怎么基于数据分析给出经营倡议?
本文摘要:对运营人来说,我们也常常做数据分析并做出运营策略与玩法的改动。不过当被问及运营建议时,不少运营同学仍是会堕入过错的思路与建议中。那么怎么找到正确答案呢?请详见本文。有同学问:“怎么基于数据分析提出运营建议”,今天我们拿个简略的题目来举例。这

对运营人来说,我们也常常做数据分析并做出运营策略与玩法的改动。不过当被问及运营建议时,不少运营同学仍是会堕入过错的思路与建议中。那么怎么找到正确答案呢?请详见本文。

有同学问:“怎么基于数据分析提出运营建议”,今天我们拿个简略的题目来举例。这个题目陈老师之前讲过,有印象的同学应该还记得。再举一次,是因为每到招聘季都有人把它搬出来,并且有关它的大部分说明,都是错的。

已知,下图是某个电商一周出售金额走势(详细数据都差不多,总之曲线长这样),问:数据反映什么问题,怎么提运营建议?

很多同学一看这个数据,本能的答复就是:终究两天低了,要搞高

问题就从这里开始……

为何不能写要搞高?

因为假如面试官多问一句:你准备搞到多高?就可以把“要搞高”三个字干废了,无论怎么后续怎么解释都解释不清(如下图)。

这就是:“说话的一张嘴,干事的跑断腿”的直观体验。

“要搞高”三个字说起来轻松,可做起来一堆问题:

为何非要搞高? 要搞到多高才算高? 市场搞高仍是出售搞高? 用什么型号的产品搞高? 啥时分开始搞到啥时分?

所以说做数据分析的,要对事务常存敬畏之心,不然光空口白话,会被人笑话的。

真要提建议,当然得从第一个问题开始——为何非要搞高是最初的判断,也是最重要的判断。判断过错会把整个方向带歪,搞得我们劳师动众水中捞月,所以一定要慎重。

第一个建议是要不要搞

为何不是低了要搞高?

是因为很多事务都是周期性动摇的,比如休闲类消费就是周末高,平时低;B2B交易就是工作日高,节假期低。

碰上小长假之类的,除了吃喝玩乐大部分其他交易都会停。所以得多看几周数据,看过往趋势。

有些商品交易有显着生命周期性,比如手机都是新上市的卖的好,过一段时间性能落后筛选了就天然会差。

题目仅给了一张图什么条件都没说,所以有可能这是某个(或者某些类)商品的生命周期末尾,因此还得看详细品类。

我们还不知道,究竟这一周交易的方针是多少,假如方针已达到,那即便低一点又有啥问题,所以还得看使命方针。

综上,想说:要搞高,条件是先判定这个数是低。这样就得先找规范。我们得综合趋势、品类生命周期、使命方针,综合下结论(如下图)

很多同学说,这一步看起来很简略呀,不就是把曲线拉长吗。实践上状况可能很杂乱。请留意,简略是建立在:

出售金额是个很直观的、数值型的、成果性指标,高就是好,低就是欠好。 上边举例的三种状况,都是严厉契合趋势,且前后走势一致。

假如状况1不建立:比如是阅读量、用户数这种过程指标,判定就变得杂乱。

你得看这些过程指标的涨跌,和出售金额、毛利这种成果指标间有无直接关系。假如是转化率这种比率型指标,就得先看是分子小了仍是分母小了。

假如状况2不建立:往往意味着一种特定的事务行为。比如下边两种很常见的场景,在全体达标的条件下,内部结构发生了风趣的变化,这种变化究竟是好仍是坏,会不会眼前看着达标,后边几期数据就不达标,都有可能,这时候候就得更深化的分析。

第二个建议是要搞多高

假如通过判断有问题,真的要搞高,那第二步的判断就是:要搞多高?

很多人会说:不是越高越好吗?

显然不是!

