神策数据分析大会实战分享：七大企业数据应用实操经验——下午纪要
来自七个公司的数据应用实战分享—神策数据分析交流会议笔记-下午版
https://mp.weixin.qq.com/s?__biz=MzI1MzE2MTQ2OQ==&mid=2247483674&idx=1&sn=793e7c0ef98e5d95bcdd32a7a74b8e89&chksm=e9d9fb88deae729ec568c1e2d3611e36d66e676f92b0392c792988d4dde8a017b7713a1eb518&mpshare=1&scene=1&srcid=1009nhc2XyOPhnCcKOpdKPoB&pass_ticket=0QfuDB3mfal0fmTjkDrIbmn4wvlb%2FrkFlGCDOMKGFMwTxbM%2BrGl4LL80D6eB05zj#rd
如上一篇一样，如果想要当天的PPt可以联系我。不过毕竟我在上班，建议大家还是可以直接去关注神策的公众号，他们会不断的推出相关信息。
另外，实际上当天的嘉宾都讲了数据埋点，数据系统架构、逻辑梳理等等知识，但是我这里只记录了我感兴趣的，也就是偏业务分析的部分。
见目录：
下午的实在是太长了，我自己整理了整整一天。整理别人的讲座可能会有一些不是很顺畅，因为毕竟一个观点，我可能自己写要用一大篇文章，但是记录别人的，就记成四五句话了，会带来一些理解上的问题。可以找我沟通。
一、 移动视频数据驱动实战分享—秒拍 陈太锋
一下科技很牛逼，有秒拍、一直播、小咖秀。而且我去听的那周，我们刚在一直播上做了个直播活动，老板的分享干货也很多。
数据应用：
每一个新商业模式的兴起，都会带来很多数据的深度应用。
舆情分析：通过对微博的舆情分析找到潜在热点和风险，应用到视频领域；
内容审核：用大数据的图像识别技术识别一些视频。
2.直播的高变现率。
讲的时候我根本没注意这个数据，一个业务数据嘛，直到……
上周闺蜜聚会，有一个闺蜜去陌陌的直播做运营，强拉着我们要直播，于是我们几个并无任何梳妆打扮、穿着运动服就对着镜头说自己马上去打羽毛球了，打完后就去吃大餐。
就酱。
当时她就收到了打赏，超过了我在知乎上辛辛苦苦的写专栏的累计所得 （泪奔）。
这个事情给了我很大的震撼，再回头来看这个数据，才能够明白，这个数据背后意味着多少钱。
想一想电商行业的苦逼，知识变现行业的探索，拥有海量用户但是就是没挣到太多钱的工具类APP（墨迹天气等），这个付费转化率真是太恐怖了。
她说，你打赏别人礼物的时候，感觉特别好，别人打赏你礼物的时候，感觉也特别好~
所以实际上我更关注付费的分析：场景、气氛、话题、人群、打赏的容易程度，到底是怎么样作用在一起，促进成这么高的付费转化率的。
所以我们做数据的人，要经常的跑一线。数据的过程出现在你面前的时候，你才能够意识到数据背后的细节和背景，才能更好的分析和应用。
各环节指标优化：
接下来讲了公司运转中的渠道、市场、产品、运营等各种指标，这个我就不赘述了，自己去看ppt吧。只记录下对我自己很有用的几个指标和优化案例。
视频播放指标：
主要看广告加载速度和广告品质，包括：
l IV（播放数），指在一个统计周期内，视频被打开的次数。
l VV，是指在一个统计周期内，视频被播放的次数之和。
l CV，视频被真正播放的数据，除去广告。
l VV影响前贴片广告，CV影响后贴片广告。
主要看CV。
还有一个新的指标：有效播放。指有效内容播放超过3s。对内容的监控要求更高。
渠道指标：
渠道质量：水很深，不同渠道的引流会刷次日留存、7日留存、30日留存等这些比较重要的指标，所以反而要看3日、4日留存这种不容易被刷的，才能看出真相。
留存率：
留存率是关键核心路径的数据，要通过对节点的监控进行优化。
案例：一直播的用户实名验证，是重要节点。最开始：拍身份证的正反面、输入身份证、手机号，80%的用户提交数据是无效的，都是随便拍一张照片。
修改：引入人脸识别，跟*部的系统链接，调出身份证照片，再让用户拍一个小视频，跟身份证对比。成功率95%以上。
案例：最开始让用户选一个封面图，才能开始直播。影响20%-30%。把这一步去掉，选择用户头像、截图视频的画面，或者让用户选一张好看的图片，等等代替。
注：头条号和微信号现在都是这么干的了。
注：留存率和平均停留时长是比较重要的指标，几个嘉宾都重点提到了。
播放失败率优化：
有些数据在小咖秀播放非常高，在秒拍非常低。通过微博的UID做了关联分析。找到对应的设备、所在的地区，做了分析。
用户分群分析：
ios、安卓内容兴趣点不同，东三省是直播的大户，地域兴趣点也很不一样。
同一用户在新浪微博和一直播的兴趣点也不同。
注：设备分析、地域分析和平台分析。
数据观点汇总：
数据分析是一种能力，而不是一种岗位。（这句话是真理）
要求：专业：懂得基本的术语、方法论。
敬业：数据是公司的重要资产。
思考：要有自己的思想，而不是套用方法论。
举一反三：要针对问题考虑到可能带来的问题。
表达：漂亮的数据报告，ppt，每个季度都要做一个。
二、 移动出行数据实战—车来了
1、可视化：这是70个人，如果分别用大巴、自行车和轿车，占用路上的空间。看完决定以后要多坐地铁。
这个哥们开启了大实话模式：
用数据也有性价比，用数据解决适合数据解决的事。埋点、数据清洗是有代价的。
