英国的奥运奖牌大丰收,您可以从他们的数据分析战略学到哪些

原创
开源 开发工具
英国做了些什么:英国依靠优势领域,而不是期待在从未收获的领域获得成功。英国专业领域包括自行车、赛艇和部分田径比赛。只有连续的成功才能赢得后续的资金支持。在冷门项目中获胜当然精彩,但读者比较关注有效赢得新客户。谁都不会认可将宝贵的资金打水漂的道理是一样的。

[[172317]]

在最近的里约奥运会,英国在奥运奖牌榜上赢得第二名的位置,67 枚奥运奖牌数量让人难以置信——这比他们在 2012 年伦敦奥运会上获得的奖牌数还多出两枚,而 27 枚金牌数也令人瞩目。除了自 2012 年伦敦奥运会前的国家大力投资,英国成功的另一个关键因素是通过坚持不懈地聚焦数据分析提高运动员的表现水平。本文介绍该战略可用于数据分析的各个方面,是业务分析系列的第二篇。若要阅读***篇文章,请访问(http://zhuanlan.51cto.com/art/201607/514770.htm)。

相比之下,中国队未能实现预期目标,排名位于英国之后,赢得 26 枚金牌。中国奥委会主席刘鹏先生对中国在里约的经历总结:“在里约奥运会中,我们没有获得很多奖牌…在最近几年,国际体育竞技水平大幅提高,竞争变得越来越激烈”。中国队很明显对激烈的竞争感到惊讶。中国应用开发者也熟悉这种情绪,因为国内应用市场面临着类似的“照样学样”竞争。

尽管人口仅为 6400 万,英国还是在奥运会上取得了巨大的成功。本文介绍英国策略可用于数据分析的亮点,尤其让我感到震惊的是,英国体育似乎采用的是假设-演绎法(参见下图),这项分析在向英国学习的经验时很有用。

学习要点:

英国自 2008 年奥运会后 2012 年伦敦奥运会前就开始增加奥运会的资金投入,每次奥运会至少投入 2 亿英镑(来源:UK 体育 - http://www.uksport.gov.uk/our-work/investing-in-sport/historical-funding-figures)。资金的投入起着一定的作用,我将强调英国数据分析策略以显示开发者的相关学习要点。

1. 聚焦:

英国做了些什么:英国依靠优势领域,而不是期待在从未收获的领域获得成功。英国专业领域包括自行车、赛艇和部分田径比赛。只有连续的成功才能赢得后续的资金支持。在冷门项目中获胜当然精彩,但读者比较关注有效赢得新客户。谁都不会认可将宝贵的资金打水漂的道理是一样的。

学习要点:从战略上讲,判断您的团队所擅长的领域并坚持这些领域非常重要。多数公司都成功地将两个应用合并为一个。比如Musical.ly 将卫星直播与音乐应用合并,因此在配置资源来设计产品和用户体验时,这是需要记住的一条实用指南。这个“制作自己的音乐视频 (make-your-own-music-video)”应用在上海有办事处,却瞄准美国用户。(http://nooga.com/173717/garyvee-why-millions-of-tweens-are-using-musically-and-why-it-matters/)。Musical.ly 创始人 Alex Zhu 指出,美国市场更具吸引力,因为美国青少年比中国同龄人有更多的自由时间。这是因为中国青少年大部分时间都是在学校或强化班度过。目前,他的战略已奏效,已有大约 1000 万人每天都会使用该应用,每天都会制作同等数量级的视频。这是通过深入了解所选纵向市场而成为业界***的例子。

2. 测评:

英国做了些什么:自 1984 年起,英国的赛艇队在每一届奥运会上至少获得一枚金牌。在赫赫战功的幕后,团队不断扩展数据分析,只关注一个问题,“哪些因素能够促使赛艇划得更快?”

对运动员在训练(从水上训练到健身房)和比赛的临场发挥都可采集。从这完整的数据基础,团队可以挖掘实际表现的因素。根据英国团队,两个最重要的宏观使用案例是人才识别和跟踪。尽管人才跟踪更重要,但两者联系紧密。思路是通过收集关于进入培训计划的所有运动员的完整数据,将新进入计划的运动员数据与先进入计划的运动员数据进行比较,从而判断最有可能使每个运动员***冠军。

学习要点:人才识别和跟踪类似于高价值用户的识别和跟踪。数据分析也同样需要根据主要目标逐步进行。让我们来重点看下 AT&T,AT&T是美国第二大移动电话服务提供商。AT&T 使用 Countly 跟踪其自助服务应用 (myAT&T) 。安装和 DAU 指标自身没有意义,因为myAT&T 不涉及应用内采购的指标,即优化在线支付体验、管理忠诚度计划,引导客户到其商店交叉销售其他产品。AT&T 采用与奥运会运动员类似的方法来跟踪其用户,回答其研究性问题:“我最有价值的用户都有哪些相似行为?”

您可能希望解决的其他关键用户和产品问题:

  • 如何绑定不同产品?
  •  哪些用户最有可能离开?
  •  用户接下来将买哪些产品?
  •  用户在谈论什么?
  •  哪些用户群最有价值?
  • 如何提升市场活动响应?
  • 哪些用户最有可能升级?

