数据分析在拉新、盘活、转化、留存四大应用场景下究竟可以做什么？
GrowingIO创始人张溪梦是前LinkedIn分析工程技术总监，在LinkedIn期间，领导数据分析解决方案团队，并且建立了可视化端到端的数据分析平台。曾就职于LinkedIn、 eBay、HP等，从普通工程师做到工程技术总监，在数据解决方案、数据仓库、数据工程方面有十多年的经验。张溪梦本文分别从拉新、盘活、转化、留存四个方面讲述了数据自动化如何帮助企业创造更多、更深的价值。
数据分析在基本应用场景下，我们现在能用数据干些什么呢？基于我在eBay和Linkedin工作的几年，做了很多数据分析的场景，跟大家分享一下。
第一可以用数据获取用户，今天上午我们有客户也谈到市场营销SEM的解决方案，采用了GrowingIO的软件和分析解决方案，大概在两个星期就实现了市场营销的分析。
第二个产品的互动，就是指当用户登陆网站使用产品的时候，用户用的是不是很爽，很流畅，很简单。我们可以通过数据分析来优化产品体验。
第三个付费转化，一开始很多网站会吸引用户免费使用产品，我们如何能够缩短时间，快速把免费用户转化成为付费用户，这个周期可长可短。
第四个是客户留存，客户变成我们的客户之后，能够持续的使用，不要流失。因为我们发现获取新用户的成本比挽留一个老用户的成本要高。
我把这四个点简单概括成几个字。第一是拉新，找到新用户。第二是盘活，我们有产品，希望用户的使用非常地活跃。第三是转化，希望从免费变成付费。第四是留存，不希望这个客户／用户流失。
一、拉新
作为大数据的解决方案来说，是能够发现所有线上的入口。我们需要跟踪市场营销的每一个渠道，在每个渠道投入多少资源，回报是怎样的。我们要跟踪用户在哪个渠道，哪个购买入口，在哪一个点，成功的转化。也就是计算渠道的效率是什么样的，衡量每个渠道的转化率，资源投放是多少。
客户的区隔。主要是在做市场营销的时候希望能够降低营销成本，能够把不同的客户区分出来，在区分客户之后，用不同的打法去给客户做一些市场营销的手段。比如说是有邮件的方式，有社交网络推送的方式等等，还是说要找销售直接去跟客户聊。
最重要要有一个ROI工具。ROI算法就是你要能够清楚的计算出来，这个市场营销的投入和产出到底是多少。
这里有两个层次，第一个层次，你作为企业，你去做市场营销，你要知道你自己的ROI。第二个层次，你企业平台上还有你服务那些客户的ROI，你能不能算出来。就是你的这些客户在使用你提供的产品，如何能够证明说，你的客户在使用了在你的平台软件和服务之后，在为客户创造价值，创造了多少价值。
简单讲一个Linkedin的例子。用户在Linkedin上搜索企业信息或者申请职位，或者他跟随一个公司，或者说他的简历被搜索了一次，这些主动的，被动的，公司与个人，个人与个人的交互，总共大概是300亿的级别，网站上3亿多用户之间的所有交互。
我们做了一个大数据分析，然后我们能够把这个ROI算出来，从而我们计算出来一个叫做企业雇主品牌指标，这个指标可以衡量企业对于全球所有的人才的吸引指数是多少，这是有一个全球的排名，会非常有意思。中国的一些企业想在走国际化道路，希望提高企业品牌在全球的影响，这个指标特别能帮助中国企业吸引国际化人才。
二、盘活
产品，最重要是让用户在你网站上使用非常流畅。怎么样说流畅不流畅，我们需要知道用户，在你网站中或者在你的移动应用当中，它的每一个操作，它的每一次交互，都有一条记录在那里，就是我之前说的时间、地点、人物、内容和交互方法。
再说一下用户画像，比如用户的性别、年龄、收入等等，但这些是用户的基本画像。还有一些更深层次的，比如说用户的行为，他最近一段时间登陆了我们网站多少次，使用了我们的移动应用多少次，它最近这段时间购买了多少商品，或者他在您的移动APP／网站中搜索了多少次，这些都是用户自发的行为，他主动的行为。
美国有一家做视频播放的网站Netflix，他们在一段时间内，有两种盈利方式一个是租DVD，一种方式是线上的视频播放，他们把DVD业务全部砍掉，因为这部分很难掌握用户观看视频的行为，而且用户行为是不会欺骗你的，比如说用户注册的时候，有个选项让用户输入喜好的影片类型，比如动作、恐怖、科幻、动画，当你开始写的这些东西并不是符合你的用户行为，真正行为还是在海量数据当中，海量的历史记录当中把它提炼出来，才会知道你这个用户真正的倾向性和喜好是什么，然后大数据才会正确的给您推送你喜欢的内容。
比如说国内非常著名的媒体公司“今日头条”，他们在推送方面就做得非常好。
