編輯導(dǎo)語：在日常業(yè)務(wù)中，數(shù)據(jù)分析可以幫助我們挖掘業(yè)務(wù)增長點(diǎn)，提升轉(zhuǎn)化效率，等等。那么，如何結(jié)合一款0代碼機(jī)器學(xué)習(xí)智能工具實(shí)現(xiàn)數(shù)據(jù)分析？本篇文章里，作者結(jié)合Amazon SageMaker Canvas這款工具進(jìn)行了轉(zhuǎn)化意愿預(yù)測，讓我們來看看他的體驗(yàn)評測吧。

引言

“數(shù)據(jù)驅(qū)動業(yè)務(wù)增長”是以業(yè)務(wù)線全鏈路海量數(shù)據(jù)的收集、存儲、可視化、分析、挖掘作為核心支撐的，需要協(xié)同上下游參與且目標(biāo)一致，最終將數(shù)據(jù)精準(zhǔn)化、精細(xì)化為實(shí)現(xiàn)商業(yè)目的。

一、業(yè)務(wù)背景

1. 業(yè)務(wù)介紹

本產(chǎn)品主要是挖掘孩子的綜合素質(zhì)，覆蓋思維、英語、語文等能力，幫助孩子在認(rèn)識世界、探索世界的同時，打好全方位的能力基礎(chǔ)，陪伴孩子共同成長。

2. 商業(yè)模式

通過低價課吸引用戶，經(jīng)過一些列課程培養(yǎng)和體驗(yàn)服務(wù)，最終轉(zhuǎn)化成年課用戶。

3. 分析主題

轉(zhuǎn)化分析。

4. 現(xiàn)狀痛點(diǎn)

1. 營銷運(yùn)營的目標(biāo)不夠清晰和聚焦，人效較低。
2. 很難快速掌握用戶轉(zhuǎn)化的核心痛點(diǎn)，轉(zhuǎn)化率不高。

5. 分析目標(biāo)

目前屬于發(fā)掘的新業(yè)務(wù)，所以業(yè)務(wù)需要在招生分析的鏈路上，想要通過一系列的全面復(fù)盤和分析，核心提高轉(zhuǎn)化率。

二、分析思路

所有的分析思路都應(yīng)該以場景作為切入點(diǎn)，以業(yè)務(wù)決策為終點(diǎn)，因此本次項(xiàng)目梳理了五個步驟：

1. 挖掘業(yè)務(wù)含義
2. 梳理用戶行為路徑
3. 拆分場景特征
4. 構(gòu)建模型預(yù)測
5. 推動數(shù)據(jù)決策

1. 挖掘業(yè)務(wù)含義

用戶旅程圖：從用戶角度出發(fā)，以用戶調(diào)研和業(yè)務(wù)場景中發(fā)現(xiàn)用戶在整個使用過程中的痛點(diǎn)和滿意點(diǎn)，思考產(chǎn)品的增長點(diǎn)。

2. 梳理用戶行為特征

1）路徑拆解

在用戶旅程的大框架下，通過對用戶行為數(shù)據(jù)的采集，監(jiān)測獲得的數(shù)據(jù)進(jìn)行分析可以讓更加詳細(xì)、清楚地了解用戶的行為習(xí)慣，將他們的目標(biāo)、需求與商業(yè)宗旨相匹配。

2）用戶行為

根據(jù)用戶旅程的體驗(yàn)中，可以把用戶分為三個階段，其中包含：獲客、留存、轉(zhuǎn)化，每個階段的衡量反應(yīng)出的分析目標(biāo)和邏輯則不同。

3. 拆分場景特征

1）相關(guān)性分析

主要用于研究用戶行為事件的發(fā)生對轉(zhuǎn)化的影響程度，針對這一行為特征進(jìn)行相關(guān)性分析，確認(rèn)導(dǎo)致該行為的影響因素和影響權(quán)重。

2）梳理特征（定義數(shù)據(jù)集）

涉及到原始的數(shù)據(jù)源，我們需要在亞馬遜中找到S3的存儲桶，將數(shù)據(jù)源文件傳輸至此。

數(shù)據(jù)源（行為特征）：第一版本共梳理了70+特征因子，這一版本是通過產(chǎn)品和業(yè)務(wù)的直覺梳理和轉(zhuǎn)化有的相關(guān)性，通過模型在去做篩選和相關(guān)性分析。

S3存儲桶：亞馬遜的數(shù)據(jù)源需要借用S3存儲桶服務(wù)。

數(shù)據(jù)集：S3存儲桶中數(shù)據(jù)源可以直接同步至畫布的數(shù)據(jù)集，并且可以針對數(shù)據(jù)預(yù)覽數(shù)據(jù)，這點(diǎn)兩個功能點(diǎn)很棒，因?yàn)檎筋A(yù)覽才發(fā)現(xiàn)數(shù)據(jù)源亂碼的問題。

