kpi|数据驱动增长之四步进阶法( 四 ) 智能汽车|瞰瞰智能科技|解决方

【 kpi|数据驱动增长之四步进阶法】② 指标体系
一般指标体系的构建可分为四类，量级指标、效率指标、结构指标、细分维度。
③ 特征挖掘
特征挖掘一般包括规模特征、趋势特征、过程特征、结构特征及异常点的挖掘特征挖掘的分析过程需要看数据全局，再下钻分析各个细分维度，高亮出异常或特殊的数据，再进行原因分析。
④ 原因分析
原因分析可结合模式/阶段、业务大动作、功能流程设计、运营活动上线、营销投放等方面进行分析，这些因素均有可能引起数据的变化。
⑤ 解决方案
在确定业务的解决方案时，往往不是一而就的可以先确定优化方向，再进行进一步的分析，继而确定优化方案，如果需要优化的点较多，还需要确定优化优先级。
如下图，为寻找解决方案的思路概括。

文章插图
应用数据：怎么用？有什么价值？
从通道、粒度、时效性划分数据应用，可以构建一张数据应用全景图，如下：

文章插图

粒度：指可具体到群体还是精准化个人，如其可决定一个因子是用规则类的分层，还是精细到个人的推荐算法；
通道：指在产品内，还是产品外，决定了其对应的应用场景是什么产品内的通道比如广告资源位item栏日列表等；产品外的通道如短信、push、电销、广告等。
时效性：包含数据本身和数据分析的时效性等，在数据应用中极其关键，特别是个性化推荐略更需要实时在线、个性化的千人千面展示。

（1）差异化展示：基于分发效率提升体验和业绩
从数据应用的真实场景来看，众多大数据分析产品其逻辑基本上通过业务属性、用户属性或行为特征数据提炼筛选人群分组标签，再根据人群分组标签匹配对应的方案或内容库，继而根据规则进行是否展示和展示顺序的判断进行个性化推荐，以达到提升体验、分发效率、业绩等目标。
不同产品的差别往往只在于实现这套体系时的内容供给类型与时效性，这很大程度决定了实现需求本身的成本大小。
（2）个性化展示：产品内个性化推荐实现原理
推荐系统中数据是非常关键的元素，比如需要组织训练数据进行模型训练；计算用户特征进行用户线上预测；内容元数据进行智能推荐等。
（3）差异化触达营销：精准名单输出，匹配营销渠道，推动目标达成
通过用户行为分析及行为特征进行用户分群，输出精准名单，然后匹配规则策略对接不同的通道/营销系统，进行发短信/发Push，亦或是发券/发红包的触达等，这是产品外的一种营销机制，其最终的结果是目标转化。
在该场景中，对接的系统策略与时效性需结合业务实际需求来评估。比如，很多相对低频的业务可能一个月并未累计几条数据，极少量的数据从算法或规则策略运行上来说，其数据质量很差，根本达不到决定策略更新的层级，其更新时间可做到T+30便已很好。
（4）价值实现和资源投入的矛盾
很多公司花较高的成本做应用数据团队的搭建但最终的产出却相差无几，这是源于价值感知与资源投入不是正比关系，还需结合其他因素考量，如下图。

文章插图
应用数据，从整个价值感知上来说最直接，也受大多数老板重视。但事实上，存在一些业务的用户差异度并不大时，其应用数据的的价值也相对较弱，如业务非常低频；
分析数据，分析数据的价值释放与分析师的能力息息相关，若企业有较好的数据分析师团队，其释放的价值会比图中所示更大；