成都大数据分析师培训机构讲解大数据工程师和数据分析师有什么区别?

不少朋友都很困惑，大数据工程师和数据分析师有什么区别，哪一个的就业好薪资高?今天成都达内小编为大家解疑

首先我们来区别下大数据工程师和数据分析师：

1、概念区别

数据分析师，是数据师的一种，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测的专业人员。

大数据工程师其实有很多别名，数据挖掘工程师、大数据专家、数据研究员、用户分析专家等都是经常在国内公司里出现的Title，大数据工程师就是一群“玩数据”的人，玩出数据的商业价值，让数据变成生产力。

大数据和传统数据的最大区别在于，它是在线的、实时的，规模海量且形式不规整，无章法可循，因此“会玩”这些数据的人就很重要。

2、发展方向

数据分析师发展方向有：市场调研方向、数据分析/挖掘方向、数据工程师方向等。

大数据培训出来的大数据工程师发展方向有：首席数据官(CDO)、营销分析师/客户关系管理分析师、数据工程师、BI开发工程师、数据可视化等。

3、具备技能

数据分析师和大数据工程师需要具备的技能很相似，比如：

(1)数据和数据仓库数据是数据分析的基础，数据库是数据的承载，数据仓库是有主题的数据库。

(2)报表：报表这种原始的BI方式有时候是简单有效，但要做一张优秀的报表似乎又要考虑很多问题。

(3)数据挖掘：数据挖掘作为报表这种非智能性BI的一种补充，理论上应该属于机器学习的一种，存在着那么一点儿让计算机自学的能力。

(4)算法随着面向对象(OrientObject)编程方法兴起，“程序=数据结构+算法。如果你想成为顶级的数据分析师，算法与数据结构的知识必不可少。搜索，排序，树，图之所以经典，是因为它们简单有效而且通用。

大数据并不是一种概念，而是一种方法论，一句话概括，就是通过分析和挖掘全量的非抽样的数据辅助决策。

大数据的前景

关于大数据的发展前景，这里引用马云说过的一句话：

未来最大的资源就是数据，不参与大数据十年后一定会后悔。

从这句话中可以看出马云对大数据是多么的推崇，而事实上，大数据在现在乃至未来十年，依然会很火。

下图为大数据工程师平均薪资：

大数据的应用方向和未来趋势

1、应用方向：营销、金融、工业、医疗、教育、交通、智慧生活、执法、体育、政府、旅游等等，大数据是真正的覆盖全行业，也就是未来所有的行业都需要大数据的支撑。

2、未来趋势：传感器——数据服务——人工智能——社会关系——人类文明

从大数据的应用方向和未来发展趋势可以看出来，在未来10年或20年社会及企业发展过程中，大数据是我们无法离开的技术。云服务、人工智能越来越火，没有大数据谈何云服务，没有大数据谈何人工智能?

由此看出大数据能火多久的主要决定因素就是有没有他的取代者出现。

个人和机构投资者都需要看研报，分析师的工作内容主要是写研报，市场报告这么多，分析师评选眼花缭乱，到底哪家的研报产量最多？谁家的研值比较高？作为读者的你又看过和喜欢哪一款研报？（文末附排名、投票，参与即有机会获得能够阅读海量研报的Choice金融终端）

东方财富Choice数据统计，2016年全市场有来自340家机构的7918位研究人员（或团队）共发布署名的研究报告263909份，其中90家国内券商合计发布研报约14.64万份，84家国内期货公司发布7.37万份，剩余来自其他机构，包括国外投行、香港券商、银行及投资咨询机构等。

从机构角度来看，2016年中金公司共发布10713份研报，在所有机构中排名第一。国内券商中，长江证券和海通证券以9143份和8345份居二、三位。期货公司中，中期期货以6243份的数量领先。另外，德意志银行以6577份研报冠绝其他类的机构。

数据来源：东方财富Choice数据

注：文中的研报统计数据来自2016年，且均为署名研报范畴，下同。

从署名作者来看，共有336人次参与发布的研报数量超过250份，即平均每个交易日完成1份研究报告；其中，超过500份的有69人次，可谓高产；高产中亦有佼佼者，1年超过1000份的有6人次，其中2人来自同一团队。

注：文中“分析师”、“投研人员”的数量由研报中的署名汇总得出，与机构实际人员配备情况或有出入，下同。

机构篇

2016年，中金公司是唯一一家研报发布数量破万的机构，作为业内以投研口碑著称的老牌券商，其报告产出之多、覆盖领域之广均领跑榜单。

在全部340家机构中，有71家的年度报告发布数量超过1000份，其中有38家内地证券公司、25内地期货公司和8家其他类型的机构（包含国外投行、香港券商、银行等）。

长江证券最勤奋

内地的券商和期货公司无疑是市场中研报贡献的主力，但在机构背后做出研究的署名分析师（或团队）数量却没有想象中的高，4家国外机构的署名作者数量居前，均超过200人。中金公司、兴业证券和申万宏源为国内机构投研人员最多的机构。共有16家机构分析师人数超过100人。

由此，可以算出各家机构人均研报的产出水平，这里主要考察国内券商的情况。2016全年，有6家证券公司的分析师人均撰写研报数量超过100份，分别是华福证券、长江证券、湘财证券、华林证券、财达证券和华金证券。

其中，华福证券产出研报以晨会纪要和市场分析为主，由研究团队和一位个人分析师挂名；湘财证券，由固定收益团队和一位个人分析师挂名；华林证券研报以晨会纪要、市场资讯和新股研究为主，共6名分析师；财达证券则由2名分析师包办晨会纪要。这4家券商的年度研报总数都不及1000份。

若将研报总数筛选条件设为1000份以上，则分析师人均研报数量排名第一的即长江证券，66人的研究团队平均每人撰写138.5份报告，合计9143份，称得上最勤奋的券商研究所。长江证券研究所对外的宣传语为：有些路，无关捷径，尊崇内心的方向；有些人，未赋异禀，执着普通的劳作；恪守专业，勤勉不逾，九载如一日。可谓名副其实。

按条件筛选后，还有37家证券公司上榜，分析师人均参与研报撰写的数量都达到2位数。华金证券、华泰证券、海通证券、西南证券和中泰证券排名居前，人均研报数量在70份以上。

