CRM 系统设计全复盘：数据分析与挖掘-软件开发

软件开发 APP开发 软件开发公司 APP开发公司

        数据分析与挖掘技术

     “数据分析和数据挖掘是组合的数学和计算机科学产品。”

     “数学是数字、模型、模式和变化的学科。”

 这两句话结合，我认为这是挖掘做事不够准确汇总数据分析和数据 - 理解业务，找到问题的关键数据，找到合适的型号，找出规律和变化，预测未来。

  我不打算在这里继续发展复杂的数学知识。所谓术业有专攻，作为产品设计师和产品经理的CRM系统，我们应该看什么姿势的CRM业务使用的数据。

  数据的价值是什么？

      1. 数据可以揭示真相

心理学中有一种现象叫做“新鲜度问题”，它是指人们在面对解决问题或做出决策的情况时，倾向于利用真正发生的或更容易获得的信息做出决策，但导致这种决策模型的有限经验和资源很可能使我们做出错误的判断。题外话，要知道心理学和统计是密不可分的，这么多的想法的心理可以在数据分析找到影子。

例如，名为“短信营销”，你的第一反应不是“哪里有现在的人看到这个消息啊？他们正在使用微信。 “答案是”不”，因为有短信数据业务的链路可以达到20％，而广大读者品牌的图形数量一般为3％左右。有没有打乱你的看法？

数据用来说话，以避免人们因有限的经验中学习，并引起揭露真相的认知偏差。

2. 数据可以转化为行动

数据转化为信息再由信息转化为行动，数据分析的目的是行为。通过了解真实的世界，以前的工作成果的措施，使我们可以采取更多的行动通知，效果更佳。

但我更关心的问题是：它是否能明智地使用数据？

回到“短信营销”，因为短信链接的点击率远远超过读取的图形的数量，品牌是不是意味着公众放弃所有的数字，并切换到“短信营销”平均的例子吗？答案仍然是否定的。

思考一下以下问题：

短信打所有的含量可以达到它的20％？

哪些内容可以在短信中达到20％的点击率？

品牌，就是以什么样的场景信息到用户的手机号码？

有多少链接短信转换KPI的最终目标上点击有吗？

SMS转换率比的读出公共图形号码的量高，答案可能位于不同的SMS用户和公众号码用户位于生命周期。

在什么情况下发送短信的手机号码收购品牌？或许是从电商平台获得的订单数据，意味着手机号的拥有者已经是品牌消费者或用户，品牌有了一定的认可度，到交易阶段的客户群体及时发送推广短信可以有效的刺激客户复购..

对于一些公共操作的，广大球迷和品牌，以品牌建设为主要活性业务，运营目的是为了提高潜在客户的品牌知名度，粉丝和品牌信任关系的巩固。如果公众号渠道和短信渠道从运营目的到内容定位的不同，那么指标性能并不是唯一的参考答案。

数据不会说谎，但数据会被误读，原因是误读，人们都在思考的盲点。避免盲点思维方式是数据的不确定性，一个明确的因素，我们不知道该怎么办找出“反查”的方法，以数据的避免误解。

        二、数据的指导意义

1. 度量

测量检查工作的结果前一个环是最常见的KPI（关键指标）的措施是必要的。

KPI可分为“目标KPI”和“过程KPI”。

     “目标KPI”是业务工作的最终目标绩效考核的结果衡量？例如：新的粉丝数量，新客户的数量，再购买率，换手率等。

工作“流程KPI”是最终目标将进行拆解的不同指标，划定在每个工艺节点制造。例如，对于一个带有公众号的新粉的裂变运动，“目标KPI”是新粉丝的数量，流程KPI包括：PV、UV、分享号等。活动页面。

「过程 KPI 」的目的有两个：

 通过“过程KPI”，可以预测目标绩效结果，

      “KPI过程”来描述方法中，反应的问题，分析性能结果，的原因，如一个普通漏斗模型。

2. 理解

测量的目的是识别“问题”，这些问题可以是无法实现目标的原因，避免后续工作中同样的错误，也可以是成功实现目标的原因，转化为可复制的成功模式。

首先要回答一个小问题的数据分析之前发现问题，大问题变成小问题，找到答案的大问题。如：

改进营销活动的问题

        提高绩效的问题

分析分析数据的过程中添加的“尺寸”，可这些小问题进行了拆解它一个很好的答案。

常见的维度分析包括：

时间维度

人口属性维度

行为事件维度

3. 预测

通过对历史数据的理解可以预测未来。

当每天7点准时下班时，他们可以准确地预测到达公司的时间框架。究其原因可想而知，因为在上班的路上，一天又一天，公司都到达同一时间。

在客户关系管理中，大多数交易是可以预测的：

哪些客户可能会流失？

下一次顾客的购物情况发生在什么时候？

通过直观的图表包含时间变量，我们已经可以做一些简单的预测，如销售淡季时节的是什么事件;但大多数预测是基于一组混杂与未来业绩相关的因素，我们需要通过一些数学模型的立场。

