本文根據快看漫畫屈世超老師在DataFunTalk數據主題技術沙龍活動“大數據從底層處理到數據驅動業務”中分享的《大數據平臺的模型思維與用戶增長實踐》編輯整理而成，在未改變原意的基礎上稍做修改。
今天分享的內容分為三個部分，首先介紹下快看漫畫發展狀況，第二個就是我們在大數據平臺和大數據業務發展的過程中總結的模型思維以及平臺搭建的一些經驗，最後是基於我們的數據平臺用數據驅動去增長用戶、業務的一些實踐經驗。
上圖是快看漫畫APP的一些界面，基本是精品漫畫加二次元社區、社交的一個平臺，同時我們也生產漫畫內容。快看成立於14年底，經過幾年的發展，已經有了超過1.3億的用戶量，月活動量近4000萬、日活動量1000萬，在中國漫畫APP中排名第一。日數據量接近百億條，對數據平臺要求比較高。
如果從事過市場推銷相關業務，都明白移動APP發展前幾年都趕上了人口紅利的曝光，推廣起來比較容易，用戶量也是實現了比較快速的發展。但是到17年開始，移動網民的數量增長量很小，在推廣過程中，搶的都是存量用戶。隨著APP開發推廣競爭力越來越大，市場的投放、購買越來越難，成本越來越高。就目前所有APP開發者普遍存在的趨勢就是用最小成本購買優質用戶，留存一定要做高，同時通過一定的用戶運營實現活躍用戶的價值輸出，即超級用戶思維。這一切都離不開數據支撐業務增長的需求和發展。
第二部分講一下模型思維和快看數據平臺搭建，模型思維的概念很抽象，但是是無處不在的。比如我們見過的新事物會潛意識進行抽象，然後特徵提取、存儲到我們的意識中，再發現類似的事物就會很自然聯想到這個模型，通過模型來猜測這個相近的事物有什麼特點、如何去使用它、如何去產生聯繫。舉個例子如我們第一次見到平衡車，我們就會想到電動車、摩托車，要駕馭它需要很好的平衡性。我們認識新事物會自動聯想我們記憶中就有的模型，這就是模型思維。在技術開發過程中模型思維也是無處不在的，比如我們在有了需求以後，需要從需求抽象出一個模型，映射的模型從我們的經驗記憶中聯想，那些架構模型是能夠解決當前的需求，再從這個大的模型不斷去拆分、細化、劃分模型，每個模塊又是更細粒度的模型，再拆分直到我們熟悉的技術。模型思維就是我們要從需求出發，抽象出需求模型，然後映射出架構模型，然後拆分更細粒度模型，直到我們熟悉的技術。這其中就需要我們對多項技術的積累，多項工具、框架組合使用的經驗，才能透徹理解模型思維。
上圖是我們大數據平臺應用的總結，首先是一個需求模型的彙總，然後是架構模型的一個彙總。在架構模型中會產生更加細粒度的模型，細粒度的模型繼續拆分直到不能拆分的原子模型。先從需求出發（架構設計的依據和來源），一般大數據的應用都離不開這三塊，第一個就是數據存儲和數據探索模型，第二部分是數據分析與預測模型，第三部分是商業智能與決策模型。比如數據存儲我們需要對數據進行備份（冷備份、熱備份），對數據進行查詢和規律分析；數據分析和預測模型包含實時分析、批量分析，數據探查包含特徵提取或個性化推薦；商業智能與決策模型在金融領域比較多，比如風控領域，對貸款人信用學習決策是否能貸款、收回貸款等。需求相關的模型基本都離不開這三部分，由需求模型映射到相應的架構模型需要經驗性，依賴於需求過程中提取如何去使用這些數據、展示形式、數據源接入的方式或者根據數據源的格式或一些特點如何進行數據的清洗和處理；數據分析中用什麼樣方式進行洞察和分析，比如使用什麼樣的算法去學習個性化推薦或找到一些規律。
在做大數據時總會接觸到一些模型，如數據接入模型，做數據採集（web數據、設備數據、業務數據，可能有不同形式的接入方式），接入之後做數據存儲，結構化與非結構化、分佈式存儲，雲存儲或存儲到傳統的存儲模型中。然後是數據處理模型，實時、離線，還有清洗模型，不同格式、形式的數據用何種方式、工具進行處理。最後是數據使用模型，做完處理後如何進行分析、可視化，如何查詢，還有用戶觸達，做一些智能決策，以及自動觸發模型。
所有的架構都是由需求衍生而來，由需求產生模型，這些模型是由小的原子模型通過一定的組合、封裝，逐層構建更高層次的模型，最後將技術架構實現。學習技術和架構是一樣的關係，有了這種思維後，在學習技術時更有目標，在整個架構它的定位和功能是什麼，與同功能的優劣對比更清楚。這種思維能夠快速將需求抽象成模型，業務方和開發方就確立共同目標，有助於開發制定關鍵架構決策，什麼樣的業務大致能知道用什麼結構去解決。架構落地是由底層到高層逐層實現的，從原子模型落地，通過層層組裝實現整體架構的落地。還有一個優點是有了整體架構後，能夠平滑的實現架構升級、修復、替換，因為每次改動是基於原子模型或幾個原子模型的組合。
