数据驱动决策的10种思维

2023-05-31 0 413

很多人都说会统计数据挖掘的人比自己精明,事实上他们“精明”在保有预测观念,今天他们就而言说常用的统计数据挖掘观念。

数据驱动决策的10种思维

下列10种统计数据挖掘观念可能不会一瞬间升级换代你的观念商业模式,但没准会为你以后的组织工作带来“KMH一闪”的觉得,请冷静念完。

一、展开分类观念

日常生活组织工作中,顾客分群、产品分类、市场PG……很多事情都须要有展开分类的观念。在我看来,展开分类后的表达方式,须要在核心理念关键性分项上要Accous!也是说,展开分类后的结果必须是明显的。

数据驱动决策的10种思维

如图,

维米县,经典之作的RFM数学模型借力收费项目的3个核心理念分项构筑使用者分社会群管理体系:前段时间一次消费需求时间(Recency)、消费需求振幅(Frequency)、消费需求数额(Monetary)。

数据驱动决策的10种思维

在R/M/F四个分项上,他们透过实战经验将前述的使用者分割为下列8一区(示意图),他们须要做的是推动相同的使用者向更有用的地区迁移。也是将每一订阅使用者依照消费需求行为统计数据,相匹配到相同的使用者商业价值社会群体中,接着依照相同订阅使用者社会群体的商业价值选用相同的思路。(如下表所示表)

数据驱动决策的10种思维

二、行列式观念

展开分类观念的发展之一是行列式观念,行列式观念无须局限于用定量分项来展开展开分类。很多时候,他们没有统计数据作为全力支持,根本无法透过实战经验做直觉的推测时,是能把这类重要因素组合而成行列式,大体同时实现优劣的路径,接着展开预测。大家能腾讯经典之作的管理预测方法“芝加哥行列式”模型。

数据驱动决策的10种思维

三、管道/漏斗观念

这种观念方式已经比较普及了,漏斗预测分为长漏斗和短漏斗。长漏斗的特征是涉及环节较多,时间周期较长,常用的长漏斗有渠道归因数学模型,AARRR数学模型,使用者生命周期数学模型等等;短漏斗是有明确的目的,时间短,如订单转化漏斗和注册漏斗。

数据驱动决策的10种思维

但是,看上去越是普适越是容易理解的数学模型,它的应用越得谨慎和小心。在漏斗观念当中,他们尤其要注意漏斗的长度。

漏斗从哪里开始到哪里结束?漏斗的环节不该超过5个,漏斗中各环节的百分比数值,量级不要超过100倍(漏斗第一环节100%开始,到最后一个环节的转化率数值不要低于1%)。若超过了我说的这两个数值标准,建议分为多个漏斗展开观察。

理由是什么呢?超过5个环节,往往会出现多个重点环节,那么在一个漏斗数学模型中预测多个重要问题容易产生混乱。数值量级差距过大,数值间波动相互关系很难被察觉,容易遗漏信息。

四、相关观念

他们观察分项,不仅要看单个分项的变化,还须要观察分项间的相互关系。有正相关关系(图中红色实线)和负相关关系(蓝色虚线),最好能时常计算分项间的相关系数,定期观察变化。

数据驱动决策的10种思维

相关观念的应用太广了,往往是被大家忽略的。现在的很多企业管理层,面对的问题并不是没有统计数据,而是统计数据太多,却太少有有用的统计数据。相关观念的其中一个应用,是能够帮助他们找到最重要的统计数据,排除掉过多杂乱统计数据的干扰。

如何执行呢?

你能计算能收集到的多个分项间的相互关系,挑出与其他分项相关系数都相对较高的统计数据分项,预测它的产生逻辑,对应的问题,若都满足标准,这个分项就能定位为核心理念分项。

建议大家养成一个习惯,经常计算分项间的相关系数,仔细思考相关系数背后的逻辑,有的是显而易见的常识,比如订单数和

五、逻辑树观念

一般说明逻辑树的分叉时,都会提到“分解”和“汇总”的概念。我这里把它变一变,使其更贴近统计数据挖掘,称为“下钻”和“上卷”。

数据驱动决策的10种思维

下钻,是在预测分项的变化时,按一定的维度不断的分解;而上卷是反路径的汇总。

下钻和上卷并不是限于一个维度的,往往是多维组合的节点,展开分叉。逻辑树引申到算法领域是重大决策树。有个关键便是何时做出重大决策(判断)。当展开分叉时,他们往往会选择差别最大的一个维度展开拆分,若差别不够大,则这个枝桠就不在细分。能够产生明显差别的节点会被保留,并继续细分,直到分不出差别为止。经过这个过程,我们就能找出影响分项变化的因素。

