京公网安备 11010802034615号
经营许可证编号:京B2-20210330
CDA持证人简介:
程靖 CDA会员大咖,畅销书《小白学产品》作者,13年顶级互联网公司产品经理相关经验,曾在百度,美团,阿里等大厂担任产品经理。
学习入口:https://edu.cda.cn/goods/show/3881?targetId=6832&preview=0
人力驱动广告投放:以购买便宜流量为例,商务发现便宜流量后,需通知运营进行试投放,运营分析后找财务申请资金,投放后还要分析效果并写报告,过程繁琐,依赖个人且效率低,易出现沟通成本高、决策风险大等问题。

数据驱动广告投放:任何公司投流,都一定要搭建流量监控体系,自动监控流量报价,发现便宜流量后自动进行小流量试投放,依据 ROI 选择最佳渠道并自动投放,同时利用人工智能准备物料,最后自动汇总结果,相比人力驱动更加稳定、高效,经验可继承。


北极星指标:数据驱动业务的前提是目标可量化且可驱动,不同产品或公司的北极星指标不同,如社交平台关注活跃用户数,美团在一定阶段更注重订单完成数。确定北极星指标后,数据可依据该指标进行决策,明确业务重点方向。

业务流程模式化:业务流程一定要总结、通用且可复用,以电商订单处理流程为例,各环节都要固化,数据才能在相应环节发挥决策作用,比如选择快递公司时可依据用户偏好和购买物品进行决策。同时,业务流程并非一成不变,要根据实际情况优化,如拼多多简化购物流程,如何判断流程是否模式化?就看新人能否依据文档完成工作来判断



搭建原因:以腾讯体育为例,不同业务如足球会员、篮球会员充值,在数据处理上存在大量重复工作,数据平台可将数据加工成半成品,提高数据处理效率,减少重复劳动。

平台分层:数据平台包括数据采集,收集用户行为数据、融合第三方数据;数据清洗包括处理脏数据,进行关联转化备份;数据处理,即可视化分析、建立决策模型;比如依据历史广告投放数据决定是否再次购买某平台流量和数据应用,提供决策建议、异常报警、自助分析工具等。

数据分工问题:数据归属不明确,业务部门和数据中台可能因数据所有权产生矛盾。解决方案是数据共有,业务部门和数据中台都有权获取所需数据,避免数据垄断。
资源问题:数据中台可能因资源有限拒绝业务部门的数据需求。解决办法是支持共建,开放数据接口,让业务部门在紧急时可自行获取数据。
算法结果可解释性问题:算法团队提供的预测结果可能难以解释,导致与业务部门产生矛盾。双方需协商确定是注重可解释性还是效果,若注重可解释性,算法提供简单模型但不负责准确率;若注重效果,算法需为结果负责。
数据安全问题:数据中台存在数据安全风险,如员工可能获取并泄露敏感数据。解决措施包括建立审批流,限制人员访问超出权限的数据;个人尽量不接触原数据,通过结果数据实现业务需求;对部分数据进行脱敏处理,如隐藏手机号中间几位。

目标用户定位:通过白盒化和黑盒化两种方式确定目标用户,白盒化即依据用户经济条件、性别等可解释信息,如盒马典型用户为 40 岁以上经济条件较好、掌管买菜大权的女性,但上海男性用户在盒马消费也较多。黑盒化指利用人格算法,虽不可解释但能筛选出精准用户。

转化路径设计:盒马门店选址都是在潜在用户集中地,通过发券鼓励线上购买,之后利用短信精准触达附近潜在用户;也加大地推,依据数据选择潜力小区摆摊,提高拉新效果,且数据可助力经验复制到新城市。

数据处理方法:介绍潜在用户模型,依据用户特征扩大潜在用户池;通过数据关联,如设备 ID、邮箱地址等判断多账号是否属于同一用户。
业务数据分析是CDA数据分析师一级的重要考点。

项目背景与问题:国企部门开服务点涉及多部门,规划部、考察部和选址部领导希望开店,对外洽谈商务可能因租金问题有异议,导致决策困难。

数据驱动解决方案:分析各部门痛点,为领导提供决策数据(如点位人流量、潜在用户数量等),为商务提供数据支持以申请租金调整,解决各方问题,赢得信任,促进合作。

程靖老师详细解读数据驱动业务本质,对比人力驱动的弊端,强调北极星指标和业务流程模式化的重要性。深入探讨数据平台搭建、作用、面临的问题及解决办法,并分享 C 端盒马拉新和 B 端国企服务点选址的实战案例,助力同学们在工作学习中更好地运用数据推动业务创新发展。
学习入口:https://edu.cda.cn/goods/show/3881?targetId=6832&preview=0
如果大家想听程老师完整版分享视频,可以微信扫码免费学习。同时,也期待大家持续关注 CDA 持证人的后续活动,获取更多专业知识和行业经验~
《CDA一级教材》适合CDA一级考生备考,也适合业务及数据分析岗位的从业者提升自我。完整电子版已上线CDA网校,累计已有10万+在读~

免费加入阅读:https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19