打字猴:1.700501749e+09

1700501749 本章的重点是关于运营效果分析的应用介绍。

1700501750

1700501751

1700501752

1700501753

1700501754 数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497661]

1700501755 数据挖掘与数据化运营实战：思路、方法、技巧与应用 12.1　为什么要做运营效果分析

1700501756

1700501757 为什么要做运营效果分析？其主要目的在于衡量运营的效率和效果，指导运营技巧的优胜劣汰，提升运营团队的专业能力，增强运营工作的商业价值，具体内容如下：

1700501758

1700501759 ❑衡量运营工作的效率和效果。任何工作都是需要评价和衡量的，除非这个工作是没有意义的。数据化运营的效果也是需要评价和衡量的，这种评价和衡量既可以针对运营团队，又可以针对具体的运营操盘手。作为衡量运营工作的效率和效果的主要目的之一，运营效果分析需要回答的问题为：运营工作到底有没有带来业务提升的效果？业务提升的效果是否显著？运营工作的效率如何？换成具体的业务实践场景，那就是本次运营活动对于商业目标，比如提升活跃客户数量有没有效果？效果多大？相比不做运营活动来说，本次运营活动的转化率多大？提升多少？

1700501760

1700501761 ❑指导运营技巧的优胜劣汰。在本书第4章可以看到运营方案的具体实施效果会涉及诸多的因素和环节，包括文案的差异、目标受众的差异、运营渠道的差异、运营噱头（优惠激励措施）的差异、执行频率的差异等，通过比较这些因素差异带来的最终效果，可以为今后优化运营方案，提升运营效率提供可靠的依据和建议。

1700501762

1700501763 ❑提升运营团队的专业能力。优秀的运营团队，一定是善于学习的运营团队，要从书本中学习，更要善于从实践中学习。通过对具体实施后的运营效果分析，可以发现运营工作中的好思路、好做法，也可以发现运营工作中的失误和差强人意的地方。运营团队在充分的运营效果分析基础上，可以扬长避短，不断进步，这就是运营团队和个人的专业能力的进步。

1700501764

1700501765 ❑增强运营工作的商业价值。数据化运营的最终目的是增强企业的市场竞争力，给企业带来越来越大的商业价值和利益。通过运营效果分析，不仅能回答运营效果如何的问题，更可以总结出运营工作中的经验和教训，从而在以后的运营中扬长避短，百尺竿头更进一步，最终不断提升企业的商业价值和商业利益，这也是运营效果分析的终极目标，是运营效果分析的最大价值所在。

1700501766

1700501767

1700501768

1700501769

1700501770 数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497662]

1700501771 数据挖掘与数据化运营实战：思路、方法、技巧与应用 12.2　统计技术在数据化运营中最重要最常见的应用

1700501772

1700501773 统计技术是数据分析挖掘的基础，虽然本书多次强调在企业的数据化运营实践中并不需要严格区分统计技术与挖掘技术，只要能解决企业实际问题的技术就是好技术，但是如果从分析技术的使用集中度来看，在效果分析类型的业务场景中，统计技术里的假设检验是应用得最集中、最普遍、最频繁的，并且可以有效提供最终的评判结论。换句话说，在效果分析类型的业务场景中，通过假设检验技术完全可以满足分析需求。鉴于此，本章将详细讲解假设检验中与运营效果分析最相关、最常见、最主要也是最基本的一些分析方法和技术。

1700501774

1700501775 数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497663]

1700501776 12.2.1　为什么要进行假设检验

1700501777

1700501778 之所以要对运营的效果进行假设检验评估，主要是基于以下两方面的原因：

1700501779

1700501780 ❑为了精确地区分出运营效果的差别到底是随机因素引起的，还是因为运营的因素引起的，以及在多大置信度内可以肯定是因为随机因素引起的,或者是因为运营的因素引起的。

1700501781

1700501782 ❑在很多情况下，效果的评估是基于样本的观测来进行的，为了从样本的结论里推导出总体的结论，也必须进行假设检验来判断样本的差异能否代表总体的差异，同时还要确定样本的差异在多大的置信度内可以代表总体的差异。

1700501783

1700501784 接下来着重介绍假设检验中与运营效果分析应用最密切、最常见的一些技术和方法，其包括T检验、F检验、非参数检验、卡方检验、控制变量的方法及ABtest方法。

1700501785

1700501786

1700501787

1700501788

1700501789 数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497664]

1700501790 数据挖掘与数据化运营实战：思路、方法、技巧与应用 12.2.2　假设检验的基本思想

1700501791

1700501792 在日常生产、生活和商业实践中，经常会碰到对于总体的一些判断，比如生产线上瓶装饮料的净重是否达标，细分用户群体的活跃度提升是否显著等，所有这些判断都有两个选择，要么达标，要么不达标；要么显著，要么不显著。即是非判断：要么是A，要么是非A。这两种选择对应的就是两个假设，一个是原假设H0（Null Hypothesis），一个是备选假设H1（Alternative）。相对于假设而言，在一次观察或试验中几乎不可能发现的事情，称之为小概率事件，小概率事件在一次试验中发生的概率则被称为显著性水平。

1700501793

1700501794 假设检验的基本思想和原理就是小概率事件原理，即观测小概率事件在假设成立的情况下是否会发生。如果在一次试验中，小概率事件发生了，说明假设在一定显著性水平下不可靠，因此有理由拒绝原假设，而接受备选假设；如果在一次试验中，小概率事件没有发生，只能说明没有足够的理由相信假设是错误的，但是并不能说明假设是正确的，因为无法收集到足够的证据证明假设是正确的。

1700501795

1700501796 从上面的讲解中可以看出，假设检验的结论是基于一定的显著性水平而得出的。因此，在观测事件并下结论时，有可能会犯错。在假设检验过程中，无法保证永远不犯错误，这些错误归纳起来有以下两类：

1700501797

1700501798 ❑第Ⅰ类错误：当原假设为真时，却否定它而犯的错误，即拒绝正确假设的错误，也叫弃真错误。犯第Ⅰ类错误的概率记为α，通常也叫α错误，即α=1-置信度。

[ 上一页 ] [ :1.700501749e+09 ] [ 下一页 ]