1700499171
数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497526]
1700499172
数据挖掘与数据化运营实战：思路、方法、技巧与应用 4.1.4 跟踪运营效果、反馈和总结
1700499173
1700499174
数据化运营是落地的应用，是要拿结果说话的，所以运营效果跟踪是整个项目的应用核心所在，通过对应用效果的跟踪、反馈与总结，一方面可对数据模型的质量进行客观评价，另一方面，也可对运营的技术、手法进行比较和判断，所有这些都是为今后的模型优化、运营技术的提升打基础，并且是最重要的依据。
1700499175
1700499176
对于运营的效果评价，包括对模型效果的评估和对运营效果的评估两个方面。
1700499177
1700499178
其中，对模型效果的评估主要是判断模型本身在应用中是否与当初模型训练时的效果类似，也就是模型是否如当初搭建时所想的那样稳定，关于这方面内容将在第7章详细讲解，本节从略。
1700499179
1700499180
而对于运营效果的评估，就是排除模型本身的效果因素，专门考察运营因素导致的效果差异，通过相关的数据分析，找出运营中好的地方和不足之处，便于以后扬长避短，为后续提升运营活动的效果提供新的思考和依据。在运营效果评估中，常用的方法是AB Test，即通过对相似群体不同运营方案实施后的效果进行对比，来评价不同运营方案的运营价值和优缺点等）。在本书第6章中，会有非常详细的全过程描述，其中包括运营效果的评估，以及在此基础上对运营因素的分析和提炼。
1700499181
1700499182
相比于运营人员，数据分析师在数据化运营中也有自己的关键能力要求，下面通过表4-1把这两类人员的能力侧重点进行对比归纳。
1700499183
1700499184
1700499185
1700499186
1700499187
1700499188
1700499189
1700499190
数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497527]
1700499191
数据挖掘与数据化运营实战：思路、方法、技巧与应用 4.2 数据化运营是真正的多团队、多专业的协同作业
1700499192
1700499193
4.1 节中多次出现了数据分析团队和运营团队的字样，但是企业的数据化运营实践和项目应用中，绝不仅仅只有这两个专业团队参与其中，更常见的情形是，技术团队、数据仓库团队、CRM系统、客服团队、销售团队、UED团队、测试团队、财务管理团队、数据分析团队和运营团队都要参与进来，多团队协同作战，共同执行一个成功的数据化运营落地应用。
1700499194
1700499195
回想我们在1.1节中提到的互联网行业里的3P3C理论，也是从另外一个维度（核心因素）揭示了数据化运营的复杂性和多专业协调性。
1700499196
1700499197
在4.3节中，将对一个完整的数据化运营项目的落地应用全过程进行描述，并举例说明数据化运营是如何需要多团队、多专业协同作业的。
1700499198
1700499199
1700499200
1700499201
1700499202
数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497528]
1700499203
数据挖掘与数据化运营实战：思路、方法、技巧与应用 4.3 实例示范数据化运营中的跨专业、跨团队协调合作
1700499204
1700499205
案例一：A公司的H产品是一款在线转账产品，其最大的用户价值（用户利益）在于用户通过该产品将现金转账到个人的银行账户时，所需的手续费只是网银转账手续费的一半，甚至更少。该在线转账产品本身是免费使用的，只是用户每次通过该产品在线转账时要支付少量的手续费（相比网银而言）。该产品具体使用流程是，用户首先在网站上下载该在线转账产品，然后登录该产品，并且把自己的支付宝与该产品捆绑，捆绑成功后就可以随时在线使用转账功能了，这样就可以把钱从支付宝转账到各商业银行的账户里。要强调的是，使用该产品转账的费用比直接用支付宝转账的费用还要低。H产品本身所涉及的金融政策不是本书的讨论点，因此这里不做讨论，只是将其作为一款在线产品的运营案例进行分析。
1700499206
1700499207
H产品的运营团队肩负着在线推广该产品的使命，以便让更多的用户认识该产品、了解该产品，并使用该产品进行在线转账。通过初期将近1个月的试运营，已经产生了一批下载该产品的用户，其中有些用户已经成功使用该产品的在线转账，当然也有一部分下载的用户在实际转账过程中因为种种原因不能成功转账，导致转账失败。在这期间，运营团队有很多数据分析需求，比如用户使用该产品的流程漏斗分析、运营活动的效果漏斗分析、目标客户的特征分析、实际转账成功用户的特征提炼等。本案例分享的是对其中成功转账用户的特征提炼（群体细分），并根据这些分析结论和发现进行更加有效的产品推广，即用最有效的手段让更多的人使用该产品。
1700499208
1700499209
1）业务方提分析需求。
1700499210
1700499211
运营团队希望数据分析师能基于试运营1个月以来的效果，即下载产品的用户数量、捆绑产品的用户数量、实际操作转账的用户数量、实际转账成功的用户数量，从中发现最可能使用该产品转账的目标客户群体，从而在以后的运营活动中可以更加精准地针对这些目标群体进行数据化运营，同时为今后的产品优化和升级积累相关的线索、方向和科学依据。
1700499212
1700499213
2）分析师与业务方讨论需求。
1700499214
1700499215
数据分析师根据运营团队的分析需求，与运营团队一起讨论项目需求，讨论试运营1个月以来的实际效果（数据），了解试运营期间的运营手段、运营策略、运营节奏、运营人员的个人体会与直觉等，从而对业务背景有比较深入的了解。
1700499216
1700499217
3）分析师决定是否受理需求，制定具体分析思路、框架、计划并与业务方讨论。
1700499218
1700499219
根据双方交流、沟通的结果以及对试运营1个月以来的效果数据的摸底、评估，项目的数据分析师决定接受该分析需求，同时提出了大致的分析思路、分析框架以及备选的分析字段，并且与运营团队一起讨论、交流这些分析思路和分析框架，征求业务方的意见和建议。
1700499220