滴滴資深分析專家：數(shù)據(jù)如何驅(qū)動業(yè)務(wù)增長

滴滴資深分析專家：數(shù)據(jù)如何驅(qū)動業(yè)務(wù)增長分析師的商業(yè)價值直覺驅(qū)動的困境我是統(tǒng)計科班出身，對數(shù)據(jù)較為親近，畢業(yè)后便在互聯(lián)網(wǎng)開始從事機器學(xué)習(xí)與數(shù)據(jù)分析工作。幾年觀察下來，發(fā)現(xiàn)許多業(yè)務(wù)雖然都會引入算法工程與分析師等這些數(shù)據(jù)職能，但是大部分的決策還是基于直覺來拍。當(dāng)然，有些時候直覺是唯一的選擇，例如產(chǎn)品從零到一的設(shè)計或者算法早期預(yù)測和排序目標(biāo)的選擇會更多參考行業(yè)內(nèi)的成熟做法。但是當(dāng)數(shù)據(jù)積累到一定規(guī)模，業(yè)務(wù)也已經(jīng)過了早期高速增長的階段的時候，如果業(yè)務(wù)還在保留「直覺驅(qū)動」的慣性，就會浪費掉許多增長機會點：你們身邊的業(yè)務(wù)是否不經(jīng)過AB實驗就去判斷一個策略是否應(yīng)該上線？是否有算法團(tuán)隊半年以上一直在圍繞有限幾個指標(biāo)來預(yù)測和排序，但是未曾用數(shù)據(jù)證明過這些指標(biāo)對業(yè)務(wù)和用戶體驗的實際價值？又是否發(fā)現(xiàn)每個項目的數(shù)據(jù)看起來都不錯，但是公司全局卻沒有增長？——當(dāng)身邊的業(yè)務(wù)出現(xiàn)以上現(xiàn)象，就很可能沒有利用好分析的資源來催化自身業(yè)務(wù)的增長。無論對錯，當(dāng)下許多互聯(lián)網(wǎng)企業(yè)是采用OKR體系做自上而下的目標(biāo)拆解的。一個業(yè)務(wù)線的OKR里面的的「O」通常就是業(yè)務(wù)的KPI，在這個體系下，不論是算法、運營、產(chǎn)品、還是分析，日常的項目都可以概括成「通過策略來提升KPI」的過程。同時，策略的制定于直覺與客觀事實（數(shù)據(jù)）兩個方面，只有輕重多寡之分，「直覺驅(qū)動」更依賴經(jīng)驗判斷，「數(shù)據(jù)驅(qū)動」更多基于客觀事實反推決策。因此，一個業(yè)務(wù)當(dāng)下的策略應(yīng)該更多依賴直覺還是數(shù)據(jù)就需要看清過往一段時間「直覺驅(qū)動」與「數(shù)據(jù)驅(qū)動」策略哪個提升KPI的成功率是最高的。業(yè)務(wù)開展早期，「直覺驅(qū)動」成功率更高，可能也是僅有的方案。但是隨著業(yè)務(wù)發(fā)展，好的直覺會被逐漸窮盡，業(yè)務(wù)增長進(jìn)入瓶頸期的時候，「數(shù)據(jù)驅(qū)動」的價值就會越來越大。分析師是誰？做什么？產(chǎn)出的價值？

「宋世君：我們談?wù)劇癉S是誰”.用心理學(xué)的術(shù)語,這個其實是DS的“本我”。我們是一群在相關(guān)量化領(lǐng)域受過專業(yè)的訓(xùn)練,并且希望應(yīng)用自己的量化能力,在數(shù)據(jù)中挖掘?qū)I(yè)務(wù)有用的信息,并且通過這些信息為業(yè)務(wù)發(fā)展提供助力但是同時又保持?jǐn)?shù)據(jù)的中立性的人。......，從個體的角度,這也意味著我們看待DS并不是看這個人的學(xué)術(shù)專業(yè),而是看這個人的動機和意愿。公司里跟數(shù)據(jù)有關(guān)的職能是多樣的,有些是把數(shù)據(jù)作為拿到業(yè)務(wù)結(jié)果的抓手,要對業(yè)務(wù)結(jié)果負(fù)責(zé),這些是數(shù)據(jù)運營.