《大數(shù)據(jù)運(yùn)營(yíng)》大數(shù)據(jù)運(yùn)營(yíng)綜合應(yīng)用

大數(shù)據(jù)運(yùn)營(yíng)綜合應(yīng)用本章知識(shí)點(diǎn)（1）了解數(shù)據(jù)分析思維（2）了解大數(shù)據(jù)運(yùn)營(yíng)指標(biāo)體系（3）掌握大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)（4）掌握網(wǎng)貸平臺(tái)逾期用戶(hù)分析01大數(shù)據(jù)運(yùn)營(yíng)思維與分類(lèi)02數(shù)據(jù)可視化PART01大數(shù)據(jù)運(yùn)營(yíng)思維與分類(lèi)數(shù)據(jù)分析思維1.對(duì)比在對(duì)數(shù)據(jù)進(jìn)行分析時(shí)，如果單獨(dú)看某一天或某一類(lèi)數(shù)據(jù)的信息，其實(shí)并沒(méi)有什么價(jià)值，比如某商店20年10月份的銷(xiāo)售額為5萬(wàn)元，如果單獨(dú)出現(xiàn)并不能代表什么，如果是和上個(gè)月的數(shù)據(jù)進(jìn)行對(duì)比，數(shù)據(jù)才變得有意義。對(duì)比是最基本的數(shù)據(jù)分析方法，是尋找事物的相同點(diǎn)和不同點(diǎn)的方法。對(duì)比思維可分為目標(biāo)對(duì)比、時(shí)間對(duì)比、橫向?qū)Ρ群涂v切對(duì)比四種。目標(biāo)對(duì)比：主要用于對(duì)目標(biāo)、進(jìn)度的管理，如完成率時(shí)間對(duì)比：按照時(shí)間維度進(jìn)行對(duì)比，比如同比、環(huán)比橫向?qū)Ρ龋喊凑諜M向維度進(jìn)行對(duì)比，比如某公司產(chǎn)品各個(gè)地區(qū)的銷(xiāo)量縱向?qū)Ρ龋焊鶕?jù)細(xì)分中的縱向維護(hù)進(jìn)行對(duì)比，比如漏斗不同階段的轉(zhuǎn)化率數(shù)據(jù)分析思維演繹推理思維一般是從整體出發(fā)，尋找事物之間的邏輯，從而得到某個(gè)個(gè)體的特性。在數(shù)據(jù)分析中，我們會(huì)經(jīng)常用到演繹推理思維。比如某品牌于前一晚發(fā)放了優(yōu)惠券，第二天銷(xiāo)售量就得到了提升，此時(shí)我們可以推斷是發(fā)放優(yōu)惠券這個(gè)運(yùn)營(yíng)活動(dòng)提升了銷(xiāo)量，此時(shí)用到的就是演繹推理思維。2.演繹推理3.假設(shè)4.拆分假設(shè)思維其實(shí)是從演繹思維中延伸出來(lái)的一種逆向思維，簡(jiǎn)單來(lái)說(shuō)就是在數(shù)據(jù)分析過(guò)程中，在不清楚結(jié)果時(shí)，通過(guò)不斷假設(shè)、不斷論證、不斷推理、不斷推翻原假設(shè)的方式，找到最終的真實(shí)原因或者結(jié)論。當(dāng)某個(gè)數(shù)據(jù)指標(biāo)是由多種因素共同得出的，此時(shí)我們可以對(duì)指標(biāo)進(jìn)行拆分。比如某服裝品牌當(dāng)月銷(xiāo)售額下降，此時(shí)可以將銷(xiāo)售額拆分為成交用戶(hù)數(shù)*客單價(jià)，成交用戶(hù)數(shù)又等于訪(fǎng)客數(shù)*轉(zhuǎn)化率，在客單價(jià)不變得情況下，就可以通過(guò)分析訪(fǎng)客數(shù)和轉(zhuǎn)化率來(lái)得出銷(xiāo)售額下降的原因。數(shù)據(jù)分析思維當(dāng)分析維度過(guò)多時(shí)，可以選擇去掉一些可由其他維度計(jì)算得到的維度。比如現(xiàn)有總用戶(hù)數(shù)、男性用戶(hù)數(shù)、女性用戶(hù)數(shù)3個(gè)屬性數(shù)據(jù)，由于總用戶(hù)數(shù)=男性用戶(hù)數(shù)+女性用戶(hù)數(shù)，此時(shí)從3個(gè)屬性數(shù)據(jù)中選擇2個(gè)留下即可。5.降維6.增維當(dāng)已有的指標(biāo)不能很好的解釋問(wèn)題時(shí)，可以通過(guò)原有指標(biāo)計(jì)算得出新的指標(biāo)。比如原有數(shù)據(jù)中有訪(fǎng)客數(shù)、轉(zhuǎn)化率和客單價(jià)，此時(shí)如想知道銷(xiāo)售額，即可通過(guò)公式計(jì)算得出。數(shù)據(jù)分析思維7.漏斗漏斗分析是一套能夠科學(xué)地反映用戶(hù)行為狀態(tài)的流程式數(shù)據(jù)分析，其可以揭示每個(gè)關(guān)鍵環(huán)節(jié)的轉(zhuǎn)化率、流失率，鎖定主要問(wèn)題所在，為全流程的改善提供參考建議。漏斗思維在日常數(shù)據(jù)運(yùn)營(yíng)中有廣泛應(yīng)用，包括產(chǎn)品轉(zhuǎn)化、流量監(jiān)控、購(gòu)買(mǎi)流程、銷(xiāo)售管道、瀏覽路徑等。假如一個(gè)產(chǎn)品運(yùn)營(yíng)部門(mén)想要提升其購(gòu)物APP的用戶(hù)活躍度，需要數(shù)據(jù)分析師給予決策依據(jù)。業(yè)務(wù)分析師接到此任務(wù)，首先需要知道的就是一般用戶(hù)的購(gòu)買(mǎi)路徑，如“下載APP、注冊(cè)賬號(hào)、查看商品、加入購(gòu)物車(chē)、購(gòu)買(mǎi)商品”，數(shù)據(jù)分析師此時(shí)就可以采用漏斗分析的方式針對(duì)這幾個(gè)關(guān)鍵步驟開(kāi)展數(shù)據(jù)分析。在進(jìn)行漏斗分析時(shí)，首先在每個(gè)步驟中選取一個(gè)關(guān)鍵頁(yè)面，然后在每個(gè)頁(yè)面中選取PV（PageView）、平均停留時(shí)間這兩個(gè)指標(biāo)。假設(shè)在分析中，我們發(fā)現(xiàn)在步驟3到步驟4的關(guān)鍵頁(yè)面中，客戶(hù)流失率較大，但步驟3中頁(yè)面停留時(shí)間較長(zhǎng)，說(shuō)明此商品已推送給目標(biāo)用戶(hù)，但是可能由于商品價(jià)格、規(guī)格等因素客戶(hù)沒(méi)有加入到購(gòu)物車(chē)，此時(shí)運(yùn)營(yíng)部門(mén)就要在步驟3中分析原因，給出改善策略。大數(shù)據(jù)運(yùn)營(yíng)指標(biāo)體系新增用戶(hù)數(shù)新增用戶(hù)數(shù)包括日新增用戶(hù)數(shù)、用新增用戶(hù)數(shù)，是用來(lái)衡量一個(gè)產(chǎn)品能否持續(xù)運(yùn)營(yíng)的依據(jù)。如果一個(gè)產(chǎn)品新增用戶(hù)數(shù)隨著時(shí)間推移慢慢減少，而老用戶(hù)的活躍度又不斷降低，那么產(chǎn)品將很難繼續(xù)“生存”下去?；钴S率活躍率是基于活躍用戶(hù)數(shù)量的，而活躍用戶(hù)數(shù)按時(shí)間又分為日活躍用戶(hù)數(shù)（DAU）、周活躍用戶(hù)數(shù)（WAU）和月活躍用戶(hù)數(shù)量（MAU）等。DAU是指一天之內(nèi)活躍的用戶(hù)數(shù)，WAU是指一周之內(nèi)至少活躍一次的用戶(hù)總數(shù)，MAU是指一個(gè)月之內(nèi)至少活躍一次的用戶(hù)總數(shù)?；钴S率是活躍用戶(hù)在總用戶(hù)中的占比，計(jì)算時(shí)用活躍用戶(hù)數(shù)除以總用戶(hù)數(shù)。所以按照時(shí)間也可分為日活躍率、周活躍率、月活躍率等。1.用戶(hù)指標(biāo)類(lèi)大數(shù)據(jù)運(yùn)營(yíng)指標(biāo)體系留存就是開(kāi)始使用應(yīng)用的用戶(hù)，經(jīng)過(guò)一段時(shí)間后繼續(xù)使用，也就是留下來(lái)的用戶(hù)。留存可以評(píng)估產(chǎn)品功能對(duì)用戶(hù)的黏性，也可以看出不同時(shí)期獲得新用戶(hù)的流失情況，如果留存低，就要找到用戶(hù)流失的原因。留存率是反映用戶(hù)留存的指標(biāo)，是指留存用戶(hù)占當(dāng)時(shí)新增用戶(hù)的比例。留存率按照時(shí)間可分為次日留存率、第3日留存率、第7日留存率、第30日留存率等。次日留存率的計(jì)算公式為：在第2天使用過(guò)產(chǎn)品的用戶(hù)數(shù)／第1天新增總用戶(hù)數(shù)；第3日留存率的計(jì)算公式為：在第3天使用過(guò)產(chǎn)品的用戶(hù)數(shù)／第1天新增總用戶(hù)數(shù)。留存率大數(shù)據(jù)運(yùn)營(yíng)指標(biāo)體系PV，即PageView，頁(yè)面訪(fǎng)客數(shù)，表示一定時(shí)間內(nèi)某個(gè)頁(yè)面的瀏覽次數(shù)，用戶(hù)每訪(fǎng)問(wèn)一次網(wǎng)頁(yè)可以看作是一個(gè)PV。如果某網(wǎng)頁(yè)一天的PV為1000，則代表該網(wǎng)頁(yè)在1天中被打開(kāi)了1000次。01022.電商網(wǎng)站運(yùn)營(yíng)類(lèi)指標(biāo)PVUV，即UniqueVisitor，獨(dú)立訪(fǎng)客數(shù)，表示一定時(shí)間內(nèi)訪(fǎng)問(wèn)某個(gè)頁(yè)面的人數(shù)。