取数工作要提出具体的操作性要求是什么？

就结构和流程而言，数据工作相对简单，因为这项工作很年轻，分工也不是很好。总的来说，我把数据工作看作是三个相互连接的部分:取数、理数、用数，这是一个闭环。对数字的需求将驱动数字工作，并对数字工作提出具体的操作要求。1.数字工作解决了数据源问题，具体由以下一系列工作组成：设计和实现产品中数字方法和规则的产品运行过程，实时或周期性地从产品端获取数据。数据格式化归档存储数据的传输、接收和验证。业务运营产生的原始数据是在数量提取工作后形成的。原始数据非常丰富，分类方法很多，从用户的角度大致可以分为两种。一种是用户意识到的主动提供，如注册数据、发布文本等；另一种是用户不容易意识到的被动提供，如在线IP地址、操作动作（如电脑上的鼠标移动、手机上的滑动）。原始数据之所以用这个数据工作者不常用的维度来分类，是为了提醒产品经理在设计产品时也需要一点数据思维。如果你能以第二种方式获取数据，你就不必以第一种方式麻烦用户。2.理数整理数据。这一步是不必要的，尤其是对于初创企业来说，直接使用原始数据更为常见。一方面，由于初创期的业务重点不是数据问题，另一方面，由于一些原始数据是结构化的，可以直接用于数据库，例如用户注册数据。然而，随着数据的丰富和业务重点的变化，理数变得越来越重要，因为大多数原始数据不能直接用于分析和再产品化，如IP地址和文本。理数标志性的工作是对原始数据进行多层抽取、归纳、抽象的数据仓库建设。如果数字来自用户，数字来自业务，那么理数是两者之间的桥梁，它是数据部件和半成品，可以从用户的数据原材料转换为研究、分析或形成数据产品。这将涉及数据挖掘。例如，上述IP地址本身不能直接使用，因此IP通常会根据IP地址数据库转换为区域名称。这是将原始技术数据转化为有意义的业务信息。理数阶段的数据挖掘与数字阶段的数据挖掘没有严格的区别。一般认为，这一阶段的主要任务是从原始数据中挖掘需求更广泛、应用更广泛的信息，以减少以下数字的工作量。比如挖掘用户性别、年龄等基本属性。虽然大多数互联网产品允许用户填写这些字段，但用户填写的是原始数据。如果你直接使用原始数据，你似乎跳过了理数工作，但你实际上使用了一个理数规则或模型，但输入和输出是一样的。该模型的开发和应用成本为0，但机会成本必须由您自己来判断。当数据库和数据仓库准备好零件和半成品时，数据工作将进入最令人眼花缭乱的数量使用阶段。3.数据使用有两个方向，一是为企业内部工作提供决策支持，二是在独立数据产品或数据支持下直接为用户提供新的产品功能。说到决策支持，BI可能是第一个想到的。狭义的传统BI主要利用企业运营产生的内部数据，然后制作一些表单、柱状、条形、折线等图纸，比较无聊。由于数据源的不同，现代互联网化的决策支持变得更加有趣。例如，我们曾经为公司人力资源部的招聘提供了一种产品，即根据招聘要求，使用微博数据准确地找到候选人。当然，找人只是评估人才能力、行为习惯、行业工资水平等数据工作的第一步。员工流失预警甚至可以收集多个数据。因此，基于互联网数据的决策支持可以支持企业的各个方面。例如，在互联网公司中，决策支持数据应用将包括：产品优化决策产品经理的主要工作是抓住用户需求点，然后设计产品/服务来满足用户需求。虽然需求点的发现往往是一项经验性的定性工作，但数据工作仍然可以从两个方面进行优化决策：一是给出市场上主流用户或分类用户的总体偏好和习惯，帮助产品经理加深对用户的理解。比如什么样的用户喜欢在什么场景下听音频，在什么场景下看文字，在什么场景下打开视频可能更高等等。这对产品经理选择用户群的需求切入点至关重要。二是评估可能的市场规模和增长曲线。新产品或新功能上线后，产品经理需要数据反馈来判断用户对自己设计的接受度。尽管PV、DAU等总体指标可以反映用户对新产品/功能的态度，但由于它们是总体指标，它们的变化包含了太多的因素，如推广、运营活动等。