CDA Level-II 课程导读

CDA > 课程笔记 > Chap0-课程导读

来源: CDA level 2 级课堂笔记

数据基本概念

引言

感知型企业与数据应用系统的演进

• 敏捷分析平台（BI）
• 行为数据平台（数据挖掘）
• 协同思维平台（数据驱动业务）
• 分析应用平台（数据中台）
• 自主决策平台（职能平台）

EDIT 数字化模型

1. 业务运行探索（Exploration）
   1. 业务宏观分析
   2. 指标突然下降
2. 问题根因诊断（Diagnsis）
   1. 宏观分析/微观分析
   2. 内外部原因
3. 业务策略指导（Instruction）
   1. 根据知识库、策略库、流程模板便捷的制定优化策略
   2. AB 测试
   3. 算法建模
4. 数据算法工具（Tool）
   1. 各类标签库、指标库、流程库，指导业务人员进行洞察以及调阅等

数据分析分类

数据分析的方法

1. 常用报表
2. 即席查询
3. 多维分析
4. 警报
5. 统计分析（以上为描述分析，以下为挖掘阶段）—主要解决根因分析，做统计检验
6. 预报—宏观指标预报
7. 预测型模型—微观个体进行预测
8. 优化—宏观（根据业务进行策略优化）/微观（根据不同个体进行不同策略）

数据分析流程

业务描述性分析流程

1. 业务理解
2. 数据获取
3. 数据处理
4. 数据分析
5. 结果展现

CRISP-DM 方法论（根因分析、数据挖掘）

1. 业务理解
2. 数据理解
3. 数据准备
4. 建模
5. 模型评估
6. 模型发布

SEMMA 方法论

1. 定义业务问题
2. 环境评估
3. 数据准备
4. 循环往复的挖掘过程（探索-抽样-评估-建模-修改）
5. 上线发布
6. 检视

探索-抽样-评估-建模-修改（SEMMA）

• 抽样（sample）：数据分为训练和测视集；由于变量取值过少，采取过采样技术，使损失率到 5%
• 探索（explorer）：单变量探索为修改提供指导；双变量探索发现关系
• 修改（modify）：异常点和缺失值的补缺；分类型变量采用基于分布方法；区间型变量采用 Ander`s Wave；关键变量进行规范化，考虑偏峰度便于建模
• 建模（model）：神经网络；逻辑回归；CHAID 式决策树
• 评估（assess）：通过验证集进行结果评估；发现神经网络进行流失预测最精准

不同角色在 EDIT 中的分布

• 探索 E–业务数据分析师
• 诊断 D（根因分析）–业务数据分析师
• 指导 I–建模分析师
• 工具 T–建模分析师
• 数据能力统筹、建设–数据科学家

数据化指标体系

1. 是什么？
   • 定义、数值（范围；波动性、动态/静态）
2. 从哪来？
   • 直接定义
   • 间接计算/筛选
3. 怎么用？
   • 场景、业务话题

数据化指标概述

合适的角度

对数据的需求形式（包括信息量、颗粒度以及呈现方式）都有所不同。因此实际情况中通过多层级方式进行展示。

• 管理层（有代表性、核心突出、波动性强）
  整体化数据，当前 kpi 达成情况、不同团队排名，重点关注和预警的问题。

  • 概况
  • 核心
  • 信息点突出

• 运营团队
  整体和细分数据，不同时间点的变动情况（特别是关键节点，如产品上下线、活动前后、重大舆情等）

  • 钻取式数据
  • 逻辑
  • 有层次感

• 一线团队
  详细到团队及个人的数据，可以拆解到具体行动层面。

  • 详细
  • 及时
  • 可操作性

合适的维度与对标

数据是流动的，有对比才有发现。

• 合适的维度：结果维度与操作维度
  客单价 转化率 交易量 渠道 种类 平台
• 横向对比：同一时间点，不同样本
  变现 时间段 竞争力
• 纵向对比：同一样本，不同时间点
  变化 时间线 发展性

获客类指标体系

数据驱动获客

• 客户从哪儿来（接触）
  流量 费用 费效比
• 能不能留得住（购买转化）
  质量 成长性 成长周期

常用获客指标

• 收入
• 成本
• 时效

客户价值（净收入）= 产品收入-业务费用-营运费用

业务费用

• 获客费用
  1. 商业渠道：不同月份用户的成本差异
  2. 用户推荐：推荐人和被推荐人的成本分离
  3. 其他渠道：预算/新客数
• 促销费用
  1. 活动成本：直接、间接
  2. 补贴：奖励券（去复算）
• 支付费用
  1. 充值取现
  2. 支付费率
• 其他费用
  1. 摊销法：摊销主体确认

收入注重构成

• 客户：新/老客户
• 产品：
  • 高效产品驱动型（利润高；产品质量）
  • 引流产品驱动型（薄利；羊毛党）
  • 均衡贡献型（引流、高效；密切）
  • 活动驱动型（活动导向、价格敏感；关注）

