数据分析数据运营加速器
业务产品是基本盘 ， 市场推广、运营、品牌等其他手段均是对基本盘的加持 ， 至于加持系数的大小 ， 则是“天时、地利、人和”等前浪因素的影响结果 ， 如果再给加持系数加一个放大器 ， 或许“数据”后浪是不错的辅助燃料 。
数据运营驱动“三板斧”
不论是AISAS模型 ， 还是AARRR模型 ， 都是对某个业务场景逻辑的浓缩， 比如AISAS模型就是对用户行为分析过程的浓缩 ， 而AARRR模型则是对用户生命周期重要节点的浓缩 ， 前者主要应用于获取用户阶段 ， 后者则将贯串业务发展始终 。 数据辅助增长的过程也可以浓缩为“埋点定位---观测分析---测试优化”三板斧 。
埋点定位的过程是结合业务逻辑与应用场景 ， 将整个业务过程拆分为若干个节点 ， 然后对每个节点进行数据埋点 ， 从而收集相应的业务数据 ， 通常而言 ， 会包括时间、地点、人物、交互、交互等元素 ， 这些也是埋点中必备的字段 。 比如电商APP中的事件通常与用户的操作路径相关 ， 比如APP启动---注册---登录---商品搜索--商品列表点击--详情页浏览--提交订单---支付等 ， 而一个事件通常又包含多个属性 ， 这些事件属性又与对应的用户属性交叉 ， 进而将用户行为转化为多维度的定位数据 。
本文插图
伴随时间的推移和业务的发展 ， 系统收集的数据会越来越丰富 ， 此时我们根据业务需求搭建的数据看板会慢慢的丰满起来 。
【数据分析数据运营加速器】
本文插图
通过数据看板我们能够发现业务的日常波动变化 ， 当关键指标数据发生异常波动时 ， 我们就需要多方面寻找原因：流量来源方面， 可追踪不同渠道流量质量 ， 看渠道流量质量短期可看访问时长 ， 访问深度 ， 跳出率 ， 以及目标转化比率 ， 长期可通过群组分析追踪留存与持续付费情况；平台方面， 一方面可追踪不同客户端转化场景数据差异 ， 看看是否为平台版本升级原因所导致的数据差异 ， 比如对比升级后的H5,小程序以及APP间同样的转化路径下 ， 转化漏斗数据间的整体差异 ， 进而定位是否为某个版本的异常；产品舆情与竞争方面， 一方面关注产品及运营活动本身 ， 产品口碑在社交平台上是否遭受负面 ， 收到的产品相关投诉是否异常；另一方面关注竞品的活动、价格 ， 以及其他平台的特殊补贴活动情况 。
观测分析的过程是发现问题的过程 ， 只有发现问题我们才能持续优化改进 ， 如果问题出现在流量质量上 ， 那么就要进一步追踪具体渠道数据 ， 一步一步的还原投放路径 ， 寻找具体问题所在 ， 这个时候就涉及到评估优化策略 ， 涉及到测试调优 ， 以及迭代投放策略的调整 。
数据测试调优环节与数据定位环节相对应 ， 此时A/B TEST试验就显得尤为重要 ， 在限定的测试条件下 ， 哪种方案更优 ， 那个环节值得改进 ， 都需要通过实验迭代来验证 ， 不论是产品改版测试 ， 还是市场投放与运营推送 ， 都可以通过对比测试的方式实现全路径无死角的调优 。 比如我们设置3个产品版本 ， 一个对照版本 ， 2个实验版本 ， 通过测试对比支付情况 ， 实验版本并没有明显的改进 ， 此时我们就需要进行下一次产品测试调优 。
本文插图
如何将数据运营驱动快速落地？
前面简单的梳理了下数据驱动的节点 ， 在未接触数据漫游者之前 ， 笔者所在的数据团队是这样落地的 。
首先选择一款第三方的数据产品 ， 通过前端和SDK埋点的方式实现数据定位获取操作 ， 只是有时候同一产品不同客户端的数据需要切换管理员账号实现；然后在观测分析部分 ， 通过手工整合多方数据 ， 此时需要数据小伙伴提前从业务方拿到推广排期与方案表 ， 然后通过手工整理的方式将此部分数据导入数据库中 ， 然后再从第三方工具中将前端业务流量数据导入数据库中 ， 最后整合三部分数据内容完成相关数据报表与分析 ， 但是业务方所需整合内容只能通过手工邮件的方式输出 。
推荐阅读
- 四眼懒虫|7成消费者却反应冷淡，错在哪里？三大运营商带来的好消息
- 疫情|美国疫情速报：确诊数已逼近284万；特朗普发话：99%新冠病例完全无害；美专家：实际感染数或是现有数据10~24倍
- 「徐艺洋」两百万的数据差，张艺凡却“顶替”徐艺洋出道，正面撕开创3内幕
- 主从|Redis系列（五）：主从复制
- 红刊财经|蒙泰股份拟创业板注册上市 营业收入数据异常问题难解
- 美国|美国疫情严重程度被大幅低估 实际感染人数或是现有数据10到24倍
- 富途资讯|| 重磅数据及事件一览表，一周前瞻
- 数据港湾|| 外资最新持股数据，农林牧渔
- 娱乐大起底|《乘风破浪的姐姐》公演舞台来袭：看珍爱网大数据解析女性如何实现自我价值
- 主机游戏小玩家|《集合啦动物之森》更新后现新BUG!数据挖掘更多信息