1700503186
1700503187
1700503188
1700503189
1700503191
数据挖掘与数据化运营实战:思路、方法、技巧与应用 18.1.7 课题(项目)的落地应用和效果监控反馈
1700503192
1700503193
本环节作为流程制度的第7步,重点在于落地应用的监控和效果反馈,以及后期的模型维护、更新和优化等。
1700503194
1700503195
单纯输出模型或者得出分析结论还远远谈不上业务价值和业务贡献,只有在落地应用中才能体现其价值,所以课题(项目)小组的成员必须与业务方一起,参与到业务落地应用的全过程中,包括一起制定运营策略、具体实施监控、模型实施后的效果评估以及反馈总结等。
1700503196
1700503197
具体来说,本环节的制度流程包含以下内容:
1700503198
1700503199
❑模型的应用效果原则上是由业务方负责监控和总结的,数据团队可以在技术、思路上给予指导和帮助。之所以由业务方来负责效果监控,主要是为了确保对分析结论,如对模型精度、效率、效果等的客观评价。
1700503200
1700503201
❑对于落地应用中效果良好的课题,相应课题(项目)组长要负责组织、总结并对此进行宣传(以企业内部邮件的形式),目的是逐步提升数据分析团队的影响力、凝聚力和集体荣誉感。
1700503202
1700503203
❑对于落地应用中效果不好的课题,相应课题(项目)组长负责组织效果诊断会,邀请相关的业务方、课题组、需求评估小组专家等一起找原因,不断完善模型和分析结论,不断优化落地应用环节和效果。
1700503204
1700503205
❑落地应用后的总结、反馈由课题(项目)组长在数据分析团队的周会上做专题分享和讨论,目的是不断总结经验教训,让数据分析团队成员共同进步,共同成长。
1700503206
1700503207
❑在模型应用后,课题(项目)组同时还要负责每3~6个月的模型Review,包括根据应用效果决定模型是否需要修正,如何修正,并且在具体修正后重新投放应用等。
1700503208
1700503209
❑对于落地应用后效果比较稳定的解决方案,由课题(项目)组协助开发团队和数据仓库团队进行相关的模型固化工作,把模型嵌入企业的自动化流程中去。
1700503210
1700503211
1700503212
1700503213
1700503215
数据挖掘与数据化运营实战:思路、方法、技巧与应用 18.2 质量保障流程制度的重要性
1700503216
1700503217
上述质量保障流程制度的重要性主要表现在以下几个方面:
1700503218
1700503219
❑需求评估小组可以有效保障需求评估的科学性和权威性,并且能有效保障课题的选题质量和分析质量,降低课题失败的风险和资源浪费,能有效提供分析过程中的技术难题的解决思路和方案。
1700503220
1700503221
❑课题小组制度以及业务方代表参与课题小组,可以有效保障分析课题的资源集中应用,以及自始至终与业务方的合作协调。
1700503222
1700503223
❑项目分享、讨论制度可以促进整个数据分析团队的相互学习、共同进步,并且可作为提升团队整体分享能力的有效措施,因此该制度值得坚持并推广。
1700503224
1700503225
❑课题小组对于项目后期的维护、优化、固化制度可以有效确保落地应用的一贯性、持续性和稳定性。
1700503226
1700503227
1700503228
1700503229
1700503231
数据挖掘与数据化运营实战:思路、方法、技巧与应用 18.3 如何支持与强化质量保障流程制度
1700503232
1700503233
制度再好,流程再完善,如果不能得到有效的贯彻执行,也只能是一纸空文,没有任何价值。所以,完善、有效的流程制度一定是建立在脚踏实地的落实中。
1700503234
1700503235
为了保障上述(或者类似的)数据挖掘项目的质量保障流程及制度能真正有效服务于企业的数据化运营实践,企业可以从组织架构、项目管理、个人绩效考核等诸多方面推进。
[
上一页 ]
[ :1.700503186e+09 ]
[
下一页 ]