市場調研與數據分析

【課程背景】

    現在的社會是一個高速發展的社會，科技發達，信息流通，人們之間的交流越來越密切，生活也越來越方便，同時也會釋放出龐大的數據能量，大數據就是這個高科技時代的產物，大數據并不在“大”，而在于“有用”。價值含量、挖掘、應用比數量更為重要。對于需求的動態變化，需建立一個多維度的產品應用、客群畫像，才能夠做到“大數據比產品本身更了解產品，比客戶自己更了解自己需求”，大數據的產品應用場景讓數據重新理解產品，把產品自身、服務與客戶形成強關系，在產品使用過程中建立數據觸角，隨時可清晰了解產品應用狀態，客戶的體驗與場景需求。

    課程將以大數據分析切入點，還原金融環境中的實際案例，幫助學員理解大數據是什么？大數據有什么特點，區別在哪里？數據如何洞察產品需求？產品整個生命周期的數據管理該如何做？大數據洞察的客群特點是什么？如何構建金融應用場景與客群關系？使學員學之解惑，學之能用。

【課程收益】

?  金融大數據的應用現狀與痛點，大數據特點，技術圖譜及大數據思維

?  大數據分析、建模、標簽化管理、數據洞察產品需求

?  大數據下的產品場景，找回需求原點，構建金融產品需求場景

?  金融產品數據分析與挖掘、金融產品研發前置分析及商業應用全周期

?  大數據洞察的客戶關系，洞察維度，客群分析，客群在線的四大場景

?  金融應用場景與客群關系，基于用戶洞察體驗需求升級

【課程特色】干貨，沒有廢話；科學，邏輯清晰；實戰，學之能用；投入，案例精彩

【課程對象】產品研發團隊、產品經理、產品需求調研團隊、營銷、營銷分析、運營

【課程時間】6小時

【課程大綱】

一、市場調研維度與用戶認知

1、思維創新技術路徑

2、市場調研的目的

?  調研目的

?  調研對象

?  需要收集的數據

?  需要達成的效果

3、調研的五大維度

?   網點周邊商業

?   網點周邊社區

?   網點周邊用戶

?   競爭對手

?   合作單位

3、調研的三種方法

?   實地調研

?   文案調研

?   特殊調研

4、市場調研的3個目的

5、市場調研的數據陷阱

6、用戶存在無意識的感知偏誤

7、用戶觀念跟不上企業創新

二、市場調研方法與失效因素

1、市場調研中容易混淆的3種誤差

?  固有誤差

?  隨機誤差

?  主觀誤差

13、市場調研 - 行業成熟度

14、市場調研 - 市場發展空間

15、市場調研 - 未來市場規模

16、市場調研 - 行業發展趨勢

17、致使市場調研失效的7個因素

?  某些消費者有“隱形需求”

?  調研的時間太遠，不具備結論

?  霍桑效應

?  偏見與歧視

?  沉迷市場機會和體量導致市研失效

?  消費者是自我的導致市研失效

?  消費者難以場景化導致市研失效

?  8、從眾心理導致虛假信息

?  9、維護形象導致虛假信息

?  10、思維錨定導致低效信息

?  11、廣告干擾導致低效信息

18、如何整理市場調研數據

19、市場調研分析報告

?  整個大市場分析

?  整體市場下的細分市場分析

?  典型產品分析

?  新機會

?  風險

大數據技術圖譜

?   大數據技術基礎

?   大數據的數據源特點

?   大數據技術邏輯

?   大數據全域識別

?   大數據數據展現

5、大數據思維

?  全樣

?  容錯

?  相關

?  智能

案例：

二、數據分析

1、數據分析意識

?  對比關系

?  看趨勢

?  重點數據

2、數據分析方法

?  對比分析法

?  結構分析法

?  交叉分析法

?  分組分析法

?  漏斗分析法

?  杜邦分析法

?  矩陣關聯分析法

2、數據分析報告對產品研發的影響

3、數據預處理

4、特征分析

5、算法建模

?  線性回歸

?  聚類

?  分類

6、數據表達

?  分布數據可視化

?  分類數據可視化

?  線性關系數據可視化

7、數據挖掘

8、統計分析方法

?  集中趨勢

?  離散程度

?  相關程度

?  參數估計

?  假設檢驗

9、

大數據分析與建模

?   建模

?   訓練模型

?   應用模型

?   優化模型

2、大數據標簽化管理

?   數據標簽

?   標簽

?   多樣化標簽與場景化應用

?   基于標簽化的產品畫像

3、數據洞察金融產品需求

4、大數據為金融產品賦能

5、金融大數據的數據挖掘與建模

?   大數據挖掘流程與邏輯

?   大數據基本算法邏輯

?   大數據挖掘特性

?   大數據建模邏輯

?   數據＋模型＝產品能力？

案例：

三、貫穿整個金融產品生命周期的數據挖掘

1、金融大數據分析與數據挖掘

?  業務場景

?  數據建模

?  挖掘算法

?  相關分析

2、大數據應用場景及場景解析

3、找回需求原點，構建產品需求場景

4、產品數據分析與挖掘的樣本條件

5、產品研發前置分析

?  需求任務

?  研究目的

?  關鍵指標

6、產品生命周期 - 產品研發設計

?  策略研究

?  概念評估

?  產品研發

?  產品測試

7、產品生命周期 – 商業應用

?  導入

?  發展

?  成熟

?  衰退

8、產品商業應用的數據觸角

案例：

四、大數據洞察的客群分析

1、與客戶關系的核心

?  傳統價值

?  高階價值

2、大數據驅動的客群洞察-數據維度

?  真實性

?  立體性

?  即時性

3、大數據驅動的客群洞察 – 營銷維度

?  目標客群旅程

?  營銷活動評估

?  社交表現追蹤

?  行為趨勢洞察

4、客群洞察與分析

?  基礎屬性

?  需求解構

?  客群分層

?  客戶心智

?  內容偏好

?  產品能力

?  場景故事

?  金融價值

?  邏輯解析

5、客戶在線的四大場景

?  輸入場景

?  瀏覽場景

?  搜索場景

?  交易場景

6、金融應用場景與客群關系

?  可運營人群數 – 活躍用戶

?  人群轉化率 – 關系加深率

?  高價值人群總量

?  高價值人群活躍度

7、創新實踐，端到端的整合場景

?  場景總覽

?  預設GMV目標，反推各階層用戶體量

8、內容傳播渠道

?  內容矩陣

?  數字媒介矩陣

?  融合匹配

?  KOL選擇

9、基于內容營銷閉環的布局

?  基礎內容投放

?  頭部內容資源

?  人群關系觸達

10、基于用戶洞察體驗升級需求