数据分析,这样满足运营的需求

大数据 数据分析
很多同学在解这个题的时候都直插DAU=DOU + DNU;或者直插观看时间分成1-5分钟,6-9分钟,10+分钟;或者直插直播入口1、2、3。我们说的题眼,是指对解决问题最重要的影响因素。短视频平台不稀罕,直播也不稀罕,可为啥这次运营偏偏挑游戏直播?

​很多做数据的同学,最怕听“有用”俩字。做个数据分析项目已经很难了。做个有用的项目更难。今天我们举个场景,手把手教一下该咋弄。

请听题:某短视频平台,游戏直播业务的日活用户1000万左右,但90%观看时间不足10分钟,运营希望尽可能多的让用户观看10分钟以上,请分析下该干哪些事情。

拿到题目,先不要着急跑数,牢记灵魂三问(自己问自己哦):

问1:这是个啥层级问题?

A.战略级

B.战术级

C.战斗级

问2:这是个啥类型的问题

A.是多少

B.为什么

C.怎么做

问3:当前状态下要输出什么成果

A.给几个数

B.报表

C.专题报告

D.模型

E.  ABtest

到底该怎么办?

一、先定方向

很多同学一拿到题目,脑海里立马蹦出:活跃率、转化率、平均时长、用户画像等等名词外加一大堆指标。这时候一定要告诉自己:稍等片刻。想要摆脱无休无止的临时取数,第一步就是有个做项目的样子。把项目目标、工作范围、输出产物、交付时间这些整明白。然后正式开工。特别是遇到这种运营很头疼的专项问题,这时候不立项,还等何时。先把旗子插起来,再开工。

既然要插旗子,就涉及上边的灵魂三问,这三个问题都是跟项目目标、输出方向有关的。首先,数据分析可以支持的问题有三个层级,区别见下图:

图片

这是个典型的战术级问题。已经定了要提高每日观看10分钟以上用户数量,但是具体怎么做方向都没有,这时候就得先搞清方向,再想细节。第一题答案:B

数据分析可以直接解决的问题有五大类,可以间接解决的问题有三大类(如下图)。

图片

第二题选C。这个问题是个典型的“怎么做”问题。运营要的是具体执行建议,因此就不能光在数据层面缠绕,得结合运营可以干的事情来思考。注意,这个问题连方向都没有,因此落到执行层面,先不要纠结要不要上美女陪玩,代金券是5元还是10元这些细节,要先解决“做哪些”的大类问题。

数据分析的产出物有很多,每一类产出有特定用途(如下图),结合本次目标,最好先输出一个专题报告,大家达成共识以后往战斗层去推进,才容易落地。

图片

二、梳理业务

问4:这个题的题眼在哪里

短视频

游戏直播

DAU

观看时长

很多同学在解这个题的时候都直插DAU=DOU + DNU;或者直插观看时间分成1-5分钟,6-9分钟,10+分钟;或者直插直播入口1、2、3。我们说的题眼,是指对解决问题最重要的影响因素。短视频平台不稀罕,直播也不稀罕,可为啥这次运营偏偏挑游戏直播?

因为游戏直播在业务逻辑上有一些先天优势:

游戏IP天生有粉丝,传播成本低

游戏直播竞技性、观赏性好

游戏打一局时间比较长,用户粘性天生好

可能基于这些理由,运营才会特别盯上游戏直播这块,并且会发出“为啥连10分钟都看不了”的疑惑。

三、构建思路

在构建思路的时候要特别注意:我们面对的问题是由真实的用户产生,数字只是问题的度量。只要玩过游戏的人都知道:游戏玩家是活生生的人,不是1个DAU。他们有明确且真实的需求,玩魔兽的玩家就是对Loktar!很有感觉,玩农药的00后也不太会去关注街霸。

按道理说,玩游戏的粉丝只要能看到喜欢的主播,是不至于瞄一眼就走的。所以看似只是时间不够长,背后原因可能千头万绪(如下图):

