- 數據化運營(微課版)
- 鄭玉亮 馬艷秋主編
- 7296字
- 2024-07-16 10:53:23
任務一 認識數據化運營
任務描述
小趙是第一次接觸數據化運營工作,難免有點信心不足。為了能保質保量完成工作任務,小趙在接到任務安排后,便仔細查看了KK旗艦店提供的銷售數據,準備根據數據化運營的基本思路分析KK旗艦店咖啡的銷量下滑的原因,并將具體內容填寫到任務單(見表1-1)中。
-表1-1 任務單

知識準備
一、數據化運營的含義與意義
運營即運作與經營,是指利用各種資源,通過計劃、組織、實施和控制等管理手段,實現產品(或服務)商業價值的一系列行為的總稱。數據化運營是指通過數據化的工具、技術和方法,對運營過程中的各個環節進行科學分析、引導和運用,最終達到降低運營成本、提高運營效率、優化運營效果的目的。
數據化運營是從數據的角度分析和解決業務運營工作中存在的問題或不足,以實現商業目標的過程。總體來說,數據化運營的意義主要包括以下4點。
(1)提高決策效率。在瞬息萬變的數字化時代,決策效率越高,意味著可以在更短的時間內做出決策。數據化運營可以輔助企業決策,并及時洞察經營過程中的機遇和風險,從而提前預判決策時機并提高決策效率。
(2)洞悉用戶。數據化運營可以幫助企業洞悉用戶,如用戶來源、用戶特征、用戶需求等,從而幫助企業實現精準營銷。
(3)提高用戶活躍度。通過精細化渠道觸達、活動運營,提高用戶訪問頻率,有效增強用戶對產品的價值認同與內容依賴。
(4)提升投資回報。在數據化運營過程中,結合數據分析的工作方法和思路,優化各個執行環節,可以有效降低冗余支出,提高單位成本的投資回報。
提示
從思維方式和技能來看,數據化運營是通過數據分析的方法發現問題、分析問題、解決問題,從而提高工作效率并促進企業業務增長的過程。
二、數據化運營的目標與類型
隨著“大數據”時代的到來,數據化運營的發揮空間越來越大,越來越多的企業開始開展數據化運營。數據化運營的最終目標是優化和提高業務運營效率,助力企業實現持續盈利。在電商領域,數據化運營的目標主要體現在5個維度,如圖1-1所示。

