【项目跟进】如何用数据产生价值（1）-数据资产角度

日拱一卒笔记

已于 2022-10-14 21:11:30 修改

阅读量477

点赞数

分类专栏：项目跟进文章标签：大数据数据挖掘人工智能

于 2022-10-13 22:23:58 首次发布

本文链接：https://blog.csdn.net/WorkingRobot/article/details/127308885

版权

项目跟进专栏收录该内容

11 篇文章 1 订阅

订阅专栏

背景&目标

数据岗位工作中经常会要考虑如何让数据产生价值，这样算是终极的数据目标。
数据分析报告是之前常见的数据应用，但随着数据技术发展，数据岗位不会只满足于提供分析报告，指导业务决策。
数据需要更前进一步，把数据价值最大化的发挥出来，这也是对数据岗位能提供的特有洞察。
数据应用也像一个产品，也有很多产品思考的角度，本文从其中一个视角也就是从数据角度出发来梳理思路。

数据应用到低干了啥？

数据应用到低提供了什么服务，抽象了为这几个角度来头脑风暴：

点

定义：用户，内容，商品，店铺，广告，大V，渠道等都算是点，这是产品服务的基础，也是数据资产的基础
应用场景：
– 评分：价值评分，异常评估，各类型细分角度评分
– 标签：比价值更深入的，是挖掘标签，这个一般配合推荐，营销等应用
– 趋势预测：生命周期预测，销量预测，收入预测等

线

定义：点与点的关联，搜索，广告，推荐都算是点与点的连线，社交关系，知识沉淀等，基本可以按笛卡尔积来脑暴
应用场景
– 搜广推：人与内容，人与店铺，人与广告，店铺与广告等等，点与点的关联都是线的服务
– 营销：人和营销渠道的关联，适合的场景推荐适合的渠道
– 社交关系：人和人的关系，任何店铺的关系，店铺和AOI的关系等
– 知识沉淀：关系也可能以报告、知识的形态落地

面

定义：复杂的内容认为是一个一大块的面，从中提取需要的信息，比如文本，图片，视频中提取信息
应用场景
– 文本，图像，视频信息提取
– 压缩
– 内容优化：图片视频美化，内容美化等
面挖掘出来了很多标签，又可以返回去优化点的应用。

数据资产盘点

既然数据服务能力，主要是点线面的这些场景，则可以根据公司现有数据资产和能力，盘点可以做的事情
比如做地图定位的LBS服务场景，尝试挖掘下

点的盘点

用户，大V，poi，aoi，用户UGC内容，poi商品和服务，都是点。更多的还有大V的内容，类似店铺的周边服务（如保洁），店铺的广告等
根据点的清单，可以脑暴能做哪些评分，哪些能提取标签，能评估异常，能预测趋势。

线的关联

所有的点之间做笛卡尔积，可以画出一个巨大的表格，每两个点之间脑暴可以做的应用场景。

	用户	大V	poi	aoi	用户UGC	POI商品和服务
用户
大V
poi
aoi
用户UGC
poi商品和服务

有了这个巨大的表格，就可以开始填写内容，每两个内容之间，可以产生什么样的火花。
很多时候容易写重复，但脑暴就是这样。
一般来说这个表格可以写很多内容，但可以从公司优势或者和巨头的差异入手，比如定位能力，用户UGC等角度切入，来分析应用场景，不用打造一个大而全的，反而容易遗漏。
线可以不是两点的线，可以是更多的点连线，这个可以不断扩展。

面的挖掘

举例LBS的面的应用，可能主要是用户UGC内容挖掘，以及商品图片信息挖掘。

汇总梳理

价值评估
盘点可以做的事情清单，细化每个事情价值，价值要注意几个角度：
– 宏观价值
– 公司能力优势：不是公司的优势，价值大也不好做
– 技术难度：技术难度决定做的方式，是打造产品交给业务还是做算法，投入也是有差异的
优先级
价值不直接等于优先级，还有实现难度，人员配置等维度
架构梳理
则可以梳理价值和优先级。同时也获得了一张可以做的事情的全景图。
有的事情可能不会优先做，但知道全景图后，就知道如何来架构底层数据。优先架构哪些部分。

深入拆解

全景图梳理
业务梳理
技术选型
数据分层，数据域划分
底层数据建设
中间层建设
应用层建设
分析指标，KPI指标，监控指标梳理
。。。
基本就可以拆解为多个大数据项目，然后分别建设。

更新迭代

对未来的盘点：不要只盘点已有数据，而是盘点可能有哪些数据，可以是额外采集收集的
比如：亲属关系对淘宝很重要，淘宝甚至做了种树送水果的游戏，这样复杂的应用来获取亲属关系的信息
新技术引入：新技术新能力出现时，可以重新盘点整张图谱
新节点进入：比如产品体系多了仓库，外卖小哥，车辆等因素，则整张图谱会更复杂，也就可以进一步脑暴