你知道嗎？評價一個人是不是 NB，有一個獨特但是客觀的方法，就是利用一個人的微博數據來計算。
一個人的微博資料，關注人的級別，他的訪問設備，被關注人的身份，綜合起來，就是一個人的身份參數。這些參數和一個人的消費能力和品味都息息相關，并且和此人在現實生活中的社會地位高度匹配。
這就是數據的力量。
而這套微博數據挖掘系統，正是孔淼在創新工場時，開發出的一項功能。在當時公司內部的“身份測試”中，這套模型百發百中屢試不爽。
孔淼信仰數據的力量，這也是他建立諸葛IO的重要原因之一。
【孔淼，諸葛IO 創始人】
數據=真理
對于一款 App 來說，最重要的就是“討人喜歡”。
-
攻城獅耗盡心力開發出了某一項功能，發現點擊這項功能的用戶，都是剛剛注冊的新用戶，這說明什么？說明凡是用過這個功能的用戶，都不愿意再點進來。簡單說來，這個新功能就是廢品。
-
同樣，在頁面布局上，某個按鈕被用戶點擊一次之后，就再也沒有興趣進來。這說明你的頁面布局有問題。相反如果一個功能，都是用戶第二次或者第三次來使用，說明這個功能的“回頭客”還是蠻多的。
所有支撐企業改進自己 App 服務的，都是實打實的數據。
講真，獲得單一的數據本身并非難事，難的是，如何把多個數據之間的關系計算出來。大家都知道，不同的優惠政策，會印象用戶的付費意愿。但是， 究竟給多大的優惠粒度，可以得到多少“鐵粉”；把活動的入口，放在一級菜單還是二級菜單能夠增加用戶的“留存度”；什么樣的廣告渠道，可以帶來最忠實的客戶。所有這一切的答案，都不是憑直覺可以得來的。
篤信自己直覺的 CEO，無外乎巫婆神漢。
【用地球上的人來比喻一個產品的用戶生命周期/圖片來自諸葛IO】
當然很多人已經意識到數據的重要性。但是數據本身是浩如煙海的，怎樣找到“刀刃數據”，才是人們關心的。孔淼告訴雷鋒網 (公眾號：雷鋒網) ：
傳統的企業數據分析，一般會采用以下幾個數據：訂單量、BAU（日活躍用戶量）、UV（獨立訪客數）、PV（點擊量）、留存率等等。
但是這些數據很難給人以具體的行為指導。用戶看著這些數據，卻找不到數據量上升或下降的原因，只能干著急。
孔淼說，諸葛 IO 想要提供的，是細粒度的數據，這些數據包括但不限于： 用戶的來源、用戶使用的設備、用戶的每一步點擊詳情、用戶的瀏覽路徑、用戶的重復付費情況、文章的閱讀量、文章的熱度等等等等，以及這些數據經過復雜計算之后呈現的規律。
他相信，這些數據甚至可以指導產品、市場、營銷、技術等不同部門的工作改進。
在產品研發中，有一個 GodenPass（黃金路徑）的概念。就是在產品設計者的假想中，用戶應該按照什么順序，先注意到什么，后點擊什么，這一套完整的路徑。但是在實際使用中，用戶往往會跑偏。經常被一些“無關緊要”的東西分散注意力。這個時候，就需要對“產品在用戶手中究竟發生了什么”有一個完整的把控。
【用戶往往不會按照產品設計者的意圖去行事】
這就是孔淼所謂的“把黑盒分析變成白盒分析”。因為在傳統的數據分析服務中，很多因素都被雜糅在一起，形成了一個數據結果，你根本無法分辨究竟是哪一個數據變化引起了最終的結果。成為“白盒”之后，企業可以站在上帝視角，清楚地看到用戶手里的 App 中究竟在發生什么。
這就像為你打開了一扇門，當你看到嶄新的世界之后，就再也回不去了。
他說。
計算，從數據擺渡到答案