“研报脱水”一览

不过，机构研报的产量高企并不一定能够保证报告的质量，有一部分报告可能存在“水分”。在此，简单定义“深度研究报告”进行筛选，仅从每篇报告的页数来看，去掉首页的概述、一页的目录和尾页的声明，即正文在10页及以上的报告，再去除晨会纪要和早间资讯这两个分类进行考察。（定义仅供参考和筛选使用）

2016年，340家机构合计发布“深度报告”52548份，占研报总数的比例约19.9%。其中，正文内容在10-20页的深度报告近38000份，占比72.16%，21-30页的超过9000份，约17.24%；30页以上的报告数量占极少数比例。

比较有趣的是，2016年共有248份深度报告正文内容超过100页，最长的研报来自瑞银证券，去年11月21日发布，标题为《ChinaA-shareThesisMapCompendium》（A股全景透视展望）的报告总页数高达648页。

券商方面，83家证券公司共计37575份，占券商研报总数的比例约26.6%。长江证券、海通证券和兴业证券的深度报告数量位居前3，年度数量均超过2000份，而报告总数第一的中金公司以1889份排名第4。当年，深度报告数量超过1000份的共15家，即这些券商每个交易日就有4份正文10页以上的研报出炉。

从券商深度研报的占比来看，东兴证券、渤海证券和信达证券在总体报告数量大于1000份的情况下，深度研报比例达到40%以上。与之相对的是，国信证券、中金公司和东吴证券的比例不到20%。人均深度研报方面，长江证券和华金证券居前，人均撰写超过30份，共26家券商人均数量大于10份。

分析师篇

2016年，全市场发布研报并署名的机构分析师（或团队）共7918位，有5609人次一年参与撰写报告数量在50份以下，撰写50-100份的有983位，100-250份的有990位，250份以上的共336位，即他们平均每个交易日就能够参与并完成1份研究报告。

十大高产分析师

在这些署名分析师中，来自中信期货的王聪颖和王燕2016年撰写的研报数量最多，达到1216份，是市场全机构中最高产的分析师。此二人属同一团队，领域为商品期货中的农产品研究，包括策略日报和策略周报。由于涉及品种较多，呈现出高产的特征，按250个交易日来计，日均撰写近4.9份报告。

来自广证恒生投资咨询的苏培海，2016年撰写研报1072份，其研报类型涉及广泛，多产的是投资策略大类，以市场分析、要闻点评及个股投资推荐为主，也包含常规融资融券和资金流向报告，从个人署名的角度而言，他是除券商、期货的其他机构中最高产作者。

海通证券钟奇在国内券商分析师中参与撰写的研报数量最多，署名发布总数1047份。作为一名行业研究员，其曾获新财富有色金属分析师第一名和传播与文化分析师第三名。他发布的报告类型自然以行业研究为主，行业周报和行业动态评论居多，可谓最高产的证券分析师，团队成员还包括施毅和郝艳辉。

排名第四的是长江证券的王鹤涛，2016年研报数量也超过1000份，曾获新财富钢铁行业分析师第一名，除了行业分析报告外，也涉及钢铁公司的财报点评与分析研究，其团队成员还包括肖勇。

兴业证券的任瞳，作为一名金融工程分析师，其曾获新财富该领域第五名的荣誉，在相对小众的投研领域，其团队研报产量亦十分惊人，达到1018份，以金融工程和期权研究报告为主，当年基金投资策略也超过百份。

第六名为信达期货的吕洁，研究领域涵盖商品期货（上期所金属产品）、股指期货和国债期货，后两者报告为主，多为早报、资讯和事件分析评论。

第七名来自中信期货的林菁、童长征团队，研报领域为期货研究中的能源化工产品方向，前10榜单中中信期货占2席，该机构期货行业的投研实力可见一斑，团队成员还有沈利萍。

第八名是香港辉立证券的FrankieWong，对于内地投资者来说，其报告多为外文报告，研究方向为美股和港股上市公司，包含基本面及技术面点评分析，是海外机构中研报产量最高的分析师。

第九名来自华泰证券的陈雳，从事钢铁、有色金属和化石能源行业的研究分析，以行业日报与行业周报为主。前10榜单中，券商行研领域有3席，该研究方向所需付出足见不一般。

第十名的团队较为特别，署名为招商银行的财富管理室，是商业银行向客户提供的财富管理咨询报告，以股票市场、债券市场和基金市场的投资策略为主，内容的研究深度相对有限，但数量较高，也是为数不多的非传统投研机构。

高产券商分析师

国内证券公司方面，还有6位分析师（或团队）2016年度撰写研报数量较多，达到700份以上。第五名是来自东兴证券的杨若木，以行业研究为主，负责近半数行业的定期报告及策略研究，附带业内上市公司的业绩点评；同时，还参与新三板市场研究及个股分析。

数据分析行业发展到什么阶段了？

在我国，数据分析工作正在被逐渐的受到重视，越来越多的人们意识到此项工作环节的重要性。08年4月份，经我国国资委审批、民政部备案后，中国商业联合会数据分析专业委员会正式成立，这是数据分析行业内唯一的协会，它的成立标志着我国数据分析行业在经济发展中的地位已经被得到充分的认可，数据分析工作也会因此走向更加规范的发展轨道。

全球已进入大数据时代，在我国，数据分析工作体现在多个领域，覆盖企业运营全过程。持有数据分析师专业技能证书的专业人员所开展的数据分析工作已经涉足到了很多领域，包括政府相关机构、企事业单位以及其他领域。目前，我国对于数据分析专业人员的需求数以万计，数据分析工作的重要性不言而喻。

数据分析行业发展的怎么样？

目前为止（2018），数据分析师培训运作了十五年的时间，为我国经济发展尤其是数据分析行业输送了大量的专业人才。学员遍布全国各地，已有两万余人参加了培训并取得了数据分析师专业证书；由学员学成后成立的数据分析行业专业中介服务机构（数据分析师事务所）已经发展到近百家，在全国范围内形成了良好的社会反响。

数据分析行业有国家相关部门的政策支持吗？

从2003年底至今，数据分析师培训得到政府和社会各界的大量支持和帮助，除了中国商业联合会数据分析专业委员会的各位领导和老师们付出了大量精力外，国家发改委培训中心也给予了很多的支持和帮助，另外各地相关专业协会或机构给予了高度重视并发文共同推广此，如：多个省市大数据协会、注册会计师及地方与行业相关的政府机构协助推广等。

国外的数据分析行业发展到什么样子了?

