1. 首页
  2. 互联网运营

从零开始做运营(入门-第六章)

第六章 关于数据的一二三

1 数据分析的方法、误区与数据说谎的手法

谈完了内容运营、活动运营、用户运营的基础知识,我们来聊聊运营数据的一些事儿。

不管是做产品还是做运营,在日常工作中,我们最常听见的就是:“看数据!”

是的,产品是否成功,看数据,运营是否靠谱,看数据。那什么是数据,看什么数据?

很多人说“数据会说话”,也有人说“数据会说谎”。数据究竟会不会说话,说什么话,是真话还是假话,取决于数据的选择和分析的方式。

首先,我们要明白一个核心观点:运营数据分析本身不在于数据,而在于分析。或者说,任何一类数据分析的关键点都在于分析,而不在数据本身。

然后,我们要认识到一个前提:数据分析的能力是渐进的,对数据的敏感度是需要培养的。

最后,我们要懂得一个道理:数据表达出的涵义与多种因素相关,尝试学习运营数据分析之前,要尽可能的抛开预设立场,而同时,各个阶段的不同类别数据的重要性是变化的。

先问一个问题:所有网站的PV、UV、转化率都是核心指标么?

答案是,不。

因为题目的背景不清晰,转化率的定义不明确。对于不同的网站或产品,在不同的时间阶段的核心指标是不同的。

网站或产品建立的初期,流量指标很关键,但是它不仅仅是UVPV、停留时间之类的增长,更重要的是,流量来源于何处,流量到来之后浏览了哪些页面,做了什么操作,在哪里蹦失。

到了持续运营阶段,单一的流量指标已经意义不大(并非没有意义),而更重要的是用户的留存、活跃指标,甚至是付费用户的规模。在这个阶段,依然重要的是需要跟踪所有流量来源的渠道质量,需要强化的是用户行为的分析,要拆分出各种维度、各种路径的留存、活跃、转化的情况,用户的兴趣点,用户的成长模型,等等。

到了成熟期,需要关注用户流失的速度、分析流失的原因,对依然留存与活跃的用户给予重点的关注。数据分析此时的意义,是延续网站或产品的生命周期,是持续为存量用户提供优质的服务。

到了衰退期,就要做好数据的保存工作,如果网站或者产品要结束运营,要提前做好各种准备和通知。

我并不打算就数据分析的方法进行展开,因为话题太大了,我自认没有能力说清楚。所以这里着重的说一些关于数据使用、数据分析的误区和数据说谎的手法。至于如何运用,全凭各位自己的判断。

1、数据使用的方法

1)掌握历史数据

对于运营人员来说,熟悉、掌握网站或者产品的历史数据非常关键。数据的维度越全面,对网站或产品的生命周期,乃至用户的生命周期就会越清晰。

2)从历史数据中归纳规律

历史数据从来不是拿来看的,而是用来分析的,分析其中的规律,在什么节点数据上升,什么节点数据下降,找出原因,形成经验,对运营人员的工作来说至关重要。

3)通过规律反向进行数据预测

掌握了规律,就具备了做数据预测的基础,过往3年,国庆节期间,网站的流量都会有明显提升,那么今年的国庆节期间,基本也是一样,这时候运营人员是不是就应该提前做一些规划了呢?

4)学会对数据进行拆解

数据量越大、维度越多,越需要拆解,有按照时间的拆解,有按照相关性的拆解,运营人员懂得拆解数据,意味着有能力把控运营的节奏。这是需要我们每个从事运营工作的同学注意的地方。

2、运营数据分析的误区

1)不要用单一类型的数据去评价全局

从零开始做运营(入门-第六章)

举个例子。

问:这是支付宝2014年4月到6月Alexa统计的日平均访问人数的走势,我们可以通过这个数据认为支付宝的活跃用户在减少么?

