数字化运营：以数据驱动决策，如何构建体系？

在了解数据操作之前，操作人员是否存在以下问题：不同渠道的效果是好是坏？活动数下降的原因是什么？这次活动的推广效果如何？用户喜欢发布版本吗？我们总是说传播，传播有多大？这是产品和运营每天都会遇到的问题。实际上，数据操作是解决这些问题的基础。它从来都不是BAT的专属，也不是大数据的专属宠物。每个互联网公司都有合适的数据操作土壤。数据操作系统不仅是数据分析的集合和应用，也是数据的第一战略。它不仅是运营商的工作，也是产品、市场和研发的共同愿景。从管理的角度来说，是自上而下的推动。如果领导不重视，执行者的数据再好，也是半腿走路。如何构建数据操作系统？以下是我的总结和思考。我将数据操作系统划分为四层架构，每层架构逐渐演变为相互依赖，每层都是不可或缺的。这四层是数据收集层、数据产品层、数据操作层和用户触摸层。从操作人员的角度来看，这是一个框架。数据收集层数据操作系统的底层是数据收集，数据是整个系统中的石油。数据收集的核心是尽可能多地收集所有数据。它有两个原则：早不晚，全不少。不要等到公司发展到B轮、C轮才能收集数据，这意味着产品从创立阶段开始就需要有意识地收集数据。产品全阶段实施数据操作，不同阶段有不同的操作方法。宜全不宜少，是指只有不合适的数据，没有不良的数据。具有历史数据、变更记录或细节数据等价值。例如，有一种金融产品，其信用调查系统将详细记录用户的行为，用户在借款时上传担保信息，并记录用户在这些页面上的操作步骤和时间。这里有一个假设，普通人上传担保信息必须小心。如果这一步非常顺利和快速，很可能是违约和欠款的人：你想赚钱吗？属于熟练工作案。信用调查系统将这些数据作为判断风险的特征。需要收集的数据可分为行为数据、流量数据、业务数据和外部数据四大类。行为数据是按时间顺序记录用户在产品上的一系列操作行为的集合。用户打开APP，点击菜单，浏览页面是行为；用户收集歌曲，循环播放歌曲，快进跳过歌曲是行为。行为数据的核心是描述哪个用户在哪个时间点，哪个地方，以何种方式完成哪种操作。我们可以利用它来分析用户的偏好，页面停留时间、浏览频率、拇指，可以成为基础。另一方面，用户行为也是用户操作系统的基础。根据购买、评论、回复、添加朋友等不同行为，划分不同的梯度，定义核心用户、重要用户、普通用户和潜在用户的分层。通过埋点技术收集行为数据。埋点有不同的实现方式，但收集到的数据内容没有区别，主要以用户ID、用户行为、行为时间戳为主要字段。用表格画一个简化的模型:useid用来标记用户的唯一身份，通过它来确定是谁，理解为身份证号码。active是一种具体的操作行为，需要在技术层面上设置和定义。timestamp是行为发生的时间点。这里我只准确到分，一般准确到毫秒。用户的行为记录应该是详细的，比如他们浏览了什么页面，此时页面上有什么元素（因为元素是动态的，比如价格）。这是一种半结构化的NoSQL形式。我在这里简化了它。有时，为了方便技术，行为数据只收集用户浏览产品的页面，如点击和滑动。属于折衷的方法。此外，行为数据还会记录用户设备，IP、更详细的信息，如地理位置。不同设备的屏幕宽度不同，用户交互和设计体验是否会有差异和影响，如何分析？这也是数据操作的应用程序之一，是应该完成而不是少的体现。流量数据流量数据是行为数据的前辈，是Web1.0兴起的概念。它通常用于网页端的记录，产品端的行为数据。流量数据和行为数据最大的区别在于，流量数据可以通过搜索引擎、外链或直接访问知道用户来自哪里。这也是SEO、SEM以及各种渠道营销的基础。虽然现在是移动时代，但Web时代的流量数据并没有过时。例如，微信时刻的内容是HTML页面，活动运营需要基于这种统计效果，我们可以将其视为一种流量数据。此外，许多产品都是本地产品 Web的复合框架和大多数内置活动页面都是通过前端实现的。此时，即使是行为也是流量数据。当我们将活动页面发送到朋友圈时，相应的统计数据只能依靠基于前端的流量数据来收集。