數據化運營中的數據分析項目類型比較多,涉及不同的業務場景、業務目的和分析技術。
按照業務用途的不同將其數據化運營中的數據分析分為不同類型項目,涉及不同的業務場景、業務目的和分析技術。(大數據觀察)
只有在深刻理解和掌握相應業務背景的基礎上才可以真正理解項目類型的特點、目的,以及相應的分析挖掘技術合適與否。
對業務的理解和思考,永遠高于項目的分類和分析技術的選擇。
目標客戶的特征分析幾乎是數據化運營企業實踐中最普遍、頻率最高的業務分析需求之一,原因在于數據化運營的第一步(最基礎的步驟)就是要找準你的目標客戶、目標受眾,然后才是相應的運營方案、個性化的產品與服務等。
是不加區別的普遍運營還是有目標有重點的精細化運營,這是傳統的粗放模式與精細的數據化運營最直接、最顯性的區別。
在目標客戶的典型特征分析中,業務場景可以是試運營之前的虛擬特征探索,也可以是試運營之后來自真實運營數據基礎上的分析、挖掘與提煉,兩者目標一致,只是思路不同、數據來源不同而已。
另外,分析技術也有一定的差異。對于試運營之前的虛擬特征探索,是指目標客戶在真實的業務環境里還沒有產生,并沒有一個與真實業務環境一致的數據來源可以用于分析目標客戶的特點,因此只能通過簡化、類比、假設等手段,來尋找一個與真實業務環境近似的數據來源,從而進行模擬、探索,并從中發現一些似乎可以借鑒和參考的目標用戶特征,然后把這些特征放到真實的業務環境中去試運營。
之后根據真實的效果反饋數據,修正我們的目標用戶特征。
一個典型的業務場景舉例就是A公司推出了一個在線轉賬產品,用戶通過該產品在線轉賬時產生的交易費用相比于普通的網銀要便宜些。
在正式上線該轉賬產品之前,產品運營團隊需要一個初步的目標客戶特征報告。
很明顯,在這個時刻,產品還沒有上線,是無法擁有真實使用該產品的用戶的,自然也沒有相應數據的積累,那這個時候所做的目標客戶特征分析只能是按照產品設計的初衷、產品定位,以及運營團隊心中理想化的猜測,從企業歷史數據中模擬、近似地整理出前期期望中的目標客戶典型特征,很明顯這里的數據并非來自該產品正式上線后的實際用戶數據(還沒有這些真實的數據產生),所以這類場景的分析只能是虛擬的特征分析。
具體來說,本項目先要從企業歷史數據中尋找有在線交易歷史的買賣雙方,在線行為活躍的用戶,以及相應的一些網站行為、捆綁了某知名的第三方支付工具的用戶等,然后根據這些行為字段和模擬的人群,去分析我們期望的目標客戶特征,在通過歷史數據倉庫的對比后,準確掌握該目標群體的規模和層次,從而提交運營業務團隊正式運營。
對于試運營之后的來自真實運營數據基礎上的用戶特征分析,相對而言,就比上述的模擬數據分析來得更真實更可行,也更貼近業務實際。在該業務場景下,數據的提取完全符合業務需求,且收集到的用戶也是真實使用了該產品的用戶,基于這些真實用戶的分析就不是虛擬的猜測和模擬了,而是有根有據的鐵的事實。
在企業的數據化運營實踐中,這后一種場景更加普遍,也更加可靠。對于上面提到的案例,在經過一段時間的試運營之后,企業積累了一定數量使用該產品的用戶數據。
現在產品運營團隊需要基于該批實際的用戶數據,整理分析出該產品的核心目標用戶特征分析報告,以供后期運營團隊、產品開發團隊、服務團隊更有針對性、更有效地進行運營和服務。
在這種基于真實的業務場景數據基礎上的客戶特征分析,有很多分析技術可以采用,但是其中采用預測模型的思路是該場景與上述“虛擬場景”數據分析的一個不同,上述“虛擬場景”數據分析一般來說是無法進行預測模型思路的探索的。 成都加米谷大數據培訓機構小班教學。
聲明:本文由網站用戶竹子發表,超夢電商平臺僅提供信息存儲服務,版權歸原作者所有。若發現本站文章存在版權問題,如發現文章、圖片等侵權行為,請聯系我們刪除。