动态新闻
笃实官方发布的最新动态或消息，为您提供关于行业内部的第一手资讯
数据智能在业务场景下的应用
发布时间：
2020-11-10 16:16
数据智能的概念与重要性
关于数据智能，我们首先要了解什么叫数据智能？“数据智能指基于大数据引擎，通过大规模机器学习和深度学习等技术，对海量数据进行处理、分析和挖掘，提取数据中所包含的有价值的信息和知识，使数据‘智能’，并通过建立模型寻求现有问题的解决方案以及实现预测等。”
从消费者的角度来看，数据智能的应用场景已经覆盖生活的方方面面，比如家门口的红绿灯，基于“城市大脑”数据制度，红灯跳转时间经常调整，虽然实际的应用效果可能会导致交通拥堵，但这也从某种角度验证了数据智能已被广泛应用。
从企业经营角度来看，数据智能的实际应用场景包括个性化推荐、相关数据分析等，其在企业的初步应用目的即帮助企业提升经营效率和精细化运营。
那么，为什么会有越来越多的人和企业开始关注数据智能？我们可以从供给和需求两方面深入了解。
在数据智能的供给端，其大规模的商业化要求其具备核心的基础能力，这些能力可以像齿轮一样转动促使数据智能的商业化：第一，模型，很多经典的计算模型在十几年前甚至更早以前就提出来了；第二，计算性能，但部分模型受制于计算的性能，未能得到较好发展；第三，数据的丰富度，它是决定数据智能能否做好的重要因素，这也是近些年各大企业纷纷重视数据、注重行为数据采集的原因。
在需求端，首先要从商业竞争的核心目的——提升经营水平出发。在存量竞争时代，我们更多的将注意力放在挖掘老用户价值上，会关注其 ARPU（每用户平均收入）值。比如某咖啡品牌考虑在咖啡售卖之外，扩充品类，加入轻食套餐的销售等，这是基于企业战略的考虑，而提升 ARPU 值的核心解决方案是「个性化」，如果面向每一个用户提供的产品都是根据其偏好定制的，那么转化率必然会得到巨大提升。但是如何实现个性化？纯粹靠人力给每一个用户打标签是不现实的，这个时候就需要数据智能来帮助企业实现「个性化」。
业务经营视角下数据智能的典型应用场景
我将数据智能的典型应用场景分为以下几类，如下图所示：
第一，助力业务分析，辅助产生业务洞察。
作为分析师，经常关注指标的异动，对用户和人群的认知，定位某个/些功能对特定用户产生的行为具有因果关系，以及数据维度下降等，以此发挥数据的价值。
1.指标的应用分析
在分析层面，我们经常做指标的应用分析，在某些特定场景下，分析师的一些分析思路其实可以按照特定规律固定下来，比如 A 企业的业务较稳定，管理者关注的是与销售额相关指标的异动，那么就需要采用不同的分析思路，对其指标的异动做相应分析。一方面可以做维度的下钻，通过地域、门店、品类等多维度进行分析，挖掘该异动是由于某一维度导致还是全局变化引发的；另一方面，也可以从相关的因子角度去拆解该指标，分成流量、转化率等，最终得到指标异动的原因。
针对此，我们完全可以通过规则建立、模型等方式来实现业务分析，节省分析师的投入，并且如果发现指标异动，还可以通过数据产品自动给出解释。
2.人群的需求分析
有些产品到了一定阶段其用户可能会达到几十万、几百万甚至更多，但是用户都有哪些类型，分别有什么样的需求？这对分析师来说是一个“迷人”的话题。
1）基于决策树，洞悉用户留存
下图是神策为某短视频企业做的新增用户的需求分类，采用「决策树」的方式，以次日留存为目标进行分类，用于分类的标签包括“核心功能的使用次数”等。
