昔时 给抖音取名的“年夜 师”，已经成不少公司的标配了

前段时间，差评君在网上冲浪的时候，看到抖音的名字据说是请得道高人算出来的。

但据差评君了解，抖音差点都不叫抖音。


其时 字节跳动在内部做短视频产品  ，取名字的时候，确实上了点套路。


不过  这个套路的名字和五行八卦、周易算法都没啥关系，它的学名叫做A/B testing ，也称为拆分测试。


1747 年詹姆斯 · 林德做了现代意义上的第一次 A/B testing，找到了治疗坏血病的药方

简单讲就是为同一个目标制定 A 、 B 两种计划 ，然后记录、追踪用户使用情况。


看看哪个更优，利用结果帮助 做决策。


昔时 的抖音就经历了这么一遭，他们内部把短视频产品   demo 拿去跑了一遍 A/B 测试，看用户对产品  名字的关怀 水平 、吸引力水平 、下载转化率等。

通过这个测试，最终形成一份长长的排名榜单， “ 抖音 ” 顺利脱颖而出。


类似的，无论是取名字这种年夜 活，还是 “ 用户界面上两个视频之间的裂缝 有多宽 ” 。


利用 A/B testing 的数据反馈优化决策，基本是年夜 厂们的必备手法。

虽然 A/B 测试在互联网业内已经很常见了，但这几年，它不只 作为零丁 的测试项目存在，更成为了一种新型数据驱动经验模式的一环。


而这种模式就是火山引擎打造的数据飞轮。


数据飞轮其实就是 “ 以数据消费促数据生产，以数据消费助业务成长  ” 。

简单说，就是在业务应用层上，利用各类 数字化对象 ，把企业数据玩出花来，赞助 公司业务做年夜 做强。


在业务赓续 成长 的时候，又给公司赓续 创造  各类 企业数据，再利用相对应的产品  对象 ，把这些数据 “ 炼 ” 成数据资产。


这样一来，公司业务和数据资产像一个轮子一样越转越流畅。


其实在数据飞轮出来之前，数据重要性已经成为各行各业的配合 认识。


前些年最为流行的数据中台概念，也是为了强化企业数据的位置 。

但数据中台着重 于数据资产的统一性带来的资产价值，数据飞轮则是更强调数据流转与业务产生  的互动关系。


那具体要说数据飞轮有啥用呢，还得结合年夜 家实际体验来以身说法。


其中最有标记 性的就是收钱吧。


“ 收钱吧到账， 9 点 25 元 ” ，相信年夜 家听到这句语音，总能想到子夜 在楼下小卖部囤泡面的某个晚上。

作为聚合支付业内的顶流，收钱吧背后是千千万万个 “ 小生意 ” 。


他们虽小但数量着实不少，要把这些千头万绪的数据利用起来精细化运营，没一个班的数据剖析 师想都别想。


于是，收钱吧选择利用了火山引擎开发的 “ 增长剖析  DataFinder+ 客户数据平台 VeCDP+ 增长营销平台 GMP ” 的产品  组合。


这套组合拳涵盖了数据洞察、收集、处理  、传递全流程。


在竞争激烈的行业内，及时唤醒沉睡商户增进 日活月活，一直是收钱吧的日常工作之一。

据了解，目前收钱吧有上万名 BD 员工负责商户关系维护。


依照 以前的操作，收钱吧 APP 一般每个月拉一次数据复盘沉睡用户，再将整理好的数据下发给 BD 员工进行 “ 唤醒 ” 。


但一个月的周期过长，且需要经过长时间的待唤醒商户和对应 BD 匹配，流程较长、时间较久。

这样不及时的信息传递，晦气 于对商户的及时唤醒，甚至有可能就此流失。


直到用上了 “ DataFinder+VeCDP+GMP ” 三板斧。


这三板斧啥意思呢？


一板斧，利用 DataFinder （ 增长剖析 平台，数据洞察、剖析  APP 内用户活跃情况的小助手，然后能够依据 内置的十几种数据剖析 模型，赞助 剖析  APP 用户情况 ）进行实时数据洞察， APP 运营人员直接能在后台看到用户的活跃情况，并依照 业务需求进行分类。


