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
在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14在Python网络编程、接口测试、爬虫开发等场景中,HTTP请求的发送与响应处理是核心需求。Requests库作为Python生态中最流行的HTTP ...
2026-04-14 很多新人学完Python、SQL,拿到一张Excel表还是不知从何下手。 其实,90%的商业分析问题,都藏在表格的结构里。 ” 引言:为 ...
2026-04-14在回归分析中,因子(即自变量)的筛选是构建高效、可靠回归模型的核心步骤——实际分析场景中,往往存在多个候选因子,其中部分 ...
2026-04-13在机器学习模型开发过程中,过拟合是制约模型泛化能力的核心痛点——模型过度学习训练数据中的噪声与偶然细节,导致在训练集上表 ...
2026-04-13