[[434131]]

“做分析不能光羅列數字，要有有深度的結論!”

這是很多公司對數據分析師的要求。然而到底怎么做才有深度?除了羅列購買人數、購買率等數據，到底還能分析啥?今天結合運營的例子，具體講解下。

01從最簡單的場景入手

設想一個最簡單的場景：全場5折!件件五折!樣樣五折!作為消費者，我們最喜歡這種簡單粗暴又實惠的方式。

但是站在運營的角度看，這樣有啥問題呢?因為消費者不止一類人，每個企業面對至少四類消費者，并且其中陌生人才是大多數(如下圖)。

單純地打折，導致的結果就是經營盤子越做越小，銷量可能維持在一定水平，但總利潤是越來越低的。

如果數據分析師不懂得背后的運營邏輯，只是單純陳列數據的話，那么就會啰嗦一堆：“購買客戶數XX人，購買金額XX萬，較上月下跌x%……”

但這些都僅僅是現象陳述，這里的深度問題是：手段粗暴，缺少引流。如果一個企業的運營只會這么干，那歷次打折疊加的效果更明顯(如下圖)。

所以，想解讀數據更深入，需要以下兩者缺一不可：

1、理解運營基本邏輯

2、用數據佐證邏輯

02從簡單到復雜

為了改變這種簡單粗暴的做法，人們自然會想到：拆分人群來做。最直觀的拆分是把新用戶和老用戶區分開，做不同策略。如果不考慮運營邏輯，數據分析師會本能的給出三個分析基本思路(如下圖)。

但注意，當策略有了組合的時候，就會有疊加效應，因此引出三個更深層的話題：

• 1.單個策略執行是否有效
• 2.兩個策略之間，是否有銜接
• 3.整個策略組合，成本是否失控

這三個問題是由小到大，逐層解決的。

03單個策略優化

以獲取新用戶舉例，設想一種最簡單粗暴的方式：新用戶首單1元買商品。優惠力度大，簡單粗暴，作為顧客的話我們人人喜歡。

但是站在運營角度，這么簡單的活動，都至少有五個部分組成(如下圖)。

如果孤立地只看一次活動，那么作為數據分析師，肯定只能得出：曝光量XX萬，引導注冊X萬，購買人數X萬這種沒有結論的數據。

但是把所有活動，按照策略目標編織成活動組，就能進一步發現問題(如下圖)。

這里能反映出很多更深層的問題：

1.單一活動，沒有做過優化

2.做優化毫無章法，無法有效積累經驗

3.做優化僅僅優化某個部分，放棄其他動作

簡單來說：運營自己沒有本事做，瞎胡亂改，東抄抄西抄抄。如果這種狀態也能出業績，那就只能證明：大環境真的很好。如果沒有出也是理所當然的。

還有另一種情況，就是優化了若干版本以后，發現：一個渠道的新用戶數/轉化率是有上限的，至少在目前的文案創作能力+商品+優惠政策下，是有最大限額的。

如果能證明這一點，也能得出一個更深層結論：需要新開渠道，支持更大的業務目標。這樣的結論，也能避免數據分析師被人揪著不停地問：“為啥就分析不出更多優化點了”——它可能真的就只有這么多。

04兩個策略銜接

還拿上邊的例子，當新用戶完成首單以后，已經有了注冊信息和首次交易數據，就能做更多分析，也能導出更多策略。

注意，在運營角度，這里的很多策略是固定可做的，根本不需要做分析也知道能做，數據分析支持的，僅僅具體的做法以及數量(如下圖)。

此時，除了簡單地輸出：復購率、復購人數、復購商品量等等數據以外，將兩個策略結合來看，能看出更多深層次問題(如下圖)。

為什么用戶不復購?如果直接問數據分析師，估計能把人問傻，但結合之前新人階段策略以后，就能得出更深層分析結論：

1.因為根本沒有策略承接這一群新人

2.有策略，但是過于單一，未結合消費習慣

3.有策略，很多樣，但缺少培育，就知道收割

4.有策略，有培育，但時機不對，太早/太晚

這些結論，是需要把前后策略連起來看，才能深入發現的。

05多策略管控

當策略越多，策略之間的相互影響越明顯。此時運營會有兩個明顯的傾向：

第一類：各部門各自為戰，拉新、復購、高價會員一個小組一套策略，營銷費用瘋狂燃燒。

最簡單的例子：負責拉新的部門為了自己的考核數據好看，在拉新的時候多塞了幾張優惠券，優惠券又有3個月有效期。結果等第三個月負責復購的部門來做活動的時候，用戶莫名其妙又多拿了幾張券。

最后的結果，要么是羊毛黨把券都用掉，薅個痛快。要么就是用戶挑了優惠最大的券用，總之，得有個部門郁悶：“為啥我的券沒人用??”

這些問題，在單一的活動復盤里很難講清楚，但把所有活動圍繞活動編織成策略組，就看得很清楚。能及時發現活動間堆疊，能基于每個用戶計算清楚到底投放成本去到多少(如下圖)。

第二類：各種動作混為一談，又要用戶看直播，又要用戶下載APP注冊，又要玩游戲，最后才能得個可憐巴巴優惠券。

這種情況根本不需要舉例，現實生活中太多了，而且經常是操作越整越復雜，優惠越給越少。一個基本的常識就是：流程越長，流失越多。看似面面俱到，實則面面俱廢。

此時作為數據分析，除了給到這個巨復雜的流程數據以外，還可以把這個巨復雜的流程，對應回基礎用戶數據，看看丫實際覆蓋了哪些人，到底激活的是誰，這樣就能把大而無用的問題暴露出來。

06小結

在數據分析領域，一直以來都有拿著錘子找釘子的不良習慣。今天書本上講了邏輯回歸模型，所以邏輯回歸能怎么用到業務上，快給我一個邏輯回歸業務，謝謝。

可如果真的理解了數據模型的本質，你會發現：數據模型本質上是點試的輸出。比如邏輯回歸，它就只有一個二分類結果：是/否，沒了。比如線性回歸，它就只輸出一個連續型的數字，沒了。

而具體到運營工作上，運營的工作是鏈式，是交織在一起的，是一步步迭代的。因此不可能指望一個點試的結果解決問題。即使預測出來一個人不消費，又怎樣!

• 要在哪里接觸到他?
• 要投什么商品吸引他?
• 要幾點幾分推信息?
• 推送了他不點擊咋辦?
• 你確定推的文案他看得懂?

對手搞了更大力度優惠，又怎么辦?

這些一系列的問題，都不是靠著一個數據模型預測出來的，而是先要把運營策略梳理清楚，編制分組，理清內部邏輯，才能結合數據，發現盲點，從而找到更深層的原因。