事不宜迟,我们言归正传。
一、什么是个好的运营活动?
什么是好的运营活动?活动的目标实现了,实现目标的成本是合适的,即投入和产出都比较高,可以断定这是一个好的运营活动。
1、判断目标是否达成
所有的数据分析都是从某个目标开始的。运营活动数据分析的开始也是要回到开始。我们计划这次活动的目标是什么?
衡量的重点是找到量化活动效果的数据指数,也就是大家常说的“第一关键指数”或“北极星指数”。
北极星指标来源于这个活动的目标。电子商务促销活动中最常见的目标是快速销售商品以推动销售,对应的北极星指标是GMV(订单总额)。
然后,选择合适的比较对象进行比较,判断北极星指数是否达到质变。比如和去年同期的活动对比,或者同量级、类似定位的活动对比。
值得注意的是,由于北极星指标往往受到多重因素的影响,例如,GMV的增长可能不是有效的运营策略,而是市场流量的自然增长。
所以有时候除了看北极星指标之外,还需要把北极星指标拆解一下,以确定与本次活动核心策略最密切相关的指标是否也在拆解后实现了质变。
2、为达成目标,投入产出比是否合适
电商活动中常见的投入成本包括直接的优惠福利补贴,如红包和优惠券,以及广告和KOL明星合作。通过这些投资,可以带来更多的流量和转化,从而促进GMV的销售。
推广活动的最终本质是离不开商业价值的。投入产出比越高,商业价值越高,这也解释了为什么促销活动不直接降低所有商品的价格,让消费者用最简单最优惠的方式购买,而是做优惠券、满减等游戏。
其实核心是让平台和商家以尽可能小的成本获得最大的价值输出。
所以在做复盘活动的时候,也要看获得一定增长的成本,这个成本是不是比过去或者类似的活动要高。
二、怎么通过数据分析找到问题和机会点
在做数据复盘报告的时候,常见的是我们计算出北极星指数是涨了还是迭代了,并给出活动目标是否达到的结论。然而,进一步,老板问,是什么导致了北极星指数的如此变化?很多人往往不能肯定的给出确切的答案,所以需要深入挖掘数据。
1、什么是上卷和下钻分析
在说具体的深入分析之前,我们需要先说一下绕钻分析。简化数据分析中的上滚和下钻,实际上可以转化为逻辑树中的“汇总”和“细分”。比如把销售总额拆分成华南、华中、华北等地区就是下钻,把广州、珠海、深圳、东莞等大城市汇总成珠三角地区就是上钻。
随着维度的向下钻取和向上滚动,数据会不断细分和汇总。在这个过程中,我们往往能找到问题的根源。
2、对北极星指标有选择的进行维度下钻分析
钻孔的思路需要遵循从宏观到微观,一层一层细分的逻辑,但并不意味着每一层都需要显示所有维度的细分数据。有许多维度可以向下钻取。我们需要了解业务本身的特点和这个活动的策略,来决定选择哪些维度进行向下钻取,只需要展示最重要的细分数据。
钻孔的过程并不局限于固定的一个或几个维度,往往是节点的多维组合进行分叉。
分支时,我们往往会选择差异最大的维度进行进一步拆分。如果差别不够大,就不会细分分支。可以产生显著差异的节点将被保留,并继续细分,直到没有差异。通过这个过程,我们可以找出影响北极星指数变化的因素。
以下是电子商务促销活动中一些常见的向下钻取分析维度:
公式反汇编最常见的公式反汇编是GMV=流量*转化率*客单价=UV*UV值。通过对比拆解出来的指标,可以找到带来北极星指标涨跌的关键指标。
以下数据案例表明,导致GMV下降的主要因素是流量UV的急剧下降。接下来,我们可以从流量UV进一步向下钻取,看看哪些渠道的流量来源出现了大幅下降。
按渠道/流量源分解
