1700499081
数据挖掘与数据化运营实战：思路、方法、技巧与应用 3.13 决策支持
1700499082
1700499083
决策支持是现代企业管理中大家耳熟能详的词汇。数据分析挖掘所承担的决策支持主要是指通过数据分析结论、数据模型对管理层的管理、决策提供响应和支持，从而帮助决策层提高决策水平和质量。
1700499084
1700499085
对于现代企业和事业单位的管理层来说，数据分析的决策支持一部分是通过计算机应用系统自动实现的，这部分就是所谓的决策支持系统（Decision Support System，DSS），最常见的输出物就是企业层面的核心日报、周报等。每天会由计算机应用系统自动生成这些报表，供管理层决策参考，另一部分是非常规的、特定的分析内容，包括特定的专题分析、专题调研等。
1700499086
1700499087
无论是报表还是专题分析，对于数据分析师来说，所涉及的承担决策支持的工作与支持业务部门的数据分析，在技术和方法上并没有本质的区别和差异。但是在以下方面会有一定的差别：
1700499088
1700499089
❑决策支持的数据分析工作要求数据分析师站在更高的角度，用更宽的视野进行数据分析。由于是供企业决策层参考的，所以数据分析师要站在企业全景、市场竞争的全局来考虑分析思路和结论。
1700499090
1700499091
❑服务的对象不同。这似乎是废话，但是在数据分析挖掘实践中，这的确也是数据分析师不能回避的问题。在实践中，因为是为决策层服务的，所以对分析的时间要求常会更严格，项目的优先级也会更高，而且对结论的准确性和精确性的要求也会相对比较苛刻。
1700499092
1700499093
1700499094
1700499095
1700499097
数据挖掘与数据化运营实战：思路、方法、技巧与应用 第4章 数据化运营是跨专业、跨团队的协调与合作
1700499098
1700499099
玄黄不辨，水乳不分。
1700499100
1700499101
——《五灯会元》宋代 普济禅师
1700499102
1700499103
4.1 数据分析团队与业务团队的分工和定位
1700499104
1700499105
4.2 数据化运营是真正的多团队、多专业的协同作业
1700499106
1700499107
4.3 实例示范数据化运营中的跨专业、跨团队协调合作
1700499108
1700499109
在前面3章，我们介绍了数据挖掘和数据化运营的概念，并对常见的数据分析项目类型进行了简述。事实上，无论是数据挖掘的专业技术，还是具体的数据分析项目，对于企业的数据化运营实践来说都还只是万里长征的第一步，也就是说数据挖掘的价值、数据分析项目的价值一定要落实到企业具体的数据化运营（业务落地应用）实践中才可以得到检验和实现，而在运营实践中与业务团队的结合是很关键的问题。
1700499110
1700499111
可以说，数据化运营是一项企业全员参与的全民运动，数据分析部门和数据分析师在其中则扮演着中心和主力的角色，但是又离不开业务部门的参与、理解、应用和支持。可能有读者会问，在这个数据化运营的全民运动中，不同的业务部门各自又具有什么样的职责和要求呢？本章就以在线运营团队的数据化运营为例，具体讨论两个团队的定位和分工，通过举例详细介绍数据化运营是如何凭借多个团队的专业分工和协作，来合力走向成功的。
1700499112
1700499113
1700499114
1700499115
1700499117
数据挖掘与数据化运营实战：思路、方法、技巧与应用 4.1 数据分析团队与业务团队的分工和定位
1700499118
1700499119
在数据化运营实践中，数据分析团队和业务团队既会密切配合，又会保有各自独特的专业性。业务部门有自己的专业领域，并有相应的专业技能要求，但是围绕数据化运营这个大场景时，业务团队则必须具备与数据分析相关的一些基本技能和要求。本节以在线运营团队为例，详细说明数据化运营场景中运营团队应该具有的与数据相关的基本技能要求。另外，虽然目前对于“网站运营”的准确定义还缺乏一致的看法，但是主流的意见是：凡是承担网站运作和网站营收工作的，都属于网站运营的工作。这个定义在本书里将会贯彻始终，后面不再重述。
1700499120
1700499122
4.1.1 提出业务分析需求并且能胜任基本的数据分析
1700499123
1700499124
在数据化运营中，运营团队的员工首先要会提出合理的、有价值的、有意义的业务分析需求，即提交需求给数据分析团队。可以说，数据化运营来自于业务需求，服务于业务需求，而业务需求的一个重要来源则是业务团队（包括运营团队）的需求。运营团队不仅要提出分析需求，而且应保证这个需求是合理的有价值有意义的，也就是说需求的提出要经过业务团队内部的讨论、过滤，尽量避免无效、无理需求的产生，从而避免资源浪费，也可以提高分析效率和数据化运营效率。由于各业务团队的业务水平有差异，因此需求的有效性也有相应的差异，有些来自业务方的分析需求甚至是伪命题，而这很可能是业务团队自身对于业务逻辑的思考不严密或者对于数据分析的应用条件不是很了解的反映。比如，某在线运营团队通过电子邮件的持续运营，激发受众的活跃性。他们发现，有些受众对于电子邮件的响应很积极，打开邮件、点击链接的比例比较高，而有些受众对于电子邮件的响应不积极，很少打开电子邮件，更不要说去点击其中的链接了。基于这个直观感受，该运营团队提出了数据分析需求，希望建立一个预测模型，预测谁最可能响应电子邮件的宣传（最可能打开邮件、点击链接等），谁最不可能响应电子邮件的宣传（最不可能打开邮件）。虽然这个需求乍一看很合理，但是仔细想想，分析的很多数据条件不具备：用户是否打开电子邮件受很多因素影响，比如广告是否有促销、促销力度是否大、文案是否吸引用户等，而且历史数据里每次运营活动的主题都不一样，具体的主题却没有数据记录。这些关键因素都决定着用户是否会点击邮件，但是这些因素在历史数据里并没有记录在案。在这种情况下，仅仅根据用户的注册属性和部分网站使用行为去搭建预测模型，来预测用户是否对电子邮件运营响应度高，风险会很大，很有可能做到最后不但浪费了资源，而且模型效果不好。针对这种情况，数据分析师建议先对响应受众进行简单的统计描述分析，看是否有比较明显的有价值的特征发现，再基于这个分析总结去决定是否需要搭建预测模型做深入分析。
1700499125
1700499126
当然，业务团队提出分析需求的能力和水平也是一个不断提高、不断进步的过程，其中数据分析团队和数据分析师在引领业务团队数据化水平成长的过程中扮演着重要的“授人以渔”的角色。
1700499127
1700499128
业务团队和业务人员应该具备怎样的基本数据分析技能呢？具体来说，以下一些重要的基本技能是在数据化运营中作为一个合格的运营团队和一名合格的人员应该具备的：
1700499129
[
上一页 ]
[ :1.70049908e+09 ]
[
下一页 ]