基于数据解析给出运营建议 咋整?
发布时间:2022-05-24 10:12:07 所属栏目:大数据 来源:互联网
导读:有同学问:如何基于数据分析提出运营建议,今天我们拿个简单的题目来举例。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,而且有关它的大部分讲解,都是错的。 已知,下图是某个电商一周销售金额走势(具
有同学问:“如何基于数据分析提出运营建议”,今天我们拿个简单的题目来举例。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,而且有关它的大部分讲解,都是错的。 已知,下图是某个电商一周销售金额走势(具体数据都差不多,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,本能的回答就是:最后两天低了,要搞高 问题就从这里开始! 1.为什么不能写要搞高 因为如果面试官多问一句:你准备搞到多高?就能把“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,做事的跑断腿”的直观体验。“要搞高”三个字说起来轻松,可做起来一堆问题: 为什么非要搞高? 要搞到多高才算高? 市场搞高还是销售搞高? 用什么型号的产品搞高? 啥时候开始搞到啥时候? 所以说做数据分析的,要对业务常存敬畏之心,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。为什么非要搞高是最初的判断,也是最重要的判断。判断错误会把整个方向带歪,搞得大家兴师动众劳而无功,所以一定要慎重。 2.第一个建议是要不要搞 为什么不是低了要搞高,是因为很多业务都是周期性波动的,比如休闲类消费就是周末高,平时低;B2B交易就是工作日高,节假日低。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。 有些商品交易有明显生命周期性,比如手机都是新上市的卖的好,过一段时间性能落后淘汰了就自然会差。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,因此还得看具体品类。 我们还不知道,到底这一周交易的目标是多少,如果目标已达成,那即使低一点又有啥问题,所以还得看任务目标。 综上,想说:要搞高,前提是先判定这个数是低。这样就得先找标准。我们得综合趋势、品类生命周期、任务目标,综合下结论(如下图): 很多同学说,这一步看起来很简单呀,不就是把曲线拉长吗。实际上情况可能很复杂。请注意,简单是建立在两个情况上的: 销售金额是个很直观的、数值型的、结果性指标,高就是好,低就是不好。 上边举例的三种情况,都是严格符合趋势,且前后走势一致。 如果情况1不成立:比如是阅读量、用户数这种过程指标,判定就变得复杂。你得看这些过程指标的涨跌,和销售金额,毛利这种结果指标间有没有直接关系。如果是转化率这种比率型指标,就得先看是分子小了还是分母小了。 如果情况2不成立,往往意味着一种特定的业务行为。比如下边两种很常见的场景,在整体达标的前提下,内部结构发生了有趣的变化,这种变化到底是好还是坏,会不会眼前看着达标,后边几期数据就不达标,都有可能,这时候就得更深入的分析。 3.第二个建议是要搞多高 如果经过判断有问题,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:在投入一定的情况下,越高越好。你的商品主管、用户运营、产品经理、网站开发在短期内的投入能力都是有限的,因此得定个合理的小目标。 如果上一步做的很扎实,那么这一步就非常好做: 参考标准1:KPI。可以计算做多多少才能补齐KPI 参考标准2:自然周期。可以计算看多做多少才能让业绩曲线保持过往周期性运转,至少止住持续下跌的态势。 参考标准3:生命周期。可以看按目前生命周期,预计商品还有多少周销量,再看要做多少才能赶上节奏,避免后期积压。 当然,以上都得和具体品类结合。如果题目没讲清楚,可以根据自己的理解假设情况进行深入。不深入,越到细节讨论,可能性就越多,越难讲清楚。 4.第三个建议是谁来搞 再往下建议,先定干活的人,再讲具体怎么干。注意,不同部门可以干的事是有区别的。 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 产品经理:调整购买路径 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,落实到具体产品品类、用户等级上。但在拆解之前注意:先区分是整体性问题,还是局部性问题。如果是整体性问题,比如整体上流量不足,竞争对手争抢用户太厉害,产品线整体老化,这时候就得出杀招,考虑整体流量,出爆款。要是只是个别产品的问题,可以再具体考虑。因此看结构性变化,就是个重要的参考数值。 5.第四到第N步建议 再往下继续提建议,会涉及到具体怎么做。请注意,“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关键,但是,是选择C产品替代A,还是基于A重新做活动,还是全站导流。这里需要业务的专业判断。 数据可以做的分两种: 第一, 上次出现类似情况,是如何处理的,最后效果如何 第二, 常规措施,促销、新品、用户活动,大概投入产出多少 基于这两点,先判断整体策略方向:到底用什么手段,用多少投入。之后才是细节:具体哪天上什么产品,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,可能还得配合一些ABtest才能得到最后结果。 这样层层深入,每一步都基于之前获得共识的判断,能非常有效的助力业务思考,也不容易被推翻。既不是一上来抛个宏大的话题:“要搞高”,也不是一下踩到很细的细节:“老夫掐指一算,只要在2月5日派200张面额50满200减50全场通用的券,定可逢凶化吉扭亏为盈”。这才是数据分析真正发挥作用的方法。 6.小结 很多同学觉得提建议很难,总觉得提的不够细,其实主要是思考的不够细导致的。如果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。甚至连“要不要搞高”这么简单地建议都会提的毫无依据,很容易被挑战。 运营、产品、销售、营销做事情都是很具体的5w2h。 应对什么问题 面对什么人 在什么时间 什么渠道 以何种形式 用什么力度 得什么效果 这里每一个点其实摊开来都是数据分析可以解释,验证的话题。但是如果直接插入这些细节,就会陷入:“为什么非得是A不是B”的各种论战里无法脱身。 因此我们建议用剥洋葱的方法: 从最简单的:“是不是”搞起 先问是不是这个问题 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 再问这次可以选哪个手段 (编辑:南通站长网) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |