活动运营推广数据分析公式 如何做运营 数据分析?( 二 )


若发现某些渠道显著提升/拉低关键指标, 则可对这一渠道进一步下钻分析 。 下图案例中, APP端站内提升了关键指标, 微博渠道则拉低了关键指标 。
按终端拆解
常见终端拆分如IOS/Android、APP/M/PC/小程序、使用设备机型等, 通过对比不同端对整体大盘的贡献及不同端各数据指标的横向对比, 可找出影响某一指标的关键端 。 下图案例中, APP端-IOS提升了关键指标, M端则拉低了关键指标 。
按时间/时期拆解
电商活动中经常会分时间节奏来进行不同的促销打法, 常见的如预热/高潮/返场, 如果有这样的分时期的策略, 则可按时期进行数据拆解对比, 找到某数据指标下显著高/低的时期 。
除了时期外, 按时间序列维度(月、周、天或小时)来进行分析, 找到影响关键指标的特殊时间点, 然后去复盘该时间点在投放的流量质量、分时的运营策略、选品、页面设计等角度是否有什么差异, 排查影响关键指标的可能因素 。
按业务/品类拆解
此维度往往是偏运营/采销视角的, 关注的是某业务/品类对关键指标的产出, 需要结合具体的选品盘品策略来分析是否有效 。
当品类数量较多时, 可以参考下图的帕累托模型来观测数据 。 观测的主要点为结合各品类的盘品量级和曝光量, 判断改品类是否有带来相应的售卖产出, 若偏低或偏高都值得特别关注, 后续可以据此做备货和曝光量的策略优化 。
按功能模块拆解
此维度跟页面设计关联性最强, 涉及到页面内容框架的安排与具体每个模块的功能&信息呈现 。 可以围绕北极星指标或其拆解指标观察各个模块(楼层)对指标的贡献情况, 对于位置靠前曝光量大但贡献低的(投入产出低)、以及位置靠后但贡献相对高(投入产出高)的可以特别关注, 进一步挖掘原因 。
按用户人群拆解
常规的人群分类有按人口学信息分类的诸如性别、年龄、婚姻、所在地域, 以及新老用户等 。 值得特别关注的是, 有些活动会进行更精细化的用户分群运营, 如按照银发族、Z时代、小镇青年等具有特殊特征的人群做差异化策略 。
具体要选哪一种人群维度来下钻, 首要的参考因素是活动策略里面有没有针对这个维度进行差异化运营, 前面提到的策略里面就有按用户分群进行精细化运营的, 就一定要按此维度下钻看每种人群策略是否有效, 是否有带来北极星指标的增长 。
其次是该维度下的人群数据差异是否足够大, 我们后续是否有资源在此维度上进行发力, 如某活动中女性用户占比显著高, 但贡献的GMV却显著低, 我们就可以尝试对女性用户进行进一步下钻分析, 判断我们是否能利用现有资源进行提升女性人群的售卖转化 。
人群下钻的方式可以更加精细(需要有足够的数据源支撑), 除了直接对比不同人群间的核心指标以外, 还可以针对某类人群进行前后链路的行为路径漏斗、购买偏好等特征进行分析, 以及结合用研定性调研, 挖掘该类人群可能遇到的问题以及后续可进一步撬动的机会点 。
3、还可围绕关键维度, 结合其他维度进行交叉分析完成多维度的下钻分析之后, 针对特别重要的某几个维度, 还可以尝试进行多维交叉分析 。
例如, 将用户性别和渠道交叉, 可能会发现微信端的男女用户跟微博渠道的男女用户差异, 将品类和时期交叉, 可能会发现不同时期更适合不同特性的品类爆发 。
但需要有个预期, 此步目前实际操作上可能会难度较大 。
一方面, 对数据提取和处理层面要求较高, 需要获得专业的数据分析师投入较多精力来支持;
另一方面, 对交叉对象的判断需要有足够的业务敏感度和行业经验, 对现状先有一轮深度的思考, 洞察/推断到一些迹象表明某两个因素之间极有可能是有关联的 。
不然有可能出现花了大量的时间和资源进行交叉分析, 但得不出有实际价值的结论 。
4、过程指标也不可忽视为什么要看过程指标
数据指标可以分成结果指标和过程指标 。 过程指标是产生某结果的中间过程环节的衡量 。 结果指标往往是从活动的商业目标中来, 用于衡量有没有达到商业目标, 更多的是在某个阶段结束后, 进行数据复盘用 。
如促销活动中, 销售额、订单量是结果指标, 带来这些订单的一层层的访问流量、点击量、加购量、支付成功量是过程指标 。
但在日常的数据追踪中, 更有价值的事情是根据当前的数据情况, 及时做出调整, 以保证结果指标达到预期 。

推荐阅读