别落后了,开始你的第一方数据分析.docxVIP

一、有哪些第一方数据我们常说数据驱动决策，首要的就是选择利用什么数据，今天这里主要探讨的就是用“第一方数据”来驱动决策。第一方数据简单来理解就是自有数据，大多数公司的自有数据就是数据库里面的用户产生的业务数据，数据分析意识高一点的公司在此之外，可能会尝试通过日志收集一些用户的行为数据。所谓行为数据就是包括进入产品，浏览等一系列的使用行为。所以对于一个产品而言，第一方数据一般就是用户从各种来源（包含来源渠道版本等）来到产品开始，接下来在持续使用产品过程中产生的所有数据，包括用户业务数据和用户的行为数据。二、流量时代的第一方数据分析1. 小公司的做法对于大多数非数据驱动型小公司而言，都没有自己的数据分析平台，所以大多数时候的第一方数据分析，是依赖于工程写脚本，根据需求查数据库去计算。很多时候时间都浪费在了沟通，确认需求，写脚本，等待结果运算上，我相信很多公司一定有共鸣。2. 中大公司的做法对于很多中大型互联网公司，公司内部也开始构建自己的数据分析平台，并且已经开始收集用户的行为数据进行分析，但是大多数对于行为的数据利用还是限制于两种：第一种做法还是基于Hadoop的统计分析，只是去统计一些关键行为的发生次数，常见的就是计算页面访问量，独立用户数，留存率等指标。第二种做法就是利用行为数据进行个性化的数据推荐。在过去的十几年，流量时代，得益于人口红利，人群较为单一，业务没有现在那么垂直细分多样化，所以大家的关注点都在于怎么拉新（拉取新用户），上面这一些指标可以比较概括的了解到产品的发展状况，并且结合渠道的维度筛选，也能满足比较拉新流量的需求。综 合两类公司的做法来看，其实用户的产品互动行为数据基本上始终被当做一个黑盒子来看，推荐算法虽然对这些数据利用的比较好但是只是一个对单用户纵深的分析 做法，而横向的用户分析最终止于高度汇总的报表，并不能探索和验证用户在产品上的行为如何影响了公司的业务指标。一个典型的现象就是很多产品的迭代决策靠 的是猜测或者直觉。三、现有数据分析存在的问题但最近几年的创业浪潮兴起，业务越来越多样化，人群越来越多样 化，不同于过往流量时代时人口红利，单靠根据DAU，PV这些泛指标指示发展状况，然后逼着眼睛找流量带来新客户，现在更多的是对提供用户的留存和客户忠 诚度的需求，所以分析这些指标高低趋势变化背后的原因也愈加重要了。所以如何去寻找分析背后的价值呢？1. 数据分析场景化大多的数据分析工具，包括很多中大公司的数据分析平台，搭建的出发点就有一些问题，不是从解决问题的场景出发，而是要支持多牛逼的数据交叉查询，然后就成了纯粹的基础分析平台工具，这样越抽象，对于解决问题就会越远，需要人参与解读的就越多。对 于大多数公司而言没有专业的数据分析师，自然用市面上的通用工具就很难发挥出价值。同样，大公司数据部门饱受诟病，也有很多原因因为各个业务线对于分析的 需求不一致，要不然统一平台开发迭代慢，要不然就是定制化的分析需求太多，内耗也就很大。到最后花费大力气兼容的分析需求其实最后也不会用的太 多，metrics太多不一定是好事，有价值才是最好的。所以分析必须从场景化出发，才能更快速解决问题。那么有哪些场景呢？一 般来讲，也就是公司的各个职能分析需求，例如产品，销售，运营，ERP，CRM，客服，财务等等，分析需求也就需要应用到这些场景中去了。每一个场景都有 自己关注的指标类型，比如产品就是用户持续使用情况，访问路径等等，销售就是客户转化周期和转化漏斗，运营是活动效果监测，来源对比等等，所以需要将分析 从这些场景所需要关注的指标去抽离工具，能满足这些场景分析的思路或者关注指标进行设计。2. 数据分析难点通常数据分析难的问题在于以下几点：1. 没有分析目标没有分析目标带来最大的两个问题是：第一，会收集所有的数据，总觉得可能用得上，会分析第二，收集了很多维度的数据，无从下手，不知道哪些维度可以找到问题。2. 不懂基本的分析方法基 本上会看整体的变化趋势或指标，但是不太会筛选业务相关的指标数据进行查看，所以忽视了很多指标是虚荣指标，一来可能是某些指标单调变化，无法反映真实情 况，二是没有同期群的对比，影响数据剥离对比，三是只注重结果，但是不会用漏斗去分析路径，或者用自定义留存去观察满足某一条件用户的实际使用情况。3. 不能验证跟踪在推荐系统中用户的反馈很重要，同样在数据分析过程中，我们也需要去验证一些分析结果，也要跟踪改进后的用户效果。四、场景时代的第一方数据分析指 标会转向跟更多业务相关，并且数据不再是高度汇总的报表，而是我们能循蹈到这些报表背后的元数据关系，过去数据分析大多都是根据预想分析展开维度，基于这 些维度统计发生次数，丢失的用户的行为路径，所以也就很难找到背后数据组织的逻辑，打开产品黑盒子，利用起第一方数据分析，很重要的一点就是需