自拍偷在线精品自拍偷,亚洲欧美中文日韩v在线观看不卡

基于數(shù)據(jù)分析給出運營建議,咋整?

大數(shù)據(jù) 數(shù)據(jù)分析
為什么不是低了要搞高,是因為很多業(yè)務(wù)都是周期性波動的,比如休閑類消費就是周末高,平時低;B2B交易就是工作日高,節(jié)假日低。

有同學(xué)問:“如何基于數(shù)據(jù)分析提出運營建議”,今天我們拿個簡單的題目來舉例。這個題目陳老師之前講過,有印象的同學(xué)應(yīng)該還記得。再舉一次,是因為每到招聘季都有人把它搬出來,而且有關(guān)它的大部分講解,都是錯的。

已知,下圖是某個電商一周銷售金額走勢(具體數(shù)據(jù)都差不多,總之曲線長這樣),問:數(shù)據(jù)反映什么問題,怎么提運營建議。

很多同學(xué)一看這個數(shù)據(jù),本能的回答就是:最后兩天低了,要搞高

問題就從這里開始!

1.為什么不能寫要搞高

因為如果面試官多問一句:你準(zhǔn)備搞到多高?就能把“要搞高”三個字干廢了。無論怎么后續(xù)怎么解釋都解釋不清(如下圖):

這就是:“說話的一張嘴,做事的跑斷腿”的直觀體驗?!耙愀摺比齻€字說起來輕松,可做起來一堆問題:

  • 為什么非要搞高?
  • 要搞到多高才算高?
  • 市場搞高還是銷售搞高?
  • 用什么型號的產(chǎn)品搞高?
  • 啥時候開始搞到啥時候?

所以說做數(shù)據(jù)分析的,要對業(yè)務(wù)常存敬畏之心,不然光空口白話,會被人笑話的。

真要提建議,當(dāng)然得從第一個問題開始。為什么非要搞高是最初的判斷,也是最重要的判斷。判斷錯誤會把整個方向帶歪,搞得大家興師動眾勞而無功,所以一定要慎重。

2.第一個建議是要不要搞

為什么不是低了要搞高,是因為很多業(yè)務(wù)都是周期性波動的,比如休閑類消費就是周末高,平時低;B2B交易就是工作日高,節(jié)假日低。碰上小長假之類的,除了吃喝玩樂大部分其他交易都會停。所以得多看幾周數(shù)據(jù),看過往趨勢。

有些商品交易有明顯生命周期性,比如手機都是新上市的賣的好,過一段時間性能落后淘汰了就自然會差。題目僅給了一張圖什么條件都沒說,所以有可能這是某個(或者某些類)商品的生命周期末尾,因此還得看具體品類。

我們還不知道,到底這一周交易的目標(biāo)是多少,如果目標(biāo)已達成,那即使低一點又有啥問題,所以還得看任務(wù)目標(biāo)。

綜上,想說:要搞高,前提是先判定這個數(shù)是低。這樣就得先找標(biāo)準(zhǔn)。我們得綜合趨勢、品類生命周期、任務(wù)目標(biāo),綜合下結(jié)論(如下圖):

很多同學(xué)說,這一步看起來很簡單呀,不就是把曲線拉長嗎。實際上情況可能很復(fù)雜。請注意,簡單是建立在兩個情況上的:

  • 銷售金額是個很直觀的、數(shù)值型的、結(jié)果性指標(biāo),高就是好,低就是不好。
  • 上邊舉例的三種情況,都是嚴(yán)格符合趨勢,且前后走勢一致。

如果情況1不成立:比如是閱讀量、用戶數(shù)這種過程指標(biāo),判定就變得復(fù)雜。你得看這些過程指標(biāo)的漲跌,和銷售金額,毛利這種結(jié)果指標(biāo)間有沒有直接關(guān)系。如果是轉(zhuǎn)化率這種比率型指標(biāo),就得先看是分子小了還是分母小了。

如果情況2不成立,往往意味著一種特定的業(yè)務(wù)行為。比如下邊兩種很常見的場景,在整體達標(biāo)的前提下,內(nèi)部結(jié)構(gòu)發(fā)生了有趣的變化,這種變化到底是好還是壞,會不會眼前看著達標(biāo),后邊幾期數(shù)據(jù)就不達標(biāo),都有可能,這時候就得更深入的分析。

3.第二個建議是要搞多高

如果經(jīng)過判斷有問題,真的要搞高,那第二步的判斷就是:要搞多高。很多人會說:不是越高越好嗎?顯然不是!應(yīng)該是:在投入一定的情況下,越高越好。你的商品主管、用戶運營、產(chǎn)品經(jīng)理、網(wǎng)站開發(fā)在短期內(nèi)的投入能力都是有限的,因此得定個合理的小目標(biāo)。

如果上一步做的很扎實,那么這一步就非常好做:

  • 參考標(biāo)準(zhǔn)1:KPI??梢杂嬎阕龆喽嗌俨拍苎a齊KPI
  • 參考標(biāo)準(zhǔn)2:自然周期。可以計算看多做多少才能讓業(yè)績曲線保持過往周期性運轉(zhuǎn),至少止住持續(xù)下跌的態(tài)勢。
  • 參考標(biāo)準(zhǔn)3:生命周期??梢钥窗茨壳吧芷冢A(yù)計商品還有多少周銷量,再看要做多少才能趕上節(jié)奏,避免后期積壓。

當(dāng)然,以上都得和具體品類結(jié)合。如果題目沒講清楚,可以根據(jù)自己的理解假設(shè)情況進行深入。不深入,越到細(xì)節(jié)討論,可能性就越多,越難講清楚。