比如某網(wǎng)頁(yè)1天中被打開(kāi)了100次，可是這100次都是被1個(gè)人打開(kāi)的，那么此時(shí)UV為1，PV為100。UV大數(shù)據(jù)運(yùn)營(yíng)指標(biāo)體系轉(zhuǎn)化率是指在一個(gè)統(tǒng)計(jì)周期內(nèi),完成轉(zhuǎn)化行為的次數(shù)占推廣信息總點(diǎn)擊次數(shù)的比率。如下單轉(zhuǎn)化率=下單人數(shù)/UV，支付轉(zhuǎn)化率=支付人數(shù)/UV。0304轉(zhuǎn)化率GMV，即GrossMerchandiseVolume，商品交易總額，表示一定時(shí)間內(nèi)的成交總額，一般包含拍下未支付訂單金額。GMV2.電商網(wǎng)站運(yùn)營(yíng)類(lèi)指標(biāo)大數(shù)據(jù)運(yùn)營(yíng)指標(biāo)體系1)SPUSPU，即StandardProductUnit，標(biāo)準(zhǔn)化產(chǎn)品單元。SPU是商品信息聚合的最小單位，是一組可復(fù)用、易檢索的標(biāo)準(zhǔn)化信息的集合，該集合描述了一個(gè)產(chǎn)品的特性。通俗理解，屬性值、特性相同的商品就可以稱(chēng)為一個(gè)SPU。2)SKUSKU，即StockKeepingUnit，庫(kù)存量單元。SKU是庫(kù)存進(jìn)出計(jì)量的單位，以件、盒等為單位，在服裝、鞋類(lèi)商品中使用最多最普遍。例如紡織品中一個(gè)SKU通常表示：規(guī)格、顏色、款式。通俗理解，SPU是一個(gè)商品,而SKU是該商品的不同的規(guī)格。3.產(chǎn)品類(lèi)指標(biāo)大數(shù)據(jù)運(yùn)營(yíng)指標(biāo)體系0504網(wǎng)貸平臺(tái)類(lèi)指標(biāo)包括新增借款、待收金額、資金凈流入、平均借款期限、逾期率、逾期用戶(hù)性別比例等。網(wǎng)貸平臺(tái)類(lèi)指標(biāo)銷(xiāo)售轉(zhuǎn)換類(lèi)指標(biāo)包括加入購(gòu)物車(chē)次數(shù)、購(gòu)物車(chē)支付轉(zhuǎn)化率、下單金額、下單數(shù)量、下單支付時(shí)長(zhǎng)、瀏覽下單轉(zhuǎn)化率、交易成功訂單數(shù)、退款率等。銷(xiāo)售轉(zhuǎn)化類(lèi)指標(biāo)大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)隨著國(guó)家對(duì)知識(shí)產(chǎn)權(quán)的重視，“內(nèi)容為王”的時(shí)代已經(jīng)開(kāi)啟?；ヂ?lián)網(wǎng)時(shí)代，不缺內(nèi)容，缺的是精品內(nèi)容，怎樣打造精品內(nèi)容，使其成為產(chǎn)品的重要競(jìng)爭(zhēng)力，是作為產(chǎn)品運(yùn)營(yíng)人員最核心的問(wèn)題之一。大數(shù)據(jù)+解決兩大關(guān)鍵問(wèn)題：一個(gè)是找到用戶(hù)，另一個(gè)是內(nèi)容優(yōu)化。1)如何通過(guò)數(shù)據(jù)促進(jìn)內(nèi)容質(zhì)量1.內(nèi)容運(yùn)營(yíng)大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)如何找到用戶(hù)。我們看騰訊DMP管理平臺(tái)這個(gè)例子，它就是通過(guò)大數(shù)據(jù)的加工和管理，使得平臺(tái)具備了數(shù)據(jù)管理、保證數(shù)據(jù)安全的同時(shí)進(jìn)行用戶(hù)畫(huà)像分析、進(jìn)行人群管理以及相似人群擴(kuò)展、進(jìn)而幫助跨屏跨媒體控制等。找到消費(fèi)者之后，面對(duì)日益挑剔的消費(fèi)者，怎么能夠通過(guò)數(shù)據(jù)挖掘來(lái)傳達(dá)你的信息和產(chǎn)品的內(nèi)容？除了騰訊DMP這樣數(shù)據(jù)管理平臺(tái)，DSP平臺(tái)也成為品牌方青睞的選擇。一些跨國(guó)公司在DSP平臺(tái)上的投放甚至占所有廣告費(fèi)投入的半數(shù)，甚至更高。這么做，一個(gè)是解決投放的精準(zhǔn)性，一個(gè)是展示的保障。正如現(xiàn)在騰訊提出要打造品效合一的廣告平臺(tái)，也是為了實(shí)現(xiàn)產(chǎn)品的展示和效果的統(tǒng)一。(1)找到用戶(hù)1)如何通過(guò)數(shù)據(jù)促進(jìn)內(nèi)容質(zhì)量大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)找到消費(fèi)者和渠道之后，如何實(shí)現(xiàn)內(nèi)容優(yōu)化？海量數(shù)據(jù)的出現(xiàn)，數(shù)據(jù)化管理平臺(tái)的誕生，讓我們?cè)趯?duì)用戶(hù)行為進(jìn)行研究的時(shí)候，能夠運(yùn)用的動(dòng)態(tài)的非結(jié)構(gòu)化數(shù)據(jù)，實(shí)時(shí)把握用戶(hù)不斷變化的需求。而以往的非結(jié)構(gòu)化數(shù)據(jù)則能夠解決用戶(hù)的聚合類(lèi)型，相關(guān)性分析，讓我們了解到用戶(hù)的固有屬性。這二者結(jié)合，能夠幫助品牌方預(yù)測(cè)和把握未來(lái)趨勢(shì)變化。對(duì)于內(nèi)容營(yíng)銷(xiāo)來(lái)講，這意味著能夠精準(zhǔn)的找到有這方面內(nèi)容需要的用戶(hù)，并且根據(jù)行業(yè)變化和趨勢(shì)，有針對(duì)性地生產(chǎn)符合消費(fèi)者需求的內(nèi)容。大數(shù)據(jù)+內(nèi)容，讓內(nèi)容營(yíng)銷(xiāo)邁入了一個(gè)新的時(shí)代。最重要的是通過(guò)大數(shù)據(jù)，可以找到精準(zhǔn)的消費(fèi)者。而且，消費(fèi)者洞察，也不是靠傳統(tǒng)意義上只有創(chuàng)意就夠了，而是根據(jù)實(shí)實(shí)在在留下的痕跡、數(shù)據(jù)、算法使得“消費(fèi)者洞察”真正有跡可循。(2)如何實(shí)現(xiàn)內(nèi)容優(yōu)化1)如何通過(guò)數(shù)據(jù)促進(jìn)內(nèi)容質(zhì)量大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)內(nèi)容的分類(lèi)可以是熱點(diǎn)性?xún)?nèi)容、即時(shí)性?xún)?nèi)容、持續(xù)性?xún)?nèi)容,促銷(xiāo)性?xún)?nèi)容等。以即時(shí)性?xún)?nèi)容舉例，比如《奇葩說(shuō)》,里面的“花市口播廣告”就是內(nèi)容品牌與內(nèi)容驅(qū)動(dòng)的合力之作毫無(wú)疑問(wèn)它做得非常成功,馬東在打造奇葩說(shuō)的時(shí)候說(shuō)過(guò),內(nèi)容營(yíng)銷(xiāo)怎么做,其實(shí)就是把做內(nèi)容當(dāng)作產(chǎn)品一樣,把內(nèi)容做好。奇葩說(shuō)平臺(tái)和寶潔公司的海飛絲,嘗試了一次內(nèi)容營(yíng)銷(xiāo)。馬東在奇葩說(shuō)廣告時(shí)段進(jìn)行花式表達(dá),金句頻出,比如“廢話(huà)就像頭皮屑,消滅就用海飛絲?！迸c此同時(shí),官微啟動(dòng)轉(zhuǎn)發(fā)即送海飛絲的活動(dòng)。當(dāng)時(shí)轉(zhuǎn)發(fā)量7萬(wàn)多條,所以最后也就送出去了7萬(wàn)多瓶海飛絲。(2)如何實(shí)現(xiàn)內(nèi)容優(yōu)化1)如何通過(guò)數(shù)據(jù)促進(jìn)內(nèi)容質(zhì)量大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)在做推薦之前，我們需要做的一件事就是：數(shù)據(jù)的收集、上報(bào)。不同于上述內(nèi)容質(zhì)量和用戶(hù)畫(huà)像的數(shù)據(jù)統(tǒng)計(jì)維度，應(yīng)用于推薦的數(shù)據(jù)統(tǒng)計(jì)維度更多，是兩者的超集，除此以外，一些操作系統(tǒng)、app版本、網(wǎng)絡(luò)環(huán)境、用戶(hù)操作訪(fǎng)問(wèn)路徑的分析，漏斗的模型的轉(zhuǎn)化等等都與推薦行為息息相關(guān)。此處關(guān)于數(shù)據(jù)上報(bào)的維度需要針對(duì)不同平臺(tái)，不同推薦業(yè)務(wù)，不同場(chǎng)景做具體問(wèn)題具體分析。我們把每個(gè)用戶(hù)想象成一個(gè)獨(dú)立的點(diǎn)，每個(gè)用戶(hù)背后都帶有各種各樣的用戶(hù)屬性，我們把具有相同屬性的用戶(hù)之間建立一條連線(xiàn)，眾多的用戶(hù)其彼此間的連線(xiàn)也錯(cuò)綜復(fù)雜，由此形成了一個(gè)獨(dú)立的用戶(hù)面。同樣的原理，把每條內(nèi)容也想成一個(gè)獨(dú)立的點(diǎn)，每條內(nèi)容背后也都帶有各種各樣的內(nèi)容聚類(lèi)標(biāo)識(shí)，我們把具有相同類(lèi)別的內(nèi)容之間建立一條連線(xiàn)，眾多的內(nèi)容間的連線(xiàn)也錯(cuò)綜復(fù)雜，由此形成了一個(gè)獨(dú)立的內(nèi)容面。