對于數據分析師而言,無窮無盡的取數需求是最可怕的。數據分析師要做的是化被動為主動,做到數據真正地幫助到運營,而非被追着要數。本文結合一些場景,分享如何用數據助力運營分析,一起來看看吧。
數據分析師最怕的,那必須是無窮無盡的取數需求,這一次,面對這個需求場景,我們從被動變成主動,做到了用數據分析助力運營,直接上幹貨,開整!
問題場景:某電商公司,近期通過數據發現有大量用戶出現添加商品至購物車但不付款(簡稱:加購未購)的情況,運營已針對此情況開展工作,但領導們不滿意,要求數據分析組通過用戶畫像模型進行加購未購客群分析,提升付款比例。假設你是該公司的數據分析師,問……
問題 1:你是數據分析師,你第一件事做什麼?
看過去 3 個月加購未購的數據走勢
建立用戶畫像模型
進行加購未購客群分析
進行付款率分析
和運營聊聊他們在幹啥
問題 2:在本場景裡,領導的需求是什麼?
需要用戶畫像模型
需要客群分析報告
需要提升付款比例
需要改善運營工作
問題 3:你在網站買東西,以下哪個最能讓你下決心付款
網站服務器裡多了一段代碼
網站工作人員寫的 ppt
你看到了新上市的爆款 iphone
你看到了新上市的爆款 iphone 且比其他地方都便宜
你看到了新上市的爆款 iphone 且比其他地方便宜 500 多塊錢
一、運營優化項目
數據分析之所以做了沒屁用,80% 是脫離實際,閉門造車的結果。脫離實際,閉門造車的根源,在于做數據的人太沉迷于數據本身,忘了真正要幹啥。比如本案例場景,如果扒皮抽筋的問上邊三個問題,傻子都會看明白:
用戶隻會為了一個具體價格的具體商品買單,不會為 ppt、代碼買單。
領導需要的是改善運營工作,運營工作對應的是文案、活動、頁面、價格。
改善運營工作,得先整明白人家在做什麼,到底有多少空間可以改善。
至于算法、模型、報告、公式、甚至數字,都是尋找改善方法的一種手段。
所以第一時間,得去找運營談這些:
目前針對該客群有哪些措施
各項措施上線時間點
領導具體不滿意表現注意,第一步要了解的是具體動作,至于這個動作的好壞,可以聽運營解釋,但是更多的要自己去分析。結合數據趨勢,發現潛在機會點和問題點(如下圖):
這裡溝通的技巧也很重要。
注意,在本場景裡,領導們的不滿已經是挂在臉上的,這時候在運營面前,要堅決表現出:" 我是和你們一起想辦法,我們一起把這個差交了 "。這樣才能争取到更多支持。
如果擺出一副:" 我牛逼,你們都是傻逼 " 的态度,那就等着被人各種掣肘,最後落魄收場吧。
二、第二個關鍵問題
問題 4:經了解,發現運營目前的做法是,按加入購物車的金額的 10% 派券,比如 100 元商品派 10 元,200 元派 20 元,無差别派券。了解到這個以後,你會做……
建立用戶畫像模型
撰寫客群分析報告
分析付款比例曲線
拆分商品轉化情況
問題 5:你會如何證明,你對加購未購問題産生了積極作用
彙報用戶畫像模型
彙報客群分析報告
彙報付款比例曲線
彙報運營效果變化
問題 6:以下哪種情況,能證明新策略産生了效果(如下圖)
三、破局
人的普遍心理就是:等得越久,期望值越高。特别在已經開始着急的時候,就更希望能快速見到效果。
所以在本場景裡,用戶畫像也好,模型也好,報告也好,都對,但是首要考慮的是:多長時間見效。見效越快越好。同時,見效的方法越簡單越好。因為越複雜的方法,能參與進來的人越少,意味着自己背的鍋越大。
比如上一個 " 超精準購買模型 ",除了做數據的誰都看不懂。那最後如果效果不好,勢必隻有做數據的自己背鍋。這又牽扯到:" 寫多少行代碼能讓顧客消費 " 的問題。
總之,不要指望代碼,要和運營并肩作戰,優先丢優惠券。可能很多同學聽了:見效又快又好,就覺得難辦。
注意,這裡 " 見效 " 也是有好幾種效果的。用最簡單的投入産出比概念,減少投入,增加産出,提高比率,都算有效。
所以,從一開始就不要把目标定為徹底解決問題,而是不斷優化效果。這樣既容易交差,又能持續見成績。
這樣梳理後,思路就清晰多了:目前的全面派券是很粗暴的做法,不同商品的利潤率不一樣,這麼簡單粗暴打折,很有可能嚴重壓縮毛利,甚至出現負毛利産品。
同時,有些商品臨近保質期,可以釋放更多利潤出來清貨,有些商品本身利潤很高,有空間再釋放出來。這樣梳理完,第一階段的行動就很清晰了(如下圖):
四、叠代,持續優化效果
問題 7:以下兩個選擇,先做哪一個?
減少成本
增加産出
注意,本場景,是領導已經不滿意了,都找到外部門了。這種情況下,如果上來就說:" 我們還要追加 XXX 萬投入 ",要麼本直接噴回來,要麼領導們期望值會被吊得更高,以為追加以後效果無敵好。
這兩種情況都是在給自己挖坑!所以最好先從砍成本的角度入手,先砍掉一個明顯負産出的補貼,釋放營銷費用;之後再做一些臨期産品、清庫存産品;之後再拿釋放出來的費用貼高利潤産品,把加購轉化率拉高。
之後還可以持續叠代,比如高利潤産品的轉化率已經提高的前提下,可以做價格彈性測試,适當減少補貼,再釋放一波營銷費用;單品做的差不多了,可以拿釋放出的利潤做滿減、或者交叉銷售。
這些還都是單純的在價格上做文章,數據計算難度小,又容易見效。畢竟給的是真金白銀的優惠券。這樣折騰下來,不但能見效,而且能拖很長時間。每個月試點,叠代四五次,至少也能拖個半年。這半年寶貴的時間,可以拿來為 " 人工智能算法推薦 "" 大數據用戶畫像洞察 " 做數據積累,也能争取到充足的時間訓練模型。
在價格玩的差不多的時候,就能自然續上,效果持續優化,人人開心。比一開始憋大招,憋半年然後屁用,沒有灰溜溜的走人,要強的多(如下圖)。
有的同學會問:這個場景裡,是運營先做了全面補貼,之後再優化,所有有砍負成本的空間。如果運營隻是試點了一個小群體,結果沒做成,需要優化,又該怎麼做呢?
這是個好問題,特别在小範圍 MVP 測試的時候,樣本本來就少,有需要分析各種情況,咋辦?
專欄作家
接地氣的陳老師,微信公衆号:接地氣學堂,人人都是産品經理專欄作家。資深咨詢顧問,在互聯網,金融,快消,零售,耐用,美容等 15 個行業有豐富數據相關經驗。
本文原創發布于人人都是産品經理。未經許可,禁止轉載。
題圖來自 pexels,基于 CC0 協議。