在国际上，数据分析师主要包括从事数据挖掘和投资两大领域，投资分析、信贷融资、企业经营管理、企业战略规划、决策管理等影响政府和企业重大决策的领域担任重要角色，主要为政府和企业进行重大决策提供科学、真实和准确的依据，是社会经济运行中具有重要地位的高端技术人才。一般意义上，数据分析质量的高低反映着一个国家大数据的发达程度。

在国外，数据分析工作已广泛应用于经济发展的各个领域当中，无论是国家政府部门、企事业单位还是个人，数据分析工作都是进行决策和作出工作决定之前的重要环节，其分析结果的质量高低直接决定着决策的成败。随着我国经济决策由“经验决策”向“数据决策”的不断规范，越来越多的政府机构和企业开始意识到数据决策的准确性和安全性，从而，对于帮助实现安全准确决策的数据分析专业人士的需求越来越大。

例如，在国外，只要搜索data analyst ，会有好多的招聘信息出现在你的眼帘，我们可以看到，几乎遍及各个行业都需要data analyst，金融服务，管理，销售业、服务业、建筑业、金融业等等，软件开发人员、股票分析师（Equity Data analyst）、证券数据分析员、金融培训师、基金数据分析师、管理、数据分析、数据质量审计员（data quality analyst）固然每个行业每个领域的data analyst 的职能是不一样的，但是固然都离不开数据搜集，数据处理，依据数据计算结果进行预测进而制定方案或为决策提供可靠性建议。

首先说下，找网络上的行业报告的用途是什么？

如果是for公司的战略决策，或者产品方向，市场策略，产品设计，广告定价，投资，任何方向，不同的部分不同的人对行业报告的深浅度需求不一致。所以会需要不同层次的行业报告。

另外，行业报告良莠不齐，需要有一定的经验和对行业的理解来判断，而且不同行业报告的口径不一致，可能导致结论对接不上，所以在行业报告的选择和使用，解读和判断上也需要一定的经验和专业技能，否则引用臆断的行业报告结论来做出判断，危害巨大。

最后，行业报告的材料都是偏行业性质的，比较大范围和大规模，不一定适用本公司的具体情况。在获得大概的了解后，最好结合案头研究（行业报告），定性和定量的的研究来辅助定位问题和寻找解决方案。

好了，大概说下互联网行业报告大部分在哪里看

一，国内咨询机构网站数据报告列表

艾瑞研究（互联网行业报告，包含移动端和PC端的月度活跃和日活跃）199IT互联网数据中心（所有行业报告，内容很多，支持搜索）中国互联网络信息中心（CNNIC数据可以当作互联网人口普查基础表来看）友盟+（参考）DCCI（参考）北京赛诺市场研究有限责任公司（智能机出货量专业统计）中国信通院（国家智能机出货量的官方统计）TalkingData（行业报告可看）爱媒网（行业报告可看）dataeye（手游报告）ASO100（APP数据ASO优化IOS榜单查询）艺恩网（提供娱乐行业报告）旅游圈（旅游行业报告）

二，国内互联网公司数据报告网站列表

讲座PPT（腾讯大讲堂）

腾讯大数据（腾讯云数据分析出来的行业报告）百度开放服务平台（百度云数据分析出来的行业报告）阿里研究院（阿里行业研究报告）

腾讯MXD（移动互联网设计中心）网易UED（用户研究报告）优酷网络视频数据报告PPTV指数行业报告（PP指数 PPTV聚力）91手机资讯行业报告（提供安卓苹果等智能机行业报告）

360研究报告（360应用商店等产品出品报告）企鹅智酷（腾讯出品行业报告）

三，企业信息报告

新三板在线（各行各业的新三板上市公司财务数据，高管数据等）

企查查（查询企业产品，品牌和法人信息）天眼查（同企查查）SEC（美国上市公司年度财务报告）巨潮资讯（中国上市公司季度年度财务报告）

四，投资机构的统计网站（创业方向选择，投融资选择的时候用）

IT桔子（中国创业公司投融资数据和报告)

天天投（创业公司数据库）Fellow plus（投资人列表和支持数据库查询）CBI insights（旗下一系列产品，包括公司的估值，独角兽公司列表也包括公司估值下降趋势）PrivCo（美国金融数据公司，主要关注未上市公司的所有投融资资料，包括全世界）东方财富网（国内卷商的行业报告，策略报告，可以筛选行业，筛选报告类型）慧博投研咨讯（投资研究报告数据平台证券，股票，卷商，行业，公司，投资分析等研究报告）

现在大数据的应用领域非常广泛，它几乎已经涵盖各个行业，包括但不限于金融、政府、零售、交通、制造、电信、医疗卫生以及政府的很多部门的各个领域。 然而，金融行业一直是大数据应用的前沿和领航者，这与金融行业的激烈竞争和“有钱”是分不开的。

金融行业

我认为大数据的应用目前体现在以下几个方面：

1. 客户的管理

金融机构内部也拥有大量具有价值的数据，如业务订单数据、用户属性数据、用户收入数据、客户查询数据、理财产品交易数据、用户行为等数据，这些数据可以通过用户账号的打通，建立用户标签体系。在此基础之上，结合风险偏好数据、客户职业、爱好、消费方式等偏好数据，利用机器学习算法来对客户进行分类，并利用已有数据标签和外部数据标签对用户进行画像。进而针对不同类型的客户提供不同的产品和服务策略，这样可以提高客户渗透力、客户转化率和产品转化率。也就是说，通过大数据应用，金融机构可以逐渐实现完全个性化客户服务的目标。

2. 产品的管理

通过大数据分析平台，金融机构能够获取客户的反馈信息，及时了解、获取和把握客户的需求，通过对数据进行深入分析，可以对产品进行更加合理的设置。通过大数据，金融机构可以快速高效地分析产品的功能特征和喜欢的状态，产品的价值，客户的喜好原因，产品的生命周期，产品的利润，产品的客户群等。如果处理得好，可以做到把适当的产品送到需要该产品的客户手上，这是客户关系管理中一个重要的环节。

3. 营销的管理

借助大数据分析平台，通过对形式多样的用户数据（基本信息数据、财富信息数据、教育数据、消费数据、浏览数据、购买路径、客户的微博、客户的微信、客户的购买行为）进行挖掘、追踪、分析，以提升精准营销水平。在客户画像的基础上，金融机构可以有效地开展精准营销，包括利用外部大数据进行网络获客；基于社交数据、网络行为数据等对客户进行进一步的细分、分类；根据网络行为数据等对客户进行事件营销、实时营销等；根据外部大数据分析展开交叉销售，提升业务量并加深客户关系；根据客户偏好、年龄、资产规模等进行个性化营销以及基于客户生命周期进行客户生命周期管理，即新客户获取、客户的维护，客户防流失和客户赢回等大数据应用。

