本文将环绕运营活动讲讲，怎样经过数据剖析判别一场运营活动好坏，以及经过数据洞见活动的问题和机会点，为下一次活动供给避坑指南和增加方向。话不多说，直接入正题。
一、什么是个好的运营活动？
怎样样才算是一个好的运营活动？活动方针到达，且到达方针投入的本钱是适宜的，即投入产出比较高，则能够给出定论这是一个好的运营活动。
1、判别方针是否到达
全部数据剖析的开端，都是有某一个方针的。运营活动数据剖析的开端，也是要回到最初始，咱们规划这场活动的方针是什么？
衡量的要害点是找到量化活动作用的数据方针，也便是咱们常说的“榜首要害方针”或“北极星方针”。北极星方针方针来历于本次活动的方针，电商促销活动中最常见的方针便是快速卖货带动出售，相应的北极星方针便是GMV（订单金额总和）。
然后选取适宜的比照方针，比照判别北极星方针是否有到达突变。如跟上一年同期活动、或许平等量级且定位相似的活动进行比照。
值得注意的是，由于北极星方针常常会遭到多重要素的影响，比方GMV的增加或许并不是运营战略有用，而是大盘流量的天然增加带来的。所以有时分除了看北极星方针，还需求对北极星方针进行拆解，判别拆解后与本次活动中心战略相关最严密的方针是否也到达了突变。
2、为到达方针，投入产出比是否适宜
电商活动中常见的投入本钱有直接的优惠利益补助，如红包、优惠券等，以及广告投进、KOL明星协作等。经过这些投入，可带来更多的流量和转化，然后提高售卖GMV。促销活动的终究实质离不开商业价值，投入产出比越高，商业价值也越高，这也解说了为什么促销活动不直接就全部的产品都降价，让顾客以最简略最优惠的方法购买，而要做优惠券、满减等玩法。中心其实便是为了让途径和商家能以尽量少的本钱获取最大的价值产出。
所以在做活动复盘的时分，也得看获取某一个量级的增加，付出了多少的本钱，这个本钱比较以往或相似活动是否偏高。
二、怎样经过数据剖析找到问题和机会点
在做数据复盘陈述的时分，常见的状况是，咱们算出了北极星方针涨了or迭代，给出了定论活动方针到达or未到达。可是，再往进一步，老板问，是什么原因让北极星方针发生这样的改变的？许多人往往无法必定的给出切当的答复，这时分就需求对数据进行深化发掘了。
1、什么是上卷和下钻剖析
讲具体的深化剖析之前，需求先讲讲上卷和下钻剖析。数据剖析中的上卷和下钻简化一点，其实能够转变为逻辑树里边的“汇总”和“细分”，如把出售总金额拆分为华南、华中、华北等地域来剖析便是下钻，把广州、珠海、深圳、东莞等几大城市汇总为珠三角区域来剖析便是上卷。跟着维度的下钻和上卷，数据会不断细分和汇总，在这个进程中，咱们往往能找到问题的本源。
2、对北极星方针有挑选的进行维度下钻剖析
下钻的思路需求遵从从微观到微观、一层层往下细分的逻辑，但并不代表在每一层都需求对全部的维度的细分数据展现出来。下钻的维度有十分多种，需求依据对事务自身特征和本次活动的战略的了解来判别选用哪些维度来进行下钻，只需求展现最重要的细分数据即可。
下钻的进程也不局限于固定的1个或许几个维度，往往是多维组合的节点，进行分叉。当进行分叉时，咱们往往会挑选不同最大的维度进行进一步拆分，若不同不够大，则这个枝桠就不再细分。能够发生显着不同的节点会被保存，并持续细分，直到分不出不同停止。经过这个进程，咱们就能找出影响北极星方针改变的要素。
以下罗列一些电商促销活动中常见的下钻剖析的维度：
公式拆解最常见的公式拆解是GMV=流量*转化率*客单价=UV*UV价值，经过看拆解后的方针比照，找到带来北极星方针涨跌的要害方针。下面的数据事例可看出导致GMV跌落的首要要素是流量UV大幅下降而发生的，下一步，就能够从流量UV进一步下钻剖析，看是哪些途径的流量来历发生了较大幅的下降。
