社区编辑申请
注册/登录
数据分析,如何驱动业务增长
大数据 数据分析
真的想驱动业绩提升,需要数据分析围绕“增长”这件事,鞍前马后做大量辅助工作,结合行业数据,历史数据,当前表现,测试结果,真正解读出增长的关键,积累经验/教训,才能实现。

“数据分析要助力增长!”是很多公司的要求。然而实际执行的时候,很多同学都犯了难。看起来每天的工作就是在计算数据,这还能咋增长?有些案例讲ABtest,可版本是产品出的,裂变活动是运营做的,我只是算了一个数据呀。

今天详细给大家解答一下,到底怎么做能实现增长。

增长的底层逻辑

问一个灵魂拷问:业务为什么会增长?想要增长,首先业务本身不能做得太烂,其次,业务得有足够的发展空间。

在这两个前提下,产生了四种增长的底层逻辑:

  • 不需要对现在做改变,只要单纯的增加投入,就能有更大产出
  • 需要对现在做改变,要把现在某个最弱的环节补齐
  • 需要对现在做改变,要把现在某个最强的做法铺开
  • 干脆不做现在的,找一个更有机会的新领域

一张图可总结如下:

那么,下一个问题就来了:在这个过程里,数据分析能做什么?

数据助力的底层逻辑

问第二个灵魂拷问:没有数据,业务真的就不能做吗?当然不是,没有数据业务照做。你看历史上都是这么做过来的,历史上打仗都是“敌兵无数,杀敌无算”,历史上做饭都是“少许、适量、些许、片刻”,没有数据是完全可以做业务的——只是不知道做得咋样而已。

紧接着就是第三个灵魂拷问:

你更喜欢“敌兵无数”还是“敌兵500人”

你更喜欢做饭“放少许盐”还是“5克盐(盐罐配勺的一勺盐)”

你更喜欢办事情“你再稍等片刻”还是“等15分钟就好”

每个人都更喜欢精确的判断,清晰的结果,喜欢可视化的过程。而这些都是数据发挥的作用。

所以,想做好数据助力,从一开始就得清晰思路,不是指望数据分析师提出一个超厉害的活动策划案,超牛X的产品原型图,而是用数据精确判断、可视化过程、检验结果。最好以产品化形式输出。这样给所有作战部队配地图、配雷达、配无人机,从而提升整体作战能力。

追加投入的分析

有同学开始犯嘀咕了:追加投入,这个业务也会要钱呀,给我50万我做200万,给我100万我做400万嘛。这个还需要分析?

这个真需要分析。因为投入本身涉及好几个类型(如下图),每个类型的投入都能增加产出。

而销售是一个牵一发动全身的动作,投入方向不对,很容易遭遇瓶颈。常见的,比如:

  • 过度投销售,产量不足,导致断货
  • 过度投销售,产量大涨,导致差评/退货/投诉
  • 过度投营销,结果没有直接带来产出,浪费资金
  • 过度投营销,交叉补贴严重,产出不足,浪费严重
  • 过供应营销,积压严重渠道出现瓶颈,没有产出
  • 过度投供应,结果销售端不给力,产品积压严重
  • 销售、营销、供应一起投,结果费用爆炸,资金链断裂

所以,即使一个简单的:追加投入。都得综合考虑多个因素:

  • 目标市场潜力
  • 销售端投入产出比
  • 营销活动的增量效果
  • 供应链扩张能力

这里每一步计算,都需要若干小分析点支持。比如目标市场潜力,要考虑目标用户基数、目标用户购买力、竞品渗透情况、本品牌已覆盖用户比例,这里需要行业分析的手段支持。而营销活动增量效果,又得考虑非活动下产出水平,活动叠加效果,活动对未来需求挤兑效果,活动带来薅羊毛效应(如下图)。

因此,大量的分析工作是必不可少,可不是”给我50,我做100”这种简单拍脑袋。

标杆分析/问题分析

从现有业务中找出标杆/找问题,这套方法是很多同学熟悉的。

  • 如果只看收入指标,就用分层分析法,分出高中低
  • 如果结合收入、成本指标,则做矩阵分析法,筛出表现双优的个体
  • 之后,再用漏斗分析法,找出业务流程里表现最差的环节

问题是:区分出好坏以后,又该怎么操作?

