AI产品COO,怎样去浓厚摸底你的用户

2019-07-11 03:37栏目:奥门新萄京娱乐场
TAG:

原标题:AI产品经理,如何面对数据挖掘?

如何去深入了解你的用户? - 简书
http://www.jianshu.com/p/a95dc36f5650

本文分别先从AI产品需求发现阶段、再从AI产品需求设计制造阶段对数据挖掘的利用,然后落地到数据挖掘具体的案例解析,最后得出AI产品大数据观点。

用户行为路径分析是互联网行业特有的一类数据分析方法,它主要根据每位用户在App或网站中的点击行为日志,分析用户在App或网站中各个模块的流转规律与特点,挖掘用户的访问或点击模式,进而实现一些特定的业务用途,如App核心模块的到达率提升、特定用户群体的主流路径提取与浏览特征刻画,App产品设计的优化与改版等。
本文会对用户行为路径分析方法作一些简单的探讨,更多的偏向于一些路径分析业务场景与技术手段的介绍,起到抛砖引玉的作用,欢迎致力于互联网数据分析的朋友们拍砖与批评。以后有机会可以继续介绍分享与实际业务结合较多的用户行为路径分析案例。
一、 路径分析业务场景
用户行为路径分析的一个重要终极目的便是优化与提升关键模块的转化率,使得用户可以便捷地依照产品设计的期望主流路径直达核心模块。具体在分析过程中还存在着以下的应用场景:
1、用户典型路径识别与用户特征分析
用户特征分析中常常使用的都是一些如性别、地域等人口统计数据或订单价、订单数等运营数据,用户访问路径数据为我们了解用户特征打开了另一扇大门。例如对于一款图片制作上传分享的应用,我们可以通过用户的App使用操作数据,来划分出乐于制作上传的创作型用户,乐于点赞评论的互动型用户,默默浏览看图的潜水型用户,以及从不上传只会下载图片的消费型用户。
2、产品设计的优化与改进
路径分析对产品设计的优化与改进有着很大的帮助,可以用于监测与优化期望用户路径中各模块的转化率,也可以发现某些冷僻的功能点。一款视频创作分享型App应用中,从开始拍摄制作视频到视频的最终发布过程中,用户往往会进行一系列的剪辑操作;通过路径分析,我们可以清晰的看到哪些是用户熟知并喜爱的编辑工具,哪些操作过于冗长繁琐,这样可以帮助我们针对性地改进剪辑操作模块,优化用户体验。如果在路径分析过程中用户的创作数量与用户被点赞、评论以及分享的行为密切相关,就可以考虑增强这款App的社交性,增强用户黏性与创作欲望。
3、产品运营过程的监控
产品关键模块的转化率本身即是一项很重要的产品运营指标,通过路径分析来监测与验证相应的运营活动结果,可以方便相关人员认识了解运营活动效果。
二、 路径分析数据获取
互联网行业对数据的获取有着得天独厚的优势,路径分析所依赖的数据主要就是服务器中的日志数据。用户在使用App过程中的每一步都可以被记录下来,这时候需要关注的便是优秀的布点策略,它应当与我们所关心的业务息息相关。这里可以推荐一下诸葛io,一款基于用户洞察的精细化运营分析工具;将诸葛io的SDK集成到App或网站中,便能获得应用内的所有用户行为数据。事实上,诸葛io认为在每个App里,不是所有事件都有着同样的价值,基于对核心事件的深度分析需求,诸葛io推荐大家使用层级化的自定义事件布点方式,每一个事件由三个层次组成的:事件(Event)、属性(Key)和属性值(Value)。同时,诸葛io还为开发者们提供数据监测布点咨询服务,可以根据丰富的行业经验为客户提供个性化的事件布点咨询和技术支持。
三、 漏斗模型与路径分析的关系
以上提到的路径分析与我们较为熟知的漏斗模型有相似之处,广义上说,漏斗模型可以看作是路径分析中的一种特殊情况,是针对少数人为特定模块与事件节点的路径分析。
漏斗模型通常是对用户在网站或App中一系列关键节点的转化率的描述,这些关键节点往往是我们人为指定的。例如我们可以看到某购物App应用的购买行为在诸葛io中的漏斗转化情况。这款购物App平台上,买家从浏览到支付成功经历了4个关键节点,商品浏览、加入购物车、结算、付款成功,从步骤1到步骤4,经历了其关键节点的人群越来越少,节点的转化率呈现出一个漏斗状的情形,我们可以针对各个环节的转化效率、运营效果及过程进行监控和管理,对于转化率较低的环节进行针对性的深入分析与改进。其他的漏斗模型分析场景可以根据业务需求灵活运用,诸葛io平台中拥有十分强大的漏斗分析工具,是您充分发挥自己对于数据的想象力的平台,欢迎参看一个基于漏斗模型的分析案例《漏斗/留存新玩儿法》。