营销

4. 风险的管理

中小企业是社会新增就业和创新的主体，而他们得到的廉价高效金融服务却是非常少，关键在于信息匮乏或者不完整，信息不对称，总体抗风险能力弱，判断偿债能力比较困难和经营成本高。大数据，尤其是政府大数据可以有效地克服这一困难。金融机构可通过企业的产量、流通、销售、财务、税务、工商、社保等相关信息结合大数据挖掘方法进行中小微企业的贷款风险和偿债能力的分析，量化企业的信用额度，进而推动中小企业的健康发展，将对就业和创新具有巨大的推动作用，这也是大数据在零售银行的应用非常重要的原因所在。

风险管理

最后要感谢这个很好的平台，希望可以借助这个优秀的平台可以和大家一起学习进步，有一起学习讨论的可以加群460570824，让我们一起努力进步吧！

在对数据分析岗位进行整理与研究时，通过对于这些岗位的企业性质、从事数据分析岗位职责、岗位要求及薪资待遇进行研究。我们对于未来的数据分析这个职业充满了希望，但是也对于这个职业二极分化充满了担忧。

一、数据分析职业概述

越来越多的企业将选择拥有项目数据分析师资质的专业人士为他们的项目做出科学、合理的分析，以便正确决策项目；越来越多的风险投资机构把项目数据分析师所出具的项目数据分析报告作为其判断项目是否可行及是否值得投资的重要依据；越来越多的企业把项目数据分析师课程作为其中高管理层及决策层培训计划的重要内容；越来越多的有志之士把项目数据分析师培训内容作为其职业生涯发展中必备的知识体系，数据分析这个职业应运而生，毫不夸张的说，数据分析师带给企业的不仅仅是一个个数据报告，更是一桶桶黄金，一片片亟待探索的蓝海。

二、数据分析职业现状分析

这个职位目前呈现是二八原则，好的数据分析师的收入是非常高，差不多平均水平在13k左右，但是处境不好的数据分析人员只能拿到跟内勤同等收入的水平。比如数据分析招聘中，185号岗位，这是一家公司需要大量招聘初级的数据分析师进行长期的培养广告公司；高级数据分析师在全国的范围内来说还是很少一个群体，主要承担对于某个数据分析项目进行建模与分析及算法研究等，这批人员一般的薪资待遇在16K以上，大多数在互联网与金融行业等利润率比较高的行业，数据分析招聘中，199号岗位，该岗位是杭州大型电商公司为其呼叫中心招聘数据分析师，待遇在P7左右，也就20-22K/月，还有盛大招聘数据分析师岗位也其实有很有代表性；最高端是一些互联网数据分析部门的管理层与数据科学家，一般是大型公司对于某个项目进行数据挖掘研究，全国也只有微软与阿里及一些从事数据挖掘公司里有这些数据科学家，一般的待遇差不多在50万以上年薪，这个大家可以关注一些互联网公司的招聘信息。

三、数据分析师的能力标准

格局是决定一个数据分析师的能力标准，一个好的数据分析师应该从行业的层面来分析公司现在所处的位置以及整个行业的分析，而且通过内外的数据得出富有逻辑性的结论，然后从这些结论中提供公司战略层面思考的策略，当然我也明白现在我们很多的分析师朋友都在沉浸在业务或者项目分析中，但是我认为格局观是决定一个数据分析师的能力标准。

数据分析师要做到基于内部与外部的数据结合通过严密的完整商业思考及严密逻辑推理，得出针对业务好坏的结论，并得出业务改进的策略。

什么内部与外部的数据的结合，我们即要看内部的数据还要结合行业的数据，而商业思考是做数据分析师通用的技能，那么结论是基本产出物，策略是分析师高级产出物。

四、数据分析师的三类素质

第一类是基本素质，第二类是通用技能，第三类是专业技能。

基本素质包括：1、聪明与好奇心；2、愿意学习并愿意能沉下心来付出；3、耐心与专注。

通用技能是核心思考能与展现自己的能力，第一点，结构化的思考能力与逻辑推理能力即智商不能差，如果是这样你看到的越多就做的越好，怎么来判断呢？第二点，良好商业感觉与商业判断能力；第三点，要有宏观思考能力，你要看到的格局要到；第四点，要有良好沟通能力。

专业能力从专业上要有基本统计学知识，从能力上要包括扎实数据分析能力与数据处理能力包括SAS\R\SPSS及tableau、FineBI等可视化表达的能力。那么高级数据分析师，我们应该更看中基本素质与通用能力，如果专业操作类分析师那么我们需要基本素质与专业技能。

五、企业要求及需备的知识点

大多数的互联网行业特别是电商行业对于数据分析师这块还是比较看重，主要的原因其主要的资产除了产品、人员就是长期积累的数据而这些海量的数据已经不能用人工经验来还原业务，这就需要数据分析师对于数据进行归纳与还原商业规则与逻辑，一般主要涉及商业分析、用户分析、产品分析、运唯支撑等这几块；从各家公司招聘信息来看，要求几乎雷同，同时也说明这个职业的互通性很强，说白了就是换个行业都可以在职场上存活下来；一般需要以下几个要求：

1、数据分析经验；

2、商业数据敏感度；

3、基本工具（SAS、SPSS、SQL、EXECEL等）；

4、建模；

5、知识点（统计学、会编程）；

六、如何获得数据分析知识点？

1、数据分析经验，大家可以每天浏览我们西线学院官网的文章，我们每天都会发布一些最新的分析实战文章；

2、基本工具类，我们西线学院帮助学员从零基础学会数据分析工具编程，丰富的知识扩展，实用性强,不掺杂无用讲解,只为给学员最极致的教学体验!

