这世界上的一切胜利，都源自对未来的精准预判。
一个棋手能够击败对手，是因为他比对方更准确地预测了对方的落子。
一个将军赢得一场战役，是因为他比对方更清晰地嗅到了战场风云变化。
一个企业攻下一方市场，是因为它更精确地判断了每一个用户的行为规则。
说到底，竞争根本的“游戏规则”是对于规律的体察。而“一个行为和另一个行为之间的匹配关系”，就是规律。你手中掌握的规律越多，胜算越大。
诸葛io 要做的，正是告诉企业他们的客户，有怎样的行为规律。他们判断规律的方式，叫做“数据分析”。
【孔淼 诸葛io CEO&CTO】
“数据魔术师”孔淼，是诸葛io 的创始人。曾经担任李开复的技术助理的他，发明了利用微博数据来评价人的系统：把一个人的微博资料，关注人的级别，他的访问设备，被关注人的身份综合起来，就可以得到这个人的精确社会定位。
把这种数据分析的思想发挥到极致，就是利用“数据分析”来判断用户行为之间的关系。例如：
用户在 App 上点击了怎样的优惠活动，就会成为这个 App 的铁粉。
用户在应用中点击了什么信息，就会“粉转路人”，甚至付费购买更多服务。
这就是诸葛io 所能作的最基础的事情。
【赵子琪 诸葛io 执行总裁】
赵子琪，诸葛io 执行总裁。作为一个写代码出身的管理系统营销老兵，他曾经在 Oracle、SAP、微软工作十多年时间。在他眼里，企业亟需掌握一种技能——学会利用数据分析，而不仅仅是未经验证的经验来改进自己的服务。
诸葛io 利用 SaaS 平台和私有化部署，为互联网企业和传统行业企业提供数据分析。在雷锋网对诸葛io 进行专访的时点，诸葛io 有一万多家注册用户，月均月均处理事件量500亿次。
孔淼：
简单来说，一个用户和一个 App 产生关系的行为，主要有四个方面，我可以逐一说一下在这四个方面数据分析产生的独特效果：
从用户下载 App 开始，数据就开始起作用。
哪里来的用户质量最高？这是企业关心的问题。我们的方法就是评估这些渠道的好坏，然后提升优化渠道。
举一个最简单的例子，我们会根据数据来判断特定渠道带来的用户，究竟有没有使用 App 核心功能，而不仅仅是有没有打开 App。
在用户已经获取 App 后，应用厂商当然期望用户持续访问自己的产品。
但是我们会发现一些产品的行为，会造成用户的流失。
如果他有一个活动特别好，但是位置很隐蔽。
不过，数据显示用过这个功能的人会成为“忠实用户”，会经常回访；没有发现这个功能的人，可能就流失了。
这时我们的系统就会建议用户把这个功能提前。
举个诸葛io做过的案例：
有一个直播 App，经过数据分析之后，发现了一个有趣的现象：第一次使用充值功能的时候，喜欢用免费积分的人，后续充值的概率非常高。但是他们的免费积分放置的位置比较隐蔽，于是推荐他们做了调整。
调整之后用户的留存增长了超过30%。
这就是从整个产品设计上能够帮助 App 优化的地方。
【用户留存率模型】
在持续运营过程中，应用都会设计很多活动。
但是这些活动究竟哪个有效、哪个一般，就需要数据来进行分析。
举个例子：
通过数据分析，可以知道哪些活动的参与人数多，而哪些活动用户参与之后回访率（粘性）高。通过这些数据，我们就可以挑出好的运营活动和坏的运营活动，在以后的活动设计中，多仿照好的运营活动来设计。
【用户重复使用某一功能的评价方法】
很多服务最后都会涉及到用户付费。
我们可以通过数据分析，具有哪一类行为的用户，付费转化率最高。我们就会刺激用户来做这样的行为。
总体来说，数据展现了用户在产品本身上的所有行为。围绕这些行为，我们就可以找出与之对应的运营方法、市场策略，甚至在 SaaS、销售等环节也能找到可以提升的点。
