|
《大数据下的产品与客群分析》 主讲：韩迎娣 【课程背景】 现在的社会是一个高速发展的社会，科技发达，信息流通，人们之间的交流越来越密切，生活也越来越方便，同时也会释放出庞大的数据能量，大数据就是这个高科技时代的产物，大数据并不在“大”，而在于“有用”。价值含量、挖掘、应用比数量更为重要。对于需求的动态变化，需建立一个多维度的产品应用、客群画像，才能够做到“大数据比产品本身更了解产品，比客户自己更了解自己需求”，大数据的产品应用场景让数据重新理解产品，把产品自身、服务与客户形成强关系，在产品使用过程中建立数据触角，随时可清晰了解产品应用状态，客户的体验与场景需求。 课程将以大数据分析切入点，还原金融环境中的实际案例，帮助学员理解大数据是什么？大数据有什么特点，区别在哪里？数据如何洞察产品需求？产品整个生命周期的数据管理该如何做？大数据洞察的客群特点是什么？如何构建金融应用场景与客群关系？使学员学之解惑，学之能用。 【课程收益】 Ø 金融大数据的应用现状与痛点，大数据特点，技术图谱及大数据思维 Ø 大数据分析、建模、标签化管理、数据洞察产品需求 Ø 大数据下的产品场景，找回需求原点，构建金融产品需求场景 Ø 金融产品数据分析与挖掘、金融产品研发前置分析及商业应用全周期 Ø 大数据洞察的客户关系，洞察维度，客群分析，客群在线的四大场景 Ø 金融应用场景与客群关系，基于用户洞察体验需求升级 【课程特色】干货，没有废话；科学，逻辑清晰；实战，学之能用；投入，案例精彩 【课程对象】产品研发团队、产品经理、产品需求调研团队、营销、营销分析、运营 【课程时间】12小时 【课程大纲】
一、识别大数据与大数据价值 1、思维创新技术路径 2、金融大数据应用现状与痛点 Ø 大数据应用现状 Ø 大数据应用误区 Ø 大数据应用困扰及痛点 3、什么是大数据 Ø 大数据概念 Ø 大数据能做什么 Ø 大数据应用价值 Ø 大数据的特征与特点 4、大数据技术图谱 Ø 大数据技术基础 Ø 大数据的数据源特点 Ø 大数据技术逻辑 Ø 大数据全域识别 Ø 大数据数据展现 5、大数据思维 Ø 全样 Ø 容错 Ø 相关 Ø 智能 案例： 二、大数据分析与建模 1、大数据分析与建模 Ø 建模 Ø 训练模型 Ø 应用模型 Ø 优化模型 2、大数据标签化管理 Ø 数据标签 Ø 标签 Ø 多样化标签与场景化应用 Ø 基于标签化的产品画像 3、数据洞察金融产品需求 4、大数据为金融产品赋能 5、金融大数据的数据挖掘与建模 Ø 大数据挖掘流程与逻辑 Ø 大数据基本算法逻辑 Ø 大数据挖掘特性 Ø 大数据建模逻辑 Ø 数据＋模型＝产品能力？ 案例： 三、贯穿整个金融产品生命周期的数据挖掘 1、金融大数据分析与数据挖掘 Ø 业务场景 Ø 数据建模 Ø 挖掘算法 Ø 相关分析 2、大数据应用场景及场景解析 3、找回需求原点，构建产品需求场景 4、产品数据分析与挖掘的样本条件 5、产品研发前置分析 Ø 需求任务 Ø 研究目的 Ø 关键指标 6、产品生命周期- 产品研发设计 Ø 策略研究 Ø 概念评估 Ø 产品研发 Ø 产品测试 7、产品生命周期– 商业应用 Ø 导入 Ø 发展 Ø 成熟 Ø 衰退 8、产品商业应用的数据触角 案例： 四、大数据洞察的客群分析 1、与客户关系的核心 Ø 传统价值 Ø 高阶价值 2、大数据驱动的客群洞察-数据维度 Ø 真实性 Ø 立体性 Ø 即时性 3、大数据驱动的客群洞察 – 营销维度 Ø 目标客群旅程 Ø 营销活动评估 Ø 社交表现追踪 Ø 行为趋势洞察 4、客群洞察与分析 Ø 基础属性 Ø 需求解构 Ø 客群分层 Ø 客户心智 Ø 内容偏好 Ø 产品能力 Ø 场景故事 Ø 金融价值 Ø 逻辑解析 5、客户在线的四大场景 Ø 输入场景 Ø 浏览场景 Ø 搜索场景 Ø 交易场景 6、金融应用场景与客群关系 Ø 可运营人群数– 活跃用户 Ø 人群转化率 – 关系加深率 Ø 高价值人群总量 Ø 高价值人群活跃度 7、创新实践，端到端的整合场景 Ø 场景总览 Ø 预设GMV目标，反推各阶层用户体量 8、内容传播渠道 Ø 内容矩阵 Ø 数字媒介矩阵 Ø 融合匹配 Ø KOL选择 9、基于内容营销闭环的布局 Ø 基础内容投放 Ø 头部内容资源 Ø 人群关系触达 10、基于用户洞察体验升级需求
| 
