海外翻墙免费加速器[入口]

企业数字化运营是未来的趋势。数字化运营带来的不仅是工具的改变,还有思维的转变。数字化运营能力的提升能够重塑产品与服务的各个环节,更重要的是可以减少企业与用户之间的摩擦,提高用户运营效率,实现业务目标与资源匹配的有效整合。

数字化运营能够最大限度地提高运营流程的标准化程度,降低人为因素造成的风险,是更为精细化的运营方式。

精细化运营恰恰是在如今用户精细化后的商业环境下,尤其是在产业互联网大背景下,ROI最大的运营方式。精细化运营能够有效解决用户分层、分级的体系建立问题,有针对性地进行个性化用户运营,并提供有针对性的服务体验,真正让每次运营都精准实施。

运营是一个对数据感知要求很高的岗位,哪怕是业务数据的千分之一的变化都要求感知到。每个运营人员都应该有这种感觉——每天都要看数据。运营人员不仅要提供产品需求评估的数据、技术Bug的特定数据记录,还要提供与合作伙伴的参考资源数据。最困难的是运营人员每周或者每月都要给老板呈上一份全面的数据报告(这份数据报告要涵盖业务的方方面面),还需要能够当场完美地解答老板对数据提出的每个疑问。

数字化运营的逻辑框架

数字化运营一方面是在用户层面实现用户价值,通过精细化的用户触达,提高获客效率;通过对用户的分群与分层,对业务流程进行诊断与重塑,精准匹配产品与服务,优化用户体验,提高用户的获得感与满意度,从而提升业务环节的转化率,实现用户价值的跃升。另一方面通过对营销策划、渠道挖掘和营销数据回溯,优化与市场之间的营销交换,提升市场影响力与业务直接价值转化率。

产品运营的效果需要定量地呈现,通过建立核心业务指标,可以将产品运营的效果可视化。数据分析在B端运营中落地,需要分3步走。

第一步:建立运营指标。

其方法是将企业的战略目标分解,将目标分配到数据运营体系中的渠道、产品、用户和活动中,再细化为实际运营指标。

不同产品的核心指标不同,我们要建立核心指标,通过核心指标找到衍生指标,形成数据指标集(我们称之为数据指标体系)。不同产品的数据指标体系是不同的,做好数据分析首先要了解产品,了解产品的关键核心并拥有极强的抽象能力。

第二步:分解运营职责。

数据团队根据用户与企业的交互,从感知、获客、活跃、留存、收入、传播等节点,为企业的销售团队、活动团队、产品团队、内容团队提供运营活动参考,然后将指标落实到不同团队的具体岗位上。

第三步:指标驱动运营。

运营团队要实时跟踪业务运行指标,针对波动做调整,也要找到数据运营的场景,确定核心指标,驱动运营。

数字化运营最终实现的目标就是从业务诊断与提升、数据应用方面,建立用户洞察、数据分析、用户管理、营销自动化的核心能力,全面培育企业数字化运营能力,实现业务科学决策与产品服务的智能化,最终真正实现可持续性增长。

数据分析能力的3个阶段

随着企业数字化运营的发展,运营人员的能力也随之需要进行重新定位与提升。运营人员的数据分析能力分为3个阶段,如图4-5所示。

企业如何运用数据驱动达到业务增长 第1张入门阶段:能够理解各个运营指标的含义,发现运营过程中的问题和机会;能够熟练地使用一些数据分析工具,通过分析得出可靠的结论,并提出可行性建议。

进阶阶段:在入门的基础之上能够深入、多维度地理解问题,发现问题的根源;在分析过程中不仅能够得出结论和提出可行性建议,还能找出规律,预测未来的发展。

专业阶段:具备建立整套数据分析体系的能力,能够指导并参与业务规划;能够对所在行业及竞争对手进行深入分析,提出影响决策层的结论和建议。

众所周知,数据分析的应用范围非常广,而典型的数据分析有如下3种。

  • 一是探索性数据分析。用户数据杂乱无章,我们不容易从中看出规律,可以通过画图、造表,探索某些规律。
  • 二是模型选定分析。在数据探索的基础上提出几类可能的模型,通过进一步分析从中选定模型。
  • 三是推断分析。用数理统计的方法对选定的模型做各种可靠的推断。