奥门新萄京娱乐场 1

奥门新萄京娱乐场 2

经过多年互联网和移动互联网的飞猛发展,科技网络产品发展到焦虑的时间节点。一方面流量成本高到几乎没有投入产出比可言,另外一方面产品和企业同质化竞争激烈。

漏斗/留存新玩儿法

接下来的趋势有两股同方向的产品力量,将是产品经理和企业产品创新的机会点:

路径分析与漏斗模型存在不同之处,它通常是对每一个用户的每一个行为路径进行跟踪与记录,在此基础上分析挖掘用户路径行为特点,涉及到每一步的来源与去向、每一步的转化率。可以说,漏斗模型是事先的、人为的、主动的设定了若干个关键事件节点路径,而路径分析是探索性的去挖掘整体的行为路径,找出用户的主流路径,甚至可能发现某些事先不为人知的有趣的模式路径。从技术手段上来看,漏斗模型简单直观计算并展示出相关的转化率,路径分析会涉及到一些更为广泛的层面。
四、路径分析常见思路与方法
1、朴素的遍历统计与可视化分析探索
通过解析布点获得的用户行为路径数据,我们可以用最简单与直接的方式将每个用户的事件路径点击流数据进行统计,并用数据可视化方法将其直观地呈现出来。D3.js是当前最流行的数据可视化库之一,我们可以利用其中的Sunburst
Partition来刻画用户群体的事件路径点击状况。从该图的圆心出发,层层向外推进,代表了用户从开始使用产品到离开的整个行为统计;sunburst事件路径图可以快速定位用户的主流使用路径。通过提取特定人群或特定模块之间的路径数据,并使用sunburst事件路径图进行分析,可以定位到更深层次的问题。灵活使用sunburst路径统计图,是我们在路径分析中的一大法宝。
诸葛io不仅能够便捷获取布点数据,也为客户提供了个性化的sunburst事件路径图分析,并可为客户产品制作定制化的产品分析报告。

  • 第一是:利用PC和移动互联网积累的大数据做打破数据孤岛类的产品和数据挖掘,数据分析类的产品。
  • 第二是:在大数据的肩旁上,深度结合业务供应链场景设计10倍于以往产品体验的AI算法产品、AI赋能的智能软硬件产品。

