LOFTER for ipad —— 让兴趣,更有趣

点击下载 关闭

LOFTER-网易轻博

数据产品

125浏览    12参与
CDA数据分析师
CDA数据分析师
Power Zhang

数据为生的产品经理到底是在吃什么?


今天看到腾讯tionachen一篇文章,谈数据产品经理的工作,尤其是基础数据产品!描述的正是我目前正在做的事情,看完之后印象深刻,几乎每一句话都能让我联想到工作中的真实经历。

自己在做的时候并不能(清晰地)知道到底在干什么,有什么意义,在面对亲戚朋友的询问“你在干什么”每每语塞。为什么看到这篇文章有相见恨晚的感觉,答案有二,1. 需很高的角度上看问题。下文作者是产品总监的级别,看问题的高度和我不一样,是值得我学习。2. 归纳演绎的能力还需提高再提高。


原文如下 

https://mp.weixin.qq.com/s/03ebCRQx8pRaSRC2qo08Jw...


今天看到腾讯tionachen一篇文章,谈数据产品经理的工作,尤其是基础数据产品!描述的正是我目前正在做的事情,看完之后印象深刻,几乎每一句话都能让我联想到工作中的真实经历。

自己在做的时候并不能(清晰地)知道到底在干什么,有什么意义,在面对亲戚朋友的询问“你在干什么”每每语塞。为什么看到这篇文章有相见恨晚的感觉,答案有二,1. 需很高的角度上看问题。下文作者是产品总监的级别,看问题的高度和我不一样,是值得我学习。2. 归纳演绎的能力还需提高再提高。



原文如下 

https://mp.weixin.qq.com/s/03ebCRQx8pRaSRC2qo08Jw



产品第一要点—数据

今天小编请来了一位来自IEG的老司机。


入行多年的她从一开始的客户端产品设计,到偏后台的策略服务产品,再到数据产品。


一路走来有着非常多的心得体会。在这里一并分享给需要干货的大伙。


此系列将分成三篇来:数据产品篇、策略产品篇、前端产品篇。我们先来看看数据篇。


数据产品,又分为基础数据产品和运营数据产品。


基础数据是产品功能直接用到的数据,如地图行业的POI数据。


运营数据是产品推出后生成的数据,比如流量、点击、订单成交量、现金等等。


本文关注的是基础数据产品。


做任何数据产品项目,似乎都可以有一套通用的模式:数据获取→数据增值→数据消费。


数据获取,是指数据采集和制作,是一个从无到有的过程;


数据增值,是指数据的精粹化,不断提高价值,是一个从有到优的过程;


数据消费,是将数据应用到市场中,接受市场检验,实现价值变现的过程。


其中,数据获取和数据增值,都称为数据生产。(没错,数据是个商品,走的就是生产和消费这种最基本的常识性思路)


下面我们逐一说明:

数据获取

数据获取,应有“两问”。

这第一问便是“获取什么?”


“获取什么”其实是数据产品经理的需求挖掘过程,一般我们需要从业务场景出发。


窃不要以为做数据好像离用户比较远,就不考虑场景了,而让其他产品经理(如前端产品经理)给你“布置任务”。


细想想生产的数据将要被用到哪些场景中,在那些场景中,用户期待的是什么样的数据内容?然后提炼转义成数据获取需求。


比如用户在手机地图查找附近美食的场景,需要美食类POI数据,最基本的要有:POI名称、地址、坐标(需要在底图中显示出来),而这些就是“获取什么”的基本答案。


明确了“获取什么”之后,接下来就是“怎么获取”。


介绍一种通用型思路——“360度”。你会在很多地方看到360度,比如最近考核评估的“360度评估”。


所谓360度,就是寻找所有的关系。商业模式上,360度包括:自己、竞品、合作伙伴、用户。


360度用在数据获取上,则就是:自产数据,抓取竞品数据,合作伙伴共享数据,用户贡献数据。(从开源网站上抓取数据,可以认为是“合作伙伴共享数据”的一种) 


过去做数据,比较多的是前三种方式。


随着互联网普及更多用户,用户贡献数据方式越来越重要,可以作为数据获取很省力且少版权纠纷的重要来源。


按照用户属性不同,用户贡献数据又可以拆分为UGC和BGC,UGC是一般大众用户,BGC是商家用户。


相对来说,BGC一般有切实利益驱动,其产生的数据往往会更可靠些,在数据获取环节可以多依赖于这种方式。


数据增值

数据增值是让第一步获取到的数据产生更多的价值。


这也是数据差异化的重点之处。数据增值的主要方式是增加数据维度及维度内容的拓展。常见的拓维思路有:


1.属性维度的拓展。每一数据都会有自己的基本属性。比如地图POI数据的基本属性是POI名称、地址、坐标;


商城商品数据的基本属性可能是商品名、价格。


除了基础属性之外,还可以扩展很多其他属性。比如POI的分类、重要度等,商品的分类、厂地等等。


2.增加关系维度。看看数据和数据间的关系是怎样的。可以是同品类的数据,比如视频A和视频B之间的关系,可能都是同一年发行的。


还可以是跨品类的数据,比如视频和文档之间的关系,可能都和同一个明星相关(其实是通过视频和人、文档和人的关系建立起来的间接关系)。


3.叠加时间维度。看看随着时间推进,数据变化是怎样的。


4.增加空间维度。看数据在空间维度上有什么特征。比如某商品常被北方的用户购买。


随着维度的不断增加,数据画像慢慢形成,最后落地成实际使用的标签。当这些标签应用到搜索推荐、广告等等场景中之后,数据就能为产品带来非常大地增值。


所以,数据增值,其实就是数据画像,寻找数据背后的逻辑。


数据消费

数据生产的最终目的就是要被消费。数据消费(应用)的方式有三种:


1.直接数据应用

将所生产的数据,直接推送线上应用。

比如:影视输出,在地图上显示POI数据等。又如产出市场调研报告(一种数据产品),直接卖出获利。


2.通过某个服务应用

比如常见的检索、推荐服务。

用户通过使用这些服务看到所制作的数据或者基于数据挖掘出的标签等。


3.数据生产能力的应用。

这一点往往容易被忽略。

我们在做数据的同时,数据是我们的产出,但数据生产能力是更宝贵的积累。


有了这些能力,可以针对一些特定需求定制专门的数据,使得数据团队更为灵活。


因此,产品经理在做数据产品同时需要注意提炼数据生产能力,以便今后复用。


值得一提的事,数据的消费不仅仅是将数据应用,更重要的是要打造生产→消费闭环。


利用应用反馈,进一步优化我们的数据,使数据内部逻辑能够充分运转起来,越做越好。



以上就是对数据产品工作思路和方法的一些思考经验,希望对新接触数据产品工作的产品经理能有所帮助。


另外在数据产品的实际工作中,还有两点希望能引起注意:


第一,数据工作往往都要配合人工运营。梳理和制定好完善的人工运营流程及规范很重要,可以节省很多时间人力等成本。


第二,生产完第一版数据之后,一定要注意及时更新,以保证数据的鲜度。唯有最新鲜的数据才能吸引到更多用户。



管理大数据

管理大数据应用需求:产品体系的三大层次

中源数聚的管理大数据产品体系自下至上分为环境层、工具层、应用层三个层次,环境层为用户提供环境扫描、政策解读、行业分析及竞争分析等服务;工具层包括管理模型、标签管理、知识图谱三大产品;应用层包括管理舆情、管理风控、管理洞察三大产品,管理舆情包括实时监测、热点资讯、舆情分析和舆情应用等服务,管理风控包括风险识别、风险预警、风险应对及风险评估等服务;管理洞察包括管理对标、管理诊断、管理处方及亮点案例等服务。


图1 中源数聚产品体系


1 环境层


环境管理是管理大数据产品体系的基础设施,既可为上层的管理舆情、管理风控、管理洞察等应用层产品提供支撑,又可...

