SmartSi

我们引入电商坑位归因的概念，把每一笔的成交都归给转化路径中不同的坑位。根据坑位的曝光转化价值来评判坑位的好与坏。把宝贵的流量尽可能都引导到转化率更高的坑位，以此达到精细化运营的效果。当然有了这个坑位价值评判的机制后各个坑位的改版也能准确的评估，真正做到了数据驱动增长。

无论做什么，背景都是很重要的，不同背景下使用合适的技术，不仅会有较大的效率提升也能发挥更多的价值。创新业务是云音乐重要的板块之一，主要是由多样化社交为主的创新app矩阵构成，包括陌生人社交的心遇app，主打声音互动的声波，海外社交应用HeatUp等，覆盖不同社交需求的群体

回到最本源的一个问题，就是为什么要去做智能分析？增强分析这个概念应该在五年前就开始被提出了，在近些年的Gartner的公布的报告里面也频繁提到BI平台的未来发展是AI和BI结合。但为什么我们在今年的这个节点才去做智能分析的事情，而不是很早就开始做？

增强分析是下一代数据和分析范式，它面向广泛的业务用户、运营人员和民间数据科学家，利用机器学习将数据准备，洞察发现和洞察共享等过程自动化。从 Gartner 这个定义看来，在概念提出之初定义还是很模糊和宽泛的，在之后的两三年，Gartner 也在不同的报告中围绕这一概念做了许多的讨论。我们对其中的观点进行了总结，从三个角度来看增强分析相较于传统数据分析到底"增强"在哪里。数据准备洞察发现结果共享增强分析的重点在于提高这一流程的易用性 ( 无代码化 ) 和自动化程度。

归因是一个将目标收益分配给用户在达成收益前所经历的不同触点的过程。在数字广告归因中，触点为不同的营销渠道（曝光或点击），通过归因衡量广告的转化效果产生，其功劳应该归功于哪些渠道触点，贡献程度如何。

消费者资产分析随着互联网发展日益成熟，竞争愈发明显，流量红利逐渐收缩，商家运营阵地逐步转向消费者精细化运营。消费者精细化运营的基础是需要对消费者进行解析，对其进行分层，形成消费者资产。对分层下的资产规模进行评估，确定分层运营目标；对分层资产状态流转的评价，分析资产增值的能力；通过营销策略，促进资产增值流转的效率，而通过评价营销渠道对资产增值的贡献，可以帮助广告主优化营销策略。因此如何建立合适的消费者分层，评估消费者资产的变化，衡量广告对资产正向变化的贡献，便是消费者资

本文主要跟大家分享高性能分布式计算引擎FAE。FAE主要聚焦于用户行为分析和广告归因分析。在这些场景上，FAE的计算性能能够达到通用的OLAP引擎的一到两个数量级

所有用户的接触点并非“生而平等”，用户的行为路径复杂难测，企业迫切需要进行广告位或运营位的价值判断，从而优化广告资源组合与分配。归因分析已经成为企业精细化运营必不可少的利刃。神策分析 1.14 版本正式上线的归因模型（如下图），支持深入业务场景，可完整还原用户行为序列，科学量化各引流位置的贡献结果，通过最优化资源分配实现投资回报率最大化。

用户行为分析是企业了解用户的重要方式之一，可以从点击、登录、观看、跳出、下单购买等多维角度还原用户动态使用场景和用户体验，通过对用户行为埋点数据进行分析，可以详细、清楚地了解用户的行为习惯，从中发现用户使用产品的规律，以用于精确营销、产品优化，从而驱动业务实现增长。

Prophet模型是Meta公司开发并应用于Facebook/Twitter等产品的开源时间序列模型，适用于MAU/DAU和新增的预测。在云音乐的业务中，此模型不仅能用于DAU预测，也能用于评估活动和波动分析等多种场景。

数据驱动理念已被各行各业所熟知，核心环节包括数据采集、埋点规划、数据建模、数据分析和指标体系构建。在用户行为数据领域，对常见的多维数据模型进行信息提炼和模型整合，可以形成一套常见的数据分析方法来发现用户行为的内在联系，能更好洞察用户的行为习惯和行为规律，帮助企业挖掘用户数据的商业价值。

本文实践了对于千万级别的用户，操作总数达万级别，每日几十亿操作流水的留存分析工具秒级别查询的数据构建方案。同时，除了留存分析，对于用户群分析，事件分析等也可以尝试用此方案来解决。

随着贝壳的不断发展，特别是今年年初专门成立了增长线，数据化思维和精细化运营的诉求越来越强烈。各个业务方急需了解自己系统的流量情况，从数据出发优化自己的产品，从而留住用户提高转化；而作为公司高层需要知道集团的整体流量情况，特别是比较核心的月活、商机转化、用户留存和渠道推广等情况，及时作出战略部署和调整，保证公司保持高效稳定的增长。在这样的大背景下我们搭建了一套流量分析平台-罗盘，为集团和各个业务方提供统一、权威的流量数据出口。