极客星球 | 一例胜千言（利用数据分析助力客户精准营销）数据库

文章图片

一、前言
随着公司业务的高速发展，生产的数据量呈指数级增长，分析师需要通过数据分析在海量数据中抽丝剥茧，挖掘出最有价值的信息，建立符合业务的数据指标体系和用户模型，针对性地提供数据产品和个性化的定制服务，以实现精细化运营和精准营销，并借此发力来驱动提高业务增长，提升用户体验。本文将围绕MobTech指标体系、数据产品以及一个实际案例来介绍如何利用数据分析帮助客户解决问题，完成精准营销。
二、指标体系
2.1 如何建立指标体系
俗话说工欲善其事，必先利其器。
一个好的指标体系：
1、可以帮助我们准确快速的定义业务运作的状态；
2、能满足大多数场景的异动归因，当指标出现异动时可以快速定位原因；
3、在决策层制定方向时可以给予很大的参考价值。
常规的指标体系搭建方法：

北极星指标
北极星指标（North Star Metric），也叫作第一关键指标（One Metric That Matters），是指在产品的当前阶段与业务/战略相关的绝对核心指标，一旦确立就像北极星一样闪耀在空中，指引团队向同一个方向迈进（提升这一指标）。
OSM模型
OSM模型是三个词缩写：目标(Objective)、策略(Strategy)、度量(Measurement)。
它是一套业务分析框架，是指标体系建设过程中辅助确定核心的重要方法，包含业务目标、业务策略、业务度量，是指标内容横向的思考。
简单理解，就是先明确公司目前的目标O，接下来通过OSM模型把目标O拆解，对应到各职能线可落地、可度量的行为上，从而保证执行计划紧紧跟随大方向。

以app业务为例：
O：结合北极星指标法，首先确定当前公司级的目标，收入增长。
S：收入增长，可以做哪些策略呢？

提高付费用户规模
提高用户人均付费金额

M：用什么来评价策略是否达成？

付费用户数
用户人均付费金额

以上举例说明了第一级拆解，我们把评价的度量再做成目标，继续拆解，这样一级一级拆解下去就形成了指标体系。
在实际工作中，不同的业务或者同一业务不同的阶段关注的指标不一样，但思路是大同小异的，需要运用多种模型并结合自身业务目标制定相应的指标。
2.2 MobTech指标体系概览
MobTech主营to B业务，指标体系主要服务于B端公司。所以我们基于自身庞大的数据量级以及扎实的技术实力，打造了一套可以满足客户个性化需求的数据指标体系：

文章图片

基础属性：用样本数据进行模型预测，以用户的设备信息、App在装信息、城市等级、房价等作为特征，通过算法建模得到的基础信息，经过多次验证能达到80%以上的准确率。
设备属性：通过sdk采集后进行清洗和映射等处理得到的设备信息。
应用偏好：通过分析用户在不同时间段内，对于不同类别App的安装、卸载、活跃等行为，计算用户对不同类别应用的偏好指数，从而推断用户在相应时间段内的线上行为偏好。
KOL：通过用户对KOL关注度，并与随机人群对比，计算出用户对KOL类型的偏好程度。
反欺诈：基于反欺诈行业专家和反欺诈情报团队带来的数据和行业知识的输入结合MobTech海量的大数据，通过多次测试、优化和迭代，最后选取标签通过分类树、逻辑回归等解释性强、准确度高的算法对黑产进行误杀率极低的拦截。
三、数据产品
基于完善的数据指标体系，MobTech还建立了业界领先的数据产品：

文章图片

3.1 DMP
MobTech的DMP产品可以支持客户通过样本洞察、标签洞察、App洞察以及自定义洞察多种方式对人群进行洞察分析，帮助客户真正做到“心中有数”，下面是效果展示图：

文章图片

文章图片

3.2 前置机
MobTech在前置服务器准备满足客户需求的精准TA，在程序化广告中对接DSP，将DSP实时问询的流量与事先根据一定规则筛选好的人群包进行匹配，帮助广告主找出符合其要求的广告受众，实现广告的精准化投放。

