将分析引入产品

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

随着越来越多的人熟悉分析，它在各个领域的需求变得更加明显。产品也不例外。在您拥有的产品中引入某种格式或其他格式的分析几乎是不可避免的。但是，在您打开这个魔法世界的大门之前，您应该尝试回答三个问题。


这三个基本问题将有助于更好地规划您的分析策略，并在不确定时期充当指南针。

为什么分析：

太好了，你决定踏上旅程——可能是因为害怕错过潮流。然而，如果不回答这个问题，您的团队将始终陷入无方向的忙碌工作中。它涉及到一个简单的发现，为什么要向产品引入分析。正如 麦肯锡 所说，如果没有正确的问题，结果会 有点有趣，但在金钱上微不足道。

是为了让您的产品的最终用户能够使用吗？
它会为您的内部产品智能服务吗？
是因为其他所有产品都具有某种分析风格吗？
投资者要求？
这是产品路线图的下一个大战略吗？
你聘请了一个数据科学团队；你不知道该怎么办？
它会为销售团队提供更好的销售建议吗？
如果您的客户要求提供他们的使用统计信息？
分析中的内容：

在真正开始构建之前，问问自己想要构建什么不是很明显。分析也是如此。

您想为 B2B 平台的管理员启用各种指标的报告吗？
您会利用 AI/ML 为最终用户提供产品功能吗？
您是否正在寻找更深入的产品情报？
有功能但没有太多可用性是一件好事吗？或者它将成为主要的功能产品？
对上述问题的回答，取决于产品类型、用途和用户。

如何分析：

在解决了分析中提供的原因和内容之后，合乎逻辑的下一步是计划如何交付它。此外，当我们谈论分析时，数据是核心。数据强制要求一个全新的流程和实践生态系统来满足监管、信任和需求义务。

尽管数据管理的每个组成部分都需要专门的文章，但我将简要介绍每个组成部分，并尝试说明每个组成部分如何影响产品的分析策略。

数据库系统：作为分析策略基石的主要基础设施：存储数据的数据库。RDBMS、NoSQL 或 Hybrid 解决方案，有数十家公司可供选择。

主数据和元数据管理：这是定义、身份、标识符和引用，每个数据调用都将通过这些引用进行引导。了解和管理大量数据资产至关重要。

质量控制：您一定听说过“垃圾进，垃圾出”的说法。不良数据将严重阻碍业务运营中的信任和可操作知识。数据必须是唯一的、完整的和一致的。

集成定义：为了使分析变得实用和可操作，数据必须从不同的来源流入。这可以是不同产品之间的转移，也可以是平台内多个模块之间的连接。模式是实现这种统一的地图或高架桥。

仓库：从平台存储的交易数据或原始数据可能不适合用于分析。动态连接十几个表不仅会影响吞吐量，还会影响洞察力生成的可行性。专门构建的数据仓库是集成来自多个异构源的数据的有效步骤。但是，这可能会导致近实时系统在数据可用性方面存在一些延迟。  

转换：数据转换是数据集成或数据仓库不可或缺的一部分，其中数据从一种格式/结构转换为另一种格式/结构。它涉及数字/日期计算、字符串操作或基于规则的顺序数据整理过程。作为 ETL（提取-转换-加载）数据转换的一个步骤，可以缩短最终用户的处理时间，从而实现快速报告和洞察生成。

治理：为 1) 数据政策 2) 数据质量 3) 业务政策 4) 风险管理 5) 合规性 6) 业务流程管理设定指导原则、基准、实践和规则。作为 RFP 和政府法规的重要组成部分，缺乏数据治理可能会使公司面临诉讼、更高的数据/流程成本和完全的业务失败。

架构：根据数据管理知识体系 ( DMBOK )，数据架构“包括用于描述现有状态、定义数据需求、指导数据集成和控制数据策略中提出的数据资产的规范。” 简单地说，数据架构描述了如何收集、存储、转换、分发和使用数据。数据架构将业务战略和技术执行联系起来。

如果没有获取信息和洞察力的能力，存储数据是没有用的。一旦数据管理到位，就需要对数据的处理和表示进行规划。

协作与内部开发：市场上有大量可用的工具可以帮助您理解数据。这些可以是有助于制作仪表板的传统 BI 工具，例如 Power BI/Tableau/Qlik/Microstrategy。或者，有现代 BI 工具，例如 Looker/Periscope/Chartio，它们不仅仅是仪表板。然后是 Amplitude/Firebase/Google Analytics/Mixpanel/Moengage 等工具，可以帮助进行产品分析和了解用户行为。这些工具可轻松与您的产品集成，并为您的分析产品提供更快的上市速度。然而，与此相关的成本 – 1) 高昂的经常性订阅成本 2) 对功能的控制较少。另一种方法是在内部开发报告和仪表板工具。它确实伴随着非常长的酝酿/开发期和需要管理的大型团队的运营问题。

实时或延迟：随着业务需求推动此决策，可以在使用交易数据（实时分析）或仓库数据（接近实时）之间进行比较以进行分析。仓库绝对有优势，提供更多的灵活性和范围，但实时报告有其自身的魅力。

AI/ML：人工智能和机器学习是最新的流行语，像宏观自动化这样不起眼的东西被归类为 AI/ML。然而，真诚的 AI/ML 解决方案使产品能够为最终用户提供差异化​​产品和基本附加值。AI/ML 实施的唯一问题是成本。无论是人才还是基础设施，它都不便宜。不要忘记，领导者需要投入的急需的耐心和信任。因此，该协议必须是经过深思熟虑的业务决策，而不是 IT 部门的仓促推动。

从本质上讲，一个深思熟虑的计划——考虑到需求、能力、资源、公司的管理、业务、法律和法规——而不是一个下意识的反应——确保分析实施取得一定的成功。

相关帖子DA内容精选 2022年300个以上最佳免费数据科学课 大厂数据分析面试指南！来自亚马逊、谷歌、微软、头条、美团的面试问题！ 机器学习模型方法总结 历史最全机器学习/深度学习/人工智能专业术语表中英对照表 机器学习如何应用于商业场景？三个真实的商业项目 数据工作者的自我修养 | 哪些技能是必不可少的？ 《汗牛充栋：数据分析书籍分享》CDA网校新课上线 文本挖掘常用的107个语料库 一图读懂“东数西算”工程 零基础转行数据分析，看这篇文章就够了

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：Analytics Analytic Strategy Tableau Strateg