分享嘉宾：宋腾辉@网易严选

编辑整理：黄乐平

出品平台：DataFunTalk

导读：企业数字化转型的战斗正酣，释放数据价值成为企业当前的核心任务。本次分享主要关于网易严选内部的业务型数据产品，通过贴近严选投放场景以及业务需求落地搭建了面向内部的全链路市场投放平台数据产品，同时也将分享严选在产品设计中通用的方法论。

今天的介绍会围绕下面四点展开：

• 网易严选业务背景

• 全链路投放数据产品建设

• 场景化数据产品建议

• 后续答疑

01

网易严选业务背景

网易严选的业务背景主要想让大家来认识一下严选以及严选市场投放的特点，以及该业务形态下对数据的诉求。

网易严选是一家自营全品类的精品电商品牌，覆盖了从商品的研发、生产、采购、物流、仓储、销售、配送，最后到消费者手中的环节。整个链路过程其实是比较长的，所以严选更需要能够利用数据去帮助业务提升决策的效率。

网易严选作为品牌广告主而言，在市场投放生产关系过程中，会和很多行业内的广告投放平台或者与品牌基调相符的媒体进行合作，包括抖音、微博等信息流；小米、华为等应用商城；网易内部云音乐、邮箱等渠道。网易严选在上述提及的媒体上会去设立账户同时进行有预算的广告投放，利用这些媒体渠道给严选拉新、促活及转化增长。

1. 严选市场特点

整体严选市场的特点包括三个方面：

• 多渠道+多代理。因为严选的渠道方较多，但市场投放的同学人力有限，所以会在投放的过程中通过代理方式结合数据转化择优选取；

• 投放考核多面且标准严格。严选在考核过程中会考虑ROI（投入产出比），除了前期投入的成本估算，还包括整体投放后的中长期转化；

• 投放随业务发展动态调整。前期严选会注重用户的规模，到发展中后期也会将重心从用户的”量”到用户的“质”，追求长效发展。

2. 严选市场投放数据诉求

严选根据市场投放的特点，市场投放业务场景对数据侧提出的诉求抽象为四个方面：

• 安全：安全一方面指的是与内外部媒体进行投放而产生数据交互，其过程中发生转化的用户是公司重要的数据资产。其实严选本身也有非常丰富的数仓团队和数据产品团队，所以在投放的过程中不倾向于对接内部的数据服务商。另一方面指的是在投放场景中，需要做好场景的风险监测和预警工作，例如规避在拉新场景过程中吸引一些“羊毛党”，造成优惠力度权益的“浪费”。

• 高时效：广告投放是一个时效性非常高的业务过程，不论是与媒体端的交互还是内部归因，必须满足高时效的要求，才能够帮助业务去实时调整投放的策略。

• 业务全面：网易严选覆盖的业务面较为广泛，需要考虑多方面的业务环节。

• 链路完整：基于严选的自营电商的背景，覆盖了电商所有的链路环节，与投放相关的因素需要考虑齐备。

02

 全链路投放数据产品建设

严选投放全链路数据产品设计思路基于上述提及的业务场景对数据所提出的诉求，具体包括：

• 安全加高时效。为了满足安全加高时效的要求，严选在设计的过程中自接入了30+的媒体，自建了激活归因、订单归因以及风控监测。

• 业务场景全面。产品设计过程中自建了丰富的指标评估体系和投放分析体系，涵盖了外部渠道核心因素以及内部电商常规分析的人、货、场三个核心因素。

• 业务链路完整。一方面，指的是从媒体前端投放到严选后端转化的一个链路完整性，即投放端和转化端的关联。另一方面，指的是严选内部投放业务，从立项、计划、投放、结算全链路场景设计的完整性。

综上，严选投放全链路数据产品核心主要做了三件事，其一是投放的归因体系，其二是投放的指标评估体系，再者是投放的分析体系。

下面详细展开在三个核心体系上的实践。

1. 严选投放归因体系

严选是一个有着APP端和PC端的自营电商。在客户流量上，严选会更加偏向于沉淀APP端的用户，因为后续的转化以及长期的生命周期价值更高。因此当前在投放过程中，严选会引导用户下载APP为主，直接引导用户发生转化为辅。

