之前我一直在從事運營的工作，所以今天就和大家從運營的角度看一看數(shù)據(jù)。今天我的分享分為四個部分。
我們首先來看一下什么是運營，就是產(chǎn)品上線以后的拉新和復(fù)活，現(xiàn)在朝著商業(yè)化方向走，成為一個完整的運營鏈條，就是把產(chǎn)品玩轉(zhuǎn)，最終實現(xiàn)商業(yè)化。
原來BAT時代更多的是線上產(chǎn)品的運營，包括滴滴和58這些企業(yè)的興起，然后慢慢地開始從線上到線下延伸，這種運營的范圍和對象就有了變化，產(chǎn)品可能只是運營的一個部分，可能先有一個業(yè)務(wù)的線下運營，然后慢慢地轉(zhuǎn)變?yōu)榫€上，運營的對象和數(shù)據(jù)的復(fù)雜度也在慢慢地擴展。
關(guān)于數(shù)據(jù)的展現(xiàn)運營效果，可能有過運營經(jīng)驗的朋友都知道，運營都是用一些指標(biāo)來限定的，比如轉(zhuǎn)化率和復(fù)購率，每一個環(huán)節(jié)都是數(shù)據(jù)的展現(xiàn)。我們把這些數(shù)據(jù)逐漸積累下來，展現(xiàn)并在歷史記錄當(dāng)中互相比較，橫向也會有更多這樣的業(yè)務(wù)，這個就是數(shù)據(jù)展現(xiàn)的層面。
另外就是數(shù)據(jù)程序化，我們會有不同的運營方案，通過做小流量的測試，最終決定我們的策略和使用的方案。
后面就是數(shù)據(jù)的挖掘，可能就是基于數(shù)據(jù)的積累，通過這種數(shù)據(jù)的積累來做關(guān)聯(lián)的挖掘，不斷地擴展我們業(yè)務(wù)的類型和策略。滴滴早期在做出租車業(yè)務(wù)的時候就是非常雷同，都是分單派單的模式，在平臺補貼，但在這種非常雷同的情況下怎么來突出自己的優(yōu)勢？最終就是效率和數(shù)據(jù)運營，通過數(shù)據(jù)的抓取我們看到一個地方各種各樣的信息，然后配備不同的策略，體現(xiàn)出來我們運營的優(yōu)勢，這些新的用戶進來可能會拉動更多的訂單。
數(shù)據(jù)的精細化運營可以帶來什么效果？主要可以體現(xiàn)在三個方面：首先是對運營策略的優(yōu)化，下一步就是通過什么樣的數(shù)據(jù)來優(yōu)化。另外就是在做決策的環(huán)節(jié)需要數(shù)據(jù)，還有就是我們的預(yù)測，用戶畫像通過用戶屬性的對比，我們在大市場當(dāng)中找到這樣的用戶，然后精準(zhǔn)地使用我們的拉新工具。當(dāng)然，使用精細化運營之后我們企業(yè)毛利的增值水平會在百分之六左右，這是一個行業(yè)數(shù)據(jù)。
如何利用數(shù)據(jù)驅(qū)動精細化的運營？數(shù)據(jù)的內(nèi)控上面有幾個關(guān)鍵點：
第一是屬性的定義，包括對象的年齡、性別、職業(yè)和收入水平，這些都可以反映一個用戶的流量。
第二是地域的特點，包括很多和O2O相關(guān)的企業(yè)，每個地方的用戶特點可能都是不一樣的，我們在成都的時候拼車率就特別高。
第三就是運營的內(nèi)容，不同的內(nèi)容都有不同的用戶反饋和用戶的記錄。
第四是行為的記錄，用戶在其他因素影響的情況下可以訪問線上的一些痕跡，包括搜索行為和點擊行為。我們可以從這幾個維度看到關(guān)鍵指標(biāo)，在某個維度研究的時候可以把其它的幾個維度固定下來，然后看另外一個維度的變化。
我舉的例子可能是和現(xiàn)在從事的工作相關(guān)，因為現(xiàn)在我做的是滴滴的用戶市場。其實滴滴在做出行的時候一直有一個出行的路線，就是做一鍵式的出行服務(wù)，每次點擊進去以后都可以到達想要的地方，然后直接送到目的地，包括我們的三億乘客用戶和我們的司機車主?，F(xiàn)在我們的工作就是圍繞一千五百萬的車主來做后市場的服務(wù)，主要是針對人的服務(wù)和車的服務(wù)，我們就看這些進入的人群，還有前期的服務(wù)模式。當(dāng)然，這樣可能也會干擾新的服務(wù)模式。我們也會對他們深化銷售服務(wù)，這里可能會衍生出互聯(lián)網(wǎng)的金融服務(wù)。
