Uploaded byPaul (士杰) Dai (戴)
大數據的關鍵思考（上）重點摘要 原著者：車品覺
本文件讨论了大数据的重要性及其在运营中的应用。作者强调了从数据收集到分析的过程，以及如何识别和解决用户需求，并提出了一些数据分析的思维习惯。内容还阐述了负面数据的价值及其在决策中的作用，提醒企业谨慎对待数据的收集与使用。
More Related Content
大數據的關鍵思考（上）重點摘要 原著者：車品覺
- 1.
- 2.
- 3.
- 4. 定位問題所在 問句 舉例 你遇到什麼問題？ 哪些消費者的體驗改變了？ 這是誰的問題？以誰為中心來設計產品 你是否能解決這個問題？ 你的核心競爭力能解決這個問題嗎？ 你能理解客戶的需求嗎？ 問題現在就得解決嗎？ 時機比性能更重要 如果現在就得解決， 那麼可以支撐的數據在哪裡？ 數據是否解決這個問題的核心？
- 5. 如何解決問題 1. 用戶目前的困難是什麼？ 2. 已有的數據可以用於解決這個困難嗎？ 3.假如所有數據都可以被獲取，那麼你需要哪些方面的數據？ 4. 獲得數據的成本和風險是什麼？ 5. 你的數據解決方案是什麼？ 6. 如果方案可行，你如何獲取及累積這些數據？
- 6.
- 7. 數據十誡 1. 好的問題，答案就在裡面 2. 在實踐中提煉數據 3.讓數據（Data）變成科技（Technology），惠及更多人 4. 讓數據跟著人走 5. 缺乏數據品質，任何數據都是浮雲 6. 以「假設數據是可獲取的」去思考問題 7. 大數據安全，不是監管 8. 利用數據拿到更有用的數據 9. 建立數據的數據，才有進步 10.讓人作人擅長的事，讓機器做機器擅長做的事
- 8.
- 9. 為什麼你不該輕易導入大數據？ • 大數據從來不是免費午餐 • 儲存、備份、線下獲取… •誤差、噪音對大數據的影響更隨之放大 • 收集數據的人並不清楚使用數據的人要做什麼 • 轉換率提高1%，是老闆要的嗎？ • 投資人/管理者/中階/數據分析師對數據價值看法不同 • 不同類型的數據價值也不同 • 數據來源的不確定性 • 數據模型會依照情境改變而改變
- 10.
- 11. 更主動的管理與創新 • 從「用數據」到 「養數據」 • 從「數據化營運」到 「營運數據」 •從「看數據」到 「用數據」 Volume Velocity Variety Value 營運數據
- 12.
- 13.
- 14.
- 15.
- 16.
- 17.
- 18.
- 19.
- 20.
- 21. RFM模型 • 最近一次消費(Recency) • 消費頻率(Frequency) •消費金額(Monetary) • 將以上3個面向分成2個層級，可得出9類客戶 • 客戶分類後衡量其終生價值，最後決定差異化的對待策略 • http://wiki.mbalib.com/zh-tw/RFM%E6%A8%A1%E5%9E%8B
- 22.
- 23.
- 24.
- 25. 死數據是無用的，但如何變活？ • 把數據用起來！ • 形成數據循環 •進入循環的關鍵就是從 解決問題出發 分析 推薦 回饋 再推 薦
- 26.
- 27.
- 28.
- 29.
- 30. 多螢思維 • 多螢時代，數據分析必須多螢化 • PC •手機 • 平板 • 穿戴式裝置
- 31. 行動數據的噪音 • 斷層1：PC的Cookie和行動數據之間的斷層 • 斷層2：操作系統本身的差異，以及同一作業系統版本上的分化 WAPAPP 類似電腦原理 在沒有帳戶體系的情況下容易出現斷層 1. 用戶請求伺服器的紀錄 2. 用戶的行為數據
- 32.
- 33.
- 34. 數據分析師的思考習慣（四） 樣本的偏見 1. 不願意寫問卷的人，他們的意見你永遠不知道 2. 採樣誤差：我身邊朋友很多是天秤座？ 3.朋友的回答可能總有誤差，因為牽涉人情 4. 大數據相信全量數據，而非樣本，是分析，而非抽樣
- 35.
- 36.
- 37. 數據如何分類？ • 隱私數據 • 非隱私數據 •不同平台 • 不同業務主體 • 基礎層 • 中間層 • 應用層 • 可再生 • 不可再生 再生 儲存 隱私 業務 歸屬
- 38. 數據的五大價值 識別與串連價值 身份證、信用卡、E-Mail、手機號碼、生日… 帳號、不同頁面的Cookie、車牌號碼 描述價值 成交額、成交用戶數、網站流量、商品介紹頁流量、成交賣家數 建立分析數據的框架：觀察數據分析師的基本要求 時間價值歷史購買行為 取代產品的推薦（如推薦的茶葉產品），或同類產品的演進（如烘培用品越買越多）、即時 預測價值 單品的預測：哪些商品能推、哪些不能推、電商A的團購活動 數據對經營狀況的預測：活躍用戶數、新增、留存、目標貢獻度 產出數據價值 組合多個數據後產生的新指標 例如誠信=好評率+好評數
- 39.
