当领导给到一个目标的时候,你会怎么做。譬如,我们现在从某个产品获取到了很多用户的意向信息,需要怎么把这些数据和业务结合在一起?下面聊一下几个思路,
怎么确认?
通过对以上信息的综合整理,构建一个基于用户的线索池,进行自我交叉验证;构建一个外部数据池,进行三方交叉验证,最终沉淀下来的基本上就是能够应用的数据。
在经过第一层模型的数据筛选处理之后的信息我们认为是可靠的,这时候单一部门已经没办法让数据的价值得到充分的体现,必须是跨部门的协同合作,这时候就需要考验对产品、对业务、对技术的理解程度了。
这些意象信息,可以应用在哪些业务上,涉及到哪些人以及这些人的职责是什么,信息的流转需要以什么样的载体在产品中体现,包括技术上的一些壁垒打通。譬如说我们用python做了数据的处理清洗,算法模型在其他语言实现时可能会打一定的折扣,那这时候就需要精进我们的技术能力,可以提供相关的接口供其他技术部门调用。
总结起来,就是这些信息在经过一个流程的时候,需要过哪些人的审批、执行、落地、跟踪,之后由谁来负责将意向转换为业务语言进行需求对接,最后的结果怎么样。
在实际应用的时候往往就能暴露出一些理论知识的短板,算法、模型再精确,它是围绕着数字之间的关系计算出来的概率结果,就意味着准确率永远达不到百分之百。
呈现几种现象:
我们可以把这样的问题归纳为:数据分析算法问题、产品问题、流程问题,就需要进行深入的专项分析,最终进行定位解决。
当业务经过一段时间的沉淀,很多人为敲定的规则能够通过机器的方式进行判断,这时候就能够去沉淀业务规则,从经验决策转变为数据决策。
信息的匹配模型,可以划分为三个阶段:输入层、处理层、输出层,在处理层就会关联到原有的产品逻辑和流程规则。这个过程和神经网络算法实际上有点儿类似,得有人告诉我这项业务的判断依据,也就是做决策时需要观测的数据指标项,分别由哪些类目构成,然后在有多重因素的情况下人为判断是怎么做的选择,决策之后的结果交付的下游方是谁。
权重系数,是对多重因素的一个优先级排序,譬如我要给用户推荐一款商品,我会优先考虑他的性别、年龄层以及对应的收入,这就定下了一个基调,他能够接受的品牌和价格范围;然后再考虑他的一些日常习惯,在可选的产品里面哪一款更贴近于他的喜好;再之后便是他的偏好,颜色、质量、运输时效等等。
在实际的业务过程里面永远不存在一次性分析,毕竟市场在变、环境在变、生活方式在变、人的行为习惯喜好也都在变化的过程里面,用户和产品都在成长,所以这时候可以引入一个叫做生命周期的词语来进行区别。
对于数据分析而言,实际上我们需要了解不同视角下每一个阶段的衍变过程,这样才能进行针对性的数据探索,毕竟每一个阶段下的数据类目和关注的侧重点都会不一样。
End.
作者:Qarcher 来源:知乎