发帖
雷达卡
创业赢销阁，数据化运营浅谈
经常提到用户运营，听到运营手段和技术需求。
我总感觉他们思路也不清晰。
假如我们要上线一个产品，那么产品上线前如何做目标用户特征分析，哪些用户会成为我们拉新的重点对象呢？
对于这个阶段，其实业务经验，调查问卷，竞品分析等比如数据驱动的手段更重要。
假如该公司原本有一款类似产品，那么就可以研究这款产品的用户。
通过分析和挖掘历史数据，来看看这些用户有什么特征。
假设游戏公司上线一款新游戏，可以参照之前公司的类似游戏，通过历史数据研究找到相关用户特征。
比如发现很多二三线的小城市的年轻人喜欢玩这种游戏。
再假设影视公司上映一部电影，可以看看之前类似电影用户有什么特征。
比如发现某几个大学城的学生喜欢看这种电影，那么就可以重点在那边宣传一下。
产品上线后，数据的作用就更大了。
通常研究用户各种特征，来搭建一些目标用户的预测模型。
比如用户续费模型，用户流失模型等等。
这里我想谈的是，业务规则和模型的关系。
其实业务规则是一种弱模型，通常是人根据经验的总结分析。
对用户某些维度设定一些阈值，一层一层过滤或者筛选，得到一群用户。
缺点主观性影响很大，难以综合更多的维度，事前无法评估效果，但是实现成本低。
而模型则充分利用了数学的优势，可以考虑更多的维度。
通过优化的方法来寻找目标用户，而且事前可以做效果评估。
预测模型搭建完，有什么用呢？
比如用户流失模型，我们的模型根据某个用户的行为数据分析。
判断这个用户下个月可能会流失，那么就需要运营手段来设法挽回这个用户。
比如视频网站可以给这个用户送免费观影券，游戏可以给用户送道具等。
做目标用户模型，方法有很多种，最常见的就是用有监督的学习方法。
以用户流失模型为例。
可以挑一些这个月流失的用户和没有流失的用户，以及这些用户上个月的行为数据。
数据分析师和业务方想一些影响流失的指标（就是特征工程），以此来训练一个模型。
当然，还有其他很多方法，比如我们通过统计或者聚类的方法。
我们的付费用户有50%的用户都是体育用户，那么其他非付费的体育用户是否是潜在的付费用户呢？
另外，值得一提的是，模型优化也要有个程度。
现实应用中，并不是每个模型，都能做到很高的准确率的，即使能做到，但是如果要花费很高成本（人力物力时间）的话，也不值得去做。
用户运营的核心，就是用最小的代价提升转化率。
当总体准确率达不到很高的情况下，要么就牺牲召回率，抓住部分用户即可，要么就放弃该模型。
用户流失模型。
通常根据预测概率值，对这些用户再分几个群体。
比如概率值为0.9-1.0的用户用运营手段A计划，对概率值0.7-0.9的用户用运营手段B计划，其他的用户不用任何运营手段。
对于模型能做到什么程度和要做到什么程度的把握，是高级数据分析师和中低级数据分析师的一大区别。
运营效果分析：通过运营效果，来反思模型和运营手段。
发现你这个用户快流失了，那么给你发了10块钱红包，而你之后创造的价值只有1块钱。
那么作为运营人员就该思考，你这种用户是否直接放弃掉，不采取任何挽回措施好呢？
数据化运营，需要全员学习数据化思考，需要业务和数据技术的结合，需要业务方和数据分析师互相学习。
比如业务方根据经验，可以给数据分析师一些建模的指标，数据分析师可以教业务方如何数据化思考。
数据分析师们既要有数据的信仰，但又不能过于迷信算法。
对你有用就分享转发吧。
https://mp.weixin.qq.com/s?src=11×tamp=1555469263&ver=1551&signature=gNMWdg6VYJEhLTc3Rw9Q-g-Zj-vVWYWvg2L9JBYIBOHc6q-rLwuUmx2Ad1Ixn7AyjpONPRXO6lfYir9awRE7lC8*uiB4S4LvQOEWuh9OcVJ5NGsoZkbMVpLFiNYnvm-6&new=1
京公网安备 11010802022788号