答案是:不能。因为Alexa只统计Web端,支付宝移动端的活跃用户是否在增加呢?我们并不能从这个数据中得到答案。

2)不要夸大偶然事件,认为带来必然结果

对于运营来说,我们经常会发现一个活动上线之后,对运营数据产生了很大的帮助,但是,这是一个偶然事件,如果你认为这样的活动形式必然对数据有所帮助,你需要更多的数据来佐证它,并且适时的将这种活动转化为机制,因为它真的有效。

3)避免用结论推导原因

运营人员很容易犯的数据分析的错误是,发现数据增长了,然后去找各种对数据增长可能有帮助的事件,并且将数据增长的原因归功于这些事件。

发现数据增长,或者下降,希望找出原因,最好的方式是,再现一次。

4)避免唯数据论

数据既可以说明问题,也可能遮蔽视线。数据并不能解决所有问题,它能给你的是一个参考,而不是一个结论。

3、运营数据说谎的手法

想要运营数据说谎,其实很简单,简单的举出几种。比如:

1)拉伸图表

从零开始做运营(入门-第六章)

从零开始做运营(入门-第六章)

相同的数据,不同的趋势感受。你体会到了么?

2)修改坐标轴数据

从零开始做运营(入门-第六章)

从零开始做运营(入门-第六章)

感受一下设置“对数刻度”的作法。

3)故意选择有利的样本

比如,我们之前说过流失用户挽回,那么假设有一个B2C网站需要做流失用户挽回活动,选择样本为“半年内未购物”和“半年内未购物但有登录”这两种,问,针对哪个样本选型用户的流失挽回活动效果会更好?

答案是后者,根本不用去想。为什么?第一个选型样本里包涵了 有登录 和 无登录 两种,显然挽回流失的难度上,对半年都没有登录的用户进行挽回要比对半年内有过登录但是没有购物的用户要难的多。

4)样本规模差异

产品的运营上,我们经常需要做一些A/B测试来验证某个功能或者某个设计更好,这个时候,最容易犯的错误,也是最容易带来数据说谎结果的情况就是,样本规模有差异,比如,A类选型选择了100个用户,而B类选择了1000个用户,不管我们最终选择绝对值,还是比例,其结果都会带来巨大的误差。

2 跳出数据看数据

首先有两个问题:

1、当我们在讨论数据的时候,我们真的是在讨论数据么?

2、当我们分析数据的时候,我们只是在看数据的涨跌变化么?

我们先不着急下定论,我们来看一个小故事。

某个端游做用户调研。收到3份同样内容的反馈:“这个游戏太坑钱了。”于是,运营同学去详细查了一下这三个用户的情况:

用户A,角色战士,等级处于中等,从用户资料上看,是个学生,游戏中当月消费金额200元。

用户B,角色法师,等级处于高级,从用户资料上看,是个白领,游戏中当月消费金额200元。

用户C,角色奶妈,等级处于低级,从用户资料上看,是个工人,游戏中当月消费金额200元。

首先,虽然同样是200元的消费金额,但是学生、白领、工人的消费能力是不一样的,承受消费的压力也不同。

其次,中级战士,经常在PVP中被蹂躏,这个学生在游戏中对药品、装备产生了大量消费;高级法师,有超多的副本记录,消费分布很正常,主要是药品的补给和材料消费;低级奶妈,副本下的不多,PK也不多,但是购买了大量的经验包用于升级,并且在回答调研之后,等级已经提高到中级。

于是,运营同学大致理解了为什么三个不同类型的用户会有同样的反馈:

用户A,由于在游戏中被其他玩家压制,同时没有很好的消费能力,200元在其日常支出中占了很大的比例,所以理所当然的认为“坑”了;

用户B,由于DPS在游戏中大受欢迎,所以花费了大量时间和精力,在游戏外可能产生了大量的消费,比如,游戏时间太多没时间做饭需要订外卖,第一天太疲劳了导致第二天要买咖啡等等游戏外的大量消费。

用户C,由于要赶超等级进度,花费的金钱主要投入在了经验包上,导致产生了游戏不平衡,高等级玩家都是花钱买来的感知。

看完这个小故事,我想大家已经感觉到什么了。

是的,我们在讨论数据分析的时候,其实想要了解的不单单是数据,而是数据背后的人。

因此,读懂数据的关键是读懂数据背后的人。

那么,问题来了,如何读懂数据背后的人?

