
拷问支付宝大BOSS:关于卖家数据分析的10个问题
1,作为支付宝数据首席分析师,你怎么看待“数据挖掘”这个词?
所谓的“数据挖掘”是基于用户的行为挖掘出有价值的东西,以及这个东西被用到商业环境上。比如非常著名的“啤酒与尿布”的案例,它的背景是在1992年的美国,每周四或者每周五下午5点-7点的时间形成的连锁销售。但是这个联合销售的方法并不适合任何时间和任何场合,单纯地剥离其背景本身,谈数据挖掘就是一个很泛的事情。
2,你认为,支付宝的数据和淘宝的数据有什么不一样?
我不在淘宝工作,所以很难全面地去了解淘宝内的数据。简单来说,支付宝的数据很广,它是以结果为导向的,显示的是买家交易最后一步动作,而淘宝探讨的是影响其购买的多项数据,是过程数据,它的数据更深,更细分。
3,作为产品出身的数据分析师,按道理你应该对影响消费者购买以及过程数据更感兴趣,为什么会选择支付宝这种以结果为导向的交易数据分析呢?
支付宝也有其特殊的优势。从我个人而言,选择一个公司做数据分析有几个理由,第一,公司高层对数据的理解和重视程度;第二,公司的数据量足够大,足够丰富,能和你本身的研究方向相契合;第三,公司文化与就是个人性格的匹配,这三点支付宝都符合。
4,你个人认为数据能帮助卖家解决什么问题?
其实数据的核心就是将复杂问题简单化。今天的数据是否成功主要看两方面:第一是从时间(Righttime)上,数据出现的时间能否在你最需要它的时候出现;第二,从技术层面讲,有关数据的技术门槛能不能再降低。如果你能让你的用户用2秒时间,只要按一个箭头就可看到他想看的数据,那么这些数据就更有价值的。
5,作为产品出身的人,你看数据的角度会和单纯的数据分析师有什么不一样么?
从我本身而言,我认为不懂商业的人别谈数据。因为做任何数据都应该从问题出发。比如,你在用数据解决问题之前,首先要问自己几个问题:what is the problem(是什么问题?);who(用户是谁);why me(为什么是我做?);why now(为什么是现在做?);What scale(用户层大么?)。这几个问题,如果都是YES,那么这个产品就一定值得做。
6,如果你是支付宝的CEO,你最关心支付宝的哪些数据?
这就要看你所指的时间性了,比如周度,月度,甚至年度是不一样的。如果你的问题是指周度(week)敏感的话而我的时间只有十分钟的话我的答案会是:第一,新/老用户支付成功率;第二,新增用户数的周环比及最近峰比较;第三,十大业务量最高的支付场景中那一个超出了我的预期。第四,商户及用户上周投诉的分类排行榜。
7,现在很多卖家开口闭口就会必谈pv.uv和转化率,你认为这是卖家最应该关心的数据吗?
我不是卖家,但是这个问题的答案是:显然不是。数据是需要背景的,并不是任何类目,任何级别的卖家他关心的都应该是所谓的流量和转化率等。比如京东前一段时间最关注的是物流是否给力,因此京东的CEO最想要看的就是送达率的情况,而如果老板关注的是新品成功率,又或者是追单率等数据,这些数据都不是空想,而是经过沉淀和契合卖家自身发展背景的。因此,肯定不是所有的卖家在任何阶段关心的数据都是一样。
8,你觉得作为淘宝卖家,应该如何使用数据?
卖家更应该学会关注搜索数据(Buyer demanddata),而不是交易数据,比如作为一个女装卖家,你输入“新款”,会发现,其实早在3月11日,就应该是春装打折的时候,如果你对搜索数据敏感,就更容易发现商机,而不是只盯着所谓的交易数据不放。要注意的是其实百分之九十影响你的数据不一定在站内。
9,如果你是淘宝卖家,你会关注哪些数据?
如果我是卖家,我关心的数据有两个纬度:第一,新用户从那个渠道找到我,看了什么? 买了什么。;第二,存量用户中的留存情况。
10,你觉得,一个公司或者一个卖家,如何合理利用数据来制定KPI呢?
很多公司的KPI大多是以业务目标为导向,很少以用户为导向。其实更好的KPI导向应该是以用户为核心。我们常说用户很重要,但是用户到底有多重要,那些用户对你更重要,可以量化吗?。其实要知道用户对你的感知只要问一个问题就可以,用户失去你,他会不会不爽?比如失去了QQ密码,用户会慌,没有了支付宝,对用户影响大么?从这个角度去分析,自然能找到答案。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25