4.第三個建議是誰來搞

再往下建議,先定干活的人,再講具體怎么干。注意,不同部門可以干的事是有區(qū)別的。

  • 流量運營:為全站引流,分配流量
  • 商品運營:商品選款、上下架、補貨
  • 活動運營:促銷活動、宣傳活動
  • 用戶運營:給制定用戶發(fā)券
  • 產(chǎn)品經(jīng)理:調(diào)整購買路徑

因此想提有用的建議,得先明確是提給誰的。這里就需要拆解問題,落實到具體產(chǎn)品品類、用戶等級上。但在拆解之前注意:先區(qū)分是整體性問題,還是局部性問題。如果是整體性問題,比如整體上流量不足,競爭對手爭搶用戶太厲害,產(chǎn)品線整體老化,這時候就得出殺招,考慮整體流量,出爆款。要是只是個別產(chǎn)品的問題,可以再具體考慮。因此看結(jié)構(gòu)性變化,就是個重要的參考數(shù)值。

5.第四到第N步建議

再往下繼續(xù)提建議,會涉及到具體怎么做。請注意,“怎么做”是不能直接從數(shù)據(jù)層面推導(dǎo)的。比如在上例一中,我們看到了A產(chǎn)品銷量下降是引發(fā)問題的關(guān)鍵,但是,是選擇C產(chǎn)品替代A,還是基于A重新做活動,還是全站導(dǎo)流。這里需要業(yè)務(wù)的專業(yè)判斷。

數(shù)據(jù)可以做的分兩種:

第一, 上次出現(xiàn)類似情況,是如何處理的,最后效果如何

第二, 常規(guī)措施,促銷、新品、用戶活動,大概投入產(chǎn)出多少

基于這兩點,先判斷整體策略方向:到底用什么手段,用多少投入。之后才是細(xì)節(jié):具體哪天上什么產(chǎn)品,優(yōu)惠力度是多少,發(fā)券面向多少人……在更細(xì)節(jié)層面,比如券面額,活動形式上,可能還得配合一些ABtest才能得到最后結(jié)果。

這樣層層深入,每一步都基于之前獲得共識的判斷,能非常有效的助力業(yè)務(wù)思考,也不容易被推翻。既不是一上來拋個宏大的話題:“要搞高”,也不是一下踩到很細(xì)的細(xì)節(jié):“老夫掐指一算,只要在2月5日派200張面額50滿200減50全場通用的券,定可逢兇化吉扭虧為盈”。這才是數(shù)據(jù)分析真正發(fā)揮作用的方法。

6.小結(jié)

很多同學(xué)覺得提建議很難,總覺得提的不夠細(xì),其實主要是思考的不夠細(xì)導(dǎo)致的。如果一上來只有一根曲線,沒有走勢分析,沒有結(jié)構(gòu)分析,沒有標(biāo)桿,肯定建議也細(xì)不下去。甚至連“要不要搞高”這么簡單地建議都會提的毫無依據(jù),很容易被挑戰(zhàn)。

運營、產(chǎn)品、銷售、營銷做事情都是很具體的5w2h。

  • 應(yīng)對什么問題
  • 面對什么人
  • 在什么時間
  • 什么渠道
  • 以何種形式
  • 用什么力度
  • 得什么效果

這里每一個點其實攤開來都是數(shù)據(jù)分析可以解釋,驗證的話題。但是如果直接插入這些細(xì)節(jié),就會陷入:“為什么非得是A不是B”的各種論戰(zhàn)里無法脫身。

因此我們建議用剝洋蔥的方法:

  • 從最簡單的:“是不是”搞起
  • 先問是不是這個問題
  • 再問是多大的問題
  • 再問是哪里搞出來的問題
  • 再問能怎么整這個問題
  • 再問這次可以選哪個手段
責(zé)任編輯:武曉燕 來源: 接地氣學(xué)堂
相關(guān)推薦

2022-08-29 07:11:05

業(yè)務(wù)數(shù)據(jù)模板

2023-10-11 11:34:54

數(shù)據(jù)分析運營

2019-04-15 13:40:47

大數(shù)據(jù)分析建模數(shù)據(jù)數(shù)據(jù)分析

2023-05-15 12:56:32

運營數(shù)據(jù)分析

2022-10-18 11:47:08

數(shù)據(jù)分析運營直播

2025-04-23 02:00:00

智能化安全運營

2017-02-09 17:51:18

數(shù)據(jù)分析數(shù)據(jù)系統(tǒng)互聯(lián)網(wǎng)

2023-02-26 00:00:03

數(shù)據(jù)分析數(shù)據(jù)模型

2018-11-20 14:24:46

數(shù)據(jù)分析數(shù)據(jù)庫統(tǒng)計

2021-11-10 05:00:58

數(shù)據(jù)分析運營

2019-06-19 16:01:14

Spark數(shù)據(jù)分析SparkSQL

2025-04-30 08:00:55

2021-04-29 17:43:56

運營安全技術(shù)

2022-10-09 11:32:52

數(shù)據(jù)分析業(yè)務(wù)銷量

2024-10-09 11:57:34

2009-08-14 10:58:13

Oracle云計算

2021-04-21 12:05:45

分析數(shù)據(jù)運營

2018-06-15 20:44:40

Hadoop數(shù)據(jù)分析數(shù)據(jù)

2022-03-08 23:46:06

數(shù)據(jù)分析大數(shù)據(jù)

2015-02-12 12:44:15

微博大數(shù)據(jù)
點贊
收藏

51CTO技術(shù)棧公眾號