中源数聚的管理大数据产品体系自下至上分为环境层、工具层、应用层三个层次,环境层为用户提供环境扫描、政策解读、行业分析及竞争分析等服务;工具层包括管理模型、标签管理、知识图谱三大产品;应用层包括管理舆情、管理风控、管理洞察三大产品,管理舆情包括实时监测、热点资讯、舆情分析和舆情应用等服务,管理风控包括风险识别、风险预警、风险应对及风险评估等服务;管理洞察包括管理对标、管理诊断、管理处方及亮点案例等服务。

  


图1 中源数聚产品体系



1 环境层



环境管理是管理大数据产品体系的基础设施,既可为上层的管理舆情、管理风控、管理洞察等应用层产品提供支撑,又可作为独立的产品按需为客户提供环境管理服务。环境管理产品的目标用户是煤炭、钢铁、交通、金融等37个行业的大中小型企业,以及对环境数据有需求的大数据技术及应用厂商、投融资机构、咨询机构等客户。环境管理力图为企业提供包含一般外部环境和特殊外部环境的监测,一般外部环境包含文化、技术、教育、政治、法律、人口、社会等;特殊外部环境是与企业生产活动直接联系的诸因素,包含客户、供应商和竞争企业等。


企业的发展战略规划、品牌文化建设、市场营销策略、集团管控等活动都离不开对各种环境因素的分析和判断,尤其是在经济全球化深入发展、国家经济结构转型、大数据渗透到各行各业的背景下,企业普遍需要及时了解宏观环境和行业环境的变化对企业发展的影响,以把握发展机遇并规避市场风险。此外,大数据企业、投融资机构、第三方研究机构也需要了解和分析所涉足行业的环境因素,以更好地服务于客户应用和相关研究。因此,各行业的企业、大数据公司、投融资机构和第三方研究机构对于环境管理类的产品有强烈的需求,而中源数聚的环境管理产品能通过大数据横向形成各环境因素的管理大数据资源池,纵向深入多个行业领域,为用户提供环境扫描、政策解读、行业分析及竞争分析等服务。



2 工具层


1.管理模型



管理模型既可以为管理大数据产品体系提供工具支撑,也能够与管理大数据其他产品一起整合成管理大数据整体解决方案。从管理领域来看,管理模型可分为战略规划、组织结构、集团管控、企业文化、人力资源和市场营销等管理板块的咨询模型;从管理功能来看,管理模型可分为认知、预测、决策和整体方案等功能模型。


管理模型市场尚属于蓝海市场,但是无论是大型国企还是中小型企业都需要一套可量化、易操作的管理模型,助力其提升企业效能和竞争力。在大力推进供给侧结构性改革,加快实施“互联网+”行动计划和“中国制造2025”战略的社会大背景下,许多大型企业的“拍脑门”决策及粗放式管理模式无法适应企业高效运营的要求,大型企业积极谋求管理转型,期望能建设融合现代管理模型的大数据管理系统。中小企业在发展过程中会面临诸多的管理问题,各项管理制度和管理体系尚不健全,期望能够借助现代管理模型实现高效运营。中源数聚的管理模型产品能够在一定程度上通过管理大数据将管理理论与企业的管理现状相融合形成适合各行业的管理模型,因而具有广泛的市场需求。



2.标签管理



标签管理是一款生产和管理企业标签的大数据工具,能够为企业提供标签生命周期管理、输出企业画像、统计分析等服务,帮助企业实现数据资产的沉淀,打造数据驱动管理的能力,提升企业管理的精细度。


大数据的挖掘、分析和应用是支撑企业从粗放式管理转向精细化管理的基础,大数据存储和分析技术的快速发展使得大数据生态得到极大扩展。企业希望能够建立标准的企业管理画像数据体系,支撑企业快速对接大数据应用,满足管理升级的需求。而作为大数据平台建设的重要模块,特别是企业数据管理意识的觉醒,针对企业属性和管理行为建模的企业标签管理系统拥有广阔的市场前景。



3.知识图谱



知识图谱是管理大数据产品体系的支持工具,它基于管理指标体系建立企业关系模型,用可视化的动态关系图来展示企业关联信息,为企业提供多角度查询服务和深层关系挖掘服务,是大数据关联挖掘在管理领域的应用。


知识图谱的目标用户包括进入发展的瓶颈期并希望全面诊断发展桎梏的企业、想要开拓新市场或进行产业升级并希望直观了解行业发展现状的企业、处于发展上升期并希望寻找合作伙伴的企业等。这些企业在转型、扩张或兼并重组的过程中需要获得知识支持,以明晰管理脉络和发展方向,更加准确有效地制定和实施管理策略。



3 应用层




1.管理舆情



管理舆情将搭建管理大数据舆情监测平台,为政府、企业、第三方机构、科研机构和投资者提供管理类舆情咨询服务,包括实时监测、热点舆情、舆情分析、舆情应用等服务,有效地将智能舆情和管理指导相结合。


企业在发展过程中需要及时关注行业环境、宏观环境、企业形象、发展战略、企业文化、产品口碑、公司治理等方面的舆情信息。管理舆情产品能够帮助用户避免或减小因恶性突发事件造成的负面影响,拥有广泛的市场需求。



2.管理风控



管理风控以风险管理为导向,为大型国有企业及中小型企业提供多样化的风险识别工具,支持定量、半定量的风险评估技术及风险图谱展示,建立以风险指标监控为主的多样化风险应对手段;以内控管理为切入点,通过在线绘制流程图和细化流程步骤来识别可控制的活动,以企业制度为基础来细化控制活动并进行缺陷整改,规避或降低企业的风险点及风险程度。


在中国经济发展新常态和供给侧结构性改革的背景下,各行业的企业都开始构建自己的风险管控体系。然而,许多的中小型企业因缺乏预算而没有系统的风险管理机制,企业对于依托大数据感知和控制风险来提高风险管理水平的应用具有普遍的需求。管理风控基于管理数据的动态监测,将风险识别、预警、应对、评估等风险管理过程与内控管理相结合,实现全面风险管理工作与内部控制工作的完整、有效和无缝对接,保障企业在良好的风控环境下健康发展和快速成长。



3.管理洞察



管理洞察立足企业管理自身,依托管理大数据,建立管理对标、管理诊断、管理处方以及亮点案例等洞察产品体系,对标先进企业,明确管理短板,借鉴创新经验,提供及时有效的管理处方,打造兼具标准化和个性化的管理大数据产品和企业管理解决方案,帮助企业不断提升科学管理水平。管理对标能够根据企业的个性化需求为其匹配合适的可对标企业的信息;管理诊断可通过分析企业的数据来对企业的管理健康度做出诊断和评估;管理处方则可针对企业的管理问题提出有针对性的解决方案;亮点案例为企业提供先进的或成功的案例供企业借鉴。


我国企业多数正处于从粗放式管理向集约式管理转型升级的阶段,许多的企业有管理诊断和管理升级指导的需求。然而,多数企业对管理类大数据的解读能力不足,中小企业的管理咨询预算有限,企业级用户特别是中小型企业对于通过管理大数据提供管理升级服务及咨询成本较低的管理洞察具有强烈的市场需求。



三生石-数据产品

在数据行业里,你必须知道这些诶内幕

本文首发于微信公众号三生石 ourstone,定期分享 产品/数据/SaaS/读书 心得。美团外卖首任数据产品经理,曾于大数据公司 GrowingIO 任职。文章曾登上虎嗅首页和各大媒体推荐,欢迎关注交流。此系列主要研究国外数据产品,了解当前实现数据价值的最新思路和实践。这是大数据产品漫游系列的第 3 篇文章。

前两篇文章如下:4年估值20亿美元的大数据公司:Domo的神秘国度 及 秋毫明察,实时数据产品一览

「大数据」,「数据化运营」,「数据驱动」等概念层出不穷,让人眼接不暇。「数据产品经理」这个新兴的产品汪品种,也...