有些是把數(shù)據(jù)作為研發(fā)的對象,對跟數(shù)據(jù)相關(guān)的這些產(chǎn)品負(fù)責(zé),這些是工程研發(fā).有些是基于數(shù)據(jù)做實時地在線實現(xiàn),這些是算法工程師的工作.這些都是我們的合作伙伴,但是我們又有我們自己的定位,跟這些都不同.我們應(yīng)該為我們工作的中立性和科學(xué)性負(fù)責(zé).我們需要有業(yè)務(wù)的思想,但是我們并不是要做業(yè)務(wù)本身,我們希望做業(yè)務(wù)發(fā)展的催化劑?！刮曳浅ＵJ(rèn)同世君老師上面這段話對分析師的定義。分析師需要兼?zhèn)涠磕芰蜆I(yè)務(wù)思維，在保證科學(xué)性與中立性的前提下，通過定量手段（數(shù)據(jù)驅(qū)動）來補足直覺驅(qū)動的短板?！钢庇X驅(qū)動」的短板可以分為以下四類：看不清自己的用戶是誰、有什么行為，體驗如何「=拿不準(zhǔn)用戶」；將頂層KPI拆解成若干抓手和子目標(biāo)的時候，并不明確這些抓手和目標(biāo)事實上是否可以提升KPI，或者哪些抓手與目標(biāo)更加有效「=打法不清晰」；難以評估策略對用戶與KPI的影響「=算不準(zhǔn)影響」；不知道業(yè)務(wù)健康度如何以及當(dāng)下要采取的行動「=看不清現(xiàn)狀」。補足短板的具體解決過程體現(xiàn)了分析師日常在做的事情以及數(shù)據(jù)分析的價值：「拿不準(zhǔn)用戶」：當(dāng)直覺不能很好契合用戶訴求的時候，對用戶畫像細(xì)分、行為軌跡分析、流程轉(zhuǎn)化等分析可以幫助業(yè)務(wù)更了解用戶：他們是誰，喜歡什么，什么環(huán)節(jié)體驗不好，什么訴求尚未滿足；

「打法不清晰」：通常業(yè)務(wù)完成某個KPI可以用到的抓手非常多，比如，內(nèi)容平臺的終極目標(biāo)之一是用戶留存，同時提升留存的抓手有很多，例如CTR、贊讀比、訪問時長、公域私域相互導(dǎo)流等。直覺并沒有辦法有效判斷這些抓手哪個在當(dāng)下最可能把留存提升上去，這時候，基于數(shù)據(jù)的觀測性研究可以估算抓手與KPI之間的關(guān)系強弱，輔助業(yè)務(wù)排布各個項目優(yōu)先級。

「算不準(zhǔn)影響」：直覺無法策略一個策略對用戶的影響，實驗分析是高效評估策略影響的解決方案，AB測試可以幫助業(yè)務(wù)看清每個策略對各個細(xì)分人群體驗的影響并持續(xù)小步向前迭代；

「看不清現(xiàn)狀」：當(dāng)大盤指標(biāo)異常波動的時候，異動歸因分析相比直覺是更加科學(xué)高效的方法來定位指標(biāo)波動原因并提出解決方案。業(yè)務(wù)不同階段下數(shù)據(jù)分析的發(fā)力點與交付良性的業(yè)務(wù)發(fā)展通常要經(jīng)歷從直覺驅(qū)動到數(shù)據(jù)驅(qū)動的過程，本節(jié)進(jìn)一步展開這個過程并討論不同發(fā)展階段的業(yè)務(wù)特點與痛點，以及這個階段數(shù)據(jù)驅(qū)動業(yè)務(wù)的打法。這里采用NoriakiKano的KANO需求模型將數(shù)據(jù)分析需求分成三類：基本型需求：分析師必須具備的能力與交付，是分析師做事情的行為底線?