数据驱动 洞察用户
降低成本 业务增长
—— 用户画像驱动的业务价值
本文作者: 顾青，E-Bizcamp CEO, DTalk.org创办人，曾负责携程的产品和用户增长，对于如何通过海量数据挖掘来驱动业务决策有丰富的经验，个人微信号richarddq。
特别注意：添加文末孙老师的二维码可以获得数据驱动运营优化研讨入群方式和近期课程的介绍资料。
经验一）要通过产品创新、技术和数据驱动获得竞争优势
工业时代，产能过剩就会导致产品卖不出去，工人失业。
互联网时代，产能过剩就会导致同质化产品恶性竞争，项目成功率低。
从去年开始，美国互联网市场上平均每月下载新APP数量都在下滑，2017年的数据是这样的：
这会直接导致新开发APP下载成本上升。
中国的宏观情况也是一样，从QuestMobile今年3月份的报告来看，每个月的活跃移动设备数量环比一直在下降。
活跃设备的降低，直接导致新开发APP下载成本上升。
搜索的流量新机会也在不断减少，到2017年底全世界的网站流量已经有50%完成了移动化。
基本越早完成移动化的大型网站已经拿走了大量的移动端流量，追赶者的机会不多了。
所以很多企业就开始比谁能花钱，比谁能撒币？
那么不撒币就不行了吗？
很多互联网公司产品很容易通过初期的大范围广告投放，补贴等措施获得大量的种子用户，随即可以看到自己用户量及GMV的高速增长。
但仔细一看伴随而来的是高额的市场成本，低效的活动效果，但一旦停止又明显看到了增速的放缓。这时候进退维谷，烧了心疼，不烧心慌。
有没有解决的方法呢？
当然有！
我们看到今天很重要的一个话题，如果企业希望可以持续健康地经营一个互联网业务，核心决策管理团队必须把重点发在：
1）持续优化用户获取渠道：营销和运营
2）持续优化产品的用户体验：技术和产品
3）精细化运营和用户生命周期管理
这些都可以通过数据和用户画像驱动来帮助实现。
这件事绝对会考研整个企业的数据驱动能力，也就是说如何能在这个时期形成科学的定量分析，指导产品和运营团队能有的放矢的开展产品规划和市场活动，运营好现有用户，提高既有用户的价值，就能大大降低总体的成本，也能让市场团队放开手脚，不必畏首畏尾。
经验二）单纯的数据分析做不到驱动业务，需要设计开发相应的数据产品系统，并通过机器学习赋能产品运营
大部分企业的共同痛点：数据分析可以，做不到数据驱动业务增长（可视化工具不解决问题）
在给近200个不同的互联网产品和业务团队做过技术指导和咨询培训后，我明显感觉到大部分企业的一些共同痛点：
即：都有数据分析系统，但不知道数据分析的结果对业务到底产生了多大的价值。
如果把一个互联网产品按照产品生命周期的阶段进行划分，如下图：
大部分的互联网创业企业和传统企业的互联网团队都在阶段1和阶段2，也即初始试验期和增长期。
这个阶段，并不是每个公司都有钱来请大量的算法工程师，其实也不一定需要这样。从根本上讲，企业经营者其实更迫切希望知道核心团队需要具备什么知识，如何用好自己手里的数据来解决问题。
另外没有好的数据质量，算法很难发挥好的作用。
从Amazon、Netflix、谷歌、Uber、百度、滴滴、美团、携程等企业的实际经验来看，数据驱动能力在增长期可以发挥价值的业务范畴是非常广泛的。
在实际线上业务运营中，如下环节都需要相应的数据产品系统和流程来保证团队有条件发挥创造性：
产品设计：能通过通过数据分析、用户调研和流量试验等手段改进用户体验设计，并解决业务需求，需要网站和APP分析、AB测试工具、用户画像和标签系统。 产品运营：学习、应用、迭代：使用数据挖掘的手段找到促进用户增长的点，比如行为和业务指标在相关性上的量化模型；设计A/B测试方案，需要A/B测试平台、用户画像和标签系统 市场增长：通过测试平台推动增长，包括市场营销，转化率优化等。通过试验和迭代，找到我们增长最快的地方，并知道是怎么做到了，需要数据分析系统、A/B测试平台、用户画像和流量监控系统
拿我自己的企业咨询和培训经验来看，越来越多的团队意识到数据模型和用户画像对驱动业务增长的重要性，并注重实际产出。
图为我在和学员讨论数据收集和整合的基本过程
图为学员记录AB测试中如何判断问题所在
国内外的不同风格的企业在数据驱动上的做法不同，但是都会遵循一些相似的原则。比如：
大胆实践小心求证，把数据化的工作流程成一个闭环，做事情会先设计一个有助于数据驱动的工作流程，在具体实践中会通过提出假设，检验；采集数据，分析结果，最后根据试验结果改进产品、设计和运营策略。比如Twitter和领英每个星期都跑大量实验，国内的腾讯、美团、百度、携程、饿了么等也建立了完善的AB测试文化。
如果数据驱动和试验做得好，包括精细化运营，AI，个性化，预测分析，风控这些工作都可以对业务产生极大的贡献，比如Paypal和唯品会金融消费贷团队都在用自动化和AB测试不断优化自己的风控模型，并获得了业务的很大收益。
再举一个饿了么的例子：
千人千面产品在饿了么的一套总体思路和具体实践方案，过程上经历了从0到1开拓期，从1到10优化期。
首先，总体的思路是“市场经济+宏观调控”。