按途径/流量来历拆解途径即流量来历途径，常见的如站内天然拜访流量、站外微博/微信/头条/网易等投进途径、裂变共享流量等，能够经过比照每个途径和全体大盘的数据，找到影响某一方针的要害途径。若发现某些途径显着提高/拉低要害方针，则可对这一途径进一步下钻剖析。下图事例中，APP端站内提高了要害方针，微博途径则拉低了要害方针。
按终端拆解常见终端拆分如IOS/Android、APP/M/PC/小程序、运用设备机型等，经过比照不同端对全体大盘的奉献及不同端各数据方针的横向比照，可找出影响某一方针的要害端。下图事例中，APP端-IOS提高了要害方针，M端则拉低了要害方针。
按时刻/时期拆解电商活动中经常会分时刻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战略，则可按时期进行数据拆解比照，找到某数据方针下显着高/低的时期。
除了时期外，按时刻序列维度（月、周、天或小时）来进行剖析，找到影响要害方针的特别时刻点，然后去复盘该时刻点在投进的流量质量、分时的运营战略、选品、页面规划等视点是否有什么差异，排查影响要害方针的或许要素。
按事务/品类拆解
此维度往往是偏运营/采销视角的，注重的是某事务/品类对要害方针的产出，需求结合具体的选品盘品战略来剖析是否有用。当品类数量较多时，能够参阅下图的帕累托模型来观测数据。观测的首要害为结合各品类的盘品量级和曝光量，判别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注重，后续能够据此做备货和曝光量的战略优化。
按功用模块拆解此维度跟页面规划相关性最强，涉及到页面内容结构的组织与具体每个模块的功用&信息呈现。能够环绕北极星方针或其拆解方针调查各个模块（楼层）对方针的奉献状况，关于方位靠前曝光量大但奉献低的（投入产出低）、以及方位靠后但奉献相对高（投入产出高）的能够特别注重，进一步发掘原因。
按用户人群拆解惯例的人群分类有按人口学信息分类的比方性别、年纪、婚姻、地点地域，以及新老用户等。值得特别注重的是，有些活动会进行更精密化的用户分群运营，如依照银发族、Z年代、小镇青年等具有特别特征的人群做差异化战略。
具体要选哪一种人群维度来下钻，首要的参阅要素是活动战略里边有没有针对这个维度进行差异化运营，前面说到的战略里边就有按用户分群进行精密化运营的，就必定要按此维度下钻看每种人群战略是否有用，是否有带来北极星方针的增加。其次是该维度下的人群数据差异是否满足大，咱们后续是否有资源在此维度上进行发力，如某活动中女人用户占比显着高，但奉献的GMV却显着低，咱们就能够测验对女人用户进行进一步下钻剖析，判别咱们是否能使用现有资源进行提高女人人群的售卖转化。
人群下钻的方法能够愈加精密（需求有满足的数据源支撑），除了直接比照不同人群间的中心方针以外，还能够针对某类人群进行前后链路的行为途径漏斗、购买偏好等特征进行剖析，以及结合用研定性调研，发掘该类人群或许遇到的问题以及后续可进一步撬动的机会点。
3、还可环绕要害维度，结合其他维度进行穿插剖析
完结多维度的下钻剖析之后，针对特别重要的某几个维度，还能够测验进行多维穿插剖析。例如，将用户性别和途径穿插，或许会发现微信端的男女用户跟微博途径的男女用户差异，将品类和时期穿插，或许会发现不同时期更适宜不同特性的品类迸发。
但需求有个预期，此步现在实践操作上或许会难度较大。一方面，对数据提取和处理层面要求较高，需求取得专业的数据剖析师投入较多精力来支撑；另一方面，对穿插方针的判别需求有满足的事务敏感度和职业经历，对现状先有一轮深度的考虑，洞悉/揣度到一些痕迹标明某两个要素之间极有或许是有相关的。否则有或许呈现花了许多的时刻和资源进行穿插剖析，但得不出有实践价值的定论。
4、进程方针也不行忽视为什么要看进程方针数据方针能够分红成果方针和进程方针。进程方针是发生某成果的中心进程环节的衡量。成果方针往往是从活动的商业方针中来，用于衡量有没有到达商业方针，更多的是在某个阶段完毕后，进行数据复盘用。如促销活动中，出售额、订单量是成果方针，带来这些订单的一层层的拜访流量、点击量、加购量、付出成功量是进程方针。
但在日常的数据追寻中，更有价值的作业是依据当时的数据状况，及时做出调整，以确保成果方针到达预期。这时分进程方针就更重要了，由于成果方针仅仅成果，但进程方针能够追寻到细化的问题环节，辅导该环节的优化，带来成果方针的提高。
怎样找到进程方针进程方针能够从项目履行的呼应联系、以及用户的触点途径里边概括出来。例如在一场大促活动中，会涉及到活动页面规划、采销盘品、商场宣扬投进、用户了解活动到下单付出、物流配送、客服服务等许多环节，把整个活动各利益相关人和举动事项按时刻序列整理处理，就能够从中挑出跟自己所在人物强相关的环节以及其对应的进程方针。怎样用进程方针
进程方针最重要的用法是实时追寻监控，判别其健康程度。判别规范能够是该事务同时期的数据规则是怎样的，现在开展的阶段低于仍是高于惯例状况，并据此作出战略决断。例如，以往618呈现的规则是6月1日清晨有一波流量的迸发，可是本次迸发得不显着，就要排查本次的各途径的投进是否有正常进行，是否需求及时加大预算投入。
5、对细化的具体战略做验证
此进程是每个数据剖析都必须可少的环节，相对来说会更简略直接一些，首要的思路能够参阅之前的数据系列文章中介绍过的OSM（方针-战略-验证）模型，依据现象选取适宜的衡量方针，然后进行战略前后的数据比照剖析。具体就不过多赘述了。
三、几个需求防止的点1.全部数据都来历于数据库，对其他数据无视（外部数据、调研等）
数据库中的数据许多时分并不能反响全部的量化需求，比方用户在这次活动中下单了，但他的购物体会是好是坏、今后是否还愿意持续参加此类活动等问题、跟友商比较感觉怎样，此类问题更适宜的方法是找到典型用户来进行深度的访谈或做广泛的问卷调查。
2.不加挑选的进行数据剖析
数据剖析的视点有十分多种，不同的剖析视点适宜不同的剖析方针，应该环绕方针问题去挑选适宜的剖析维度，而不是照猫画虎按模板把全部的都跑一遍。且有些环节无法得到高质量的数据，有时就需求做出决断，甘愿不做此方面的剖析，防止由于不精确的数据导致过错的决议计划。
3. 先有方针成果，再进行数据剖析，报喜不报忧（仅为了陈述）
在某些陈述的场景下，为了便利上级快速get定论，往往不会把具体的剖析进程和细节展现，而是挑要点定论出来构成陈述。作为陈述人，常常会不自觉的报喜不报忧，优先展现好的成绩，疏忽或越过一些杂乱难以论述的问题。久而久之，或许自己也会被压服，对存在的问题不予以注重。
4. 数据并不能回答全部的问题，对事务的了解和考虑有时更重要（研讨事务实质问题比研讨KPI方针更重要）
在绝大多数的数据剖析场景下，KPI数据往往是全部人注重的重中之重，一旦呈现下降，就会经过维度的不断下钻，定位问题数据环节。这时分，从KPI视角来考虑，就会去考虑怎样去解决问题环节让KPI提高，然后作业就到此完毕了。这种形式带来的坏处，会让人过于迷信数据在考虑上偷闲，做的都是亡羊补牢而不是有备无患的作业。
有些时分数据问题背面的问题并不能单纯靠现状数值来解说，而需求人跳呈现状，看职业开展、研讨商场意向、了解用户心思来洞悉。所以，看数据之外，每个人都需求有留有考虑探究事务实质问题的时刻。
参阅资料：
《数据化运营速成手册》胡晨川·电子工业出书社出书
三大经典数据剖析模型，每一个都能帮你赚钱！
上一年今天运营文章2022:借搜狗联盟停服聊聊联盟广告职业(0)2022:17条卢松松近期言辞汇总(0)2022:优异的直播带货运营应该具有哪些才能？(0)2022:视频号重磅更新，这些功用总算等到了！(0)2022:做好积分营销能带来哪些价值？(0)
微信扫一扫 
支付宝扫一扫 
