這世界上的一切勝利，都源自對未來的精準預判。
一個棋手能夠擊敗對手，是因為他比對方更準确地預測了對方的落子。 一個将軍赢得一場戰役，是因為他比對方更清晰地嗅到了戰場風雲變化。 一個企業攻下一方市場，是因為它更精确地判斷了每一個使用者的行為規則。
說到底，競争根本的“遊戲規則”是對于規律的體察。而“一個行為和另一個行為之間的比對關系”，就是規律。你手中掌握的規律越多，勝算越大。
諸葛io 要做的，正是告訴企業他們的客戶，有怎樣的行為規律。他們判斷規律的方式，叫做“資料分析”。
【孔淼 諸葛io ceo&cto】
“資料魔術師”孔淼，是諸葛io 的創始人。曾經擔任李開複的技術助理的他，發明了利用微網誌資料來評價人的系統：把一個人的微網誌資料，關注人的級别，他的通路裝置，被關注人的身份綜合起來，就可以得到這個人的精确社會定位。
把這種資料分析的思想發揮到極緻，就是利用“資料分析”來判斷使用者行為之間的關系。例如：
使用者在 app 上點選了怎樣的優惠活動，就會成為這個 app 的鐵粉。 使用者在應用中點選了什麼資訊，就會“粉轉路人”，甚至付費購買更多服務。
這就是諸葛io 所能作的最基礎的事情。
【趙子琪 諸葛io 執行總裁】
趙子琪，諸葛io 執行總裁。作為一個寫代碼出身的管理系統營銷老兵，他曾經在 oracle、sap、微軟工作十多年時間。在他眼裡，企業亟需掌握一種技能——學會利用資料分析，而不僅僅是未經驗證的經驗來改進自己的服務。
諸葛io 利用 saas 平台和私有化部署，為網際網路企業和傳統行業企業提供資料分析。在雷鋒網對諸葛io 進行專訪的時點，諸葛io 有一萬多家注冊使用者，月均月均處理事件量500億次。
孔淼：
簡單來說，一個使用者和一個 app 産生關系的行為，主要有四個方面，我可以逐一說一下在這四個方面資料分析産生的獨特效果：
從使用者下載下傳 app 開始，資料就開始起作用。
哪裡來的使用者品質最高？這是企業關心的問題。我們的方法就是評估這些管道的好壞，然後提升優化管道。
舉一個最簡單的例子，我們會根據資料來判斷特定管道帶來的使用者，究竟有沒有使用 app 核心功能，而不僅僅是有沒有打開 app。
在使用者已經擷取 app 後，應用廠商當然期望使用者持續通路自己的産品。
但是我們會發現一些産品的行為，會造成使用者的流失。
如果他有一個活動特别好，但是位置很隐蔽。 不過，資料顯示用過這個功能的人會成為“忠實使用者”，會經常回訪；沒有發現這個功能的人，可能就流失了。 這時我們的系統就會建議使用者把這個功能提前。
舉個諸葛io做過的案例：
有一個直播 app，經過資料分析之後，發現了一個有趣的現象：第一次使用充值功能的時候，喜歡用免費積分的人，後續充值的機率非常高。但是他們的免費積分放置的位置比較隐蔽，于是推薦他們做了調整。 調整之後使用者的留存增長了超過30%。
這就是從整個産品設計上能夠幫助 app 優化的地方。
【使用者留存率模型】
在持續營運過程中，應用都會設計很多活動。
但是這些活動究竟哪個有效、哪個一般，就需要資料來進行分析。
舉個例子：
通過資料分析，可以知道哪些活動的參與人數多，而哪些活動使用者參與之後回訪率（粘性）高。通過這些資料，我們就可以挑出好的營運活動和壞的營運活動，在以後的活動設計中，多仿照好的營運活動來設計。
【使用者重複使用某一功能的評價方法】
很多服務最後都會涉及到使用者付費。
我們可以通過資料分析，具有哪一類行為的使用者，付費轉化率最高。我們就會刺激使用者來做這樣的行為。
總體來說，資料展現了使用者在産品本身上的所有行為。圍繞這些行為，我們就可以找出與之對應的營運方法、市場政策，甚至在 saas、銷售等環節也能找到可以提升的點。