2）如何做內(nèi)容推薦大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)有了“用戶(hù)面”和“內(nèi)容面”的概念以后，我們的每一個(gè)用戶(hù)之間都彼此產(chǎn)生著聯(lián)系，每個(gè)內(nèi)容之間也都彼此產(chǎn)生著聯(lián)系，那如何把我們的“用戶(hù)面”和“內(nèi)容面”打通，其實(shí)就是所謂的用戶(hù)行為。我把用戶(hù)行為比做“通道”通道用于連接“用戶(hù)面”和“內(nèi)容面”，每一次用戶(hù)行為，都是兩個(gè)面之間一次數(shù)據(jù)的傳輸交流。至此，兩個(gè)面之間互相打通，形成了一個(gè)三維模型。這個(gè)三維模型建立在數(shù)據(jù)之上，每時(shí)每刻任意兩點(diǎn)之間都在進(jìn)行著數(shù)據(jù)傳輸，因?yàn)楸舜碎g相互聯(lián)系，一個(gè)用戶(hù)的行為可能最終影響周?chē)鄠€(gè)用戶(hù)的結(jié)果，類(lèi)似蝴蝶效應(yīng)。其次就是“a/btest”和“關(guān)于a/btest，適中要遵循一個(gè)原則，明確目的，保持變量唯一。所有的推薦都是持續(xù)的過(guò)程，不同的推薦算法需要時(shí)間學(xué)習(xí)矯正，a/btest就是很好的輔助工具和方法，關(guān)于如何構(gòu)建a/btest系統(tǒng)，此處不做詳細(xì)說(shuō)明，只闡述其重要性。2）如何做內(nèi)容推薦大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)什么是用戶(hù)畫(huà)像？從中文概念來(lái)講，用戶(hù)畫(huà)像與用戶(hù)角色非常相近，是用來(lái)勾畫(huà)用戶(hù)（用戶(hù)背景、特征、性格標(biāo)簽、行為場(chǎng)景等）和聯(lián)系用戶(hù)需求與產(chǎn)品設(shè)計(jì)的。簡(jiǎn)單來(lái)講，就是想要在通過(guò)從海量用戶(hù)行為數(shù)據(jù)中煉銀挖金。它根據(jù)用戶(hù)在互聯(lián)網(wǎng)留下的種種數(shù)據(jù)，主動(dòng)或被動(dòng)地收集，然后盡可能全面細(xì)致地抽出一個(gè)用戶(hù)的信息全貌，從而幫助解決如何把數(shù)據(jù)轉(zhuǎn)化為商業(yè)價(jià)值的問(wèn)題。比如：猜測(cè)用戶(hù)是男是女，哪里人，工資多少，有沒(méi)有談戀愛(ài)，喜歡什么，準(zhǔn)備剁手購(gòu)物嗎？1)如何進(jìn)行用戶(hù)畫(huà)像分析2.用戶(hù)運(yùn)營(yíng)大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)從英文概念角度，用戶(hù)畫(huà)像（UserPortrait）、用戶(hù)角色（UserPersona）、用戶(hù)屬性（UserProfile）這三個(gè)概念其實(shí)都是各有側(cè)重和容易混淆的。1)如何進(jìn)行用戶(hù)畫(huà)像分析2.用戶(hù)運(yùn)營(yíng)根據(jù)以上的講解，我們就知道，用戶(hù)畫(huà)像近似等同于用戶(hù)角色，統(tǒng)一稱(chēng)為中文概念的用戶(hù)畫(huà)像，而用戶(hù)屬性則是用戶(hù)畫(huà)像的子集。用戶(hù)角色更傾向于業(yè)務(wù)系統(tǒng)中不同用戶(hù)的角色區(qū)分。例如：學(xué)校教務(wù)管理系統(tǒng)、老師審核、設(shè)置選課、學(xué)生查看選課和成績(jī)。那么老師、學(xué)生就是不同的用戶(hù)角色。用戶(hù)畫(huà)像更傾向于對(duì)同一類(lèi)用戶(hù)進(jìn)行不同維度的刻畫(huà)。例如：對(duì)同一個(gè)電商的買(mǎi)家進(jìn)行用戶(hù)畫(huà)像設(shè)計(jì)，就是將買(mǎi)家進(jìn)一步細(xì)分和具象，如閑逛型用戶(hù)、收藏型用戶(hù)、比價(jià)型用戶(hù)、購(gòu)買(mǎi)型用戶(hù)等。用戶(hù)屬性則更傾向于對(duì)屬性層面的刻畫(huà)和描述，特別是基本屬性的內(nèi)涵居多，包括性別、年齡、地域等。用戶(hù)畫(huà)像用戶(hù)角色用戶(hù)屬性大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)畫(huà)虎畫(huà)皮難畫(huà)骨，知人知面不知心。通過(guò)“虛擬用戶(hù)畫(huà)像”我們可以定義用戶(hù)的性別、年齡等這些表面的基本特征，如若想要深入了解核心層面的東西，非數(shù)據(jù)用戶(hù)畫(huà)像不可。這種用戶(hù)畫(huà)像是隨著互聯(lián)網(wǎng)的不斷發(fā)展，積累的用戶(hù)信息、行為記錄越來(lái)越豐富，同時(shí)大數(shù)據(jù)處理和分析技術(shù)也已成熟，可以計(jì)算出每一個(gè)用戶(hù)的特征。特征是從人口基本屬性、社會(huì)屬性、生活習(xí)慣、消費(fèi)行為等信息抽象出來(lái)的一個(gè)個(gè)具體的標(biāo)簽表示，標(biāo)簽是某一用戶(hù)特征的符號(hào)化表示。(1)用戶(hù)畫(huà)像分類(lèi)虛擬用戶(hù)畫(huà)像數(shù)據(jù)用戶(hù)畫(huà)像此種的用戶(hù)畫(huà)像沒(méi)有數(shù)據(jù)的參與構(gòu)建，自然粒度也就比較粗，只是用虛擬的用戶(hù)畫(huà)像代表真實(shí)的用戶(hù)。大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)為每個(gè)用戶(hù)計(jì)算用戶(hù)畫(huà)像，這樣更加貼近真實(shí)的世界，每個(gè)人都是獨(dú)一無(wú)二，不能隨隨便便被其他人代表，用戶(hù)畫(huà)像精準(zhǔn)到人。用戶(hù)畫(huà)像用標(biāo)簽集合來(lái)表示，例如：王某，男，33歲，河南人，北京工作，銀行業(yè)，投資顧問(wèn)，年收入50萬(wàn)，已婚，兩套房，有孩子，喜歡社交，不愛(ài)運(yùn)動(dòng)，喝白酒，消費(fèi)力強(qiáng)等。礎(chǔ)信息可以通過(guò)用戶(hù)的注冊(cè)信息獲得，但像是否有孩子、喜歡社交、喝白酒、消費(fèi)能力等級(jí)等，用戶(hù)不會(huì)告訴我們，需要建立數(shù)據(jù)模型才能計(jì)算出來(lái)。當(dāng)然，用戶(hù)標(biāo)簽的體系是需要根據(jù)業(yè)務(wù)領(lǐng)域去設(shè)計(jì)的，比如：銀行和電商用戶(hù)標(biāo)簽體系就會(huì)不同。(1)用戶(hù)畫(huà)像分類(lèi)例如大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)(2)數(shù)據(jù)用戶(hù)畫(huà)像的用途精準(zhǔn)營(yíng)銷(xiāo)這是運(yùn)營(yíng)最熟悉的玩法，從粗放式到精細(xì)化，將用戶(hù)群體切割成更細(xì)的粒度，輔以短信、推送、郵件、活動(dòng)等手段，驅(qū)以關(guān)懷、挽回、激勵(lì)等策略。這樣就避免了全量投放造成的浪費(fèi)，而且可以針對(duì)某次拉新用戶(hù)的活動(dòng)進(jìn)行分析，評(píng)估活動(dòng)效果，看是否和預(yù)期相符。1數(shù)據(jù)應(yīng)用用戶(hù)畫(huà)像是很多數(shù)據(jù)產(chǎn)品的基礎(chǔ)，諸如耳熟能詳?shù)耐扑]系統(tǒng)廣告系統(tǒng)。操作過(guò)各大廣告投放系統(tǒng)的同學(xué)想必都清楚，廣告投放基于一系列人口統(tǒng)計(jì)相關(guān)的標(biāo)簽，性別、年齡、學(xué)歷、興趣偏好、手機(jī)等等。比如：電商網(wǎng)站為準(zhǔn)媽媽推薦嬰兒用品，為攝影愛(ài)好者推薦鏡頭。在個(gè)性化推薦中，計(jì)算出用戶(hù)標(biāo)簽是其中一環(huán)，還需要有協(xié)同過(guò)濾等推薦算法實(shí)現(xiàn)物品的推薦。精準(zhǔn)廣告可以根據(jù)年齡、區(qū)域、人群、天氣、游戲愛(ài)好、內(nèi)容偏好、購(gòu)物行為、搜索行為等定向選擇進(jìn)行投放。例如騰訊的廣點(diǎn)通，支持用戶(hù)在微信、QQ精準(zhǔn)投放。2大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)(2)數(shù)據(jù)用戶(hù)畫(huà)像的用途數(shù)據(jù)分析用戶(hù)畫(huà)像可以理解為業(yè)務(wù)層面的數(shù)據(jù)倉(cāng)庫(kù)，各類(lèi)標(biāo)簽是多維分析的天然要素，數(shù)據(jù)查詢(xún)平臺(tái)會(huì)和這些數(shù)據(jù)打通。3匹配度判斷查看某次市場(chǎng)推廣的用戶(hù)畫(huà)像，事后分析是否和預(yù)期一致，判斷推廣渠道和產(chǎn)品目標(biāo)用戶(hù)群的匹配度。5產(chǎn)品設(shè)計(jì)產(chǎn)品方面，它用于輔助產(chǎn)品設(shè)計(jì)，評(píng)價(jià)需求是否有價(jià)值。把用戶(hù)進(jìn)行分群，依據(jù)不同用戶(hù)群特性就行產(chǎn)品設(shè)計(jì)和測(cè)試驗(yàn)證，別讓產(chǎn)品偏離核心用戶(hù)的需求。