按大众化的分法，产品的生命周期(PLC, Product Lifetime Cycle)分为初创期、成长期、成熟期、衰退期，在产品的每个阶段，数据分析的工作权重和分析重点有所区别，下面按阶段结合案例来聊聊。

一、初创期

初创期的重点在于验证产品的核心价值，或者说验证产品的假设：通过某种产品或服务可以为特定的人群解决某个问题。这个阶段应当遵循MVP(Minimum Variable Product) 的思想，以最小的成本来验证创业的想法，并根据用户的反馈快速迭代以调整解决方案，最终在数据上得到验证。

案例：

拿之前做的某款国外移动端论坛社交应用为例，产品在idea时期(12,13年左右)发现了论坛用户经常在吐槽从移动端Wap页访问论坛速度慢、广告多、完全没有移动端适配，于是我们提出假设：做一个App，连接论坛系统与用户，让论坛用户在移动端也能享受流畅的论坛访问体验，并且用户愿意为了这种体验付费。

于是在初期，整个产品完全围绕看帖、发帖两个核心场景进行挖掘，在论坛里进行宣传，售价$18，发现有许多用户为之付费，且这些用户的留存率达到60%+(当然与用户付费了有关)，有一半的用户使用时长都超过了70分钟。当时没过多久陆续出来了一些竞品 (Vbulletin团队，当时最大的论坛系统，开发了一个移动端的App，意图解决同样的问题)，但是没过多久都远远落在了我们后面，就是因为整个团队遵循MVP的思想，按用户反馈专心反复打磨看帖、发帖的流畅体验，获得了非常好的用户口碑并领先市场，也获得了某著名硅谷投资机构的投资。

关键数据——目标人群画像

除此之外，初创期可以通过接入一些第三方的应用监测SDK来了解初期用户群体的画像，从侧面验证用户群体与假设的目标用户群体特征是否一致，常见的是人口学属性(性别、年龄、学历、地域)。

案例：

今年4月初在和国内某健身类的APP的产品经理聊到， 该APP最初是一款健身、运动记步的工具App，在产品前期新用户的次日留存处于业内平均水平，在其观察到目标用户群体的画像时，发现女性用户明显比男性用户要多，且女性用户留存明显比男性用户要高。于是决定在产品策略上向女性用户倾斜，主攻女性健身、减脂、美容方向的功能以及内容推荐，产品整体次日留存率相比之前增长近100%。

同样，最近服务了一个鹅厂内部客户，他们开发了一款新产品，意在面向年轻人群体，结果却发现其用户年龄分布以青少年和老年人居多：

这正好与他们的用户渠道相关，原来他们有一款面向青少年和老年人的产品，为了给产品带来第一批用户，他们直接从老的产品将用户引流过来，结果发现他们并非产品的目标用户。

关键数据——留存率

在当前用户符合目标受众特征时，核心关注这些用户的留存率、使用时长/频率、用户的黏性等指标，这里就留存率展开来讲。

留存率的维度分很多种(7日，双周，30日等)，依据产品特征来选择，若产品本身满足的是小众低频需求，留存率则宜选择双周甚至是30日;留存率高，代表用户对产品价值认可并产生依赖，一般来说，假设便能得到验证，通常低于20%的留存会是一个比较危险的信号。

介绍一个以数据为驱动的先行指标模型，可以通过找到先行性指标指导产品设计，从而提升留存率。先看下先行性指标的定义，先行性指标是指新用户在使用产品早期的一种产品行为，这个指标与用户的留存率指标之间存在着非常高的线性相关关系，可以预测用户是否会在产品中留存下来。

用自己总结的公式来描述，大致如下：

积极预测可能性(%)：表示用户执行了该行为，即可预测该用户留存活跃的可能性

消极预测可能性(%) ：表示用户如果不执行该行为，即可预测该用户不留存活跃的可能性

最终，先行性指标的可信度=积极预测可能性 X 消极预测可能性 ，我们直接看案例。

案例

拿之前的论坛社交App为假设，假设“用户在注册前10天内添加好友超过7个”为先行性指标，那么我们计算一组数据：

其中，用户前10天内添加好友超过7个，则其30日留存下来可能性为99%;若添加好友小于7个，则其30日不留存下来(流失)可能性为95%，综合指标可信度为0.9405。

同理，计算以下两个先行性指标可信度：

最终，我们得到对比：

以上只是假设的数据，实际上，我们需要对比十几个甚至是二十几个行为指标才能找出先行性可信度最高的行为。

这个模型中第一条“新用户在注册后的10天内添加好友超过7个”，也就是Facebook一个经典的“aha moments”，所谓”aha moments”即当用户意识到产品的核心价值的时刻，也就是我们的“先行指标”。

(Facebook，Instagram推荐好友截图)

除此之外，先行性指标应当满足以下条件：

二、快速成长期

经过了产品打磨的初始阶段，产品有了较好的留存率了，这个时候产品开始进入自发增长期。自发增长期的产品阶段，仍需要关注用户留存、用户时长、用户画像的变化等数据，但可以将侧重点关注在用户的整个生命周期的管理，其中以新用户的增长、激活、触发“aha moments”到产品稳定活跃用户的整个漏斗分析为主。

新用户的增长和激活

其中新用户的增长和激活一般有两种方式，第一种是构建产品的病毒性传播系数, 让产品自发增长，《精益运营数据分析》书中有提到的几个用户病毒式传播分类很有趣：

原生病毒性，即通过App本身的邀请好友功能而传播吸引的新用户的方式;

口碑病毒性，即通过口碑传播，用户主动通过搜索引擎成为的新用户;

人工病毒性，即通过人工干预，如有奖邀请等激励措施来鼓励用户进行邀请行为。

这里关注的一个指标称之为“病毒式传播系数”，感兴趣的同学可以自行深入了解。

新用户下载->激活->‘Aha Moments’->产品稳定活跃

产品开始进入自发增长期后，需要关注用户从新用户到活跃用户(留存后)、到核心用户的生命周期，并将每个过程的关键指标提炼并精细化。

案例

以之前的论坛社交APP为例，新用户进入产品会看到一个欢迎页(如左下图)，经过注册、登录后会看到产品的首页(如右下图的Feed流页面)，多数App都有类似的流程：

一个新用户从进入App欢迎页到最终成为核心用户大概是以下流程：新用户(探索发现产品价值中)-> 旁观者(逐渐认知产品价值并有一定的参与感)->生产者(认同产品价值并积极参与)：

按大众化的分法，产品的生命周期(PLC, Product Lifetime Cycle)分为初创期、成长期、成熟期、衰退期，在产品的每个阶段，数据分析的工作权重和分析重点有所区别，下面按阶段结合案例来聊聊：

此时，对各个阶段的用户行为进行指标分解：

新用户&探索发现者：

欢迎页跳出率新用户注册率新用户引导流程转化率初始看到Feed页跳出率搜索结果转化率推送权限开通率

旁观者(路过者)：

平均每个用户关注板块数平均每个用户关注其他用户数平均每个活跃用户赞/分享数Feed卡片展示数Feed卡片点击数订阅内容推送点击率

内容生产者：

· 平均每个活跃用户发帖数

· 平均每个活跃用户发照片、视频数

· 平均每个用户在论坛内使用时长

· 活跃用户在论坛内行为分布

精细化的拆分用户生命周期前中期的行为指标，在产品快速增长期帮助了产品不断打磨细节，将用户从新进到成为核心用户体验不断完善。与此同时，在各节点数据提升并稳定后，产品运营的同学则开始进行各种推广、投放的宣传以扩大盘子、占领市场。

三、成熟期

随着用户快速增长，产品不断完善，产品在进入成熟期前后，数据运营关注的重心开始从用户生命周期的前半段(吸引、激活、留存)往后半段(流失、回流)开始偏移。

这里分享一个在增长期和成熟期关注的数据模板 Daily Net Change (应用自John Egan@Pinterest)，区别于只关注DAU、MAU数据，只关注活跃用户数的增减很多时候都是取悦自己，而这个模型能帮助直观地观察到用户增长的因子是什么，或者用户盘子变化的情况，通过一张图展示了产品的新增、回流和留存情况。

其中Net Change = 新增用户 + 回流用户 – 流失用户。

新增用户即当天有多少新用户加入

回流用户即多少老用户连续28天没有使用，今天又开始使用

流失用户即有多少已有用户刚好最后一次使用应用是在28天前

流失与回流

在关注流失回流的过程中，数据会揭示当前用户盘子的一个变化情况，具体分析流失原因则可以参考下方流程：

核心思路即，通过回访定性+数据验证为主要手段，确定流失原因，改变产品运营策略以预防用户流失或拉回用户，促进回流。

除此之外，对于一些稳定的投放渠道，普通的改善方法可能提升转化有限，此时可以进行更精细化的渠道分析来优化提升ROI：

案例：

提升ROI

四、衰退期

最终，产品进入衰退期，一般在进入衰退期前可以采取两种方式：

1、规模化

常出现在零售业中，如开一家按摩养生店，在一定范围内收获好评，那产品成熟的时候则可以开启连锁加盟模式，通过迅速而广泛的扩大市场形成品牌效应，以形成壁垒，此时衰退的风险则被抵御。

2、生态化

在产品增长或接近完善时，单一的产品很容易存在需求过于垂直、用户无法形成依赖的问题，可以开发具有协同能力的新产品以搭建完整的产品生态，使得在当前产品上无法被得到满足或失去兴趣的用户被引流到新产品，作为新产品的新用户;同时新产品的用户也能在新产品上被引流回老产品，产品之间形成互相依赖的链条，最终用户有效流转，形成生态。

根据国内数据分析机构艾瑞给出的数据，在中国视频APP排名中，腾讯视频以4.76亿的月独立访问设备数排名第二，2.82亿月独立访问设备数的优酷尾随其后，排名第三。本次排名里，芒果TV本月环比增幅下降了10.8个百分点，被快手超过，排名第七。其中，乐视、小米、百度等视频APP都出现在前十榜单内。【国内数据分析机构艾瑞给出中国视频APP排名，第一无可争议】

　　值得注意的是，在前十榜单里有4个视频APP出现环比增幅下滑，另外6个视频应用从1.5到最高11.9个不等的百分点进行增长。里面有一个名为”快手“的短视频应用出现在榜单，另外还有两款聚合视频类应用也在前十里，一个是小米视频，另一个是百度视频。【国内数据分析机构艾瑞给出中国视频APP排名，第一无可争议】

　　而增幅最多的为腾讯视频，和第一名的设备数差距不到3000万台，自去年9月份开始，腾讯视频APP的增幅速度从5.4一直到本月的11.9，在榜单里增速最为稳定，这和腾讯背后大手笔地买入独家剧情不无相关，以及QQ浏览器、腾讯应用包的导流推广。【国内数据分析机构艾瑞给出中国视频APP排名，第一无可争议】

　　作为聚合视频APP，小米视频超过乐视和搜狐等老牌视频APP，排名第四。并且在本月的独立访问设备数中达到了1.66亿台，仅次于优酷，而且增幅环比为4.1个百分点。小米视频依托几亿台的小米手机，作为其自带的手机视频应用，每月数亿次的独立打开次数。【国内数据分析机构艾瑞给出中国视频APP排名，第一无可争议】

　　最为亮眼的还是快手，它是唯一做为段视频APP进入前十榜单的，并且排名第六，仅次于乐视，在它下面的还有PPTV聚力、搜狐等视频APP。本月独立访问设备为8006万，增幅了1.6个百分点。第五名之后的5款视频APP，月独立访问设备数都在千万级别。【国内数据分析机构艾瑞给出中国视频APP排名，第一无可争议】

　　榜单最后一名，是百度视频，和小米视频一样都是聚合视频类APP。

　　摘得榜单第一的是爱奇艺视频APP，本月环比增幅了5.8个百分点，月独立访问设备数达到了5.01亿台，几乎是榜单第十名的10倍体量。在一整年里，爱奇艺APP只在去年9月、10月和11月，出现了不到1.5的环比下滑，在使用人群性别占比中，男性为53.38%，女性用户为46.62%，其中用户年龄在31-35岁的居多，占比整个年龄群体30.73，40岁以上的近占3.22%，综合来讲，爱奇艺手机视频APP的用户群体比较年轻，80与90后用户居多。【国内数据分析机构艾瑞给出中国视频APP排名，第一无可争议】

身处传统行业，数据分析的工作可能会无所适从。我们既没有互联网行业强大的数据驱动基因，甚至都没有大企业完善的信息基础和数据环境。个人不论是数据分析师和DBA，成长都有所局限。

数据分析很火，懂行的都深知数据对于业务，对于企业生产经营的重要性。但是没有数据、数据不完整、业务不重视、数据分析沦为取数和报表制作......这些问题都阻挠着数据行业的发展，也影响个人自身。

关于企业的数据分析，如何从0——1着手分析工作？这里想分享一个来自我们客户“小唐”的真实故事，没有鸡汤，只有浓浓的方法论值得借鉴。

小唐就职于一家股份制银行A，近两年由于银行改制，A银行开始逐渐重视银行信息化的提升，以及数据分析的应用，小唐在对公业务一线做过2年，被委派到的数据部门做业务分析。