之是以要重視資料分析，是因為現在的創業方向越來越細分，有可能一個特定的服務之針對有限的目标客戶。這個時候就不能簡簡單單通過客戶量增長的方法來解決你的發展問題，而是要針對有限的客戶，提升産品的價值。
如果你的客戶群本來就不大，卻因為産品設計不好而給使用者留下不好的印象，是很難獲得第二次機會的。
趙子琪：
我來講個故事吧。
某乳業集團有一個業務，是訂奶業務——客戶提前預訂，公司把奶送到家門口。這塊業務比重不大，隻占到10%-20%，但對乳業集團來說是優質業務：一來客戶是預付費，沒有賬期；二來沒有進入商超的進場費、堆頭費。
針對這樣的業務，集團會希望使用者有什麼樣的行為呢？
1、訂奶期限結束之後，希望客戶繼續訂。 2、希望客戶訂奶的數量可以增加。 3、希望客戶可以訂更優質價格更高的乳品。
針對這些希望，公司可以怎麼做呢？一個非常好的方式就是通過線上管道去了解客戶。這就到了資料分析的領域。
在手機 app上，他們根據資料分析，嘗試把使用者喜歡的産品放到合适的位置上，并且設計活動吸引客戶了解想要推薦的奶品。用這種方法，實作了讓客戶購買更好、更有價值産品的目的。
另外，由于在乳業集團内部的crm系統（客戶關系管理系統）裡，有大量的客戶交易資料，把線上使用者的行為資料和這些線下購買的資料結合，就可以分析出新的結論。
從現在的應用情況來看，這樣的資料分析對于訂奶業務的改進效果非常明顯。
總體來說，我們把可預見的問題做了整理，在2.0版本裡做了改變。諸葛 io 2.0 是在去年的第三季度開始籌備的。2.0 對整個基礎架構做了更新，簡單來說有兩點：
1、把整個諸葛io 做了 saas 和私有化部署兩套優化方案； 2、改善了過去客戶數量累計之後，我們的系統跑起來越來越慢的問題。
我可以分 saas 和私有部署兩個方面來解釋一下。
我們在應用的過程中發現一個問題，那就是使用者和裝置之間的關聯關系存在不準确的情況。比如多個使用者擁有一個裝置，或者一個使用者擁有多個裝置；有些使用者在成為使用者之後還存在匿名行為，這些同一個人的行為之間都需要打通。
這些問題都要靠基礎模型的優化才能解決。
同時我們還面對一個使用者越來越多，系統響應變慢的問題。這就像一部手機，安裝越多應用速度就會越慢。我們的做法是針對每一個應用都進行獨立的可調節的資源配置設定，相當于一個沙箱，目的就是保障性能。
過去某一個系統問題，可能會導緻一系列客戶的連鎖反應；而現在如果出現問題，可能隻會影響到一個客戶。目前來看，我們的系統可以實作秒級的查詢速度。
根據系統的演進，以前很多人用資料分析系統主要做事件漏鬥分析，現在有了越來越多資料分析應用，更精确地挖掘使用者流失和使用者預測。是以我們抽象了一層大資料處理架構，開發新應用就會變得簡單。我們希望提供的不僅是一個基礎工具，而是解決方案。
很多企業擁有自己的分析平台。是以我們試着做出更開放的資料架構，這樣廠商就可以把資料導入他們自己的平台。
在私有化部署方面，我們同樣建立了更開放的資料架構，還有不同資料的接入方式。因為不同的企業需求不同，是以我們也可以根據要求進行硬體的減配。
另外，在整個架構之外，我們涉及了一些新的分析場景和子產品，針對不同行業和應用場景，有一些獨特的效果。
【少量的關鍵行為細節，隐藏在海量的使用者行為資料之中，需要通過獨特的方法才能發現】
在分析場景子產品做了一些擴充之後，分析鍊條也拉長了。
不止是使用者下載下傳，一個使用者可能僅僅掃一個二維碼，就能被識别出來。通過這種技術，可以把一個使用者從真正的初級使用者到最後使用者的轉化和流失，整個系統性地記錄和分析。
簡單來說，這種技術可以達到一個效果，那就是拉低分析人員的門檻。
