从运营的角度看一看数据，这四个部分告诉你

我以前一直从事运营工作，所以今天我就从运营的角度来看数据。我今天的分享分为四个部分。01什么是数据驱动的精确操作？什么是操作？首先，让我们来看看什么是操作，也就是说，产品推出后的创新和复活。现在，它正朝着商业化的方向发展，成为一个完整的运营链，即玩产品，最终实现商业化。原来，BAT时代更多的是在线产品的运营，包括滴滴和58企业的兴起，然后慢慢开始从线上延伸到线下。这种操作范围和对象发生了变化。产品可能只是操作的一部分。可以先有业务的线下操作，然后慢慢转化为线上，操作对象和数据的复杂性也在慢慢扩大。如何驱动数据的精确操作？有过操作经验的朋友可能知道，操作是由一些指标限制的，如转换率和回购率。每个链接都是数据的显示。我们逐渐积累这些数据，在历史记录中相互展示和比较，水平会有更多这样的业务，这就是数据显示的水平。另外，数据程序化，我们会有不同的操作方案，通过小流量测试，最终决定我们的策略和使用方案。以下是数据挖掘，可能是基于数据的积累，通过这些数据的积累进行相关的挖掘，不断扩大我们业务的类型和策略。在出租车业务的早期阶段，滴滴非常相似。它们都是在平台上分发订单和补贴的模式。但是，在这种非常相似的情况下，如何突出自己的优势呢？最后是效率和数据操作。通过数据捕获，我们可以看到一个地方的各种信息，然后配备不同的策略来反映我们的操作优势。这些新用户可能会推动更多的订单。数据的精细化操作能带来什么效果？主要体现在三个方面：一是优化操作策略，下一步是优化什么样的数据。此外，在决策过程中需要数据，以及我们的预测。通过比较用户属性，我们在大市场上找到这样的用户，然后准确地使用我们的新工具。当然，经过精细操作，我们企业毛利的增值水平会在6%左右，这是一个行业数据。如何利用数据驱动精准操作数据驱动精准操作的关键点，如何利用数据驱动精细操作？数据内部控制有几个关键点：第一个是属性的定义，包括对象的年龄、性别、职业和收入水平，可以反映用户的流量。二是区域特征，包括许多与O2O相关的企业，每个地方的用户特征可能不同，我们在成都的拼车率特别高。三是操作内容，不同的内容有不同的用户反馈和用户记录。第四是行为记录，用户可以在其他因素的影响下访问一些在线痕迹，包括搜索和点击。我们可以从这些维度看到关键指标，在研究一定维度时固定其他维度，然后看到另一个维度的变化。我举的例子可能和我现在从事的工作有关，因为我现在做的是滴滴的用户市场。事实上，滴滴在旅行时一直有一条旅行路线，那就是做一键旅行服务。每次点击后，它都可以到达你想要的地方，然后直接送到目的地，包括我们的3亿乘客和我们的司机和车主。现在我们的工作是围绕1500万车主提供售后服务，主要针对人员服务和汽车服务。让我们来看看这些人，以及早期的服务模式。当然，这也可能干扰新的服务模式。我们还将深化他们的销售服务，这可能导致互联网金融服务。如何构建精确的操作案例共享我们的模型？是在线实时接触目标群体和车主，包括用户规模，离线匹配我们的服务网络，携带服务，周围是我们和用户的新销售，以及我们的模型和保险销售。分析汽车公司的一个案例，包括用户肖像、实时数据监控、培训专家和漏斗分析。消费者场所可能有在线消费，即京东和淘宝。线下也有一些便利店。它的特点是品类繁多，型号繁多。事实上，俱乐部是一个综合性的服务场所。场地可能有限，仓储也相对有限。由于产品空间有限，在线布局也相对有限，在这种情况下，如何探索或突破业务？用户肖像首先需要用户肖像，汽车公司的用户是什么，这些车主的年龄水平一般是30到35岁，老年人和年轻人，他们的需求可能不是消费产品，而是实用的，是座椅靠背等产品。基于这些对用户的分析，我们将缩小产品的范围，因为我们的展示中心相对有限，我们可能需要缩小我们的SKU（库存单位），前提是我们进行大量的SKU测试，包括在线产品，并根据其数据将SKU缩短到1000以内。用户肖像包括几个方面，一方面是平台上的数据，另一方面是业务本身，需要什么样的产品，你喜欢什么样的产品，以及未来的销售，所以我们做了一些试点工作。前提是展示我们所有类别的东西，然后逐渐缩小这个范围。我们还将与价格相关的合作，并可能进行离线用户分流。