4用戶(hù)分析產(chǎn)品早期，PM們通過(guò)用戶(hù)調(diào)研和訪(fǎng)談的形式了解用戶(hù)。在產(chǎn)品用戶(hù)量擴(kuò)大后，調(diào)研的效用降低，這時(shí)候會(huì)輔以用戶(hù)畫(huà)像配合研究。新增的用戶(hù)有什么特征，核心用戶(hù)的屬性是否變化等等。6大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)流程化和精細(xì)化為每個(gè)運(yùn)營(yíng)人員都要具備的基本思維，如果說(shuō)流程化的思考是運(yùn)營(yíng)人員對(duì)運(yùn)營(yíng)目標(biāo)的定性思考，那么數(shù)據(jù)化就是對(duì)這個(gè)目標(biāo)實(shí)現(xiàn)路徑和效果的定量描述，它將你的工作思路落實(shí)在具體的數(shù)據(jù)指標(biāo)上以衡量你的工作效果和目標(biāo)實(shí)現(xiàn)情況。2)如何通過(guò)數(shù)據(jù)建立用戶(hù)運(yùn)營(yíng)建立數(shù)據(jù)化用戶(hù)運(yùn)營(yíng)的必要性有兩點(diǎn):一是在于定量衡量你工作的價(jià)值;二是實(shí)現(xiàn)精細(xì)化運(yùn)營(yíng)的基礎(chǔ)，比如建立在數(shù)據(jù)基礎(chǔ)上的用戶(hù)分層分類(lèi)和用戶(hù)畫(huà)像就是精細(xì)化運(yùn)營(yíng)的前提。2.用戶(hù)運(yùn)營(yíng)大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)2)如何通過(guò)數(shù)據(jù)建立用戶(hù)運(yùn)營(yíng)數(shù)據(jù)化用戶(hù)運(yùn)營(yíng)是利用用戶(hù)運(yùn)營(yíng)的思路，結(jié)合數(shù)據(jù)分析的思想，業(yè)務(wù)指導(dǎo)數(shù)據(jù)，數(shù)據(jù)驅(qū)動(dòng)業(yè)務(wù)，實(shí)現(xiàn)對(duì)用戶(hù)的精細(xì)化運(yùn)營(yíng)，這是數(shù)據(jù)化用戶(hù)運(yùn)營(yíng)的核心思想。用戶(hù)運(yùn)營(yíng)數(shù)據(jù)化的循環(huán)流程如下：2.用戶(hù)運(yùn)營(yíng)step1：用戶(hù)數(shù)據(jù)收集step2：構(gòu)建用戶(hù)數(shù)據(jù)化運(yùn)營(yíng)指標(biāo)體系step3：數(shù)據(jù)驅(qū)動(dòng)運(yùn)營(yíng)大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)用戶(hù)數(shù)據(jù)的收集主要收集包括用戶(hù)基本數(shù)據(jù)、用戶(hù)行為數(shù)據(jù)和用戶(hù)流量數(shù)據(jù)數(shù)據(jù)。用戶(hù)基本數(shù)據(jù)指的是用戶(hù)的靜態(tài)數(shù)據(jù)，包括性別、年齡、地區(qū)、工作等，這類(lèi)數(shù)據(jù)描述了用戶(hù)是誰(shuí)，主要靠基本信息填寫(xiě)來(lái)實(shí)現(xiàn)。用戶(hù)行為數(shù)據(jù)是用戶(hù)在產(chǎn)品上一系列操作行為的集合，哪個(gè)用戶(hù)在哪個(gè)時(shí)間點(diǎn)、哪個(gè)地方以哪種方式完成了哪類(lèi)操作，包括用戶(hù)瀏覽、購(gòu)買(mǎi)、內(nèi)容貢獻(xiàn)、邀請(qǐng)傳播、社交等行為，這類(lèi)數(shù)據(jù)描述了用戶(hù)干了什么，主要靠數(shù)據(jù)埋點(diǎn)來(lái)實(shí)現(xiàn)。用戶(hù)流量數(shù)據(jù)是用戶(hù)的來(lái)源，是基于用戶(hù)訪(fǎng)問(wèn)的網(wǎng)頁(yè)端產(chǎn)生的，包括設(shè)備、運(yùn)營(yíng)商、端口、時(shí)間等，這類(lèi)數(shù)據(jù)描述了用戶(hù)從哪兒來(lái)。不過(guò)目前的流量數(shù)據(jù)統(tǒng)計(jì)主要來(lái)源于GA、百度統(tǒng)計(jì)等第三方工具，無(wú)法記錄在數(shù)據(jù)庫(kù)中，也就是還做不到與上述提到的用戶(hù)基本數(shù)據(jù)、行為數(shù)據(jù)一一對(duì)應(yīng)。以上數(shù)據(jù)都是從產(chǎn)品或第三方工具里得到的原始數(shù)據(jù)，要實(shí)現(xiàn)運(yùn)營(yíng)目標(biāo)還需要在原始數(shù)據(jù)基礎(chǔ)上做數(shù)據(jù)挖掘和數(shù)據(jù)分析，結(jié)合運(yùn)營(yíng)目標(biāo)和路徑構(gòu)建數(shù)據(jù)化運(yùn)營(yíng)指標(biāo)體系。step1：用戶(hù)數(shù)據(jù)收集大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)如果你不能用指標(biāo)來(lái)描述業(yè)務(wù)，那么你就不能有效增長(zhǎng)它。那么在本環(huán)節(jié)要做的就是將你的業(yè)務(wù)指標(biāo)化。數(shù)據(jù)指標(biāo)不是恒定不變的，它依托于你產(chǎn)品的業(yè)務(wù)流程或功能流程，和目標(biāo)及目標(biāo)實(shí)現(xiàn)路徑密切相關(guān)。用戶(hù)運(yùn)營(yíng)的目的是最大化提升用戶(hù)價(jià)值，如果你是電商產(chǎn)品，那你的目的就是讓用戶(hù)付費(fèi)購(gòu)買(mǎi)商品，如果你是社區(qū)產(chǎn)品，那你的目的就是讓用戶(hù)貢獻(xiàn)傳播內(nèi)容。但是產(chǎn)品目標(biāo)和用戶(hù)價(jià)值的實(shí)現(xiàn)是個(gè)循序漸進(jìn)的過(guò)程，也是個(gè)動(dòng)態(tài)演變的過(guò)程，有的從潛在用戶(hù)注冊(cè)成為活躍用戶(hù)，有的從活躍轉(zhuǎn)為流失，也有的從流失回流到活躍。step2：構(gòu)建用戶(hù)數(shù)據(jù)化運(yùn)營(yíng)指標(biāo)體系大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)有了結(jié)構(gòu)化的數(shù)據(jù)指標(biāo)體系，但這還不能算是完整的運(yùn)營(yíng)體系。數(shù)據(jù)本身是沒(méi)有價(jià)值的，變成策略才有價(jià)值。我們構(gòu)建出來(lái)的數(shù)據(jù)指標(biāo)都是為決策來(lái)服務(wù)的，幫我們制定和優(yōu)化運(yùn)營(yíng)策略。通過(guò)數(shù)據(jù)我們不僅是要知道“是什么”和“有多少”的問(wèn)題，更重要的是要知道“為什么”？這才是數(shù)據(jù)能驅(qū)動(dòng)業(yè)務(wù)的關(guān)鍵。數(shù)據(jù)驅(qū)動(dòng)業(yè)務(wù)體現(xiàn)在兩個(gè)方面：一是用數(shù)據(jù)優(yōu)化運(yùn)營(yíng)策略，比如用戶(hù)留存率低，而留存率與用戶(hù)質(zhì)量和產(chǎn)品吸引力有關(guān)系，通過(guò)渠道分析發(fā)現(xiàn)用戶(hù)質(zhì)量沒(méi)有問(wèn)題，而通過(guò)用戶(hù)流失分析發(fā)現(xiàn)主要流失階段在初始接觸期，這就找到了原因，于是在產(chǎn)品穩(wěn)定性、易用性和新用戶(hù)引導(dǎo)上做優(yōu)化。二是數(shù)據(jù)驗(yàn)證運(yùn)營(yíng)策略，比如你想上線(xiàn)一個(gè)新的用戶(hù)激勵(lì)措施，但不確定和原有方式相比是否會(huì)有更好結(jié)果，這時(shí)候通過(guò)合理的AB測(cè)試得出的對(duì)比數(shù)據(jù)可以為你提供決策依據(jù)。step3：數(shù)據(jù)驅(qū)動(dòng)運(yùn)營(yíng)大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)1）如何通過(guò)數(shù)據(jù)驅(qū)動(dòng)產(chǎn)品力提升3.產(chǎn)品運(yùn)營(yíng)定目標(biāo)產(chǎn)品迭代A/B測(cè)試大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)1）如何通過(guò)數(shù)據(jù)驅(qū)動(dòng)產(chǎn)品力提升3.產(chǎn)品運(yùn)營(yíng)定目標(biāo)無(wú)論是部門(mén)還是項(xiàng)目，在做產(chǎn)品工作的時(shí)候，都需要有一個(gè)非常明確的目標(biāo)。在定目標(biāo)時(shí)，對(duì)于一個(gè)全新的業(yè)務(wù)或者產(chǎn)品，我們沒(méi)有已有數(shù)據(jù)做參考的時(shí)候，我們可以去參考同類(lèi)競(jìng)品，然后去估算可以達(dá)到的數(shù)據(jù)。這個(gè)數(shù)據(jù)具體取什么，也很重要。