本文是作者根據自己多年從事數據分析的經驗總結出來的壹個集成的數據分析框架，簡單介紹了數據分析可以達到的壹些點。盡情享受~
大數據，壹個炒的概念，現在已經被人工智能取代。先不討論人工智能。就大數據而言，我們都在強調他的技術，比如網絡熱詞:hadoop+spark，數據挖掘。當我們使用大數據時，我們經常用它來虛構它的影響。比如廣告投放精準，社保管理有序，醫藥行業智能化。
當然，這些都是我們的想象，也離不開數據分析的影響。但是我們有沒有停下來思考大數據如何落地，如何分析？如何利用數據讓企業做出決策，比如:精準廣告？
我們知道什麽是大數據分析嗎？
麥肯錫將大數據定義為:
“在獲取、存儲、管理和分析方面大大超過傳統數據庫軟件工具能力的大規模數據集合，具有數據規模龐大、數據流動迅速、數據類型多樣、價值密度低等四大特征。”
基於我對上述定義的理解，我總結的大數據分析，就是把獲得的數據打通，整合，找到規律，立刻得到決策信息。
數據采購
我總結的數據來源可以分為三類:
(1)當事人數據:用戶事實數據。
比如用戶在某金融機構購買的理財產品，時間，哪個賬戶，姓名，電話等。，或者運營數據，比如某個互聯網金融app，用戶運營行為數據。
(2)第二方數據:其實這部分叫廣告數據。
比如顯示的廣告數量、活動頁面的點擊量、廣告來源等。有些公司會將這些數據作為第三方數據，因為有些廣告監測公司會利用這些數據與人群數據整合，構建自己的dmp。像DMP這樣的公司壹般都自稱是第三方公司，第三方數據。
(3)三方數據:行業數據，也稱公共數據。
比如協會的數據，或者互聯網行為數據，比如某互聯網公司的用戶在這個網站上的行為數據，或者我們嵌入sdk app後可以收集的安裝活躍列表，可以收集的離線數據。
打通:其實就是通過收集關鍵點來整合第壹、第二、第三方數據。比如我們可以通過手機號整合壹方和三方的數據，或者用cookie或者imei號整合兩方和三方的數據。但由於目前監管系統對手機號碼敏感數據的管控，以及互聯網和移動數據跨平臺互通的技術難度，我們的實際匹配率很低。比如壹方和三方的數據匹配達到20%其實就是很好的情況，除了運營商數據。
尋找規律:目標是清理數據，從非結構化數據到結構化數據，從而進行統計，發掘數據，發現規律，形成數據分析報告的觀點。本文將在第三部分進行闡述。
即時決策:將數據分析報告中的觀點系統化或產品化。目前大部分公司還是會依靠人工決策。
為什麽需要大數據分析？大數據分析看似按照這幾個步驟，但從第壹步的數據來源來看，其實體現了大數據的特點，那就是混亂。那麽如何從這些數據中找到規律，分析的內容和目標是否對應，似乎就是我們需要大數據分析的原因。
現在對大數據的分析，通常是用數據報表來反映企業的經營狀況。同時，對於熱點和人群分析，我們看到的統計值都是以數據分析報告中提取的觀點為導向的。那麽問題來了，如何用數據分析來指導數據決策？
數據分析的報告思路(本文從移動終端的角度切入)
基於我對數據分析的理解，我把數據報告分為三類:市場分析、運營分析、用戶行為分析。
市場分析
壹般來說，市場分析是定性和定量的。最近熱播劇《我的前半生和唐靜的職業生涯》的賀信是去壹家咨詢公司。壹般他們會通過訪談和問卷來壹份市場分析報告，告訴客戶自己的市場份額和消費者觀點。
這裏，我們以移動互聯網數據的市場分析為例。壹般來說，數據來源是公開數據或者第三方數據。我們說過，通過將sdk嵌入到開發者的應用中，我們可以收集安裝和使用列表。那麽sdk開發者使用的越多，我們可以收集的數據源就越多，這樣就可以形成已安裝app和已使用app的排名。這裏說的覆蓋率和活躍率也是這個意思，比如這個應用的安裝量和使用量在整個金融品類中的占比。
那麽，這些市場分析的作用，總的來說就是對公司營銷的總結。比如某金融公司的kpi是獲客，他們做了壹系列的營銷。下個月，我們可以了解壹下這個應用的安裝量是否比上個月有所增長。我們的競品性能怎麽樣？他們是不是也做了壹系列的營銷活動，排名上下？我們都可以通過市場分析和競品分析來觀察，但這部分的觀點是市場數據，所以只能通過官網或互聯網廣告的大量搜索活動來推測競爭對手排名的上升是否與這些營銷活動有關。
同時，根據市場的走勢圖，可以發現潛在的競爭對手。比如我們可以看到下圖中的工行是所有銀行群體的潛在競爭對手，因為手機屬於高覆蓋高活躍度群體，也就是安裝xxapp的活躍人群也是最高的。需要更加關註他們的營銷策略。
業務分析
移動互聯網提出的方法論:33r。我之前做咨詢的時候，這個方法論也可以應用到網絡分析上。綜上所述，33r就是:
感知→獲取→活動→獲取→收益→傳播→感知。