三、構(gòu)建模型預(yù)測

1. 構(gòu)建模型

第一步：直接就選擇上傳的數(shù)據(jù)集就ok了，這一步非常的簡單。

第二步：選擇預(yù)測的指標(biāo)很好理解，關(guān)鍵點(diǎn)在于模型的選擇，轉(zhuǎn)化預(yù)測本質(zhì)是一個二分類的問題，預(yù)期是0-1的一個概率值，實(shí)戰(zhàn)中選擇的【xgboost】模型進(jìn)行預(yù)測，通過和轉(zhuǎn)化率強(qiáng)相關(guān)的因子和轉(zhuǎn)化預(yù)測分層進(jìn)行后續(xù)的營銷策略。

這里的模型選擇會根據(jù)我的數(shù)據(jù)集推薦模型，也會有一些內(nèi)容的引導(dǎo)，不過other的模型有的不可選擇，所以默認(rèn)使用推薦的模型，看下初次效果。

還沒有建模時候可以簡單對目標(biāo)的相關(guān)性做個分析對比。

2. 模型表現(xiàn)

1）模型能力

處理速度：模型個處理速度在耗時3min左右，還是蠻快的，比較超出預(yù)期。

模型得分：模型分?jǐn)?shù)和預(yù)期（70-80）相比會較高一些，可能由于數(shù)據(jù)量級較小，造成數(shù)據(jù)得分偏高；自建模型訓(xùn)練環(huán)境中的F1=0.78、AUC=0.85。

特征分析：這個可以根據(jù)轉(zhuǎn)化意愿分值進(jìn)行查看指標(biāo)的影響和分布，這個功能是非常棒的，在數(shù)據(jù)產(chǎn)品視角對模型分析師偏概覽的，這個可以細(xì)致的挖掘更深層的理解。

2）特征相關(guān)性

根據(jù)初次篩選，得出一些和轉(zhuǎn)化有顯著相關(guān)性的指標(biāo)因子，并且可利用分布情況，分析背后原因。

顯著相關(guān)性概覽：根據(jù)是否顯著相關(guān)性整理一部分比較有趣，可以看出有一些認(rèn)為有影響因素的其實(shí)問題并不大，有的標(biāo)簽其實(shí)和轉(zhuǎn)化這個點(diǎn)關(guān)系并不強(qiáng)烈，但是可以作何核心的營銷因素。

3）相關(guān)性排行

根據(jù)相關(guān)性整理了分值排行，更能直觀看到哪些影響因子的重要程度。

3. 數(shù)據(jù)分析

1）分析理論

• 卡方檢驗(yàn)：著重觀察值與理論值的偏離程度，選擇的考慮主要是基于特征的二分類問題和相互獨(dú)立事件居多。
• 斯皮爾曼相關(guān)性分析：核心針對兩個連續(xù)性變量且成線性關(guān)系，所以需驗(yàn)證其相關(guān)性。

2）地域分析

從地域人群量級和轉(zhuǎn)化率上來看，整體手中人群集中在二三線城市，所以在產(chǎn)品的投放和布局中，需針對等級進(jìn)行策略規(guī)劃。

3）競品分析

卡方校驗(yàn)非常顯著，從此指標(biāo)可以看出，用戶安裝了競品，直接可以篩選到核心的種子用戶，因?yàn)樵撚脩魧Υ擞袕?qiáng)烈的潛在需求。

4）留存分析

這里的留存主要指用戶來學(xué)習(xí)的次數(shù)，分析圖標(biāo)看，用戶持續(xù)學(xué)習(xí)提現(xiàn)出對產(chǎn)品課程的認(rèn)可性，非常有利于后續(xù)營銷轉(zhuǎn)化。

4. 訓(xùn)練模型

1）持續(xù)訓(xùn)練

防止數(shù)據(jù)量稀疏和數(shù)據(jù)量較小（試用最大100w單元格），所以需要加大數(shù)據(jù)源的量級，加強(qiáng)預(yù)測能力，防止結(jié)果的偶然性。

2）模型調(diào)優(yōu)

• 調(diào)整不合理指標(biāo)，防止特征穿越（比如瀏覽產(chǎn)品詳情頁，這種標(biāo)簽穿越特別嚴(yán)重，其實(shí)在模型中做預(yù)測是不太可取，反而可以成為營銷策略的用戶標(biāo)簽）。
• 對模型進(jìn)行合理的剪枝規(guī)則，增強(qiáng)模型可解釋性（針對特別明細(xì)標(biāo)簽，進(jìn)行歸因和聚合）。

3）預(yù)測模型

重新上傳一組數(shù)據(jù)對模型進(jìn)行預(yù)測，通過預(yù)測結(jié)果和本地訓(xùn)練集進(jìn)行比對，準(zhǔn)確率在70%左右，整體來說已經(jīng)不錯了，后續(xù)可以加大投入力度進(jìn)行驗(yàn)證和訓(xùn)練，尤其是雙向結(jié)合的方式，效率會大大提高。