圖1-1 數據化運營的目標
從廣義上來說,一切圍繞互聯網產品進行的數據化干預都稱為數據化運營。在電商領域,按企業運營模塊劃分,數據化運營的類型主要包括以下4種。
(1)市場運營。市場運營是指通過市場營銷、產品開發、品牌管理等市場開發行為獲取利潤或實現利益最大化。在電商領域,店鋪開展的各種促銷活動都屬于市場運營的范疇,市場運營的目的就是促進銷售,提高市場占有率。
(2)產品運營。產品運營以產品為運營對象,以推廣和維護產品為目的,使產品被用戶接受,并持續產生產品價值和商業價值,如通過微信公眾號、小程序推廣新品等。
(3)用戶運營。用戶運營是指以用戶為中心,從用戶需求出發設置運營活動與規則,制定運營策略,以達到預期的運營目標。用戶運營可以提高用戶的活躍度和留存率,提升用戶價值,進而提升運營效果。
(4)內容運營。內容運營是指通過內容生產、發布和傳播,提高產品的服務價值,促進產品活躍、留存、轉化等運營目的的過程。就內容運營而言,無論是用戶原創、經驗分享,還是編輯采集、二次創作等,往往需要以優質的內容為依托才能吸引用戶。
三、數據化運營的主要內容
目前,電商企業的運營部門一般通過可量化、可細分、可預測等一系列精細化的方式進行數據化運營。在電商領域中,數據化運營的核心內容主要體現在流量監控分析、目標用戶行為研究、數據監控分析、網絡營銷策劃推廣4個方面。
(一)流量監控分析
流量監控分析主要包括觀察流量規律、分析用戶路徑、細分用戶、追蹤流量情況4個方面的內容。
(1)觀察流量規律。通過觀察流量規律,篩選出不同渠道流量的質量,要果斷關閉異常渠道,優先選擇優質渠道,以節約渠道推廣成本。
(2)分析用戶路徑。通過分析用戶路徑,尋找產品存在問題的環節和改進的節點,并及時迭代和優化。
(3)細分用戶。根據不同的細分用戶群,制定差異化的推廣營銷策略,實現精準營銷。
(4)追蹤流量情況。通過設定指標追蹤流量情況,以此衡量推廣活動效果或渠道優化效果。
(二)目標用戶行為研究
目標用戶行為研究主要包括用戶特征分析、用戶行為分析、用戶購買情況分析3個方面的內容。
(1)用戶特征分析。通過用戶特征分析,商家可以知曉用戶是什么樣的人,需要什么、喜歡什么。用戶特征分析的主要指標包括年齡、職業、地域、受教育程度、興趣愛好等。
(2)用戶行為分析。通過用戶行為分析,商家可以清楚地了解用戶的行為習慣、真實的使用心得,從而找出渠道推廣、產品使用等過程中存在的問題。用戶行為分析的關鍵是找準對應的衡量指標,如用戶點擊次數、用戶訪問終端類型等。
(3)用戶購買情況分析。通過用戶購買情況分析,商家可以了解用戶對產品的喜愛程度,從而更為精準地制訂營銷計劃。用戶購買情況分析的主要指標包括用戶訪問時間分布情況、用戶購買時間分布情況、用戶所購商品分布情況等。
(三)數據監控分析
數據監控分析主要依據業務系統提供的數據進行相關的項目分析,從而產生有價值的結果來指導生產經營活動。數據監控分析主要包括以下內容。
(1)產品數據監控分析。通過產品數據監控分析,商家可以實時掌握產品數據的變化情況,從而更好地了解產品需求、產品生命周期、產品庫存情況等。產品數據監控分析的指標包含產品需求、產品定價、產品生命周期及產品庫存管理與統計分析等。
(2)競品數據監控分析。通過競品數據監控分析,商家可以了解同行或者競爭產品的動態,從而完成新品定價、動態營銷等。競品數據監控分析的指標包括競品產品策略分析、競品渠道策略分析、競品價格策略分析、競品營銷策略分析等。
(四)網絡營銷策劃推廣
網絡營銷策劃推廣主要包含電商促銷活動、各渠道廣告宣傳、品牌營銷3個方面的內容。
(1)電商促銷活動。通過對電商促銷活動數據的追蹤與分析,可以實時調整促銷活動內容,或者為下一場促銷活動提供參考。
(2)各渠道廣告宣傳。通過對廣告投放數據的追蹤,如廣告費用、曝光量、點擊量、成交量等數據,可以增投數據表現優異的廣告渠道,摒棄效果差的廣告渠道。
(3)品牌營銷。對品牌進行內容營銷,并追蹤內容營銷數據,如短視頻賬號的運營,同時監控短視頻作品的播放量、點贊量、評論量、完播率等數據指標。
四、數據化運營的基本思路
數據化運營依托的核心對象是數據,因此處理和分析數據是數據化運營的重點工作。在數據化運營中,處理數據有五大基本思路,包括對比、追蹤、分解、錨點和多維度分析。數據分析人員只有充分理解和掌握這些思路,才能更高效地處理和分析數據。
(一)對比
對比是較常見、直接的數據處理思路。例如,商家通過店鋪間銷量的對比分析本店與競爭對手的經營情況,通過月銷量的對比規劃淡季和旺季的運營思路等,這些都是直接利用對比思路進行數據化運營。通過對比,商家能夠直觀地發現差距,找到正確的優化方向。圖1-2所示為KK旗艦店與同行業的其他店鋪付款人數的對比。通過數據對比,可發現KK旗艦店的付款人數與同行業的其他店鋪的差距較大。影響付款人數的因素有很多,如產品價格、產品品類,以及消費者訪問產品的動機和時間等。通過進一步分析,發現導致KK旗艦店付款人數比同行業的其他店鋪付款人數低的主要因素是產品價格,于是KK旗艦店準備結合目標用戶調整產品價格,以此提高產品的付款人數。