本文首发于微信公众号三生石 ourstone,定期分享 产品/数据/SaaS/读书 心得。美团外卖首任数据产品经理,曾于大数据公司 GrowingIO 任职。文章曾登上虎嗅首页和各大媒体推荐,欢迎关注交流。此系列主要研究国外数据产品,了解当前实现数据价值的最新思路和实践。这是大数据产品漫游系列的第 3 篇文章。

前两篇文章如下:4年估值20亿美元的大数据公司:Domo的神秘国度 及 秋毫明察,实时数据产品一览

「大数据」,「数据化运营」,「数据驱动」等概念层出不穷,让人眼接不暇。「数据产品经理」这个新兴的产品汪品种,也慢慢的受到了国内公司的关注,被“领养”回了各自的企业。本文将着重阐述这些概念落地成了哪类产品,它们有什么特点,以及读者们在未来考虑就业方向时,各类产品存在难处和好玩的地方。

数据产品的分类

根据产品的使用对象,我们可以将当前的数据产品分为三大类,分别是面向企业内部, 面向企业外部以及面向用户三种。企业内部产品是企业自建自用的数据平台或算法策略,辅助企业员工做出决策或成为产品逻辑的一部分。面向企业外部产品,即由某企业开发,为其他企业提供数据服务的产品,SaaS 是其中一种模式。面向用户的产品则是根据平台或网络中的公共内容,提供某些数据给普通用户分析查看。最常见的就是各种常见的指数,如淘宝指数,微博的微指数,国外的 Google Trends 等。

无论在哪种类型的产品里,都需要遵循数据价值的两个特点:

  1. 数据价值取决于其准确性

  2. 数据的价值体现在使用者手里。而在使用组织内部,只能由上往下推动

1. 面向企业外部的数据产品

面向企业外部的数据产品,即由企业或个人开发,提供给外部企业使用的,具备数据采集,计算,存储,展示和分析等功能的产品。随着社会分工更加细化,这类企业在国内外逐渐增多,从最早期的Webtrends,Omiture,到现在的 Mixpanel 等,不一而穷。它们除了拥有企业服务产品的共性外,还有几个特殊的“症状”。

首先,这些产品不可避免在平台型和项目型间游走。要想以低成本扩充更大用户群体,获得更高价值,必然得走通用型的路子。但企业与用户不同,需求是非常理性及个性化的。此时就会出现很多定制化的需求,为了满足这些大客户,在竞争中获胜,则可能慢慢滑落到定制化那边,沦落为一个高科技外包公司。对于数据产品来讲更是如此,不同行业的公司,甚至一个行业的不同公司,对数据的需求也会千差万别。举例来讲,同样是 O2O 的餐饮行业,美团外卖和回家吃饭关心的数据类别,分析方式也会有很大不同。而对于协作类,流程类产品来讲,这种差异性可能没那么大。

其次,数据的价值体现在使用者手里,不在数据产品身上。这点也和其他类企业产品不同。沟通类,协作类和流程类企业产品,价值体现在自身产品上,只要用了就有价值。但对于数据产品来讲,更重要的是,企业如何根据数据做出行动。这要求企业本身需要具备浓厚的数据说话的文化,并且能够由上往下推动此事进展,不啻于又一座大山。这座大山如果不翻阅,数据产品的价值就无法被客户感知,从而导致产品粘性下降,客户流失。

最后,因为数据的安全性和重要性,此类公司价值存在一定天花板。在未来的时代里,数据的重要性越来越大。即使对于没意识到数据的重要性的大公司,也会刻意地把大数据挂在嘴边(没错,我并不是在黑某度)。而安全性,也会引起拥有用户隐私的巨头,及银行类航空类公司前所未有的重视。基于以上两点,大公司势必会选择将数据紧攥在手心,然后不差钱地拨出一波团队来专门做这一摊事。而这就限制了此类公司的目标群体只能在中小型企业身上,这便成了它们最明显的边界。在大型企业中,它们最合适的定位是作为企业数据战略的补充者存在。

以上种种,并非在以一个过来人的身份告诉大家一点人生的经验。在高山地见攀登者,于远洋处有渡航人。这个行业有它迷人的地方。

亮点一,数据价值的广泛性。因为数据面向的企业多了,所以价值取胜在广而不在深。在这方面,此类企业对整个中国市场的启蒙非常重要。数据就像中世纪的骑兵,培养起来杀伤力不错,但一般国家养不起,因为没钱没马没传承。中小型公司因为人员和精力的问题,并没有沉淀和能力做数据,更别谈专业的数据分析了。很多企业,连跳出率是什么都不知道。这时候这类公司便冲了进来完成了早起的市场教育,解决了用什么(What)和怎么用(How)的问题。这相对于企业内部产品局限在管理层和某几个部门来讲,实现的价值要广泛得多。

亮点二,数据需求的抽象力。如果旨在做一个通用的分析平台,那么如何将多样化的数据需求抽象成一个个产品就是关键。甚至可以针对不同行业,不同职位的人提供对应的分析模板,以及有普适性的分析功能。在这一块,Domo一直做得不错。

亮点三,数据需求的实现程度。可以投入大量精力开放在企业内部不太可能投入的功能,如更加智能,适应性更加广的分析产品等。

对于数据相关的从业人员来讲,它有着另外一个魅力:数据产品也开始注重产品设计和用户体验了。虽然这并不是此类产品成功的核心要素,不过也算是告别了企业内部产品“做出来你就得用”的时代,需要考虑数据如何以更便捷更友好的方式展现给用户。

推测出口:面对这些现状,此类数据产品适合先确认自己的定位,比如针对中小型企业或者传统客户,根据定位打战。其次,专注于某个方面,打造自己的亮点,夺取自己的核心客户,如 GrowingIO 的无埋点或神策的支持私布的用户行为分析。最后以此,做合理的横向扩张,比如将某些核心功能打包成为一个子产品,对外开放使用。一方面提高产品的知名度,另外也能开拓新的 Leads 和做 Upsell 的机会。只要中国市场产生出了足够的中小企业基数,出路还是蛮宽广的。

目前国内外存在很多此类数据产品,所有这些产品的类型逃不开数据采集清洗,数据计算,数据存储到数据展示分析整个链条。有些是专做其中某个环节,有些则是会涉及几个方面。根据环节的不同,面临的问题和亮点也不尽相同,对于它们详细的分析足以展开一篇新的文章,此处便不详谈。