渠道是流量的来源,站内自然接入流量,站外微博/微信/头条/网易等渠道,裂变分享流量。通过对比各个渠道和整体市场的数据,可以找到影响某个指标的关键渠道。
如果发现某些渠道显著提高/降低关键指标,我们可以进一步深入分析该渠道。在下图所示的案例中,APP终端站中的关键指标被上调,而微博频道中的关键指标被下调。
由终端反汇编
常见的终端拆分,如IOS/Android、APP/M/PC/ applet、设备型号等,可以通过比较不同终端对整体市场的贡献,以及不同终端的数据指标横向比较,找出影响一个指标的关键终端。在下图所示的案例中,APP -IOS提高了关键指标,而M端降低了关键指标。
按时间/周期分解
在电商活动中,不同的促销方式往往以不同的时间节奏进行,比如预热/高潮/回归。如果有这样的分阶段策略,可以将数据按照周期进行分解对比,找出某个数据指标下有显著高/低的周期。
除了周期之外,通过时间序列维度(月、周、日或小时)进行分析,找出影响关键指标的特殊时间点,然后检查该时间点的流量质量、分时运营策略、产品选择、页面设计等是否存在差异,并调查影响关键指标的可能因素。
按业务/类别分解
这个维度往往偏向于从运营/采购和销售的角度出发,侧重于某个业务/品类对关键指标的产出,需要结合具体的产品选择和库存策略来分析是否有效。
当类别数量较多时,可以参考下面的帕累托模型来观察数据。主要观察点是结合每个品类的库存水平和曝光度来判断变更后的品类是否带来了相应的销售产出。如果低了或者高了,就值得特别关注,然后我们就可以据此优化备货和曝光的策略。
按功能模块反汇编
这个维度与页面设计的相关性最强,涉及到页面内容框架的安排和各个模块的功能。信息展示。我们可以围绕北极星指数或其拆解指数来观察各个模块(楼层)对指数的贡献,特别关注前面曝光大但贡献小(投入产出低)和后面贡献相对大(投入产出高)的模块,进一步探究原因。
按用户组分解
传统的人口分类包括人口统计信息,如性别、年龄、婚姻、地点以及新老用户。值得特别注意的是,有些活动会进行更精细化的用户分组运营,比如根据银发、Z时代、小镇青年等特殊人群制定差异化策略。
具体来说,应该选择哪个人群维度进行下钻,首要的参考因素是活动策略中是否有针对这个维度的差异化运营。前面提到的策略中,有按照用户群体的精细化运营,所以一定要按照这个维度往下钻,看每个人群策略是否有效,是否带来北极星指数的增长。
其次,这个维度下的人口数据差异是否足够大,未来我们是否有资源在这个维度上做出努力。比如一个活动中女性用户比例显著较高,但贡献的GMV却显著较低,那么我们可以尝试进一步深挖女性用户,判断是否可以利用现有资源推动女性人群的销售转化。
人向下钻取的方式可以更细致(需要有足够的数据源支持)。除了直接比较不同人群之间的核心指标,还可以针对某一人群分析前后链接的行为路径漏斗和购买偏好特征,结合定性研究,探讨这一人群可能遇到的问题和未来可以进一步撬动的机会。
3、还可围绕关键维度,结合其他维度进行交叉分析
完成多维度的钻取分析后,还可以尝试对一些特别重要的维度进行多维度的交叉分析。
比如用户性别和渠道交叉,可能会发现微信和微博渠道的男女用户存在差异。如果把类别和时期交叉,可能会发现不同的时期更适合不同特点的类别。
但是需要有一个预期,这一步目前在实践中可能比较难。
一方面,对数据提取和处理的需求很高,需要专业的数据分析师投入更多的精力来支撑;
另一方面,相交对象的判断需要足够的业务敏感度和行业经验,首先需要对当前形势进行一轮深入思考,观察到一些迹象/推断出某两个因素极有可能相关。
否则可能会有大量的时间和资源花在交叉分析上,却得不到实际的结论。
