以电商为例,如何用4步法把大数据技术用在产品上

起点学院产品经理365成长计划,2天线下闭门集训+1年在线学习,全面掌握BAT产品经理体系。了解详情

现在去哪不谈谈大数据(BigData)视乎就OUT了,大数据像雷军的:“风口上的猪”一样是近两三年来的一个热词,而行业内部目前尚未对其定义达成一致。大数据虽与“海量数据”和“大规模数据”一脉相承,但其本身所涉及的是一个相对更加广泛而又抽象、含混的概念。我们不妨暂且把其看作为“无法在一定时间内用常规软件工具对其内容进行抓取、管理和处理的数据集合”。

4bufaddeee

IBM认为,大数据有5V特点:Volume(大量)、Velocity(高速)、Variety(多样)、Value(价值)Veracity(真实性)。在产品经理眼里来看,大数据在用户研究、用户画像、产品营运、产品设计等多方面都已得到广泛应用,其所产生的巨大效用也不容忽视。本文以电商为例介绍4步法把大数据技术用在产品上。

在跨境电商里,有很多平台,也有很多产品,下面先从eBay相关的数据逐步解析大数据在电商产品中的应用。

7月21日,eBay发布了截至2016年6月30日的2016财年第二季度财报。报告显示,eBay第二季度总交易额(GMV)为209亿美元,营收为22亿美元。其中,eBay旗下在线交易市场(Marketplace)为公司的整体表现奠定了基础,这个平台的总交易额(GMV)为198亿美元,营收为18亿美元,同比增长3%。

值得注意的是,在第二季度中,eBay的实时商品上架量首次突破了10亿,凸显了公司为精准向消费者提供的商品的丰富化和多样化而付出的努力;同时,公司也在不断改进购物平台以提高搜索功能,便于消费者查找即数据匹配。

首先:大数据为消费者画像

作为全球最大的拍卖网站,早在2006年,eBay就意识到大数据所带来的影响,并开始组建大数据技术分析平台。该平台定义了成百上千种类型的数据,并以此对顾客的行为进行跟踪分析,现在,eBay每日要处理100PB以上的数据,通过分析这些数据,eBay足以准确判断消费者的购物行为,这就如同在每个消费者面前安装了摄像头一般。eBay对顾客的了解非常细致,可以毫不夸张地说,“eBay比用户还了解用户”。

eBay拥有全球近2亿的注册用户,其不仅记录消费者的日常交易信息,还记录消费者每一次探索浏览的过程,从其设定的成百上千种情景模型中计算出用户可能的需求。这个模型甚至还区别消费者的年龄,以及其浏览的时间、地点及当时的天气等因素,在智能机器人的学习和分析下,适时地推送给用户最想要的商品,或者给商家(供应商)提供各式各样的“情报”,还能做到向商家提供销售建议。

例如:某个用户一登录浏览eBay网站,eBAY能很快的推断出这位用户潜在的需求,并在综合各种考量因素后,向他推送商品信息。

其次:搭建大数据预测模型

大数据分析技术对电商产品的影响是革命性的。有了大数据分析技术的支持,电商产品可以很容易从海量的数据中分析出消费者的需求,进而推出更符合消费者需求的产品或服务,这中间还能够进行针对性的调整和优化,这就是大数据赋予电商产品的新价值。

对于电商产品初创阶段来说,可以自己开展大数据产品的研发,也可以利用第三方机构来实现对大数据的利用,比如:GOOGLE和eBay在这方面做得很专业。消费者在使用搜索服务时,他们在无形中就把自己个人的行为、爱好、消费等数据传给GOOGLE和eBay。基于用户搜索行为、浏览行为、评论历史和个人资料等数据,通过大数据的挖缺和匹配,它们可以分析消费者的整体需求,进行针对性的产品设计、迭代和营运。

与产品相关的大数据来源很广,除了各类研究单位发布的大量数据外,互联网数据、各种传感器收集的数据等都是重要的来源。不同类型的大数据,其处理方面有所不同,但其处理流程基本上一样,主要有四个步骤“数据收集、数据集成、数据分析、数据解释”。如图: 大数据预测模型,收集到的数据经集成后,转换成统一标准的数据格式,然后用相应的数据分析方法将其进行分析处理,最后用可视化的技术将结果展现出来。

大数据预测模型

第一步:数据收集

如前所述,目前大数据来源非常广泛,常用的收集方法有:百度、搜狗、360和谷歌等搜索引擎的数据检索工具、各类传感器、RFID以及条形码扫描技术等。随着手机和手环电视等智能终端设备的普及、各类应用软件的大量下载使用,数据采集的数量和精度不断提升。

例如:

我在做某范APP的时候,一方面从用户打开APP的时候就开始收集用户的数据在得到用户允许的情况下读取用户的通讯录、然后去服务端匹配用户的信息、再后进行用户名、身份证、与手机号的精准匹配、日积月累某范积累了将近2000万用户的精准数据,这些用户打开APP的时候可以实现千人千面。