之所以要重视数据分析，是因为现在的创业方向越来越细分，有可能一个特定的服务之针对有限的目标客户。这个时候就不能简简单单通过客户量增长的方法来解决你的发展问题，而是要针对有限的客户，提升产品的价值。
如果你的客户群本来就不大，却因为产品设计不好而给用户留下不好的印象，是很难获得第二次机会的。
赵子琪：
我来讲个故事吧。
某乳业集团有一个业务，是订奶业务——客户提前预订，公司把奶送到家门口。这块业务比重不大，只占到10%-20%，但对乳业集团来说是优质业务：一来客户是预付费，没有账期；二来没有进入商超的进场费、堆头费。
针对这样的业务，集团会希望用户有什么样的行为呢？
1、订奶期限结束之后，希望客户继续订。
2、希望客户订奶的数量可以增加。
3、希望客户可以订更优质价格更高的乳品。
针对这些希望，公司可以怎么做呢？一个非常好的方式就是通过线上渠道去了解客户。这就到了数据分析的领域。
在手机 App上，他们根据数据分析，尝试把用户喜欢的产品放到合适的位置上，并且设计活动吸引客户了解想要推荐的奶品。用这种方法，实现了让客户购买更好、更有价值产品的目的。
另外，由于在乳业集团内部的CRM系统（客户关系管理系统）里，有大量的客户交易数据，把线上用户的行为数据和这些线下购买的数据结合，就可以分析出新的结论。
从现在的应用情况来看，这样的数据分析对于订奶业务的改进效果非常明显。
孔淼：
总体来说，我们把可预见的问题做了整理，在2.0版本里做了改变。诸葛 io 2.0 是在去年的第三季度开始筹备的。2.0 对整个基础架构做了升级，简单来说有两点：
1、把整个诸葛io 做了 SaaS 和私有化部署两套优化方案；
2、改善了过去客户数量累计之后，我们的系统跑起来越来越慢的问题。
我可以分 SaaS 和私有部署两个方面来解释一下。
我们在应用的过程中发现一个问题，那就是用户和设备之间的关联关系存在不准确的情况。比如多个用户拥有一个设备，或者一个用户拥有多个设备；有些用户在成为用户之后还存在匿名行为，这些同一个人的行为之间都需要打通。
这些问题都要靠基础模型的优化才能解决。
同时我们还面对一个用户越来越多，系统响应变慢的问题。这就像一部手机，安装越多应用速度就会越慢。我们的做法是针对每一个应用都进行独立的可调节的资源分配，相当于一个沙箱，目的就是保障性能。
过去某一个系统问题，可能会导致一系列客户的连锁反应；而现在如果出现问题，可能只会影响到一个客户。目前来看，我们的系统可以实现秒级的查询速度。
根据系统的演进，以前很多人用数据分析系统主要做事件漏斗分析，现在有了越来越多数据分析应用，更精确地挖掘用户流失和用户预测。所以我们抽象了一层大数据处理架构，开发新应用就会变得简单。我们希望提供的不仅是一个基础工具，而是解决方案。
很多企业拥有自己的分析平台。所以我们试着做出更开放的数据架构，这样厂商就可以把数据导入他们自己的平台。
在私有化部署方面，我们同样建立了更开放的数据架构，还有不同数据的接入方式。因为不同的企业需求不同，所以我们也可以根据要求进行硬件的减配。
另外，在整个架构之外，我们涉及了一些新的分析场景和模块，针对不同行业和应用场景，有一些独特的效果。
【少量的关键行为细节，隐藏在海量的用户行为数据之中，需要通过独特的方法才能发现】
孔淼：
在分析场景模块做了一些扩展之后，分析链条也拉长了。
不止是用户下载，一个用户可能仅仅扫一个二维码，就能被识别出来。通过这种技术，可以把一个用户从真正的初级用户到最后用户的转化和流失，整个系统性地记录和分析。
简单来说，这种技术可以达到一个效果，那就是拉低分析人员的门槛。
【产品分析的一般过程】
