實(shí)情況卻不盡然，媒體非常清楚初次合作的數(shù)據(jù)可能會(huì)作為后續(xù)合作的基準(zhǔn)線，同時(shí)也要向廣告主表明對于KPI的完成情況，所以反而會(huì)在合作初期冒險(xiǎn)摻入一些假流量，即使被懷疑也可以用初次合作測試數(shù)據(jù)不穩(wěn)定的理由搪塞過去，所以對于初次合作的媒體，更需要多加小心，通過各維度行為數(shù)據(jù)來驗(yàn)證流量的真實(shí)性。
數(shù)據(jù)分析通用指標(biāo)有三類，每類我可以再推薦三個(gè)最常用的指標(biāo)。
先進(jìn)類指標(biāo)與流量數(shù)量相關(guān)。用戶數(shù)、訪問次數(shù)、交互數(shù)對流量的影響最大，它們是存在層級關(guān)系的，同一個(gè)人會(huì)貢獻(xiàn)多次來訪，同一個(gè)來訪也會(huì)貢獻(xiàn)多次交互點(diǎn)擊。
第二類指標(biāo)與流量質(zhì)量相關(guān)。一是參與深度，也就是平均訪問頁數(shù)，即用戶每次進(jìn)入網(wǎng)站訪問了多少不同的內(nèi)容。二是跳出率，用戶點(diǎn)擊一個(gè)廣告進(jìn)入網(wǎng)站后什么都沒有做的情況就叫做跳出，跳出率考量的是用戶是否對你感興趣，用跳出率做流量評估也比較直接。三是新用戶占比，就是說你網(wǎng)站新老用戶各占多少。這是引流質(zhì)量的問題，但具體如何采取行動(dòng)，取決于你的引流戰(zhàn)略是希望更多的新用戶加入還是維系老用戶。
第三類指標(biāo)與價(jià)值相關(guān)。一是轉(zhuǎn)化率，即用戶進(jìn)入網(wǎng)站后產(chǎn)生交易的幾率有多大。二是客單價(jià)，它衡量流量價(jià)值、衡量用戶對你有多大的信任。三是每次來訪價(jià)值，每一個(gè)訪客的每一次進(jìn)站對你來說意味著多少轉(zhuǎn)化，這個(gè)可以用歷史數(shù)據(jù)進(jìn)行推算；反過來，你可以根據(jù)這個(gè)數(shù)據(jù)規(guī)劃你在營銷上應(yīng)該投入多高成本。
除了上面三類通用指標(biāo)，還有虛榮指標(biāo)和行動(dòng)指標(biāo)。前者在分析過程中很有用，但它不夠去驗(yàn)證生意或驅(qū)動(dòng)運(yùn)營行動(dòng)，后者沒有固定的套路。如果本著指標(biāo)精煉的原則，考核中肯定要看行動(dòng)指標(biāo)。
舉一個(gè)最簡單的例子：比如一個(gè)標(biāo)準(zhǔn)的電商網(wǎng)站，網(wǎng)頁瀏覽量——PV是一個(gè)通用的衡量網(wǎng)頁被用戶瀏覽的量級的指標(biāo)，早期的網(wǎng)站統(tǒng)計(jì)工具也都會(huì)用這個(gè)指標(biāo)來衡量網(wǎng)站的流量，但如果只看這個(gè)指標(biāo)，對于后續(xù)需要采取什么行動(dòng)的指導(dǎo)意義其實(shí)并不大，因?yàn)檫@個(gè)指標(biāo)可能是很多人每人只看一頁，或者是很少人，每人看了多個(gè)網(wǎng)頁造成的，所以如果將它升級成為能夠驅(qū)動(dòng)行動(dòng)的指標(biāo)，不妨可以使用每次訪問頁數(shù)，這個(gè)代表的含義就是用戶每次來訪參與的平均深度了，它的升高和降低直接能夠?qū)?yīng)到網(wǎng)站的運(yùn)營者需要如何來優(yōu)化用戶體驗(yàn)和內(nèi)容，如果再將它升級，因?yàn)楸尘笆请娚叹W(wǎng)站，所以還可以升級成為商品詳情頁瀏覽量占總瀏覽量比重，這個(gè)升級對于電商網(wǎng)站的運(yùn)營就更能明確方向了，鼓勵(lì)用戶每次來訪查看更多的商品詳情頁，對于網(wǎng)站銷售的情況是有非常明顯的推動(dòng)作用的，這其實(shí)在大量案例中被驗(yàn)證，這是一個(gè)非常良好的驅(qū)動(dòng)行動(dòng)的指標(biāo)。
