一、前言
随着公司业务的高速倒退，生产的数据量呈指数级增长，分析师须要通过数据分析在海量数据中抽丝剥茧，挖掘出最有价值的信息，建设合乎业务的数据指标体系和用户模型，针对性地提供数据产品和个性化的定制服务，以实现精细化经营和精准营销，并借此发力来驱动进步业务增长，晋升用户体验。本文将围绕 MobTech 指标体系、数据产品以及一个理论案例来介绍如何利用数据分析帮忙客户解决问题，实现精准营销。
二、指标体系
2.1 如何建设指标体系
俗话说工欲善其事，必先利其器。
一个好的指标体系：
1、能够帮忙咱们精确疾速的定义业务运作的状态；
2、能满足大多数场景的异动归因，当指标呈现异动时能够疾速定位起因；
3、在决策层制订方向时能够给予很大的参考价值。
惯例的指标体系搭建办法：
- 北极星指标
北极星指标（North Star Metric），也叫作第一要害指标（One Metric That Matters），是指在产品的以后阶段与业务 / 策略相干的相对外围指标，一旦确立就像北极星一样闪耀在地面，指引团队向同一个方向迈进（晋升这一指标）。 - OSM 模型
OSM 模型是三个词缩写：指标(Objective)、策略(Strategy)、度量(Measurement)。
它是一套业务剖析框架，是指标体系建设过程中辅助确定外围的重要办法，蕴含业务指标、业务策略、业务度量，是指标内容横向的思考。
简略了解，就是先明确公司目前的指标 O，接下来通过 OSM 模型把指标 O 拆解，对应到各职能线可落地、可度量的行为上，从而保障执行打算紧紧追随大方向。
以 app 业务为例：
O：联合北极星指标法，首先确定以后公司级的指标，支出增长。
S：支出增长，能够做哪些策略呢？
- 进步付费用户规模
- 进步用户人均付费金额
M：用什么来评估策略是否达成？
- 付费用户数
- 用户人均付费金额
以上举例说明了第一级拆解，咱们把评估的度量再做成指标，持续拆解，这样一级一级拆解上来就造成了指标体系。
在理论工作中，不同的业务或者同一业务不同的阶段关注的指标不一样，但思路是大同小异的，须要使用多种模型并联合本身业务指标制订相应的指标。
2.2 MobTech 指标体系概览
MobTech 主营 to B 业务，指标体系次要服务于 B 端公司。所以咱们基于本身宏大的数据量级以及扎实的技术实力，打造了一套能够满足客户个性化需要的数据指标体系：
根底属性：用样本数据进行模型预测，以用户的设施信息、App 在装信息、城市等级、房价等作为特 征，通过算法建模失去的根底信息，通过屡次验证能达到 80% 以上的准确率。
设施属性：通过 sdk 采集后进行荡涤和映射等解决失去的设施信息。
利用偏好：通过剖析用户在不同时间段内，对于不同类别 App 的装置、卸载、沉闷等行为，计算用户对不同类别利用的偏好指数，从而推断用户在相应时间段内的线上行为偏好。
KOL：通过用户对 KOL 关注度，并与随机人群比照，计算出用户对 KOL 类型的偏好水平。
反欺诈：基于反欺诈行业专家和反欺诈情报团队带来的数据和行业常识的输出联合 MobTech 海量的大数据，通过屡次测试、优化和迭代，最初选取标签通过分类树、逻辑回归等解释性强、准确度高的算法对黑产进行误杀率极低的拦挡。
三、数据产品
基于欠缺的数据指标体系，MobTech 还建设了业界当先的数据产品：
3.1 DMP
MobTech 的 DMP 产品能够反对客户通过样本洞察、标签洞察、App 洞察以及自定义洞察多种形式对人群进行洞察剖析，帮忙客户真正做到“成竹在胸”，上面是成果展现图：
3.2 前置机
MobTech 在前置服务器筹备满足客户需要的精准 TA，在程序化广告中对接 DSP，将 DSP 实时问询的流量与当时依据肯定规定筛选好的人群包进行匹配，帮忙广告主找出合乎其要求的广告受众，实现广告的精准化投放。