；拘托枨笸瓿刹缓玫臅r候，再多的錦上添花也是徒勞，也會直接失去業(yè)務(wù)方的信任；期望型需求：一般業(yè)務(wù)與分析師正式拉會所討論的項目與預(yù)期就在期望型需求的范圍，這部分需求完成的越及時或者越多，業(yè)務(wù)方對數(shù)據(jù)分析的評價也會越高；驚喜型需求：主動分析，跳出業(yè)務(wù)的思考框架，數(shù)據(jù)分析產(chǎn)生的洞見幫助業(yè)務(wù)解決困惑，發(fā)現(xiàn)戰(zhàn)略機遇，或者數(shù)據(jù)所提供的策略幫助業(yè)務(wù)完成難以達(dá)成的目標(biāo)，就是驚喜性需求。驚喜性需求沒有被滿足業(yè)務(wù)不會不滿，一旦被滿足的時候業(yè)務(wù)的滿意度是非常高的；第一階段：從零到一，直覺驅(qū)動業(yè)務(wù)野蠻生長業(yè)務(wù)開展早期通?？梢酝ㄟ^學(xué)習(xí)頭部競品的成功經(jīng)驗快速獲得大規(guī)模的業(yè)務(wù)增長，同時，產(chǎn)品運營同學(xué)也很容易在業(yè)務(wù)早期的雛形中憑直覺找到增長抓手。雖然從0到1的開展業(yè)務(wù)是非常辛苦的，但是單從獲得業(yè)務(wù)增長而言，這卻是最輕松的第一階段，第一階段的典型特點就是：從零到一，直覺以較高的成功率驅(qū)動業(yè)務(wù)早期的野蠻生長。數(shù)據(jù)分析在這個階段會跑在后面緊跟，業(yè)務(wù)在第一階段對數(shù)據(jù)的需求就是T+1準(zhǔn)確反映業(yè)務(wù)OKR指標(biāo)表現(xiàn)，分析師及時做好BI角色支持，不要在業(yè)務(wù)需要臨時看數(shù)據(jù)的時候連現(xiàn)成的sql都沒有備好：基本型需求：埋點、OKR指標(biāo)口徑與常用sql、數(shù)倉明細(xì)表；期望型需求：業(yè)務(wù)日報（OSM），每天早上盯住關(guān)鍵指標(biāo)并及時報備異常波動；用戶生命旅程數(shù)據(jù)刻畫（UJM）驚喜型需求：通過描述性統(tǒng)計幫助產(chǎn)品找到發(fā)力點：用戶屬性、行為研究幫助產(chǎn)品看清各個模塊與內(nèi)容上面的用戶密度；產(chǎn)品漏斗轉(zhuǎn)化率分析幫助業(yè)務(wù)看清產(chǎn)品各環(huán)節(jié)表現(xiàn)，找到轉(zhuǎn)化瓶頸并重點改善體驗。比對分析競品該業(yè)務(wù)早期的關(guān)鍵指標(biāo)數(shù)據(jù)，大致判斷目前的增長速度是否足夠快，空間還有多大。第二階段：增長放緩，實驗評估助力業(yè)務(wù)小步迭代第一階段臨界終點的時候，直覺依然可以找到大量改進(jìn)措施，但是從大盤指標(biāo)上可以看出業(yè)務(wù)增長放緩甚至橫盤。這時業(yè)務(wù)就進(jìn)入了第二階段，這個時期顯著影響大盤指標(biāo)的策略會越來越少，很難通過上線前后大盤數(shù)據(jù)對比來判定業(yè)務(wù)動作的好壞：投石問路的過程中業(yè)務(wù)最怕的是聽不清石頭落地的聲音，因此分析師在這個階段為業(yè)務(wù)提供的關(guān)鍵價值就是引入實驗機制，以AB測試為典型的統(tǒng)計方法可以精確、科學(xué)的度量每個實驗的微弱效應(yīng)，幫助業(yè)務(wù)在投石問路過程中「聽到」方向。實驗機制是業(yè)務(wù)第二階段的高效解決方案的另外一個原因是，實驗可以對線上同時運行的多個策略帶來的影響分別進(jìn)行準(zhǔn)確估算，因此實驗機制在速度和精度上都全面超越原始的事前事后對比法。在這個階段，分析師需要充分發(fā)揮統(tǒng)計專業(yè)能力，做好實驗方法咨詢的角色并積極推進(jìn)技術(shù)、業(yè)務(wù)部門之間協(xié)作打通實驗平臺：基本型需求：實驗分析支持為業(yè)務(wù)方提供統(tǒng)計專業(yè)咨詢，e.g.