機(jī)器學(xué)習(xí)驅(qū)動的產(chǎn)品特性開發(fā)課件

1、機(jī)器學(xué)習(xí)驅(qū)動的產(chǎn)品開發(fā)和優(yōu)化謝梁首席數(shù)據(jù)科學(xué)家Microsoft Power BI摘要亮點問題背景傳統(tǒng)方法基于數(shù)據(jù)挖掘的方法經(jīng)驗總結(jié)亮點機(jī)器學(xué)習(xí)輔助產(chǎn)品特性開發(fā)產(chǎn)品特性群落差異化定價完整的數(shù)據(jù)支持基于機(jī)器學(xué)習(xí)的洞察力超越簡單匯總的方法數(shù)量分析框架客戶群落和產(chǎn)品特性交互的綜合考慮持續(xù)迭代這個課題的重要性a）產(chǎn)品特性的開發(fā)依賴于有效的成本/收益分析b）產(chǎn)品經(jīng)理目前使用的數(shù)量分析框架隨意性較強(qiáng)，并且過度簡化c) 我們的方法提供了一個由目的到策略再到支持?jǐn)?shù)據(jù)的平滑過渡 多維度一致性挖掘模式持續(xù)迭代產(chǎn)品特性開發(fā)產(chǎn)品特性的規(guī)劃和開發(fā)有一整套結(jié)構(gòu)化的分析框架和流程規(guī)劃和開發(fā)流程定義主題在主題范圍內(nèi)確定可用資

2、源基于結(jié)果不停迭代標(biāo)準(zhǔn)數(shù)量分析框架Kano 模型QFD模型Kano 模型產(chǎn)品特性被歸納為4大類:有吸引力的 標(biāo)準(zhǔn)但是未期待的標(biāo)準(zhǔn)并且期待的必備特性質(zhì)量功能展開（QFD）模型將客戶需求轉(zhuǎn)變?yōu)楫a(chǎn)品設(shè)計規(guī)格的外生性數(shù)量方法將重要的產(chǎn)品特性納入價值體系并賦予可以量化的值，便于客觀的比較不同的特性并決定開發(fā)側(cè)重點實際上這個量化體系是個主觀系統(tǒng)現(xiàn)有數(shù)量分析框架的共性明確對現(xiàn)有和/或待開發(fā)特性進(jìn)行聚類隱含的對現(xiàn)有客戶群落和市場進(jìn)行聚類隱含的需要現(xiàn)有用戶行為數(shù)據(jù)來進(jìn)行定量In app telemetryNPS焦點組其他渠道的客戶意見問題背景a) 市場后來者，100萬月活用戶 KPIb) 產(chǎn)品經(jīng)理需要一個可執(zhí)行

3、的，有效的產(chǎn)品策略來實現(xiàn)這個KPIc) 需要解決的基本問題什么特性最受歡迎？潛在的用戶群落是怎么組成的？有沒有常用特性群落？產(chǎn)品特性群落如何和用戶群落結(jié)合？d) 用戶行為信息為制定產(chǎn)品策略提供了基礎(chǔ)端到端案例分析 Case Analysis業(yè)務(wù)目標(biāo): 月活客戶數(shù)達(dá)到100萬衍生策略：開源：客戶獲取節(jié)流：客戶留存分析：收集數(shù)據(jù)構(gòu)造基于用戶和產(chǎn)品交互特性的分析框架基于以上框架的持續(xù)跟蹤和迭代數(shù)據(jù)是一切的基礎(chǔ)高覆蓋度高保真度高顆粒度機(jī)器學(xué)習(xí)的作用對高維復(fù)雜數(shù)據(jù)的洞察力不是簡單匯總數(shù)據(jù)的分析連接不同接觸點的數(shù)據(jù)以用戶為中心在分析的基礎(chǔ)上，構(gòu)造一個業(yè)務(wù)策略分析師的分析目的必須要和業(yè)務(wù)目標(biāo)一致切記為了展現(xiàn)

4、技術(shù)而分析給產(chǎn)品經(jīng)理提供可以執(zhí)行的建議客戶足跡客戶從哪里來 （渠道）?什么產(chǎn)品特性受歡迎 ？什么產(chǎn)品特性被一起用？付費客戶和非付費客戶的產(chǎn)品特性使用比率?機(jī)器學(xué)習(xí)算法構(gòu)造用戶和產(chǎn)品群落目的：將數(shù)十萬用戶和數(shù)百個產(chǎn)品功能歸納為少量一致性較高的群落方便管理將用戶和產(chǎn)品特性/功能有機(jī)聯(lián)系起來方法 1: 對于每個客戶, 收集在不同產(chǎn)品特性上的使用匯總信息構(gòu)造【客戶-產(chǎn)品特性】的二維矩陣客戶群落和產(chǎn)品特性群落進(jìn)行雙向聚類方法 2: 在上述方法的基礎(chǔ)上加入時間信息構(gòu)造【客戶-產(chǎn)品特性-時間】的多維矩陣將財務(wù)數(shù)據(jù)聯(lián)系起來基于典型相關(guān)分析和高斯混合模型算法用于客戶群落聚類方法 1:對兩個維度進(jìn)行雙向聚類挖掘:共用產(chǎn)品特性相似行為的客戶群落借用 TFIDF 算法處理數(shù)據(jù)結(jié)果符合常識有新的發(fā)現(xiàn)方法 2:使用典型相關(guān)分析將多維收費信息與用戶行為有機(jī)關(guān)聯(lián)起來對客戶使用高斯混合模型進(jìn)行軟聚類，構(gòu)造用戶群落產(chǎn)品特性使用差異一目了然持續(xù)迭代前面的分析提供了給定時間的分析框架持續(xù)迭代需要跟蹤不同用戶群落的動態(tài)轉(zhuǎn)換構(gòu)造馬爾科夫轉(zhuǎn)換概率矩陣?yán)脛討B(tài)和靜態(tài)特征對轉(zhuǎn)換概率矩陣建模動態(tài)：用戶行為靜態(tài)：用戶渠道成效確定主題快速高效地得到需要重點發(fā)展的客戶群落和對應(yīng)的產(chǎn)品特性客戶的行為和費用貢獻(xiàn)成為客戶留存的打分標(biāo)準(zhǔn)數(shù)量分析的科學(xué)基礎(chǔ)高度靈活的框架可以容納多種類型的信息高度動態(tài)的系統(tǒng)經(jīng)驗和收獲團(tuán)隊認(rèn)可業(yè)務(wù)導(dǎo)向的目標(biāo)統(tǒng)一