客户的成长性不同

• 成长价值：成长时间、成长天花板

营销类指标体系

客户购买力提升：价值提升、潜在流失客户激活、拉新作用（宣传）

精准营销

• 合适的客户
  • 那些客户会买？（意愿）
  • 会买的能买多少？（能力）
• 合适的产品
  • 消费
• 恰当的时机
  • 促销沟通的时间
  • 促销时间段选择

常用营销指标：产品

促销活动热度曲线（浏览、点击、咨询、搜索、新闻报道、微博、抖音、领券）

• 响应率/衰减周期（热度）
  反馈/兴趣
• 命中率/覆盖率
  产品与客户之间匹配度
  命中率衡量合适的产品
  覆盖率衡量合适的客户
• 销售额提升度：效果
  • 有无其他影响因素（周期性、淡旺季）
  • 费效比
• 参与集中度
  辅助判断效果

常用营销指标：时机

1. 告知客户的时机（数据分析）
2. 留给客户购买的时间（经验判断）

• 推送时间（因人而异）
• 推送方式（因人而异）
• 沟通时长（因产品复杂度/价格而异）
• 跟踪时长（因产品复杂度/价格而异）

常用营销指标：效果评估（结果维度）

• 直接效果
  • 组合推荐通过客户购买（单品购买、多品购买）命中率衡量组合是否合适
• 间接效果
  • 活动增加的销售额（时间维度下活动/非活动销售额对比）
• AB 测试
  • 测试组和对照组对比

预警类指标体系

流失预警

• 客户流失 ≠ 业绩流失
• 客户什么时候做选择（时间）
• 让客户少做选择（流程）

问题的特点

快速的拉客增长可能会掩盖老客户的流失增长

1. 选择时间点 ≠ 想离开的时间点
2. 新客增加 VS 老客流失

常用流失预警指标

• 高频行业（外卖、共享单车）
  • 交易类指标：交易额、交易次数、客单价
• 低频行业（投资/理财、奢侈品、电器、电子产品）
  • 指标比较：横向（同类客群）、纵向（边际交易额变动）
  • 反馈类指标：活动响应率、电话接通率、社群反馈、登录/浏览

常用流失预警指标：挽回可行性

• 是否有联系：余额、高额促销、未清空购买清单
• 时间：呆滞时间、资金交互时间、集中度

案例：客户流失潜伏期识别

• 图表展现：有规律的模式才是有意义的
  • 客户行为模式曲线：流失潜伏研究的是 3-9 个月的客户（登录、购买等行为情况）
  • 提取曲线的相似因子：识别异常（偏离）、总结特征（波动/突兀消费）
  • 突发事件的预测：定时防守、社群防守

产品类指标体系

产品特征

收集容易、标签较少

• 期限特征
  • 短/中/长
  • 固定开放窗口/非固定开放窗口
• 门槛特征
  • 引流产品
  • 盈利产品
  • 过渡产品
• 现有产品重合度
  • 互补产品
  • 强势产品
  • 试验产品

案例：客户覆盖率及产品线竞争力分析

百分比堆积面积图展现

• 产品 VS 客户覆盖率
• 客户消费稳定性：金额、频次、波动性
• 产品同质性：共有客户重叠率、新增增长率（客户来源判断）

案例：产品上下架业务影响预测

• 产品间转化：多使用面积图/饼图
• 客户群体变化：多使用漏斗图

运营指标体系设计

注意事项

• 数据不足的地方：概率化的定性分析（人为补充）
• 数据过多的地方：分层定量（逻辑拆分）
• 视角转化：指标的加减乘除
• 波动率监控：波动太大或者太小都不是好指标（太大灵敏度过高）

指标展示

监控类指标设定

• 指标名称
• 数值
• 异常程度
• 主要异常因子
• 可能原因
• 关闭提醒

报表元素

1. 第一部分 → 说明：数据来源/模型说明/定义阐释
2. 第二部分 → 并列（不同主体）/总分（群体）
3. 第三部分 → 结论（可有可无）

指标与图表的组合

• 理解指标
  • 直接型指标（现状）
  • 间接型指标（公式拆解）
  • 原因型指标（过程指标；群体对比）
  • 预测型指标（结果指标；命中率 → 预测型）
• 理解图表
  • 分布型图表（面积图、折线图）
  • 特征型图表（条形图）
  • 差异性图表（多元折线图、多组条形图）
  • 信息型图表（蜘蛛图）

汇总与明细的平衡

• 汇总数据
  • 绝对值同样重要
  • 横向对比 VS 纵向对比（相对）
  • 区分同比和环比（季节性；新业务）
  • 识别明显差异（下钻追因）
• 明细数据
  • 验证式信息（支持备查）
  • 补充式信息