圖1-2 不同店鋪付款人數的對比

掃碼看彩色圖
(二)追蹤
追蹤的本質是通過趨勢處理數據。店鋪在5月1日的轉化率是1.5%,而評價該數據需要統計店鋪近一周、近一個月甚至近一年的數據,判斷數據是增長還是下降,才能真正得出結論。圖1-3所示為KK旗艦店4月1日—4月29日的轉化率分布。由該圖可知,KK旗艦店4月的最高轉化率為5.20%,最低轉化率為0.98%,而4月25日的轉化率僅為1.50%,該數值明顯較低。于是,店鋪優化了商品詳情頁,調整了裝修風格,并采取相應措施提高了動態評分,兩個月后店鋪的轉化率有了顯著提高。

圖1-3 KK旗艦店4月1日—4月29日的轉化率分布
雖然目前許多電商平臺都發布了成熟的后臺數據處理產品,能夠支持一定的數據追蹤,但還遠遠不夠。商家如果需要利用數據化運營方式經營店鋪,就應該把所有數據都記錄下來并保存到數據庫中,建立不同的數據維度和追蹤機制來分析與處理數據。
(三)分解
分解是指將所有數據逐次向下分解,找出更多子數據,并通過挖掘和優化子數據,精準找到問題方向,提高核心指標。尤其是無法直接找到問題的根本原因時,更應該通過分解思路拆分數據或指標,而不應該只著眼于某個現成的數據指標,忽略與之相關的其他因素。例如,店鋪的銷售額一般由訪客數、客單價和轉化率決定,因此就可以將銷售額分解為這3個對象,然后進一步分解,如圖1-4所示,逐步分析各項指標的情況,直到找到根本原因。

圖1-4 將店鋪銷售額逐層向下分解
(四)錨點
行為經濟學范疇有個術語稱為“錨”。其大致意思是,如果在生活中遇到某個產品,第一印象將在此后對購買這一產品的意愿產生長期影響。錨點思路也可以應用到數據化運營中,即在數據分析中,當存在多個因素影響一個數據指標時,只考慮將一個因素視為變量,其他因素保持不變,然后測試這個變量因素對數據指標的影響程度,以便后續做出有效優化。
例如,產品的標題、主圖、價格、評價、促銷活動和詳情頁等均會影響產品轉化率,但每個因素對轉化率的影響各不相同。保持主圖變動,而其他因素不變進行銷售,便可以得出主圖對產品轉化率的具體影響情況,以便后續做出有效優化。
另外,通過錨點思路還可以加快用戶決策,提高產品銷量。例如,A和B兩個店鋪經營同一個品牌,該品牌有甲和乙兩種產品。A店鋪與B店鋪溝通后,決定由A店鋪主推甲產品,B店鋪主推乙產品。此時,A店鋪可以把乙產品的價格標高,以便幫助B店鋪做價格錨點,讓用戶知道B店鋪的乙產品具有價格優勢,進而加快用戶決策。
(五)多維度分析
電商的核心數據在一段時間內兼具偶然性和關聯性,如果單獨利用某一個維度追蹤數據會顯得比較片面,嚴重時會導致結論出錯,所以在進行數據化運營時一定要結合多個維度。轉化率和流量是相輔相成的,一般情況下,流量越高,轉化率就會越高,但有一個前提,那就是必須是正向轉化(訂單無缺陷+好評+復購),如果出現負向轉化(訂單缺陷+差評等),就會阻礙轉化,降低流量。結合其他維度(如客單價等)可以發現,在流量基本保持在同一水平的情況下,客單價的提高會導致轉化率的降低。
知識拓展
數據偶然性指某一階段的數據并不能完全反映出店鋪的整體真實情況,如用活動期間的訪問量說明店鋪的整體訪問量,得到的結果自然就虛高。數據關聯性是多維度的一種體現,電商經營活動中的大部分數據指標都具有關聯性,因此多維度分析和處理數據就顯得非常有必要。
素養小課堂
靈活運用數據化運營思路可以科學、快速地找到問題和原因,并能很好地提高運營效率。但當某一種思路行不通時,就需要轉換思路,多角度、多方面地觀察,從常規中求新意,看似棘手的問題就會迎刃而解。
五、數據化運營的業務流程
從業務流程的角度來看,數據化運營涉及六大環節,分別是目標的明確、指標的確定、數據的獲取、數據的分析、策略的形成,以及結果的驗證與優化。
(一)目標的明確
數據化運營是有明確目標的行為。這個目標可以是短期的、一次性的,也可以是長期的、周期性的。根據運營場景的不同,數據化運營的目標可以分為以下4種。
1. 以某一具體指標為目標
這類數據化運營目標往往是短期的或一次性的,一般通過分析數據找到刺激用戶的方式,以求在短期內實現數據指標量級上的提高。例如,以一周內新增用戶數量達到1 000人、活躍率達到20%、留存率達到30%、轉化率達到4%為目標。
2. 以發現和解決問題為目標
這類數據化運營目標非常普遍,如發現訪問量呈斷崖式下降,就會以解決此問題為目標進行數據化運營,以查明訪問量下降的原因,并盡快解決問題。
3. 以發現潛在方向為目標
在“大數據”時代的背景下,大數據產品的出現往往實行“發現并分析用戶需求,進而衍生出滿足用戶需求的產品”的模式。通過數據化運營,商家可以發現更多用戶沒有顯現出來的問題和痛點,進而發現潛在的用戶需求和產品研發方向。
4. 以掌握產品生態為目標
掌握產品生態是指將數據化運營應用到日常生產流程中,使其成為日常生產流程的一部分。這也是開展數據化運營的企業或個人的最終目標。企業可以通過數據沉淀、數據分析來全面且準確地了解產品的用戶群、用戶分類等情況,對用戶進行精細化運營。
另外,掌握產品生態還能更好地了解產品生態的上下游情況,如上游用戶的獲取情況、下游用戶的轉化和分發情況等。對于平臺類產品或需要上下游業務支撐的產品來說,數據化運營對產品后期發展有很大的價值。
(二)指標的確定
確定目標后,就需要圍繞不同的運營目標確定相應的指標,將目標具體化,如店鋪的訪客數、轉化率、客單價等就是決定銷售額的直接指標。以電商領域的店鋪運營為例,常見的用戶指標可以分為用戶畫像指標、用戶來源指標和用戶行為指標等。
(1)用戶畫像指標。用戶畫像即依據用戶屬性和行為為用戶構建出的畫像數據,目的是分析用戶特征,以便對用戶進行分類和精細化運營。用戶畫像指標有很多,常見的有性別、年齡、職業、支付習慣、消費習慣、使用的終端設備等,如圖1-5所示。