如果一个功能改动小，还要考虑数据前后对比、样本性、时间长度、有效性；
如果不适合数据解决，就要靠产品直觉、用户沟通、用户反馈等；不是任何时候都需要看数据。
数据使用场景：
列表排序模式：在一个列表中，怎么把用户感兴趣的推上去：1、把用户常用线路推上去，减少用户查询行为，2、对用户查询的内容做时间衰减等。通过这些手段，优化了列表排序，减少了用户查询的成本。最后用户在搜索中查询的，确实只剩一些是不常用的路线。
说真的，这个业务我不太了解，就没记录太多。
三、 通用saas产品如何实现数据驱动：一起写
一起写是一个服务创业公司的在线办公软件，自己也是一个创业公司。
这个公司带来的案例的意义是，对于他们一个创业公司来说，人员的精力是有成本的，所以他们把花在数据的时间都用于了哪些环节，这些环节就是创业公司的刀刃，是每个创业团队都需要重点关注的。
所以可以减少摸索数据使用的过程。
case1:注册方式的转变带来的数据上升和变动：
最开始是微信。
增加邮箱和手机注册后，注册用户总次数上升。
做了邮箱免验证，邮箱数据上升15%。
把微信注册放到首页上来，微信注册的数据上升20%。
case2:分享模块的易用度；
新用户进来，想分享某个东西的时候，不停在分享框转来转去。所以需要做路径分析。
因为如果用户分享给他人，在邮件、手机没注册的情况下，之前就不做分享和发送，但是现在做了路径分析，对分享功能进行优化后，就成为一个很好的新用户引入率，从而把百度的预算砍了一些。（百度的眼泪/(ㄒoㄒ)/~~）
case3：
美国的用户喜欢空白的东西，中国的用户不喜欢空白的东西，所以专门准备了很多模板。通用模板非常重要，专业的模板也很重要。
注册后，用户激活率低——>提供模板后，用户激活率提高。
case4：尽量降低用户的付费成本：
把付费的页面做的美观；
首页做优惠活动，也会提示到期
综合考量。
Case5：不断尝试，提升付费转化率
一起写是一个对公司的软件，购买时需要给公司的人一起买。
最低购买人数变化：3个人—10个人—5个人，不断尝试，看哪个数值最被用户接受。
四、 餐饮数据驱动营销实战分享：
盈客在线，这家是做餐饮行业会员营销的，所以讲起来思路清晰、理论自成体系、案例丰富，这就是在乙方训练出来的，因为甲方配备这么好的资源和团队。
并且充满了华南人的实在感。
原来80%的工作是整理数据，现在10%的工作量是整理数据，剩下90%是挖掘数据背后的内容。
留存率：这里我看到了对留存率的一个新的用法。
餐饮行业的用户消费频次，并不是频次越高越好，会腻的。
一家店一个人吃四五次就差不多够了。再去就会说：又吃那家，咱能换一家么。所以第6周之后，留存率就降低了。第5周或第6周没去，这个用户就流失了。
所以研究留存率的目的，是为了延长留存次数。能够延长一周或者一次，就可以最大化的提升用户生命价值。
解决办法：
可以在这个时候，做一个唤醒营销。
每个品类的消费频次不一样。看这个品类的流失在哪周，就是消费节点。
把用户划分，对3000元以上的客户，生日前3天打电话，送蛋糕，不管生日在哪过。80%的客户当时决定定你们餐厅。
对不同目的的用户采用不同策略：70%-散客：随便消费，提升他们的频次；20%是随客：陪同吃饭，负责买单，提升他们的回头率。
营销案例—会员日的使用：
2015年，4月、5月比之前下降了30%，所以就做了会员日行为。会员日是一个长期行为，不是短期行为。
会员日当天，数据提升40%。同比去年，提升20%。
客户留存加强。（也是提升留存的一种方法）
优惠券使用：
不同金额的优惠券的回收率：50元券：5.19%，30元，2.56%。33元泡椒田鸡半价券：4.96%，所以33元券效果和50元差不多，为什么不多推33元的呢，这样就可以把成本降下来。
五、 杏树林数据驱动实战
杏树林是一个在线医疗的app，也是一家做事思路很清晰的公司。有以下三个亮点：
埋点规范。
我去面试，会聊到埋点规范这一步，如果面试官毫无兴趣，只是希望我尽快讲用数据实现了多牛逼的功能，那么我就会停止讲下去，扭头就走。
因为这样表示这个团队还没有经过数据的入门步骤，也对数据的坑和成本没有了解，只是寄希望于数据的光环。在大多数情况下，会面临很大的项目失败率。
嗯，这个哥们讲了好半天的埋点规范，可见他们也在这里走了很多路才摸索出来。我个人觉得想跳槽的可以去这里。
强大的需求管理能力
他们竟然真的把产品开发中的每个环节都量化了。
每个功能的对应的留存和流量都很清楚，这样团队对用户的了解和功能优先级很清楚
每次改版的成本和收益都量化了，这样不同部门吵架就很少。
想这样做的公司很多，但是把产品中涉及到的所有功能，都用功能树拆解，从而每一级功能，都可以清楚的出现在图表上。这样的公司还是很少见的。
数据观点：
不是所有的产品迭代都能用数据评估。
要控制不能用数据评估的功能开发。因为不能用数据评估，一定有其原因和风险。——这是我第一次听到这个观点，并深表赞同。
杨楠楠：跃盟科技数据产品经理 微信号：nannany 就职于信息流广告平台公司，从事文本挖掘、用户画像、报表系统等数据产品工作。曾负责过电商公司的搜索、BI系统、流量系统，对数据策略类和数据分析类产品设计都很熟悉。
可以加我的微信号交流，或者加入数据产品经理的群和大家交流。