2. 企业内部产品

企业内部产品中,按职能范围划分,可以分为平台型和业务型,其中具体的职责分配视公司的数据架构而定。但万变不离其宗,平台型主要是建设底层计算平台和通用工具,业务型更多的偏重于结合业务的 BI 系统和报表工具。如阿里的 Onedata 就是一个集团的数据平台,集数据规范化定义,数据计算存储和用户标签等为一体。而天猫可能就会利用这套系统自己搭建一套业务型的数据平台,并利用 Onedata 提供的数据标签对自身的用户做精准营销。

按内容划分,则主要可划分为分析类和策略类。分析类主要是商业 BI 方向,包括了数据采集清洗,计算存储,展现和分析部分。大公司会特意把这些模块区分出来,再单独招人。入行时可选择某一个细分领域开始切入,但要把握全局,注意数据全链条的使用。BI 的类型也因部门而异,举例说说明有数据基础建设部门,销售分析部门,产品分析部门,供应链分析部门。部门的重要性视公司自身的业务特点而定,这个和其他岗位的选择逻辑是类似的。策略类的方向较多,对专业能力和职场经验要求也比较高。常见的有搜索推荐,风控和反作弊,精准营销和用户画像。这些有时候会有部分或全部不划在数据部门下面,但都需要比较规范的数据基础,以及着重与利用数据分析调整产品策略。

做企业内部产品,有些点必须提前注意。这些点与文首的两个特点息息相关。

  1. 数据质量非常重要。因此对应的数据采集,清洗方案都必须慎重。

  2. 数据价值取决于高层,所以挑个了解数据并愿意投入精力的公司非常重要。这一点大概可以通过面试过程中,公司在数据方面人才的投入程度看出一二。如果说我们什么都没有,只是差个数据工程师/分析师/产品经理,同学,还是得三思啊。

  3. 受关注度不高:毕竟数据不是实际业务,无法直接对前线数据产生影响。在关注度和资源倾斜力度上,与一线部门肯定有所区别。这一点包括下面会提到的临时需求繁多纷乱,都与数据价值体现在使用者手里密不可分。

  4. 临时需求繁多纷乱:既然价值体现在使用者手里,则意味着部门会与你有很多亲密接触的机会。这些需求大多数属于碰到某些情况意外需要了解某些数据,而且往往会打乱自己的产品规划。

基于以上情况,这要求从业人员得有几个素质:

  1. 首先是数据产品本身具备的专业能力,如数据资产管理,数据可视化,数据分析等。

  2. 其次是对业务的敏感度。在企业内部,需要靠业绩说话。你界面做的再漂亮,分析功能做得再完善,如果对业务起不了与投入相匹配的促进作用,就不是一个成功的内部产品。

  3. 其次是比较好的需求管理能力,如果这块没把控好,很容易就被如滔滔江水的临时需求给淹没。最合适的方法是“长中短结合”,紧急的需求先满足,同时不能忽视数据平台的建设,抽象出来一个面能满足一个个散落需求的点。

  4. 最后,需要有比较好的内部 PR 能力。 这与数据价值比较隐性,很多与业务表现没有直接关联有关。所以一方面你需要将数据分析的知识和技能在内部推广,另一方面也需要将数据成功案例对外宣传,树立起大家用数据说话的习惯和信心。


3. 面向用户的数据产品

现在国内积累了大量用户数据和消费数据的公司,都会推出自己类似的产品,如腾讯的 TBI 指数,阿里巴巴的淘宝指数,百度的百度指数,微博的微指数。据称,知乎也正在谋划着推出自己的知乎指数。此类产品重在了解趋势,对判断一些产品和事情的趋势很有些有趣的地方。以下是我2016年上半年研究今日头条和腾讯新闻之间的情况时,分析结论和和目前的指数情况。

当然从日活上来看,腾讯新闻因其深耕多年,以及其庞大的用户基数,还是短时间内难以超越。但是用户数差距已经非常小了,而在使用时长上,则已远远超越。以下数据来自于 Questmobile 报告。

综上所述,无论是哪一个类型的产品,根本方法万变不离其宗:根据对比细分溯源的基本方法论,和对于业务的理解和分析场景,建立起一套行之有效的分析框架。期间需要根据业务的变化不断调整,不断推翻已有结论,不断完善。如何最大化数据价值,如何讲清楚一个故事,是所有数据产品经理奋斗的终极目标。

写到这里,各类产品中,个人所见难处和亮点,大概就是这些了。一方面是对以往思考做些总结,另一方面也是对意图进入这个行业的人提供些借鉴,其中有失之偏颇的地方,欢迎大家一起交流。


你可能对以下文章也会感兴趣:

数据产品必备技术知识(1):数据仓库之基本架构及ETL

华尔街日报是这样做数据可视化的(1)

互联网数据分析从入门到精通的书籍清单

27个Pinterest内部使用的增长指标

数据分析的坑,都在统计学里埋过


三生石-数据产品

实时分析!数据产品必备利器一览

本文首发于微信公众号三生石 ourstone,定期分享 产品/数据/SaaS/读书 心得。美团外卖首任数据产品经理,曾于大数据公司 GrowingIO 任职。文章曾登上虎嗅首页和各大媒体推荐,欢迎关注交流。此系列主要研究国外数据产品,了解当前实现数据价值的最新思路和实践。这是大数据产品漫游系列的第 2 篇文章。

实时数据的展现,是现今很多数据产品的一个重要表现形式。远如 Google Analytics 这种传统的分近如天析工具,猫每年双十一的大屏展示,新兴产品 GrowingIO 也都有实时统计分析的功能。从实时的应用场景来看,主要有以下两...

本文首发于微信公众号三生石 ourstone,定期分享 产品/数据/SaaS/读书 心得。美团外卖首任数据产品经理,曾于大数据公司 GrowingIO 任职。文章曾登上虎嗅首页和各大媒体推荐,欢迎关注交流。此系列主要研究国外数据产品,了解当前实现数据价值的最新思路和实践。这是大数据产品漫游系列的第 2 篇文章。

实时数据的展现,是现今很多数据产品的一个重要表现形式。远如 Google Analytics 这种传统的分近如天析工具,猫每年双十一的大屏展示,新兴产品 GrowingIO 也都有实时统计分析的功能。从实时的应用场景来看,主要有以下两种:

  1. 实时监控类:侧重于短时间内数据呈现,不展示当天的累计数据,如 Google Analytics, Gosquared, Chartbeat, Kissmetric 等

  2. 实时统计类:侧重于当天的累计数据呈现,实时反映数据变化,如 Woopra, Gauges,腾讯云分析,天猫大屏等

无论是以哪种目的为主,核心思路都是以用户为分析主体,进行各个维度的对比和细分。接下来与大家分享几款数据产品的实时功能,主要从 功能亮点,更新频率和指标维度内容 三个角度进行分析,希望能给大家提供一点灵感。

   

1. Google Analytics


GA 关于用户数量水位式的可视化设计,解决了秒级和分钟级的显示问题,让用户随时间的变化和累计变得一目了然。 它主要通过对实时在线用户的多维度细分,来分析用户来源,用户分布和用户使用情况。

  1. 功能亮点:

  • 分维度细分采用列表的形式,在刷新时通过红绿色显示排名上升下降 ,营造实时的真实感

  • 在细分维度的下钻页面,提供了活跃用户和浏览量(近30min切换), 解决了我们之前讨论的在较长时 间维度上观察投放效果的问题

  • 每个维度细分均提供下钻功能,可在多个维度交叉作用下查看实时在线用户

更新频率10s

指标内容及维度:

