五一回家,有非数据专业的朋友问,你一直搞大数据,大数据除了“杀熟”,还有什么应用场景啊,能不能科普下?
的确网络上、新闻上看到了很多的“杀熟”的负面报道,但大数据还能干点啥、有什么价值、数据人每天在忙啥,对于非数据线的人可能确实不了解,毕竟隔行如隔山。
所以,近期也在思考,如何能把大数据的应用场景说清楚,不为正名,只为把自己数年的大数据从业的初心再捋一捋,也给想要选择数据行业的提供一些参考建议。
第一次和数据接触,是13年运营第一个微信公众号的时候,每天看着后台的阅读量、转发量、新增用户数、累计用户数等指标,通过数据观察分析哪些内容更容易引起用户共鸣促进转发,什么类型的用户会关注,什么时段群发阅读量更高。也因此结缘,毕业找工作时选择了数据产品经理,但那个时候比较懵懂,还没真正了解什么是大数据。
结合自身的数据从业经验,总结下来大数据的核心价值在于应用。也有把数据比作“原油”,只有经过加工处理成为“汽油”、“柴油”、“机油”,被投入使用后,才会真正发挥价值。
数据核心应用场景主要有面向企业内部(ToB)的决策分析支撑和面向C端用户的智能应用。
一、ToB:决策分析支撑
解决数据“是什么”、“怎么样”、“为什么”、“怎么做”的问题,从拍脑袋的定性决策,到定量的数据化管理。
1. 经营管理
为管理层提供完整的、能够快速反映业务经营健康度的管理指标,为管理决策提供数据支持。
举个例子。
门票业务CEO每天早上都要打开电脑或手机看经营日报,某日发现业务总营收指标同比降低了20%,其中华东地区下降35%,其他大多数地区都是增长的。找到华东大区负责人,去跟进处理。
华东大区负责人再拆分到省份、城市、景点、门票资源,最终定位是迪士尼的门票效率大幅下滑,原因是竞对某团开展了大力度的优惠活动,于是责令景区商务快速跟进。
2. 运营优化
提供产品迭代、流量渠道策略优化、活动效果分析等产品运营所需的数据分析能力,数据化运营。
1)产品迭代
产品功能改版前需要进行数据分析,查看旧版本的用户使用习惯,以及哪些功能实际上很少人使用,可能是可以优化掉的。
改版后,同样要对新功能进行数据监控,分析新功能是否达到了既定的迭代目标。最常用到的是AB实验,比如不同的交互方式、UI布局,可能会影响用户转化。通过对AB结果分析,确定最优的方案,用数据说话。
2)渠道优化
为了获取新用户,互联网公司需要进行SEM、信息流、应用市场等不同渠道的投放,但不同媒体的用户群体特征各异,广告投放的ROI差别较大。
通过数据分析来将渠道分类分级,流量规模大、用户质量高的加大投入,流量小质量差的可以放弃,支撑渠道运营策略的优化。
3)营销分析
今年五一迎来了疫情后的出行高峰,各家OTA都推出花样各式的假日活动,比如机票盲盒。98元的机票为什么敢卖,不亏钱嘛?
其实盲盒产品设置的本意并不是为了成交,或者说会控制成交量、来管控成本。机票盲盒是现象级产品,通过用户分享、传播,带来品牌曝光、强化用户心智等其他附加价值。
因此,在这个过程需要基于数据来分析锁定成功率需要控制在XX时,可以既刺激用户传播,又保证企业不亏。同时,也要分析参与活动的用户都是什么特征、性比年龄籍贯几何,来投放广告做活动的预热。
3. KPI监控
基于大数据提供系统稳定性、KPI波动监控能力,业务异常及时发现,快速止损。
数据报表、数据产品主要是承载的人找数,而KPI监控则是基于业务规则对指标的波动或异常进行定义,指标数值超出范围后,触发预警及时通知,减少问题发现时间,降低业务损失。
今年五一出游高峰,很多指标达到了历史峰值,对系统服务的稳定性是一个比较大的考验。除了提前做好应急保障外,也不可避免地出现服务异常的情况,及时发现,修复系统问题,及时止损。
4. 业务预测
基于大数据和算法挖掘能力,提供业务指标趋势预测,提前布局资源。
除了对已经发生的业务现象进行事后分析外,还可以基于大数据预测业务发展趋势。比如五一、十一节假日提前预测业务高峰发生的时间以及业务量,应用服务提前压测,服务器提前扩容,以及提前部署客户服务人员的排班计划,做到既可以满足业务高峰,又实现人力以及资源的最优匹配。
二、ToC:数智化赋能
除了数据分析,大数据另一类场景是让产品“更懂你”,在合适的时间、场景,把产品和最有意向的用户匹配,实现人货场的匹配。
同一个产品卖给用1000块的杂牌Android机的张三10块,卖给用8000块钱iPhone12的李四20,这叫“杀熟”。张三经济水平一般,出门住酒店一般选择200~300价格的,给他推荐经济型酒店;李四消费能力高,推荐高星级品牌酒店,这叫千人千面个性化推荐。