實驗設(shè)計，AB數(shù)據(jù)含義，統(tǒng)計指標(biāo)的計算口徑期望型需求：聯(lián)動業(yè)務(wù)、后端、前端開發(fā)、BI協(xié)同搭建實驗平臺平臺可以并行線上實驗同時可以自動化處理實驗分流不均、檢驗指標(biāo)顯著性向業(yè)務(wù)普及AB方法與對業(yè)務(wù)的價值，出具實驗分析白皮書強化業(yè)務(wù)對實驗的信任驚喜型需求：將實驗分析報告模板化，賦能業(yè)務(wù)在脫離分析師資源的情況下自主完成實驗設(shè)計與分析報告維護(hù)業(yè)務(wù)上下線的實驗明細(xì)日志，包含實驗ID、業(yè)務(wù)策略、影響、上下線時間、上下線理由，季度性提供給業(yè)務(wù)去復(fù)盤總結(jié)第三階段：增長遇到瓶頸，數(shù)據(jù)驅(qū)動業(yè)務(wù)找到新目標(biāo)體系與增長發(fā)力點與第二階段不同，在第三階段開始的時候，策略的成功率與影響程度都大幅降低。這個階段，產(chǎn)品和運營側(cè)好的直覺基本被窮盡，算法側(cè)已經(jīng)把特征體系和技術(shù)選型迭代到了相對完備復(fù)雜的水平，再想提升預(yù)測精度是非常困難的，便開始頻繁出現(xiàn)實驗結(jié)果不顯著或者負(fù)向的業(yè)務(wù)策略，業(yè)務(wù)增長正式進(jìn)入橫盤階段。在業(yè)務(wù)缺少方向感的時候，數(shù)據(jù)驅(qū)動業(yè)務(wù)方向的選擇就越來越被重視。分析師的話語權(quán)也開始變大，畢竟到了第三個階段產(chǎn)品運營與算法團(tuán)隊初步具備了一定規(guī)模，不增長的后果是很難想象的。因此，分析師一定在這個階段有業(yè)務(wù)主人翁的意識，開始深度思考業(yè)務(wù)問題并主動提出需要數(shù)據(jù)分析的問題。有必要強調(diào)的是，分析師在這個階段要主動思考和分析，不能被動響應(yīng)業(yè)務(wù)需求；不要妄想去證實業(yè)務(wù)這個階段的直覺是不是對的，而要站在更加全局的層面去思考業(yè)務(wù)發(fā)展的關(guān)鍵問題是什么；不要再沉浸在實驗方法的優(yōu)化上面，而要開始頻繁旁聽業(yè)務(wù)討論會，重點體會業(yè)務(wù)高層在會上提出來的問題以及流露出來的困惑點。這些對于分析師找到需要分析的關(guān)鍵問題是非常重要的，也是分析師在這個階段產(chǎn)生影響的第一步。對于增長而言，第三階段也許最為重要的指標(biāo)就是用戶留存率。用戶增量=新用戶+沉默召回用戶+活躍用戶*留存率，業(yè)務(wù)早期的增長可以通過業(yè)務(wù)之間導(dǎo)流與拉新來完成，當(dāng)業(yè)務(wù)成熟后，提升存量活躍用戶的留存是最為經(jīng)濟(jì)的手段。不過實際上，每個業(yè)務(wù)策略、項目、或者算法模型的目標(biāo)與留存提升之間通常是靠直覺強行連接起來的，不夠，目標(biāo)是否有可能錯了？能夠有效提升留存的目標(biāo)應(yīng)該是什么？這就是分析師要在第三階段試圖用數(shù)據(jù)來回答的關(guān)鍵問題。當(dāng)初筆者剛接觸一個做社區(qū)內(nèi)容平臺的業(yè)務(wù)時，該業(yè)務(wù)快半年內(nèi)的所有算法和業(yè)務(wù)策略都沒有任何提升用戶留存的跡象，分析團(tuán)隊在梳理這塊業(yè)務(wù)時候發(fā)現(xiàn)業(yè)務(wù)和算法都在用CTR、贊讀比、收藏讀比等有限幾個指標(biāo)來衡量用戶的閱讀體驗并做排序。分析師基于DID建模分析發(fā)現(xiàn)當(dāng)時大盤用戶里面留存提升的群體通常伴隨著上一期深度閱讀量與CTR的顯著提升，而贊讀比、收藏讀比與留存的相關(guān)性并不高。