chinesefreesexvideos高潮,欧美极品少妇性运交,久久久国产一区二区三区,99久久婷婷国产综合精品,成人国产一区二区三区

DMP有三大核心業(yè)務(wù)模塊：標簽、人群、分析。我將從以下3個部分進行闡述：分析模塊的作用、構(gòu)建分析體系、分析應(yīng)用與呈現(xiàn)

我們通過“人群”模塊可以精準定位到用戶群，業(yè)務(wù)方可以對人群進行畫像分析、活動精準觸達和對外輸出變現(xiàn)，而這三塊最終都以“人群”全面分析得出達成一致的業(yè)務(wù)結(jié)論而結(jié)束。

所以，從產(chǎn)品完整性角度來說，分析模塊是系統(tǒng)閉環(huán)的關(guān)鍵。

（圖1：人群模塊3大應(yīng)用場景）

而從業(yè)務(wù)價值來說，分析的作用主要分為以下兩塊：

1、檢驗活動效果

日常運營過程中，業(yè)務(wù)方會通過DMP系統(tǒng)進行精準圈人做活動，如果活動結(jié)果無法高效清晰地展示信息，系統(tǒng)業(yè)務(wù)價值則大打折扣。

所以，我們需要搭建完整的數(shù)據(jù)指標體系來衡量工作成果。比如：活動KPI達成率、人群目標符合程度等。

同時，業(yè)務(wù)方也可以通過分析模塊發(fā)現(xiàn)問題，以便快速調(diào)整運營策略。

2、挖掘增長價值

除了幫助快速發(fā)現(xiàn)問題，我們也希望能預(yù)測未來，挖掘出更多價值。

當(dāng)我們采集下所有用戶在任何時間、任何地點，發(fā)生的任何行為數(shù)據(jù)，然后進行數(shù)據(jù)處理（清洗、抽取和整合等），最后利用算法和模型進行預(yù)測分析。

那么，具體用戶個人未來行為軌跡將大概率能夠被預(yù)測到，既而驅(qū)動業(yè)務(wù)增長。

從新零售人，貨，場角度出發(fā)，DMP的核心是對“人”進行分析，而“貨”和“場”都需要圍繞人發(fā)生的行為分析。

構(gòu)建分析體系本質(zhì)思維是“拆解”再“整合”。即通過拆解業(yè)務(wù)場景獲取需要采集的數(shù)據(jù)，再基于采集的數(shù)據(jù)給用戶賦予標簽，最后基于業(yè)務(wù)場景搭建供各個業(yè)務(wù)方查看的分析維度。

（圖2：構(gòu)建分析體系的步驟）

1、采集數(shù)據(jù)

在保證用戶隱私的前提下，盡可能全的采集用戶行為數(shù)據(jù)。

1.1 從哪里采集數(shù)據(jù)？

新零售的行為數(shù)據(jù)多而雜，需要從不同的源頭終端進行采集，大致分為以下5類：

（1）線上自有終端。e.g. App、H5等；

（2）線下自有終端。e.g. 線下CPC、掃碼購、自助收銀機等；

（3）社交傳播渠道。e.g.微信公眾號、微信小程序、企業(yè)微信、微博、抖音、支付寶等；

（4） 內(nèi)部系統(tǒng)數(shù)據(jù)同步。e.g. 客服系統(tǒng)、社群管理系統(tǒng)、倉儲配送系統(tǒng)等；

（5）第三方銷售渠道。e.g.天貓、京東、拼多多等。

2.2 采集哪些數(shù)據(jù)？

參考小學(xué)語文寫作五要素：人物、時間、地點、事件、事件對象（物），數(shù)據(jù)也可以按照此五要素進行采集。采集的數(shù)據(jù)通常以客觀事實數(shù)據(jù)為主。

一句話總結(jié)：某人在某個具體時間/地點下，針對某物產(chǎn)生具體某個（些）行為。

人物：某人是誰？相當(dāng)于新零售“人”的概念。通常是用戶的基礎(chǔ)屬性，一般不會隨著時間發(fā)生變化。

（1）姓名、性別、年齡、家庭/公司地址、用戶興趣等

（2）使用手機號、唯一識別ID（device id、union id、open id、IMEI、手機號等，可用于定位并觸達到該用戶）、手機型號、系統(tǒng)類型、網(wǎng)絡(luò)等

時間/地點：某人行為發(fā)生場景，相當(dāng)于新零售“場”的概念。

場景作為人群事件發(fā)生特性，具有豐富性和多變性，通常很難全面定義。以下是新零售行業(yè)采集數(shù)據(jù)主要考慮的3個方向：

（1）時間：記錄用戶行為發(fā)生的時間戳，基于時間戳后續(xù)可獲得具體日期、年份、月份、星期X、618大促、春運期間、工作日/周末等時間類標簽

（2）物理地址：即用戶的物理地址，一般以經(jīng)度、緯度表示。經(jīng)緯度具有唯一值，且可轉(zhuǎn)化成中文地址名稱。對于具備線上線下零售企業(yè)，基于用戶地址后續(xù)又可以映射獲取到用戶所在門店，大區(qū)（東/南/西/北/中）等地理位置類標簽