3.3 反欺诈
Mobtech 通过对各类黑灰产作恶资源平台的监控，并联合本身 9 年 SDK 业务劣势一直积攒优化和迭代，积淀出基于黑产资源数据的手机号、IP、APP 名称和包名信用库，积攒总量达 3 亿 +。Mob 信用库解释性强、准确度高，可对黑产进行误杀率极低的拦挡。
出于篇幅限度其余数据产品就不一一介绍了，感兴趣的读者能够去 MobTech 官网一探到底。
四、实例解说
4.1 我的项目背景
在某次前置机我的项目中，客户须要某省份满足某条件的精准 TA 人群进行广告投放。
我的项目的要害考核指标是 TA 的识别率达到 50% 以及命中率达到 20%。
识别率：问询流量与前置机交加 / 问询总量
命中率：问询流量与前置机交集中的 TA / 问询流量与前置机交加
分析师通过健全的标签体系（性别年龄、趣味偏好等指标）以及其余满足业务需要的逻辑圈选出了大量的精准 TA，及时上传至前置机供广告平台问询。
4.2 发现问题，定位起因
但在投放开始后，监控外围指标时却发现了一个问题：流量的识别率不迭预期，只有 40% 出头。
分析师在发现问题后须要思考造成问题可能的起因有哪些，并顺次去验证确认实在的问题点。
此问题通过剖析有两个可能的起因：
1、上传呈现问题，前置机的数据与本地提取的数据不统一，导致后果不如预期。
2、流量中掺杂了“杂质”。
通过对间断多天的问询数据跟前置机人群以及本地人群的数据进行比照验证（去重未去重识别率、不同 id 识别率等指标），咱们确认了上传到机器的数据与本地提取数据的一致性，第一个起因排除。
同时通过对间断三天流量的剖析，咱们发现流量的省份占比并不如咱们料想的那样“洁净”，除了 TA 省份外其余省份也有较大的占比，如下图所示（间断三天的省份占比基本一致，此处选取一天作为示例）：
4.3 解决问题
在定位到问题的第一工夫告诉客户，同时适量地减少了其余省份的 TA 人群，并抉择问询频率最低的工夫间隙进行上传，能够看到在及时补数之后，识别率有了显著回升，达到了预期的 50% 以上，并且命中率只有很小幅度的降落。
分析师该当分明，识别率与命中率互相制约，识别率回升的同时命中率个别会有所降落，如何把握两者的均衡须要分析师对我的项目的历史经验总结以及对本身数据能力的良好把握。
4.4 总结
咱们总结整个我的项目的过程：
基于健全的指标体系和精确的数据逻辑提供精准的数据；
上传到前置机并随机测试前置机数据与本地数据是否统一；
投放开始后及时察看识别率与命中率等外围指标；
如果有异样及时定位起因进行补数，再反复 2、3 步骤；
指标符合要求则定时上传数据增量至投放完结。
其实，一套健全的指标体系是剖析的根底。有了健全的指标体系，数据产品经理和分析师能力熟能生巧地针对不同的业务搭建相应的数据产品。当然，建设指标体系不是欲速不达的事件，须要分析师团队一直的依据业务去调整，在一直的应用中发现问题继续迭代，整合团队的口径继续优化和齐备，并推动更多的平台去利用。
在发现数据问题时，不要慌乱，剖析数据的产出和应用链路，比拟各个环节的数据差别，从而达到疾速定位问题解决问题的成果，进而实现业务优化。
五、对数据分析倒退的瞻望
目前大多数公司的数据平台还没智能到能够通过利落拽来解决惯例取数需要的境地，也正是因为平台能力尚未成熟，分析师的精力才会被大量取数需要所占据，导致大量的分析师自嘲是“sql boy/girl”。
但将来趋势肯定是 SQL、数据可视化、模型等产品工具越来越成熟，有数据敏感度的业务同学也能够通过工具来实现取数分析师的取数工作。所以分析师肯定要造就本人的业务敏感度，在工作中无意识的开掘业务的根因并积淀成相应的业务指标体系和易用的数据产品。在此基础上，发现业务决策过程中能够晋升的环节，打造一个一直优化的良性业务闭环。