运营数据分析怎么做?四大步骤教你学会运营数据分析

qinzhiqiang 07-15 15:51 1,005次浏览

数据分析师事前与运营保持良好的沟通,事后为复盘做好准备,让数据分析助力运营工作,合作共赢。

助力运营,数据分析怎么做?

做数据分析的同学最常服务运营,也最怕运营纠结。因为本身运营的工作和数据分析有高度关联,以至于大家在网上看到的数据分析文章,十篇里有六篇是运营写的。运营对数据分析涉入的如此之深,以至于经常在分析思路、分析方法、分析结论上和数据分析师们怼起来。

今天我们就先看其中最大的一个问题。运营的工种有很多(如下图),其中活动运营是策略性最强,和数据分析关系最紧密,也是怼的最多的岗位,今天就用它举例子。

助力运营,数据分析怎么做?

请听题:

某游戏APP,用户活跃率在5月出现轻微下降情况,活动运营小组决定做一个签到打卡的活动,提高用户活跃度(具体提高多少没说),现活动前后数据如下图所示,活动运营小组坚持称:如果不是做活动,5月份自然增长是下跌的。老板认为这是扯淡。活动运营小组称:数据分析师应利用人工智能大数据,精准分析出自然增长率。

助力运营,数据分析怎么做?

问:你是数据分析师,你该怎么办?

01 科学旗号下的荒唐事

首先问,这个题的题眼在哪里?

A、用户活跃率减少

B、自然增长率

C、人工智能大数据

我们先反问一个问题:某天,一个人拿着弓来问你:“请用人工智能大数据精确分析一下,我比自然命中率高了多少”你会怎么办?你会抄起键盘开始叭叭写代码吗?——不会!你会先问他:“你射的是啥?”

如果他说:我也不知道射的啥,你帮我分析分析?你会咋办?你会用人工智能大数据分析他要射什么东西吗?——当然不会!有礼貌的话,你会让他先把自己射的箭找到;没礼貌的话,你可以直接口吐芬芳了。因为即使是幼儿园的小朋友都知道:射箭要先树个靶子。这是常识。

所以整体的题眼是:具体提高多少没说。甚至题目本身都是有问题的。请注意问题的来源是活跃用户数量减少。结果运营在设目标的时候变成了用户活跃。一字之差,含义就从清晰变模糊。

  • 到底什么算“度”
  • 含义是用户活跃人数,为啥不直接用?
  • 含义是用户活跃率?大家的公式是否一样?
  • 含义是综合计算的,计算公式和权重又是啥?

指标本身不清晰,又没有明确指出要提升多少,对活动后分析是一场灾难。简直就是射箭故事的翻版。问题是:为啥会出这么奇葩的事。

02 荒唐背后的苦衷

真正在企业上过班就知道:并非所有决策都是高度理性的,比如:

  • 这是常规活动,运营只是拿着模板改了改就推上线了
  • 这是老板亲自指示干的,咱也看不懂,咱也不敢问
  • 这是一种商业直觉:我感觉有问题了!等到真观察到再改已经来不及了
  • 这是一种迷信:你们不是有人工智能大数据吗,应该duang!一下就有了吧

总之,真实企业里,大概:

  • 30%的活动方案没有写清楚,只有个含糊的:“提高消费/提高活跃”
  • 30%的活动方案用词不严谨,活跃度、活跃值、活跃力一类的玄幻概念满天飞
  • 30%的活动方案没有做过测算,都是拍脑袋决策,甚至提1亿的目标,只为口号顺口。
  • 只有大概10%方案能认真写清楚:提高用户活跃人数,5月dau维持在XX水平以上

当然,在管理规范的大企业里,这种乱象少很多。但是同类问题在大部分企业都存在,事先不写清楚目标,事后指望大数据来分析。甚至企图通过人造一个很低的、负增长的自然增长率,来蒙混过关。真要是碰上这种事,咋办呢?

首先,坚决不扯什么“自然增长率”。特别是在这种短期活动很密集的业务里。如果一定要扯,采用买定离手的机制:大家事先谈好自然增长率是多少,事后就看这个数,不要再调整。这就跟下棋的时候拒绝悔棋是一个道理。

  1. 做什么目标,事先说清楚,从X%提升到y%;
  2. 找清晰、直观的目标,避免玄幻/复杂概念;
  3. 找与核心KPI相关的目标,避免杂项干扰。

这是彻底解决问题的三大原则。

当然,这么做会遇到两个挑战:

  • 挑战1:有些运营就是不知道咋定目标,帮帮忙?
  • 挑战2:有些活动就是事先没定目标,咋补救?

03 设定目标基本方法

设定目标有三种基本方法:

  1. KPI分解法
  2. KPI倒推法
  3. KPI场景法

分别对应:

  1. 活动目标是KPI指标
  2. 活动目标是KPI过程指标
  3. 活动目标是KPI关联指标

三个场景

有同学会问:为啥都和KPI挂钩?答:如果做的事跟KPI没啥关系,那你也知道这个事的重要紧急程度了。大张旗鼓做和KPI无关的事,本身就有可能是影响KPI的原因哈。

KPI分解法举例:

助力运营,数据分析怎么做?

KPI倒推法举例:

助力运营,数据分析怎么做?

KPI场景法举例:

助力运营,数据分析怎么做?

平时和运营保持良好的沟通非常必要,这样在策划早起,数据分析师就能介入。既能协助运营理清思路,又能帮助运营算清目标,还能为上线后监控、事后复盘做好准备,一举三得。事前工作到位,事后不用吵架,大家合作共赢,是最好的状态。

04 事后补救的基本方法

如果事前没有定目标,一定要事后补救的话,牢记:核心不是什么自然增长率,而是“业务到底需要把指标做成什么样子”。特别是如同开头的情况。整体目标已经扑街的情况下,事后再纠结自然增长率,往往会沦为甩锅大战。这时候可以分三步做:

第一步:定方向

助力运营,数据分析怎么做?

第二步:找方法

助力运营,数据分析怎么做?

第三步:看细节

助力运营,数据分析怎么做?

通过这样的操作,至少能结束稀里糊涂的状态,明确:我们到底要把曲线做成什么样。判断本次的方法要换成那种。在细节里,为下一次迭代找到优化方向。

注意,这么做更多是基于“目前已扑街”的判断。这么做在评估活动效果上并不科学。如果想科学评估活动,得事前设计好实验,分好测试组和参照组,测试用户响应效果。还是那句话:提前多准备,事后少纠结。

很多同学会说:即使这样做,我们公司的领导还是很迷信,运营还是很无脑,出了问题还是到处甩锅,咋办!即使这样,陈老师也建议大家先掌握:这个事该怎么做。这样遇到问题,至少大家能判断:到底是我的问题,还是别人的问题。至少能知道该往哪个方向努力。这也是真实商业场景和科学实验室的区别:你就是得带着镣铐跳舞,在有限的数据,各种类型的同事,过高过低的期望值之间走钢丝。

有同学会说:咦?咋只少了一半打架,另一半是啥?答:是活动事后分析的另一个永恒纠结的问题:你做这个又怎样!为什么活跃用户人数不能再高点?高了怎么多又如何呢?它一个指标高了,其他低了,又咋办!这就是我们常说的综合评估问题(陈老师习惯简称:又如何问题),有兴趣的话,我们下篇来分享这个问题。

  • 暂无推荐