客户信息是品牌的关键资产

品牌收集客户数据，客户肖像的形式，帮助品牌为客户提供优良的特殊服务，更高的转化率。通过分析每个客户的价值，品牌决定哪些客户值得保留和放弃，

最困难的收集和使用客户信息是识别顾客的身份。

举一个例子：一位顾客购买了该品牌的旗舰店山猫第一次被标记为新客户，其实，在品牌自己的专卖店早期客户都是一些京东买的，因为用户并不认可山猫而京东的用户是一样的自然人，同时给予客户将在京东的新客户提供了品牌，也发出了京东唤醒回购报价，直接导致了资源的浪费品牌。

获取客户数据通过的关键是一个统一的标识，例如id号，但是商业上比较合适的标识不是手机号..移动号码的收集可以来自订单数据，但更多的是来自品牌组织的互动活动，引导用户提供自己的移动号码。

数据的收集

数据量的数据分析过程中需要，越多越好，但理想和现实是有差距的。除了微信，淘宝，数十亿用户的大工厂，甚至行业的一线品牌都想收集多维度的客户数据并不容易。

通常品牌将继续创造机会（如营销活动，调查等形式的互动）与客户进行互动，收集客户的基本信息，通过事先埋在客户的活动页面收集的行为数据点。

数据收集的过程，需要足够的耐心和我们能做的：

制作互动内容来吸引客户愿意离开他们的数据。

做好数据的存储规范，保证不同活动，不同渠道采集到的数据可以统一命名存储，以便于后续使用，

需要收集的数据是由业务需求决定的，比如牛奶品牌需要收集婴儿出生日期，或者洗发水品牌收集客户的头发质量特征来推荐更适合他们的产品。

数据的呈现

图表可以用来形容各项性能指标。数据可视化的本质是基于的前提是不同的经营宗旨，描述了最合理的方式中的数据，人们可以更容易地理解这些信息传达的数据。如

线图：用来表现基于时间维度的指标走向

柱状图或饼状图：用来表现指标的维度分布

直方图：用来表现指标的数据分布

分散：同样是分布式的性能，非常适宜做回归分析

1. 数据分析在于对比

“本月新增客户数量比上月增加20％”显然比“本月新增客户200家”，“比”是一个自然的比较指标“转换”的活动，例如，“访问人数”与客户最终“的人购买数量”做对比（的人购买/访客％号），该活动可以进行真实的效果。

2. 数据分析需要联动

数据分析是是连续行为，数据需要连接起来。

如果这两个指标总是一起变化或一个指标导致另一个指标变化的

那么它们是相关的。

3. 提供灵活的多维度数据筛选＆数据对比

提供维度筛选，帮助商务人士发现性能数据的原因，并避免许多不同的解释在同一时间。

添加维度以注意虚荣心数据。仍然有效“转化率”为例，即使转化率达到80％，但这些大多是客户“的活动不会买的”客户成功转型，这也活动不那么成功的绩效指标。

注意事项

甚至行业的常用指标仍然需要被定义和用于计算的明确的指标的指标的公式。不同的品牌业务场景也是不同的，对指标可能有不同的解释。例如：在线客服绩效考核，不同品牌有相同指标的计算不同的考核标准也不同。

对于定性指标，需要进行兼容的后续修正。例如：活动，客户价值，运行一段时间后，在指数中，市场的变化，改变了客户特征需要重新调整指数的计算。

总结

由于人们思维的盲点，在数据分析过程中存在着许多陷阱，通过反考来识别我们的不确定因素。

了解企业，发现问题，将大问题分成可管理的解决一个小问题，使用正确的数据和分析模型，以找出答案。

数据可视化是一个完整的数据分析过程，

数据联动，分割尺寸等的比较分析，可以管理混杂因素，数据的更准确的解释。