與移動(dòng)端相比，PC端具備更完善的研究環(huán)境。移動(dòng)端收集的數(shù)據(jù)量級、維度、角度都會(huì)少一些。作為研究者或理論的關(guān)注者，我還是建議把PC端當(dāng)做一個(gè)研究的環(huán)境看待。那么PC端數(shù)據(jù)分析到底怎么做？
一、制定規(guī)劃
一制定商業(yè)目標(biāo)。對很多企業(yè)來說，真正進(jìn)入數(shù)據(jù)分析前，商業(yè)目標(biāo)并不是十分明確。在你的商業(yè)目標(biāo)不清晰的情況下，數(shù)據(jù)收集是沒有大方向的，甚至你的企業(yè)運(yùn)營因?yàn)樯虡I(yè)目標(biāo)不準(zhǔn)確而形成比較大的風(fēng)險(xiǎn)。所以建議根據(jù)企業(yè)規(guī)模、所屬行業(yè)、發(fā)展階段，提煉出1-3個(gè)清晰的商業(yè)目標(biāo)。
二規(guī)劃KPI。商業(yè)目標(biāo)本身不是一個(gè)數(shù)據(jù)，它不是量化的，而是屬于比較概括性的東西。所以它和數(shù)據(jù)之間需要有“橋梁”的連接，KPI就是這個(gè)橋梁。KPI雖然也是數(shù)據(jù)，但它是非常精煉的，每個(gè)部門甚至每個(gè)人的KPI可能都不太一樣，所以KPI也是需要做一些完整的規(guī)劃。
三規(guī)劃數(shù)據(jù)指標(biāo)，即應(yīng)該采集什么樣的數(shù)據(jù)。企業(yè)需要的數(shù)據(jù)不是你能采集到什么決定的，而是由你需要什么決定的。商業(yè)目標(biāo)對應(yīng)KPI，來檢測你的數(shù)據(jù)指標(biāo)，這是我們常用的方法論，能夠幫助企業(yè)更清楚地把數(shù)據(jù)體系搭建起來。
按照這個(gè)順序規(guī)劃了清晰的數(shù)據(jù)需求，再開展數(shù)據(jù)的采集和分析工作，可以避免數(shù)據(jù)分析方向偏差。
二、數(shù)據(jù)標(biāo)簽化&采集
首先，數(shù)據(jù)標(biāo)簽化。數(shù)據(jù)最常見的問題是數(shù)據(jù)污染、數(shù)據(jù)不清晰甚至混亂。造成這些問題的罪魁禍?zhǔn)?，可能是?shù)據(jù)收集前就沒有做到非常清晰的標(biāo)簽化，但用戶是需要標(biāo)簽的。只有把前期準(zhǔn)備工作做到位，后期才不會(huì)陷入數(shù)據(jù)混合無法拆解，無法做數(shù)據(jù)細(xì)分和聚焦分析的境地。
第二，選采集工具。不同工具的需求不同，我認(rèn)為比較常見考量工具有五個(gè)角度。
一是可用性。你的工具是否能滿足當(dāng)前提出的數(shù)據(jù)需求，或者說能不能滿足99%以上的需求。重點(diǎn)在于它是否能支持你的數(shù)據(jù)采集、實(shí)時(shí)查看數(shù)據(jù)、訂單數(shù)據(jù)的完整收集。
二是易用性。一個(gè)非常好的工具，但它解讀起來很困難，工作流程非常繁瑣，這種情況會(huì)降低我們的效率。如果工具不易用就會(huì)造成用戶對數(shù)據(jù)的抵觸甚至恐懼情緒。