一般都會(huì)取你所負(fù)責(zé)項(xiàng)目對(duì)公司、對(duì)業(yè)務(wù)貢獻(xiàn)最突出的地方。目標(biāo)一旦明確后，產(chǎn)品經(jīng)理所做的工作，就會(huì)朝著這個(gè)目標(biāo)去努力思考，自然效果就會(huì)更加聚焦，結(jié)果也可以量化。大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)1）如何通過(guò)數(shù)據(jù)驅(qū)動(dòng)產(chǎn)品力提升產(chǎn)品迭代在做需求、設(shè)計(jì)產(chǎn)品時(shí)，首先思考的是這個(gè)改動(dòng)是要達(dá)成什么樣的目標(biāo)：提升轉(zhuǎn)化率？?jī)?yōu)化用戶(hù)體驗(yàn)？或是增長(zhǎng)某些業(yè)務(wù)數(shù)據(jù)？在明確了目標(biāo)后，我再去思考如何改動(dòng)會(huì)提升相關(guān)數(shù)據(jù)。比如強(qiáng)制用戶(hù)注冊(cè)登錄，是否可以提高用戶(hù)注冊(cè)數(shù)？是否會(huì)影響新用戶(hù)的留存率等。我可能在上線(xiàn)前做出一系列假設(shè)，這些假設(shè)在沒(méi)有看到數(shù)據(jù)前，都只是推斷，并不能反映用戶(hù)的真實(shí)行為?；ヂ?lián)網(wǎng)產(chǎn)品迭代速度快，主要原因是通過(guò)小步快跑的迭代方式，可以反復(fù)的試錯(cuò)，糾正，優(yōu)化。保證始終是朝著好的方向嘗試著。如果是大的功能，在上線(xiàn)后，我會(huì)觀察整體的各項(xiàng)指標(biāo)是否發(fā)生了變化。如果發(fā)生了變化，是否是因?yàn)檫@個(gè)功能引起的。如果數(shù)據(jù)變好了，說(shuō)明印證了我們的猜想，符合我們的預(yù)期；如果數(shù)據(jù)不好，就要進(jìn)一步細(xì)化數(shù)據(jù)，定位原因，再次進(jìn)行優(yōu)化，直到我們得出明確結(jié)論。3.產(chǎn)品運(yùn)營(yíng)大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)1）如何通過(guò)數(shù)據(jù)驅(qū)動(dòng)產(chǎn)品力提升A/B測(cè)試通俗講就是同時(shí)上線(xiàn)A方案和B方案，觀察2個(gè)方案的數(shù)據(jù)好壞，從而決定使用哪個(gè)方案。這是最常見(jiàn)的數(shù)據(jù)驅(qū)動(dòng)手段，由于它可以控制除改動(dòng)點(diǎn)之外的其他變量，因此它的對(duì)比比較客觀，結(jié)論也會(huì)非常準(zhǔn)確。3.產(chǎn)品運(yùn)營(yíng)大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)2）如何通過(guò)數(shù)據(jù)做品類(lèi)管理在零售行業(yè)，不論是哪一種產(chǎn)品，飲料、日用品、奶粉等等，貨架陳列是非常重要的，在商超里面，好的陳列位置也是兵家必爭(zhēng)之地，誰(shuí)有實(shí)力誰(shuí)就可以拿到最好的位置，這已經(jīng)是心照不宣的了，那么如果沒(méi)有好位置，對(duì)于貨架陳列要注重什么？怎么才可以進(jìn)行更好的貨架管理，新的數(shù)據(jù)分析工具能不能幫助品牌進(jìn)行更好的品類(lèi)管理、設(shè)計(jì)、陳列以及優(yōu)化。在貨架管理中引入大數(shù)據(jù)分析就是為了可以更好的用科學(xué)的方法來(lái)進(jìn)行貨架管理，將客戶(hù)最想要優(yōu)先購(gòu)買(mǎi)的產(chǎn)品放在客戶(hù)的面前，以及做出更好的預(yù)測(cè)性的品類(lèi)管理決策。利用數(shù)據(jù)分析進(jìn)行品類(lèi)管理，主要衡量標(biāo)準(zhǔn)是不是好的品類(lèi)管理數(shù)據(jù)的標(biāo)準(zhǔn)主要有陳列是不是客戶(hù)想要的產(chǎn)品、陳列的價(jià)格是不是最新的價(jià)格，是不是最新包裝產(chǎn)品，是不是活動(dòng)中的產(chǎn)品，陳列出來(lái)的品類(lèi)庫(kù)存還有多少，以及預(yù)期的毛利是多少，能不能達(dá)到以上的幾個(gè)目標(biāo)，都是需要已有的數(shù)據(jù)支持。3.產(chǎn)品運(yùn)營(yíng)大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)2）如何通過(guò)數(shù)據(jù)做品類(lèi)管理現(xiàn)有的基于數(shù)據(jù)分析的品項(xiàng)管理很多都是針對(duì)銷(xiāo)售的情況是什么樣的，主要提取的也都是銷(xiāo)售的數(shù)據(jù)，根據(jù)長(zhǎng)尾理論，銷(xiāo)售量高產(chǎn)品總是會(huì)被排列的最多，銷(xiāo)售量低的產(chǎn)品少部分排列或者還有可能會(huì)被下架，在品項(xiàng)管理中，我們不能只是看中銷(xiāo)售的數(shù)據(jù)，也要考慮每一個(gè)品類(lèi)之間的互動(dòng)關(guān)系，一個(gè)企業(yè)也可能只單獨(dú)生產(chǎn)一種品項(xiàng)的產(chǎn)品，好的基于數(shù)據(jù)的品項(xiàng)管理要以客戶(hù)的需要為中心，根據(jù)客戶(hù)的真實(shí)購(gòu)買(mǎi)情況，結(jié)合客戶(hù)的信息，找出核心的產(chǎn)品，如果是比較重點(diǎn)的門(mén)店可以挖掘更有深度的產(chǎn)品，一些額外的品類(lèi)還可以根據(jù)每一個(gè)門(mén)店的不同的投入情況，以及重點(diǎn)的主推品牌進(jìn)行調(diào)整。3.產(chǎn)品運(yùn)營(yíng)大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)2）如何通過(guò)數(shù)據(jù)做品類(lèi)管理品類(lèi)管理的目標(biāo)就是將最好、最完整的品類(lèi)展示在貨架上，貨架陳列就是將客戶(hù)最需要的產(chǎn)品展示在客戶(hù)的面前，好的貨架陳列可以達(dá)到三贏的效果，對(duì)于客戶(hù)來(lái)說(shuō)，可以很快的找到自己喜歡的產(chǎn)品，提高客戶(hù)的購(gòu)買(mǎi)體驗(yàn)。對(duì)于運(yùn)營(yíng)方來(lái)說(shuō)，可以減少過(guò)期陳列或者減少報(bào)損的數(shù)量，簡(jiǎn)化陳列的工序，在庫(kù)存以及物流方面也可以提高效率。對(duì)于企業(yè)來(lái)說(shuō)，利用數(shù)據(jù)分析進(jìn)行品類(lèi)管理，從而進(jìn)行貨架陳列，可以有效的提高貨架的使用效率，對(duì)于門(mén)店的發(fā)展策略也是有益的，可以不斷的提高盈利。3.產(chǎn)品運(yùn)營(yíng)大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)3）如何提升產(chǎn)品購(gòu)買(mǎi)能力3.產(chǎn)品運(yùn)營(yíng)確定產(chǎn)品戰(zhàn)略方向制度有效的產(chǎn)品策略方法明確目標(biāo)用戶(hù)及用戶(hù)分析：消費(fèi)場(chǎng)景分析、挖掘市場(chǎng)需求、挖掘產(chǎn)品價(jià)值、形成有競(jìng)爭(zhēng)力的產(chǎn)品優(yōu)勢(shì)、打造層級(jí)的產(chǎn)品結(jié)構(gòu)、有沖擊力的產(chǎn)品創(chuàng)意。通過(guò)產(chǎn)品經(jīng)理負(fù)責(zé)制提高執(zhí)行力度產(chǎn)品經(jīng)理負(fù)責(zé)制主要包括產(chǎn)品推廣計(jì)劃表新品開(kāi)發(fā)計(jì)劃表、爆款打造計(jì)劃表、產(chǎn)品營(yíng)銷(xiāo)工具、產(chǎn)品體系工作推進(jìn)表。確定品類(lèi)：鎖定產(chǎn)品的品類(lèi)，目前的品類(lèi)，未來(lái)要去的品類(lèi)。明確方向：產(chǎn)品的發(fā)展規(guī)劃清晰明確。發(fā)展戰(zhàn)略：3-5年的產(chǎn)品規(guī)劃戰(zhàn)略，及產(chǎn)品的愿景和使命。營(yíng)銷(xiāo)目標(biāo)：目標(biāo)計(jì)劃及分解計(jì)劃，利潤(rùn)指標(biāo)等。核心戰(zhàn)略：產(chǎn)品品質(zhì)的把控，流程優(yōu)化等核心戰(zhàn)略。大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)1）如何通過(guò)數(shù)據(jù)做渠道產(chǎn)品4.渠道運(yùn)營(yíng)建立精細(xì)化的渠道追蹤體系是做好渠道運(yùn)營(yíng)的基礎(chǔ)保障。能追蹤才能衡量,我們需要用一套UTM配置參數(shù)來(lái)追蹤用戶(hù)的來(lái)源告別拍腦袋的主觀判斷渠道質(zhì)量好壞的狀態(tài)。如表所示,UTM提供了5個(gè)可以自由配置的參數(shù)。大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)1）如何通過(guò)數(shù)據(jù)做渠道產(chǎn)品參數(shù)定義好后，就可以進(jìn)行各種場(chǎng)景的跟蹤，舉個(gè)例子：新浪首頁(yè)頂部Banner位和右側(cè)Banner位分別投放了不同廣告創(chuàng)意的運(yùn)營(yíng)內(nèi)容。