【産品分析的一般過程】
國外有一個詞叫做：自助式分析。企業做分析，無非就是想對應哪些使用者做了哪些行為，後續有沒有持續做這類的邏輯。我們根據這樣的基本邏輯做成互動式元件。
由于具體的分析工作，都要由客戶企業内部的人員來做。是以我不想讓産品給人一種很專業的分析工具的感覺，我們想通過技術改進，隻要預先的“埋點”設計好，一個普通的市場人員都可以順利地使用資料分析系統産生一些有價值的結論。
其實有業務導向的人，更容易探索出結果來。一個做市場的人會有很多想法想要驗證，如果委托技術同僚來寫代碼做驗證，往往并不能準确地表達自己的需求，而且往來的溝通效率會很低。使用他們熟悉的語言來直接嘗試不同的資料分析，會大大提高提出結論的效果。
網際網路企業對于資料分析的意願更強烈，因為他們所有的業務都建構在網際網路上，和客戶接觸的唯一管道就是線上。是以采用資料分析或者提高資料分析能力之後，會對業務有巨大的改變。某種程度上說，資料分析在影響着網際網路企業的生死存亡。
但是傳統企業自知對資料分析的陌生，是以在不斷探索。傳統企業由于線下業務的成熟，對網際網路資料分析的探索要求“穩健”。
雖然“慢半拍”，但是一旦意識到資料分析的重要性，傳統企業會調動足夠的資源，制定完整的計劃來堅決推進資料分析。
舉一個例子，前一段時間我接觸了一個比較有名的制藥企業。它專門請了一個公司幫忙制定了完整的“零售4.0”業務規劃。這個規劃已經脫離了傳統零售的管理方式，是以需要我們的配合，我看到它執行力度非常強。
大企業的執行體系是很健全的。他們關心的事情很簡單：多少價格，能夠獲得多少價值回報。是以我們也在建立一整套的服務體系，來對接這樣的傳統企業。
總體來說，我們服務過的10000多家企業，會提供很有價值的經驗。這些經驗中必然會有一些共性的東西，可以分享給傳統企業。
【使用者行為統計詳情】
我之前在微軟做微軟crm系統，其實微軟也在探索一些新零售的應用，他們叫全管道的一些數字化營銷，從線上線下都要管理資料。
諸葛io 更多偏重行為資料，目前的客戶偏向于探究他們的客戶線上上做什麼。他們希望找到一個行為資料對應的“必然的結果”。
線下資料是什麼呢？我個人了解是客戶行為比較真實的一個反映。包括：
行為資料。例如，你去了哪些商場，看了哪些商品。 交易資料。從曆史交易來看，可以看到使用者的特點。舉個例子，我就喜歡阿迪達斯的東西，是以我買體育用品大部分跟阿迪達斯有關系，而且跟阿迪達斯的足球鞋有關系，這就是有意義的線下曆史交易資料。
但是線下資料受更多因素影響。例如：可能我看了5個車子，我隻買其中一輛；我看了很多車，但夫人說了算。這是比較真實的，因為總有一種機率你不是決策者。
資料分析的目的，根本上來說就是找各種各樣資料的比對關系，是以我們需要的是線上和線下的資料結合，做出适合的營銷的手段。
通過資料分析，我們可以針對對于不同客戶，究竟是給到店體驗，還是5元優惠券，等等。
但是，線上線下資料關系過于複雜。舉個例子，某個人有100個特征标簽，這個人同時可能有100個行為，需要對應我100種措施。這最終演變成為100×100×100這種海量的比對關系。那麼你如何做精準的比對？
比較好的方式，需要有一些自動化、人工智能的措施去篩選調優。這樣的方案值得探索，有第一家用這種方式擷取提升的公司，就會有第二家跟進，逐漸會成為行業的标配。我覺得這個市場會成熟很快。
人類科學的根基，正是對科學規律的尊重和信任。商業世界同樣如此。尋找規律，讓變幻莫測的企業競争突然有了可遵循的“解題思路”。
值得慶幸的是，商業規律背後是人的行為規律，而人的行為規律可以通過資料分析來分解和探查。
資料分析，從表面上看是讓企業使用工具和技