問題是，業(yè)務(wù)過高估計了贊讀比、收藏讀比的價值，并在排序的時候沒有考慮內(nèi)容被深度閱讀的概率高低。團(tuán)隊后續(xù)推進(jìn)了一系列的策略建議：我們首先大幅提高了CTR的排序權(quán)重，這個簡單的策略就打破了長達(dá)半年來業(yè)務(wù)留存率無法提升的困境；團(tuán)隊進(jìn)一步在排序目標(biāo)里面引入深度閱讀概率、平均閱讀速度等與留存關(guān)聯(lián)性最強的指標(biāo)，并設(shè)計了多目標(biāo)融合的公式，這個新目標(biāo)（公式）成為了算法、產(chǎn)品運營的新業(yè)務(wù)目標(biāo)，并帶來了新一輪的留存增長，業(yè)務(wù)順利走過了第三個階段的增長瓶頸期。平臺的終極目標(biāo)是流量、利潤，這個頂層目標(biāo)會在OKR體系下被拆解成二級指標(biāo)，三級指標(biāo)等子目標(biāo)。無論是業(yè)務(wù)策略還是具體算法，它們都在直接影響一個子目標(biāo)（e.g.價格，CTR，時效性），無論他們在完成這個子目標(biāo)的時候多么數(shù)據(jù)驅(qū)動，通常都在基于直覺假設(shè)他們的子目標(biāo)與公司的終極目標(biāo)是直接掛鉤的。問題是，直覺是會犯錯的，因此才存在業(yè)務(wù)第三階段的瓶頸期，這時也就體現(xiàn)了數(shù)據(jù)驅(qū)動的價值?；拘托枨螅和ㄟ^歷史策略和數(shù)據(jù)開展觀測性研究，通過數(shù)據(jù)估算策略當(dāng)下每個子目標(biāo)對公司頂層指標(biāo)的影響，聯(lián)動業(yè)務(wù)制定并落地新的目標(biāo)和增長方案；期望型需求：積極主動創(chuàng)新，尋找更具增長潛力的新指標(biāo)，納入當(dāng)前業(yè)務(wù)的子目標(biāo)體系，提供子目標(biāo)整合成統(tǒng)一一個目標(biāo)的方案；驚喜型需求：觀測性研究方法工具化，賦能業(yè)務(wù)在脫離分析師資源的情況下自主完成目標(biāo)優(yōu)化。第四階段：數(shù)據(jù)持續(xù)驅(qū)動細(xì)分人群的差異化策略迭代數(shù)據(jù)在第三階段驅(qū)動業(yè)務(wù)增長的同時，業(yè)務(wù)也因此在每次評估策略影響的時候要兼顧更多的用戶體驗指標(biāo)。在此基礎(chǔ)上，業(yè)務(wù)增長到一定規(guī)模之后就要開始承擔(dān)更多全局責(zé)任，開始承擔(dān)孵化新業(yè)務(wù)的角色，這會進(jìn)一步擴(kuò)展業(yè)務(wù)的指標(biāo)體系。走到這個階段的業(yè)務(wù)通常是寸步難行的，因為每走一步都要經(jīng)過互斥、此消彼長的層層指標(biāo)關(guān)卡。在第四個階段，通常是每個策略迭代都伴隨留存不顯著波動但是二級指標(biāo)互有漲跌的現(xiàn)象。糟糕的是，當(dāng)留存等頂層指標(biāo)不變但二級指標(biāo)互有漲跌的時候，數(shù)據(jù)不能給出明確策略上下線的建議，業(yè)務(wù)便又退回到了基于直覺來決策的原始形態(tài)。在這個階段，不夠克制、盲目上新的產(chǎn)品會變得臃腫，給用戶帶來產(chǎn)品功能復(fù)雜冗余的不良體驗。在這個階段，數(shù)據(jù)評估層面需要做系統(tǒng)改善來保障決策的科學(xué)性。實際上很大概率成立的一個事實是：把所有用戶當(dāng)做一個大盤整體來評估用戶體驗是低效且失真的，策略在大盤層面的「表象影響」是細(xì)分用戶群體層面的「實際影響」的累加，而「實際影響」在不同用戶群體之間可能存在顯著差異。