三是智能性?，F(xiàn)在很多工具都加入了人工智能的因素，比如谷歌分析GA中加入了機(jī)器算法告訴你哪些用戶的質(zhì)量高哪些用戶的質(zhì)量低。智能性是為網(wǎng)站分析錦上添花的，并不是非?；A(chǔ)的東西，它只是決定了人使用電腦工具效率的高低，并不會(huì)關(guān)系到工具能不能用。
四是擴(kuò)展性。先進(jìn)項(xiàng)是數(shù)據(jù)整合，第二項(xiàng)是數(shù)據(jù)應(yīng)用的方向。谷歌分析有個(gè)其他工具望塵莫及的優(yōu)勢，它很好整合了谷歌所有的營銷工具，并且能把數(shù)據(jù)輕松地推到谷歌營銷平臺(tái)上，對這些用戶進(jìn)行精準(zhǔn)的定向營銷。
五是經(jīng)濟(jì)性。包括收費(fèi)方式和收費(fèi)水平，需要綜合收益去考慮投入是否合理，是否在你的接受范圍之內(nèi)。
現(xiàn)在企業(yè)在選擇分析工具時(shí)通常有個(gè)誤區(qū)，會(huì)恰好把這個(gè)優(yōu)先級排序反過來，把經(jīng)濟(jì)性作為首要考量因素。一個(gè)工具收費(fèi)一百萬，企業(yè)首先一個(gè)反應(yīng)就會(huì)覺得很貴不想用，但既然它在市場上存在即有它的合理性，應(yīng)該考慮的是企業(yè)該如何駕馭這個(gè)工具獲取更高的數(shù)據(jù)價(jià)值。
三、數(shù)據(jù)清洗
在做分析之前，一定要對數(shù)據(jù)進(jìn)行一次清洗，我非常建議把這兩塊數(shù)據(jù)最大程度上剝離出來：無效和無用的數(shù)據(jù)。無效的數(shù)據(jù)就是假的數(shù)據(jù)，無用的數(shù)據(jù)是真實(shí)的數(shù)據(jù)，但是對分析沒有作用，最典型的是測試數(shù)據(jù)。
數(shù)據(jù)清洗不能做到百分之百可信，最大也是最常見的問題是數(shù)據(jù)偏差的問題，數(shù)據(jù)偏差的修正也是數(shù)據(jù)清洗的一個(gè)步驟。很多客戶會(huì)非常在意數(shù)據(jù)偏差，因?yàn)樗麄冇泻笈_(tái)數(shù)據(jù)，尤其是銷售數(shù)據(jù)和訂單數(shù)據(jù)，當(dāng)他們在機(jī)器里看到的數(shù)據(jù)和自己的后臺(tái)數(shù)據(jù)有10%到20%的偏差，有些用戶就會(huì)走極端，覺得里面差距那么大，就不相信不參考這個(gè)數(shù)據(jù)了。
所以作為網(wǎng)站分析師，需要有能力判定數(shù)據(jù)偏差對分析結(jié)論到底會(huì)不會(huì)造成重大影響，這是數(shù)據(jù)分析師的基本素質(zhì)。在分析過程中，我比較建議側(cè)重過程的分析，而不要特別在意結(jié)果的對照，因?yàn)槿绻麛?shù)據(jù)偏差是穩(wěn)定恒定的，那么數(shù)據(jù)分析的結(jié)論就是合理的，跟真實(shí)情況不會(huì)有太大的差異。
四、真正進(jìn)入數(shù)據(jù)分析
準(zhǔn)備工作做完之后，才開始真正的數(shù)據(jù)分析工作。在網(wǎng)站分析方面，我們分析的數(shù)據(jù)通常會(huì)分為四個(gè)模塊。
先進(jìn)個(gè)模塊叫做用戶屬性分析。分析你的用戶是誰、在什么地方、使用什么樣的設(shè)備、平時(shí)有什么樣的興趣等等，相當(dāng)于做人物畫像。
