如何像老板一样拥有6大数据思维？

　　如何像老板一样拥有6大数据思维？

　　

　　最近几年，数据分析火得一塌糊涂，只要一听到数据，就觉得“高大上”，甚至互联网从业者开始信仰，有了数据分析这把屠龙宝刀，即可战无不胜，可是绝大部分人根本不知道数据能给企业带来多大的价值。

　　前段时间遇到一个做金融的老朋友，把公司的数据分析师吹得神乎其神，好像有了一批专业的数据分析师，公司就坐等赚钱。越来越多的公司开始考虑引入数据分析师的岗位，把筹码压在数据上。

　　数据是客观现象的体现，强调数据的作用，总体上比人为判断更具有参考价值。拿数据说话，总比主观臆断强，但是切勿把数据当成万能的。“尽信数则不如无数”，那到底怎样运用数据，才能发挥它的价值呢？

　　用数据思维驱动企业运营，可以简单地分以下6个方面：

　　一、构建精准用户画像

　　用户画像准备阶段——数据的挖掘和收集

　　对网站、活动页面进行SDK埋点。即预先设定好想要获取的“事件”，让程序员在前/后端模块使用 Java/Python/PHP/Ruby 语言开发，撰写代码把“事件”埋到相应的页面上，用于追踪和记录用户行为，并把实时数据传送到后台数据库。

　　所谓“事件”，就是指用户作用于产品、网站页面的一系列行为，由数据收集方（产品经理、运营人员）加以描述，使之成为一个个特定的字段标签。

　　我们以“官网”为例，为了抓取用户的特征属性和行为轨迹，做SDK埋点之前，对每个页面定义标签，对客户的跳转行为定义标签，对停留时间定义标签，对所有可能带来影响的用户行为进行标签定义。

　　

　　把访问行为用程序语言进行描述，嵌入官网页面的相应位置，形成触点，让用户在点击时直接产生网络行为数据（访问时长、激活率、外部触点、社交数据）以及服务内行为数据（浏览路径、页面停留时间、访问深度、唯一页面浏览次数等等）。

　　数据反馈到服务器，被存放于后台或者客户端，就是我们所要获取到的用户基础数据。

　　用户画像成型阶段——数据建模分析

　　1、定性与定量相结合的研究方法

　　定性化研究方法就是确定事物的性质，是描述性的；定量化研究方法就是确定对象数量特征、数量关系和数量变化，是可量化的。

　　一般来说，定性的方法在用户画像中，表现为对产品、行为、用户个体的性质和特征作出概括，形成对应的产品标签、行为标签、用户标签。

　　

　　定量的方法，则是在定性的基础上，给每一个标签打上特定的权重，最后通过数学公式计算得出总的标签权重，从而形成完整的用户模型。

　　所以说，用户画像的数据建模是定性与定量的结合。

　　2、数据建模分析——给标签加上权重

　　给用户的行为标签赋予权重。

　　用户的行为，我们可以用4W表示：WHO（谁）、WHEN（什么时候）、WHERE（在哪里）、WHAT（做了什么），具体分析如下：

　　WHO（谁）：定义用户，明确我们的研究对象。主要是用于做用户分类，划分用户群体。网络上的用户识别，包括但不仅限于用户注册的ID、昵称、手机号、邮箱、*敏*感*词*、微信、微博等等。

　　

　　WHEN（时间）：这里的时间包含了时间跨度和时间长度两个方面。“时间跨度”是以天为单位计算的时长，指某行为发生到现在间隔了多长时间；“时间长度”则为了标识用户在某一页面的停留时间长短。

　　越早发生的行为标签权重越小，越近则权重越大，这个很容易理解。

　　WHERE（在哪里）：就是指用户发生行为的接触点，指向具体的网页。权重是加在网页标签上的，比如，联系我们页面权重为1.0，产品详情页面权重为0.8，新闻资讯页面权重为0.7。

　　WHAT（做了什么）：就是指用户发生了怎样的行为，根据行为的深入程度添加权重。比如，用户咨询了权重为1，用户收藏了权重为0.75，用户仅仅是浏览了权重为0.6。

　　

　　当上面的单个标签权重确定下来后，就可以利用标签权重公式计算总的用户标签权重：

　　标签权重=时间衰减因子×行为权重×网址权重

　　由此得出单个用户的标签权重，打上“是否忠诚”的标签。

　　通过这种方式对多个用户进行数据建模，能够更广的覆盖目标用户群，为他们都打上标签，然后按照标签分类：总权重达到0.8以上的被归为忠实用户，权重达到0.6为潜在用户......这样的一来，企业就能够根据相关信息进行更加精准的营销推广、个性化推荐。

　　二、建立用户转化漏斗

　　所谓用户转化漏斗，就是你的业务是如何一步步深入直到用户买单的。举下面的几个例子，你一看就明白了：

　　APP：下载—>注册—>留存—>活跃—>付费

　　广告：展示—>点击—>停留浏览—>下单—>付款

　　把妹：摇一摇—>约会—>牵手—>接吻—>上床

　　无论是APP、广告、游戏......等业务，都可以分解为一系列的环节，经过每个环节，都有一部分的用户会流失。准确记录用户每一个环节的数据，用数据分析各个环节的留存率，找出流失率高的环节，进行优化，达到营销效果。

　　三、多维度数据分析解决问题

　　运营中的常见痛点，是明知道转化漏斗上某个环节留存率低，却找不到解决的办法。这个时候，可以把数据分解，在不同的维度上分别分析，这往往能找到产品或系统上的问题。

　　

　　比如说，你发现广告的点击率低，进而查到是浏览器上的点击率拉低了整体统计，那么就要在浏览器上深究原因，结果很可能是你的Flash广告素材直接被浏览器给屏蔽了。

　　这种用多维数据分析来定位和查找问题的办法相当有效。

　　四、用A/B测试指导产品演进

　　在产品演进过程中，往往制定多个产品可能的改进方向，将它们放到线上，让实际数据来决定谁上谁下。这种A/B测试的方法，是一种非常直观又高效的优化产品方法，也是“数定胜人”理论的基础之一。

　　A/B 测试，简单来说，就是为同一个目标制定两个方案（比如两个页面），让一部分用户使用 A 方案，另一部分用户使用 B 方案，记录下用户使用的数据，由数据说话哪个方案更优。

　　

　　五、数据驱动需求分析

　　用户的需求不是拍脑袋臆想出来的，而是通过观察用户、用户调研、竞品分析、用户反馈、头脑风暴、数据分析归纳总结而得来的。其中数据分析是其中非常重要的一环，能够客观反应市场的真实需求。

　　举个例子，一个手机公司销售5种颜色的手机，配置一模一样，通过在主流电商平台（如天猫、京东）的销售数据，可以分析不同颜色手机的市场需求大小、消费者偏好、消费群体数据等。

　　六、数据驱动资源优化配置

　　数据分析可以发现公司有哪些资源是闲置的，哪些资源过度使用。比如以网络营销为例， 在我们所有使用和投放的渠道当中，进行一系列的流量分析和转化分析后，我们可以进行相对应的策略制定，具体方式包括搜索词、落地页、广告投放优化等等。

　　

　　对于成本低、质量高的渠道需要加大投放，对于成本高、质量高的渠道需要评估成本，对于质量低的渠道也需要做好评估。总体上，根据成本、流量转化等综合情况，对渠道配置进行整体管理和调优。

　　在公司管理、成本控制、财务、人力资源等方面都可以利用数据分析，对资源进行优化配置，达到节约成本和资源充分利用的效果。