（3）終端：即用戶發(fā)生行為的終端。新零售基本上可劃分為：APP、H5、小程序、線下門店（掃碼購、自助收銀機、CPC等）。對于精細化運營團隊，還可記錄頁面上具體位置

事件：某人產(chǎn)生了某個（些）行為。即人在產(chǎn)品內(nèi)主動/被動觸發(fā)的動作，會隨著時間發(fā)生變化。

（1）決策行為：用戶最感興趣，付出成本最大的行為。e.g. 購買、下單；

（2）主動行為：用戶意圖明確下產(chǎn)生的行為，量最大。e.g. 點擊、加購、收藏、領(lǐng)券、用券、獲得積分、兌換積分、搜索、關(guān)注、回復(fù)等；

（3）被動（半主動）行為：用戶意圖較弱，價值一般。收到券、收到推送、廣告/商品曝光、評論、分享等。

事件對象：某人行為發(fā)生的對象，相當(dāng)于新零售“貨”的概念

通常按照以下3類進行采集：

（1）實物商品：采集商品ID、商品名稱、售賣價、成本價、上架時間等。為了保證商品信息的全面性，具備條件的大型零售或者電商公司，還卷入賣家為平臺商品打標簽。除常見的品牌、品類（1/2/3/4級）外，還會基于商品特性聚合。比如：大小、品類特性（比如奶粉：脫脂/全脂）

（2）虛擬商品：優(yōu)惠券/代金券/購物卡等。通常會采集其ID、名稱和有效期等；

（3）特殊對象：關(guān)鍵詞/廣告位/訂單等。通常會采集其ID、名稱等。

2、標簽計算

采集到用戶基礎(chǔ)行為數(shù)據(jù)后，部分數(shù)據(jù)可以直接構(gòu)建具備價值的分析表，比如：用戶基礎(chǔ)屬性。但大部分數(shù)據(jù)，需要提煉加工成有意義的標簽，才會產(chǎn)生價值。

通常分為以下3類標簽：

（1）平臺賦予的識別ID，通常具備唯一性，且不隨時間變化。e.g.會員卡號、積分碼、uid碼等；

（2）平臺賦予用戶的身份屬性，需要結(jié)合用戶過去行為進行判斷。具體劃分規(guī)則需要根據(jù)業(yè)務(wù)情況和使用方式，進行不斷調(diào)整和優(yōu)化。e.g. 新客、老客、活躍/沉默/流失用戶、高級/普通會員，母嬰人群，白領(lǐng)人群等；

（3）平臺賦予用戶的偏好屬性，需要結(jié)合用戶過去行為進行判斷。打標需要根據(jù)業(yè)務(wù)情況，利用算法模型進行不斷調(diào)整和優(yōu)化，詳情請查看下方表格。

3、搭建數(shù)據(jù)指標體系

基于采集好的數(shù)據(jù)和標簽，結(jié)合業(yè)務(wù)目標及達成情況構(gòu)建數(shù)據(jù)指標體系，并按照類型劃分維度。

我根據(jù)所在的新零售行業(yè)，舉例以下常用分析維度，需要根據(jù)實際公司性質(zhì)和業(yè)務(wù)場景進行調(diào)整。

（1）用戶畫像分析

基礎(chǔ)事實信息和預(yù)測信息的集合，無活動時間概念。可用于對人群進行精細化洞察分析，通常用于幫助業(yè)務(wù)做決策，也是個性化推薦的前端應(yīng)用。

e.g1. 人群性別/年齡/地域/人生階段/興趣愛好分布，使用手機型號分布

e.g2. 用戶生命周期分布，新客來源渠道分布（新零售新客定義通常以首次購買為準）

e.g3. 品類/品牌/商品偏好top分布，偏好渠道分布

（2）整體分析

通常為KPI相關(guān)指標。

e.g. 人群活動期間的ROI=增加銷售額/增加活動投入、銷售額、訂單數(shù)、客單價、引入新客數(shù)、關(guān)注公眾號人數(shù)等

（3）行為分析

根據(jù)事件和事件對象的不同，主要區(qū)分以下4類分析：

1）人群BY品類/門店/品牌/商品購買分析。e.g. 人群在活動期間購買topx品類、購買topy品牌、購買topz商品、購買topw門店/省/市/大區(qū)、購買渠道，可支持按照銷售額、訂單數(shù)、購買人數(shù)、ROI排序。

2）人群BY品類/門店/品牌/商品的非購買行為分析。e.g.人群在活動期間加購/點擊/分享/評論topx品類、topy品牌、topz商品、topw門店/省/市/大區(qū)、可支持按照商品金額額、互動人數(shù)/次數(shù)排序