這裏需要註意的是，運營分析只是壹個公司的基準線，產品經理、運營人員、營銷人員可以根據自己公司的數據參考做出合理的決策。同時，運行數據只是壹個參考或警告。如果要具體的話，需要具體細節分析，比如app是否改版，怎麽改。需要增加哪些渠道合作？
(1)感知感知
根據廣告數據的分析，目的是判斷渠道廣告頁面對app或網站的引流，同時可以幫助廣告主設計監測表格，從數字角度衡量廣告效果。
但廣告數據壹般掌握在廣告監測公司，或者GA等公共工具手中。我們需要依靠廣告公司設計營銷環節，比如活動頁面，添加監控代碼，或者在媒體、app應用商店添加代碼，方便監控廣告效果。通常，這些數據很難加載，通常由應用商店或媒體提供。同時，上述數據和監測公司數據壹般不提供給廣告主，只是統計數值。
言歸正傳，我們看感知數據，其實目的是衡量我們是否在營銷上花了很多錢。廣告的展示量和點擊量是衡量壹個公司廣告市場部業績的最佳尺度。沒有廣告就不會帶來客戶，所以花的錢不值，下次收購前能帶來多少客戶。
(2)收購贏得客戶
獲得客戶是廣告擴張的第壹步。用戶點擊廣告，進入應用商店或登陸頁面下載應用。訪問網頁後，登錄app後的數據是廣告公司或應用商店無法提供的數據，所以獲客其實有兩個目的。
目標1:衡量第壹步提供的數據是否準確，即是否是渠道作弊。
目標二:判斷渠道好不好。
目標3:判斷營銷活動是否有效。
比如下圖，我們發現40%的用戶的搜索流量比上個月增加了6%。我們需要增加與sem的合作嗎？在媒體推薦渠道，我們通過渠道衡量客戶轉化率，點擊-用戶激活，激活註冊轉化，能否重點增加與某應用商店的合作？
下圖是目標3的應用，用來衡量三個月內的新用戶和活躍用戶是否受到活動營銷、廣告和版本變化的影響。比如7月28號版本變了，增加了壹個新用戶的武器，所以產品經理需要分析版本哪裏變了，用戶才能增長這麽快，8月份的營銷活動會喚醒沈睡的用戶，體現運營商的業績。那麽，在推廣活動時，是否可以借鑒8月的成功經驗呢？這壹成功經驗需要進壹步的專題分析。
(3)活動活躍
在獲得客戶之後，我們希望看到我們的新增和活躍用戶的表現，所以第三步是活躍，實際上是為產品經理修改app或者頁面提供數據支持。
活動分析可以參考以下三個步驟:
首先，從頁面瀏覽量和獨立訪客數來定義主頁面分析。
比如壹個app的首頁是pv，uv最高，我們會重點分析首頁。
第二，根據圈定的頁面，做出點擊熱圖，便於產品經理為後續的頁面轉化提供數據支持。例如，我們可以在下壹個版本中刪除點擊量小的按鈕，並將點擊量大的按鈕重新排序。
第三，根據圈定的頁面，做壹個點擊熱圖，方便產品經理為後續的頁面轉化提供數據支持。例如，我們可以在下壹個版本中刪除點擊量小的按鈕，並將點擊量大的按鈕重新排序。
(4)保留分析&；收入和利潤。參考
其實這些在企業中用的不多，這裏簡單說明壹下。
①保留
當用戶積累到壹定數量後，我們希望看到用戶的粘性，於是就來了留存，留存通常是用來衡量活動的效果，看用戶在這次活動後是否還會使用我們的app，但由於金融類app屬性不會像遊戲類應用那樣每天都被訪問，留存在實際應用中不會太多。下面的例子是壹個演示，不再重復。
②收入
這些剩余客戶為公司貢獻了多少現金？根據收入步數的不同，壹般公司不會把現金流數據放到統計平臺裏，但是我們需要把用戶貢獻的運行金額數據提出來供我們使用，方便人群劃分。例如，以下是簡要的分析:
參考傳播:
最後，我們想讓這些客戶擴散；核心是口碑營銷，即用戶自發轉發鏈接給其他用戶，讓他們下載app或者參與活動，那麽傳播的下壹個環節就會改變營銷，但是傳播會受到很多限制，比如沒有獎勵機制的口碑傳播，轉發量幾乎為零。同時，傳播難以衡量，尤其是在大量互聯網用戶的基礎上，會造成資源代碼疊加和系統負擔，壹般企業不會設計這樣的活動供營銷人員參考。
用戶分析
如果大數據分析的核心其實是用戶分析，就像我們前面說的，用戶分析的步驟如下:
也就是說，在數據收集的範圍內，打通數據，打通客戶和用戶，精準營銷。
首先，我們可以過濾條件列表，我們可以通過應用條件、位置和標簽條件來整合數據。整合的目的是刻畫客戶，確定營銷策略。
比如我們要篩選金融客戶(應用條件篩選)，出現在五星級酒店(位置條件)，是媽媽和寶寶(標簽)。
但是需要註意的是，條件越多，用戶的輪廓越清晰，人就越少。
第二，根據篩選出的人群，做線上/線上統計或模型多維度分析。
比如根據篩選的人群，我們發現男性多於女性，蘋果手機屬性最高，經常使用手機工具。那麽我們可以通過增加手機工具來和這個目標人群合作，或者和蘋果合作來獲客或者推廣活動。
第三，整合以上數據分析，形成人群畫像。
結束語
本文根據我多年從事數據分析的經驗，總結出壹體化的數據分析框架，其實就是數據分析可以分析的幾個點的簡單介紹。當然，這需要大量的數據清理工作和對行業的了解。本文只是從數據分析角度的總結，內容的提煉其實可以詳細分析，尤其是關於用戶畫像的章節。