通过这些方式，我们逐渐清晰了该组的肖像，包括一些商业数据和属性数据。关于实时数据监控的实时监控，有时我们发现活动上线后点击率不高，只有5%左右。与之前的数据相比，第二天就回到了12%。这是实时数据监控。每个决策周期都必须能够看到以前的数据，然后影响下一个决策。这是我们对数据的要求。由于我们有在线和离线业务，我们对实时性有特别强的要求。纯在线可能会导致数据链接，这涉及到更系统的离线工具。关联分析数据分析常用于电子商务。30%的用户在购买汽车时可能不得不购买车身包。此时，相关产品也将衍生出来，然后我们将进行相关推荐，这也是一个完整的产品系统。我们来谈谈漏斗模型。事实上，它基本上可以满足我们营销的心理过程，产生兴趣和欲望。最后，我们将采取行动。点击相应的在线访问、订单和付款，每个动作和链接都有一个转换率。定义漏斗模型的过程可以分为几个方面。首先是数据的应用过程，包括我们的目标系统，我们找不到优化的关键因素。这些指标主要集中在购买率、回购率和购销率上。如果面对新的业务和新的产品，如何建立强大的数据驱动精细操作流程？包括数据应用的核心路径，因为有时我们每天在操作中做这样的事情，我们可能会觉得这是日常工作，所以这个过程非常关键，是我们的整个数据，用户界面是什么，然后是销售链接。接下来，我们将围绕我们的目标进行可量化，即以可量化的方式分析目标系统。基于这种业务逻辑进行量化。量化完成后，需要建立一套完整的数据供应链。数据从哪里来，应该如何收集，然后是多维分析。刚才也提到了一些分析方面。经过分析，最重要的是匹配我们的操作工作，每个数据的性能操作动作是什么，这样的操作动作产生了好或坏的结果，如果好可以继续坚持，如果坏可以调整。驱动更多的可能是*数据的心态，无论是每天看数据，还是坚持看专业指标，日常工作是围绕数据情况，这可能是早期需要做的事情，是最关键的事情。04.数据驱动的精确操作遇到了问题。事实上，我们在数据驱动操作过程中也会面临几个问题：首先，数据太多，不仅反映在数量上，而且反映在数据的优化上。我们可能面临着一个非常庞大的数据系统，如何尽可能结构化地收集它？也可能不是一个维度的数据，非常混乱，数据收集过程相对较慢，数据监控不准确也会影响数据的效率，包括数据不准确，也可能真正采用这种情况。我们一直在讨论解决方案的过程，即数据是否可以通过屏幕显示。如果有这样一个非常强大的系统，我们可以用一些固定的模型反映我们的传统数据，而不是每天运行这些数据的分布，这是非常好的。我们对数据的要求是扩展性好，用户的流量数据是通过一些标准化的东西来定义的。在提取数据的过程中，可以打开一个洞，然后用一些句子提取你最想要的数据。当然，总的来说，它是可靠、简单、易于使用和美观的。这是我们对一个好的数据系统的定义，我们也在朝着这个方向努力。Q&A能详细说明应用分析吗？基于原始库存数据的应用分析主要是使数据链尽可能长，如只让他购买转换率，但没有向下延伸，这也与数据系统有关，可以收集到整个链数据系统进行相关分析是自然的，自然从另一个角度购买转换，但从用户垂直的角度购买。事实上，数据分析的一个主要前提是我们需要一个完整的数据收集过程。现在很多公司都会感到困惑，那就是我们真的需要很多原始数据。然而，在收集和注册的过程中，我们要求用户留下非常详细的信息，如年龄、收入和爱好，这是非常困难的，在难以收集原始数据的情况下，困扰运营商的问题是如何导出运营策略？这可能是我们流通的数据源，主要包括几个方面，积极研究是一方面，通过用户自己的背景反映也是一方面，机构也可以提供一些数据，试图丰富链，价格越高，或通过产品设计意向表达做这样的模型。很多时候，如果用户认为一件事是假的，他们就不会这样做，所以试着在有价值的情况下，比如让他买他感兴趣的东西，他们会在购买过程中表现出一些行为特征，而不是问他喜欢什么。刚才提到用户肖像有很多用户属性。如何保证您的及时性？比如我的收入去年和今年不一样，去年可能赚1万，今年可能赚2万。因为我们有一套实时数据来反映用户的收入水平，只是匹配他当时的收入水平，而不是用他当时的数据来预测他的未来。现在我可以看到他的收入水平，包括年龄结构等等。这个数据不是预测数据，也不是用历史数据来预测的。