諸葛IO對數據的分析，大概分為如下的階段，在 App 或服務的代碼中“埋點”，即個人用戶每進行一個操作，都會被探測到。雖然埋點至關重要，但是技術上并不難。孔淼介紹，對于一個客戶，需要半天時間梳理埋點方案，加上客戶利用半天時間實施，基本一兩天就可以搞定。
這一個過程，很多都基于經驗和積累。因為不同行業需要探測的數據會有很大區別，而一旦積累足夠行業和案例的埋點方案之后，一切都變得更加簡單了，只需要在模板上不斷修改進化。
【不同行為動作的精確統計數據/圖片由諸葛IO提供】
真正的難點在于，如何對數據進行分析，進而可以預測未來。
我們可以來想象一下。
針對一個動作點，需要記錄它的時間、設備、來源參數，而一個服務中，往往有諸多的動作點，包括點擊ABCD按鈕，選擇ABCD服務，作為數據記錄者，還必須存儲這些動作發生的前后順序、時間跨度等細節信息。
這些數據，可以精準地還原一個用戶究竟是如何使用這個 App 的。但如果想要得出規律，需要對這些“全量數據”進行“交叉計算”。這個計算的復雜度，是隨著數據量增長而呈指數級別增長的。
任意兩組數據之間關系的計算，都需要巨大的計算量，何況我們還允許任意維度進行組合計算，還需要實時給出計算結果。如果一根筋地進行計算，往往會超過我們服務器的計算瓶頸。算法做不到的時候，我們就要換一套算法。
簡單來說，以前的計算就好像是一個單項式，但如果我把這個單項式拆成很多多項式，利用分布式計算，就使得計算成為了可能。
孔淼說。
如何改進算法，正是孔淼和團隊的長項所在。而對于算法的改進，還有一項重要的內容。
鑒于運算量的巨大，我們采取了一個辦法，那就是把常見的分析模型做成預計算的模塊，提前計算出結果。這樣當客戶想要進行計算的時候，在后臺我們需要做的就是把預計算的結果進行加工，這會節省大量的時間和算力。
他說。“這需要對用戶的業務有充分的理解，需要經驗的積累。”
據此可以得出有用的結論，例如：
-
在滴滴打車中，搶了紅包，但是并沒有消費的人，是屬于哪一種人群？
-
搶了五塊紅包，并且后續打車十次以上的人，有哪些特點？
-
在“在行”中，頻繁瀏覽，但就是不約見專家的人，有怎樣的心態？
-
在“分答”中，由王思聰推薦過來的，并且完成一次偷聽的用戶，是怎樣類型的人？
根據不同的條件所限定的模型，可以篩選出某些特定行為和高付費、高留存之間的關系。根據這個規律，服務商就可以針對接下來符合這一條件的用戶“重點照顧”，從而提高整體的運營和盈利狀況。
數據的“神力”
在數據分析中，一個重要的玩法就是“漏斗分析”。這是一個很形象的比喻。
如果你是一個電商的老板，恰好你又有“超能力”可以看到用戶的屏幕，你會看到用戶使用你的 App 搜索產品，然后仔細挑選比對，然后加入購物車，然后把手放到付款的按鈕上。。。
用戶每進一步，你都會暗自較好，期待他能向付款的環節順利地“進發”。你最害怕的是，用戶進行到某一部的時候，突然產生了猶豫和困惑，經過一段時間的思考，直接點擊了取消。你在屏幕后面頓足捶胸，發誓要找到原因改進這個頁面的內容，讓用戶下一次不至于“半途而廢”。
而漏斗分析所做的，恰恰就是把這些流程疊加起來，然后分別計算隨著流程的進展，每一步流失掉多少用戶。當你看到在“X”步驟時，通過的人數驟然減少，你就可以肯定，問題一定出在這個步驟上。
【漏斗模型示意圖】
孔淼把漏斗分析主要分成兩類：
步驟式：是一個連貫的一二三四步驟，例如美圖秀秀，拍照，點擊濾鏡修圖，分享。用戶在哪一步流失最多，利用漏洞分析顯而易見。