四、推動數(shù)據(jù)策略

數(shù)據(jù)分析也好、數(shù)據(jù)挖掘也罷，只是實(shí)現(xiàn)商業(yè)目標(biāo)的手段，真正想賦能業(yè)務(wù)并且驅(qū)動業(yè)務(wù)，一定要從實(shí)際場景觸發(fā)，找到切入點(diǎn)。

策略一：提效

1）用戶分層

根據(jù)用戶的轉(zhuǎn)化意愿預(yù)測值，進(jìn)行用戶分層，形成營銷SOP清單，可以針對中高意愿以上的的用戶進(jìn)行精準(zhǔn)觸達(dá)，對于大部分銷售人員可以減少人工判斷成本，優(yōu)先觸達(dá)轉(zhuǎn)化意向高的用戶，合理分配時間和觸達(dá)深度，并且可以制定標(biāo)準(zhǔn)的SOP動作，大大提高運(yùn)營效率。

2）價值收益

提高了80%的人效，人效主要針對單個銷售服務(wù)的用戶比值。

策略二：抓手

1）用戶標(biāo)簽

在營銷工具中實(shí)時更新用戶的高意向標(biāo)簽（溝通意愿強(qiáng)烈）或者策略標(biāo)簽（學(xué)習(xí)能力畫像：中），可聯(lián)動知識庫進(jìn)行組合式營銷，為用戶解決痛點(diǎn)，提供優(yōu)質(zhì)的服務(wù)。

比如：用戶的能力畫像中“思維能力”薄弱，那么可以根據(jù)用戶在學(xué)習(xí)過程中哪些思維題做的不好，引導(dǎo)用戶如何針對性、系統(tǒng)化的提升，解決核心痛點(diǎn)。

2）價值收益

提高了15%的轉(zhuǎn)化率，轉(zhuǎn)化率=購買年課用戶/購買體驗(yàn)課用戶。

五、參賽總結(jié)

1. 產(chǎn)品體驗(yàn)

1）用戶體驗(yàn)

① 產(chǎn)品設(shè)計

樣式上紫色的主色調(diào)非常符合當(dāng)前互聯(lián)網(wǎng)人的視覺喜愛，紫色本來帶有一些神秘感覺，在加上機(jī)器學(xué)習(xí)的加持，整體樣式設(shè)計很足，而且紫白結(jié)合很干凈和簡潔。

② 產(chǎn)品交互

體驗(yàn)流程很順暢，用起來很方便，比如在模型全鏈條是以流式，從選擇數(shù)據(jù)集-構(gòu)建模型-模型分析-模型評估，整體有從無到有的感覺，使用深度逐漸加深，比較符合預(yù)期。

③ 產(chǎn)品友好

功能細(xì)節(jié)上做的比較出色，感觸較深的第一是數(shù)據(jù)集的預(yù)覽，這樣可以直接看見數(shù)據(jù)集的概覽和樣式，線上和本地會有數(shù)據(jù)解析的格式問題，第二個是模型的推薦，會根據(jù)內(nèi)容的選擇推薦相對應(yīng)的模型，有充足的解釋性引導(dǎo)和應(yīng)用示例。

2）產(chǎn)品功能

1. 模型構(gòu)建：模型構(gòu)建速度較快，這個有點(diǎn)超出預(yù)期。
2. 模型評價：模型分析可以直接查看到相關(guān)性已經(jīng)數(shù)據(jù)更強(qiáng)的透視能力，這個能力提升了很多效率。

3）優(yōu)化功能

1. 數(shù)據(jù)集兼容能力：這個針對不同數(shù)據(jù)源可以在上傳做檢驗(yàn)和預(yù)覽，前置風(fēng)險暴露能力。
2. 模型調(diào)優(yōu)能力：增強(qiáng)平臺對模型進(jìn)行調(diào)優(yōu)的能力，比如可以考慮多個特征因子的融合、指標(biāo)區(qū)間分析等。
3. 數(shù)據(jù)源能力：可以把數(shù)據(jù)源的上傳和存儲考慮融合在產(chǎn)品內(nèi)部。

2. 心路歷程

• 參賽目標(biāo)：首先想了解一下當(dāng)前亞馬遜的產(chǎn)品力；其次就是想在整個過程中梳理一下分析思路，復(fù)盤項(xiàng)目可以增加更多的思考。
• 參賽總結(jié)：整體產(chǎn)品體驗(yàn)我覺得還不錯，有一點(diǎn)超出預(yù)期，后續(xù)會持續(xù)關(guān)注產(chǎn)品，也感謝人人都是產(chǎn)品經(jīng)理提供本次參賽的機(jī)會~

本文由 @芥末先生 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自 Unsplash，基于 CC0 協(xié)議。