六、时间序列观念

很多问题,他们是找不到横向对比的方法和对象的,那么,和历史上的状况比就将变得非常重要。其实很多时候用时间维度的对比来预测问题,便于排除掉一些外在的干扰,尤其适合创新型的预测对象,比如一个新行业的公司,或者一款全新的产品。

数据驱动决策的10种思维

时间序列的观念有四个关键性点:

一是距今越近的时间点,越要重视(图中的深浅度,越近期发生的事,越有可能再次发生);二是要做同比(图中的连线指示,分项往往存在这类周期性,须要在周期中的同一阶段展开对比,才有意义);三是异常值出现时,须要重视(比如出现了历史最低值或历史最高值,建议在时间序列作图时,添加平均值线和平均值加减一倍或两倍标准差线,便于观察异常值)。

时间序列观念有一个子概念不得不提一下,是“生命周期”的概念。产品生命周期理论(PLC数学模型)是由美国经济学家Raymond Vernon提出的,即一种新产品从开始进入市场到被市场淘汰的整个过程。使用者、产品、人、事都存在生命周期。

数据驱动决策的10种思维

七、队列预测观念

随着计算机运算能力的提高,队列预测(cohort analysis)这一方式逐渐展露头脚。从实战经验上看,队列预测是按一定的规则,在时间颗粒度上将观察对象切片,组成一个观察样本,接着观察这个样本的这类分项随着时间的演进而产生的变化。目前使用得最多的场景是留存预测。

数据驱动决策的10种思维

队列预测中,分项其实是时间序列,相同的是衡量样本。队列预测中的衡量样本是在时间颗粒上变化的,而时间序列的样本则相对固定。

八、循环/闭环观念

循环/闭环的概念能引申到很多场景中,比如业务流程的闭环、使用者生命周期闭环、产品功能使用闭环、市场推广思路闭环等等。

数据驱动决策的10种思维

业务流程的闭环是管理者比较容易同时实现来的,列出公司所有业务环节,梳理出业务流程,接着定义各个环节之间相互影响的分项,跟踪这些分项的变化,能从全局上把握公司的运行状况,如脉脉的业务流程(如下表所示图)。有了循环观念的好处是,你能比较快的建立有逻辑关系的分项管理体系。

数据驱动决策的10种思维

九、逻辑观念

逻辑观念即明白商业价值链、明白各项统计数据中的关系,也是因果关系。

该方法的在我看来明白其中的关系要求你对这项组织工作要了解、熟悉,要细致和慎密,要清楚充分性和必要性的关系。事实上也是指:你须要哪些统计数据?如何获得这些统计数据?统计数据之间的关系如何?这里最常用的手段是A/B test啦。

那么如何细化一下这个概念?

一是在条件允许的情况下,重大决策前尽量做对比测试;二是测试时,一定要注意参照组的选择,建议任何实验中,都要留有不展开任何变化的一组样本,作为最基本的参照。

数据驱动决策的10种思维

十、指数化观念

指数化观念是今天分享的10个观念当中最重要的。很多管理者面临的问题是“统计数据太多,可用的太少”,这就须要“降维”了,即要把多个分项压缩为单个分项。指数化观念是将衡量一个问题的多个因素分别定量后,组合而成一个综合指数(降维),来持续追踪的方式。

数据驱动决策的10种思维

指数化的好处非常明显:

一是减少了分项,使得管理者精力更为集中;二是指数化的分项往往都提高了统计数据的可靠程度;三是指数能长期使用且便于理解。

指数的设计是门大学问,这里简单提四个关键性点:

一是要遵循独立和穷尽的原则;二是要注意各分项的单位,尽量做标准化来消除单位的影响;三是权重和须要等于1。

PS:独立穷尽原则,即你所定位的问题,在搜集衡量该问题的多个分项时,各个分项间尽量相互独立,同时能衡量该问题的分项尽量穷尽(收集全)。例如当运营人员考虑是否须要将自己的内容分发到其他平台时,他能选用指数化观念来整体评分。

数据驱动决策的10种思维

总结

10种统计数据挖掘的观念方式他们分享完了,当然在他们的组织工作中不只这10种,他们将会在以后的内容中分享给大家,除此之外如果大家有额外的好的统计数据挖掘观念方式,能分享给我噢!

本文由 @DataHunter 原创发布于人人都是产品经理。未经许可,禁止转载

题图来自Unsplash,基于CC0协议

相关文章

发表评论
暂无评论
官方客服团队

为您解决烦忧 - 24小时在线 专业服务