基于这样的一个主辅关系，严选的归因体系就需要建设包括激活归因以及订单归因两个方面。而归因的核心元素包括场景、优先级以及效期三个点，特色就是会更加贴近严选的投放场景。

对于场景而言，严选会细化典型场景，例如判断用户终端归属问题，即是否在APP端或非APP端内下单；判断用户访问支付的方式，包括同端或者跨端；若为跨端的方式，则会判断是用户自发行为，还是扫码、唤起等行为。通过层层细化，严选能够真正了解用户的行为转化对应的场景。

对于优先级而言，严选与业界相同采用的是最终点击（last click/visit）。

对于效期而言，严选会考虑封闭APP内的效期较短，非APP内效期适当加长，这里主要是考虑到用户对APP的粘性和感知力会更强一些。并且由于严选投放的角色是一个广告主的角色，所以在广告的效期设置上比常规广告平台效期设置稍微短一些。

2. 严选投放指标评估体系

在业务发展过程中，首先是确立业务的发展目标，包括制定业务战略目标以及业务执行策略。其次，搭建指标体系，包括KPI指标以及业务执行指标，KPI指标对应上一过程中的业务战略目标，业务执行指标对应的是业务执行策略，最后才是去落地执行。这个思路它不仅仅局限于投放场景，而是一个通用数据产品指标体系搭建的思路。具体实操如下：

① 拆分目标

首先，如果业务是多过程，先拆分为单过程，再区分指标的具体分类，包含规模类（诸如支付用户数）、效率类（诸如户转周期）、质量类（诸如复购频次、用户留存）等指标分类。其次，结合战略战术目标去拆分核心类指标、非核心类的指标，映射到战略层和战术层。最后还要注意，业务链路的过程性指标分析也非常重要，能够基于此清晰定位哪一步的漏斗环节发生了问题。

② 目标的交叉验证

第一步完成后，初步的指标体系已基本完成，如何真正有效去反映业务的发展，需要对指标体系进行验证。并且在验证过程中，可能会存在阶段性目标调整的情况，所以实际上就是验证与确定目标的不断交互。

举个例子，严选有个时期，投放核心指标除了拉新规模外还有新用户的一个首单质量，包括首单成本和首单流水ROI。但通过数据交叉验证，团队会发现低价的商品能够保证较低成本吸引用户，但并不是高质量的用户，往往吸引一些薅羊毛的低质量用户群体，后续的价值流水转化很低。基于观测到的数据结果结合业务发展过程，投放目标逐渐从用户首单质量逐步调整为用户中长期的贡献质量，在不断的调整优化过程中，不断设立指标确认业务目标，将建议反馈给业务方，形成一个良性自增长闭环。

3. 严选投放指标体系实践

基于上面的指标体系设计思路完成了严选投放场景下指标体系建设，以现阶段指标体系的实践举例：

严选今年拉新场景投放目标主要是保证拉新规模达标的前提下，达成用户中长期的流水价值。业务侧将这个战略目标拆分成了三个可执行的战术目标——保证成本的拉新规模目标、用户的短期流水价值目标、中期用户从首单转化成三单的目标。这些直接反映目标的指标，即为我们的核心指标。在核心指标的基础上，结合上文提到指标体系分类思路，严选同样侧重规模类、质量类以及过程类的指标分类。

• 规模类包含支付用户数、新增用户数等；

• 质量类包含用户价值、投入产出、用户健康度、风控等；

• 过程类包含电商的链路追踪，包括访问-注册-支付、访问-商品详情-加购-支付等。

严选整个市场投放指标体系能够把从严选外部曝光、点击的前置链路，到内部激活、注册、付费、留存全过程完整反映出来。

4. 严选投放分析体系

分析体系的设计思路是一个不断进阶的过程，包括从“业务发生了什么”，对业务问题进行基础描述性分析；再到“为什么发生”（诊断性分析），即当数据存在波动或者异常进行诊断分析；到“什么将会发生”（预测性分析），即基于历史积累用户数据对未来进行预测，结合预测的结果给业务中长期发展作参考；最后到“最后如何指导业务决策”，即决策性分析。核心介绍一下诊断性分析和预测性分析：