因此，我们应该更准确地看待产品。一般来说，更好的选择是用户个人指标的变化，如回访率、使用时间、频率、退出/跳出和转换，以衡量用户反馈。除事后监控外，AB测试有时用于检验不同设计的效果，以便提前了解用户偏好，降低新产品/功能的市场风险。这将涉及到与数字工作的合作。部署AB测试时，应根据需要选择两组类似的用户推送测试内容，并在用户不知情的情况下查看实际效果。运营支持互联网产品的运营主要包括用户运营、内容运营、活动运营和客户服务。每一块数据工作都可以给予基本的支持。例如，在用户促销活动中，防止流失是一项重要的工作。这里会遇到失去判断标准的问题。流失需要多长时间？这项研究的重点不是失去的用户，因为你不能从他们那里获取失去的时间点信息。我们的重点是那些很长时间没有来的非失去用户，但最终在自然状态下回来（注：没有召回和活动的影响）。从这群用户身上，我们可以发现一个用户在经历了多长时间的沉默后可能会回来。相反，如果它比这段时间长，我们可以判断损失。在实际研究中，你会发现一些用户会在半年甚至更长时间后回来，这肯定不是在自然状态下回来的。因此，判断自然状态是否成为一个新问题，解决这个问题的数据来源之一是访问来源。当然，计算损失标准时间限制对防止损失没有直接影响，本标准的实际用途是筛选损失研究样本，通过样本数据获得损失预警模型，通过用户也活跃行为变化预测损失概率，然后为用户操作做出下一步决策。市场推广反作弊反作弊和作弊是一项工作，基本上是处于一种不断相互学习、相互克制的状态，道高一尺魔高一尺。因此，随着作弊方法的不断更新，反作弊和识别虚假用户的方法也越来越多。大多数方法都是基于人工或机器学习经验建立的判断模型。这些方法判断效率高，实施成本低，应用广泛，但也有致命的缺点。因为这些方法都是有监督的方法，所以形成的经验来自历史数据。如果渠道作弊方法保持不变，这些反作弊识别方法将保持更高的有效性。但问题是，当你识别渠道作弊并拒绝为其付费时，渠道会立即知道你有识别当前作弊方法的方法，他们会升级作弊。同时，他们会要求你拿出他们作弊的证据。如果你告诉他们，这意味着你透露了识别方法，他们可以更容易地绕过你原来的反作弊方法，实现魔法。最后，你必须想出无监督的方法来实现反作弊。此外，销售、人力、战略决策等都将是数据应用的舞台。除了作为配角的决策支持，数据应用也是主角。比如百度搜索风云榜、微博热词等数据产品。在数据工作的直接支持下，向用户呈现“猜猜你喜欢什么”、“相关商品”等数据产品更为常见。从以上对数据工作的介绍中，我不知道你是否意识到数据工作“从业务中回归业务”的本质或根本价值。如果你不是一个只满足于完成数据内部技术处理的从业者，你必须对这一本质有一个清晰的认识。以这一本质为核心内容的《数源思维》一书提出了一套简单实用的控制数据工作价值的方法。——本文摘自电子工业出版社提交的《数源思维：商业导向数据思维秘密》，推荐作者20年的持续研究和勇敢实践的真实分享。写给非专业数据技术从业人员使用数据解决问题的思维方法。读者对象：经理、顾问、行业分析师、产品经理、运营经理、营销人员等。摘要“数源思维：以业务为导向的数据思维秘诀”为非专业数据技术人员提供了一种有效的思维方法——数源思维，利用数据解决问题。这种方法的简单描述是“从业务中来，回到业务中去”。数源思维的最后一个例子和典故详细说明了数源思维的内涵和四个操作步骤。下一篇文章还展示了数源思维如何在各部门的业务中发挥作用，并将企业战略制定从传统的被动、慢、静态的方式转变为主动、快速、动态的方式。“数源思维：业务导向数据思维秘密”可以帮助企业市场、产品、运营等业务经理建立或提高数据导向业务问题解决能力，可以帮助战略规划或高级管理人员提高数据导向战略分析能力，同时“数源思维：业务导向数据思维秘密”也可以作为商学院高年级学生的思维方法学习和培训书籍。无需任何高等数学或统计基础就可以阅读数源思维：以业务为导向的数据思维秘籍。