2.2.3 数据思维的应用示例在线视频

好 这一讲我们一起来看看

数据思维在实际中的应用

我们通过三个例子来了解

第一个例子

是全球卫星定位系统的数据应用

全球卫星定位系统

也就是我们通常所说的GPS

它是最先应用于军事的

在上个世纪80年代

GPS数据开始向公众开放

并投入使用

也带动了一连串的生产

和生活服务创新

从城市服务 汽车导航

精准农业耕种到物流通信等等

GPS可以反映人群的移动轨迹

可以用于优化城市的交通设计

比如

通过采集驾驶员手机的GPS数据

就可以分析出

当前哪些道路正在堵车

哪些道路是畅通的

我们可以依据此

来及时的发布道路的交通提醒

通过采集汽车的GPS位置数据

就可以分析在城市的哪些区域

停车较多

这也代表了该区域

具有较为活跃的人群

这些分析数据可以提供给

广告投放商来盘活数据资产

近期

中国北斗卫星导航系统组网成功

受到了全世界的瞩目

开放是大数据得以存在和发展的

首要条件和本质特征

政府 企业 甚至个人

我们都需要克服封闭和保守的思想

树立数据开放 共享和共赢的意识

数据只有在不断的应用中才能增值

通过各方数据的协同创新

才能产生聚变效应

创造出社会经济价值

第二个例子

是传统零售业的数据应用

2004年

沃尔玛通过分析历史交易数据记录

发现每当季节性飓风来临前

不仅手电筒的销量增加了

而且蛋挞的销量也会增加

沃尔玛作为零售行业的巨头

他们的分析人员

会对每个阶段的销售记录

进行全面的分析

在无意中的这个发现

超市的蛋挞和抵御飓风的物品

竟然销售量会出现同时的增加

于是 他们利用这个关联性

做了一个销售的决策

就是将蛋挞的销售位置

移到了飓风物品

比如说像手电筒的销售区域旁边

来方便顾客进行采购

从而也增加了门店的销量

提高了营业额

第三个例子

是电子商务企业的大数据应用

很多的互联网公司

都成立了专门的大数据部门

比如像阿里巴巴集团

通过对用户的电商 社交 搜索

支付等行为数据的收集

来制定商业决策

并且通过数据来找到创新产品机会

我们以支付宝为例

最初

支付宝是为在线交易的买卖双方

提供信用和担保的一个工具

随着支付宝用户数据的积累和增多

通过分析淘宝用户的支付数据

建立芝麻信用

帮助降低借贷风险

逐渐的在支付宝平台上发展出了

移动支付 余额宝 芝麻信用

花呗等金融服务产品

又通过连接电信 娱乐 公交等

发展出充值服务 电影购票

公交地铁打车等服务

进一步通过连接城市服务

生活服务

医疗健康发展出了缴费 车主

社保 公积金 诊疗挂号等等服务

在满足自己内部决策需要的同时

也给其他的公司进行数据赋能

比如

蚂蚁金服的数据产品芝麻信用

不仅能够为蚂蚁金服内部的

各种经营产品提供信用审核依据

也开放给了很多的行业

比如像出行 金融

共享服务公司等等

极大的提高了

基于信用服务的门槛和便捷性

通过这个例子我们了解到

发挥数据外部性的作用

实现跨界连接和应用的重要性

当我们具备了数据思维后

我们看到的就是一个数据的世界

在这个世界中

一切通过数据衡量之后

就可以进一步的对这些数据的宝藏

进行挖掘

如何运用数据思维

来挖掘实际的价值

我们可以做一个数据思维的小练习

我们用一个小例子来描述一下

如何运用数据思维

以及如何培养自己的数据思维

假设你在某个电商平台的

3C品类部门工作

当你发现过去三个月中

某个品牌的笔记本电脑销量

在稳步的下滑

你该如何运用数据思维去分析

要解决销量下滑的问题

不是直接从解决方案入手

而是一定要先研究问题本身

找到销量下滑的影响因素

也就是症结所在

分析问题的起因

然后再制定解决的办法

训练数据思维 培养数据的敏感度

要从定位问题开始

我们首先进行问题的分解尝试

用公式来分解问题

会让一个复杂的问题变得简单化

所以 当遇到类似问题的时候

我们首先考虑能否将它拆解成公式