委派到新部门的小唐负责对公业务，需要对下属一级支行南京支行的业务做针对性分析：风险预估、坏账分析、创新业务跟踪。

从存款金额和贷款金额入手，分析该支行总体的经营状况；想了解存款和贷款主体业务的状况，尤其是坏账的风险；想了解下属各二级机构的经营状况；下属二级支行瑞金支行是新增的二级试点支行，投放了许多创新业务，想在分析过程中对该二级支行加强关注；

小唐是怎么做的呢？

分析过程

业务分析需要借助良好的分析工具，且考虑到上层战略的需要，此项业务分析不仅仅是单一问题的解决，而是需要长期监控的，给部门业务经理监控的。基于这样的场景，小唐需要一个自住性较强、易操作、能实时同步数据、且具有协同功能的数据工具，自然而然的想到了商业智能BI工具FineBI，开展了分析工作，从0-1进行数据分析搭建业务分析模型的工作。

1、提出问题/需求

即最原始的问题/需求。

领导提出“小唐啊，我想看一看部门最近的业绩怎么样？”或者自己发现“最近XX产品的推出好像在市场受到了阻碍，想看看原因在哪”，这都是最原始的问题/需求。这部分问题/需求不直接涉及业务数据，但是和目标“解决问题，提高效益”直接相关，最表象也是大家最关心的事情。

2、明确问题/需求

上面提出的问题/需求，不管是领导提出还是自己的诉求，都比较宽泛，如果想要通过数据分析解决问题/需求，自然而然地，需要把问题/需求往数据上靠，用我们的业务去明确问题/需求。可以分成两个步骤：

①用我们熟悉的业务名词精简描述

②化零为整。

（1）从存款金额和贷款金额入手，分析该支行总体的经营状况——存款金额、贷款金额→日期即研究不同日期下支行的存款金额和贷款金额。（2）想了解存款和贷款主体业务的状况，尤其是坏账的风险——存款类型、贷款类型，不良贷款额即研究不同业务类型的存款金额和贷款金额的情况，尤其是五级不良贷款。（3）想了解下属各二级机构的经营状况——机构即研究不同机构的存款金额和贷款金额的情况。（4）下属二级支行瑞金支行是新增的二级试点支行，投放了许多创新业务，想在分析过程中对该二级支行加强关注；即研究单一机构的存款金额和贷款金额的情况。

这样，通过用熟悉的业务名词去明确我们的需求，就变得十分具体，数据分析的切入点就有了突破口。但是这样的描述还是比较零散而且互有重叠，通过化零为整，整合一下我们的需求，即“研究不同时间不同机构不同存款类型/贷款类型下的存款金额/贷款金额”。

3、梳理指标

对于“不同时间不同机构不同存款类型/贷款类型下的存款金额/贷款金额”这一明确需求，将相关涉及的所有指标进行进一步梳理，可以先用我们最熟悉的明细表做一个展示，对数据能够有一个非常直观的感知。

4、搭建业务包（指标分类）

根据分析思路框架，利用FineBI数据分类的功能来针对性地搭建业务包。

由于存款类型、贷款类型和贷款质量是三个接近平行的维度，互相之间不干扰，所以我们可以设计三条平行线，分别来看各日期机构下的存款类型、贷款类型、贷款质量的情况，并搭建以下业务包：

三张事实表（存款数据事实表、贷款数据事实表、不良贷款数据实施表）三张维度表（机构维度表、贷款类型维度表和存款类型维度表），并建立和业务关联。

5-6、 自助创建仪表板-分析决策

创建仪表板的过程，实际上是将我们的分析思路以各种指标和图表具象化的过程，是数据分析思维的具体体现，所以做仪表板和分析决策是不能够分开的。这也就决定了创建仪表板的时候，我们需要掌握两个步骤，一是用常用的分析形式和分析指标结合需求落地，二是用分析决策检验和完善我们的仪表板。

以各日期机构下的存款类型情况进行分析为例，即存款分析为例，先用我们常用的分析形式和分析指标结合需求落地。在这里只需要控制单一变量：

a. 固定机构，分析它的日期维度。常见对日期进行分析方法有

趋势分析对比分析（比昨日、比上月、比年初、同比）

当然还有一些其它的业务分析形式，我们都可以进行尝试。在进行数据分析的时候，我们应该养成看到时间维度就能立马复现出这些分析方法的习惯，不管不是所有对日期进行分析的方法都应该囫囵吞枣，但是把每个分析方法都过一遍是十分有利于我们的思考过程，从而甄别出适合出当前分析的分析形式和指标。

先对日期进行趋势分析。研究存款总额、对公存款和对私存款的时间变化趋势。而历史数据对于当前的业务影响小，我们更关心近期的数据走势，因此可以过滤出最近10天的数据。

可以看出南京支行的主体存款业务是由对公存款组成，因此存款总额的变化趋势几乎只受到对公存款业务的影响；对公存款是处于起伏不定的状态，处于停滞不增长的状态，而对私业务乍看也是处于一条水平线，没有什么起伏，然而，当我们取消关注对公存款和存款总额的时候，可以发现对私业务的存款总额竟然是下降的。

综上，我们发现，最近该支行的总体存款业务是下降的，对公业务没有什么增长，对私业务虽然体量相对较小，但是呈下降趋势，发展出现问题。因此我们可能需要对该机构的存款业务进行重要调整，想办法推进对公业务的继续增长，考虑改变对私业务的推广策略或者放弃相对该支行来说比较鸡肋的对私存款业务。

同样地，对日期继续进行对比分析，研究比昨日、比上月、比年初、同比的对比情况。

将当日的营业额度和历史同期比较是非常有说服力的，也可能更能反映时间的周期性问题。可以发现，对公业务和对私业务尽管在近期的发展态势一般，但是较历史同期而言，都几乎有着成倍的增长。

这说明，过去的经营策略确实取得了巨大的成效，但是可能由于市场饱和或者过去的经营策略所能取得的成效已经饱和，导致了近期的业务增长一般。说明，对于现在支行的发展，可能到达了一个瓶颈，需要对经营的策略进行重大调整，以适应现在的业务情况。

b. 固定时间，分析它的机构维度。常见对机构进行分析方法有：

排名分析比例分析机构分析穿透分析指标（平均值）

同样地，我们只需要将这些分析方法逐一套用，最后结合我们实际的业务需求，选择出合适的分析形式和指标。

这里对最常用的排名分析和机构分析进行一个介绍。这里由于存款总额是每天累计汇总的，因此关注当天具体的额度变化情况更加有意义。

可以看到各机构存款总额较上日增幅的排名；对于增幅靠前的机构，可以研究具体这些机构的业务策略进行推广，而对于存款净增额落后的机构单位，一般我们都比较关注在平均值以下的机构，可以进行标红处理做警示作用，同时对于尤其关注的某些特别支行，如瑞金二级支行，可以进行特别关注处理。同样的分析还能用于产品类别、产品、供应商等品类。

穿透分析、比例分析的落地过程我们略去。这样将我们熟悉和常见的分析形式和指标，结合分析决策的过程去套用，创建我们所需要的仪表板，很快就可以做出以下存款分析报表。

贷款分析和不良贷款分析，我们也同样地按着存款分析的分析思路过程进行落地。FineBI有一个比较方便的功能，可以直接将模板复用，然后简单地替换成贷款分析和不良贷款分析的各个指标，就快速生成了对应的分析模型。

分析总结

在从无到有搭建完业务模型之后，一定要对我们形成的分析模型进行总结，沉淀成为企业内部的指标库，这部分是我们数据分析最终沉淀的内核。

同时，在进行数据分析时，小唐给了大家两个非常受用的小贴士：

1、自主分析是个反复尝试的过程，实际上也是思维不断突破的过程。需要养成良好的设计习惯，用常见维分析形式和分析指标去落地，不要希望每次都能一步到位精准反映业务问题，需要踏实做好数据分析，用实际问题来改进分析模型。

2、不要企图用一张报表解决所有问题 。往往需要制作多张报表来分析发现问题，需要建立系统性，同时也鼓励多部门对于同一类需求/问题进行分析，可以对结论形成互补。

4月6日，专注于中国互联网领域大数据分析的权威机构易观，正式对外发布《中国移动直播行业年度综合分析2017》报告。报告通过易观千帆所监测统计的各直播平台数据，针对直播行业市场发展概况、竞争分析、用户分析、发展趋势四个维度，全面揭示了中国移动直播行业的整体发展脉络与走向。值得注意的是，报告中一直播以20.36%的移动全网用户渗透率排名榜首，成为中国最大的泛娱乐直播平台。

一直播移动全网用户渗透率排名第一 确立领军地位

2016年是直播元年，随着资本和巨头的纷纷入场，直播市场体量骤增，移动直播应用如雨后春笋般出现，形成百播大战的局面。一直播联合新浪微博于16年5月入局直播领域，贾乃亮出任首席创意官，并通过明星直播，公益直播等汇聚流量，持续进行品牌曝光，压倒性的明星资源优势助推一直播迅速突围。

根据易观报告数据显示，一直播以20.36%的移动全网用户渗透率排名第一，映客、YY、花椒分别以15.03%、12.86%、8.83%的全网用户渗透率分列二、三、四位。经过近一年的高速发展，一直播成为中国最大的泛娱乐直播平台，正式确立了移动直播行业领军者地位。

直播受资本持续看好，“3+1”联合体凸显一直播优势

一直播凭借母公司一下科技旗下产品秒拍、小咖秀及与新浪微博的深度战略合作，形成“3+1”移动视频生态联合体。一直播所在的一下科技移动视频矩阵，解决了单一短视频平台难以获取用户并实时互动的痛点。秒拍、小咖秀和一直播，通过用户兴趣和行为进行有机串联， 分别满足用户观看、创作、实时沟通等全方面需求;与新浪微博的深度合作则为三大产品内容补充提供了天然载体和传播通道。基于此，一下科技的生态布局赢得资本青睐，在2016年拿到多家知名资本的5亿美元E轮融资。

而“3+1”移动视频生态联合体还为一直播带来了众多独家优势。首先，一直播与新浪微博形成排他性战略合作，一直播SDK内嵌微博，与新浪微博100%数据互通，共享新浪微博庞大流量；其次，一直播导入用户基于微博的网络社交关系，避免主播重新建立粉丝社交关系；第三，一直播平台入驻千余位明星、过万名头部达人和垂直大V，是头部主播最庞大的直播平台。这些优势头部资源，发挥着吸引粉丝导流和生产优质直播内容的双重作用。第四，独有媒体机构和政务部门官微纷纷开通直播，与人民日报、新浪微博联合推出“人民直播“，获主流媒体认可 。平台调性积极正能量。

一直播打响内容战打造多维共生综合性内容直播平台

根据易观报告数据显示，娱乐直播用户增长总体态势进入平缓期，行业竞争从用户覆盖向平台粘性、用户活跃度转移。如何提升、保持高粘性、高活跃度？一直播将目光聚焦在直播内容上，开启内容战略，打造多维共生的综合性内容直播平台。

一直播凭借强大的明星资源与娱乐聚合能力，众多明星选择一直播平台作为互动、宣传的窗口。2016年一直播上线之初，接连7场的宋仲基全国粉丝见面会的独家直播让一直播迅速为人所知。此外，一直播首开公益直播先河，通过“公益+明星+直播”的形式为慈善活动带来极大的关注度，“爱心一碗饭”活动首开公益直播先河，募集善款超过147万元。一直播凭借“画出生命线”再度开启公益直播，累计收到打赏金币数1.447亿，合人民币144.7万元。

上线之初，明星的带动为一直播带来巨大流量，为进一步提高平台粘度及活跃度，一直播从去年开始持续深耕垂直类直播内容，通过一系列举措促进平台上优质直播内容的产出。一直播发布行业首份直播内容榜单，以科学计算方法计算内容指数，对平台上直播内容进行排名，为直播内容创作者提供指导性意见。此外，一直播于近日推出“一直播栏目培育计划”，一直播将为栏目方提供单期30万的直播资源主推商业化；还会每月推出榜单以规范栏目商业化价值；同时会把价值3亿的流量资源导入到直播栏目培育成长。

此外，媒体机构和政务部门官微纷纷开通直播，通过一直播进行新闻报道、政务公开、交通动态等。一直播与人民日报、新浪微博合作打造“人民直播”，获主流媒体认可。截至目前，一直播已经吸引了超1万家主流媒体、自媒体、行业KOL入驻，一直播使新闻报道实现了直播常态化，也将政务通过直播的方式公开透明的展示在大众面前。