第二個(gè)模塊叫做流量分析。包括流量質(zhì)量的評估，流量的效果，流量之間的配合效率。
第三個(gè)模塊叫做內(nèi)容分析。針對你網(wǎng)站呈現(xiàn)的內(nèi)容順序做一系列分析，來發(fā)現(xiàn)用戶的行為習(xí)慣。
第四個(gè)模塊叫產(chǎn)品分析。對于需要體現(xiàn)價(jià)值的產(chǎn)品、服務(wù)、內(nèi)容進(jìn)行分析。
可能有人按照網(wǎng)站分析工具的慣例會(huì)認(rèn)為應(yīng)該是做目標(biāo)分析，但我認(rèn)為最后一個(gè)模塊不應(yīng)該作為一個(gè)單獨(dú)的模塊，而應(yīng)該融入前面的三個(gè)模塊里面，轉(zhuǎn)化分析實(shí)際上對于前邊的模塊體現(xiàn)的是驗(yàn)證的作用。
五、改善行動(dòng)
我認(rèn)為在做改善之前應(yīng)該再做一步測試，很多分析師會(huì)忽略這個(gè)環(huán)節(jié)。比如，得到了一個(gè)數(shù)據(jù)分析結(jié)論卻沒有人采納。對于一些重大的決策，決策者會(huì)用一些比較高的代價(jià)去做決策，這個(gè)決策也會(huì)帶來比較大的風(fēng)險(xiǎn)?？s小結(jié)論到行動(dòng)之間的距離，降低決策風(fēng)險(xiǎn)和抵觸心理，不妨采用一些測試的方法，比如A/B測試，到底哪個(gè)營銷策略更有效測試一下就會(huì)得出結(jié)果，這個(gè)測試的代價(jià)確實(shí)非常小，而且出來的結(jié)果立竿見影。真正的數(shù)據(jù)改善行動(dòng)唯一要多做的一件事情是，利用數(shù)據(jù)做追蹤，來驗(yàn)證改善的最后成果。
這五步會(huì)形成一個(gè)完整的循環(huán)，隨著企業(yè)的運(yùn)營和深入，會(huì)有一些新的需求產(chǎn)生，也會(huì)有一些新的問題的排查，會(huì)不斷進(jìn)入這個(gè)循環(huán)中。
電商
電商的數(shù)據(jù)分析方法有三種，在不同的場景下可能會(huì)用到不同的分析類型。
先進(jìn)種是驗(yàn)證型分析。基于一些數(shù)據(jù)基準(zhǔn)，在新數(shù)據(jù)里拿出同口徑的數(shù)據(jù)做比對，進(jìn)而發(fā)現(xiàn)問題或驗(yàn)證結(jié)論。它本身對發(fā)現(xiàn)深入的問題和解決問題并沒有很大幫助，但對于分析師的數(shù)據(jù)粗獷解讀和了解數(shù)據(jù)特性是非常重要的。
第二種是診斷型分析。診斷型分析比較常見的方法是對數(shù)據(jù)的分解剖析，相當(dāng)于對一個(gè)結(jié)果數(shù)據(jù)層層拆解，一直拆解到最小單位的數(shù)據(jù)為止。舉個(gè)簡單的例子，如果訂單提交的量變少了，你只看訂單頁面可能得不出來結(jié)論，它上一步還有訂單填寫，往上還有提交購物車訂單，還有把商品加入購物車。其實(shí)每一步過程數(shù)據(jù)都會(huì)造成最后結(jié)果數(shù)據(jù)的變化。所以整個(gè)數(shù)據(jù)分析就是拆解，最后定位到問題到底出現(xiàn)在哪一個(gè)環(huán)節(jié)。
