“做分析不能光罗列数字,要有有深度的结论!”


这是很多公司对数据分析师的要求。然而到底怎么做才有深度?除了罗列购买人数、购买率等数据,到底还能分析啥?今天结合运营的例子,具体讲解下。



一、从最简单的场景入手


设想一个最简单的场景:全场5折!件件五折!样样五折!作为消费者,我们最喜欢这种简单粗暴又实惠的方式。


但是站在运营的角度看,这样有啥问题呢?因为消费者不止一类人,每个企业面对至少四类消费者,并且其中陌生人才是大多数(如下图)。


运营数据分析,怎么做才有深度?_数据模型运营数据分析,怎么做才有深度?_数据_02


单纯地打折,导致的结果就是经营盘子越做越小,销量可能维持在一定水平,但总利润是越来越低的。


如果数据分析师不懂得背后的运营逻辑,只是单纯陈列数据的话,那么就会啰嗦一堆:“购买客户数XX人,购买金额XX万,较上月下跌x%……”


但这些都仅仅是现象陈述,这里的深度问题是:手段粗暴,缺少引流。如果一个企业的运营只会这么干,那历次打折叠加的效果更明显(如下图)。


运营数据分析,怎么做才有深度?_数据分析师_03运营数据分析,怎么做才有深度?_数据模型_04


所以,想解读数据更深入,需要以下两者缺一不可:

1、理解运营基本逻辑

2、用数据佐证逻辑


二、从简单到复杂


为了改变这种简单粗暴的做法,人们自然会想到:拆分人群来做。最直观的拆分是把新用户和老用户区分开,做不同策略。如果不考虑运营逻辑,数据分析师会本能的给出三个分析基本思路(如下图)。

运营数据分析,怎么做才有深度?_运营_05


运营数据分析,怎么做才有深度?_运营_06


但注意,当策略有了组合的时候,就会有叠加效应,因此引出三个更深层的话题:


1.单个策略执行是否有效

2.两个策略之间,是否有衔接

3.整个策略组合,成本是否失控


这三个问题是由小到大,逐层解决的。



三、单个策略优化


以获取新用户举例,设想一种最简单粗暴的方式:新用户首单1元买商品。优惠力度大,简单粗暴,作为顾客的话我们人人喜欢。


但是站在运营角度,这么简单的活动,都至少有五个部分组成(如下图)。


运营数据分析,怎么做才有深度?_数据分析师_07运营数据分析,怎么做才有深度?_数据_08


如果孤立地只看一次活动,那么作为数据分析师,肯定只能得出:曝光量XX万,引导注册X万,购买人数X万这种没有结论的数据。


但是把所有活动,按照策略目标编织成活动组,就能进一步发现问题(如下图)。


运营数据分析,怎么做才有深度?_数据分析师_09运营数据分析,怎么做才有深度?_数据_10


这里能反映出很多更深层的问题:


1.单一活动,没有做过优化

2.做优化毫无章法,无法有效积累经验

3.做优化仅仅优化某个部分,放弃其他动作


简单来说:运营自己没有本事做,瞎胡乱改,东抄抄西抄抄。如果这种状态也能出业绩,那就只能证明:大环境真的很好。如果没有出也是理所当然的。


还有另一种情况,就是优化了若干版本以后,发现:一个渠道的新用户数/转化率是有上限的,至少在目前的文案创作能力+商品+优惠政策下,是有最大限额的。


如果能证明这一点,也能得出一个更深层结论:需要新开渠道,支持更大的业务目标。这样的结论,也能避免数据分析师被人揪着不停地问:“为啥就分析不出更多优化点了”——它可能真的就只有这么多。



