从BAT看企业构建大数据体系的六层级

数据库
分享《大数据成为生产力》 ,150页的PPT,内容太多,讲的速度有些快。删减掉一些敏感信息,汇总主要观点浓缩成为此文,或许对大家构建企业的大数据运营体系有些参考作用。

本文将企业大数据体系的构建分为六个层级,但并非是线性过程,每个层级之间或有基础关系,但并不是说一定要逐层构建。例如创业型公司,在缺乏数据研发实力的时候,多数会借助第三方平台进行数据上报与分析。

下面一张图,是本文的精华概括,后面一一展开与大家探讨。

大数据

一、数据基础平台

基础的数据平台建设工作,包含数据平台建设,数据规范,数据仓库、产品数据规范,产品ID,用户ID,统一SDK等。

很多公司的数据无法有效利用,就是缺乏统一规范,产品数据上报任由开发按照自己的理解和习惯上报,没有标准化的SDK和上报协议,并且数据散落在各个部门产品的服务器,无法构建结构化的数据仓库。

做数据平台的架构,很多人会理解为高大上的技术活,其实整个数据平台价值的体现,需要公司各个部门的配合,例如关键数据指标体系的建立,需要从各个部门业务指标进行提炼,并得到业务部门认可。常见的关键指标有:DAU、PCU、WAU、MAU、按天留存率(1-30日留存)、累计留存率(7日、14日、30日累计留存率),新增用户,有效新增用户,活跃转化率,付费转化率,收入指标,ARPU人均收入,渠道效果数据等。

下图是腾讯和阿里的数据平台架构

腾讯数据平台


阿里大数据业务架构:

阿里数据平台
阿里云梯分布式计算平台整体架构:

阿里云计算平台
二、数据报表与可视化

 

在***层级中,进行数据指标体系规范,统一定义,统一维度区分,就可以很方便的进行标准化可配置数据报表设计,直观的可视化输出设计,包括行为、收入、性能、质量等多种数据类别。

在PPT中以友盟、迅雷、百度、腾讯等公司的数据报表体系进行详细讲解。

腾讯数据门户

大数据

阿里数据地图

阿里数据地图

三、产品与运营分析

在建立数据平台和可视化基础上,对已有的用户行为、收入数据等进行各种分析,输出日报、周报、月报、各种专题分析报告。常见的数据分析工作如下:

1. A/B TEST进行产品分析优化;

2. 运用漏斗模型进行用户触达分析,如TIPS、广告等曝光到活跃的转化;

3. 收入效果监控与分析,包含付费转化率、渠道效果数据等;

4. 业务长期健康度分析,例如从用户流动模型、产品生命周期分析产品成长性和健康度;

5. 营销推广活动的实时反馈;
用户画像也是常见的数据分析方式,包括用户如性别、年龄、行为、收入、兴趣爱好、消费行为、上网行为、渠道偏好、行为喜好、生活轨迹与位置等,反映用户各种特征,以达到全面的了解用户,针对性的为用户提供个性化服务的目的,通常每半年做一次用户画像的专题分析。

下图是常见的数据分析思路

大数据

常用分析工具:EXCLE,SPSS,SAS,Enterprise Miner,Clementine,STATISTICA。个人用的比较多的是:EXCEL和SPSS。

下图是SPSS常用的数据分析与挖掘方法

SPSS

四、精细化运营平台

基于数据基础上搭建的精细化运营平台,主要的平台逻辑多数是进行用户细分,商品和服务细分,通过多种推荐算法的组合优化进行商品和服务的个性化推荐。另外还有针对不同产品生命周期,用户生命周期构建的产品数据运营体系。

腾讯云

 

五、数据产品

广义的数据产品非常多,例如搜索类,天气预报类等等。这里主要讲狭义的数据产品,以BAT三家公司的数据产品为例进行分享。
腾讯:广点通、信鸽

阿里:数据魔方、淘宝情报、淘宝指数、在云端

百度:百度预测、百度统计、百度指数、百度司南、百度精算

截取几张PPT如下:

腾讯广点通

 

广点通转化率

 

阿里数据产品

 

百度大数据
六、战略分析与决策

战略分析与决策层,更多的是跟很多传统的战略分析、经营分析层面的方法论相似,***的差异是数据来自于大数据。

有很多企业错误的把“业务运营监控层”和“用户/客户体验优化层”做的事情放在经营分析或者战略分析层来做。傅志华认为“业务运营监控层”和“用户/客户体验优化层”更多的是通过机器、算法和数据产品来实现的,“战略分析”、“经营分析”更多的是人来实现。很多企业把机器能做的事情交给了人来做,这样导致发现问题的效率较低。

建议是,能用机器做的事情尽量用机器来做好“业务运营监控层”和“用户/客户体验优化层”,在此基础上让人来做人类更擅长的经验分析和战略判断。

在变化极快的互联网领域,在业务的战略方向选择上,数据很难预测业务的大发展方向,如果有人说微信这个大方向是通过数据挖掘和分析研究出来,估计产品经理们会笑了。从本质上来说,数据在精细化营销和运营中能起到比较好的作用,但在产品策划、广告创意等创意性的事情上,起到的作用较小。但一旦产品创意出来,就可以通过灰度测试,数据验证效果了。

本文由Blues授权36大数据发表,并经36大数据编辑。转载此文章须经作者同意,并请附上出处(36大数据)及本页链接。原文链接:http://www.36dsj.com/?p=9390

责任编辑:彭凡 来源: 36大数据
相关推荐

2023-11-09 16:12:06

大数据大数据堆栈

2023-09-11 12:57:00

大数据大数据中台

2022-08-16 11:56:47

数据泄露勒索攻击

2021-03-09 10:06:34

大数据画像数据采集

2018-02-02 11:21:25

云计算标准和应用大会

2010-02-22 14:05:33

三层交换机

2020-12-04 09:26:13

SSR 框架企业级

2016-10-10 14:05:46

存储

2017-06-01 15:02:17

2015-05-26 09:41:45

china-pub

2019-01-09 11:05:29

大数据工业算法

2013-04-19 14:28:07

大数据

2016-02-22 11:39:27

亚马逊AWS大数据

2018-03-28 17:18:26

大数据

2017-06-26 15:47:27

2021-07-30 19:07:27

大数据云计算云原生化

2014-11-26 10:26:06

数据中心

2009-10-20 09:25:17

Java EE 6最终

2016-05-10 14:38:13

大数据企业

2022-11-07 11:16:30

大数据数据仓库Hadoop
点赞
收藏

51CTO技术栈公众号