通过分析发现，“高播放互动型”用户在平台上操作“播放”的频率较高，同时也会在评论留言区多次活跃，我们可以判断此类用户是将该平台作为“兴趣社交”使用；“高播放消费型”用户则是“播放”较多“互动”较少，属于内容消费型用户；而还有一类用户明显地把该平台作为视频拍摄与发布的工具，那么就可以猜测该用户背后是一个短视频运营机构等。
2）基于用户行为探查用户需求
基于新增用户行为数据分析，我们可以发现，在“用户新增场景”中占比较高的是基于“工具需求”，同时用户在使用 APP 的过程中，高频率使用的功能为“值机”，结合神策过往合作经验，大部分航空 APP 被多次使用的功能均为“值机”，因为多数用户的“预订”动作都会选择在 OTA （在线旅游）进行，因此对航空 APP 的更多需求在于预订之后的“查询”、“值机”等；而对于“黄牛类型”用户来说，他们更多的在 APP 上操作“领券”的动作。
3）特定功能对用户的留存影响
对于做内容的产品，经常需要考量的问题是“什么样的功能能够对用户的留存产生影响”。下图为某内容社区平台，通过在评论区展示高质量的核心内容，并提高该评论内容的曝光，让用户更快、更近距离地感受平台价值，以此驱动用户留存。
该分析思路也可以进一步孵化：通过数据分析及运营工具基于相关的计算规则，将评论、内容等进行排序，以用户行为分析结果决定内容排序，然后再去思考背后的因果关系，进而促进产品的优化。
4）数据降维定位核心问题所在
很多情况下，用户的评论、反馈等内容多而杂，逐条去看耗时耗力，这个时候我们就可以通过特定的模型，对内容进行维度下降，聚类出几类典型结果，帮助我们定位核心问题所在。
这种方式通常用于文本分析、报错等场景中。
第二，精细化运营。
在此过程中，很重要的一个动作是识别用户各个阶段的标签，并预测用户是否会流失，是否对某个产品感兴趣等，然后针对性地面向用户做精细化运营。
大多数情况下，我们会根据兴趣标签进行个性化推荐，如手机平台根据用户的兴趣爱好针对性地推荐 APP；根据业务标签预测运营风险、做 RFM 运营，如金融产品根据用户收入、职业稳定性等标签来判断用户是否会逾期等；根据流失预测结果对用户做全生命周期运营，在用户流失之前介入，而不是在流失后进行召回。
第三，助力个性化体验提升。
即人和商品的匹配效率，千人千面。
个性化推荐常用于电商场景，核心目的在于提升用户和商品的匹配效率，最终服务于用户粘性和转化率的提升。当内容、商品逐渐丰富之后，如何让每一个用户快速看到自己想要的内容或商品，「个性化推荐」完美解决了这个问题。
第四，数据与产品结合，助力产品附加值提升。
比如，通过对照片、文本、音乐等做内容聚类，形成特定内容的推荐。
在我们的手机相册中，可以通过图像识别形成一定的标签，可能是地点、人物等，基于数据分析做图片的聚类，进而和用户之间产生高度粘性；在音乐类型产品中，如果基于歌曲的相关性，自动给用户推荐歌单，那么用户使用效率会大大提升，用户对产品的信任和忠诚度也会随之增强。
从以上数据智能的应用场景中，我们可以概括成一句话：在很多情况下，数据智能已不局限于“锦上添花”，逐渐变成了企业能否高效率运行、在市场竞争中胜出的关键因素。
数据智能的实现过程和落地实践：以「推荐」为例
现阶段，「推荐」已经发展成为一个比较成熟的应用场景，通过行为数据建立集市，根据特征挖掘引入行为特征，然后在模型训练中得到业务指标的预测，最后把根据每个用户特征生成的个性化列表传到用户端。
现阶段，「推荐」已经发展成为一个比较成熟的应用场景，通过行为数据建立集市，根据特征挖掘引入行为特征，然后在模型训练中得到业务指标的预测，最后把根据每个用户特征生成的个性化列表传到用户端。
7x24小时服务
专属微信群服务
1V1大客户服务
全周期专业服务