对于标杆而言,要解决的核心问题是:标杆是否真的可以复制。

  • 如果标杆可复制,就把经验推广过去;
  • 如果标杆仅在特定市场环境下才能成功,那就看这个环境哪里还有。
  • 如果标杆是特定的人/商品/渠道才能成功,就直接去找同类型的人/商品/渠道

想判断可复制性,首先得对标杆做生命周期分析+特征分析

站在生命周期角度:

  • 是否标杆初创期有特殊环境
  • 是否标杆发展期有特殊加持
  • 标杆发展是否稳定,还是昙花一现

站在特征角度:是否只有特殊位置/特殊类型商品/特殊生理特征的人,才能够成功。这些情报的收集工作是非常重要的。需要回顾历史数据,收集市场信息,收集历史业务动作。对门店/商品/人打标签,才能做到充分的分析。

问题分析,在找到问题点以后,重要要解决的是:问题是否可被克服。短期内,很有可能许多问题无法改进。因此,是否有问题改进计划,具体改进了哪一点,改进以后效果如何?要做详细的数据记录,这样在多轮次对比中,才能解答:问题是否可被改善。如果能改善,就突破瓶颈,如果不能,得考虑绕开。

发现新机会的分析

什么是新机会点?

  • 某个渠道虽然流量少,但转化率比其他都高
  • 某类客户虽然人数少,但付费能力比其他都强
  • 某个新区域/新品类虽然刚开始做,但增速比其他都快

这些都是潜在的机会点。想找出来并不困难,分层分析+同期群分析就能看出来。

问题的难点是:找出来以后,又怎样?新机会点真的有可能做大吗?现有手段真的管用吗?做大以后是不是利益就被摊平了?统统不知道。所以还是需要更多深入分析。

这里,业务已有策略和没有策略,有两种做法。如果已有策略,则直接监控效果,观察是否越做越大,是否有边际效益递减即可。如果没有策略,则得结合历史情况,做充分的机会洞察。以发现某个用户群有机会为例,得看:

  • 现有的渠道,能获取多少该群用户
  • 哪些渠道该群用户浓度较高
  • 高浓度渠道是否特殊,是否还有可做空间
  • 现有的活动,该群响应率是否足够高
  • 现有的商品,该群用户首购/复购率哪个高

有足够的潜力基数+高响应的商品/活动,才能支撑起“机会点”,如果没有,只能交业务考虑,是否安排测试方案,从测试效果做起。

小结

综上可见,真的想驱动业绩提升,需要数据分析围绕“增长”这件事,鞍前马后做大量辅助工作,结合行业数据,历史数据,当前表现,测试结果,真正解读出增长的关键,积累经验/教训,才能实现。

而很多公司里,所谓数据分析,就是简单地计算个渠道ROI,用城市/门店和销售额做个交叉,看一下谁高谁低,那肯定没啥用。

责任编辑:武晓燕 来源: 接地气学堂
相关推荐

2022-06-05 21:09:47

Python办公自动化

2022-06-28 22:13:33

Polars数据处理与分析

2022-06-15 11:02:40

网络安全运营

2022-06-27 15:25:08

架构模型治理

2022-06-15 08:25:07

Python天气数据可视化分析

2022-06-13 08:00:00

数据湖数据仓库大数据

2022-05-31 06:04:14

2022-05-19 19:26:33

区块链大数据数据分析

2022-06-15 11:04:49

数据建设场景

2022-04-17 23:02:08

数据分析数字化转型人工智能

2022-05-26 21:33:09

业务前端测试

2022-06-28 11:16:36

机器学习数据科学

2022-06-27 23:44:37

云原生云存储云计算

2022-06-21 10:04:25

数据中心智慧城市

2022-05-13 11:24:09

数据美团

2022-06-29 09:19:09

静态代码C语言c代码

2022-06-30 18:17:00

数据集云数据建模计数据仓库

2020-07-22 07:49:14

数据分析技术IT

2022-06-17 09:21:53

Pandas代码透视表

2022-06-16 15:42:16

攻击面管理ASM

同话题下的热门内容

七个好用常见的大数据分析模型数据指标 VS 标签体系,到底有啥区别?终于讲清楚了!大变局!全国房价,跌破万元大关十张图,数据分析如何赋能销售总做描述性统计,深入的数据分析到底怎么做?

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