核心KPI，我们如果能够了解客户所有行为之后，可以快速制定这些核心KPI，能够知道我们企业的健康度。
假设检验，什么是假设检验呢？
我们之前在没有大数据处理技术能力的情况下，我们经常做的是，采样，或者拿小部分数据先算一下。但当这个数据量非常大的时候，比如说Linkedin全球有3亿多用户，这3亿多用户，我们想做用户级别的归类。我看了用户简历，想知道这个人是不是销售，这个人是不是HR，就是你很难通过简单的方法来定论，那么我们就需要去做大数据模型。
之后我们就会有一些发现，我们之前的假设和我们最后的发现会非常有意思，你可以找到非常多的你意想不到的洞察（insights）。比如说我们在判别一个用户的简历，最后发现只要有这个关键字，他就一定是销售，这也是我们意外收获，这个关键字是一家加拿大销售公司培训的名称，只要有这个关键字，这个人是销售的概率就非常高，所以假设检验在大数据技术力的推动下，能够发现你以前未知的那些数据。
三、转化
再讲讲销售，首先我觉得这五个步骤不仅仅适用于对企业的销售，像包括建立网站和社区，我们都需要把用户不断的转化。
首先，最重要的一点，就是我们有那么多潜在的客户，哪个客户使最重要的，这点可以通过它在网站，APP上蛛丝马迹的行为进行判断。还有一个，以前在公司里需要派哪个客户去跟雅或者亚马逊接触。下面还需要通过数据理解这个公司谁是决策人。再接着需要通过内部网络社交关系，哪个人认识决策者，能让他买我们的产品。
最后是如何用数据讲一个真实的故事让客户有更高的信息来采购我们的产品。
这五个步骤全部可以用数据驱动，而且驱动的速度是以前别人认为可能需要两个星期，三个星期的决策周期，今天我们可以用在一分钟之内就可以实现，这就是数据科学，技术力给我们带来的价值。
四、留存
如何促进用户留存？实际上客户的留存通过他的很多微妙的行为，跟我们讲的很多的很好的故事。
我们以前做了很多这样的模型，后来发现真正流失的用户在非常早期就已经释放这种信号。因为用户有几个生命周期，整个流程有生命周期的，往往用户在早期很微妙的行为的加权，就能知道这个客户会在未来哪个时间点会流失。
这是我们两三年来做用户的模型，慢慢的把留存的模型的时间线不断的往前提前，最早预算用户流失的时候，立刻发信息。后来发现用户使用好的时候问他怎么用，这样留存率提高了10%。还有在教育的时候是不是要对客户进行培训，各种引导、辅助，后来发现客户的留存度增加了非常非常多。LinkedIn财报中写到，大概从50%流失率降到20%的流失率。这些都是数据和运营相结合的一个很好的过程。
大家想想我们以前工作很长时间，只能体现产品10%的价值，90%的时间都浪费在数据采集，数据整合，数据清洗上面了。
今天公司很多人能做到数据决策，能做到这点就需要我们用先进的工具技术，分析理念，结合先进的业务的方法论，把下面的时间尽量的做到全自动化。大家想想我们节省了90%的时间，如果能把这部精力用在金字塔尖上的话，我们将产出更多的效益。
实际上在我以前的工作经验里看到，当我们用新兴的技术把底部做小，或者用新型的工具、产品把底部的工作做到多快好省，这会给企业提供高价值。孙子兵法有一句话，叫庙算胜者，得算多也，庙算不胜者，得算少也，多算胜，少算不胜。就是不去做数据分析，不去做决策，是很难在这种高密度竞争环境下生存。
所以我们一定要想办法把数据分析做到全自动化。这就是我们今天的发展方向。 在美国数据决策可能起步早一点，很早就开始注重数据分析。那么在中国很多企业，特别像BAT，这种大型的互联网公司，他们在数据分析上已经起步很早了。
整个数据分析，其实是金字塔框架。最下层是我们的用户，然后我们有市场，有产品，有销售，我们需要通过一定的方法把这些数据收集上来，然后对数据做数据平台，可能是技术团队做了大数据的。在这之上，我们去做一些专题的分析，比如说销售的分析，市场的分析，产品的分析，运维的分析等等，商业智能是做一些报表跟踪，再之上是深度分析、商业洞察、决策和行动。
整个这一套数据分析团队和架构，大部分企业花了很多的人力物力去解决下面金字塔的底部，因为数据的埋点、整合、清理需要大量的人力。
如何能把大数据分析自动化，能把大数据变成小数据，能把非常慢的数据的处理，变成非常快的数据处理，能够把非常麻烦的这些非结构化的数据，看不懂的数据结构化，自动的做好这90%的工作。
让我们企业内部懂业务的那些人：产品经理，业务端的人，他们在第一线接触客户，接触产品，他们最想知道企业业务的健康程度或者企业的主要问题在哪里，我们可以能够解放他们，让他们直接看到数据并分析这些数据，这就是GrowingIO 所做的工作。