下圖內(nèi)容平臺的實驗數(shù)據(jù)就是一個典型：大盤（左）數(shù)據(jù)表現(xiàn)出來的留存不顯著+二級指標(biāo)互漲跌實際上是細(xì)分用戶群體后指標(biāo)普漲、普跌、互漲跌。分析師在這個階段需要在細(xì)分用戶群體粒度整合階段二的實驗?zāi)芰碗A段三的觀測性研究能力，打通數(shù)據(jù)驅(qū)動細(xì)分策略迭代的流程：Step1：基于細(xì)分實驗分析，策略在指標(biāo)普漲用戶群體上線，普跌群體下線；Step2：產(chǎn)品運營與分析師聯(lián)動展開用戶調(diào)研與觀測性研究，針對體驗不良的用戶群體探索新的增長發(fā)力點；Step3：循環(huán)在此基礎(chǔ)上，分析師需要在這個階段打磨到細(xì)分用戶群體的異動歸因分析能力，幫助業(yè)務(wù)及時發(fā)現(xiàn)問題和增長點。異動歸因分析方法建設(shè)是另外一個比較大的話題，有興趣的讀者可以參考《解構(gòu)平臺，一套數(shù)據(jù)驅(qū)動平臺增長與異動歸因的理論與工具》，這篇文章針對異動歸因一個點有更多細(xì)節(jié)上的展開討論。02分析師的工具分析本質(zhì)上是在做什么？分析本質(zhì)上就是在「比較」。好的分析就是一個「數(shù)據(jù)比較->洞見->業(yè)務(wù)優(yōu)化」的過程。洞見離不開「比較」：無論是我們看指標(biāo)走勢，AB差異，同比環(huán)比，或是回歸分析模型中的參數(shù)，這些都是我們「比較」的不同形式。具體來說，數(shù)據(jù)比較于三種分析場景：實驗分析；異動歸因：日報周報解讀，突發(fā)指標(biāo)異動分析；觀測研究：增長抓手分析，未經(jīng)實驗全量上線的策略評估，長期戰(zhàn)略規(guī)劃。AB實驗是在AB兩組之間進(jìn)行比較，異動分析是兩個時間段之間的比較，觀測研究實際上是在分析一個指標(biāo)變化相比不變化對業(yè)務(wù)的潛在影響。比較有兩個要素：1.研究群體和參照群體（Benchmark），2.評估指標(biāo)。比較時所選擇的Benchmark好壞直接影響分析結(jié)論的可信度。舉個例子：「產(chǎn)品轉(zhuǎn)化率是5%，還有提升的空間」就是一種很常見的分析結(jié)論，但是這個結(jié)論本身毫無邏輯，為什么5%是較低的水平？提升轉(zhuǎn)化率的抓手又是什么？這類分析的問題就是沒有找到好的benchmark。相比而言，「產(chǎn)品轉(zhuǎn)化率是5%，我們競品的轉(zhuǎn)化率是8%，我們和競品的主要差異是xx，所以轉(zhuǎn)化率還有提升空間，建議優(yōu)化xx」的可信度就更強，因為分析找到了參照，并且用xx作為輔助評估的指標(biāo)。比較背后的思考體系和AB實驗很類似，新業(yè)務(wù)策略的思考也是個比較的過程，只不過前者基于數(shù)據(jù)，后者則是在直覺中比較。工作中我們最頻繁的基于直覺比較是在制定OKR（Objective~Keyresults）的時候，對于每個KR，我們都在比較：有相比沒有這個KR對于O而言是好是壞。依照這個邏輯來講，分析的價值在于分析可以提供直覺所欠缺的O與KR之間的「定量關(guān)系」。我自己的經(jīng)驗是，把業(yè)務(wù)的訴求翻譯成OKR的框架里面可以幫助我快速找到分析思路。一方面業(yè)務(wù)一般都是在面向一個具體的目標(biāo)談有待數(shù)據(jù)驗證的策略思路，帶入OKR框架成功率較高，另一方面解O與KR之間的「定量關(guān)系」的統(tǒng)計方法已經(jīng)有一套完整的體系，這個后面我會再提及?？