2019年算法時代的用戶洞察和增長實踐.pptx

《2019年算法時代的用戶洞察和增長實踐.pptx》由會員分享，可在線閱讀，更多相關《2019年算法時代的用戶洞察和增長實踐.pptx（39頁珍藏版）》請在三個皮匠報告上搜索。

1、PM-Summit 2019,今天的話題,產品生命周期,引入、成長、成熟、衰退,1,我的數據驅動經歷,2005,2019,我的數據驅動經歷,模型訓練平臺Modeling：LR，CF，SVD，SVM，GBM快速迭代優化提升轉化率模型,Data API（實時）搭建用戶需求解析推薦反饋營銷耐受度人群標簽（群體及個體）,跨屏數據Platform用戶行為數據APP/Online/Offline預定數據產品數據/UGC市場營銷（seo/sem/dsp）數據追蹤與監控,規模2.6億用戶,DTALK：數據驅動的關注點,產品生命周期,產品生命周期,引入期：使市場盡快接受該產品，更快地進入成長期,衰退期：決定采取

2、什么策略，在什么時間退出市場,成長期：維持其市場增長率，延長獲取最大利潤的時間,成熟期：使成熟期延長，或使產品生命周期出現再循環,產品生命周期：變化的算法和指標,優化轉化率,業務早期,優化訪購率（訂單/UV）轉化率&下單頻次,業務增長期：用戶1天內下單2次,產品生命周期：變化的算法和指標,優化GMV（引入客單價預估模型）,業務成熟期：平衡用戶體驗和平臺目標，兼顧高客單價商家訴求,優化實付GMV（打擊虛假自營銷和虛抬物價）,業務增長期：維護生態健康,增長的困局,增長的困局：一個小問題,知識社區老板/產品總監：“增加一個一句話吐槽（類似日式冷吐槽）的功能，可以增加新注冊的用戶數量、活躍用戶數量和平

3、均用戶使用時長?！監K嗎？,增長的困局：決策方式會導致巨大的差別,拍腦袋經驗決策=滿足老板的需求,民主決策=滿足一群“小老板”的需求,科學決策=滿足用戶需求,增長的困局：偏見與幸存者偏差,Abraham Wald：https:/en.wikipedia.org/wiki/Survivorship_bias,增長的困局：如何決策？,這個版本的設計看上去很大氣嗎？上個版本的按鈕為什么不用紅色呢？這個頁面的默認入住日期寫今天挺好？,這個版本的設計導致流程A轉化率下降了？上個版本的設計在做特定人群AB測試的CTR有效嗎？這個頁面的默認日期設計對比哪個用戶群流失率高？,增長的困局：某O2O用戶成長的挑戰

4、,搭建激勵和連接用戶的通道,搭建不同的用戶模型：用戶生命周期模型漏斗模型用戶價值模型,實施運營策略渠道,增長的困局：人類思維局限和分工細化,優化,產品,運營,配色,功能,流程,文案,布局,推薦算法,活動,補貼,內容,傳播,PR,分享,核心指標,各種限制條件：預算、人力、物力、用戶數量、策略、品牌,用戶體驗,增長的困局：讓機器學習處理高維問題,機器學習,Answers,Data,Rules,健康增長和數據閉環：AARRR VS RARRA,https:/,健康增長和數據閉環：AARRR VS RARRA,Acquisition（獲取用戶）：下載量、流量、APP-store訪問量、安裝量,健康增長

5、和數據閉環：谷歌,健康增長和數據閉環：搜索 VS 數據驅動？,搜索引擎收錄索引排序預測,數據驅動采集清洗分析預測,健康增長和數據閉環：為何拿搜索為例？,提問：在抓取了整個網絡的頁面，又有了簡單的布爾索引表，PageRank網頁質量的情況下是否就能給到用戶需要的搜索結果？事實是不能！這個就好像你公司的產品質量超級好，又打通了所有的銷售渠道放在了合適的商店貨架上，但消費者就會買了嗎？根本在于你的商品或者服務是否能滿足/反映用戶需求,健康增長和數據閉環：如何持續敏捷,04,02,01,03,05,假設可能,灰度發布,稱不上算法的算法：共同的好友,5%,猜測可能影響結果的特征值（比如：在線時長、發的文