4、过程指标也不可忽视
为什么我们应该关注过程指标
数据指标可分为结果指标和过程指标。过程指数是对产生某种结果的中间过程环节的衡量。结果指标往往来源于活动的业务目标,用来衡量业务目标是否已经实现,更多的时候是在某个阶段结束后,会重新记录数据。
比如在促销活动中,销量、订单量是结果指标,而带来这些订单的层层访问流量、点击量、购买量、支付成功量是过程指标。
但在日常的数据跟踪中,更有价值的是根据当前的数据情况及时做出调整,确保结果指标达到预期。
这时候过程指标就更重要了,因为结果指标只是结果,但是过程指标可以追溯到详细的问题环节,指导这个环节的优化,带来结果指标的提升。
如何找到流程指标
过程指标可以从项目执行的响应关系和用户的接触路径中总结出来。比如一个大的促销活动,会涉及到很多环节,比如活动页面策划、产品购销、营销推广、用户对活动的了解、订单支付、物流配送、客户服务等等。通过对整个活动中的涉众和行动项按时间顺序进行梳理,可以挑出与你的角色强相关的环节及其对应的流程指标。
如何使用流程指标
过程指标最重要的用途是实时跟踪和监控,以判断其健康状况。准则可以是同时业务的数据规律是什么,当前的进步阶段是低于还是高于常规情况,并据此做出战略决策。
比如以前618的规律是6月1日凌晨有一波流量爆发,这次就不明显了。需要检查各种渠道是否正常投入运行,是否需要及时增加预算投入。
5、对细化的具体策略做验证
这一步是每一次数据分析必不可少的一步,会相对更简单直接。主要思路可以参考之前数据系列文章介绍的OSM(目标-策略-验证)模型,根据现象选择合适的测量指标,然后对策略前后的数据进行对比分析。
我就不细说了。
三、几个需要避免的点
1.一切数据都来源于数据库,对其他数据无视(外部数据、调研等)
数据库里的数据往往不能反映所有的量化需求,比如用户在这个活动中是否下了订单,而是他的购物体验是好是坏,他以后是否愿意继续参与这样的活动,和朋友相比他的感受如何。对于这类问题比较合适的方式是找典型用户进行深度访谈,或者进行广泛的问卷调查。
2. 不加选择的进行数据分析
数据分析的角度很多,不同的分析角度适合不同的分析目标。我们应该围绕目标问题选择合适的分析维度,而不是按照脚本运行所有的维度。
而且有些环节得不到高质量的数据,有时候需要做决策,宁愿不做这个分析,以免因为数据不准确而做出错误的决策。
3. 先有目标结果,再进行数据分析,报喜不报忧(仅为了汇报)
在一些报告场景中,为了方便上级快速得出结论,往往不显示详细的分析过程和细节,而是选取关键结论形成报告。
作为记者,我常常不自觉地报道好消息而不是坏消息,优先表现好的业绩,忽略或跳过一些复杂困难的问题。从长远来看,我可能会被说服不去关注现存的问题。
4. 数据并不能解答所有的问题,对业务的理解和思考有时更重要(研究业务本质问题比研究KPI指标更重要)
在大多数数据分析场景中,KPI数据往往是大家最关注的。一旦下降,问题数据链就会通过维度的不断钻取来定位。这时候从KPI的角度去思考如何解决问题环节来提高KPI,然后工作就结束了。
这种模式带来的弊端,会让人过于迷信数据,思维懒惰,做出不如未雨绸缪的事情。
有时候,数据问题背后的问题并不能简单用现状来解释,而是需要人们跳出现状,去看待行业的发展,去研究市场趋势,去了解用户的心理。
所以,除了看数据,大家还需要有时间去思考和探索业务的本质。
客服微信:(181628402)本文链接:https://www.n5w.com/439126.html