社区编辑申请
注册/登录
运营数据分析,怎么做才有深度
大数据 数据分析
这是很多公司对数据分析师的要求。然而到底怎么做才有深度?除了罗列购买人数、购买率等数据,到底还能分析啥?今天结合运营的例子,具体讲解下。

“做分析不能光罗列数字,要有有深度的结论!”

这是很多公司对数据分析师的要求。然而到底怎么做才有深度?除了罗列购买人数、购买率等数据,到底还能分析啥?今天结合运营的例子,具体讲解下。

01从最简单的场景入手

设想一个最简单的场景:全场5折!件件五折!样样五折!作为消费者,我们最喜欢这种简单粗暴又实惠的方式。

但是站在运营的角度看,这样有啥问题呢?因为消费者不止一类人,每个企业面对至少四类消费者,并且其中陌生人才是大多数(如下图)。

单纯地打折,导致的结果就是经营盘子越做越小,销量可能维持在一定水平,但总利润是越来越低的。

如果数据分析师不懂得背后的运营逻辑,只是单纯陈列数据的话,那么就会啰嗦一堆:“购买客户数XX人,购买金额XX万,较上月下跌x%……”

但这些都仅仅是现象陈述,这里的深度问题是:手段粗暴,缺少引流。如果一个企业的运营只会这么干,那历次打折叠加的效果更明显(如下图)。

所以,想解读数据更深入,需要以下两者缺一不可:

1、理解运营基本逻辑

2、用数据佐证逻辑

02从简单到复杂

为了改变这种简单粗暴的做法,人们自然会想到:拆分人群来做。最直观的拆分是把新用户和老用户区分开,做不同策略。如果不考虑运营逻辑,数据分析师会本能的给出三个分析基本思路(如下图)。

但注意,当策略有了组合的时候,就会有叠加效应,因此引出三个更深层的话题:

  • 1.单个策略执行是否有效
  • 2.两个策略之间,是否有衔接
  • 3.整个策略组合,成本是否失控

这三个问题是由小到大,逐层解决的。

03单个策略优化

以获取新用户举例,设想一种最简单粗暴的方式:新用户首单1元买商品。优惠力度大,简单粗暴,作为顾客的话我们人人喜欢。

但是站在运营角度,这么简单的活动,都至少有五个部分组成(如下图)。

如果孤立地只看一次活动,那么作为数据分析师,肯定只能得出:曝光量XX万,引导注册X万,购买人数X万这种没有结论的数据。

但是把所有活动,按照策略目标编织成活动组,就能进一步发现问题(如下图)。

这里能反映出很多更深层的问题:

1.单一活动,没有做过优化

2.做优化毫无章法,无法有效积累经验

3.做优化仅仅优化某个部分,放弃其他动作

简单来说:运营自己没有本事做,瞎胡乱改,东抄抄西抄抄。如果这种状态也能出业绩,那就只能证明:大环境真的很好。如果没有出也是理所当然的。

还有另一种情况,就是优化了若干版本以后,发现:一个渠道的新用户数/转化率是有上限的,至少在目前的文案创作能力+商品+优惠政策下,是有最大限额的。

如果能证明这一点,也能得出一个更深层结论:需要新开渠道,支持更大的业务目标。这样的结论,也能避免数据分析师被人揪着不停地问:“为啥就分析不出更多优化点了”——它可能真的就只有这么多。

04两个策略衔接

还拿上边的例子,当新用户完成首单以后,已经有了注册信息和首次交易数据,就能做更多分析,也能导出更多策略。

注意,在运营角度,这里的很多策略是固定可做的,根本不需要做分析也知道能做,数据分析支持的,仅仅具体的做法以及数量(如下图)。

此时,除了简单地输出:复购率、复购人数、复购商品量等等数据以外,将两个策略结合来看,能看出更多深层次问题(如下图)。

为什么用户不复购?如果直接问数据分析师,估计能把人问傻,但结合之前新人阶段策略以后,就能得出更深层分析结论:

1.因为根本没有策略承接这一群新人

2.有策略,但是过于单一,未结合消费习惯

3.有策略,很多样,但缺少培育,就知道收割

4.有策略,有培育,但时机不对,太早/太晚

这些结论,是需要把前后策略连起来看,才能深入发现的。

05多策略管控

当策略越多,策略之间的相互影响越明显。此时运营会有两个明显的倾向:

第一类:各部门各自为战,拉新、复购、高价会员一个小组一套策略,营销费用疯狂燃烧。

最简单的例子:负责拉新的部门为了自己的考核数据好看,在拉新的时候多塞了几张优惠券,优惠券又有3个月有效期。结果等第三个月负责复购的部门来做活动的时候,用户莫名其妙又多拿了几张券。

最后的结果,要么是羊毛党把券都用掉,薅个痛快。要么就是用户挑了优惠最大的券用,总之,得有个部门郁闷:“为啥我的券没人用??”