销量是等于用户的数量

乘以购买转化率的

如果销量出现了下滑

要么是该产品的用户数量减少了

要么是购买转化率下降了

如果购买转化率不变的情况下

我们就可以进一步分析用户的因素

这里用户是由新用户和老用户

构成的

所以要么是新用户减少了

要么可能是老用户流失了

经过数据比较

我们发现老用户数量

并没有明显的变化

应该是新用户的数量出现了减少

新用户的数量又来源于三个方面

搜索来的用户

推荐来的用户和直接访问过来用户

所以 新用户数量减少的原因

可能是搜索流量的减少

或者推荐流量的减少

或者是直接访问量的减少

接下来

我们就会继续沿着这条路径去分析

三个方面的数据

回到我们最初的问题

你发现在过去的三个月中

某品牌笔记本电脑的销量

出现了稳步的下滑

除了新用户数量减少

其中还有别的什么原因吗

其实 在这里还有两个关键词

一个是过去三个月

还有一个是稳步下滑

要追溯问题的根源

我们可以顺着这两个关键词

进行分析

如果你发现销量是在稳步下滑

而不是突然间的断崖式下滑

这个下滑的幅度需要引起思考

这可能意味着

问题应该不会是由产品的性能

或者是一些外部的负面新闻

导致的原因

因为在那种情况下

销量会出现突然的下滑

或者断崖式的下滑

而不是稳步的下滑

其次 为什么是过去三个月

这个数据周期也值得我们注意

将销量和三个月之前做对比

不一定是一个好的选择

因为笔记本的销量

每个月应该都是不固定的

它会随着一些外部因素变化而变化

通常 我们在做数据的对比时

考虑到一年之中

可能会出现像“双11”这一类的

大促的因素

所以我们往往和上一年的同一时期

来进行对比

以排除季节性的原因

同时 我们还要假设

该品牌销量下滑的背后

是否还会存在一些别的因素

比如

是否所有的其他品牌的笔记本销量

都出现了下滑

还是只有某个特定的品牌

另外 除了本平台

其他电商平台上

该品牌的笔记本销量

是否也遭遇了同样的问题

这时 我们可以用爬虫去获取竞品

或其他平台的公开数据

比如像销量 像用户的评价

这一类相关的数据都可以爬取过来

进行分析

如果其他品牌的笔记本销量

也出现了下滑

可能整个电商渠道都受到影响了

这在很大程度上

可能是源于一些外部的因素

而不是内部的特定原因

反过来

如果其他品牌没有出现销量的

明显下滑

则有可能是该品牌内部原因造成的

又比如

假如其他的电商平台

该品牌的笔记本销量

没有出现明显的变化

只是在本品牌上出现了销量的下滑

这样

我们就能把问题归结到

先前拆解的公式上了

销量是一个

关于用户和转化率的函数

如果销量下滑

说明要么是用户数量变化了

要么是转化率发生了变化

我们再来看看

哪些是我们能够控制的原因

刚才已经说到 新用户的数量减少

我们可以把用户按照来源

进行不同的划分

第一种 是在本平台上

进行内部搜索的用户

又叫内部的搜索流量

第二种是通过搜索引擎

进行外部搜索的用户

我们可以把它叫成外部的搜索流量

第三种是在平台上浏览

并找到目标商品类别的浏览用户

我们可以把它定义成浏览流量

第四种

是直接打开特定商品页面的用户

我们可以把它定义为直接流量

我们的解决思路是

在这些不同的用户类型当中

锁定那些用户数量或者转化率

出现了下滑的类型

比如

如果外部的搜索流量下滑了

那我们可以对

可能造成PR值下降的原因

进行调查

再比如

如果是内部搜索流量下滑了

那可能是因为系统的搜索功能

或购买流程出现了变化

影响了最终的销量

回顾刚才这个例子

我们抓住出现问题的关键词

进行横向和纵向的对比分析

排除外部因素

再对问题进行逐步的拆解

直到找到问题的原因

以上就是我们运用数据思维

来分析问题的基本步骤

大家也可以尝试

用身边的一些例子

独立地做一些练习

数据思维的具体的方法和实践

我们在后面的课程当中

会继续深入的学习

本讲的内容到此结束