奥门新萄京娱乐场 3

本文分别先从AI产品需求发现阶段、再从AI产品需求设计制造阶段对数据挖掘的利用,然后落地到数据挖掘具体的案例解析,最后得出AI产品大数据观点。

sunburst事件路径图

一、数据挖掘用于AI产品需求发现

2、基于关联分析的序列路径挖掘方法
提到关联规则分析,必然免不了数据挖掘中的经典案例“啤酒与尿布”。暂且不论“啤酒与尿布”是不是Teradata的一位经理胡编乱造吹嘘出来的“神话故事”,这个案例在一定程度上让人们理解与懂得了购物篮分析(关联分析)的流程以及背后所带来的业务价值。将超市的每个客户一次购买的所有商品看成一个购物篮,运用关联规则算法分析这些存储在数据库中的购买行为数据,即购物篮分析,发现10%的顾客同事购买了尿布与啤酒,且在所有购买了尿布的顾客中,70%的人同时购买了啤酒。于是超市决定将啤酒与尿布摆放在一起,结果明显提升了销售额。
我们在此不妨将每个用户每次使用App时操作所有事件点看成“购物篮”中的“一系列商品”,与上面提到的购物篮不同的是,这里的所有事件点击行为都是存在严格的前后事件顺序的。我们可以通过改进关联规则中的Apriori或FP-Growth算法,使其可以挖掘存在严格先后顺序的频繁用户行为路径,不失为一种重要的用户路径分析思路。我们可以仔细考量发掘出来的规则序列路径所体现的产品业务逻辑,也可以比较分析不同用户群体之间的规则序列路径。
3、社会网络分析(或链接分析)
早期的搜索引擎主要基于检索网页内容与用户查询的相似性或者通过查找搜索引擎中被索引过的页面为用户查找相关的网页,随着90年代中后期互联网网页数量的爆炸式增长,早期的策略不再有效,无法对大量的相似网页给出合理的排序搜索结果。现今的搜索引擎巨头如Google、百度都采用了基于链接分析的搜索引擎算法来作为这个问题解决方法之一。网页与网页之间通过超链接结合在一起,如同微博上的社交网络通过关注行为连接起来,社交网络中有影响力很大的知名权威大V们,互联网上也存在着重要性或权威性很高的网页。将权威性较高的网页提供到搜索引擎结果的前面,使得搜索的效果更佳。
我们将社交网络中的人看作一个个节点,将互联网中的网页看作一个个节点,甚至可以将我们的App产品中的每一个模块事件看作一个个节点,节点与节点之间通过各自的方式连接组成了一个特定的网络图,以下将基于这些网络结构的分析方法统称为社会网络分析。
社会网络分析中存在一些较为常见的分析方法可以运用到我们的路径分析中来,如节点的中心性分析,节点的影响力建模,社区发现等。通过中心性分析,我们可以去探索哪些模块事件处于中心地位,或者作为枢纽连接了两大类模块事件,或者成为大多数模块事件的最终到达目的地。通过社区发现,我们可以去探索这个社会网络中是否存在一些“小圈子”,即用户总是喜欢去操作的一小部分行为路径,而该部分路径又与其他大部分模块相对独立。
以上为笔者在诸葛io团队中,对各类产品进行用户行为路径分析的总结与思考,一些工作仍在不断地探索过程中,希望大家不吝赐教。今后有机会可能会以案例方式分享如何做用户路径分析,展示分析过程中的步骤与思路,希望能和大家多多交流。
本文由诸葛io数据科学家 吴扬 原创

需求的发现是产品经理和企业产品创新取得成功的关键,数据信息在产品的创新设计与制造中发挥越来越重要的作用,充分利用数据挖掘技术从产品市场需求发现、需求设计中提取相应的需求,从而控制和改善下一代产品的设计与制造。

作者:诸葛io链接:http://www.jianshu.com/p/a95dc36f5650來源:简书著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。

目前,AI赋能的智能软硬件整体产品的研制周期长,市场反应能力弱,创新度不够等一系列因素控制了产品制造企业的生存和发展,不论是万亿市值的苹果还是国内的华为小米一年旗舰智能手机只有一款。这个现象背后正是因为AI赋能的软硬一体产品,在需求发现到产品设计上有其特殊性。

因此,如何在最短的时间内开发出质量高、价格能被用户接受的AI产品,已成为产品经理市场竞争的焦点。数据挖掘技术已经成为分析和发现需求,提供决策十分有效的工具,而需求发现速度快起来后可以给需求设计制造更多时间,所以必将有力地支持AI产品的创新设计和制造过程。

数据挖掘(Data Mining,简称DM)就是从大量的、不完全的、随机的实际应用数据中,提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和需求的过程。

奥门新萄京娱乐场 ,根据产品发现需求的不同,数据挖掘的任务主要分为以下 6 类:

(1)关联分析需求,揭示隐藏在数据之间相互关系的一项挖掘潜在需求的数据挖掘任务。

例子:“尿布与啤酒”的故事。

在一家超市里,有一个有趣的现象:尿布和啤酒竟然摆在一起出售。但是,这种奇怪的举措却使尿布和啤酒的销量双双增加了。这不是一个笑话,而是发生在美国沃尔玛超市的真实案例,并一直为商家所津津乐道。

沃尔玛拥有世界上最大的数据仓库系统,为了能够准确了解顾客在其门店的购买习惯,沃尔玛对其顾客的购物需求进行了深层分析,想了解顾客经常一起购买的商品都有哪些。沃尔玛数据仓库里集中了其各门店的详细的原始交易数据,在这些原始交易数据的基础上,沃尔玛利用关联规则对这些数据进行分析和挖掘,得出了一个令人意外的发现:“跟尿布一起被购买最多的商品竟是啤酒!”

