資料驅動精準化運營
編輯推薦: |
本文來自於人人都是產品經理,本文介紹瞭如何進行資料的驅動精準化運營,通過案例來進行剖析,包括使用者的畫像、實時的資料監控,希望對您的學習有所幫助。 |
之前我一直在從事運營的工作,所以今天就和大家從運營的角度看一看資料。今天我的分享分為四個部分。
01 什麼是資料驅動的精準化運營
什麼是運營
我們首先來看一下什麼是運營,就是產品上線以後的拉新和復活,現在朝著商業化方向走,成為一個完整的運營鏈條,就是把產品玩轉,最終實現商業化。
原來BAT時代更多的是線上產品運營,包括滴滴和58這些企業的興起,然後慢慢地開始從線上到線下延伸,這種運營的範圍和物件就有了變化,產品可能只是運營的一個部分,可能先有一個業務的線下運營,然後慢慢地轉變為線上,運營的物件和資料的複雜度也在慢慢地擴充套件。
資料如何驅動精準化運營
關於資料的展現運營效果,可能有過運營經驗的朋友都知道,運營都是用一些指標來限定的,比如轉化率和復購率,每一個環節都是資料的展現。我們把這些資料逐漸積累下來,展現並在歷史記錄當中互相比較,橫向也會有更多這樣的業務,這個就是資料展現的層面。
另外就是資料程式化,我們會有不同的運營方案,通過做小流量的測試,最終決定我們的策略和使用的方案。
後面就是資料的挖掘,可能就是基於資料的積累,通過這種資料的積累來做關聯的挖掘,不斷地擴充套件我們業務的型別和策略。滴滴早期在做出租車業務的時候就是非常雷同,都是分單派單的模式,在平臺補貼,但在這種非常雷同的情況下怎麼來突出自己的優勢?最終就是效率和資料運營,通過資料的抓取我們看到一個地方各種各樣的資訊,然後配備不同的策略,體現出來我們運營的優勢,這些新的使用者進來可能會拉動更多的訂單。
資料的精細化運營可以帶來什麼效果?主要可以體現在三個方面:首先是對運營策略的優化,下一步就是通過什麼樣的資料來優化。另外就是在做決策的環節需要資料,還有就是我們的預測,使用者畫像通過使用者屬性的對比,我們在大市場當中找到這樣的使用者,然後精準地使用我們的拉新工具。當然,使用精細化運營之後我們企業毛利的增值水平會在百分之六左右,這是一個行業資料。
02 如何利用資料驅動精準化運營
資料驅動精準化運營的關鍵點
如何利用資料驅動精細化的運營?資料的內控上面有幾個關鍵點:
第一是屬性的定義,包括物件的年齡、性別、職業和收入水平,這些都可以反映一個使用者的流量。
第二是地域的特點,包括很多和O2O相關的企業,每個地方的使用者特點可能都是不一樣的,我們在成都的時候拼車率就特別高。
第三就是運營的內容,不同的內容都有不同的使用者反饋和使用者的記錄。
第四是行為的記錄,使用者在其他因素影響的情況下可以訪問線上的一些痕跡,包括搜尋行為和點選行為。我們可以從這幾個維度看到關鍵指標,在某個維度研究的時候可以把其它的幾個維度固定下來,然後看另外一個維度的變化。
我舉的例子可能是和現在從事的工作相關,因為現在我做的是滴滴的使用者市場。其實滴滴在做出行的時候一直有一個出行的路線,就是做一鍵式的出行服務,每次點選進去以後都可以到達想要的地方,然後直接送到目的地,包括我們的三億乘客使用者和我們的司機車主。現在我們的工作就是圍繞一千五百萬的車主來做後市場的服務,主要是針對人的服務和車的服務,我們就看這些進入的人群,還有前期的服務模式。當然,這樣可能也會干擾新的服務模式。我們也會對他們深化銷售服務,這裡可能會衍生出網際網路的金融服務。
精準化運營案例分享
我們的模型是怎麼搭建的呢?就是有線上這種實時觸達的目標人群和車主,包括使用者的規模,線下匹配了我們這樣的服務網路,承載的是服務,周邊的是我們和使用者新增的銷售,還有我們的車型和保險的銷售。就以車企的一個案例來進行剖析,包括使用者的畫像、實時的資料監控,還有就是我們的培訓專員以及漏斗分析。
消費者場所可能有線上消費,就是京東和淘寶,線下也有一些便利店,它的特點就是品類非常多,型號非常多,俱樂部裡面其實是一個綜合服務場所,場地可能比較有限,倉儲也比較有限。這個線上也是可以類比的,因為產品空間有限,線上佈局也比較有限,在這種情況下怎樣探索或者把業務突圍出來?
使用者畫像
首先需要對使用者進行畫像,車企的使用者是怎樣的,這些車主的年齡層次一般都是三十歲到三十五歲,上有老下有小,他們的需求可能不是消費型的產品,而是實用型的,就是座椅靠背這樣的產品。基於這些對使用者的分析,我們就會把商品縮得極窄,因為我們的展示中心比較有限,可能需要縮我們的SKU(庫存量單位),前提就是做海量的SKU測試,包括線上的產品,基於它的資料把SKU縮短到一千個以內。
這個使用者畫像包括幾個方面,一方面是平臺上的資料,另一方面就是業務本身,到底需要什麼樣的產品、喜歡什麼樣的產品,到了這裡以後銷售的情況是怎樣的,所以我們去做了一些試點的工作。前提是把我們全品類的東西展示出來,然後逐漸地把這個範圍縮窄,我們也會有和價格相關的合作,可能也會做線下的使用者導流,通過這些方式逐步把這個群體的畫像清晰起來,也包括一些商業資料和屬性資料。
實時監控
關於實時資料監控,有時候我們在做活動上線之後發現活動的點選不高,只有百分之五左右,和以前的資料做了對比,第二天就回到了百分之十二。這個就是實時資料監控,每個決策週期必須能看到前面的資料,然後可以影響到下一步的決策,這個是我們對資料的要求。因為我們有線上和線下的業務,對實時性的要求特別強,純線上可能引起資料的連結,涉及到線下更多的是用系統化的工具來解決。
關聯分析
資料分析是電商的情況下經常用到的,百分之三十的使用者去買車的時候可能就要買一個車體包,這個時候也會衍生出關聯的產品,然後我們就做關聯的推薦,這也是一個完整的產品體系。
再講一講漏斗模型,其實可以基本符合我們營銷的心理過程,產生了興趣和慾望,最後再有行動,對應線上訪問點選下單到支付,其中每個動作、每個環節都有一個轉化率。漏斗模型界定的過程可以分為幾個方面,首先就是資料的應用流程,包括我們的目標體系,找不到我們的關鍵因子來做優化。這裡包括購買率、復購率和購銷率,關注的主要是這些指標。
03 資料驅動精準化運營實施步驟
資料驅動精準化運營流程
如果面對一個新的業務和一個新的產品,我們怎麼建立強大的資料驅動精細化運營的流程?包括資料應用的核心路徑,因為有的時候大家在運營中每天都在做這樣的事情,可能就會感覺這是日常的工作,所以這個過程非常關鍵,就是我們整個資料出來,使用者的介面到底是怎麼樣的,然後就是銷售的環節。
接下來我們就要圍繞我們的目標來做可量化,就是用可量化的方式分析目標體系。基於這種業務邏輯來做量化,量化完成以後就要做資料的採集,需要建立起來整套的資料供應鏈,資料到底從哪裡來,應該通過什麼樣的方式來採集,然後就是多個維度的分析,剛才也提到了一些分析的方面。分析了之後最重要的是跟我們的運營工作匹配,每個資料的表現運營動作是怎樣的,這樣的運營動作產生了好的結果還是差的結果,如果好的話可以繼續堅持,如果差的話就可以進行調整。
驅動更多的可能是對資料重視的心態,是不是每天都要看資料,或者堅持看專業指標,每天的工作是不是圍繞看的資料情況來開展,這個可能是前期需要做的事情,而且是一個最關鍵的事情。
04.資料驅動精準化運營遇到問題
其實資料驅動運營的過程當中我們也會面臨幾個難題:首先是資料太多,不僅體現在量上,而且體現在資料的最優化。我們可能會面臨著一個非常龐大的資料體系,怎樣把它儘量結構化地採集出來?也可能不是一個維度的資料,很雜亂,還有就是資料採集的流程比較慢,資料監控不準也會影響到資料的效率,包括資料的不準確,也有可能真正採用這種情況。
解決方案
我們一直在探討這個過程,就是資料能不能全部通過一張螢幕顯示,要是有這樣一個非常給力的系統,可以把我們常規的資料用一些固定的模型體現出來,不用每天去跑這種資料的分佈,就非常好了。我們對資料的要求是擴充套件性好,通過一定標準化的東西界定使用者的流量資料。資料提取的過程中能開啟一個口子,然後運用一些語句提取自己最想要的資料。當然,整體來說就是可靠、簡單、易用和美觀,這是我們對於一個好的資料系統下的定義,我們自己也在朝著這個方向努力。
Q&A
能不能把應用分析詳細地講一下?
基於原來存量資料的應用分析主要就是把資料的鏈條做得儘量長,比如只讓他買的這種東西有轉化率,但是沒有往下延伸,這個跟資料系統也有關係,可以採集到全鏈條的資料系統的時候做關聯分析就是一個水到渠成的事情,自然而然地就從另外一個視角來看買的東西的轉化,但從使用者垂直的角度來看就買了這個東西。
實際上資料分析的一個大前提是我們需要完整的資料收集過程,現在很多公司會有一個困惑,就是我們真的需要很多原始資料,但是收集註冊的過程當中我們要求使用者留下很詳盡的資訊,比如年齡、收入和愛好,這些是非常困難的,困擾運營人員的問題在於如何在收集原始資料困難的情況下匯出運營策略?
這個可能就是我們流通的資料來源,主要包括幾個方面,主動調研是一方面,通過使用者本身的後臺體現也是一方面,機構也可以提供一些資料過來,儘量把這個鏈條豐富起來,越是豐富價格就會越高,或者是通過產品裡面設計的意向表達來做這樣的模型。很多時候如果使用者覺得一個東西是假的話就不會去做,所以儘量是在有價值的情況下,比如讓他自己購買自己感興趣的東西,購買過程當中就會表現出來自己的一些行為特徵,並不是發一個問卷問他喜歡什麼。
剛才提到使用者畫像的時候有很多使用者的屬性,你們的時效性是怎麼保證的?比如我的收入去年和今年也不一樣,去年可能賺一萬塊錢,今年就賺兩萬塊錢。
因為我們有一套實時資料反映使用者的收入水平是什麼樣的,只是拿他當時的收入水平進行匹配,而不是說用他當時的資料預測他的未來,現在他的收入水平我都可以看到,包括年齡結構等等。這個資料不是一個預測性的資料,不是拿歷史資料來預測。