京公网安备 11010802034615号
经营许可证编号:京B2-20210330
文 | Stephen Nichols
编译 | Kimmy
来源 | 科克网
互联网+大数据已离不开我们的生活,在企业运作中也是同理。要想让企业快速发展起来,学会利用数据是必备基础之一。本文来源于科技博客VentureBeat,作者是游戏开发平台GameSalad CEO Stephen Nichols,通过分享自己的企业在数据利用上的经验,提醒众多的创业者不能只凭感觉行走,要用数据说话。
不管是多么小型的创业公司,对于数据挖掘这块都必须要不断扩大、不断深入。拥有越多的数据来源,有更多的数据可以分析,进而得出更准确完美的结论,最终才能更成功地为特定客户群服务。
我们公司在做自己的数据驱动工作时学到的最大教训是——在建立产品之前先努力做好数据和情报的收集分析,并且,从第一天开始就把高度注意力放到用户上。以下是对待数据需要注意的5个要点,或将有助于你从数据中挖掘有价值的信息。
1.先收集用户数据
做数据驱动前,先做好对用户的数据收集。不断挑战自己的假设:用户会是谁?你希望他们是谁?虽然可能先是简单地对网站的访客进行调查,例如询问“是什么促使您来到我们的网站?”但这其中也蕴含着你很有可能忽略的重要信息。
利用有效的工具(如实际用户行为的录像记录)去分析人们从一开始到最终买单的浏览过程是怎么变化的,是什么让他们访问这个页面,而不是其他页面?衡量用户在做什么,并确定哪些关键绩效指标(KPI)需要提高。产品的迭代和用户体验的提升都是让KPI往正确方向前进的因素。
在这里也可以一提很受欢迎的A/B测试(A/B测试是一种新兴的网页优化方法,可以用于增加转化率注册率等网页指标),但我并不依赖于它去做任何决定。它需要消耗大量的流量和耐心去完成统计、验证假设。在大多数情况下,最好选择忽略它,而是专注于KPI以及产品迭代。
2.一开始就从数据出发
在设计产品之初,要考虑用户群体的反馈。通过数据分析工具去分析、设计产品,多维度利用和分析这些数据,可以在以后的改造中节省很多力气。这样一来,初期的产品也可以让你和用户更近,从而观察用户和产品是如何相互影响的,而不是单纯拿一堆调查问题覆盖他们。
3.学会整理数据和管理客户流量
在我们公司,对于不同的功能我们会用不同的供应商,包括数据路径、客户支持和市场营销自动化等。Mixpanel(一家数据跟踪和分析公司)有着我们的所有原生数据,它监控用户流量,进行留存分析,并建立了转化渠道分析。Segment.io(为移动开发者提供便利的分析数据分发服务的公司)可识别用户,跟踪用户的活动,和路由数据到合适的地址。内部通讯可触发基于事件的消息以及处理自动化留存信息并参与到营销当中。这让我们可以确定用户的喜好,比如他们是从哪里登录的,是怎么来到这个网页,以及他们将要去哪些网页。我们还使用了自定义路由系统,让数据保持干净,这对于成千上万的用户产生的大量事件而言是特别重要的。
4.通过有效的策略以简化流程
我们一早就明白快速迭代的真理:宏大繁杂的设计并不可行。通过快速敏捷的模式,我们不但做到从系统上满足业务的日常需求,还腾出时间和精力去思考新的选择、探索更多的可能替代策略。
我们不断地衡量,检讨,改正,以及重复。按月或季度来计划,有助于提高灵活性。我们每天都不停地关注每个部分、每个细节,去发现我们所知道的和不知道的,一步一步解决那些最困难,最重要的问题,然后迭代产品。
在确立最适合业务发展的用户原型时,使用智能的策略避免陷入寻找原型的怪圈中。找出谁在使用你的产品,这看起来很简单,但它也涉及到查找原生数据以及找出相关性等问题。这些程序和数据包都存在于R和Physon(数据分析主流编程语言)中,它可以帮助你决定需要哪些以及多少用户原型。
5.赋予员工更多的权限
从“用户的支持”到“用户的成功”的转变看似简单微小,但对员工的态度以及用户的满意度会产生巨大的影响。“支持”意味着一种负担,是你必须做的事情。而“成功”意味着分享,是你想要做的事情。“让用户成功”是每个员工的职责,因此他们需要被授予权利去代表客户提出建议,被授权的员工也代表着被授权的用户。
在过去,我们没有工具可以去了解我们的用户行为。现在我们可以看到他们在点击什么,他们是从哪里登录进来的。这样子我们就可以与每一位用户接触,不管是通过某种渠道还是为了处理个别问题。既然我们知道了谁在访问我们的网站,那么,我们也可以通过他们来接触更广泛的人群。更重要的是,我们可以根据这些数据继续调整产品、满足用户的需求,而不是只靠单纯的假设。
在2016年或往后的时间里,这(数据利用)将会是所有企业的一个基本能力,那些仍沉浸于靠猜测来顺应发展的都将被淘汰。
end
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在机器学习建模、数据预处理、抽样划分、模型初始化训练的全流程中,随机种子是控制实验随机性、保证结果可复现、提升模型稳定性 ...
