数据化运营7大经典思路

1. 分解思路

做互联网运营的数据分析,首先就是学会“分解”。将数据分解,将问题分解。所有的数据都可以层层向下分解,找出更多的“子数据”,通过对子数据的挖掘和优化,往往能逐个击破,找到方向,提升最后的“关键指标”。这个重要的思路也贯穿了本文章下面几乎所有的内容。很多时候我们找不到努力的方向,往往是分解的能力还不够,只盯着最后大的成交额指标不放,不去挖掘这个指标下面的相关因素,而这些因素就是所谓的细节,做好了,就成为“极致”。

分解思路还有一个好处是可以帮助运营更好的分工,进行组织架构的优化调整。使员工更专业,更聚焦到某一块业务上,从而培养出一个细分职能的专家,当每个细分职能都有专家时,又会反应在运营细节的完美上。

2. 追踪思路

运营的问题,是追踪出来的,不是一次就看出来的。所有的数据都是靠积累和沉淀才能发现问题,单一的数字没有任何意义,只能称为 “数值”。比如一个店铺今天的流量是2000,转化率1.5%,成交额3000 ,好还是不好,进步还是退步了,不知道。只有放到近1周,近1个月,甚至是近1年的数据中,组成线性的趋势去研究,才能找到“问题”,这个时候的数据才是有意义的。

所以,无论到哪一个阶段的店铺,都要养成一个每日积累数据的习惯,我们知道淘宝后台会有成熟的数据产品,会给你看一个趋势和历史数据,但这个远远不够,需要把所有数据都摘录到自己的数据库中,结合不同数据维度去综合分析问题,建立追踪机制,也就是下面讲的“结合思路”。中型以上的电商都会有一套自己的数据管理模式,对重点指标进行监控,以保证及时定位到问题作出相应决策。

比如下方某电商用FineReport搭建的数据决策系统。

3. 结合思路

单独追踪一个数据的会比较“片面”,得出结论甚至是错误的。因为所有电商的核心数据在一段时间内,具备偶然性和关联性的。

偶然性是指,可能某一天,转化率突然降低,比日常要低很多,这个是非常可能发生的。于是,所有人都惊慌失措,找到转化率相关的因素,看产品详情页的设计,产品的价格,找客服聊天记录,“优化了”整整1天详情页的设计,使产品价格更低了,售前客服被整顿了。最后发现一切照旧,还浪费了1天时间做了很多无用的工作。

关联性是指,大部分指标都是具有关联性,正相关或者负相关,转化率突然的降低,最后发现是在昨天流量突然暴涨,再看看流量来源,大部分来自于推广流量,不精准,但人多。

所以,追踪数据一定是多个维度一起看的,一般来说,转化率和流量是负相关的,流量暴涨,转化率就会下降;转化率上升,客单价就会下降。(大型促销活动除外)

但是,追踪了数据,多个维度结合了来分析数据,结论依然可能会不准确,原因在于,这2个思路都是在和“自己比”,我们还需要进行“与其他人对比”。这就是下面介绍的“对比思路”。

4. 对比思路

对比就是和其他人比。这个其他人一定要选择“合适的”。可以是与自己品牌定位相似的店铺数据,也可以是同行业中做的比较好的店铺数据。最具有可比性的还是跟自己“同层级”店铺。通过对比,才能发现自己差距到底在哪,找到优化的正确方向。

实际案例,之前做微波炉产品,销售量一直不如竞争品牌—格兰仕,然后去分析数据发现流量差很多。于是加大了展示类(钻石展位,CPM)和竞价类(直通车,CPC)广告的投入,却发现收效甚微,甚至牺牲了大部分利润。最后我们拿着同类型的一个产品,做了深度对比分析,发现流量来源中,自然搜索相差比较大,才发现是品牌认知的问题。于是推动品牌商着重于对产品品牌的打造。

5. 节点思路

节点思路就是将大的营销事件作为节点单独标记,数据剔除出来单独进行分析。在日常运营中,营销活动对数据影响还是非常大的,尤其是突然参加了淘宝官方的活动,比如聚划算等,会让某几天的流量,转化率,成交额飙升,这个时候我们再将这些数据插入到日常运营数据分析中,就会引起“失真”,影响对店铺日常运营优化方向的判断。

6. 锚点思路

锚点思路有2层含义,第一个含义是在做业务数据分析中,当存在多个因子影响一个数据指标时,只留一个因子做变量,其他因子保持不变,然后测试这个因子对于最终指标影响的程度。比如,下面会讲到的转化率,有6个因子与之有关,但每个因子对于转化率的影响又不相同,这个时候,需要进行一个小测试,保持1个因子变动,其他5个不变,放到市场中实际销售,最终得出这个因子与转化率的具体影响关系,以便后续做更多优化。

第二层含义是产品竞争力层面。通过锚点策略可以让用户更快速的做决策,使产品销售的更好。比如,A和B两个店铺经营同一个品牌,这个品牌下面有1号和2号产品,这个时候,A店铺与B店铺沟通,A主力卖1号,B主力卖2号,这时,A可以把2号产品价格标高,以便帮助B店铺做价格“锚点”,让用户知道B店铺2号产品确实有价格优势,这样用户决策将加快。A店铺也同理。

7. 行为标记思路

行为标记法,就是将大动作的优化,大的项目上线及时标注在数据报表中。以便在后面通过数据检验是否是有效。因为大部分的优化导致的结果,都是“滞后”的,也就是说,一个大的优化动作,可能在1个月后才能体现出来效果,甚至是半年后才会有效果。当然,也有些优化动作是即时的,比如宝贝标题对于搜索结果的影响。无论怎样,在运营过程中我们要明确的知道,哪些事情是花费了大量时间有效的,哪些是无效的。

之前我们做产品包装优化,用了1个月与品牌商沟通,品牌商再通过各种测试,实验,采购新的包装材料,2个月后我们给用户发出的货就都是新包装的产品了。但是,在采用新包装产品1个月后,退货率只是缓慢下降,到第2个月后才明确的在财务表中提现,因破损造成的退货下降了很多,用户体验好了,再1个月后回购率也提升了。进而提升了整个店铺销量和好评率。

以上7种思路是数据分析基础,下面将落实到具体每个运营指标的优化,你将看到所有指标都被7种思路的某一种或某几种所贯穿。有了这样的分析思路,无论做哪一块内容,都将快速的找到核心问题,进而再找到解决问题的方法。

时间: 2024-10-18 01:25:17

数据化运营7大经典思路的相关文章

蔡先生论道大数据之(十五) :什么是数据化运营?

数据化运营讨论(1) 近现代营销理论代表思想是4P理论,4P是指产品.价格.渠道.促销,它的核心是产品,其他要素都是围绕产品这个核心来的,进入21世纪人们又提出了4C的营销理论,包括消费者.成本.方便性.沟通交流,它的核心是用户是消费者,一切以消费者为核心,这也是目前大多数企业市场营销战略核心思想. 社会在进步,4C理论之后来到了大数据时代,所面对的行业状况是,白热化的市场竞争,越来越严苛的营销预算.堆积如山的海量数据,迫使企业寻找更加适合的营销思路和方法.目前行业主流的理论是3P3C,包括概率

如何搭建数据化运营知识体系

数据化运营的概念随着大数据时代的到来被炒得越来越火热,提到数据分析.数据运营让很多产品经理.运营新人觉得瞬间高大上很多.随着数据概念的火热,如增长黑客.GrowingIO等一系列的数据分析指导产品增长的书籍.产品变得越来越受人追捧. 对于互联网行业来说,无论是产品经理还是运营,都需要具备一定的数据运营能力,本文将帮助没有数据化思维的小伙伴搭建基础的数据化运营体系. 本文会按照上图中的数据化运营业务流程进行分析,从明确目标.数据指标制定.数据获取.数据分析.形成策略.验证优化这六个方面来搭建数据化

