e-works数字化企业网  »  文章频道  »  管理信息化  »  BI

用预测分析抢得先机

2017/10/29    来源:中国商业智能网    作者:佚名      
关键字:预测分析  数据  
无论你是在公司内部建立团队,还是选择与合作伙伴合作,优秀的分析人才都是很难寻找的,所以把这些分析能力整合到一起并不是一件简单的事情。

    在分析项目上获得投资回报似乎是一项艰巨的任务。首先,你必须在网站和应用中安装强大而有弹性的分析平台。然后,因为收集的数据并不能自动为组织创造价值,需要构建某种分析层,以便能够梳理数据,发现机会并计划利用它们。

    无论你是在公司内部建立团队,还是选择与合作伙伴合作,优秀的分析人才都是很难寻找的,所以把这些分析能力整合到一起并不是一件简单的事情。最重要的是,在此过程中,需要在适当的地方进行治理,以便组织能够拥有用于分析的“通用语言”,以及有序而不是混乱的过程。

    所以,如果你已经解决了所有这些问题,就该相信自己——你应该得到它!现在,你准备好迎接下一个挑战了吗?

    考虑一下这个:即使在投入了所有的工作,构建了分析实践收集干净数据,以一致的、结构化的方式分析它,并将数据转化为可操作的洞察,所有的分析都是在事后进行的。换句话说,你在高速公路上开车,看的却是后视镜。

    我想,如果有足够的练习,你可能会成功,但很明显,这有点危险。望着前路,而不是后视镜开车,会不会更好呢?

    当我和客户交谈时,我经常发现人们会把“预测性分析”看成是有充分支持的分析团队所能做的事情。但你不需要成为亚马逊或谷歌,就可以开始使用预测性分析来获得优势。让我们来看看您将需要做些什么,以及一些广泛适用的预测分析的实用用例。

    你需要什么?

    与任何分析一样,预测分析是一种垃圾进来、垃圾出去的处理。那么,如何确保您的数据不是垃圾呢?除了明确的可靠性问题外,还有一些相关的需要关注的事情。

    首先,需要访问各种各样的信号,以进行预测分析。在网络分析场景中,这意味着远远不止简单的页面视图跟踪,并确保尽可能多地记录用户行为的不同信号。

    根据你的站点/应用程序,这可能意味着测量滚动行为、视频消费、下载活动、购物或浏览活动、购物车进展等等。这是至关重要的,因为进行预测分析时,能够处理的信号越多,就越有可能识别那些最可能预测到的。

    其次,您将希望能够有比“开箱即用”分析工具更具体的方式描述用户行为的数据密度。假设您已经决定将滚动跟踪添加到您的网络分析包中。太棒了!但是,与其简单地测量用户是否在页面底部滚动,不如考虑更精确地跟踪该活动。有多少人在一页纸上翻了四分之一?或是一半?

    或者考虑视频消费。许多组织记录用户是否播放视频的数据。但有多少用户会在这段视频中观看至少一半呢?完成了多少?

    所有这些听起来似乎有点过分了。但是,当你增加可用于预测应用程序的各种信号,并提高这些信号的细度时,你所能做出的预测可能会更加准确。俗话说,在跳跃之前先看一看。

    当然,预测不仅仅关于手上有的数据类型,还包括使用数据所需要的技能。

    好消息是,如果您的分析人员能够熟练地进行回归分析,那么可以开始使用一些形式的预测分析了。如果你有能力使用机器学习,你的选择就会变得越来越多。

    两个用例示例。

    为了展示在一些真实场景中如何使用预测性分析,可以参照下面的情况。假设你即将发布一大堆新内容;也许一场新的营销活动开始了,你正在推出一款新产品,或者你正在开拓一个新的市场。你难道不想知道这些内容如何表现吗?在你推出之前,还能如何提高你的表现呢?

    如果你的网络分析平台上有丰富的细度数据,你就可以做到这一点。看看最近的内容是如何表现的,对每个内容块都使用模板进行分段。(此分析假设您使用的是页面模板,而不是定制所有页面。)

    使用多元回归,您可以分析站点的每一个页面模板,理解访问者对他们的响应。CTR是如何根据你的调用位置而变化行动的?移动设备上一个页面的长度如何影响新访问者的跳出率?

    有了这些问题的答案,现在可以评估您为新内容所选的模板(或正在尝试的)。无论你的目标是在调用采取行动的时候实现CTR的最大化,还是将那些进入智能手机的新访客的跳出率降到最低,现在你就能提前知道该用什么手段来提高这些内容的性能了。

    更先进一些,如果你能根据他们的现场行为计算出所有网站访问者的转化率,你会怎么做呢?应用程序将非常强大。例如,你可以简化营销目标,避免把钱花在那些永远不会转变的人身上——或者谁几乎肯定会转向你!

    或者,你也可以测试出买家中谁的最有可能上向销售和交叉销售。这将生成一组关于用户行为的不同粒度的数据集。使用机器学习算法,你可以根据他们转换的可能性来细分访客,然后采取行动“激活”这些部分。

    希望我已经展示了预测分析可能比你听说的更容易理解和实用。利用网络分析的丰富数据,以及一些使用回归和机器学习的技能,很快你就朝前看,而不是朝后看着前进。

责任编辑:程玥
本文来源于互联网,e-works本着传播知识、有益学习和研究的目的进行的转载,为网友免费提供,并以尽力标明作者与出处,如有著作权人或出版方提出异议,本站将立即删除。如果您对文章转载有任何疑问请告之我们,以便我们及时纠正。联系方式:editor@e-works.net.cn tel:027-87592219/20/21。
e-works
官方微信
掌上
信息化
编辑推荐
新闻推荐
博客推荐
视频推荐