第三種是預(yù)測性分析。它的原理也比較簡單，就是基于你的歷史數(shù)據(jù)并結(jié)合你的商業(yè)目標(biāo)，找到數(shù)據(jù)里存在的特征和規(guī)律，建立數(shù)學(xué)模型。當(dāng)未來產(chǎn)生一部分?jǐn)?shù)據(jù)時(shí)，你可以通過數(shù)學(xué)模型演算出其他數(shù)據(jù)應(yīng)該是什么。如果你做用戶價(jià)值的預(yù)測，可以根據(jù)歷史數(shù)據(jù)得知產(chǎn)生這種特征的人有多大幾率在未來一年之內(nèi)能夠給你帶來多少銷售額。如果你定位到一個(gè)高價(jià)值用戶，那么你接下來要做的就是對這個(gè)的高價(jià)值用戶進(jìn)行各種方式反復(fù)的營銷，充分挖掘他的價(jià)值。
金融
我認(rèn)為這個(gè)行業(yè)比較特殊，它和傳統(tǒng)的生意不太一樣。
先進(jìn)個(gè)特征是占用資源。資金放到平臺(tái)并不是馬上就能得到回報(bào)，而是有一定的回報(bào)周期，用戶的決策難度比較高，信任就變得很重要。你要關(guān)注用戶到底跟你交互了多少次，或者什么樣的元素打動(dòng)他跟你發(fā)生先進(jìn)筆交易。
第二個(gè)特性是提供價(jià)值的方式跟傳統(tǒng)的行業(yè)不一樣。傳統(tǒng)行業(yè)提供價(jià)值的方式是貨幣交換，互聯(lián)網(wǎng)金融是錢換錢，錢生錢，通過時(shí)間的累積，把固定的錢變成預(yù)期的更多的錢。互聯(lián)網(wǎng)金融賺了還是賠了、有沒有回報(bào)都是非常清楚的，所以他的客戶對價(jià)值比較敏感。
這里涉及三個(gè)指標(biāo)：用戶生命周期價(jià)值、用戶響應(yīng)率、用戶粘性。
用戶生命周期價(jià)值相當(dāng)于你對一個(gè)用戶有一個(gè)總的價(jià)值判斷，他會(huì)對你產(chǎn)生多少種價(jià)值，你挖掘到了什么程度，還要怎樣進(jìn)一步去挖掘。
用戶響應(yīng)率是個(gè)比較特殊的指標(biāo)。當(dāng)你有一些新產(chǎn)品或者新的促銷政策時(shí)，你的所有用戶里有多少人會(huì)響應(yīng)你的產(chǎn)品，比如產(chǎn)生購買、關(guān)注、收藏、咨詢。響應(yīng)率非常重要，它直接驗(yàn)證了產(chǎn)品的價(jià)值，驗(yàn)證你的產(chǎn)品的吸引力和認(rèn)可度。
粘性可以使用用戶的復(fù)購率來反映。當(dāng)用戶完成先進(jìn)次商品交易之后，產(chǎn)品到期時(shí)是不是能夠有效產(chǎn)生第二個(gè)商品的購買，或者在先進(jìn)個(gè)商品上繼續(xù)續(xù)約，這對于分析用戶對于產(chǎn)品的忠誠度很重要。
先進(jìn)個(gè)趨勢，大數(shù)據(jù)的對面不是小數(shù)據(jù)，而是深數(shù)據(jù)。大數(shù)據(jù)以用戶量級取勝，同樣的營銷和經(jīng)營打法只適用于固定的一類屬性的人，轉(zhuǎn)化率不變，分母變大，擴(kuò)展更多的人群基數(shù)，是大數(shù)據(jù)打法的制勝關(guān)鍵。深數(shù)據(jù)是說限定一個(gè)人群，然后把精力放在收集這群人的購物各個(gè)階段的數(shù)據(jù)上，用各種各樣的營銷和經(jīng)營策略在用戶各個(gè)購物階段上進(jìn)行關(guān)懷，提升的是某一個(gè)用戶的轉(zhuǎn)化率，但分母不變，制勝關(guān)鍵與大數(shù)據(jù)打法不同，對一個(gè)人購物階段的數(shù)據(jù)越完整、判斷越精準(zhǔn)越好。用戶基數(shù)再大總會(huì)有天花板，所以后續(xù)的競爭會(huì)有相當(dāng)一部分企業(yè)尤其是大企業(yè)轉(zhuǎn)向深數(shù)據(jù)的應(yīng)用方向。