  • 指标:活跃用户数

  • 用户来源:引荐来源,社交流量,关键字

  • 用户分布:设备类型,地理位置

  • 用户使用维度:内容(活跃网页) ,事件,转化

 

2. GoSquared


Gosquared 是一个成立于 2006 年的老牌厂商(从它的界面就可以看出来了),主要卖点就是实时功能。它可以追踪到6h内所有用户的访问内容和使用细节, 在及时性和全面性都做得不错。 同时,它在很多细节上可圈可点,如直接将当前访客数显示在网页标签上,这样即使你在浏览其他网页也能监控到自己网站的访客数量。

  1. 功能亮点:

  • 在用户细查上,会不断更新每个有新动作的用户 并在旁边读秒,显示最后更新情况。点击该用户可查看详情,包括Session内动作和用户详情。这里最多包括6h前的用户活动

  • 地图分布可点击放大,在大图上查看数据的变化,不过放大后 在动态性做的不是很好

  • 可以设定流量提醒,RSS提醒和增加里程碑点来记录数据的变化。订阅提醒支持推特/博客/Github 等内容更新订阅

更新频率:各模块单独实时更新

指标内容及维度:

  • 指标:活跃用户数,访问时长/深度(平均值及分布情况),活跃用户占比。通过将活跃用户数与七天内 MIN/MAX 值 和以前的时间进行比较,让用户更容易判断

  • 用户来源:访问来源。每个访问来源,国家和访客都用图标代替,美观度提升很多。点击访问来源/内容,能看到该网站下的详细网址,客户可以直接点击查看该网址内容,确认自己的用户从何而来


  • 用户分布:设备类型,操作系统,浏览器类型,地理位置,语言,

  • 用户使用:内容(活跃网页),用户细查

  • 用户属性维:回访用户,标签用户

3. Kissmetrics

 

以实时展现用户活动为主,并对当前使用内容做个简单统计,实时的用户细查是最大特色。这点我在后续的产品设计中借鉴了这点,并结合自身的产品特色,设计了实时展示所有用户行为的功能。

  1. 功能亮点

  • 可以针对某个特殊的用户,动作或分群进行筛选查看,这在其 他产品中是没有的。

  • 点击某个用户 ID 可以下钻查看用户的 Profile

  • 提供 My activity 来查看自己的活动,方便 debug....(这个功能莫名戳中萌点)

更新频率:可以自主调整更新频率

指标内容及维度:

  • 当天累计用户数,以及 Top5 用户的事件数

  • 当天累计事件数,以及Top5 事件的事件数

  • 当天累计元素数,以及Top5 元素的事件数

4. Chartbeat


Chartbeat 是一个主要服务于在线新闻和文章监控的公司,产品定位在口号十分明确:Your audience's attention is worth more than their clicks. 它以实时展现访问内容为主,并根据每条内容显示访问来源及其比例。所以基本上能够锁定住每发一篇文章,效果如何一眼便知,根据数据情况快速修改发布。

  1. 功能亮点

  • 监控功能:Spike Alert 和 Overperforming(当值超过最大值突出显示)

  • 多层过滤:可以选择页面中所有维度进行过滤,满足客户分析某个特定来源用户的使用情况

更新频率:实时

指标内容及维度:

  • 指标:活跃用户数,Recirculation,访问 时长

  • 用户来源:引荐来源,访问来源 ,Distribution,社交来源

  • 用户分布:设备类型,地理位置

  • 用户使用:内容(活跃网页)

  • 用户属性:新客户/回访/忠诚     

5.实时统计产品

实时统计方面,主要是是比较明确的累计场景,如当天的总购买用户数,总订单数等等。出彩的产品不多,这里简单给大家介绍下。

  • Woopra:主打定制化的图表 Widget,以实现更加灵活的数据分析。实时模块也遵循了这个思路。


  • 腾讯云分析:腾讯的分析产品,中规中矩


  • 天猫双十一大屏


6. GrowingIO 实时监控统计

最后介绍下我曾经设计的 GrowingIO 实时功能,据后台统计,是当时 GrowignIO 所有功能中停留时长最长的一个,可能是很多人就挂在当前页面不走了吧...

在充分借鉴了实时监控和统计两家所长后,我们确定了监控为主,统计为辅 的设计策略,核心在于让客户能够了解当前用户情况,并迅速定位异常。在分析指标和维度上与其他家大同小异,以下是 V1.0 产品动图:(建议横过手机来看😁)


文末附上各家产品在指标和维度上的汇总,从中一窥可各家产品在实时分析上的重点和取舍,供大家参考。




听说文末放二维码会涨粉哦

本人系一名创业产品汪,个人公众账号 Ourstone,定期分享一些数据/toB/创业/读书心得

欢迎关注交流


三生石-数据产品

4年估值20亿美元的大数据公司:Domo的神秘国度

本文首发于微信公众号三生石 ourstone,定期分享 产品/数据/SaaS/读书 心得。美团外卖首任数据产品经理,现于大数据公司 GrowingIO 任职。文章曾登上虎嗅首页和各大媒体推荐。欢迎关注交流。此系列主要研究国外业内前沿数据产品,了解当前实现数据价值的最新思路和实践。这是大数据产品漫游系列的第 1 篇文章。

CEO:数据创业的领衔人物


创始人 Josh James 在 1996 年创立风靡一时的网站统计产品 Omniture,后在 2009 年以 $18亿 的高价卖给了 Adobe。2011 年,他创立了现有...

本文首发于微信公众号三生石 ourstone,定期分享 产品/数据/SaaS/读书 心得。美团外卖首任数据产品经理,现于大数据公司 GrowingIO 任职。文章曾登上虎嗅首页和各大媒体推荐。欢迎关注交流。此系列主要研究国外业内前沿数据产品,了解当前实现数据价值的最新思路和实践。这是大数据产品漫游系列的第 1 篇文章。

CEO:数据创业的领衔人物


创始人 Josh James 在 1996 年创立风靡一时的网站统计产品 Omniture,后在 2009 年以 $18亿 的高价卖给了 Adobe。2011 年,他创立了现有的公司 Domo,4 年后估值已达 $20亿,并在今年三月份再次融资 $1.3亿。James 是数据领域创业的先驱,从 Domo 的产品理念上看,他在企业如何利用数据上已经洞察入微,驾轻就熟。

之所以称之为神秘,是因为在 2015 年宣布新一轮融资前,Domo 没有介绍过自己的功能特性,而且购买产品的客户必须签署保密协议,不得像第三方泄露 Domo 的产品信息,保密功能做得十分到位。即使到了今天,依然只能从一些介绍视频和博客上窥得一二。

产品:直击国外企业痛点

Domo 的核心功能是将公司内各种来源的数据汇总起来,提供给管理层及一线员工使用。一方面,国外企业倾向使用各种办公自动化的软件或服务,如人力资源管理用 Workday,销售管理用 Salesforce等,数据散落的情况十分普遍。另一方面,企业中因精细化运营的理念,经常需要用数据说话。 因此 Domo 的功能可谓直击客户痛点,解决了他们实实在在的需求。