偨Y(jié)下，在對接一個業(yè)務(wù)需求的時候，分析師一定要搞清楚：1.這個需求圍繞的業(yè)務(wù)目標(biāo)（O）是什么，什么指標(biāo)去量化O？2.業(yè)務(wù)聊的核心用戶群體是誰，什么維度可以量化這些細(xì)分用戶群體？3.潛在的抓手（KR）有什么，業(yè)務(wù)提到了哪些，我們又可以舉一反三出來哪些？在這些問題搞清楚之前，先不要動SQL或者建模方法。不難看出，分析的一個核心基礎(chǔ)能力就是一套健全的畫像、指標(biāo)體系?；A(chǔ)：維度、指標(biāo)體系無論是哪種場景，「比較」都要具象化到實際業(yè)務(wù)場景才能提出可落地的業(yè)務(wù)洞見，而具象化的分析依賴一個關(guān)鍵工具：畫像體系與業(yè)務(wù)指標(biāo)體系。這個體系對業(yè)務(wù)的還原度越高，分析質(zhì)量也越高，因此分析師團(tuán)隊要不斷去「養(yǎng)」自己業(yè)務(wù)的畫像指標(biāo)體系。最直接「養(yǎng)」畫像與指標(biāo)體系的機制就是不斷去用，每次應(yīng)用所發(fā)現(xiàn)的問題持續(xù)小步迭代解決。指標(biāo)、畫像體系建設(shè)的責(zé)任要落實到個人，整合團(tuán)隊業(yè)務(wù)分析師的畫像與指標(biāo)口徑，持續(xù)優(yōu)化體系的完備性可用性，并推動工作成果在業(yè)務(wù)分析、實驗平臺、業(yè)務(wù)運營平臺上落地應(yīng)用。互聯(lián)網(wǎng)業(yè)務(wù)通常屬于多邊平臺模式，完備的多邊平臺畫像需要包含供需+場景的刻畫：需求畫像：用戶demographic，訴求歸類（產(chǎn)品=訴求），用戶行為、興趣分類；供給畫像：供給形態(tài)、、品類、時效；場景畫像：時空，供求關(guān)系，競爭，大盤等外生因素刻畫。多邊平臺的業(yè)務(wù)指標(biāo)體系在描述業(yè)務(wù)健康度，平臺增長要么是拉動供需規(guī)模要么是增加匹配效率，因此業(yè)務(wù)指標(biāo)體系包含以下三類：供需結(jié)構(gòu)指標(biāo)：按照需求+供給畫像細(xì)分后的用戶數(shù)、供給分發(fā)規(guī)模；

匹配效率指標(biāo)：供給分發(fā)轉(zhuǎn)化率e.g.CTR、ETA、成交率、交互率...；

體驗結(jié)果指標(biāo)：用戶留存，人均消費與瀏覽時長；畫像與業(yè)務(wù)指標(biāo)設(shè)計最考驗分析師的業(yè)務(wù)理解程度，平時多留意資深一些的業(yè)務(wù)如何討論用戶和供給，會啟發(fā)分析師優(yōu)化口徑的設(shè)計。在知乎遇見過一些糟糕的畫像，例如一個刻畫用戶頻次的維度竟然聚類出來六層，然而每一層都沒有明確的業(yè)務(wù)含義；另一個維度直接按照高頻、中低頻、新、沉默召回來切割用戶，簡單、業(yè)務(wù)意義清晰，業(yè)務(wù)方自然會去用后者來看數(shù)據(jù)。或許在知乎見識過的最棒的用戶畫像，先將用戶需求抽象成「看熱鬧」「長見識」「找解答」「來創(chuàng)作」四個大類，然后基于用戶的行為鏈條來往這四類里面歸，理解業(yè)務(wù)先于制定口徑與技術(shù)選型，畫像的應(yīng)用價值與空間自然更加寬廣，統(tǒng)計方法產(chǎn)生的價值也越大。03未來分析師所處的環(huán)境幾年前我還是一名算法工程師，跳到阿里剛開始的時候很不習(xí)慣，因為許多日常人肉要做的工作都被數(shù)據(jù)和算法平臺解決了，不夸張的講，那時許多產(chǎn)品運營