3）人群BY關(guān)鍵詞的搜索行為分析。e.g.人群在活動期間搜索人數(shù)、搜索次數(shù)、歸因成交訂單數(shù)、歸因成交金額，關(guān)于歸因的解釋可以查看part3部分

4）人群社交互動行為。e.g.人群在活動期間公眾號回復(fù)關(guān)鍵詞人/次數(shù)、關(guān)注公眾號人數(shù)、關(guān)注來源分布等

（4）優(yōu)惠券分析

人群BY優(yōu)惠券領(lǐng)取使用分析。

e.g. 人群在活動期間關(guān)于指定優(yōu)惠券的領(lǐng)取張數(shù)、使用張數(shù)、引入銷售金額、引入購買訂單數(shù)、引入購買商品數(shù)、ROI、券使用品類/品牌/商品/門店分布，可支持按照領(lǐng)取張數(shù)、使用張數(shù)排序。

（5）用戶增長分析

人群屬性活動前后變化，一般跟用戶運營KPI強相關(guān)。

e.g. 人群活動期間引入的新客數(shù)、引入關(guān)注公眾號人數(shù)、引入的高級會員數(shù)、流失用戶召回數(shù)、沉默用戶喚醒數(shù)，用戶生命周期前后分布等

（6）積分分析

人群活動期間BY積分獲得/兌換分析。

e.g. 人群活動期間獲取積分數(shù)、兌換積分數(shù)、積分兌換獎品分布，可支持按照兌換次數(shù)、兌換人數(shù)排序

基于part2部分，已經(jīng)完成了分析模塊的基礎(chǔ)搭建。

由于B端產(chǎn)品，主要目的是為了提效降本。所以，如何基于業(yè)務(wù)場景靈活清晰呈現(xiàn)給業(yè)務(wù)方成為DMP分析模塊不可或缺的一部分。

1、模型分析

1）漏斗分析

指定多個事件和指標組成漏斗節(jié)點，查看整體漏斗人群轉(zhuǎn)化以及圍繞漏斗路徑節(jié)點下的人群分析

e.g1.以曝光-點擊-加購-下單-購買為節(jié)點，可按照人數(shù)/次數(shù)呈現(xiàn)漏斗轉(zhuǎn)化，并支持查看漏斗節(jié)點人群part2的表現(xiàn)情況

e.g2.以領(lǐng)券-用券為節(jié)點，可按照人數(shù)/張數(shù)呈現(xiàn)漏斗轉(zhuǎn)化，并支持查看節(jié)點人群part2的表現(xiàn)情況

2）歸因模型分析

指定發(fā)生非直接購買事件人群為對象，將其發(fā)生的購買成交歸因成該事件成交

e.g. 搜索行為本身不能帶來成交，但通過程序賦予搜索過指定關(guān)鍵詞，且在其響應(yīng)搜索結(jié)果頁發(fā)生過加車行為的人群24h內(nèi)成交即算搜索該關(guān)鍵詞帶來的成交。同樣的形式可用于廣告位成交歸因分析。

3）交叉對比分析

指定1個人群在不同時間段指定指標對比分析，或者多個人群在同一個時間段指定指標對比分析。

某個人群在不同時間段指定指標對比分析。e.g1. 分析母嬰人群在618和雙11期間，用戶畫像具體差異。

設(shè)定某個人群指定指標KPI值，查看活動期間的完成度。e.g2.設(shè)定人群618期間的ROI為1.3，活動結(jié)束后ROI為1.2，則KPI完成度92.3%。

多個人群在同一個時間段指定指標對比分析。e.g3. 將新客分成3組人群分別進行灌券、短信觸達和不做任何動作，對比3組人群7日內(nèi)購買轉(zhuǎn)化

2、數(shù)據(jù)可視化

為了讓業(yè)務(wù)快速發(fā)現(xiàn)問題，可支持通過自定義指標搭建可視化報表，打造業(yè)務(wù)團隊自主自助分析。

數(shù)據(jù)可視化呈現(xiàn)形式，典型的有：表格、折線圖、柱狀圖、環(huán)形圖、餅圖、漏斗圖等。

而新零售分析場景較為復(fù)雜，通常需要多種圖組合分析，并實現(xiàn)圖形之間的交互聯(lián)動。

e.g1. 分析人群A線下門店購買路徑轉(zhuǎn)化。如下圖所示，通過左側(cè)漏斗轉(zhuǎn)化可知道人群人數(shù)在“店外-店內(nèi)-購買-高凈值”節(jié)點轉(zhuǎn)化情況，選擇指定節(jié)點，如“店內(nèi)人數(shù)”，在右側(cè)可呈現(xiàn)該節(jié)點人群畫像分布

（圖3：數(shù)據(jù)分析可視化案例）

本篇文章是基于新零售行業(yè)，整理關(guān)于【DMP系統(tǒng)之分析體系】搭建的思考，希望能給同行路上的你些許幫助與啟發(fā)。

愿你我在產(chǎn)品汪道路上，做些真正有意義和價值的事情。