DOMO 现在有 1000+ 个签约客户,包括 Master Card,国家地理,日产,及施乐等。据福布斯报告,Domo 按使用用户收费,年费最低为 2.5 万美元,按 12 人的最小规模团队计算,每用户约 2,000 美元。有些公司每年在其中投入 100 多万美元。即便如此高价,它的年复合增长率也超过了 100% 。

跑题一句,目前国内也有类似的产品出现。但因为国内数据运营的理念尚未普及,能提供数据接口的企业软件或服务也并不多见。这种情况将会严重限制此类产品的发展。只有在 SaaS 市场已经足够成熟的环境,才能诞生这样的独角兽。

功能:让数据更简单地被企业使用

Domo的功能分为五层,涵盖了数据整个链条。

  1. Connect(数据清洗):提供多数据源接入,实时更新(对 CEO 来讲十分重要)

  2. Prepare(数据计算):提供了现成的 ETL 工具,DataFusion调取数据,DataFlows 支持普通 SQL 语句来修改现有数据

  3. Visualize(数据呈现):提供拖拽式设计的Card Builder,再用Pages来组织Card,以及利用Domo APP默认生成图表;根据角色和行业提供对应方案

  4. Engage(数据协作):Domo Buzz可针对数据开展讨论,且只有和你相关的指标变动都会通知到你。Domo Profiles 提供个人在组织内的位置和行为。支持数据在组织内和组织外的分享。结论会形成任务,分派到人身上。

  5. Optimize(数据驱动):关心真正反映业务的指标。提供多样的分析工具(Analyzer)和提醒(Alert),Domo 平台提供洞见来驱动更好的结果。

这 5 个特点分拆到每个功能上,就是以下的流程图:


其中,多数据源的接入是 Domo 的基础,基于数据的协作则是 Domo 将数据落实为Action 的关键。只有当数据结论落实到人身上并且可追踪的时候,数据才能真正发挥价值。而提供各种分析 APP 的 AppStore 则真正让 Domo 具备成为新一代商业大平台的可能。它通过连接开发者与企业,来满足更多企业个性化的需求。

以上这些特性汇总成一句话,就是:让数据更简单地被企业使用。在以下详细介绍几个重点功能时,我们会发现,这种理念渗透在产品的每个细节里,令人叹为观止。

1. Connector:多数据源的接入


Domo 提供当前各种主流数据来源的接入库(Connector Library)。当接入完成后,会有现成的模板提供分析思路,避免重新做图分析。

可供接入的内容分为:

  1. 广告后台,如 Google,Bing

  2. 分析产品,如 GA,Adobe Analytics

  3. 表格软件,如 Excel,Google Sheet

  4. 数据库,如 MySQL 等

  5. 提供接口的 SaaS 产品,如 New Relic,Salesforce,SurveyMonkey,Jira等APM,CRM,调查类,协同类产品

  6. 社交产品,如 Twitter

接入后的内容会有专门针对此类的内容的模板生成。这也印证了 Domo 让数据变得更简单的产品理念,帮客户自动完成了作图这个繁琐的过程,直接将一盘美味佳肴端到你的面前。以下是产品截图


2. Magic:多数据源的融合

以 “Magic” 命名这个功能,可以想见 Domo 对这个功能的喜爱。这是 Domo 产品逻辑的底层基础,包含了三个功能,为 ETL,DataFlows 和 DataFusion。旨在提供极其简单易懂的工具,将不同来源的各种数据以可视化的方法整合到一起。如图所示,将两个产品的某一列内容作为主键关联起来。


2.1 ETL

以可视化的方法,让小白用户也可以进行数据清洗,转换和加载的高级工作,连 SQL 都不用写了。


2.2 DataFlows

这是 Domo 为高端用户们贴心提供的 SQL 查询工具,满足更多自助化的提数和

2.3 DataFusion

甚至你可以直接在数据源中进行增删合并,生成新的内容。


ETL 在很多大公司里,都会有专门的数据工程师负责。而 Domo 竟然用这么一款简单的产品,节省了这些工程师们大部分的工作量。当然,完全取代是不可能的,毕竟存在效率问题和更深层次的聚合表和主题表的创建过程。不过能够做到这一点,已经大大降低了很多数据的使用门槛。

Card & Analyzer:数据可视化和分析

Card Builder 属于制图部分,而 Analyzer 是针对已做单图的分析。

3.1 多样的数据可视化

在可视化数据部分,支持拖拽方式建立单图,并且提供了超过 50+ 图标样式。一个值得注意的细节是,添加数据源后会提供默认单图,而非一片空白。在创建完图标后,会以一种固定的格式罗列在页面上,便于用户查看和整理。


3.2 针对行业的呈现模式

在 Domo 的菜单里,可以看到顶栏按照各职业做了区分。其实 Domo 在产品设计上,会根据不同行业,不同角色和不同数据来源提供默认 Card。在通用性数据平台解决深入性业务问题的这个方向上,迈出了重要一步。

3.3 分析功能

Analyzer 提供了过滤,下钻,提醒和变更图标形式等方式进行分析的方法。下钻可以层层下探到数据源,帮助用户了解各种颗粒度上的问题。


4. Buzz && Task:完成数据管理闭环


Buzz 和 Task 这两个功能解决了数据结论无人落实,无法追踪的问题,完成了一个管理闭环。使用的场景十分明确,客户先通过 Buzz 对当前某些报表进行讨论,形成结论后再通过 Task 分配到个人身上,时刻可以追踪。这样的设计,实际是扩展了当前 BI 的内涵,从对数据的分析升华到了对数据的使用上,进一步发挥了数据的价值。从这点上来讲,已经比所谓大数据产品不知道高到哪里去了。


同时还有移动端的产品,让这种讨论可以更简单地在各种场景里进行。不过,一线员工们可能要多受点难了...

5. AppStore:成为新一代商业平台的可能


Domo 的 AppStore 让它有成为一个大平台的可能。首先它满足了更多贴近业务的分析场景。AppStore 里提供了各种行业,职位,部门,活动等方面的数据应用,让数据的使用和分析变得更为简单。其次也支持了更多的信息源,完成了更全面的数据来源覆盖。以一个面向销售的,针对线索参与度分析的分析 APP 为例:


类似的分析 APP 还有很多。2016 年的 Domopalooza 大会又发布了一个耗资 5 亿美元,面向移动端的应用商店,致力于打造全球第一个“商务云”的概念。它宣称在其新的 APP 商店中已经拥有 1000 家合作商。借此,Domo 铁蹄铮铮,正一步步地拓宽自己的商业版图。

”We didn't make the next great flip phone, we just dropped the iPhone," - Josh James

后记:纸上得来终觉浅

本文中所有的产品信息均来自于演示视频和官方博客,难免失之偏颇。若读者中有使用 Domo 的经验或者有更深入了解的同学,欢迎斧正,不甚感激。

硬币皆有两面。相比于同类竞品,如 GoodData,BIME 等,Domo 的缺点也很明显:价格昂贵。这点让诸多 SMB 们望而却步。这种定价策略见仁见智。不过无论是出于成本还是战略定位的考虑,产品本身的优秀都不可抹杀。Quora 上有个问题十分有趣,大家可做延伸阅读:

最后奉上一个移动端的产品 Gif 图,让大家从一个侧面感受下他们的产品。

"Of course we were thinking big," James says. "Of course we want to change the world!" — Josh James6


以上是个人公众号ourstone,欢迎关注交流


三生石-数据产品

修摩托车与如何科学地思考

本文首发于微信公众号三生石 ourstone,定期分享 产品/数据/SaaS/读书 心得。美团外卖首任数据产品经理,现于大数据公司 GrowingIO 任职。文章曾登上虎嗅首页和各大媒体推荐。欢迎关注交流


科学方法在于让你正确的思考 

科学方法在于让你正确的思考,依据固定的步骤假设,执行,检测和优化。如摩托车维修的过程,根据摩托车出现的问题,做出假设,然后去检查验证。但很多人都瞎想一通,却说自己正在思考。一个人一天里有一小时的有效思考,今天的工作就算是高效了。

科学思考的步骤 

科学式思考第一步:明确所有问题,但不要把自己的假设写进...

