大資料分析， 資料採礦， 機器學習，找到產品改進的爆點。

標籤：

為了避免不必要的麻煩。 一些資料講的不太清楚， 關鍵看爆點的思路。

通過大資料統計分析， 我發現可以用一個線性公式完美的擬合一個使用者轉化環節。並依據此公式對近期沒有發生的資料做出預測。 這就是大資料的魅力所在吧。

依據以上發現， 我覺得至少我們這個產品，套用互連網的漏鬥模型，在每兩個環節之間的轉化模型應該都是線性模型。依次， 繼續用資料探究一下另外一個轉化環節。 結果發現很悲催。

完全無法用線性公式擬合。 甚至雜亂無章。 wait  a moment. 是不是哪裡出了問題呢？那我繼續探究， 推薦人數和 轉化率的關係

媽的， 發現推薦人越多， 轉化比率反倒越低了。 這很不科學。 至少應該是一個固定的比例才說的過去。 這個反比模型太次了， 這得浪費太多的流量。 

繼續探究頁面點擊pv／uv分析（略過）。。。

最後找到朋友圈分享和領取的小時資料圖

結果發現， 朋友圈限流， 基本上分享次數一上1.5萬就被幹趴下。 7月14日以後， 更是徹底被限流平峰。

 

通過以上分析， 發現我們系統的瓶頸是朋友圈的限流問題。解決方案商務談判， 或者多網域名稱。 還有什麼別的辦法，如果哪位大神知道。 請告訴我。謝謝先。

 

大資料分析， 資料採礦， 機器學習，找到產品改進的爆點。