基于用户访问的网页端生成了流量数据。用户ID是主要字段、用户浏览页面、页面参数和时间戳。简化模型如下：url是我们访问的页面***.com/***形式记录，param是描述页面的参数，我们在页面上的搜索和属性信息将以参数的形式记录。与行为数据一样，如果流量数据需要更详细的统计，最好是半结构化，包括操作记录。它是活动和内容操作的好朋友，活动的转化率，文章发送到朋友圈的阅读量，都被记录为流量数据。主要通过JS收集。流量数据统计已经相对成熟，谷歌Analytics和百度统计是最常用的第三方工具。然而，他们不支持私有化部署，只能提供统计数据。我知道有100人访问这个页面，但是谁不能定位这100人，数据也不能记录在数据库中，这对数据操作来说是一个麻烦。一些新工具可以支持这种更精细的需求，但要收费。如果有可靠先进的技术手段，我们可以统一行为数据和流量数据，这是未来的趋势。业务数据业务数据伴随着产品运营过程中的业务。例如，对于电子商务产品，我进行了促销。有多少用户收到优惠券，使用了多少优惠券，以及使用了哪些产品。这些数据与操作密切相关，无法通过行为和流量进行解释，因此它们被归类为业务数据的范畴。库存、用户快递地址、商品信息、商品评估、促销、朋友链、运营活动、产品功能等都是业务数据。不同行业的业务数据不同，业务数据没有固定结构。业务数据需要配置后端研发，因为结构不能通用，最好提前向研发人员问好。三驾马车构成了数据源的行为数据、流量数据和业务数据。统称为原始数据，是指未经任何处理的数据。外部数据外部数据是一种特殊的数据，不是内部生成的，而是通过第三方来源获取的。比如微信微信官方账号，用户关注后可以获取区域、性别等数据。比如支付宝的芝麻信用，很多金融产品都会调用。还有天气、人口、国民经济等公共数据。另一种获取外部数据的方法是爬虫。我们可以爬豆瓣电影评分、微博内容、知乎回答、房地产信息。第三方不能支持你获得，很多时候会有防爬虫机制。它需要一定的技术支持，不是稳定和容易的来源。由于质量难以保证，外部数据更多的是一种参考作用，不像内部数据能产生巨大的作用。这四种类型的数据构成了数据操作的基石。随着互联网公司数据水平的提高，可以使用的数据越来越多。从SQL到NoSQL，数据结构逐渐从SQL到NoSQL；信息源越来越丰富，图形和声音数据越来越多；技术从单个服务器演变为分布式；数据收集的挑战是从离线批处理到实时流量的响应。当我们有数据时，进入下一层，数据产品层。数据产品层数据产品是数据的加工和利用，属于计算机处理原始数据的技术和自动化范畴。它不是传统意义上的数据产品（如广告系统），而是为了发挥数据价值和生产力，理解为数据处理产品。原始数据不能直接用于操作，通常又脏又乱，我们需要按照一定的标准进行整合和处理。比如行为数据和流量数据，用户在微信朋友圈看到一个活动感觉不错，就下载APP，注册后参加活动。这里的行为数据和流量数据完全独立。微信朋友圈的浏览记录了用户weixinopenid和cookie，下载后是产品内部使用的userid，无法对应，需要数据整合和cookie、信息映射，如手机号码、userId等(mapping)同一个人。这是数据清理的技术层面。整个过程叫ETL。发挥数据价值的方法有很多种。也就是说，原始数据可以通过BI以维度和测量的方式聚合，进行各种可视化的决策分析，也可以挖掘数据。数据的不同使用取决于业务和场景。这里最重要的是先有指标。我强调尽可能多地收集数据，但是有这么多的原始数据，我们如何指导我们的业务呢？这就要求我们从庞大的数据中找到方向。在这个时候，我们必须建立指标，指标是我们的方向，它是业务和原始数据的连接器。可以说，该指标是数据操作系统中承上启下的润滑油，由原始数据加工而成，反过来又驱动其他产品。需要BI吗？BI必须围绕指标建立仪表盘；使用机器学习算法？算法的目的是提高指标效果；你想操作吗？KPI的内容、用户和活动模块也围绕着指标。该指标不是一个通常意义上的数据产品。