這里面包含了對(duì)運(yùn)營(yíng)來(lái)說(shuō)如下幾點(diǎn)關(guān)鍵信息：4.渠道運(yùn)營(yíng)這樣就實(shí)現(xiàn)了在同一個(gè)渠道不同位置投放的不同廣告創(chuàng)意的付費(fèi)活動(dòng)的追蹤。當(dāng)然，你可以充分利用這五個(gè)參數(shù)的組合來(lái)實(shí)現(xiàn)各種場(chǎng)景的渠道追蹤。創(chuàng)意是否和用戶(hù)需求相關(guān)，在很大程度上會(huì)影響用戶(hù)是否會(huì)點(diǎn)擊推廣結(jié)果。不同廣告創(chuàng)意的追蹤如果用戶(hù)點(diǎn)擊某條創(chuàng)意比較好的廣告來(lái)到落地頁(yè)后，發(fā)現(xiàn)不是自己最關(guān)心的內(nèi)容，用戶(hù)體驗(yàn)很糟糕，很可能用戶(hù)就跳出了，沒(méi)有發(fā)生我們期望他完成的行為，這對(duì)推廣運(yùn)營(yíng)的好壞影響很大。不同推廣落地頁(yè)的追蹤如上圖我們可以對(duì)付費(fèi)推廣活動(dòng)打上以pay開(kāi)頭的標(biāo)簽，用于區(qū)分是付費(fèi)推廣還是免費(fèi)推廣。不同廣告系列的追蹤大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)5.活動(dòng)運(yùn)營(yíng)數(shù)據(jù)分析前提條件。無(wú)論我們是分析搜索，還是場(chǎng)景數(shù)據(jù)，當(dāng)數(shù)據(jù)量達(dá)不到一定程度的時(shí)候，都沒(méi)有任何意義。也就是只有數(shù)據(jù)達(dá)到一定量時(shí)，才具備分析參考價(jià)值。舉個(gè)例子，比如圖片5個(gè)展現(xiàn)，1個(gè)點(diǎn)擊，點(diǎn)擊率是20%，那你就能說(shuō)這張圖很好嗎？并不能，但是當(dāng)它有100個(gè)點(diǎn)擊，點(diǎn)擊率仍有20%，你再說(shuō)這張圖好是不是就會(huì)有底氣很多。ocpx計(jì)劃數(shù)據(jù)分析。ocpx有兩個(gè)階段，第一個(gè)階段是數(shù)據(jù)積累期，第二階段是智能投放期。在第一個(gè)階段我們需要重點(diǎn)關(guān)注數(shù)據(jù)是曝光量，沒(méi)有曝光我們一般采用兩種應(yīng)對(duì)措施。一是提高出價(jià)；二是新建同個(gè)鏈接ocpx計(jì)劃。第二階段，重點(diǎn)就不是關(guān)注曝光，而是轉(zhuǎn)化和ROI。調(diào)整數(shù)據(jù)思路就是根據(jù)轉(zhuǎn)化流量進(jìn)行一個(gè)浮動(dòng)出價(jià)。比如流量轉(zhuǎn)化好時(shí)，我們可以降低出價(jià)，因?yàn)榈诙鞎?huì)根據(jù)我們前一天數(shù)據(jù)進(jìn)行曝光展現(xiàn)。如果流量轉(zhuǎn)化不好，可以適當(dāng)提高出價(jià)，避免第二天流量供應(yīng)不足。其次我們還可以根據(jù)成交、詢(xún)單、收藏、關(guān)注數(shù)據(jù)進(jìn)行浮動(dòng)出價(jià)，因?yàn)橛行╊?lèi)目會(huì)更注重詢(xún)單和關(guān)注。比如定制類(lèi)目詢(xún)單量就會(huì)比較重要，女裝等非標(biāo)品，關(guān)注也是需要考慮的因素。自定義計(jì)劃數(shù)據(jù)分析。自定義可以?xún)?yōu)化調(diào)整的地方會(huì)比智能更多，因此需要關(guān)注的數(shù)據(jù)也會(huì)增加。比如曝光量、點(diǎn)擊量、點(diǎn)擊率、平均點(diǎn)擊花費(fèi)、點(diǎn)擊轉(zhuǎn)化率、投入產(chǎn)出比、分時(shí)折扣等。大數(shù)據(jù)運(yùn)營(yíng)分類(lèi)持續(xù)拖價(jià)：因?yàn)樵谟?jì)劃初期，無(wú)論計(jì)劃?rùn)?quán)重還是鏈接權(quán)重，都是比較低的，為了日限額能跑出去，一般采用高出低溢的形式，所以當(dāng)計(jì)劃?rùn)?quán)重養(yǎng)起來(lái)之后，首先就是要去降低ppc。優(yōu)化分時(shí)折扣：看數(shù)據(jù)的時(shí)候，不要緊盯著投產(chǎn)，還要關(guān)注流量的波動(dòng)情況，畢竟不是所有訪(fǎng)客都是即時(shí)成交的，避免數(shù)據(jù)誤差。可以通過(guò)報(bào)表把每天分時(shí)詳情數(shù)據(jù)下載下來(lái)。導(dǎo)入到Excel，進(jìn)行數(shù)據(jù)匯總，根據(jù)得到的數(shù)據(jù)規(guī)律進(jìn)行調(diào)整我們的計(jì)劃，比如好的時(shí)間段提高溢價(jià)，當(dāng)然也可以采用很極端的操作，就是只開(kāi)這些好的時(shí)間段，其他溢價(jià)為0。配合ocpx放大流量基數(shù)：但是無(wú)論是智能計(jì)劃還是自定義計(jì)劃，點(diǎn)擊率都是核心關(guān)鍵因素，沒(méi)有做好點(diǎn)擊率就去推廣往往會(huì)折戟沉沙，一敗涂地。只有把握住數(shù)據(jù)的精準(zhǔn)分析，才能把每一分錢(qián)都花在刀刃上。5.活動(dòng)運(yùn)營(yíng)自定義計(jì)劃如何優(yōu)化數(shù)據(jù)？PART02大數(shù)據(jù)運(yùn)營(yíng)綜合案例解析大數(shù)據(jù)運(yùn)營(yíng)綜合案例解析現(xiàn)有一份某網(wǎng)貸平臺(tái)的用戶(hù)數(shù)據(jù)，可使用Python對(duì)此數(shù)據(jù)中的逾期用戶(hù)進(jìn)行分析，總結(jié)出逾期用戶(hù)的特點(diǎn)（逾期用戶(hù)畫(huà)像），在平臺(tái)運(yùn)營(yíng)過(guò)程中對(duì)具有逾期特點(diǎn)的用戶(hù)采取適當(dāng)?shù)娘L(fēng)險(xiǎn)管控措施。數(shù)據(jù)基本信息使用Pandas中的read_csv()方法導(dǎo)入數(shù)據(jù)（此數(shù)據(jù)已上傳到JupyterNotebook中，也可從本地磁盤(pán)導(dǎo)入），如圖所示。1數(shù)據(jù)信息操作現(xiàn)有數(shù)據(jù)集‘LCIS.csv’文件，是某網(wǎng)貸平臺(tái)2015年1月1日到2017年1月30日所有的交易數(shù)據(jù)，首先我們需要導(dǎo)入數(shù)據(jù)，了解數(shù)據(jù)集的基本情況。1)導(dǎo)入數(shù)據(jù)使用shape屬性查看數(shù)據(jù)集的形狀，如圖所示。2)查看數(shù)據(jù)集形狀從中可看出此數(shù)據(jù)集共有292539條數(shù)據(jù)，37個(gè)屬性。接下來(lái)需要查看這37個(gè)屬性分別代表什么。數(shù)據(jù)基本信息使用info()方法查看數(shù)據(jù)集基本信息，如圖所示。1)查看數(shù)據(jù)集基本信息2數(shù)據(jù)集信息查看數(shù)據(jù)基本信息2)將英文字段重命名為中文2數(shù)據(jù)集信息查看#保留原始的df#新建一個(gè)DataFrame（data）存放數(shù)據(jù)data=pd.DataFrame(df)#將英文字段改為中文#inplace=True，不創(chuàng)建新的對(duì)象,直接對(duì)原始對(duì)象進(jìn)行修改data.rename(columns={'ListingId':'序號(hào)','recorddate':'記錄日期'},inplace=True)使用head()方法查看前5條數(shù)據(jù)，如圖所示。數(shù)據(jù)基本信息3)總結(jié)37個(gè)屬性信息2數(shù)據(jù)集信息查看編號(hào)屬性名非空記錄條數(shù)數(shù)據(jù)類(lèi)型1序號(hào)292539int642借款金額292539int643借款期限292539int644借款利率292539float645借款成功日期292539object6初始評(píng)級(jí)292539object7借款類(lèi)型292539object8是否首標(biāo)292539object9年齡292539int6410性別292539object11手機(jī)認(rèn)證292539object12戶(hù)口認(rèn)證292539object13視頻認(rèn)證292539object14學(xué)歷認(rèn)證292539object15征信認(rèn)證292539object16淘寶認(rèn)證292539object17歷史成功借款次數(shù)291336float6418歷史成功借款金額291336float6419總待還本金292539float6420歷史正常還款期數(shù)292539int6421歷史逾期還款期數(shù)292539int6422我的投資金額292539int6423當(dāng)前到期期數(shù)292539int6424當(dāng)前還款期數(shù)292539int6425已還本金292539float6426已還利息292539float6427待還本金292539float6428待還利息292539float6429標(biāo)當(dāng)前逾期天數(shù)292539int6430標(biāo)當(dāng)前狀態(tài)292539object31上次還款日期271490object32上次還款本金270290float6433上次還款利息270290float6434下次計(jì)劃還款日期182563object35下次計(jì)劃還款本金182563float6436下次計(jì)劃還款利息181494float6437記錄日期292130object從表格可看出，有部分屬性存在空值，后續(xù)數(shù)據(jù)清洗的時(shí)候需要對(duì)缺失值進(jìn)行處理。