经过大量实际调查和分析,揭示了一个隐藏在“尿布与啤酒”背后的美国人的一种需求模式:在美国,一些年轻的父亲下班以后要经常到超市去买婴儿尿布,而他们中有30%~40%的人同时也会为自己买一些啤酒。

产生这一现象的原因是:美国的太太们常叮嘱她们的丈夫下班后为小孩买尿布,而丈夫们在买尿布后又随手带回了他们喜欢的啤酒。

按照常规思维模式,尿布与啤酒风马牛不相及,若不是借助关联规则进行挖掘和分析,沃尔玛是不可能发现数据之间存在的这一有价值的需求。

以前企业的信息管理系统由于缺乏数据挖掘功能,最多只能统计一些数据,从表面上似乎合理,但实际上根本不能反映出本质的情况。例如:通过传统的信息管理系统,我们得出某一种红酒在超市的销售额排名倒数第一位,按照以往的做法,该红酒肯定会停止销售,但是通过对所有销售数据进行关联分析,我们会发现消费额最高的客户中有25%常常买这种红酒,如果停止出售这种红酒,必然会引起这些高端客户的不满。

关联分析就是发现交易数据库中不同商品之间的内在的联系,利用关联规则找出顾客购买行为模式,如购买了某一商品对其它商品的影响。例如:它能发现数据库中如“90%的顾客在一次购买活动中购买商品X的同时购买商品Y”之类的问题,发现这样的规则可以应用于商品货架设计、库存安排以及根据购买模式对用户进行需求分析等。

用于关联规则发现的主要对象是事务型数据库,其中针对的应用则是商品销售数据。如果对这些历史数据进行分析,则可以对顾客的购买行为提供极有价值的信息。例如:可以帮助商家如何摆放货架上的商品,如何帮助商家规划市场等。

总之,从事务数据中发现关联规则,对于改进商业活动的决策非常重要。

(2)序列发现需求,是指确定数据之间与时间相关的序列模式,利用该模式可对未来的相关行为进行预测。

例子:数据挖掘中序列发现的需求分析应用比如顾客购买行为分析、网络访问模式的分析。对一家完善的大型零售企业来说,往往拥有固定会员。会员可以购买较低价格商品,享受更加优惠的售后服务等等。

会员应是经常在某一家店铺购物的消费者,因此经历较长时间的会员其购物成为按时间的购物序列,而不同会员就可能存在相同的购物序列。比如:两个都喜欢购买新科技产品的会员,销售记录中就会记录他们每次购买的科技产品,从而可以将个人的喜好推荐给另一个人,这也形成交叉销售。

(3)聚类分析需求,是指依赖样本间关联的量度标准将其自动分成几个群组,且使同一群组内的样本相似,而属于不同群组的样本相异的一组方法。

例子:基于数据挖掘的聚类分析,可以借助大数据的优势,发现数据背后的需求。利用起点学院“成为AI产品经理”在线开放课程学习者的网络学习过程记录,采用数据挖掘工具对网络学习者行为进行聚类分析,研究发现:根据学习特征,网络学习者可以分为高沉浸性型、较高沉浸性型、中沉浸性型、低沉浸性型四种群体。

学习行为与学习效果密切相关,沉浸性高的学习者学习效果往往较好。笔者作为《成为AI产品经理》课程老师借助技术工具,对学习者进行不断更新、实时、循环的聚类分析,及时发现学习者的个体及群体学习特征,因材施教,推送适应性的个性化服务,并给予及时的学习预警与恰当的教学干预。

(4)分类,是指找出一个类别的概念描述,它代表了这个类别数据的整体信息,一般用规则或决策树模式表示。

例子:分类发现需求,首先应该将分类与聚类分开。很多数据产品经理在学习数据方法之初,容易将聚类和分类搞混淆。其实聚类属于无监督学习范畴(unsupervised learning),也可称作观察式学习过程,与分类不同,分类依赖已有既定的先验知识。

