本专题共10篇内容，包含淘宝APP基础链路过去一年在用户体验数据科学领域（包括商详、物流、性能、消息、客服、旅程等）一些探索和实践经验。
在商详页基于用户动线和VOC挖掘用户决策因子带来浏览体验提升；在物流侧洞察用户求助时间与实际物流停滞时长的关系制订表达策略带来物流产品满意度提升；在性能优化域构建主客观关联模型找到启动时长与负向反馈指标的魔法数字以明确优化目标；构建多源VOC标签体系综合运用用户行为和用户VOC洞察、落地体验优化策略，并总结出一套用户体验分析方法论。
本文为此系列第四篇文章，前三篇见——
第一篇：淘宝用户体验分析方法论
第三篇：物流产品体验诊断与优化
-
成功案例需具备显著业务结果：数据科学岗定位是为业务提供高质量的数据解决方案让业务成功，成功的案例才是可学习、可参考的，没有显著业务结果的案例较难证明其可行性，参考价值较低。 -
案例是对过程的详细复盘：在有显著业务结果的前提下，数科需要证明其在项目中参与度、贡献度，使用到了什么新思路、新方法助力业务达成目标，案例是可推敲、可复盘的材料之一。 -
案例能体现出作者的能力水平：数科是一门强调个人能力的学科，案例不仅仅是陈述做了什么，字里行间透出的认知和思考能体现出作者能力水平。特别地，写作是可以有思考缓冲期的，表达欠佳的同学可以通过写作来弥补体现自身能力欠缺。
-
CRISP-DM： -
业务理解 （business understanding） -
数据理解 （data understanding） -
数据准备 （data preparation） -
建模 （modeling） -
评估 （evaluation） -
部署 （deployment） -
SEMMA： -
抽样（ S ample ） -
探索（ E xplore ） -
修订（ M odify ） -
建模（ M odel ） -
评估（ A ssess ）
-
业务理解（Business understanding） -
问题定义（Problem definition） -
数据准备（data Preparation） -
分析洞察（Insight） -
策略落地（Strategy） -
效果评估（Evaluation）
BPPISE过程描述
▐ 业务理解（Business understanding）
该阶段数科同学需从商业角度了解背景，业务需求和具体要解决的问题。理解C端业务的快速有效的方法是做用户旅程梳理，站在用户视角梳理某一产品、服务的主要场景及旅程。理解业务的同时，可以做定性的假设和判断，梳理业务环节的痛点和机会点，为后续的问题定义做准备。
阶段核心是阐述业务现状和问题。例如：在详情案例中，一句话描述业务现状和问题：详情关键决策因子的供给核心依靠行业小二经验产出，部分行业依靠用研但范围有限、粒度较粗，无法细化到类目、人群维度进行精细化运营。
▐ 问题定义（Problem definition）
-
判断数据是否可获取 假设解决业务问题所需的数据根本无法获取，那么数科将无用武之地。 -
精准地选择目标数据 精准地选择目标数据会让数科在项目中保持方向和专注。例如：项目需要从用户反馈（VOC）中提炼用户标签，而VOC是多源、多模态的，多源意味着VOC发生场景不同（购前、购后），多模态意味着处理难度不同；因此，需要基于业务问题精准地作出选择，案例中需讲解数据选择的Why。
▐ 数据准备（data Preparation）
▐ 分析洞察（Insight）
分析洞察阶段是数科案例的核心，整体框架可细分为：
分析议题
不同的分析分析对象阐述分析议题的方式不同：
分析思路
逻辑树（议题树/假设树）
-
分析维度
-
分析指标
-
分析结论
策略产出
▐ 策略落地（Strategy）
策略落地是证明数科案例贡献度的关键阶段，产品的改造是否引用到上述分析结论以及引用程度需阐述清楚，同时介绍下数科是如何基于上述策略让业务有节奏的落地的。
可以通过产品demo图+策略建议方式简洁明了地阐述策略落地手段。
▐ 效果评估（Evaluation）
产品优化策略通常是通过AB实验、低响应实验（PSM等）等方式验证效果。以AB实验为例，案例中应尽可能给出实验设计和具体效果数字。包括：实验分层设计、实验放量节奏、实验指标设计及实验对比效果。特别地，当指标对比结果出现异常波动时，需给出实验科学性的验证结果，如AA桶对比、显著性检验等。
目前团队招聘中，欢迎拥有消费者、商品、交易、营销等相关领域数据分析/数据科学背景的优秀人才加入，有兴趣可将简历发送至zhuqi.zq@taobao.com 。
本文分享自微信公众号 - 大淘宝技术（AlibabaMTT）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。