圖1-5 用戶畫像指標
(2)用戶來源指標。通過用戶來源指標,商家可以掌握并分析用戶渠道。例如,通過渠道分布指標,商家可以分析用戶訪問店鋪內商品的渠道;通過渠道效果指標,商家可以獲取各渠道的用戶數,以及轉化為注冊用戶的數量,進而判斷各渠道的獲取效果。
(3)用戶行為指標。用戶行為指標側重于讓商家分析用戶體驗。例如,通過用戶訪問店鋪頁面次數、跳失率等與用戶瀏覽下單相關的指標,以及用戶行為路徑指標等,可以找出用戶未下單的原因,從而優化店鋪。
(三)數據的獲取
明確目標并確定好需要分析的指標后,下一步就需要為各指標提取相關的數據了,即進行數據采集和處理。
(1)數據采集。對于店鋪而言,數據可以是電商平臺的后臺數據,也可以是專業的數據分析工具(如生意參謀、京東商智、多多情報通等)提供的數據。
(2)數據處理。采集到的數據一般需要經過處理才可用于數據分析。對于采集到的不規范數據,可以進行清洗;若數據存在缺失,可以進行補充;數據多余時,需要進行刪除;對于數值性數據,則需要考慮是否添加單位等。
素養小課堂
“工欲善其事,必先利其器”。數據采集是一項嚴謹且細致的工作,要想做好這項工作,除了要有足夠的耐心外,采集工具的選擇也至關重要。
(四)數據的分析
獲取到相關數據后,商家就可以按照最初確定的目標及按目標確定的指標,利用數據分析方法進行數據的分析工作。常用的數據分析方法主要有對比、細分和假設3種。
(1)對比。對比方法在店鋪數據復盤、單品分析、行業競爭分析等方面廣泛應用,只有對比行業標準、歷史數據,才能發現目前運營的情況與異常。
(2)細分。細分方法在電商數據分析中常用于市場細分、產品定位等。只有通過不斷細分來定位問題,才能做到具體問題具體分析。針對某一個問題,可以從來源、渠道、類型、用戶等不同維度進行細分,精準定位問題后再解決。
(3)假設。假設方法在電商數據分析中常用于銷售預測、庫存預測等。對于無法通過計算和采集直接獲得的數據,就可以使用假設方法,即先假設結果再進行結果逆推。
提示
利用數據分析工具進行數據的可視化處理,可以直觀地將數據信息展現出來,以便更加有效地傳遞信息和表達分析觀點,如利用Excel的柱形圖展現不同時期的銷售額對比情況。另外,數據分析階段還需要撰寫對整個數據分析過程進行總結與呈現的數據分析報告,以供決策者參考。
在進行電商數據分析時,為了讓結論更具說服力,論證過程更具邏輯性和條理性,通常要先搭建數據分析模型,根據模型中的內容確定數據指標,再細化數據指標并分析,最終得到需要的分析結果。數據分析模型的應用場景根據數據分析所選取的指標不同而有所區別,圖1-6所示為電商行業中常用的數據分析模型。