1. 精准营销
基于用户画像标签进行用户分层,精准触达,实现精细化运营。
互联网上半场,流量获取成本相对较低,且公司融资相对容易,为了跑马圈地圈用户甚至可以不计成本,很多公司为了快速实现用户增长采用的是粗放式、广撒网的方式进行用户获取或运营,比如给所有用户发补贴红包,给所有下过单或没下过单的用户发营销短信。
而流量红利过后的下半场,一方面用户要持续增长,另一方面也要管控成本,提升ROI。
此时,需要基于大数据将用户标签化,构建用户的画像标签,按照不同的业务场景进行人群的精细化分层后,精准触达,把资源倾斜给高潜客户。
2. 流量智能分发
基于算法挖掘用户行为意向,匹配最佳产品或服务,实现人货场的智能匹配。
精准营销平台更多地是提供人群圈选的能力,产品或运营人员基于经验,进行用户的条件筛选。
流量智能分发则是基于用户历史行为,采用用户或商品维度的协同过滤、聚类分析、逻辑回归等算法,识别进站用户的行为意向,为用户提供差异化的产品功能或页面模块。
比如,大众点评在做10.0版本改版时,首页从商户列表改成了类似小红书的信息流模式,且是作为一次比较重大的战略改版,力推信息流。
对于“爱逛”的女性用户群体,觉得是不错的改版;而对于用完即走,直截了当的钢铁直男,觉得改版后很难用,应用市场大批吐槽。
基于数据和算法能力,对于不爱逛的用户,可以默认展示分类金刚位,爱逛的人则可以默认优先展示信息流。
3. 个性化推荐服务
提供App、小程序等应用端产品的千人千面推荐,促进用户转化,提升用户体验。
流量分发侧重于用户行为意向、下单概率预测等宏观层面,提供产品功能和服务的匹配推荐。
个性化推荐则侧重于内容本身的精准匹配,比如算法推荐用户可能会喜欢的酒店、景点、旅游线路、美食商家、淘宝产品等,目标是实现人和商品的匹配,缩短用户决策周期,快速引导用户下单转化。
举个例子,当你打开某旅游APP,首页推荐的是你刚好想去的城市,以及对应的酒店、景点、旅游线路。此时,你是不是更愿意去点击浏览,并且更快速地下单呢?
4. API服务
为产品功能迭代、运营活动提供用户订单、行为数据查询服务,以数据赋能产品创新。
API服务相比算法推荐,主要统计分析数据的服务化。比如APP产品新客专区模块,当用户进入页面时,调用新老客的接口,判断当前用户ID是否有过订单,符合新客条件的才展示对应的运营位。
5. 风控和反欺诈
基于算法模型(知识图谱、聚类分析等)识别黑产用户特征,防止薅羊毛等黑产或欺诈行为,减少业务损失。
互联网发展早期,比如2013年外卖、打车业务多家平台疯狂补贴拉客,但产品、技术并不完善,诞生了一大批靠刷单赚补贴的黑产。
随着数据的完备和大数据算法能力,可以更准确地判断羊毛党或欺诈用户特征,针对风控用户不提供优惠或禁用相应服务。
6. 舆情监控
有时候舆论导向足以摧毁一家公司,前几年知名女星炮轰某旅游公司,指责其机票产品存在强制捆绑销售,微博上一石激起千层浪,甚至整个OTA行业都受到了冲击,对公司口碑及业务营收都产生了非常大的影响。
利用大数据的手段,对涉及到公司业务或关键词的舆论数据进行爬虫爬取,利用文本挖掘、情感识别的手段对于负面舆论第一时间发现,公关及时对接处理,可以把舆论影响降低到最小。
7. AI应用
都说大数据的出口是AI,可以理解成AI是大数据的重要应用方向,但AI并不是一切。
机器学习算法、神经网络模型并不是新鲜词汇,早在90年代就已经出现了,但是由于当时计算机资源计算力的限制,应用无法落地。现在随着计算机性能的不断提升,CPU到GPU,以及分布式集群、云资源的弹性扩容,这些模型的应用价值开始凸显。
AI的本质是基于大量的数据对算法模型进行训练(有监督、无监督、半监督等),当输入新的内容时可以自动进行分类或识别,比如图像识别技术、语音识别等。
业务上可以应用在商家图片优化,即产品列表页通过算法自动确定视觉效果最好的图片进行展示,吸引用户提升点击转化率,因为爱美之心人皆有之,一个酒店首页放漂亮的海景图的效果要远比放一张马桶照要强的多。
三、总结
大数据的应用场景远不止于上述案例,业务不断发展,大数据的应用价值也会不断创新突破。
数据职位相对于公司前端业务部门价值凸显更为隐性和长期,C端上线一个爆款产品会给公司带来非常大的利益价值,而数据则多处在背后支撑的位置。作为数据人,要了解自己所从事的领域的价值,耐得住寂寞,即使没有鲜花和掌声,也可以不断地自驱创新,用数据为业务赋能。