数据驱动增长,我立了个大功

大数据 数据分析
需要数据分析的能力更高。但往好处看:这是数据分析师建功立业的最好机会!想想看,项目组一般都是按项目效益拿提成,凭什么数据分析师要背着锅领死工资呢。比起坐在后台等着别人来问:“你来个人工智能大数据精准预测一下”,能亲手做出好的结果,不是更有吸引力吗。​

数据分析想立功,难在哪里

数据分析想立功,核心难点在于:立功的事是别人办,出事的锅却是自己背。特别在增长问题上。用户最后注册的页面是产品经理设计的,购买的产品是商品运营选款的,使用的优惠券是用户运营发的——是滴,直观看起来,这跟数据分析一毛钱关系没有。庆功的时候也是这些人冲在最前边。

但是,万一注册的人不够,购买的人太少,用券跟没用一样。这些人会异口同声地说:

  • “我们的用户画像太过粗糙”
  • “我们的数据预测不够精准”
  • “我们的ABtest不够严密”
  • “为什么不能提前分析出来!”

你一张嘴对抗他们三张嘴,怎么辩解都是输。

所以,往往我们看到所谓用户画像,ABtest,预测模型,要么就是那些顺风顺水的大厂在说,要么就是当产品准备卖给乙方的甲方在说。一但大形势不好,过往吹得再厉害的模型、画像、测试统统都不管用了。

问题的核心,在于:数据分析不能孤立在增长项目以外,像个街边摆摊算卦的半仙一样,等着业务甩任务过来。

“大师你看看我这命数咋样”

“你精准预测下用户响应情况”

这两句话没有本质区别,都是放弃了主观能动性,指望靠计算得出结果。数据分析要和业务并肩作战,打包成一个项目组,才有彻底脱离苦海的机会。

而增长实验,刚好满足这个要求。并且,它对业务方也是一个解脱,最有可能达成双赢局面。

增长实验是什么

增长实验,重点在“实验”。这么叫,主要是区别于以往做增长“大干、快上、跟风走”的搞法,真正落地小步迭代。增长领域是时髦名词最多的领域,“私域流量,直播带货,圈层营销”总之隔三天一个新词冒出来。与新词一起出来的,是各路神仙吹嘘“我是如何0投入增长100万用户的”。

在这种背景下,业务部门的压力是很大的。

不做,被老板批跟不上时代

做,投多少,做不成咋办,都不知道。

因此,为了避免被领导们过高的期望压死,在传统企业做数字化转型的时候,业务部门开始大谈增长实验:咱做实验,一步步来。搞出来个增长实验做法。这个概念和互联网公司谈的增长团队,本质上没啥区别。但是传统企业更重现实效益(销售收入,利润)的考核,因此在做法上更效益导向。

第一步:清晰实验定位

做Abtest的时候,要先考虑流量。而业务部门做增长实验,先考虑的是:“到底这个实验对公司意味着什么”以及“为了这个期望,我得投多少钱,多少人”。没钱、没人,谈啥增长。 

图片

                            

清晰了定位以后,是落实具体的增长目标。要注意,互联网企业和传统企业在设定目标上完全不同,大部分互联网企业都是圈钱过日子,因此能采用类似“活跃用户人数”这种很虚的指标做目标,能写进融资ppt就行。

传统企业还指望挣钱度日,因此设太虚的指标,在考核的时候会直接被判死刑。即使要设类似“新会员数量”这种指标,也要捆绑一个“新会员总销售收入”这样才牢靠。

第二步:设定待实验的增长路径

这个路径有四条(如下图):

图片

这一步非常关键。历史已经反反复复地证明:越是指望毕其功于一役,越是输得裤子都不剩。最近最见到的,就是传统企业跟风上直播带货,又给折扣,又吐爆款,又砸坑位费,最后亏得底掉。因此在设计策略的时候,尽量清晰每一个策略的逻辑,才更适合循序渐进,总结出经验。

第三步:观察实验结果

对单次试验而言,数值并不是最终的结果。因为业务更多期望通过实验探索出一条道路来,因此,得把实验数据,解读成业务可用的结论。

增长效果要回答五个核心问题:

1、业务流程是否能跑通,是否有设计缺陷。

2、流程能跑通前提下,第一次试验,是否达到预期。

3、第一次试验达到预期的前提下,第二次是否可复现

4、第二次可复现前提下,第三次是否有边际效益递减

5、边际效益递增/递减的前提下,峰值/谷底在哪里

实验结果,很可能呈现以下四种效果:

图片

根据实验效果来调整后续工作,好的措施继续用,不好的措施废弃,积累经验,这样就能推动业务越做越好。显然,这种做法还没有大面积地推广起来,还有很多企业停留在:拉起一面横幅《大干100天,数字化转型必须完!》然后网上时髦啥(阿里的人吹了啥)就照吵啥的原始阶段。相比之下,当然是条理清晰一步步走的增长实验要更靠谱。

增长实验与数据分析

明眼人一眼就能看出:这套玩法是高度数据驱动的。

图片

几乎每个环节,都需要大量数据分析介入,这样才能导出正确的结论。同时,这样做对数据分析师的要求也提高了.

第一,要有能力把控大局,对整体业绩发展有自己判断。而不是傻乎乎问业务:目标是多少?

第二,对业务逻辑有拆解能力,能把复杂的业务标签化,从而细致分析每一个改进点(如下图)。

第三,对无法实施分组对比的情况下,如何剔除季节因素,客群属性差异等分析能力有要求。(这一点很常见,比如普通一个企业要玩私域流量,玩微商城,玩裂变,玩线上引流,玩企业微信+个人微信,是根本没法获取大量用户信息,再按属性分层抽样再分AB组的,只有大流量高粘性的平台才玩得起)。

图片

因此,需要数据分析的能力更高。但往好处看:这是数据分析师建功立业的最好机会!想想看,项目组一般都是按项目效益拿提成,凭什么数据分析师要背着锅领死工资呢。比起坐在后台等着别人来问:“你来个人工智能大数据精准预测一下”,能亲手做出好的结果,不是更有吸引力吗。

责任编辑:武晓燕 来源: 接地气的陈老师
相关推荐

2022-05-11 11:33:53

数据分析业绩业务

2022-07-12 14:59:08

大数据商业数据驱动

2020-06-19 15:56:42

SAP智慧创新特斯联

2013-01-04 14:00:35

SaaS数据驱动软件

2020-11-19 06:49:07

电信业物联网IOT

2021-04-27 14:32:00

加密货币区块链大数据

2016-07-27 17:06:50

数据运营数据分析Growth Hack

2017-03-10 10:29:39

大数据

2015-04-23 16:06:05

大数据

2020-02-19 00:03:27

物联网IOT物联网应用技术

2016-10-10 13:17:21

数据分析数据驱动用户分层

2015-07-08 17:39:10

公有云数据中心IT基础设施支出

2018-05-04 06:56:55

边缘数据中心模块化数据中心

2014-04-02 11:37:12

云计算大数据甲骨文数据库

2022-09-02 14:01:40

Cloudera大数据

2022-12-02 13:59:34

点赞
收藏

51CTO技术栈公众号