① 诊断性分析

指的是探索问题发生的根源。举个例子，针对异常诊断而言，是将业务核心关注点以及专家经验沉淀下来反哺于业务。如图所示，异常可能有正向或负向两类，严选针对每一个投放渠道进行异常的拆解，下钻到每一个影响因素。这个工具可以很高效地帮助业务将问题定位到具体某个出错的环节；如果是正向异常就可以强加利用，如果是负向异常就及时调整。

② 预测性分析

指的是从历史的数据中去探索规律，识别未来可能的风险或者是商机。以严选渠道拉新为例，如果说只是单一考虑将用户拉来，这个成本可能在用户购买首单或者前几单都无法达到损益为正，但可以设置了一个ROI>0的时间目标。

举个例子，严选有一段时间的目标是新用户在未来365天内贡献的履约毛利能够使ROI>0。为预测该目标在未来能否达成，利用的是用户的历史积累数据，包括流水特征、支付特征、流量特征、时间特征等进行预测，利用算法帮助业务了解投放中长期转化效果。

如图所示，严选针对每一个渠道，关注用户在T（当天）、T+7（周）、T+28（月）、T+365（年）的ROI。除此之外，以T+365为例，严选会帮助业务去监测哪些渠道提前完成目标，哪些渠道离目标较远，业务基于此进行相应调整或者保持相同投放策略。除此之外，预测性分析常被用于电商环节提升用户粘性。例如不少电商采用“省钱月卡”或者“首单0元领”等运营策略，其核心是希望用户在未来中长期有一个比较好的复购表现。基于上述的预测性分析产品，能够帮业务去提前了解到运营的效果。

对于业务的决策进阶是数据产品的一个终极目标，但是到低能否介入鞠策，主要取决于业务。当业务的决策模式能够抽象形成通用方法论，产品化方案是可行的，例如上文提到的业务将T+365的ROI=1作为目标，是可以利用数据辅助业务进行决策，但也存在一些业务场景不太好提炼。所以，除了决策性分析以外，严选为了将数据发挥最大的价值，将数据放在整个业务链路每一个环节，让数据更好地辅助业务，帮助业务提效。比如：

• 投放前立项，通过将核心指标抽象出来，辅助于领导层进行立项计划审批；

• 投放前计划管理，通过线上化规范生成投放链接，事前打标，事后分析；

• 投放中干预，通过诸如用户总线串联等策略提升转化效率，例如用户在外部广告投放的时候看到商品，能够直接进到主站后购买这个商品，最短路径的方式去完成转化；

• 投放后费用管理，通过数据去支持严选百万级月度计算以及报销支撑。同时在结算的过程中，基于严选风控数据，给业务方在结算时一定的费用扣减等建议支持。

5. 严选产品应用实践

综上，为了满足业务对投放场景提出的安全高时效、业务全面、链路完整的诉求，严选基于其自有数据、媒体上报数据及通过MarketingAPI接入数据，搭建了严选的投放归因体系。结合严选的战略战术目标制定指标体系，包括KPI指标以及日常监控指标，对应战略层及执行层。在此基础上，进一步基于严选电商自营的特性，抽象了所有影响投放的因素，搭建了包含基础性分析、诊断性分析、预测性分析的分析体系，不断迭代升级的同时将数据建议输出给业务方。上层的数据产品应用落地方面包括PC端以及APP移动端，方便业务侧随时随地查看投放效果。