例如:我们成年后,很清楚世界是由男人和女人组成的,所以我们在建厕所的时候,会把厕所分为男厕所和女厕所,这就是“分类”。而当我们刚生下来,我们并不知道什么是男人,什么是女人,通过后天对生活的观察,我们发现有一类人他们有胡子,而有一类人她们头发比较长(当然,我的这个举例已经显然不符合当今世界的发展了,你们明白就行)。于是我们就把有胡子的人分为一类人,把长头发的分为另一类人。

然后“研究”发现:原来有胡子的叫男人,有长头发的叫女人,这个过程就是“聚类”。

(5)偏差检测,就是从数据分析中发现某些异常情况是否重要,从而获得有用的需求。

例子:一批数据中的异常值值得关注,忽视异常值的存在是十分危险的,不加剔除地把异常值包括进数据的计算分析过程中,对结果会带来不良影响;重视异常值的出现,分析其产生的原因,常常成为发现需求进而改进决策的契机。

例如:A君是机车爱好者骑摩托不带安全帽,他会说他周围的朋友都不带安全帽,更刺激更能感受空气触感而且周围朋友都很安全,相反某某著名机车选手带了安全帽损失性命的例子。

大数据挖掘样本是基于从大样本的数据来看,不带安全帽骑机车比带安全帽整体不安全。下论断要从统计整体上来看,揪住一个异常需求没有意义。数据产品经理知道这一点以后,就可以在诸如非金融财产型产品需求里对某些异常需求可以缓一些解决。

(6)预测,就是利用历史数据找出变化规律,建立模型,并用此模型来预测未来需求等。

例子:通过数挖得到预测的例子非常多,这里从行业方面举几个例子,例如:电力行业通过数挖到不同行业在未来对电力的不同,进而更好的做好对各个行业电力需求的供应。例如:物流行业通过对库存需求的挖掘调配货运司机。例如:新零售企业通过数挖准备商家和商品备货等。

二、数据挖掘用于AI产品设计制造

在产品的设计与制造过程中,利用数据挖掘可得产品设计的创新,提高产品质量,加速产品的制造过程。

数据挖掘在AI产品设计与制造系统中的主要过程如下:

(1)模式发现

在产品的设计和制造系统数据中隐含了重要的模式,比如:购买次数较多的顾客特征,对促销感兴趣的顾客特征以及不购买顾客特征等分析,数据挖掘就是对隐含在数据中模式的深度分析。

(2)趋势预测

数据挖掘不仅能够提取静态的模式,也能预测动态的发展趋势,目前时间序列挖掘是一个研究的热点,动态的趋势能够反映顾客兴趣的改变,从而使企业对发展趋势做出相应的市场决策。

(3)数据的降维

数据的降维也叫做主成份分析,现代数据库中包含了交易信息的特征,不相关的数据条目和特征可以从数据集中消除,数据降维的主要作用是选择关键的数据进行分析。

(4)可视化产品制造

数据可视化主要旨在借助于图表、图、表格等形化手段,清晰有效地传达与沟通信息。

根据AI产品全生命周期考虑,产品设计与开发过程可划分为:产品需求分析(MRD)、概念设计(Featurelist设计)、详细设计(PRD设计)、工艺设计、样品试制、生产制造、销售与售后服务等阶段。

每个阶段和环节之间都存在着反馈和迭代过程,但其额度对不同设计类型有所不同 , 基于并行工程的AI产品设计与开发过程如下图 :

奥门新萄京娱乐场 4

因为AI产品是站在传统产品肩旁上发展而来,尤其是基于移动互联网的发展累积的大数据的基础上而实现迅猛发展。故此仅针对上图中的两个跟传统产品不同的点进行讲解。

1)AI产品特别是软硬一体产品,一般是先进行上市及先用样品上市,看市场情况再进行批量制造。

这是AI产品制造的特点,传统的商业模式为先制造、后销售、再消费,企业为消费者提供产品,消费者则是被动的产品接受者。

版权声明:本文由奥门新萄京娱乐场发布于奥门新萄京娱乐场,转载请注明出处:AI产品COO,怎样去浓厚摸底你的用户