我們的模型是怎么搭建的呢？就是有線上這種實時觸達的目標(biāo)人群和車主，包括用戶的規(guī)模，線下匹配了我們這樣的服務(wù)網(wǎng)絡(luò)，承載的是服務(wù)，周邊的是我們和用戶新增的銷售，還有我們的車型和保險的銷售。就以車企的一個案例來進行剖析，包括用戶的畫像、實時的數(shù)據(jù)監(jiān)控，還有就是我們的培訓(xùn)專員以及漏斗分析。
消費者場所可能有線上消費，就是京東和淘寶，線下也有一些便利店，它的特點就是品類非常多，型號非常多，俱樂部里面其實是一個綜合服務(wù)場所，場地可能比較有限，倉儲也比較有限。這個線上也是可以類比的，因為產(chǎn)品空間有限，線上布局也比較有限，在這種情況下怎樣探索或者把業(yè)務(wù)突圍出來？
首先需要對用戶進行畫像，車企的用戶是怎樣的，這些車主的年齡層次一般都是三十歲到三十五歲，上有老下有小，他們的需求可能不是消費型的產(chǎn)品，而是實用型的，就是座椅靠背這樣的產(chǎn)品?；谶@些對用戶的分析，我們就會把商品縮得極窄，因為我們的展示中心比較有限，可能需要縮我們的SKU（庫存量單位），前提就是做海量的SKU測試，包括線上的產(chǎn)品，基于它的數(shù)據(jù)把SKU縮短到一千個以內(nèi)。
這個用戶畫像包括幾個方面，一方面是平臺上的數(shù)據(jù)，另一方面就是業(yè)務(wù)本身，到底需要什么樣的產(chǎn)品、喜歡什么樣的產(chǎn)品，到了這里以后銷售的情況是怎樣的，所以我們?nèi)プ隽艘恍┰圏c的工作。前提是把我們?nèi)奉惖臇|西展示出來，然后逐漸地把這個范圍縮窄，我們也會有和價格相關(guān)的合作，可能也會做線下的用戶導(dǎo)流，通過這些方式逐步把這個群體的畫像清晰起來，也包括一些商業(yè)數(shù)據(jù)和屬性數(shù)據(jù)。
關(guān)于實時數(shù)據(jù)監(jiān)控，有時候我們在做活動上線之后發(fā)現(xiàn)活動的點擊不高，只有百分之五左右，和以前的數(shù)據(jù)做了對比，第二天就回到了百分之十二。這個就是實時數(shù)據(jù)監(jiān)控，每個決策周期必須能看到前面的數(shù)據(jù)，然后可以影響到下一步的決策，這個是我們對數(shù)據(jù)的要求。因為我們有線上和線下的業(yè)務(wù)，對實時性的要求特別強，純線上可能引起數(shù)據(jù)的鏈接，涉及到線下更多的是用系統(tǒng)化的工具來解決。
數(shù)據(jù)分析是電商的情況下經(jīng)常用到的，百分之三十的用戶去買車的時候可能就要買一個車體包，這個時候也會衍生出關(guān)聯(lián)的產(chǎn)品，然后我們就做關(guān)聯(lián)的推薦，這也是一個完整的產(chǎn)品體系。
再講一講漏斗模型，其實可以基本符合我們營銷的心理過程，產(chǎn)生了興趣和欲望，最后再有行動，對應(yīng)線上訪問點擊下單到支付，其中每個動作、每個環(huán)節(jié)都有一個轉(zhuǎn)化率。漏斗模型界定的過程可以分為幾個方面，首先就是數(shù)據(jù)的應(yīng)用流程，包括我們的目標(biāo)體系，找不到我們的關(guān)鍵因子來做優(yōu)化。這里包括購買率、復(fù)購率和購銷率，關(guān)注的主要是這些指標(biāo)。
如果面對一個新的業(yè)務(wù)和一個新的產(chǎn)品，我們怎么建立強大的數(shù)據(jù)驅(qū)動精細化運營的流程？包括數(shù)據(jù)應(yīng)用的核心路徑，因為有的時候大家在運營中每天都在做這樣的事情，可能就會感覺這是日常的工作，所以這個過程非常關(guān)鍵，就是我們整個數(shù)據(jù)出來，用戶的界面到底是怎么樣的，然后就是銷售的環(huán)節(jié)。
接下來我們就要圍繞我們的目標(biāo)來做可量化，就是用可量化的方式分析目標(biāo)體系?；谶@種業(yè)務(wù)邏輯來做量化，量化完成以后就要做數(shù)據(jù)的采集，需要建立起來整套的數(shù)據(jù)供應(yīng)鏈，數(shù)據(jù)到底從哪里來，應(yīng)該通過什么樣的方式來采集，然后就是多個維度的分析，剛才也提到了一些分析的方面。分析了之后最重要的是跟我們的運營工作匹配，每個數(shù)據(jù)的表現(xiàn)運營動作是怎樣的，這樣的運營動作產(chǎn)生了好的結(jié)果還是差的結(jié)果，如果好的話可以繼續(xù)堅持，如果差的話就可以進行調(diào)整。