如下有一些严选在产品应用实践上的落地举例：左上角产品为严选在异常诊断上的落地；中间为用户主路径的漏斗转化，从访问、商详、购买、下单、付款到支付的全链路流程；左下方为画像分析中地域性分析；右侧为移动端数据产品，这里截取的是关于不同渠道的投放效果，因为方便易用获取了领导们的大力认可，后期也是在不断迭代优化的过程中，涵盖更多具体的场景分析，并推广到各个业务线，从而满足业务所见即所得的诉求。

03

场景化数据产品建议

产品一般都非常了解用户体验五要素，其实用户体验五要素与严选数据产品设计思路也不谋而合。

第一层是战略层，需要业务先行制定业务战略和战术目标；

第二层是范围层，需要确定指标体系，包括具体的分类（核心/非核心、规模类/工程类等）以及按递归验证的形式去做指标体系和目标的校验；

第三层是结构层，需要在分析体系中确认业务核心影响因素，结合业务场景分析影响业务的因素维度；

第四层是框架层，是从基础监控、分析诊断到决策建议的进阶流程；

第五层是表现层，即将下面的四层（战略层、范围层、结构层、框架层）确定的内容展现到用户面前，做到直接、方便使用。

整个设计过程需要时刻去考虑对业务链路覆盖的完整性，这样才能牢牢地吸引产品对应的用户来提升产品的使用率和价值的发挥。

在严选数据产品构建的过程中，形成了一个感悟，即数据产品价值体现在数据使用者手中，越到高层越体现价值。在此基础上提出了一些建议：

• 在做数据产品的过程中，需要真正的深入业务，贴近业务场景设计帮助业务解决问题的产品，从而得到业务的认可和使用；

• 在业务侧多进行宣贯，给业务做指导，培养业务系统思维。在实际操作过程中，许多功能的上线业务并不感知，不知道哪些工具能帮助解决业务痛点和诉求，所以更要加强对业务的宣贯；

• 向上输出，抓住目标高层用户，对业务的决策指导才会更加直接并且快速，也容易获得高层用户的推广和宣传。

归根到底，数据产品是一个需要沉住气静下心来做的一个工作，耐得住寂寞才能守得了繁华，数据能够给我们带来无限的可能，祝各位互联网数据人走得更远攀得更高！

04

后续答疑

1. 诊断性分析类似于归因分析，严选是采用通用的分析框架还是也包含了个性化算法在内？

答：诊断性分析类似于归因分析，其核心是一个通用的分析框架，但严选会把业务核心关注诊断的点进行抽象，固化到数据产品内。业务基于数据去进行查找分析投放中的问题，通过层层下钻找到真正影响异常的因素。个性化算法是在预测性分析中，结合了用户的历史相关数据去进行算法推导，评估用户中长期价值。

2. 严选是否有其他的数据产品，例如知识图谱等？

答：严选面向业务场景的数据产品还是比较多的，例如面向商品端的数据产品、面向供应链端的数据产品、以及营销一体化的数据产品，还包括一些公司级底层数据产品支撑。

3. 马尔科夫模型在归因分析中是否有应用？

答：马尔科夫模型在投放分析体系中没有应用。马尔科夫链主要是解决用户可能在多个场景被触达的归因问题。在严选实际的业务过程中，投放链路流程并不是特别复杂，而且按历史探查的数据，拉新投放场景下用户被多次投放干预的比例较小。在严选内部，除了有投放归因还有触达归因。触达归因指的是针对已经在严选的用户，去提升用户的复购转化。严选会根据不同的触点对用户进行Push短信等干预，这里主要采用时间衰减权重+个性化场景个性化分配权重的思路，也没有用到马尔科夫模型这种较为复杂的模型。马尔科夫模型主要适用于类似淘宝、京东等复杂流量入口的场景。归因分析应该基于业务属性，核心还是把复杂问题简单化数据化，也要考虑减少业务的理解成本。

今天的分享就到这里，谢谢大家。

特别推荐一个分享架构+算法的优质内容，还没关注的小伙伴，可以长按关注一下：

长按订阅更多精彩▼如有收获，点个在看，诚挚感谢