以下内容是知乎看到的,转载过来。
' f1 ~( j8 _& i( w5 A4 ~( C
: N# o2 _ o1 Q m2 X* V 感觉这个实现起来好像也不难。过完年折腾下。 M2 p9 W# {0 t" _. ]0 `6 x
* x: K/ @) p& k; E4 i) L3 P9 x3 P
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
7 q; v+ [: `6 U# W/ W 这几个月在一家为客户在Facebook上做广告的加拿大公司工作。简单说说他们对于数据的态度吧。这是一家小型Startup公司,总共不到20个人。其中4个人(包括我)是技术,剩下的除了CEO都是Account Manager。当然CEO很多时候也在做Account Manager的事情。 % g3 e, Z2 v* I- Y7 a. t
$ H3 h/ O( e/ {& U# ?# @4 B 刚到这个公司的时候,觉得他们的code很烂,他们的数据库设计也很烂。后来才知道,当初startup的时候,是找了印度公司做外包的,他们对这个外包很不满意,所以一期项目搞定之后,就全部拿过来自己搞了。但是后遗症也留下了。 ) l! j; f: m0 k% i4 u4 |1 I, X
* a% q1 v( ^& I# ~& E. ^ 这个公司的数据模型很清楚,只要通过低于广告主给出的CPA价格能赚到钱,就想办法增加广告覆盖率。但是常识大家都明白,增加覆盖率很可能导致转化率下降。但是如果接受这个假设,那么就没有什么赚钱的机会了。恰恰是因为他们相信,除了常识之外,还有一些事情是经验之外的。 4 B& t1 U. C) ^$ P3 d- u
/ c( X" M0 m. ^& n/ _4 Y 比如说关键词……有些关键词对某些人有用,对另外一些人没用。如果不做数据挖掘,生想广告词或者关键词的组合,累死了也赚不到什么钱。 6 T9 L5 F! X6 n9 V4 I0 h
8 G: i# \( V5 E 所以……这个公司在代码中设计了几个基本核心算法:
9 P, A' l+ Z: Y' U$ N; O5 x o 1. 一种止损的trigger,对于任何亏钱的广告,自动停止。
Z$ Q: {: h- D- j# d; A6 S! r 2. 一个自动发布广告的cron,程序一直在扫描。一旦发现一些广告能赚钱,就自由组合这些广告元素再自动发布到广告系统里面。这样,就能出乎意料的发现一些更加赚钱的广告形式。
% g, H" S$ G4 l9 k* j) t9 h4 b 3. 做了很多广告更新的算法,搞了一个自动化的A/B测试策略来针对Facebook广告价格的浮动,来更新广告的价格。 , I' X% |' u& y& m9 M
/ o8 f, W5 n; I0 n
通过阅读这些算法让我感受很深。所谓的数据分析,不是一个产品经理跑到运维,数据库管理员或者工程师那里说:我现在要跟踪什么什么数据,你帮我出一下吧。然后再对着跑出来的数据琢磨这些数据是否合理。 ( E# v. }1 u5 I2 d) A0 P1 Y2 V
$ P8 c/ J4 U6 @, w$ u' t- _+ a
在这个公司里,只要发现一个数据模式对收入有影响,就会直接编码到系统里,变成自动执行的代码。基于这样的数据导向原则,代码面临无穷多次的重构,因为谁也不知道,下一个数据模式会发生在哪个层面,哪几个数据之间会发生关系。
# n) ]# T4 e1 C; t& C 1 F3 N! @$ C& O3 Q m( l
我觉得国内的不少公司,还在以daily report分析数据,还在说数据只是为了验证产品经理想法的阶段。这动作是不是太慢了?
0 N- H O$ L/ k9 b( {
& @5 X6 h" e# o0 p/ J7 z- n5 y h" \2 V 接下来的话,随便说说,不一定有参考价值: 7 B: E; ]# \6 x+ s, I
i" U# A) L4 ~ V) [
1. 对于大多数网站,如果你想用数据为导向,必须建立系统级的A/B测试机制。对于界面层面的重构,一个产品经理+一个工程师,一天用这个系统一天至少能做3-4个。系统级别的A/B测试要能够保证快速上线,第一时间看到数据,一旦超过临界值直接结束测试、保留数据并生成报告(直接邮件发送,而不是让产品经理想起来跑到后台再查) 5 ^8 \- i7 c, X1 A
, s4 s1 ]! }3 ^, D 2. 对于做社交网站,或者有复杂用户数据模型的公司,要在界面呈现和用户数据之间建立匹配系统。这样产品经理可以设计几种呈现模式,丢到匹配系统中,过不了多久,就能发现用户对不同呈现的数据反映的不同,然后系统性地固化这种机制。
$ t; q6 o# `$ R4 T. b2 t7 Q
" b* y' y" U0 z' I 3. 通过cookie或者用户登录信息,建立针对不同用户的内部tag系统,看这些tag在系统2里有没有明显差异。如果有就可以固化下来,用来提高关键指标。 . [/ v; s% t" h
/ s: V6 b) u; e* c
所以,我现在对于数据分析的感觉是:
$ I, h) Q8 _8 _' ]! q+ [* p 1.要提高一个数据指标,盯着它是没有用的。必须找到影响这个数据的另几个可操作性更强的数据指标,调整它们。 F6 I# N1 `8 e7 o" Y( q
2.分析数据的可能性要充分,充分分析的基础是测试充分多的可能性。如果你想测试图标的颜色从绿色变成红色会不会更好。那为什么不测试一下蓝色,紫色和黄色呢? ' ?% |0 p. c R u! ~1 y- i
3. 如果小规模数据已经可以说明问题,就没有必要延长测试时间,也没有必要扩大测试范围。
% m* Z% Z! Z+ J5 n 4. 要充分利用计算机来帮你做数据采集和分析,缩短数据分析的周期,降低数据分析的成本。 5 i! i0 O; Q) a" Q9 W* c% E4 A
5. 有必要的时候,可以让计算机帮你找pattern,因为计算机没有偏见。+ o. d1 T0 q8 G6 k
编辑于 2011-08-16
相关帖子