6、字狀態數、發照片數、etc）,1.用戶的好友數2.用戶的個人信息的完備程度,弄清一個問題：“為什么在平臺上一部分用戶特別活躍而一部分用戶特別不活躍？”,健康增長和數據閉環：相關性 VS 因果,上述定量數據，正相關最高的是“使用過某功能，而活躍并沒有規律，相關程度并不明顯。,健康增長和數據閉環：人群和標簽資產,用戶信息標簽化：通過收集和挖掘分析用戶線上流量信息、訪問記錄、消費行為等主要信息，全面地抽象出一個用戶在人口屬性、生活習慣、消費行為、興趣等方面維度標簽，精準數字化描述用戶。標簽資產化：標簽沉淀在數據資產系統里賦能業務團隊。,標簽、用戶畫像和AB測試,典型用戶問卷訪談典型個體設計&產品,P

7、ersona,受眾定向ETL&算法全域標簽平臺運營&市場,GProfile,AB測試,大量試驗,標簽、用戶畫像和AB測試：某在線旅游平臺,原始數據,大數據平臺,標簽用戶畫像平臺,用戶信息,瀏覽數據,訂單數據,外部數據,點評數據,Hadoop,Spark,Hive,MySQL,Python,Pytorch,Tensorflow,面向應用,基礎數據,消費習慣,出行偏好,興趣偏好,客戶屬性,推薦,排序,搜索,標簽,同類人,標簽資產平臺的建設,標簽、用戶畫像和AB測試：某在線旅游平臺,消費習慣-星級&價格偏好：歷史訂單瀏覽行為收藏記錄淡旺季節假日,Linear RegressionXGBoostSof

8、tmax,把用戶的偏好映射到1,10，該值越高表示消費能力越高,機器學習AB TestCR,瀏覽用戶與點評用戶的距離為星級、價格偏好等維度的加權平均每個維度的距離通過余弦距離計算得到,標簽、用戶畫像和AB測試：某在線旅游平臺,置頂 Top 3 同類人CR不顯著,增加同類人點評分與點評標簽CR+0.74%,同類人標簽前置列表頁CR+0.44%,展示所有同類人并優化算法CR+0.48%,標簽、用戶畫像和AB測試：數據驅動的效率,標簽、用戶畫像和AB測試：數據驅動的基石,數據倉庫報表平臺GProfile多主體標簽平臺AB Test工具,流程漏斗無限細分AB Test,專業人才、流程配套,標簽、用戶畫

9、像和AB測試：標簽平臺案例,標簽、用戶畫像和AB測試：如何解決流失,降低用戶流失,相關標簽是哪些？,找出可能流失用戶,用戶研究Persona,AB測試,降低了嗎,沒有,原因是？,降低了,目標永遠是明確的量化標簽定量定位用戶（Profile）定性用戶原因（Persona）結合AB測試，提高成功率,如何評估數據驅動能力,One More Thing.,如何評估數據驅動能力：我們幫助過的團隊,百貨零售航空/酒店/旅行金融/保險奢侈品/汽車服務/社區日用品其他,如何評估數據驅動能力：2個百億企業的問題,A問題舉例：用戶畫像系統如何好用？用戶畫像系統的的獨特作用？如何評估量化單個標簽的有效性？Perso

10、na和Profile的不同作用？應用場景？,B問題舉例：沒有一個完整化的用戶數據模型去支撐業務的優化評估。單點的AB很弱，效率也很慢，怎么辦？畫像沒有體系化，畫像的精細度不夠深，也不能量化去評估，怎么辦？做不到構建模型驅動運營，只能通過不停AB測去判斷用戶的偏好（即閾值）,我們計劃通過D-Index Program這個長期的企業數據驅動成熟度評估項目，幫助企業評估自身的能力.我們會聯合企業和學術界的力量一起幫助更多的企業從起步到飛奔完成數據驅動的業務轉型。掃碼，輸入“D”,如何評估數據驅動能力：D-Index做什么？,D-Index包括：企業數據驅動能力得分同行業能力排位同等人員規模能力排位同行業與同規模情況參考或者案例展示數據能力強勢點及風險點建議優化方案及可能帶來的提升,D-Index會評估數據產品包括：數據采集部分情況BI部分情況標簽平臺部分情況AB實驗平臺部分情況預測類產品情況（比如推薦系統）可優化點及各優化點所能帶來的提升可能數據產品案例展示,如何評估數據驅動能力：參與獲得的價值,定制化的數據驅動能力得分報告同行業優秀實踐案例及技術指導同等規模團隊實踐案例及技術指導建議優化方案及可能帶來的提升,