3月24日，pmtalk上海站沙龙在游族大厦成功举办，本次活动主题为“从需求分析到运营迭代”。
mob开发者平台高级产品经理王乐应邀出席，分享数据分析在产品设计中的实际应用。
数据作为未来企业的重要资产，如何利用数据驱动运营，获得用户洞察，实现业务增长，王乐认为在产品设计的过程中，每一个需求设计的背后，离不开数据分析带来的深入洞察。
以下内容根据王乐的演讲整理，他将分成4个步骤，讲述如何搭建功能完整、业务适用性强的数据平台。
数据是什么？
数据是事实或观察的结果，是对客观事物的逻辑归纳，客观事物的描述，包含who、when、where、do几个方面。这些基于事实和观察的数据，如果不经过数据挖掘和处理，它只是一堆毫无意义的抽象内容。
当数据搜集上来后，下一步需要处理成信息，信息经过转化，沉淀为知识。知识之所以在数据和信息之上，是因为它更接近行动，与决策相关。信息随着时间流逝，价值开始衰减，只有通过人类的参与对信息进行归纳、演绎、比较等手段，其价值才真正沉淀下来。而要达成从数据到知识的转化，搭建数据分析体系是必不可少的跳板。
搭建数据分析体系
数据爆炸，但知识很贫乏。在构建知识体系之前，首先要学会如何搭建数据分析体系。
1、数据采集
数据来源分为内部数据和外部数据，外部数据包括运营商数据、合作方数据、爬虫数据、市场调研数据，而内部数据包括用户行为数据、服务端业务数据和错误日志。
现在很多互联网公司有大量数据却互不相通，数据是割裂的，用户的行为轨迹是分散的，因此如何打破数据孤岛，是当前行业亟需解决的问题。为此，mobdata联合多家数据公司，致力于打通线上线下数据，共同建设数据生态，让数据释放真正的价值。
前端用户行为数据采集，主要有用户数据、设备数据和业务数据。当采集数据的代码触发时，用户属性、设备属性、地理位置等会自动存储。以京东为例，当用户在浏览、搜索时，搜索的关键词、是否为语音搜索、是否为热搜搜索、是否为历史搜索，这些行为数据都被采集。以上是属于前端的用户行为数据采集。
服务端数据采集较前端优先，因为用户与服务器成功交互的数据不会丢失，避免因各种原因丢失数据。对实时性和安全等级有较高要求的数据采集，应该用服务端数据采集来实现，比如支付网关数据、客服后台数据、风控数据、快递员调度数据等。
2、 数据预处理
数据模型以uesr-event为例，用户事件中，为了最大化还原事件和场景，可以将数据抽象为什么人、什么时间、什么地点、做什么四个维度，并挖掘构建用户标签。
数据预处理分为4个步骤，首先数据清洗，删除重复信息，处理无效值和缺失值，进行数据一致性检查。然后数据转换，一个个数据字段，需要转换成可人为理解和阅读的格式。接着特殊处理，主要是根据业务场景，进行语义分析和倾向评分。最后是预聚合，例如时间预聚合和特殊字段预聚合。
3、 数据存储
经过上述的数据预处理，可以构建查询预处理模块，包括数据熔断模块、数据预过沸模块、数据预处理模块、异步任务中心等等。
4、 数据应用
经过数据采集、处理、分析后，输出有价值的数据，并应用到实际业务中。
基于user event模型，进行简单的指标统计分析。比如目标用户群体有这些行为：“近30天充值金额大于1000元”、“拥有至少5张橙卡的大r用户”、“公会会长未充值过的用户”，可分析得出业务优化的方向：活跃用户人均付费金额是多少、用户30日生命周期价值、参与某活动成功后选择的道具分布情况。基于以上的模型和行为，也可以进行简单的漏斗分析。
舆情分析也是数据应用的重要模型之一，基于爬虫或埋点获取的日志数据，可分析得出话题、态度、关系图谱带有心理特质的聚类数据，也可辅助舆情预警、敏感词屏蔽等
互联网发展到今天，已经从增量市场完全过渡到存量市场，用户和市场的盘子就这么大，如何防止用户流失，需要利用数据模型，建立流失预测机制。
将搜集到的原始数据进行清洗，根据in-app的数据进行特征提取，通过特征工程提炼出有业务和数学意义的高浓度信息特征，然后选择适合的模型算法做预测，例如logistics回归、随机森林、深度学习，都是常见的建模手段。
基于大数据的精准化投放，是最常用的数据应用。通过不同事件将用户分类，例如装载用户、高付费用户、注册用户、高段位用户、活跃用户，通过种子用户和lookalike相似人群扩展，触达更多潜在目标受众，基于目标受众的用户画像，精准投放定制化广告，与目标受众进行高效沟通。