文章图片

3.3 反欺诈
Mobtech通过对各类黑灰产作恶资源平台的监控，并结合自身9年SDK业务优势不断积累优化和迭代，沉淀出基于黑产资源数据的手机号、IP、APP名称和包名信誉库，积累总量达3亿+。Mob信誉库解释性强、准确度高，可对黑产进行误杀率极低的拦截。
出于篇幅限制其他数据产品就不一一介绍了，感兴趣的读者可以去MobTech官网一探究竟。
四、实例讲解
4.1 项目背景
在某次前置机项目中，客户需要某省份满足某条件的精准TA人群进行广告投放。
项目的关键考核指标是TA的识别率达到50%以及命中率达到20%。
识别率：问询流量与前置机交集 / 问询总量
命中率：问询流量与前置机交集中的TA / 问询流量与前置机交集
分析师通过健全的标签体系（性别年龄、兴趣偏好等指标）以及其他满足业务需求的逻辑圈选出了大量的精准TA，及时上传至前置机供广告平台问询。

文章图片

4.2 发现问题，定位原因
但在投放开始后，监控核心指标时却发现了一个问题：流量的识别率不及预期，只有40%出头。
分析师在发现问题后需要思考造成问题可能的原因有哪些，并依次去验证确认真实的问题点。
此问题经过分析有两个可能的原因：
1、上传出现问题，前置机的数据与本地提取的数据不一致，导致结果不如预期。
2、流量中掺杂了“杂质”。
通过对连续多天的问询数据跟前置机人群以及本地人群的数据进行对比验证（去重未去重识别率、不同id识别率等指标），我们确认了上传到机器的数据与本地提取数据的一致性，第一个原因排除。
同时通过对连续三天流量的分析，我们发现流量的省份占比并不如我们预想的那样“干净”，除了TA省份外其他省份也有较大的占比，如下图所示（连续三天的省份占比基本一致，此处选取一天作为示例）：

文章图片

4.3 解决问题
在定位到问题的第一时间通知客户，同时适量地增加了其他省份的TA人群，并选择问询频率最低的时间间隙进行上传，可以看到在及时补数之后，识别率有了明显上升，达到了预期的50%以上，并且命中率只有很小幅度的下降。

文章图片

分析师应当清楚，识别率与命中率相互制约，识别率上升的同时命中率一般会有所下降，如何把握两者的平衡需要分析师对项目的历史经验总结以及对自身数据能力的良好掌握。
4.4 总结
我们总结整个项目的过程：
基于健全的指标体系和准确的数据逻辑提供精准的数据；
上传到前置机并随机测试前置机数据与本地数据是否一致；
投放开始后及时观察识别率与命中率等核心指标；
如果有异常及时定位原因进行补数，再重复2、3步骤；
指标符合要求则定时上传数据增量至投放结束。
其实，一套健全的指标体系是分析的基础。有了健全的指标体系，数据产品经理和分析师才能游刃有余地针对不同的业务搭建相应的数据产品。当然，建立指标体系不是一蹴而就的事情，需要分析师团队不断的根据业务去调整，在不断的使用中发现问题持续迭代，整合团队的口径持续优化和完备，并推动更多的平台去应用。
在发现数据问题时，不要慌张，分析数据的产出和使用链路，比较各个环节的数据差异，从而达到快速定位问题解决问题的效果，进而完成业务优化。
五、对数据分析发展的展望
目前大多数公司的数据平台还没智能到可以通过拖拉拽来解决常规取数需求的地步，也正是因为平台能力尚未成熟，分析师的精力才会被大量取数需求所占据，导致大量的分析师自嘲是“sql boy/girl”。
【极客星球 | 一例胜千言（利用数据分析助力客户精准营销）】但未来趋势一定是SQL、数据可视化、模型等产品工具越来越成熟，有数据敏感度的业务同学也可以通过工具来完成取数分析师的取数工作。所以分析师一定要培养自己的业务敏感度，在工作中有意识的挖掘业务的根因并沉淀成相应的业务指标体系和易用的数据产品。在此基础上，发现业务决策过程中可以提升的环节，打造一个不断优化的良性业务闭环。