两板斧，把前面洞察到的数据在 VeCDP （ 客户数据平台，快速剖析 用户、分类用户 ）中与对接的 BD 数据融合匹配，识别同一标签下的多个非活跃商户。


三板斧，最后将这些商户信息通过 GMP （ 增长营销平台，可以实现智能化营销触达 ）一键发给各地的商务 BD 们，他们就能迅速针对性地开展唤醒工作。

这样一来，收集、剖析 、下发数据的操作全都简易化、实时化了。


包含  APP 后台运营、商务 BD 在内的不合  岗亭 员工，都能实时利用企业的数据资源，才真正做到了精细化运营。


而类似的场景在乐刻也在赓续 上演。

在传统健身馆赓续 爆雷、行业一片鱼龙混杂的市场里，乐刻可以说是国内最奇特 的存在。


他们身上的互联网基因、数字化水平，是他们能活下去的重要原因。


但在乐刻赓续 成长 的进程 中，也遇到了企业年夜 厂化的普遍毛病：试错成本太高。


于是他们引入了火山引擎的 A/B 测试产品  ：DataTester 。

乐刻在加入内容个性化推荐业务时，内部拿禁绝 若干 比例的商品联系关系 内容能够达到  最高转化率。


因为告白 跳出率关系着转化率，但告白 涌现 太多，又会让年夜 家受不了弃坑，直接把用户数给干崩了。


所以，在这些比例里找到一个适合 的数字异常 症结 。


最后还是靠 DataTester 确定了 30% 的策略，胜利 在坚持 住用户数的情况下，将转化率提升了一截。


逻辑思维团队开办 的获得  App 更是数据飞轮的忠实拥趸。


他们不仅和收钱吧、乐刻类似，构建出面  向业务应用层的数据飞轮，赞助 销售人员触达目标人群，提升了营销效率，还在数据资产层也实现了数据飞轮各环节的全链路笼罩 。

他们通过引入火山引擎的年夜 数据研发治理套件 DataLeap ，并邀请火山引擎专家团队入场进行具体问题调剂 。


最终胜利 补足了获得 的数据基建能力。


在数据研发方面， DataLeap 提供数据集成、数据开发、智慧运维等功能  ，替代了之前的一些开源架构。


在数据治理方面， DataLeap 包含 了数据地图、数据质量、 SLA 保障等一系列，在字节数据平台被验证过的功能  ，年夜 年夜 解放了获得 在治理系统自研上的资源投入。


另外，再搭上火山引擎湖仓一体剖析 办事  LAS ，赞助 获得 进一步优化了存储成本。


一波操作下来，年夜 年夜 节省了获得 在繁多的开源组件和系统自研上，投入的研发资源和人力，提升了至少 3 年的数据治理水平。


以前，不少人觉得数据消费是件很困难的事，费时辛苦 费人。

“ 我不会统计学怎么搞数据 ”“ 我不会敲代码怎么弄数据门户 ”“ 不会 SQL ，怎么做剖析 图表 ” 。。。


但在火山引擎数据飞轮背后，年夜 量技术产品  、应用（ 虽然名字看起来还是很费劲 ），做的就是 0 门槛玩数据的活。


比如  这次火山引擎 V-Tech 数据驱动科技峰会上，他们宣布 的 “ DataLeap- 找数助手 ” ，可以直接进行拟人化查询。

利用 “ DataLeap- 开发助手 ” ，只用文字描述或者数据模型，就能生成 SQL 代码，或者修复 bug ，进行优化解释等等。


利用 “ DataWind- 剖析 助手 ” ，只通过自然语言，就能实现表达式的生成。


所以无论你是开发、运营、产品  、设计、销售……


只要你想，甚至是保安年夜 哥，在权限与平安 允许的情况下，在自己职责范围  内也可以成为企业数据（如到访人数、巡查次数等）的使用者，真正让每个员工都能尽享数据飞轮带来的数据普惠。

如今，身处在年夜 数据时代，无论是企业的成长 ，还是年夜 家的衣食住行，无一不是和数据紧密相连。


如果不克不及 高效地利用数据，不仅是企业的损失，无疑也会极年夜 增加年夜 家日常工作、生活中的繁琐，造成无谓的精神消耗。


但曩昔 的企业，既没有注意到或者足够重视让数据消费起来的重要性，也缺乏适合 的产品  进行系统化的数据处理  。


直到数据飞轮的涌现 ，既能唤醒对数据消费的需求，也能极年夜 地降低年夜 家的上手难度。


或许将来某天，昔时 夜 家在生活中都能利用数智化产品  玩数据飞轮的时候，一个真正的数据驱动的社会，或许又能向前跨了一年夜 步。