Return to site

数据案例学习

数据驱动与算法驱动的案例

· 案例学习,数据思维

Yearly Report

临近年关,因为用户希望有个年终沉淀和展望未来的诉求,不少公司都会开展一个年度总结的运营活动。

主要类型有这么几类:

全平台统计数据

豆瓣之前放出一拔豆瓣电影频道全网友的数据统计H5, 看过最多(口碑最不错)的《我不是药神》,以及各分类下的电影。

总之是根据Top计算而来的, 生成原则是

Metrics X Category

可以控制的是,用户今年看的电影里感兴趣的分类, 而不是全展示。

用户UGC内容(电影标签、小组、影音书列表, etc)

基本上不需要太多的个性化。

每位用户的个人数据

与上面一种形式完全相对, 因为是体现用户自己的不同。

所以在展示上有几种考虑:

  • 用户静态的今年数据
    • 数量信息 (次数, 有意义的计数)
    • 时间信息
      • 时间点 (最早,最晚,特殊事件,随机事件)
      • 时间段统计 (用于聚类)
    • 排序与占比信息
  • 用户与去年的对比数据    适当地方增加百分比
  • 用户与其他用户的对比数据   例如别人很不喜欢的内容, 该用户却很喜欢
  • 用户聚类数据    通过一些规则, 给用户贴上一些友好度非常高的标签 (半夜不睡夜猫子,下午不困工作狂,早起健身阳光男孩, etc)

Client Engagement Program(CEP)

Your Client Engagement Program Isn't Doing What You Think It is.

https://multithreaded.stitchfix.com/blog/2018/11/08/bandits/

- CEP 要具有动态性

What seems to work today to keep your clients engaged won't necessarily work tomorrow.

── 今日手之于未来,也许只能用“奇淫技巧”形容。

Personalization prioritize

── Contextual bandits

email campaign , 面向对象有一段时间没有反馈、没来平台的用户, 目的是刺激他们的回流动作。

除mail之外,也会采取其他的措施(网页插件widget, push)

分组策略: A控制组(无任何操作), B组 发送无优惠邀请邮件, C组发送邮件,且附送优惠券。

结果试验了两个月, test组发现 B是最优的。 然后你决定用B策略。

问题与局限: 只能说明是当下B是最好, 未来说不定。 有的客户喜欢B, 但有的喜欢C, 所以没有个性化。没有利用到用户历史的数据, 只利用了这次试验的结果。

All Posts
×

Almost done…

We just sent you an email. Please click the link in the email to confirm your subscription!

OK