四、两个策略衔接


还拿上边的例子,当新用户完成首单以后,已经有了注册信息和首次交易数据,就能做更多分析,也能导出更多策略。


注意,在运营角度,这里的很多策略是固定可做的,根本不需要做分析也知道能做,数据分析支持的,仅仅具体的做法以及数量(如下图)。


运营数据分析,怎么做才有深度?_数据分析_11运营数据分析,怎么做才有深度?_数据_12


此时,除了简单地输出:复购率、复购人数、复购商品量等等数据以外,将两个策略结合来看,能看出更多深层次问题(如下图)。


运营数据分析,怎么做才有深度?_数据模型_13


为什么用户不复购?如果直接问数据分析师,估计能把人问傻,但结合之前新人阶段策略以后,就能得出更深层分析结论:

1.因为根本没有策略承接这一群新人

2.有策略,但是过于单一,未结合消费习惯

3.有策略,很多样,但缺少培育,就知道收割

4.有策略,有培育,但时机不对,太早/太晚

这些结论,是需要把前后策略连起来看,才能深入发现的。



五、多策略管控


当策略越多,策略之间的相互影响越明显。此时运营会有两个明显的倾向:


第一类:各部门各自为战,拉新、复购、高价会员一个小组一套策略,营销费用疯狂燃烧。


最简单的例子:负责拉新的部门为了自己的考核数据好看,在拉新的时候多塞了几张优惠券,优惠券又有3个月有效期。结果等第三个月负责复购的部门来做活动的时候,用户莫名其妙又多拿了几张券。


最后的结果,要么是羊毛党把券都用掉,薅个痛快。要么就是用户挑了优惠最大的券用,总之,得有个部门郁闷:“为啥我的券没人用??”


这些问题,在单一的活动复盘里很难讲清楚,但把所有活动围绕活动编织成策略组,就看得很清楚。能及时发现活动间堆叠,能基于每个用户计算清楚到底投放成本去到多少(如下图)。


运营数据分析,怎么做才有深度?_数据分析师_14运营数据分析,怎么做才有深度?_数据_15


第二类:各种动作混为一谈,又要用户看直播,又要用户下载APP注册,又要玩游戏,最后才能得个可怜巴巴优惠券。


这种情况根本不需要举例,现实生活中太多了,而且经常是操作越整越复杂,优惠越给越少。一个基本的常识就是:流程越长,流失越多。看似面面俱到,实则面面俱废。


此时作为数据分析,除了给到这个巨复杂的流程数据以外,还可以把这个巨复杂的流程,对应回基础用户数据,看看丫实际覆盖了哪些人,到底激活的是谁,这样就能把大而无用的问题暴露出来。



六、小结


在数据分析领域,一直以来都有拿着锤子找钉子的不良习惯。今天书本上讲了逻辑回归模型,所以逻辑回归能怎么用到业务上,快给我一个逻辑回归业务,谢谢。


可如果真的理解了数据模型的本质,你会发现:数据模型本质上是点试的输出。比如逻辑回归,它就只有一个二分类结果:是/否,没了。比如线性回归,它就只输出一个连续型的数字,没了。


而具体到运营工作上,运营的工作是链式,是交织在一起的,是一步步迭代的。因此不可能指望一个点试的结果解决问题。即使预测出来一个人不消费,又怎样!


  • 要在哪里接触到他?
  • 要投什么商品吸引他?
  • 要几点几分推信息?
  • 推送了他不点击咋办?
  • 你确定推的文案他看得懂?
  • 对手搞了更大力度优惠,又怎么办?


这些一系列的问题,都不是靠着一个数据模型预测出来的,而是先要把运营策略梳理清楚,编制分组,理清内部逻辑,才能结合数据,发现盲点,从而找到更深层的原因。


这里又延伸出另一个问题:如何从运营方案的语文描述里,总结出一个数据可以分析的逻辑出来。感兴趣的话,关注接地气学堂公众号,我们下一篇分享哦,敬请期待。

​作者:接地气的陈老师,微信公众号:接地气学堂、码工小熊。十年资历的数据分析师,推出的数据分析系列课程,已有逾2万学员。