第二個(gè)趨勢，大數(shù)據(jù)采集的壁壘可能會(huì)進(jìn)一步降低。現(xiàn)在各家采集的數(shù)據(jù)都是自己使用，不愿意公開，或者是采集標(biāo)準(zhǔn)不同，不相信別人采集數(shù)據(jù)的準(zhǔn)確性。這樣會(huì)造成同一個(gè)數(shù)據(jù)源就會(huì)被重復(fù)采集，既浪費(fèi)了硬件資源，也浪費(fèi)了人力資源。其實(shí)對于同一個(gè)數(shù)據(jù)來說，只要采集的方法相同，只需要采集一次，共享就可以了。后面隨著數(shù)據(jù)分析領(lǐng)域的標(biāo)準(zhǔn)化和統(tǒng)一化，數(shù)據(jù)資源會(huì)產(chǎn)生更多交換和交易，在數(shù)據(jù)采集這個(gè)環(huán)節(jié)會(huì)占用更少的精力，從而做更多的數(shù)據(jù)分析的事情，讓數(shù)據(jù)能產(chǎn)生更高的價(jià)值。
第三個(gè)趨勢，我認(rèn)為數(shù)據(jù)分析的崗位可能慢慢就會(huì)消失了。數(shù)據(jù)分析崗位的消失在近幾年不會(huì)出現(xiàn)，但未來十年內(nèi)不好說。我認(rèn)為數(shù)據(jù)分析的技能對所有互聯(lián)網(wǎng)從業(yè)者來說，就像對于辦公軟件以及語言的掌握一樣，會(huì)成為人人必備的技能。
第四個(gè)趨勢，機(jī)器學(xué)習(xí)的發(fā)展將最大限度實(shí)現(xiàn)程序化數(shù)據(jù)應(yīng)用。
目前數(shù)據(jù)應(yīng)用的很多環(huán)節(jié)都在應(yīng)用機(jī)器學(xué)習(xí)，比如程序化購買、自動(dòng)化廣告素材優(yōu)化、智能商品推薦等等，但相互之間是割裂的，還需要人去做各個(gè)環(huán)節(jié)的串聯(lián)。機(jī)器學(xué)習(xí)會(huì)慢慢替代人來串聯(lián)一個(gè)一個(gè)的程序化模塊，程序化的整體數(shù)據(jù)應(yīng)用方案將會(huì)覆蓋互聯(lián)網(wǎng)領(lǐng)域。
這四個(gè)趨勢我認(rèn)為是我們很快就能夠看得到的。
先進(jìn)個(gè)建議，方向比努力還要重要。
數(shù)據(jù)分析并不是一個(gè)特別細(xì)分的領(lǐng)域，它里面包含了很多的方向。作為一個(gè)數(shù)據(jù)分析的入門者，當(dāng)你了解了數(shù)據(jù)分析行業(yè)概況之后，你要做的一件事情就是了解這個(gè)行業(yè)有哪些方向，選擇一個(gè)方向深挖。數(shù)據(jù)分析有三個(gè)常見的發(fā)展方向。一是數(shù)據(jù)挖掘；二是數(shù)據(jù)建模和數(shù)據(jù)應(yīng)用；三是商業(yè)數(shù)據(jù)分析。每個(gè)方向都不容易到達(dá)巔峰，所以盡快確定主攻方向，盡快扎進(jìn)去有助于迅速成長為一個(gè)領(lǐng)域的專家，和其它專家共同協(xié)作攻克數(shù)據(jù)分析領(lǐng)域更前沿的課題。
第二個(gè)建議，懂生意比懂?dāng)?shù)據(jù)重要。
一開始我們就談到數(shù)據(jù)的價(jià)值是要最終服務(wù)于某個(gè)具體業(yè)務(wù)的，所以要想讓數(shù)據(jù)發(fā)揮更高價(jià)值，對于業(yè)務(wù)知識(shí)的掌握是需要重視的，否則數(shù)據(jù)分析結(jié)果和業(yè)務(wù)存在距離或不能落地，不能實(shí)現(xiàn)商業(yè)增值，數(shù)據(jù)就會(huì)因此貶值了。