这些问题,在单一的活动复盘里很难讲清楚,但把所有活动围绕活动编织成策略组,就看得很清楚。能及时发现活动间堆叠,能基于每个用户计算清楚到底投放成本去到多少(如下图)。

第二类:各种动作混为一谈,又要用户看直播,又要用户下载APP注册,又要玩游戏,最后才能得个可怜巴巴优惠券。

这种情况根本不需要举例,现实生活中太多了,而且经常是操作越整越复杂,优惠越给越少。一个基本的常识就是:流程越长,流失越多。看似面面俱到,实则面面俱废。

此时作为数据分析,除了给到这个巨复杂的流程数据以外,还可以把这个巨复杂的流程,对应回基础用户数据,看看丫实际覆盖了哪些人,到底激活的是谁,这样就能把大而无用的问题暴露出来。

06小结

在数据分析领域,一直以来都有拿着锤子找钉子的不良习惯。今天书本上讲了逻辑回归模型,所以逻辑回归能怎么用到业务上,快给我一个逻辑回归业务,谢谢。

可如果真的理解了数据模型的本质,你会发现:数据模型本质上是点试的输出。比如逻辑回归,它就只有一个二分类结果:是/否,没了。比如线性回归,它就只输出一个连续型的数字,没了。

而具体到运营工作上,运营的工作是链式,是交织在一起的,是一步步迭代的。因此不可能指望一个点试的结果解决问题。即使预测出来一个人不消费,又怎样!

  • 要在哪里接触到他?
  • 要投什么商品吸引他?
  • 要几点几分推信息?
  • 推送了他不点击咋办?
  • 你确定推的文案他看得懂?

对手搞了更大力度优惠,又怎么办?

这些一系列的问题,都不是靠着一个数据模型预测出来的,而是先要把运营策略梳理清楚,编制分组,理清内部逻辑,才能结合数据,发现盲点,从而找到更深层的原因。

 

责任编辑:武晓燕 来源: 接地气学堂
相关推荐

2022-05-18 23:42:08

网络安全安全分析工具

2022-05-20 14:54:33

数据安全数字化转型企业

2022-05-12 13:44:35

2022-05-19 19:26:33

区块链大数据数据分析

2022-05-17 15:51:32

数据中心运维能力基础设施

2022-04-25 14:06:28

数据分析人工智能机器学习

2022-05-20 08:17:43

Java日志

2022-05-27 15:58:42

5G运营商数据

2022-04-17 23:02:08

数据分析数字化转型人工智能

2022-05-23 10:55:19

华为数字化转型架构蓝图

2022-05-16 10:36:08

GitHub开源项目

2022-05-25 10:49:02

云存储云计算

2022-05-26 18:06:29

华为数据中心

2022-05-16 10:49:28

网络协议数据

2022-04-17 23:09:07

深度学习人工智能芯片

2022-05-12 14:44:38

数据中心IT云计算

2022-05-24 19:49:22

2022-05-27 14:29:27

东数西算华为数博会

2022-04-21 10:49:30

智慧城市物联网

2022-05-26 18:08:32

数据中心

同话题下的热门内容

2022年优秀预测分析工具和软件大数据技术的成功案例及趋势使用替代数据的五个隐性成本为什么不能忽视建筑物中的数据分析?数据驱动业务的18个有效策略

编辑推荐

什么是数据分析的漏斗模型?数据分析师还吃香吗?用数据告诉你对比解读五种主流大数据架构的数据分析能力《狄仁杰之四大天王》影评分析(爬虫+词云+热力图)22个免费的数据可视化和分析工具推荐
我收藏的内容
点赞
收藏

51CTO技术栈公众号