前面介紹了模型思維，接下介紹快看如何發展數據平臺。創業公司最開始關注的並不是用戶的行為，更多的時項目是否適用於我想象的用戶群體，這個群體在APP使用時長、活躍度、留存量。我們開始使用的是低成本接入和和使用第三方基礎數據統計平臺，就能滿足需求，前期成本低，通過多個第三方能夠保證數據準確性便於做數據相關性驗證以及很多宏觀指標確定APP的業界定位。快看發展第一年主要依據第三方數據平臺做相關分析以及自己的統計任務基本能夠滿足需求。在成長期需求呈爆發式增長，業務線不斷分散。隨著業務量發展和數據增多，需求不斷細化不會只看宏觀基礎指標，指標會細化到每一個業務，每個業務也會查看功能性指標。開始嘗試做原子模型的替換，調研發現一個“二八定律”，就是如果要對用戶行為進行分析，接入的第三方數據分析平臺，利用20%的成本接入和維護能夠滿足各個業務線80%的需求。隨著業務量以及業務需求增加，許多數據分析是定製化的，第三方數據平臺就無法解決，就自建大數據平臺。搭建原則是利用最低成本解決需求，優先使用第三方平臺能解決的方案，不能解決利用大數據平臺做定製性的數據洞察，比如個性化推薦，做精準的作品分發。後續數據洞察的需求越來越多，業務指標越來越定製化，數據統計的粒度會越來越細。
上圖是平臺架構，分為四層。雖然有很多模塊還不是很細，但是隨著業務的發展，也是適合當前人力成本取捨的一個方案。這是快看創業階段的經驗，如果有在創業公司工作的，有需要可以參考下。
接下來講一下我們利用數據驅動來實現用戶增長的經驗，業界關於類似的探索還比較少，因此做一個總結分享一下。快看數據部門對數據的定位是基於我們的平臺，對公司所有業務線提供數據需求，做好數據驅動，每個業務線做好業務增長。這個業務很寬泛也很難，以為很多創業公司是從零開始發展起來，很多時候並不太注重數據，數據平臺是由需求驅動發展的，但是我們想數據平臺去驅動業務線的發展，我們花費一年半時間做數據內部思維推廣，由於成員年輕化，很多都不是很理解數據，還不斷強化他們如何使用數據、好處是什麼。然後就是聚焦在運和業務增長方面。
先講一下數據思維內部推廣，培訓介紹現有數據平臺、第三方數據分析平臺、BI後臺以及數據字典維度等，介紹有哪些數據；然後介紹各個業務能夠使用那些數據；最後就是如何將數據用起來，讓CEO、CTO實施讓員工更多的去使用數據，強化管理層對數據的重視，要求一些數據指標的統計，從上到下分配到每一個團隊，產品經理和用戶增長團隊輔助確立業務核心指標，著重如何確立綜合指標來評價你當前的工作和業務發展；數據研發團隊提供數據支持，將數據抽象化、平臺化、自動化。但是也要進行一定的取捨，因為會有一些不切實際的需求，或者提出的需求分析沒有用等等。
用戶增長團隊後期工作是介於每一個開發線與業務之間的工作，如制定指標，針對指標做一些細化，細化為可落地，對當前業務有增長的可執行指標。引導他們去使用並做一些優化，如付費運營，每一次活動完成後分析是否達到效果，以及下次運營需要哪些工作。會監控每一個頁面位置作品曝光率以及用戶在每一個分發頁面的參與度，比如社區運營、遊戲運營也有類似工作。產品經理和用戶增長團隊聯繫密切，共同去做好數據分析。
接下來講一下我們在這方面的例子，快看作為漫畫平臺核心功能就是滿足用戶對於內容的閱讀需求，核心點就是把控作品內容變化趨勢，同時根據用戶的需求、喜好開發一些新內容，這些是內容模塊的指標。讓內容開發者基於對用戶的理解，利用數據去支撐他們的猜測，探索內容開發方向。具體方式就是會分析每一個作品的周留存、日留存和月留存，以及用戶閱讀次數，看一下用戶對作品持續關注度。然後通過用戶搜索關鍵詞把控新作品開發方向，這樣能夠把控作品質量，同時每個用戶活躍度的變化能夠反映作品對用戶的吸引力。
上圖是用戶運營的思維，拉新越來越難，因此要對現有用戶留存，利用的是海盜模型去定義用戶的生命週期，從激活到留存還有沉默到流失，以及內容傳播與收入等都有實踐。指導思想就是對每個用戶實時跟蹤，實時蒐集用戶行為，標記用戶生命週期，根據生命週期標籤做相關推薦，如新用戶進行冷啟動學習進行推薦，沉默會做拉活嘗試，流失會做用戶召回活動。留存也會做優化，但更多是基於用戶畫像進行個性化作品分發以及個性化push。
運營這一塊很重要，每年花費在市場推廣成本很高，如何評價和吸引高質量的用戶難點很多，主要有對接的渠道很多，接入方式多種多樣，藉助第三方平臺實現高質量推薦不現實。因此定製化BI後臺，嘗試對用戶拉新精準歸因，然後做精準統計。平臺應用中，發現利用自己的平臺能節省20%的運營成本。在做用戶拉活和廣告素材方面會做個性化投放，通過用戶個性化標籤生成對應的廣告素材做精準拉活和召回投放。
——END
閱讀更多 datafuntalk 的文章