圖1-6 電商行業中常用的數據分析模型
(五)策略的形成
分析數據后,要基于分析結果發現業務問題或尋找潛在增長點,支撐業務決策、驅動產品流程改進優化,從而形成策略。策略的形成取決于數據化運營的目的和數據分析的結果,需要注意的是,每一次數據分析形成的策略可能不一致,應根據具體問題和具體的業務場景制定有效的策略。例如,通過數據分析發現某個產品在市場上的競爭性較弱,如果該市場有一定的份額占比和發展前景,那么可以制定進入市場搶占份額的策略;但如果該市場已經被淘汰或處于淘汰的邊緣,則不應該進入。
(六)結果的驗證與優化
數據分析的結果生成的策略并非一定有效,也并非能夠快速達到預期效果。在策略執行的同時,通過數據的積累沉淀,監控相應數據指標情況,可以優化和完善策略,再反復進行驗證與優化,最終可以得到一個更優的結果。圖1-7所示為總結復盤和迭代優化流程。

圖1-7 總結復盤和迭代優化流程
任務實施
任務演練:采用對比思路分析KK旗艦店的銷售數據
【任務目標】
查看KK旗艦店與同行業其他優秀店鋪的銷售數據,通過與同行業其他優秀店鋪數據的對比,找到KK旗艦店銷量下滑的原因。
【任務要求】
本次任務的具體要求如表1-2所示。
表1-2 任務要求

【操作過程】
(1)查看提供的數據。圖1-8所示為銷售數據對比,其中包括KK旗艦店2023年的銷售額與銷售數量,以及DD旗艦店2023年的銷售額與銷售數量。圖1-9所示為流量來源數據對比,包括KK旗艦店和DD旗艦店的流量來源數據。
(2)選擇數據分析方法。圖1-8中的柱形圖展示了KK旗艦店與DD旗艦店的銷售數據對比情況,圖1-9中的條形圖則展示了KK旗艦店與DD旗艦店的流量來源數據對比情況,通過這兩張圖表能方便地對數據進行分析。
(3)分析數據。分析圖1-8,小趙發現KK旗艦店的銷售額和銷售數量都低于DD旗艦店,結合圖1-9,他發現KK旗艦店的流量主要來源于其他、鉆石展位和直通車,淘寶App搜索的流量占比較低,于是有了加大淘寶App搜索流量投放的想法。接著,小趙對比分析了DD旗艦店的流量來源數據,發現DD旗艦店的流量主要來源于淘寶App搜索。綜上所述,小趙認為可以加大淘寶App搜索渠道的流量投放。于是,KK旗艦店按照數據分析的結果,增加了對淘寶App搜索渠道的流量投放,果然不久后店鋪的流量和銷售數量均有所提高。

圖1-8 銷售數據對比

掃碼看彩色圖

圖1-9 流量來源數據對比