資料分析與挖掘

1、概述

1.1 使用者研究縱覽

使用者研究可以從定性分析和定量分析兩個不同的維度展開：定性分析是從小規模的資料樣本中發現新事物的方法，主要應用於使用者體驗調查；定量分析是用大資料量的樣本來測試和證明某些事情的方法，主要應用於使用者行為資料分析。

1.2 資料分析與挖掘流程規範

資料分析與挖掘型系統建設與傳統的業務操作型系統建設不同，有其自身的特點和規則。資料分析和挖掘是資料庫知識發現（kdd：knowledge-discovery in databases）中乙個重要的環節，kdd是通過從資料集中識別出有效的、新穎的、潛在有用的，以及最終可理解的模式的非平凡過程。

跨行業資料探勘標準流程（crisp-dm：cross-industry standard process for data mining）是kdd過程模型中佔據領先位置，採用量達到近60%，由歐盟機構聯合起草的資料分析和挖掘過程模型。crisp-dm包括6個不同的環節，如下圖所示：

業務理解（business understanding）：最初的階段集中在理解專案目標和從業務的角度理解需求，同時將這個知識轉化為資料探勘問題的定義和完成目標的初步計畫。

資料理解（data understanding）：資料理解階段從初始的資料收集開始，通過一些活動的處理，目的是熟悉資料，識別資料的質量問題，首次發現資料的內部屬性，或是探測引起興趣的子集去形成隱含資訊的假設。

資料準備（data preparation）：資料準備階段包括從未處理的資料中構造最終資料集的所有活動。這些資料將是模型工具的輸入值。這個階段的任務能執行多次，沒有任何規定的順序。任務包括表、記錄和屬性的選擇，以及為模型工具轉換和清洗資料。

資料建模（modeling）：在這個階段，可以選擇和應用不同的模型技術，模型引數被調整到最佳的數值。一般，有些技術可以解決一類相同的資料探勘問題。有些技術在資料形成上有特殊要求，因此需要經常跳回到資料準備階段。

模型評估（evaluation）：到這個階段，你已經從資料分析的角度建立了乙個高質量顯示的模型。在開始最後部署模型之前，重要的事情是徹底地評估模型，檢查構造模型的步驟，確保模型可以完成業務目標。這個階段的關鍵目的是確定是否有重要業務問題沒有被充分的考慮。在這個階段結束後，乙個資料探勘結果使用的決定必須達成。

模型發布（deployment）：通常，模型的建立不是專案的結束。模型的作用是從資料中找到知識，獲得的知識需要便於使用者使用的方式重新組織和展現。根據需求，這個階段可以產生簡單的報告，或是實現乙個比較複雜的、可重複的資料探勘過程。在很多案例中，這個階段是由客戶而不是資料分析人員承擔部署的工作。

2、使用者行為資料分析

2.1 目標

2.2 方法

2.3 工具

3. 終端分析：裝置分布一目了然（裝置型號、品牌、作業系統、解析度、聯網方式、運營商等）；

2.4 輸出

使用者行為資料分析的結果是使用者角色畫像，構建使用者的標籤模型，使用者標籤資料的獲取則主要是依賴資料探勘演算法，標籤體系的構成針對不同的行業、不同業務、不同使用者，各有不同，需要更專業的行業使用者畫像模型，在此不做過多的討論。使用者畫像輸出結果示例如下圖所示：

3、使用者體驗資料分析

3.1 目標

3.2 方法

3.3 工具

1) 快速判斷任務：一般是簡單的單選題，使用者可以快速完成判斷。

3) 產品找茬任務：體驗一款新產品，提交該產品的bug或提出該產品的改進建議。

4) 特殊任務：企業可以基於特定目的，設定特殊任務，如當前正在進行的尚德教育機構創意徵集任務。

5) 實地調研任務：調研物件招募類專案，通過發起實地調研任務，招募符合條件的調研物件，參與使用者現場溝通。

資料分析與挖掘

資料分析與挖掘

資料分析與挖掘

資料分析與資料探勘

相關推薦