数据分析的一般流程

对运营人员来说,数据分析的思路与运营的过程相似,即了解数据分析的目的、维度,以及从数据分析中得出的结论,查找运营执行中出现的问题,从数据中找出问题产生的根源,通过数据分析原因,提出问题的解决方案,启动运营优化策略,并根据数据进行优化。数据分析的一般流程如下。

1. 明确分析目的和思路

运营是靠目标驱动的,运营工作一般都有很强的目的性,运营人员在进行数据分析时要遵循目标驱动的原则。在进行数据分析之前,运营人员应该梳理清楚想要解决的问题,以及想要得到的答案,形成数据分析清单。数据分析清单被称为“5W2H”,笔者称之为运营人员的“数据分析灵魂7问”。

  • What:提炼数据分析的思路和目标,包括核心业务是什么?业务流程是什么?核心指标是什么?其他指标是什么?其他数据分析的目的是什么?最终想要解决的问题是什么?用什么样的数据分析方法?
  • Why:为什么会出现这样的数据?原因是什么?理论依据是什么?后期解决措施应该如何推进?
  • Who:分析的用户群体是哪些?他们有什么样的特征?出现这样的数据是否和用户群体的某种特性有关?
  • When:数据分析的周期是多长?中间采用了什么样的运营策略?
  • Where:用户在哪里?哪部分的数据?是否和区域有一定的关系?
  • How:如何进行数据分析?什么样的数据分析方法最有效?
  • How Much:从用户的角度分析,用户在使用产品时花费的时间是多少?从内部的角度分析,开展数据分析所需的时间和成本是多少?
  • 从数据分析中,我们可以了解到单个渠道的获客效率和转换率,以及用户的ARPU值(Average Revenue per User,每用户平均收入)。有些渠道的用户转化率高,但ARPU值低。不同的渠道有着不同的用户属性和价值点,导致最终数据的结果出现差异。

2. 数据收集

运营数据越详细越好,我们还要全局考虑,统一规划。所以我们在前期收集数据时就要想到整个数据分析的周期,将后期需要的数据尽可能一次性收集完整,这样可以保证数据的连续性,让运营每个环节的数据进行相互验证,形成交叉分析结果。

项目大盘分析包括累计有多少项目,项目是否具有区域特色和行业特色,商业机会的转化率是多少,交付情况如何,哪些项目交付了哪些产品,产品的授权情况如何……

专项盘点分析包括用户最喜欢什么产品,用户的活跃度,与业务相关的数据的变化趋势,从初级线索到签约花了多长时间……

这些都是非常基础的数据,足够让我们了解整体项目的情况。更多运营数据还需要我们结合业务需求去定义。

同时,我们需要了解市场上同类产品的情况,才能更好地了解我们的实际情况。有对比才知道自己在行业中处于什么水平,以及未来还有多大的增长空间。

3. 数据处理

对收集到的数据进行处理和排序,形成适合数据分析的样本。要从大量杂乱无章、难以理解的数据中提取和推导出有价值、有意义的数据来解决运营中出现的问题,可以采用数据清洗、数据转换、数据提取和数据计算等方法对数据进行处理。

4. 数据分析

运用适当的数据分析方法和工具,对处理后的数据进行分析,提取有价值的信息,形成有效的结论。除了关注运营数据,还需要了解产品给用户带来的真正价值。

不断从售前、售中、售后各个环节挖掘用户需求,及时应对用户反馈,将用户反馈转化成定性数据并对其进行分析。
另外就是成本分析。在运营项目时,做好资源成本控制工作,了解项目各个环节、各个角色的时间和人力投入,便于有序地对服务成本进行梳理。在报告项目时,结合项目成员的资源能更直观地了解投入产出比。

5. 数据应用

对数据进行可视化地呈现。通过表格、趋势图、饼图等形式进行解释和说明,可以直观地表达数据分析的结果和观点。如果最后的数据是供自己参考的,那么我们只需在数据呈现出来时,清楚地理解想要的数据规律,并从数据中获得一些灵感即可。如果需要领导决策和参考,我们就需要可视化地呈现数据分析结果,在数据图表中做进一步的分析和说明。