为此,AT&T 收集了它最有价值用户的行为模式,比如在计划升级和先导指标之前,用户查看了哪些页面,比如邮箱地址的更改。AT&T 能够判断潜力***的用户群,力求在正确的环境下提供有效的终结陈述。这会涉及大量记录,因为先导指标可能需要几个月的时间才能具体化,比如各个月份的费用上升趋势。通过Countly,AT&T 能够每个月规模化收集超过 10 亿个数据点。

[[172319]]

3. 分析:

英国做了些什么:英国的赛艇队***步是收集数据,第二步就是将收集到的数据综合在一起,结合比赛数据,从而为训练提供信息并帮助提升运动表现。数据模型提供的信息,允许教练和管理人员做出更好的决策。这包括识别有可能***冠军的、有前途的年轻赛艇运动员,以及协调不同赛艇组合中的赛艇运动员,从而***化每只赛艇的表现。

学习要点:大多数时候,切实可行的见解只会在您通过交叉分析了解用户群,使见解形象化后才会出现。这就是Countly 通过先进的取钻和漏斗工具所带给客户的价值。对于MyAT&T,它的管理团队意识到若不将数据置于场景中考虑,可能会导致数据量足够,但是用处不大,或者至少对常见情况有用,分析人员将 50% 到 80% 的时间花在准备数据上,而不是得出有用的商业见解。AT&T 尤其被 Countly 的事件键所吸引,事件键可以记录***数量的市场细分键值。这可用于记录 MyAT&T 内常用的搜索词,有助于向有价值的用户进行有针对性的推销。

此外,Countly 为客户提供灵活性,能够无缝下载 JSON 数据到任何选中的统计软件,如 SAP 或 R,可用于统计分析,比如假设检验和客户终身价值(LTV)回归模型。

4. 解释:

英国做了些什么:通过更好地利用数据,英国赛艇队知道了如何做来提高自己的决策效果。但令人兴奋的是可能会出现的金矿或者“未知的未知”——那些事情我们甚至在开始分析数据之前都无法预测,因此我们可以发现更多会影响运动员表现的因素和因素组合。

学习要点:与很多其他企业一样,AT&T 采用 RFM(recency, frequency, monetary最近一次消费、消费频率和消费金额)分析方法来量化确定哪些用户具有价值,通过调查他们最近一次消费、消费频率和消费金额来确定。

根据 RFM 分析,AT&T 将客户基础分为不同的群体:

  • 简单总结用户目前所处的事态
  • 准确瞄准市场并增加营销业绩
  • 为不同的用户群定制推荐产品
  • ***增加用户的期限和购买额

为了获取更好地采用 RFM 方法分析您的离线(比如 AT&T 从其验证注册流程中获得的人口数据详情)和在线行为数据(用户在过去一个月中是否检查其他计划)的逐步指南,您可以参考施罗德集团***数据科学家 Kamil Bartocha 的演讲PPT (http://pt.slideshare.net/WhiteRavenPL/rfm-segmentation/6)。

结论

在信息超载的年代,重点关注创造价值的数据。简言之:

  • 这些信息是否能够让您作出更好的决策?
  • 这些信息是否明确指出实现业务成果需要做些什么?

聚焦、测评、分析和解释是帮助您判断有用数据的步骤。通过这些步骤,Countly帮您结合背景和根据用户特性划分用户群。这样,您就可以提高满足用户需要和期待的能力。

作者介绍

[[172320]]

陈俊勋是Countly的中国与亚太区的市场经理。Countly 代表一种新类型的互动协作技术,从而为技术型和非技术型利益相关者提供一条求知和创新之路。Countly建立了一个开放源的Web和移动解决方案,允许公司掌握自己的数据,回答复杂问题。我们为有需求和理想的公司服务,提供完整的用户行为数据,而且可轻松完整导出。我们认为您能极好地定位并分析自己的用户数据,因为没有人比自己更了解自己的战略。因此,Countly 的格言相当简单,“Customize to Win” 。如果你有意向分享自己公司在数据分析的不平凡之路,欢迎随时联系 Countly(hello@count.ly)。

责任编辑:武晓燕 来源: 51CTO.com
相关推荐

2010-12-24 09:48:45

2021-11-10 15:25:02

加密货币山寨币技术

2023-11-14 11:18:13

2021-08-09 10:15:34

数据库数据分析师

2022-06-15 15:34:12

数据分析分析模型误区

2021-01-27 09:18:50

大数据数据收集大数据分析

2016-12-07 14:03:28

可视化奥运数据

2023-08-30 11:35:29

大数据分析数据驱动

2023-10-10 16:06:14

数据分析工具

2021-10-11 09:55:58

Facebook业务中断网络安全

2021-08-27 09:58:25

国家网络安全网络安全安全风险

2021-08-27 14:39:43

网络安全威胁

2019-03-07 10:15:39

安全禁用Windows 10服务

2017-10-24 05:28:00

数据分析大数据数据

2019-05-15 15:57:15

Python数据分析爬虫

2013-01-21 11:23:37

2020-12-22 15:33:42

数据分析技术IT

2018-04-17 11:43:59

竞争分析波士顿

2010-09-07 11:04:14

SQL语句

2018-07-19 19:50:48

大数据数据分析师网站分析
点赞
收藏

51CTO技术栈公众号