2026-08-04Python作为面向对象的主流编程语言,核心编程体系由变量、方法、类三大基础要素构成。三者层层递进、相互协作,支撑起所有基础代 ...
2026-08-04 很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问 ...
2026-08-04为什么学习数据分析? 当下,我们已然步入数据要素价值全面释放的智能时代。数据不再只是零散的数字记录,更是驱动新质生产力运 ...
2026-08-03CDA等级认证证书有效期为三年,三年进行一次年审,主要考察CDA持证人的职业发展情况;学历、工作单位及职业变更情况;继续教育 ...
2026-08-03【核心关键词】金融、岗位、企业、算法、知识、专业、理论、课程、软件、数据分析、业务类型、应用场景、经营管理、大型企业、 ...
2026-08-03在日常数据分析、业务报表复盘、业绩预测工作中,平均增长率是衡量数据长期变化趋势的核心指标,广泛用于营收增长、用户增长、销 ...
2026-08-03很多人把统计学理解为“一堆公式和计算”,却忽略了它的本质——一门让数据“开口说话”的科学。真正的数据分析高手,不是会算平 ...
2026-08-03在数据指标体系搭建工作中,从业者常困惑于指标搭建的核心逻辑:究竟是依托一线零散数据自下而上汇总指标,还是基于战略目标自上 ...
2026-07-31在数据分析、问卷研究、实验复盘、业务建模的工作中,大多数人最关注的是“用什么统计方法”:是做T检验、方差分析、卡方检验, ...
2026-07-31 许多数据分析师精通Excel函数和SQL查询,但当面对一张上万行的销售明细表,要快速回答“哪个地区销量最高”“哪款产品增长最 ...
2026-07-31在问卷调研的数据分析流程中,“先检验信效度,再开展进阶统计分析”是通用的规范逻辑。很多从业者会听到“问卷效度高,后续可以 ...
2026-07-30【核心关键词】大数据、统计学、专业、毕业生、论文、课程、计算机、建模、知识、数据分析、机器学习、数据科学、大数据技术、 ...
2026-07-30 很多数据分析师掌握了Excel函数、会写SQL查询,但当被问到“数据从哪里来”“数据加工有哪些步骤”“如何使用分析工具连接数 ...
2026-07-30在业务数据分析中,按天拆分统计夜间时段的数据是高频需求——比如电商夜间订单监测、平台夜间用户活跃度分析、运维系统夜间异常 ...
2026-07-29在机器学习建模与特征工程实践中,判断不同特征对模型预测效果的贡献度,是特征筛选、模型解释、业务归因的核心环节。特征置换重 ...
2026-07-29 很多数据分析师精通Excel单元格操作,但当被问到“表结构数据的基本处理单位是什么”“字段和记录的本质区别”“为什么表结 ...
2026-07-29【核心关键词】岗位、数字化、经验、课程、方法论、决策、企业、大方向、数据分析、销售管理、理论知识、思维方式、分析销售、 ...
2026-07-28在问卷调研、用户分群、效果对比等业务数据分析中,分类变量的关联性与差异性验证是高频需求。卡方检验作为针对离散分类数据的经 ...
2026-07-28 数据分析师八成以上的时间在和数据表格打交道,但许多人拿到Excel后习惯性地先算、先分析,结果回头发现漏了一列关键数据, ...
2026-07-28