我更喜欢解释的是，它是数据产品经理，驱动、规划其他数据产品，并配合运营迭代业务。这样说，大家就明白了。如何根据经营业务确定指标，也是经营的第一驱动力。让我们简要看看指标是如何由原始数据处理的。下图显示了记录在原始数据中的用户打开应用程序的情况。每次戳意味着相应的用户已经打开了应用程序一次。通过这个表，我们可以计算每天有多少用户打开了应用程序。这是打开量，重用户数量，是操作中的一个重要指标：活跃用户数量。比如SQL的LeftJoin可以通过进一步复杂的操作来获得保留率。几乎所有的文章阅读量、每日销售量、参与活动的人数都是通过对原始数据的总结加工而成。指标汇总后，是操作人员产品人员的日报Dashboard。有了指标，我们来看看其他数据产品。由于篇幅有限，我将重点介绍用户肖像。用户肖像用户肖像是常用的数据产品，对产品和运营商来说往往是神秘的。它有两种解释，也是许多新手歧义的根源。用户肖像属于营销和用户研究领域，称为Persona。更准确的翻译是用户角色，描述了用户需求和场景确定的自然人社会属性。而数据领域的用户肖像，又称Profile，是一系列数据加工出来描述人物属性的数据标签。最著名的例子是淘宝上成千上万的人：用户在怀孕期间购买孕妇产品，很可能被贴上孕妇标签；浏览汽车相关产品，将被贴上汽车兴趣的标签。用户肖像是一个依赖大数据和机器学习的复杂系统。准确丰富的用户肖像可以提高指数级的操作效果。用户肖像也有简单的用法，没有数据挖掘也没关系。不难获得用户的性别、年龄和地区信息吗？简单地区分用户行为的喜好和偏好并不难。然后我们就有用户画像V1.0。基于用户画像的常见应用是推荐系统、精准营销和广告。如果你想推广化妆品促销活动，选择女性标签的用户必须有更高的成功率。此外，如果操作知道女性用户喜欢哪种类型的化妆品，效果会更好。用户肖像可以通过提炼现有数据获得，如拥有用户身份证信息，可以准确获得性别、籍贯、出生年份三个标签。也可以通过算法计算获得，比如淘宝购物留下的收件人姓名，通过机器学习，以概率的形式获得买家是男是女，中华人民共和国成立很可能是男性，翠兰很可能是女性。基于原始数据的用户肖像处理，原始数据越完整，用户肖像就越丰富。在数据产品层面，我们以数据处理为指标，以其为核心，构建和规划数据产品。如何显示指标（BI），如何提高指标(算法)，如何计算指标（ETL），如何与指标(用户画像)结合。我们现在得到了这些「产品」，接下来是使用，操作和产品人员是他们的用户。数据操作数据操作层是操作人员将数据转化为操作策略。以人为本的主要生产力对应于数据产品的计算机自动化。强调人的作用，直到我们谈到具体的方法。无论我们之前创造了多好的数据产品，员工的数据操作意识都无法提高，一切都等于零。对人有三个要求：（1）用数据做决策。我们不仅要知道数据能做什么，还要知道数据不能做什么。前者很容易理解。我在工作中遇到过很多次。当我有数据提供决策时，我仍然相信我的个人经验。这是一种应该避免的思维，不是一个人，而是团队应该这样做。数据运营不是企业运营的灵丹妙药。客观上，公司规模越大，数据运营效果越好。在初创公司或小公司，由于缺乏技术支持、改进效果不足、数据量不足等原因，会受到一定程度的限制，导致优先延迟。这是一个无法选择的问题，只能以解决问题为基础。（2）虽然数据分析和操作水平本身并不合格，但员工仅限于平均水平，所以不要期望太高。这一点必须通过不断的系统培训和人员招聘来解决。自上而下的倡导和启动是最好的结果。高层管理层具有数据操作的战略和意识，管理层具有数据操作的指导经验。如果执行层能够实施数据操作，整个系统也将成功实施。(3)使用产品工具是员工的技能要求，比如MySQL查询。

以上就是关于数字化运营：以数据驱动决策，如何构建体系？的相关介绍，更多数字化运营：以数据驱动决策，如何构建体系？相关内容可以咨询我们或者浏览页面上的推荐内容。我们将让你对数字化运营：以数据驱动决策，如何构建体系？有更深的了解和认识。