国外有一个词叫做：自助式分析。企业做分析，无非就是想对应哪些用户做了哪些行为，后续有没有持续做这类的逻辑。我们根据这样的基本逻辑做成交互式组件。
由于具体的分析工作，都要由客户企业内部的人员来做。所以我不想让产品给人一种很专业的分析工具的感觉，我们想通过技术改进，只要预先的“埋点”设计好，一个普通的市场人员都可以顺利地使用数据分析系统产生一些有价值的结论。
其实有业务导向的人，更容易探索出结果来。一个做市场的人会有很多想法想要验证，如果委托技术同事来写代码做验证，往往并不能准确地表达自己的需求，而且往来的沟通效率会很低。使用他们熟悉的语言来直接尝试不同的数据分析，会大大提高提出结论的效果。
赵子琪：
互联网企业对于数据分析的意愿更强烈，因为他们所有的业务都构建在互联网上，和客户接触的唯一渠道就是线上。所以采用数据分析或者提高数据分析能力之后，会对业务有巨大的改变。某种程度上说，数据分析在影响着互联网企业的生死存亡。
但是传统企业自知对数据分析的陌生，所以在不断探索。传统企业由于线下业务的成熟，对互联网数据分析的探索要求“稳健”。
虽然“慢半拍”，但是一旦意识到数据分析的重要性，传统企业会调动足够的资源，制定完整的计划来坚决推进数据分析。
举一个例子，前一段时间我接触了一个比较有名的制药企业。它专门请了一个公司帮忙制定了完整的“零售4.0”业务规划。这个规划已经脱离了传统零售的管理方式，所以需要我们的配合，我看到它执行力度非常强。
大企业的执行体系是很健全的。他们关心的事情很简单：多少价格，能够获得多少价值回报。所以我们也在建立一整套的服务体系，来对接这样的传统企业。
总体来说，我们服务过的10000多家企业，会提供很有价值的经验。这些经验中必然会有一些共性的东西，可以分享给传统企业。
【用户行为统计详情】
赵子琪：
我之前在微软做微软CRM系统，其实微软也在探索一些新零售的应用，他们叫全渠道的一些数字化营销，从线上线下都要管理数据。
诸葛io 更多偏重行为数据，目前的客户偏向于探究他们的客户在线上做什么。他们希望找到一个行为数据对应的“必然的结果”。
线下数据是什么呢？我个人理解是客户行为比较真实的一个反映。包括：
行为数据。例如，你去了哪些商场，看了哪些商品。
交易数据。从历史交易来看，可以看到用户的特点。举个例子，我就喜欢阿迪达斯的东西，所以我买体育用品大部分跟阿迪达斯有关系，而且跟阿迪达斯的足球鞋有关系，这就是有意义的线下历史交易数据。
但是线下数据受更多因素影响。例如：可能我看了5个车子，我只买其中一辆；我看了很多车，但夫人说了算。这是比较真实的，因为总有一种概率你不是决策者。
数据分析的目的，根本上来说就是找各种各样数据的匹配关系，所以我们需要的是线上和线下的数据结合，做出适合的营销的手段。
通过数据分析，我们可以针对对于不同客户，究竟是给到店体验，还是5元优惠券，等等。
但是，线上线下数据关系过于复杂。举个例子，某个人有100个特征标签，这个人同时可能有100个行为，需要对应我100种措施。这最终演变成为100×100×100这种海量的匹配关系。那么你如何做精准的匹配？
比较好的方式，需要有一些自动化、人工智能的措施去筛选调优。这样的方案值得探索，有第一家用这种方式获取提升的公司，就会有第二家跟进，逐渐会成为行业的标配。我觉得这个市场会成熟很快。
人类科学的根基，正是对科学规律的尊重和信任。商业世界同样如此。寻找规律，让变幻莫测的企业竞争突然有了可遵循的“解题思路”。
值得庆幸的是，商业规律背后是人的行为规律，而人的行为规律可以通过数据分析来分解和探查。
数据分析，从表面上看是让企业使用工具和技
本文作者： 史中 本文转自雷锋网禁止二次转载， 原文链接