4p->4c
product , customer
price ,cost and value to the customer's wants
place, convenince
promotion, communication;
3p/3c
product(产品), probablity(营销,运营以概率为核心,追求精细化,精准率),prospect(目标客户)
Cost/price(成本,价格),creative(创意,文案,活动),Channel(渠道,如何给目标客户)
------------------------------
数字化运营,
企业级海量数据存储和分析挖掘为基础,全员参与,精准/细分/精细化;
核心: 如何,挖掘/分析/运用这些数据;
条件:
海量数据存储实现;
分析和挖掘技术的有效应用;(数据分析/挖掘团队+数据分析师+业务团队)
互联网:
1,网站流量,目标客户行为,网站内容更新,网络营销推广;
展望:
1,数据产品; 2,泛BI;3,数据PD;
--------------------------------
统计vs挖掘
1,统计,数据需要假设,确定概率函数;挖掘,无任何假设,算法自动寻找变量间关系;
2,统计/分析,通常表现为函数关系式; 挖掘,某些情况下为黑箱;如神经网络;
主要应用:
1,决策树;(探索式,不需要知识干预)
CHAID,
CART,
ID3,
C4.5,
C5.0
2,神经网络 (Neural Network),
反馈传播,Backpropagation;
层数,
3,回归(Regression)
线性回归,linear Regression --描述一个因变量如何岁自变量变化而变化;
逻辑斯蒂回归,Logistic Regression--预测"二选一"的可能性;
响应预测,分类划分;
4,关联规则;
Arpriori
5,聚类
划分的方法(Paritioning method)
层次的方法(Hierarchical Method)
密度的方法
网格的方法
模型的方法
6,贝叶斯 --分类
给定观察值的相关属性判断其属于某一特定类别的概率;
7,支持向量机 --vs 神经网络,简单,性能好;预测,分类;
训练数据大,非线性决策建模高度准确;不容易过拟合;
>>>>>>>>>>>>>统计分析
8,主成分分析
9,假设检验;
------------------------------------
互联网,常见数据分析项目类型:
1,目标客户特征分析
试运营之前的特征探索(找相似的业务场景数据);
真实运营数据;
2,目标客户的预测,响应,分类模型(业务可能不一致)
流失预警模型,
付费/续费预测模型;
活动响应模型;
3,运营群体的活跃度定义
活跃度组成指标应为最核心的行为因素;
针对某些特性;
4,用户路径分析
频繁访问的路径模式;特定群体与路径;网页优化与改版;(PD,UED)
5,交叉销售模型
潜在需求;
关联分析,序列分析(加入先后顺序),预测(响应,分类)模型;逻辑回归,决策树;
6,信息质量模型
确保商品信息,优质和高效,全面,清楚的展示商品;提升转化率;
7,服务保障模型
8,用户(买家,卖家)分层模型
相关性分析,主成分分析;
9,卖家(买家)交易模型
10,信用风险模型
11,商品推荐模型
关联规则模型,Apriori算法;
协同过滤算法,(迄今最好)
启发式; --收集用户信息;寻找相似的商品或用户;产生推荐;
基于模型式;
UserBased
ItemBased
12,数据产品
13,决策支持
-------------------------------------
多团队,多专业的协同作业;
业务提分析需求->分析师与业务讨论->分析思路,框架,计划与业务方讨论->项目分析,挖掘->运营方根据分析结论策划运营方案
->运营活动实施及效果监控;
举例:双11促销
>>before 活动:
总目标: 销售额 = 流量*转化率*单价;(预测流量,风险控制,转化率预测,单价预测)
销售目标分解: 品种,款式,数量,生产排期,库存; (历史数据分析预测)
运营策划; 流量/转化率/单价; 采取对应的措施,最大化,分布设置;
客服:资源提前安排,培训,压力测试;
仓库准备:仓位布局,打包,物流,准备;
>>in 活动:
执行与控制, 抓流量(变动情况); 产品调配/更换; 支付环节;物流发货;
>>after 活动:
成绩/缺憾的总结;后续改进措施;