图片

如果要一个个研究,估计得忙到黄花菜都凉了。而且作为项目输出,其结论会很分散。既然都立项了,要想办法沉淀些能复用的东西。仔细思考其中的逻辑,我们会发现:其实问题的核心,来自用户、主播、产品三个方面,可以归纳为四大问题:

  • 用户不行
  • 主播不行
  • 产品不行
  • 用户和主播没有匹配上

以上四个问题里三个可以用评估体系来完成。通过建立用户需求、产品质量、主播质量的监控体系,来评估用户、主播、产品到底质量如何,质量是否稳定(举例如下图)。

图片

这样做既能结束运营对基础情况两眼一抹黑的状态,又能为匹配问题打好基础,还能沉淀一套评估方法论和监控指标,甚至有希望上一个小数据产品来做长期监控。可谓一箭三雕。作为项目产出,远远比写一堆PPT价值大得多。

搞掂了评估体系,匹配的问题就很容易看明白:我们要按照用户喜好的游戏类型,有空看直播的时间点来推相关的直播。基于以上分析,下最终结论也变得轻松:

  • 用户质量不行,大部分不是游戏真爱粉——更精准找真实用户
  • 主播质量不行,名气/技术不行,就是不吸粉——签约有知名度强力主播
  • 产品质量不行,用户就是经常跳出——优化产品流程/界面
  • 匹配不行——根据用户和主播标签,提高推送信息准确度,找更容易转化用户的推送时间

以上,基本思路理清楚,后边可以定交付时间、排工作优先级、安排项目组成员,之后就正式开工了。注意:在项目开始前,预先给出结果判断非常重要。有可能上述4个假设问题里,有些运营已有明确结论,有些运营不想改/不能改/不会改,有些运营毫不在乎。

提前沟通能直接绕开这些沟沟坎坎,极大的减少分析完以后被人质疑:“你说的有什么用!”“你说的很好,可这毫无意义”“你说完了我还是不知道怎么干”的问题。保持沟通,在后续项目推进中同样重要。

四、下地干活

订好计划以后就能下地干活了。干活过程中注意:

  • 完成一个议题沟通一次,切记憋大招。
  • 有部分共识以后,不用等全部结束,可以直接往战斗级推进,早日出落地成果。
  • 监控数据变化,如果大形势变化,适时调整方向。

我们常说:好的开始是成功的一半。实际上在数据分析项目里,好的开始是成功的四分之三。大部分项目是败在前期的业务不了解,思路没理清,没有控制好业务方期望上——期望太高,最后失望/期望太低,后期重视度不够。

真正开工以后主要坑点就是沟通太少,憋得太久导致期望值越来越高,最后失望也越来越大。其次的坑点就是推进太慢,落地结果迟迟看不到。所以才强调:不用等全部,有部分亮点出来,该上更细节的分析/策略研讨,就直接上马了。​

责任编辑:武晓燕 来源: 接地气的陈老师
相关推荐

2023-10-11 11:34:54

数据分析运营

2021-02-05 11:36:42

数据业务指标

2021-05-26 11:31:01

数字化

2017-10-11 15:17:05

数据中心容量IT

2023-05-15 12:56:32

运营数据分析

2017-02-09 17:51:18

数据分析数据系统互联网

2022-04-06 17:48:44

数据分析梳理数据业务

2021-11-10 05:00:58

数据分析运营

2013-06-07 09:00:03

大数据分析大数据网路管理

2018-07-26 16:46:44

数据分析用户企业

2021-06-05 18:00:18

数据分析运营

2021-02-07 11:43:03

数据分析项目

2021-04-21 12:05:45

分析数据运营

2020-06-22 17:26:36

数据仓库数据数据库

2021-08-31 10:31:10

Quick BI数据分析工具运营

2018-04-03 13:28:26

UES服务上线

2013-05-17 11:16:53

2019-11-04 18:52:04

Gartner数字化分析

2015-09-29 11:02:44

微信公众号运营

2020-09-10 18:36:09

大数据+医疗
点赞
收藏

51CTO技术栈公众号