- 40.
- 41.
- 42. 先收集再說？ • 錯誤的觀點 • 數據收集是為了解決問題 •數據是有生命週期的 • 性別：終生可用 • 年齡、身高、興趣會改變 • 如果你今天想不出來數據未來可以 做什麼，日後就更不可能想的出來
- 43. 收集數據背後的意義 高階希望知道重複購買率，身為數據分析人員知道背後的意義嗎？ • 如果要賣公司 • 可以顯示出企業整體營運優劣和用戶品質 •如果是公司營運觀點 • 每日、每週的變化趨勢更加重要 • 新增客戶三個月內的重複購買率可衡量忠誠度和品質 • 藉此找出改善空間
- 44.
- 45. 根據問題設計「數據框架」 問題：公司懷疑許多老客戶是由Yahoo Games訪問公司官網，而不是 直接訪問官網，那要不要撤去在Yahoo Games的上架？ 1.公司當前的投入產出比（I/O Ratio） • 引進的新舊客戶佔比？ • 引進的新舊客戶投入產出比和轉換率為何？ • 撤去Yahoo，對流失新舊用戶的影響如何？ 2. 與競爭對手的博奕 • 競爭對手會不會取代你原有的架位？ 3. 考慮時間因素 • 用現在、過去、未來的眼光審視，看看品質是否更好? • 考慮時間滯延：現在的新客戶，三個月後才能知道價值
- 46.
- 47.
- 48. • 兩難壓力下的答案不一定是解決之道 • 不要把自己封閉到狹隘的思想中 •你必須跳出來問「為什麼是或？」有沒有其它選擇？ 數據分析師的思考習慣（六） 遠離「或」：決策不是二選一
- 49.
- 50.
- 51.
- 52. 小心違反邏輯的漏洞 • 某商品被大量瀏覽，成交率卻偏低？ • 成交額偏高，退款率也很高？ •被少算的行動的瀏覽數據導致轉換率過高？ • 不要將異常視為偶然的行為
- 53. 小偷思維：負能量的數據觀察法 對小偷來說，一間房子七天沒亮燈，就是機會，因為風險很小 負能量思考的要點 • 思考怎麼做才不會失敗 • 思考風險有多大 •思考我犯了哪些錯誤 • 觀察對手失敗在哪裡 • 有沒有看到應該看到的數據？ • 有沒有錯失不應該錯失的數據？
- 54. 別忽略負面數據 • 路上突然發生爆炸案，要透過監 視器大數據逮捕犯人，哪些行為 是異常？ • 冷靜的離開現場，很可能有問題 •簡報的時候，怎麼知道哪裡需要 改進？ • 什麼時間點頭？ • 什麼時間作筆記？ • 什麼時間看手機？ • 商機存在於看了不買的人身上 • 假設會讓人盲目 • 錯誤的經驗會讓人繼續錯誤 • 經驗經常是盲點
- 55.
- 56. • 要觀察數據的常態、時態和變態，才不會被騙 • 何謂觀察：從共通性找出相對性 •何謂情態：喜、怒、哀、懼、愛、惡、欲 • 何謂時態：情態被邊緣系統激發出來的表現 • 何謂常態：弱（溫柔輕細）、狂（自大好勝）、嘩（好出風頭）、 周旋（牆頭草）、慵懶（漫不經心）、媚（諂媚） • 何謂變態：由常態變為時態而衍生的異常動作或不理智行為 數據分析師的思考習慣（七） 為什麼數據會騙人？
Editor's Notes
- #24 你應該反問，什麼叫心裡踏實 什麼是所謂的好？不要輕易的給出指標 你會給自己的答案答幾分？
- #32 例如 iOS6允許獲取用戶的MAC位址，iOS7就無法獲取了 小米能透過QR Code打開應用，三星就不行 用戶也有可能不願意更新app版本，使得數據收集結果會有很多份
- #33 不需要還用使用者行為的數據，如點擊率、用戶造訪時間長短等等 透過行動數據分析效率更高
- #38 可再生數據：指透過其它數據可以生成的數據，例如指標類數據 不可再生數據：要及早預先判斷 數據可分成企業級別（交易額、利潤、某大型活動的成交額等）用戶級別（身份證字號、密碼、用戶名、手機號碼） 數據的四個層次（公開數據、內部數據、保密數據、機密數據）
- #40 生日、住家電話、家人…用多個資訊交叉串連
- #52 物理盲點有時是採用了錯誤的數據衡量，例如想了解消費者對商品的偏好，卻用用戶停留時間判斷，而非是否滾動捲軸