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


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。