6. 撰写报告

如果是自己进行数据分析,那么我们通过对数据的分析和处理,找出数据变化的原因,提出解决问题的方案,并进行优化和使用,在多次试验中找到解决问题的最优方案即可。

如果数据分析的结果要为领导决策提供一定的数据和理论依据,我们就必须充分表达数据分析的最终结果是什么,是什么原因造成这样的结果,针对这样的结果有什么样的解决办法。

数据分析的最终目的是为解决问题提供数据参考依据或者找出以往数据的优缺点,为未来进一步加强优势或者解决问题提供支撑。对B端运营来说,靠感觉这样的事情本身就极为不靠谱,我们最终还是得从数据出发,找到解决办法。

常用的运营数据分析模型与方法

运营人员在面对一堆数据时应该从哪些维度对其进行分析?应该用什么样的数据分析模型与方法?下面介绍几种常用的数据分析模型与方法。

1. RFM模型

RFM模型是常用的数据分析模型。运营人员利用这个模型可以分析出用户是否属于高价值用户,是否可以实施有效召回。R(Recency)表示最近消费,最近消费时间越近,召回用户的可能性就越大,用户价值就值得进一步探讨;F(Frequency)表示购买频次,即在某个周期内用户购买的频率;M(Monetary)表示消费金额,单次消费金额越大,说明用户价值越大。

根据RFM模型,运营人员可以将用户分为不同的类型。针对不同类型的用户,运营人员可以用不同的方式去进一步提升其价值,最终达到提升成交额的目的。

2. 漏斗模型

漏斗模型是用户操作中常用的一组模型。从最初的用户获取到最终的用户流转,经历了一系列的数据还原和再现。例如,上一步和下一步的转化率是多少,与行业平均转化率存在哪些差距,各个渠道的转化率有什么区别。通过漏斗模型,运营人员可以看到从最初的用户获取到最终的实现是否存在异常情况,以及每个渠道之间是否存在明显的差异。

3. 对比分析法

对比分析主要是为了通过数据的比对,发现问题和规律,从而更好地提出解决问题的建议和对策。一般通过与自身做时间对比、空间对比(不同城市)、目标对比(优化后的目标与设定的目标对比、年终与年初设定目标对比)、用户对比(新老用户对比)与竞品对比等,完成数据的对比分析。

4. 分组分析法

分组分析法一般与对比分析法结合使用,分析内容的组成复杂,分组后各组间的差异较大。分组分析法是将总体数据按照某个特性划分成不同的部分和类型进行研究,一般在按照时间、产品类

最初的用户获取到最终的实现是否存在异常情况,以及每个渠道之间是否存在明显的差异。

3. 对比分析法

对比分析主要是为了通过数据的比对,发现问题和规律,从而更好地提出解决问题的建议和对策。一般通过与自身做时间对比、空间对比(不同城市)、目标对比(优化后的目标与设定的目标对比、年终与年初设定目标对比)、用户对比(新老用户对比)与竞品对比等,完成数据的对比分析。

4. 分组分析法

分组分析法一般与对比分析法结合使用,分析内容的组成复杂,分组后各组间的差异较大。分组分析法是将总体数据按照某个特性划分成不同的部分和类型进行研究,一般在按照时间、产品类型、用户群体、销售渠道等多个维度的特征差异对总体数据进行分组后,找到不同组别之间的关系,从而进行更好的对比,深入分析其内在规律。

5. 矩阵关联法

矩阵关联法适用于分析内容有多重属性,且多重属性无直接关联的数据。例如,在做项目案例分析、市场分析、用户分析时,运营人员经常会用到波士顿矩阵法,提炼工作重点,确定运营重心,制定差异化的策略。

6. 逻辑树分析方法

逻辑树分析法适用于需要层层分解维度和指标的场景,对复杂指标做层层拆解,发现问题和机会。各个拆解维度包括的内容不能重复,要穷尽所有维度。

数据分析是对运营现状的分析和对未来的洞察,不管是对上一阶段工作的总结,还是对未来工作的计划,都有非常重要的借鉴意义。在进行数据分析时,运营人员要立足企业与产品的现状和实际情况,确定适合自身产品和业务的指标体系,不能好高骛远,也不能生搬硬套。