应该是:在投入一定的状况下,越高越好。

你的商品主管、用户运营、产品主管、网站开发在短时间内的投入能力都是有限的,因此得定个合理的小方针。

假如上一步做的很扎实,那么这一步就十分好做:

参考规范1:KPI。可以核算做多多少才干补齐KPI 参考规范2:天然周期。可以核算看多做多少才干让业绩曲线坚持过往周期性运转,至少止住继续下跌的态势。 参考规范3:生命周期。可以看按现在生命周期,预计商品还有多少周销量,再看要做多少才干赶上节奏,防止后期积压。

当然,以上都得和详细品类结合。假如题目没讲清楚,可以依据自己的了解假设状况进行深化。不深化,越到细节评论,可能性就越多,越难讲清楚。

第三个建议是谁来搞

再往下建议,先定干活的人,再讲详细怎么干。留意,不同部门可以干的事是有差异的。

流量运营:为全站引流,分配流量 商品运营:商品选款、上下架、补货 活动运营:促销活动、宣传活动 用户运营:给制定用户发券 产品主管:调整购买途径

因此想提有用的建议,得先明确是提给谁的。

这里就需要拆解问题,落实到详细产品品类、用户等级上。

但在拆解之前留意:先区分是全体性问题,仍是部分性问题:

假如是全体性问题,比如全体上流量不足,竞争对手争抢用户太凶猛,产品线全体老化,这时候候就得出杀招,考虑全体流量,出爆款。 要是只是单个产品的问题,可以再详细考虑。因此看结构性变化,就是个重要的参考数值。

第四到第N步建议

再往下继续提建议,会触及到详细怎么做。

请留意,“怎么做”是不能直接从数据层面推导的。比如在上例一中,我们看到了A产品销量下降是引发问题的要害,可是是选择C产品代替A,仍是基于A从头做活动,仍是全站导流呢?这里需要事务的专业判断。

数据可以做的分两种:

前次呈现类似状况,是怎么处理的,终究效果怎么 常规措施,促销、新品、用户活动,大约投入产出多少

基于这两点,先判断全体策略方向:究竟用什么手法,用多少投入。

之后才是细节:详细哪天上什么产品、优惠力度是多少、发券面向多少人……

在更细节层面,比如券面额,活动形式上,可能还得合作一些ABtest才干得到终究成果。

这样层层深化,每一步都基于之前取得共识的判断,能十分有用的助力事务考虑,也不容易被推翻。

既不是一上来抛个庞大的话题:“要搞高”,也不是一下踩到很细的细节:“老夫掐指一算,只需在2月5日派200张面额50满200减50全场通用的券,定可绝处逢生扭亏为盈”。

这才是数据分析真正发挥作用的方法。

很多同学觉得提建议很难,总觉得提的不行细,其实主要是考虑的不行细导致的。假如一上来只有一根曲线,没有走势分析,没有结构分析,没有标杆,肯定建议也细不下去。乃至连“要不要搞高”这么简略地建议都会提的毫无依据,很容易被应战。

运营、产品、出售、营销干事情都是很详细的5w2h:

应对什么问题 面对什么人 在什么时间 以何种形式 用什么力度 得什么效果

这里每个点其实摊开来都是数据分析可以解释、验证的话题。可是假如直接刺进这些细节,就会堕入:“为何非得是A不是B”的各种论争里无法脱身。

因此我们建议用剥洋葱的方法:

从最简略的:“是否是”搞起 先问是否是这个问题 再问是多大的问题 再问是哪里搞出来的问题 再问能怎么整这个问题 再问这次可以选哪一个手法

逐步深化,思路很清楚,也能越想越细,终究提的建议天然是很好的了。

这次完毕留个考虑题:

假如曲线是相同形状,把问题换成:

交易转化率 用户留存率 活跃用户量 文章阅读量 用户满意度

你会怎么答?

有爱好的同学看可以下来练练,在练之前先考虑,这五个指标和出售金额有什么差异,这种差异会导致的差异是什么?

#专栏作家#

接地气的陈老师,微信大众号:接地气书院,人人都是产品主管专栏作家。资深咨询参谋,在互联网,金融,快消,零售,耐用,美容等15个行业有丰厚数据相关经历。

本文原创发布于人人都是产品主管。未经答应,禁止转载

题图来自Unsplash,基于CC0协议


人人都是产品主管(woshipm)是以产品主管、运营为核心的学习、交流、分享平台,集媒体、培训、社群为一体,全方位效劳产品人和运营人,建立9年举行在线讲座500+期,线下分享会300+场,产品主管大会、运营大会20+场,掩盖北上广深杭成都等15个城市,内行业有较高的影响力和知名度。平台集合了众多BAT美团京东滴滴360小米网易等知名互联网公司产品总监和运营总监,他们在这里与你一同生长。