驅(qū)動更多的可能是對數(shù)據(jù)重視的心態(tài)，是不是每天都要看數(shù)據(jù)，或者堅持看專業(yè)指標(biāo)，每天的工作是不是圍繞看的數(shù)據(jù)情況來開展，這個可能是前期需要做的事情，而且是一個最關(guān)鍵的事情。
其實數(shù)據(jù)驅(qū)動運營的過程當(dāng)中我們也會面臨幾個難題：首先是數(shù)據(jù)太多，不僅體現(xiàn)在量上，而且體現(xiàn)在數(shù)據(jù)的最優(yōu)化。我們可能會面臨著一個非常龐大的數(shù)據(jù)體系，怎樣把它盡量結(jié)構(gòu)化地采集出來？也可能不是一個維度的數(shù)據(jù)，很雜亂，還有就是數(shù)據(jù)采集的流程比較慢，數(shù)據(jù)監(jiān)控不準(zhǔn)也會影響到數(shù)據(jù)的效率，包括數(shù)據(jù)的不準(zhǔn)確，也有可能真正采用這種情況。
我們一直在探討這個過程，就是數(shù)據(jù)能不能全部通過一張屏幕顯示，要是有這樣一個非常給力的系統(tǒng)，可以把我們常規(guī)的數(shù)據(jù)用一些固定的模型體現(xiàn)出來，不用每天去跑這種數(shù)據(jù)的分布，就非常好了。我們對數(shù)據(jù)的要求是擴展性好，通過一定標(biāo)準(zhǔn)化的東西界定用戶的流量數(shù)據(jù)。數(shù)據(jù)提取的過程中能打開一個口子，然后運用一些語句提取自己最想要的數(shù)據(jù)。當(dāng)然，整體來說就是可靠、簡單、易用和美觀，這是我們對于一個好的數(shù)據(jù)系統(tǒng)下的定義，我們自己也在朝著這個方向努力。
能不能把應(yīng)用分析詳細地講一下？
基于原來存量數(shù)據(jù)的應(yīng)用分析主要就是把數(shù)據(jù)的鏈條做得盡量長，比如只讓他買的這種東西有轉(zhuǎn)化率，但是沒有往下延伸，這個跟數(shù)據(jù)系統(tǒng)也有關(guān)系，可以采集到全鏈條的數(shù)據(jù)系統(tǒng)的時候做關(guān)聯(lián)分析就是一個水到渠成的事情，自然而然地就從另外一個視角來看買的東西的轉(zhuǎn)化，但從用戶垂直的角度來看就買了這個東西。
實際上數(shù)據(jù)分析的一個大前提是我們需要完整的數(shù)據(jù)收集過程，現(xiàn)在很多公司會有一個困惑，就是我們真的需要很多原始數(shù)據(jù)，但是收集注冊的過程當(dāng)中我們要求用戶留下很詳盡的信息，比如年齡、收入和愛好，這些是非常困難的，困擾運營人員的問題在于如何在收集原始數(shù)據(jù)困難的情況下導(dǎo)出運營策略？
這個可能就是我們流通的數(shù)據(jù)來源，主要包括幾個方面，主動調(diào)研是一方面，通過用戶本身的后臺體現(xiàn)也是一方面，機構(gòu)也可以提供一些數(shù)據(jù)過來，盡量把這個鏈條豐富起來，越是豐富價格就會越高，或者是通過產(chǎn)品里面設(shè)計的意向表達來做這樣的模型。很多時候如果用戶覺得一個東西是假的話就不會去做，所以盡量是在有價值的情況下，比如讓他自己購買自己感興趣的東西，購買過程當(dāng)中就會表現(xiàn)出來自己的一些行為特征，并不是發(fā)一個問卷問他喜歡什么。
剛才提到用戶畫像的時候有很多用戶的屬性，你們的時效性是怎么保證的？比如我的收入去年和今年也不一樣，去年可能賺一萬塊錢，今年就賺兩萬塊錢。
因為我們有一套實時數(shù)據(jù)反映用戶的收入水平是什么樣的，只是拿他當(dāng)時的收入水平進行匹配，而不是說用他當(dāng)時的數(shù)據(jù)預(yù)測他的未來，現(xiàn)在他的收入水平我都可以看到，包括年齡結(jié)構(gòu)等等。這個數(shù)據(jù)不是一個預(yù)測性的數(shù)據(jù)，不是拿歷史數(shù)據(jù)來預(yù)測。
本文根據(jù)神策沙龍演講嘉賓分享講稿整理而成。演講者：韓振威，滴滴出行快車事業(yè)部運營總監(jiān)，由@神策數(shù)據(jù)整理。
原創(chuàng)文章，作者：愛運營，如若轉(zhuǎn)載，請注明出處：https://www.iyunying.org/yunying/cpyy/72783.html