入行人工智能十大经典书单

2017年最热的关键词 属于人工智能 .深度学习.何时才能实现真正的AI(强AI或人工通用智能,简称AGI)?真正的AI必须像人类一样完成学前班.小学一年级.二年级等一系列学习过程,一直到大学毕业,然后应聘计算机程序员岗位,像人类软件开发人员一样编写程序.接着,心满意足的雇主就能成百上千地克隆经验丰富的AI程序员了.最终,智能机器人将完成我们允许其完成的所有工作. AI机器人的智商应该达到多少?人类智商的100-150.1000.百万还是十亿?这是一个大问题.一旦我们可以创造AI机器人,就应该能

2.数据挖掘概述——《数据挖掘与数据化运营实战》

2.1 数据挖掘概念 数据挖掘(Data Mining)是知识发现(KDD)的核心部分,它指的是从数据集合众自动抽取隐藏在数据中的那些有用信息的非平凡过程,这些信息的表现形式为规则.概念.规律及模式等.总体来说,数据挖掘融合了数据库.人工智能.机器学习.统计学.高性能计算.模式识别.神经网络.数据可视化.信息检索和空间数据分析等多个领域的理论和技术. 2.2 统计分析与数据挖据的主要区别 相对于传统的统计分析技术,数据挖掘有如下特点: 数据挖掘擅长处理大数据,尤其是几百万行甚至更大的数据. 数据

3.数据化运营中常见的数据分析项目类型——《数据挖掘与数据化运营实战》

3.1 目标客户的特征分析 在目标客户的典型特征分析中,业务场景可以是试运营之前的虚拟特征探索(来源历史数据模拟推测),也可以是试运营之后来自真实运营数据基础上的分析.挖掘和提炼,两者目标一致,只是思路不同.数据来源不同而已.另外,分析技术也有一定的差异. 3.2 目标客户的预测(响应.分类)模型 这里的预测模型包括流失预警模型.付费预测模型.续费预测模型.运营活动响应模型等,其中涉及的主要数据挖掘技术包括逻辑回归.决策树.神经网络.支持向量机等.没有哪个算法在任何场景下都总能最优胜任响应模型的

数据挖掘十大经典算法

一. C4.5  C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3 算法.   C4.5算法继承了ID3算法的优点,并在以下几方面对ID3算法进行了改进: 1) 用信息增益率来选择属性,克服了用信息增益选择属性时偏向选择取值多的属性的不足: 2) 在树构造过程中进行剪枝: 3) 能够完成对连续属性的离散化处理: 4) 能够对不完整数据进行处理. C4.5算法有如下优点:产生的分类规则易于理解,准确率较高.其缺点是:在构造树的过程中,需要对数据集进行多次的顺序扫描和排序,因而导

多线程十大经典案例之一 双线程读写队列数据

本文配套程序下载地址为:http://download.csdn.net/detail/morewindows/5136035 转载请标明出处,原文地址:http://blog.csdn.net/morewindows/article/details/8646902 欢迎关注微博:http://weibo.com/MoreWindows 在<秒杀多线程系列>的前十五篇中介绍多线程的相关概念,多线程同步互斥问题<秒杀多线程第四篇一个经典的多线程同步问题>及解决多线程同步互斥的常用方法

数据挖掘领域十大经典算法初探

译者:July   二零一一年一月十五日 ----------------------------------------- 参考文献:国际权威的学术组织ICDM,于06年12月年评选出的数据挖掘领域的十大经典算法:C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes, and CART.==============博主说明:1.原文献非最新文章,只是本人向来对算法比较敏感.感兴趣,便把原文细看了下,翻译过程中

秒杀多线程第十六篇 多线程十大经典案例之一 双线程读写队列数据

版权声明:本文为博主原创文章,未经博主允许不得转载. 目录(?)[+] 本文配套程序下载地址为:http://download.csdn.net/detail/morewindows/5136035 转载请标明出处,原文地址:http://blog.csdn.net/morewindows/article/details/8646902 欢迎关注微博:http://weibo.com/MoreWindows 在<秒杀多线程系列>的前十五篇中介绍多线程的相关概念,多线程同步互斥问题<秒杀多