随着市场的逐步成熟，要想保持企业的长期竞争力，运营和产品改进工作需要越来越精细化。
比如，在游戏行业，玩家留存率是一个关键指标，为提升·留存率，需要精细化地分析玩家是哪一步流失的，根据游戏进程推进过程，按照先后顺序设置关键节点，分析各个节点流失情况数据，可以形成一个玩家流失漏斗。有了玩家流失漏斗，我们可以选择流失率高的环节进行进一步精细化分析，找到流失原因，比如机器适配问题，引导缺乏吸引力问题，数值设计问题等，根据这些原因就可以针对性的在产品和运营侧做改进了。
又比如保险行业，为了提高销售效率，可以先通过模型预测用户的销售响应率，然后将用户划分为几等，分别交由不同级别的销售人员跟进。我们现在在谈论的用户画像，产品画像，增长黑客，或者个性化推荐等等，其本质上其实都是在实现更精细化的运营或产品改进。
精细化产品改进和运营对企业应用数据的能力提出了很高的要求，因为这些改进决策的制定不能全凭经验，它们很大程度上还需要建立在坚实的数据分析结果之上。
企业应用数据的能力可以简称为企业数据能力。从整体上看，它应该是由企业数据驱动业务的文化、具有特定技能的人及具有特定功能的IT系统共同构成。
既然市场对于企业的数据能力要求越来越高，那么要如何建设数据能力呢？
为了尝试回答这个问题，我们先看看主要有哪些数据工作内容。
数据工作内容
回顾上面的玩家留存率分析过程，可以发现主要有三部分工作：
- 寻找数据
- 加工数据
- 分析数据并提出产品改进的建议
如何支持这三部分工作呢？也可以从三个方面来看：
- 数据的日常维护和管理。它将包括数据仓库/数据湖的建设，数据质量、标准、模型、安全等数据治理内容。这将提高寻找数据的效率，保障使用数据的安全。
- 针对特定问
1005
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