本文首发于微信公众号三生石 ourstone,定期分享 产品/数据/SaaS/读书 心得。美团外卖首任数据产品经理,现于大数据公司 GrowingIO 任职。文章曾登上虎嗅首页和各大媒体推荐。欢迎关注交流



科学方法在于让你正确的思考 

科学方法在于让你正确的思考,依据固定的步骤假设,执行,检测和优化。如摩托车维修的过程,根据摩托车出现的问题,做出假设,然后去检查验证。但很多人都瞎想一通,却说自己正在思考。一个人一天里有一小时的有效思考,今天的工作就算是高效了。

科学思考的步骤 

科学式思考第一步:明确所有问题,但不要把自己的假设写进去。如在摩托车维修过程中,你首先应该问自己:摩托车为什么发动不了而不是电路系统有什么问题。当你带了自己假设进去的时候,就已经限定了自己的思维,只一味地研究电路系统出了什么毛病,但问题可能出在传动系统上。

第二步:写下所有假设,然后通过实验去判断所有假设的对错。

第三步:进行实验检测,实验检测是一个去验证假设的过程。所以摩托车的故障维修检测是一个实验,而一个已知道结果的科学演示却不然。并且要记住,一个实验没达到预期的结果不算失败,只有它的结果无法验证假设真假时才是失败的。在检测实验预期结果时,存在两个方向,一个是测真假,一个是测极值。测真假是测出你哪个改动是对的哪个是错的。测极值是指在同样正确的情况下,哪个数值最优。比如测试推荐系统的有效性,测不同的算法是测真假,测同个算法推荐几个时成交率最高,这是测极值。

实验当中使用的技巧都是为了证明假设,既不可使用过度或使用过少。摩托车的喇叭会响不能证明电路没有问题,充其量只能证明电池没有问题。因此为了设计合理的实验,你必须仔细推想事物间的关系,避免过度推断。

第四步是做结论,此时亦不可多不可少。修好了电力系统并不代表摩托车能够发动,影响发动的可能还有另外的因素。

只有问对了问题,做对了实验,才能做出正确的结论。很多人在解决很多问题时,都没有事先把问题明确好,就着手开始做实验,漫无目的,重复低效。

本文为阅读《禅与摩托车维修艺术》笔记,讲述在一个炎热的夏天,父子两人和约翰夫妇骑摩托车跨越美国大陆,旅行的过程与一个臆想中的青年斐德洛研修科学技术与西方经典,寻求自我的解脱并探寻生命的意义。一路上父亲以一场哲学讨论的形式,将见到的自然景色,野外露营的经历,夜晚旅店的谈话,机车修护技术等等日常生活与西方从苏格拉底以来的理性哲学的深入浅出的阐述与评论相结合,进行了大量深刻的思考。并潜入自己的过去,探寻在现代文明下自己精神的分裂的起源,完成了一次自我心灵与人类文明的探索。



听说文末放二维码会涨粉哦

本人系一名创业产品汪,公众号 ourstone 分享一些数据/toB/创业/读书心得,欢迎关注交流


三生石-数据产品

27个Pinterest内部使用的增长指标

本文首发于微信公众号三生石 ourstone,定期分享 产品/数据/SaaS/读书 心得。译者为美团外卖首任数据产品经理,现于大数据公司 GrowingIO 任职。GrowingIO 于16年6月宣布A轮融资2000万美元。文章曾登上虎嗅首页和各大媒体推荐。欢迎关注交流。

作者为John Egan, Pinterest Growth-Engagement 方面的负责人。以下指标有一些是根据 Pinterest 的业务特性制定,因此并不能照盘全收。值得参考是,他们设计指标的用户生命周期思想,以及如何将思想落地为指标的过程。

有一个问题我经常被开展增长...

本文首发于微信公众号三生石 ourstone,定期分享 产品/数据/SaaS/读书 心得。译者为美团外卖首任数据产品经理,现于大数据公司 GrowingIO 任职。GrowingIO 于16年6月宣布A轮融资2000万美元。文章曾登上虎嗅首页和各大媒体推荐。欢迎关注交流。

作者为John Egan, Pinterest Growth-Engagement 方面的负责人。以下指标有一些是根据 Pinterest 的业务特性制定,因此并不能照盘全收。值得参考是,他们设计指标的用户生命周期思想,以及如何将思想落地为指标的过程。

有一个问题我经常被开展增长工作的人们问起,“我们应该在增长仪表盘上看什么指标”。我之前写过我们在 Pinterest 看重什么指标。在这篇文章里,我将给出更详细的信息,并和大家分享我们内部的增长仪表盘是什么样子的。

我们以 Pinterest 的用户增长模型来组织仪表盘。首先会关注我们的 MAU 增长曲线,其次是跟踪用户生命周期的漏斗:从获客指标开始,到激活,参与度,最后是召回分析。



MAUs

1.当前目标进程:当前的 MAUs,以及我们在季度 MAUs 目标上有多少进展

2.MAUs 预测: 根据我们去年同期的增长率推测出我们应有的 MAU 曲线,从而预测季节性对增长数字的影响。



3.MAUs按 app 划分

4.MAUs按性别划分(译者注:Pinterest 作为一个图片类产品,性别差异较为明显,所以需要关注。没有此类特性的朋友可忽略)

5.MAUs按国家划分: 在同一个图表里追踪每一个国家的 MAUs明显会信息过载,所以我们把所有国家进行了分层。我们使用的层级是美国,第一层,第二层,第三层和其他(译者注:因为 Pinterest 的主要市场在美国,所以优先关注美国市场。专注国内市场或暂时没有国际化业务的朋友可忽略)。层级的判定基于网民数目,互联网广告费用等规则。

6.MAU账户情况: MAU 账户情况帮我们了解哪个因素贡献了最大的 MAUs 增长。因此我们把整个数字划分成了注册数,召回数,现有用户流失数和新用户流失数。



获客

7.整体注册数

8.注册数按 app 划分

9.注册数按访问来源划分



10, 11, 12. 邀请发送数,发送邀请用户数以及接受邀请用户数

激活

13.整体激活率:我们用1d7s来指代那些在注册后的一周内回访1次以上的用户。整体激活率 = 1d7s/注册数,即新注册用户中有多少比率在注册后的一周内再次访问了 Pinterest。

14.激活率按 app 划分:这个指标和1d7s/注册数一样,只是按照平台进行了划分。我们之前见识过在不同平台上,激活率有非常戏剧性的不同。

15.激活率按访问来源划分

16.激活率按性别划分



17.1rc7/整体注册数:这个指标和1d7s/注册数类似,是用来衡量新用户在注册后一周内转采(Repin)图片(Pin)或点击(Click)图片的比率。我们用这个指标作为指示器,来衡量我们在激活用户进入高活跃度群体的工作。