狀態式：是一個并不連貫的步驟，但是在邏輯上卻前后相關。例如你在 App 上去挑一款旅游產品。你可能會先選擇看看攻略，然后關閉了 App；過幾天之后，你又進入 App，挑選了旅游產品，但是并沒有下單；幾天之后，你又進入了 App，最終下單購買了一款自由行。
【漏斗模型之下，轉化率和流失率統計/圖片由諸葛IO提供】
通過數據分析，用戶都可以判斷，究竟是哪一步顧客的“棄買”率最高，從而拼命去研究這一步究竟出了什么問題。
-
以美圖 App 為例，如果用戶在選擇濾鏡這一步放棄比例最高，那么很有可能是你的濾鏡不夠吸引人，或者甚至是你的某些濾鏡隱藏得太深，根本沒有被用戶發現。
-
以壁紙 App 為例，如果用戶在搜索了“藍瘦香菇”之后放棄的比例很高，那么很可能是因為你的壁紙酷里根本沒有好看的“藍瘦香菇”，需要趕緊“備貨”。
-
以優信二手車為例，如果分析發現某地的用戶搜索“特斯拉”比例一直非常高，那么根據數據就要相應提高這個地區特斯拉的備貨量。
至此，那些冰冷的數據才轉化成熱氣騰騰的利潤。
孔淼舉了兩個讓他印象深刻的例子：
-
暴走漫畫 App 在改版之前，首頁顯示的是”“暴漫”“趣圖”等內容分類。在利用諸葛IO進行分析之后，發現用戶往往會試探性地點擊一個分類名，但如果在這個分類下沒有找到自己感興趣的內容，退出的概率很高（并不像王尼瑪期待的那樣，退回上級菜單重新選擇類目。）于是，暴漫團隊對 App 進行了改進，在首頁以瀑布流的形式顯示用戶可能會喜歡的內容。這樣，用戶在下拉的過程中，一旦發現了自己喜歡的內容，就會對 App“刮目相看”，好感度大大增加。實際上，通過這一項改進，暴走漫畫的留存率提高了驚人的 68%。
-
分答，一款“刷屏”的爆款線上知識共享平臺。很多人不知道，它是從“在行”誕生出來的（在行：一款線上預約行家線下約見的知識共享平臺）。通過諸葛io的轉化漏斗，在行團隊發現，想提升行家和用戶之間知識分享的成功率，是否還有另一種模式可以并行。于是，基于諸葛io數據分析平臺在行團隊開始做些嘗試，篩選了樣本用戶并構建了參與度模型，灰度開放了“吱”的功能，最后通過數據發現，模式可行，在數據的支撐下， 以一天兩個H5版本的速度迭代，最終獨立推出了分答APP，引爆了整個市場。
【改版之后，暴走漫畫首頁呈現瀑布流】
尾聲
數據的核心，實際上是背后的每一個用戶，每一個人。對用戶數據的分析，可以勾勒出每個人在互聯網世界里的形象。對每一個人所思所想的量化計算，又成為我們認識世界的另一個維度。
孔淼把一個個互聯網產品的用戶流比作木桶中的水。
之前的中國互聯網處在爆發增長階段，因為經濟形勢一直在上行。這些產品只需野蠻生長，不用關心數據分析的細節。 這個木桶有漏洞，但是周圍有充足的水源。這個時候理性的抉擇很可能是優先用周圍的水源來補充水桶。但是現在經濟平穩，水源稀少，流量越來越貴，漏洞的危害就凸顯出來。 例如某個旅游產品，現在平均獲客成本達到了3000元/人。這個巨大的成本，看來已經超越了做數據分析的成本。
這也是他看好未來數據分析市場的原因。
直覺是一種蠻荒，數據是一種秩序。
當這個世界告別蠻荒，秩序的力量便開始凸顯。
Tags: 數據分析 移動設計
文章來源：http://www.leiphone.com/news/201610/QT8xpJoKaqduHc