數(shù)據(jù)基本信息1)查看數(shù)據(jù)集統(tǒng)計(jì)信息3數(shù)據(jù)信息統(tǒng)計(jì)使用Pandas的describe()方法查看基本統(tǒng)計(jì)信息，如圖所示。其中歷史成功借款金額、總待還本金、歷史正常還款期數(shù)等是科學(xué)計(jì)數(shù)法顯示的，我們也可使用如下方式查看，如圖所示。數(shù)據(jù)基本信息2)了解定量數(shù)據(jù)的統(tǒng)計(jì)信息3數(shù)據(jù)信息統(tǒng)計(jì)結(jié)合上面的統(tǒng)計(jì)信息，可了解定量數(shù)據(jù)的統(tǒng)計(jì)信息（去除序號(hào)屬性，共有21個(gè)定量數(shù)據(jù)），總結(jié)如表所示編號(hào)屬性名非空記錄條數(shù)數(shù)據(jù)類(lèi)型平均值【2位小數(shù)】最小值最大值標(biāo)準(zhǔn)差【2位小數(shù)】1借款金額292539int648516.1210050000027584.912借款期限292539int6410.191243.153借款利率292539float6417.787243.384年齡292539int6429.3518656.175歷史成功借款次數(shù)291336float642.5804875.086歷史成功借款金額291336float6415131.340385647670264.137總待還本金292539float644499.620169770616989.398歷史正常還款期數(shù)292539int6476.64016250004672.39歷史逾期還款期數(shù)292539int6418.3705240341256.9810我的投資金額292539int6496.3502190117.7511當(dāng)前到期期數(shù)292539int645.560243.8812當(dāng)前還款期數(shù)292539int645.650110011.1513已還本金292539float6472.0902190122.314已還利息292539float644.80269.66.4815待還本金292539float6424.480110030.9916待還利息292539float641.67087.742.3117標(biāo)當(dāng)前逾期天數(shù)292539int643.19068127.9118上次還款本金270290float6421.280141348.7819上次還款利息270290float640.48011.770.4220下次計(jì)劃還款本金182563float646.04096.94.3721下次計(jì)劃還款利息181494float640.5808.920.33數(shù)據(jù)基本信息2)了解定量數(shù)據(jù)的統(tǒng)計(jì)信息3數(shù)據(jù)信息統(tǒng)計(jì)從以上表格，可得出如下信息：此網(wǎng)貸平臺(tái)的用戶(hù)年齡在18到65歲之間，平均值是29.35，說(shuō)明年輕用戶(hù)比較多；此網(wǎng)貸平臺(tái)業(yè)務(wù)，最小貸款金額是100元，最大貸款金額是50萬(wàn)元；借款金額、歷史成功借款金額、總待還本金這幾個(gè)屬性的最小值和最大值相差很大，標(biāo)準(zhǔn)差較高，說(shuō)明數(shù)據(jù)較離散。數(shù)據(jù)基本信息4數(shù)據(jù)信息定性數(shù)據(jù)集中共有37個(gè)屬性，定量數(shù)據(jù)22個(gè)，定性數(shù)據(jù)15個(gè)，根據(jù)定性數(shù)據(jù)的特點(diǎn)，可將其分為日期數(shù)據(jù)、認(rèn)證數(shù)據(jù)和其他數(shù)據(jù)三類(lèi)，如表所示。日期數(shù)據(jù)中空值比較多，后續(xù)需要進(jìn)行缺失值填充；認(rèn)證數(shù)據(jù)主要為用戶(hù)的認(rèn)證方式，只要采用其中一種方式認(rèn)證過(guò)，就證明是已認(rèn)證的狀態(tài)，后續(xù)可用1個(gè)字段替換這6個(gè)字段；其他數(shù)據(jù)中，我們需要查看“初始評(píng)級(jí)”、“借款類(lèi)型”、“標(biāo)當(dāng)前狀態(tài)”的取值范圍。編號(hào)分類(lèi)屬性名非空記錄條數(shù)1日期數(shù)據(jù)借款成功日期2925392上次還款日期2714903下次計(jì)劃還款日期1825634記錄日期2921305認(rèn)證數(shù)據(jù)手機(jī)認(rèn)證2925396戶(hù)口認(rèn)證2925397視頻認(rèn)證2925398學(xué)歷認(rèn)證2925399征信認(rèn)證29253910淘寶認(rèn)證29253911其他數(shù)據(jù)初始評(píng)級(jí)29253912借款類(lèi)型29253913標(biāo)當(dāng)前狀態(tài)29253914是否首標(biāo)29253915性別292539數(shù)據(jù)基本信息1)查看“初始評(píng)級(jí)”數(shù)據(jù)使用value_counts()方法查看數(shù)據(jù)的值及每個(gè)值的統(tǒng)計(jì)信息，如圖所示從“初始評(píng)級(jí)”的結(jié)果中可看出，共分為AAA、AA、A、B、C、D、E、F八個(gè)等級(jí)，AAA為最優(yōu)等級(jí)，F(xiàn)為最差等級(jí)。從上圖結(jié)果可得出B、C級(jí)別客戶(hù)很多，占比約66%，AAA和F級(jí)別的客戶(hù)很少，占比約為0.5%，基本符合正態(tài)分布特點(diǎn)，“一般般的很多，極端的很少”。4數(shù)據(jù)信息定性數(shù)據(jù)基本信息2)查看“借款類(lèi)型”數(shù)據(jù)通過(guò)value_counts()方法查看“借款類(lèi)型”數(shù)據(jù)，如圖所示從結(jié)果中可看出此網(wǎng)貸平臺(tái)的借款類(lèi)型共分為5種，分別是“普通”、“其他”、“APP閃電”、“電商”和“應(yīng)收安全標(biāo)”，其中“普通”類(lèi)型占比最高，約為41%。4數(shù)據(jù)信息定性數(shù)據(jù)基本信息3)查看“標(biāo)當(dāng)前狀態(tài)”數(shù)據(jù)從結(jié)果中可看出，處于“正常還款中”狀態(tài)的最多，達(dá)到172569條，占比約為59%，還有1203條數(shù)據(jù)異常，后續(xù)數(shù)據(jù)清洗的時(shí)候需要對(duì)異常值進(jìn)行處理。4數(shù)據(jù)信息定性數(shù)據(jù)清洗1)查看是否有重復(fù)值1重復(fù)值處理使用duplicated()方法查看是否存在重復(fù)值，如圖所示。由于數(shù)據(jù)量太多，不方便查看，此時(shí)可以將duplicated()方法和sum()方法聯(lián)合使用，返回重復(fù)值的數(shù)量，如圖所示。從運(yùn)行結(jié)果中可看出，數(shù)據(jù)集中共有106條重復(fù)值。數(shù)據(jù)清洗2)去除重復(fù)數(shù)據(jù)Pandas中去除重復(fù)值非常簡(jiǎn)單，使用drop_duplicates()方法可一鍵去除，注意需要加上inplace=True，直接在原始對(duì)象上進(jìn)行修改，如圖所示。去除重復(fù)值后，使用shape屬性查看數(shù)據(jù)集形狀，發(fā)現(xiàn)數(shù)據(jù)從原來(lái)的292539條減少為292433條，正好減少了106條。1重復(fù)值處理數(shù)據(jù)清洗1)查看數(shù)據(jù)集中的缺失值2缺失值處理isnull()方法和sum()方法聯(lián)合使用，返回缺失值數(shù)量，如圖所示。可將缺失值分為日期類(lèi)型和非日期類(lèi)型兩類(lèi)。日期類(lèi)型：“上次還款日期”缺失21040條數(shù)據(jù)、“下次計(jì)劃還款日期”缺失109936條數(shù)據(jù)、“記錄日期”缺失409條數(shù)據(jù)。非日期類(lèi)型：“歷史成功借款次數(shù)”缺失1203條數(shù)據(jù)、“歷史成功借款金額”缺失1203條數(shù)據(jù)、“上次還款本金”缺失22240條數(shù)據(jù)、“上次還款利息”缺失22240條數(shù)據(jù)、“下次計(jì)劃還款本金”缺失109936條數(shù)據(jù)、“下次計(jì)劃還款利息”缺失111005條數(shù)據(jù)。數(shù)據(jù)清洗2)日期類(lèi)型數(shù)據(jù)缺失值處理針對(duì)“上次還款日期”和“記錄日期”兩個(gè)屬性，采用眾數(shù)填充缺失值，“下次計(jì)劃還款日期”統(tǒng)一采用“2025-12-31”來(lái)填充。