市场经济主要是指通过算法优化业务目标，充分发挥数据智能化的能力，是一个效率最大化的过程，而宏观调控是在市场经济的基础上对流量的再次分配。
一方面算法和模型不是万能的，也有不能解决的问题；另一方面，通过流量再分配可以更好地平衡用户、商家、平台等多方角色的利益问题，同时对构建流量生态平衡也有一定的作用。
举个例子，推荐列表自然排名结果中的原生广告就是一个流量再分配的宏观调控的案例，对商家而言，可以满足其营销和推广需求，对平台而言，提供了更多的营收，而对用户，会通过AB测试精准地控制原生广告对体验的影响，并且原生广告的宏观调控过程也会考虑用户体验，做到精准触达。
经验三）任何用户画像驱动的运营和营销项目需要老老实实从数据采集、数据建模、数据处理这些做好的基础上去构建上层应用，实现数据驱动业务决策
真实的数据和用户画像驱动是这样实现的
产品设计部门和产品运营部门经常会需要使用Persona和Profile去做业务增量。
首先我们不要忘记一个基本事实，用户画像Profiling的本质是通过数据建模给单个及群体用户赋予有业务意义的数值，可以是一个业务能理解的标示，也可能是一个不断随着用户实时行为变化的属性，比如预订成功率、优惠券敏感度等。
如果不知道业务目标是什么，不能明确需要通过标签体系解决哪个具体指标的优化，那么还不如忘记打标签这件事。
就好比一位在刚在香港上市的大型互联网企业负责做用户增长的团队向我提了一个问题：
“我们在通过通过CRM用户触达+站内产品路径优化+B端附能做用户增长。基于我们业务，我们会有一些基础的用户画像，比如用户社会属性、产品行为、消费偏好等等。但对业务层面来讲，有三点是很弱的：
1，画像和业务是割裂的，就是不特别清晰画像在业务的提升上哪些属性或维度的权重占比有多少，即没有一个完整化的用户数据模型去支撑我业务的优化评估。单点的AB很弱，效率也很慢。
2，我们的画像没有体系化，画像的精细度不够深，也不能量化去评估。维度之间没有串联起来。比如我不清楚用户的优惠敏感度和他的性别关系有多大，比如我不清楚A人群和B人群的异同有什么量化的差异。
3，数据做不到构建模型驱动运营，只能单纯的通过不停AB测去判断用户的偏好，合适的阈值。运营的精细化程度进度很慢。不断AB测叠加的结果下，可能反而离真相越来越远。
我们特别希望能构建体系化的用户画像和智能化的用户数据评估和行为预测体系。”
请所有认为可以粗放地通过数据分析、AB测试就能改善产品运营的朋友注意，这位负责用户增长同学提出了一个很重要的话题，用户画像+智能化预测是数据驱动增长的核心能力。这个核心能力如果可以具备，就可以在产品运营的各个层面发挥作用。
这个问题如果要解决，就是必须能够做好维度建模、做好业务目标明确的标签体系，在这个基础上通过结合用户研究、群体画像和AB测试去验证各种产品运营和营销策略的有效性。
下面是一个比较实用的工作流程，需要配合用户画像系统和运营预测系统去解放产品团队的创造力：
1）可以分析用户的受众型的画像，提炼用户标签；通过筛选和重组提炼出代表性的标签，得出基本用户的基本情况。此时，因资源紧缺，无法进行Persona用户验证；选择使用从事多年用户研究经验的研究人员，对产品需要优化的点，结合Profile分析结果，以客户行为数据跟踪的结果为基础，进行分析，快速得出产品需要优化的要点以及优先级。
2）日常工作中，有大版本迭代、单一功能改版、微版本迭代，同时要求敏捷开发，那么在残酷的竞争下我们是无法拥有充足的时间和资源来一项一项开展工作。因此我们需要灵活应用所有可用的方法，积累经验、数据，尽量让结果的偏离降低到最小。常用的方法有：（1）产品的定期诊断（选择拥有产品思维和用户研究经验的人员来做）；（2）定期收集数据（问卷、投诉及、周边人日常的意见建议等）；（3）时刻数据跟踪产品的核心功能，了解产品功能使用的动向，并还原功能使用场景，分析用户行为，发现使用痛点。
分析出痛点，就是找到用户流失的原因，反过来就可以提升产品运营的核心指标。
总结一下以上三个重要的实践经验
对于在数据驱动业务优化上无法取得突破的企业，只要拆解需求并抽象后，我们就可以这样来做：
A. 网站APP等平台数据采集
B. 数据整合自定义展现
C. 特定目标的数据分析
D. 设计方案分析形成Persona
E. 以用户为主的标签体系建立（profile）
F. 针对用户特定行为的预测算法需求
G. 数据平台的搭建，统一数据接口，实现数据驱动业务的产品系统
具体到实际工作中，可以如下图这样的流程进行数据挖掘，围绕合理的运营指标，找到相关性最好的运营措施。
先写到这里，我会在培训的课程中进行解释和分析，也会写点文章来谈谈。
关于课前预习
我们的课前预习资料是这样的：
其中问到了一些互联网数据分析的基本知识，比如：
1）数据是如何收集的
2）JS和SDK
3）Cookie和IDFA
4）如何识别用户（网站和APP）
5）常用的分析工具 （如GA）
6）搜索引擎技术（包括开源和商用）
7）日志分析工具
8）数据挖掘方法和常用工具
这些知识环节的预习非常重要，我们也会提供预习教材和练习题。