第三個(gè)建議，在場景里做分析比理論分析更重要。
先進(jìn)方面，優(yōu)化流量。流量并不是跟媒體或用戶斗智斗勇，其本質(zhì)是面向競爭對手的戰(zhàn)爭，要爭取用同樣的價(jià)錢買到更多的流量或者同樣的流量花的錢更少。有時(shí)太關(guān)注用戶屬性或媒體價(jià)格，反而忽略了和競爭對手的博弈關(guān)系，這種博弈需要人的參與，單純依靠機(jī)器博弈會(huì)忽視場景做出錯(cuò)誤決策。
第二方面，用戶體驗(yàn)輸出。你面向的是用戶，所以更重要的是你的內(nèi)容如何跟用戶產(chǎn)生共鳴。并不是說你設(shè)計(jì)的多漂亮、運(yùn)行的多流暢，而是涉及到用戶情感和用戶感受層面，這也是量化指標(biāo)難以駕馭的，需要加入人腦對于場景的理解才能做好。
第四個(gè)建議，注重人機(jī)協(xié)作。
對剛?cè)腴T的數(shù)據(jù)分析師，我非常建議把人機(jī)協(xié)作這件事情提上日程，作為重點(diǎn)學(xué)習(xí)的方面，善于利用機(jī)器的力量代替人的力量，把人解放出來做人更擅長做的事情，人機(jī)配合最大化。機(jī)器擅長數(shù)據(jù)清洗、數(shù)據(jù)建模、數(shù)據(jù)預(yù)警、數(shù)據(jù)可視化等，所以提升數(shù)據(jù)分析能力一定是面向未來的，善于讓機(jī)器去做它更擅長的事情，人去彌補(bǔ)機(jī)器的不足，更高效地完成分析工作，節(jié)省下來的時(shí)間就用來提升人獨(dú)有的能力。
9月21日（本周四）活動(dòng)預(yù)熱
本期巨推傳媒（CALL：400-606-5558）網(wǎng)邀請到了《著陸頁》作者謝松杰老師，教大家簡單易學(xué)、快速提升網(wǎng)絡(luò)廣告著陸頁轉(zhuǎn)化率的技巧。
報(bào)名方式：
先進(jìn)步，掃描海報(bào)二維碼，加Leo微信；
第二步：分享海報(bào)至朋友圈并截圖給Leo，獲得報(bào)名資格；
第三步：Leo拉您進(jìn)入直播群，報(bào)名成功，等待課程開始。
重磅嘉賓：謝松杰老師擁有15年網(wǎng)絡(luò)營銷及廣告經(jīng)驗(yàn)，5年網(wǎng)絡(luò)營銷咨詢培訓(xùn)服務(wù)經(jīng)驗(yàn)。100+家企業(yè)內(nèi)訓(xùn)、100+家咨詢服務(wù)、100+場公開講座。清華大學(xué)總裁班講師、百度營銷大學(xué)授證講師，在行行家。《網(wǎng)站說服力》、《著陸頁》作者，《網(wǎng)絡(luò)營銷業(yè)績倍增》主講。
課程時(shí)間：9月21日 20：00-21：00 （本周四）
分享主題：簡單快速提升網(wǎng)絡(luò)廣告著陸頁轉(zhuǎn)化率-心動(dòng)點(diǎn)理論
你對數(shù)據(jù)分析躍躍欲試，但卻苦于不知道如何做，以及沒有相應(yīng)的營銷人員支持？歡迎聯(lián)系我們，我們?yōu)槟峁I(yè)的數(shù)據(jù)分析營銷服務(wù)。
聯(lián)系方式1：在后臺(tái)留言：姓名+電話+數(shù)據(jù)分析需求；
聯(lián)系方式2：通過巨推傳媒（CALL：400-606-5558）網(wǎng)發(fā)布需求。
我們會(huì)馬上與您聯(lián)系。