另外一方面从线下7千家门店收集,从用户进入门店,到用户扫码连接店内WIFI、到用户扫码定制服装、到用户在线支付等均进行收集。

第二步:数据集成

数据集成阶段的主要任务是对数据采用合适的方法进行适当的处理,去噪和进一步的集成存储。

由于数据来源广泛,注定了大数据的多样性特征(即Varicty),这就决定了如果这些数据不经过初步处理,进行高质量的数据分析将会非常困难。因此,在采集数据后,一般还要进行数据处理与集成将这些多样化的数据转换为便于处理的较为单一结构的数据。当然,并不是所有数据都是有效的和相关性高的,这些数据还需要“去噪”,才能保证数据的有效性和可靠度。

例如:某范的线下商场,有部分客户去商场的时间就5-15分钟,而且没有产生购买行为,那么这些客户去干啥了呢。经过大数据分析,这个客户直奔WC了。因为我们在WC旁专设了一个WIFI连接点。收集到了这些数据接下来可以改善用户商城的购物和不购物体验(品牌印象分增加),因为某范的门店一般开在一地的市中心繁华地段,这个地段很难找到WC,发现这个情况后,某范线下店在寸土寸金的地段都要求配备WC设施以方便用户。这样至少给去WC路上两旁的商品带来多曝光的机会。

第三步:数据分析

大数据预测模型最核心的一步就是数据分析,因为凌乱的数据是没有价值的,只有通过数据分析步骤,才能挖掘到大数据的真正价值。在数据分析阶段,根据不同的应用需求,数据分析各有不同,常用的方法有数据挖掘、机器学习、智能算法、统计分析等,其中数据分析关键的一点是设定核心任务。

在数据分析方面,Google公司无疑是做得最先进的一个,其于2006年率先提出了“云计算”的概念,其内部各种数据的应用都是依托Google自己内部研发的一系列云计算技术,例如:分布式文件系统DFS、分布式数据库BigTable、批处理技术MapReduce,以及开源实现平台Hadoop等,这些技术平台的产生,提供了对大数据进行处理、分析的很好的手段。

第四步:数据解释

从数据的质量来说,数据的处理与分析过程是保证最终数据高质量的关键步骤,但对于最终的数据用户而言,如何获得直观的和有用的数据才是其最关心的。因此,如何通过数据解释步骤,对大数据分析结果进行解释与展示也非常重要。

随着数据量的变大以及对用户数据分析维度的增加,传统的以文本形式输出的数据展示方式已不能满足数据用户的需求,一种被称为“数据可视化技术”数据展示方式开始出现,常见的方式有基于集合的可视化技术、基于图标的可视化技术、基于图像的可视化技术等,在数据可视化技术的帮助下,用户可以很形象的获得数据分析结果,对结果的理解和接受也更直观。

再次:大数据模型的特点

在大数据预测模型的支持下,电商产品的运营可以从以前的凭感觉到更具“科学性”。

现在互联网产品运营既讲求科学性,又追求艺术性。其中,“科学性”体现在营运管理过程中存在着一些基本的客观规律,有一套分析问题和解决问题的方法论,还体现在建立在各种营运数据的搜集与分析的基础上的营运管理决策,大数据的到来加速了营运管理的科学性进程,使电商产品开展“精确化”的营运管理成为可能,电商产品对其营运管理活动的各个环节的把握能够更为精确,使往日纷繁复杂的和难于决策的电商产品营运管理活动逐渐演变为一系列的数据挖掘与相关分析,使营运管理真正成为“建立在科学基石上的艺术”,从而真正走进科学营运的殿堂。如图:大数据营运创新的钻石模型

大数据营销创新模型2

通过大数据预测模型,电商平台的运营管理更加有“预见性”。例如;当你打开Facebook时,就会看到Facebook会为你推荐,你可能认识的人。

由于电商市场的各种不确定性,比如顾客需求差异、东西部文化的差异、竞争更加激烈等因素,产品对市场研判和有效预测越来越困难。大数据分析技术的出现改变了这种现状,通过收集各类数据信息,在各种数据分析技术和建模分析技术的支持下,能够比较简单的挖掘出各种看似毫不相关的数据之间的关系,从而对目标区域的市场需求和趋势做出准确的判断。因此,大数据预测模型可以提升电商产品适应性营运管理活动的“预见性”。

然后:基于消费者及各种经济数据,大数据不仅可以为“消费者画像”,还可以给产品提供各式各样的“情报”。比如,产品希望把Bra卖到新疆,通过大数据分析可以大致预测到,这种商品最好多准备大号的,一个月可以卖出多少产品,定价应该在什么范围内,市面上还有多少商家在卖同样的产品,他的市场占有率大概是多少。目前,利用大数据预测需求无论是产品设计,还是产品方法,都能够实现,产品经理综合运用大数据思维进行互联网产品迭代设计一定可以事半功倍。

 

作者:连诗路  前阿里产品专家  微信Line15201991967 公众号LineLian 邮箱 firstproduct@163.com希望与创业者多多交流。

本文由 @连诗路 原创发布于人人都是产品经理。未经许可,禁止转载。

您的赞赏,是对我创作的最大鼓励。

评论( 1

登录后参与评论
  1. 写的不错,很受启发。

    回复
加载中