使用mode()方法查看眾數(shù)，如圖所示。日期類(lèi)型數(shù)據(jù)缺失值填充代碼代碼如下。2缺失值處理#使用眾數(shù)填充缺失值data['上次還款日期'].fillna('2017/2/28',inplace=True)data['記錄日期'].fillna('2017/2/28',inplace=True)#使用“2025-12-31”填充缺失值data['下次計(jì)劃還款日期'].fillna('2025/12/31',inplace=True)運(yùn)行代碼后，查看缺失值數(shù)量，發(fā)現(xiàn)這三個(gè)日期數(shù)據(jù)的缺失值都已變?yōu)?，說(shuō)明填充成功，如圖所示。數(shù)據(jù)清洗3)定量數(shù)據(jù)缺失值處理定量數(shù)據(jù)的缺失值可采用均值、中位數(shù)、眾數(shù)等方式填充，這里采用中位數(shù)或均值來(lái)填充，代碼如下。2缺失值處理#使用眾數(shù)填充缺失值data['歷史成功借款次數(shù)'].fillna(data['歷史成功借款次數(shù)'].median(),inplace=True)#使用均值填充data['歷史成功借款金額'].fillna(np.floor(data['歷史成功借款金額'].mean()),inplace=True)data['上次還款本金'].fillna(np.round(data['上次還款本金'].mean(),2),inplace=True)data['上次還款利息'].fillna(np.round(data['上次還款利息'].mean(),2),inplace=True)data['下次計(jì)劃還款本金'].fillna(np.round(data['下次計(jì)劃還款本金'].mean(),2),inplace=True)data['下次計(jì)劃還款利息'].fillna(np.round(data['下次計(jì)劃還款利息'].mean(),2),inplace=True)數(shù)據(jù)清洗有時(shí)，我們需要對(duì)異常值進(jìn)行處理3異常值處理通過(guò)查看數(shù)據(jù)集的37個(gè)屬性，發(fā)現(xiàn)“標(biāo)當(dāng)前狀態(tài)”的取值可以通過(guò)“標(biāo)當(dāng)前逾期天數(shù)”的值來(lái)進(jìn)行判斷，如圖所示。數(shù)據(jù)清洗“標(biāo)當(dāng)前逾期天數(shù)”的值大于0的“標(biāo)當(dāng)前狀態(tài)”即為“逾期中”。3異常值處理運(yùn)行之后，再查看“標(biāo)當(dāng)前狀態(tài)”的取值，發(fā)現(xiàn)只剩2個(gè)異常值，如圖所示。data.loc[data['標(biāo)當(dāng)前逾期天數(shù)']>0,'標(biāo)當(dāng)前狀態(tài)']='逾期中'對(duì)剩下2個(gè)異常值進(jìn)行處理的代碼如下：data.loc[data['標(biāo)當(dāng)前狀態(tài)']=='0','標(biāo)當(dāng)前狀態(tài)']='正常還款中'data.loc[data['標(biāo)當(dāng)前狀態(tài)']=='0.49','標(biāo)當(dāng)前狀態(tài)']='逾期中'運(yùn)行之后，再查看“標(biāo)當(dāng)前狀態(tài)”的取值，發(fā)現(xiàn)已經(jīng)沒(méi)有異常值了，如圖所示。從中可看出，“逾期中”的數(shù)據(jù)占比約為3.55%。數(shù)據(jù)分析與可視化在數(shù)據(jù)清洗之后，數(shù)據(jù)分析之前需要建立數(shù)據(jù)指標(biāo)體系，本案例中的數(shù)據(jù)指標(biāo)包括用戶(hù)認(rèn)證率、逾期率、逾期用戶(hù)性別比例、不良資產(chǎn)率等。如果把數(shù)據(jù)分析比喻成做飯的話(huà)，對(duì)數(shù)據(jù)基本的了解和數(shù)據(jù)清洗相當(dāng)于準(zhǔn)備食材環(huán)節(jié)，建立數(shù)據(jù)統(tǒng)計(jì)指標(biāo)相當(dāng)于是查找菜譜，數(shù)據(jù)分析和可視化相當(dāng)于燒菜和擺盤(pán)，每一個(gè)環(huán)節(jié)都很重要，都直接影響一盤(pán)菜的質(zhì)量。接下來(lái)我們就從性別、年齡、認(rèn)證等維度來(lái)分析這些因素與是否逾期的關(guān)系，進(jìn)而建立逾期用戶(hù)畫(huà)像。首先可以將“標(biāo)當(dāng)前狀態(tài)”分為“逾期中”和“未逾期”兩種，代碼如下：data.loc[data['標(biāo)當(dāng)前狀態(tài)']=='逾期中','是否逾期']='逾期中'data.loc[data['標(biāo)當(dāng)前狀態(tài)']!='逾期中','是否逾期']='未逾期'數(shù)據(jù)分析與可視化運(yùn)行之后，數(shù)據(jù)中即新增一列“是否逾期”屬性，如圖所示。查看“是否逾期”屬性數(shù)據(jù)，發(fā)現(xiàn)逾期用戶(hù)占比約為3.55%，如圖所示。數(shù)據(jù)分析與可視化1)準(zhǔn)備數(shù)據(jù)1性別維度使用groupby()和value_counts()方法分別對(duì)“逾期中”和“未逾期”用戶(hù)進(jìn)行統(tǒng)計(jì)并按照性別排序，如圖所示。使用unstack()方法將數(shù)據(jù)的行索引變?yōu)榱兴饕?，如圖所示。數(shù)據(jù)分析與可視化2)數(shù)據(jù)可視化1性別維度使用餅圖呈現(xiàn)所有用戶(hù)男女比例和逾期用戶(hù)男女比例，代碼如下。從中可看出，此網(wǎng)貸平臺(tái)男性用戶(hù)較多，占比約為65%，逾期用戶(hù)中男性占比約為70%。importmatplotlib.pyplotasplt#設(shè)置中文標(biāo)簽顯示正常plt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus']=False#設(shè)置畫(huà)布plt.figure(figsize=(10,10),dpi=100)data_sex['總?cè)藬?shù)']=data_sex['逾期中']+data_sex['未逾期']plt.subplot(221)plt.pie(data_sex['總?cè)藬?shù)'],labels=['女','男'],autopct='%.2f%%')plt.title('所有用戶(hù)中男女比例')plt.subplot(222)plt.pie(data_sex['逾期中'],labels=['女','男'],autopct='%.2f%%')plt.title('逾期用戶(hù)中男女比例')plt.show()數(shù)據(jù)分析與可視化1)查看年齡分布情況2年齡維度使用seaborn的distplot()方法查看年齡分布情況。從中可看出，此網(wǎng)貸平臺(tái)的用戶(hù)年齡大多集中在20歲~40歲，結(jié)合上文中對(duì)男女比例的分析，可得出，此網(wǎng)貸平臺(tái)的大部分用戶(hù)為20歲~40歲的男性。importseabornassnsplt.figure(figsize=(10,10),dpi=100)plt.subplot(221)sns.distplot(data['年齡'],label='整體年齡分布')plt.legend()plt.subplot(222)sns.distplot(data['年齡'],label='整體年齡分布',color='#ADD8E6')sns.distplot(data[data['性別']=='男']['年齡'],label='男性年齡分布',color='#6495ED')sns.distplot(data[data['性別']=='女']['年齡'],label='女性年齡分布',color='#BA55D3')plt.legend()plt.show()數(shù)據(jù)分析與可視化2)探索各年齡借款金額與累計(jì)金額占比2年齡維度使用柱形圖（bar方法）、折線(xiàn)圖（plot方法）、豎線(xiàn)（axvline方法）顯示借款金額和年齡的關(guān)系，代碼如下。從中可看出約85%的借款被22~38歲的人借走了，接下來(lái)可以結(jié)合的年齡分布圖對(duì)年齡進(jìn)行分箱。#各年齡借款金額與累計(jì)金額占比sum_age=data[['借款金額','年齡']].groupby(by='年齡').sum()sum_age['累計(jì)金額占比']=sum_age.cumsum()/sum_age.sum()age1=sum_age[sum_age['累計(jì)金額占比']>0.01].index[0]age2=sum_age[sum_age['累計(jì)金額占比']>0.85].index[0]plt.figure(figsize=(12,10),dpi=100)x=sum_age.index#年齡與借款金額柱形圖plt.bar(x,sum_age['借款金額'].values,label='借款金額')plt.legend(loc='upperleft')plt.xticks(x)plt.xlabel('年齡')plt.ylabel('借款金額：億元')#twinx()設(shè)置共享x軸，twiny()表示共享y軸plt.twinx()#累計(jì)金額占比折線(xiàn)圖plt.plot(x,sum_age['累計(jì)金額占比']