18.1rc7s按 app 划分

19.1rc7/整体注册数按 app 划分

20.注册活跃漏斗按 app 划分:这个指标追踪新注册用户数在注册后28-35天的一周时间内,依然做出了关键行为的比例。更明确点的说法是,我们追踪用户注册后35天左右,依然是 MAU,WARC(每周至少转采或点击一次),WAC(每周至少点击一次),或 WAR(每周至少转采一次) 的比例。

21.注册活跃漏斗按性别划分

22.注册后35天的周活跃用户比率:这是我们关键激活指标之一。我们持续追踪新用户注册一个月后依然是个周活跃用户的比率。也就是说,我们会关注新用户数在注册后28-35天内活跃的比例。

活跃度

23. 活跃用户比 :我们追踪 DAU/MAU,WAU/MAU,和 DAU/WAU。活跃用户比是衡量你的app 用户有多活跃的一个流行指标。

24.邮件汇总数据,按类型划分:一个记录邮件发送,打开和点击数据的表格,按邮件类型划分(译者注:邮件类型应为营销邮件,日报邮件和通知邮件等)。

25.推送提醒汇总数据,按类型划分:一个记录推送提醒发送和打开数据的表格,按类型和平台划分(iOS 和 Android)。

召回

26.召回用户数按平台划分:流失28天以上,却最近回访了Pinterest 的用户数,按照他们回来的平台划分。

27.召回用户数按访问来源划分


总而言之,你可以看到我们非常关注激活情况(将新用户转化为月活跃用户的过程)。这因为我们将激活视为长期可持续发展的关键因素。如果你想要向成千上万的用户推广你的服务的话,良好的激活率必不可少。同时,我们关注性别,国家,来源等等维度,来更深入了解不同群体的用户如何与 Pinterest 互动以及哪个群体表现低迷。


  

听说文末放二维码会涨粉哦

本人系一名创业产品汪,公众号 ourstone 分享一些数据/toB/创业/读书心得,欢迎关注交流


三生石-数据产品

互联网数据分析从入门到精通的书籍清单

之前在 PMCAFF 上看到有人问类似的问题,一时起意做了回答,顺手贴了过来,供大家参考。

任何一个技能的学习,都有从浅到深的过程,数据分析也不例外。因此我把推荐书籍划分成几个段位,更便于大家挑选。

入门版 

适合对数据分析的入门者,对数据分析没有整体概念的人,常见于应届毕业生,经验尚浅的转行者


  1. 《深入浅出数据分析》:HeadFirst 类的书籍,一向浅显易懂形象生动,可以对分析概念有个全面的认知

  2. 《谁说菜鸟不会数据分析》:不仅讲解了一些常见的分析技巧,并附带 Excel 的一些知识以及数据分析在公司中所处的位置,对职场了解亦有一定帮助

  3. 《赤裸裸的...

之前在 PMCAFF 上看到有人问类似的问题,一时起意做了回答,顺手贴了过来,供大家参考。

任何一个技能的学习,都有从浅到深的过程,数据分析也不例外。因此我把推荐书籍划分成几个段位,更便于大家挑选。

入门版 

适合对数据分析的入门者,对数据分析没有整体概念的人,常见于应届毕业生,经验尚浅的转行者


  1. 《深入浅出数据分析》:HeadFirst 类的书籍,一向浅显易懂形象生动,可以对分析概念有个全面的认知

  2. 《谁说菜鸟不会数据分析》:不仅讲解了一些常见的分析技巧,并附带 Excel 的一些知识以及数据分析在公司中所处的位置,对职场了解亦有一定帮助

  3. 《赤裸裸的统计学》:作者年轻时是个追求学习意义的学霸,后来自己从统计学中发掘了很多可以应用到生活的地方。这也是本书的主旨,结合生活讲解统计知识,生动有趣。可以避免统计学一上来就大讲贝叶斯概率和随机分析的枯燥。同样类似的书籍还有《统计数字会撒谎》,这本书知名度要高点,不过我还没看…

进阶版 

具有一定的行业针对性,要求具备一定的分析常识,适合网站分析师,商业分析师以及数据产品经理


  1. 《精通web analytics 2.0》:此书虽老,但其中很多思想和流量分析的案例仍然很有借鉴意义,现在纸质书只能上淘宝买旧书了。与此类似的有《网站分析实战》,是国内一本讲网站分析的书,没有上面经典,但胜在新出,很多案例和理念都有及时的更新

  2. 《深入浅出统计学》:Headfirst 类书籍,可以帮助你快速了解统计方面的知识

  3. 《数据化管理》:黄成明著,讲解在企业中应用数据的例子,读完受益匪浅,里面举的很多例子都很接地气。虽说偏向于零售业管理,但大道归一,可适用于很多行业,当时依据里面的理念规划了美团外卖面向 BD 的数据产品

  4. 《SQL从入门到精通》:这本也是我当年学习 SQL 的入门书,薄册子一本,看起来很快。SQL是个性价比很高的技能,简单而强大。任何想进一步提高自己数据分析技能的产品/运营/分析师 同学,都建议点亮这个技能点

  5. 我司 GrowingIO 出的一本数据分析的增长手册,可以为大家提供常见的分析手段讲解,如漏斗分析,同期群分析等等,可在 GrowingIO 官方博客中下载

高阶版 

更高阶的数据相对来说专业性较强了,如涉及到企业内部数据治理,数据结合的业务分析,数据可视化等。当然,还有数据挖掘算法之类的更深入的东西,这块没有研究就不瞎推荐了。


  1. 《决战大数据》:阿里巴巴前数据副总裁车品觉老师所著,讲解了阿里巴巴在企业内部治理数据过程中的心得,所讲“存-通-用”数据管理三板斧和“从数据化运营到运营数据”,字字珠玑,可堪借鉴

  2. 《精益数据分析》:此书优势在于将企业分成了几个大的行业类别,并分门别类的讲解了每个行业的商业模式特点及分析技巧,对使用者的分析能力要求较高,且必须具备相应的业务知识

  3. 《The Wall Street Journal Guide to Information Graphics》,华尔街日报负责商业分析的人做的可视化指南,精华且实用,我之前在公众号上写过读书笔记《华尔街日报是这样做数据可视化的》,可供大家参考

  4. 《数据仓库经典教程》:网上有人整理出来的资料,优点是简单明了,不像正常的数据仓库教材厚厚一本。公众号中有笔记和电子版下载,关注后回复“数据仓库”可得

暂时想到的就以上这么多,之后有新的书籍推荐再上来补充。也欢迎各路大牛提出意见做出增删。对问题感兴趣的可点击「阅读原文」。



听说文末放二维码会涨粉哦

本人系一名创业产品汪,公众号 ourstone 分享一些数据/toB/创业/读书心得,欢迎关注交流


Summer

MC-市场数据集市

挖财精准营销 - 营销要有的放矢!

实时展示营销数据,针对性的营销管理,帮助营销人员确定最有效的营销组合,每个营销渠道实现更高的投资回报,优化跨渠道用户互动。


挖财精准营销 - 营销要有的放矢!

实时展示营销数据,针对性的营销管理,帮助营销人员确定最有效的营销组合,每个营销渠道实现更高的投资回报,优化跨渠道用户互动。


LOFTER

让兴趣,更有趣

简单随性的记录
丰富多彩的内容
让生活更加充实

下载移动端
关注最新消息