以我的经验,有几个步骤或者原则:

1、抛弃预设立场。

分析数据的第一步是要抛弃预设的立场,就是不要试图先定义数据展现的意义是什么,只先研究数据的波动,和波动的节点。通过这一步去确立后面要研究哪些相关事件,用户行为还是系统事件。

这一步是定位。

2、深挖用户行为与系统事件。

定位完成后,就要去挖掘对应时间节点的相关事件,包括了系统事件(版本升级、服务器错误等)和用户行为(时间节点前后一段时间相关联用户的持续行为)。

通过这一步去找出可能造成影响的动作和事件。

3、尝试换位思考。

接下来,不管定位原因在系统还是用户,都需要换位思考,如果运营人员是用户,在对应的时间节点和对应的事件行为发生时,有什么样的感知、反馈。模拟可能的状态。

通过这一步进一步去了解数据变化的原因,并对后续整合数据,产生后续操作进行思考。

4、整合关键数据。

前面的动作完成之后,就可以整合关键数据,必要时要去比对历史数据,然后得出结论:

1)造成数据变化的原因究竟是什么?

2)有什么办法可以改善或者促进数据的变化?

3)获得经验,下次有类似情况的时候,应该进行何种处置与预案。

在这里最重要的是,要整合所有路径的数据,串起所有的流程去看对应的行为,孤立的一个数据不说明任何问题。

举个例子:

某品牌电商最近的成交量下降,运营人员需要看哪些数据?

1)页面流量变化+各渠道入口流量变化

2)登录用户的浏览行为,使用购物车但未购买的用户数、商品类型

3)支付订单页面的蹦失率

4)其他:竞品平台同类商品价格,竞品平台同节点流量变化等,网站最近的异常监控报告等等。

跳出数据看数据,考验的是运营人员对数据的敏感度,以及通过数据解读背后原因和产生解决方案的总结、归纳、提高的能力。

这种作法需要大量的实操去完成,同时需要操作者有沉下心去积累的心态。

3 运营核心数据小议

我们之前已经讨论过内容运营、活动运营、用户运营的基础知识,我们需要知道关于这些领域的核心数据都有哪些,如何去阅读这些数据。

内容运营核心数据

对于一个网站或者产品而言,自身的内容运营核心数据包涵:

1)内容的展示数据

内容的展示数据是最基础的数据,它的意义和价值在于:提供给内容运营者一个直观而基础的数据情况,用来展示内容被点击、查阅的情况,从而分析内容是否为网站或产品提供了对应的帮助,如:内容覆盖人数、内容是否符合用户兴趣等等。

内容的展示数据可能包括但不限于:

内容的点击次数

内容页面的蹦失率

内容页面的停留时长

等等。

用一篇文章为例,这篇文章的链接被点击了100次,其中,50次点击停留的平均时长为20秒,10次是点击后直接关闭网页,另外40次点击停留的平均时长是3秒。

通过这些数据,我们可以了解,这篇文章的质量可能是不错的,但接下来要做的事情是,10次直接关闭网页和40次平均3秒的停留时长背后的用户还看了哪些文章,他们在这些文章上的行为是怎样的。

我们通过这样的分析,可以了解,如何通过内容的类别、质量,去提高内容对用户的价值及契合度,从而提高内容被展示的次数。

2)内容的转化数据

内容的转化数据,是较展示数据更深层的数据,它往往用于判断内容是否能够促进用户的转化,比如,是否能够利用内容让用户从活跃转向付费。

比如一本网络小说,从免费阅读阶段转向付费阅读,数据上表现出来的该作品的“吸金”能力。

从一定层面上说,这是衡量内容是否带来高价值“粉丝”的一个依据。

而内容转化数据可能包括但不限于:

内容中付费链接的点击次数、付费成功次数

内容页面广告的点击次数、广告的停留时间、二次转化成功率

等等。

3)内容的粘性数据

粘性数据其实和展示数据相关,但有一些区别。

考虑展示数据时,如果进一步分析用户重复观看的次数,那么结合每次观看的停留时间,就可以得到粘性数据。

对于粘性数据,其实完全可以采用会员管理系统里的RFM模型来进行分析,获得内容或者用户的粘性值和分布,从而指导日后的内容运营工作。RFM模型在本章节中不做展开,有兴趣的读者可以使用百度搜索或进入MBA智库百科去查阅相关词条。

4)内容的扩散数据

内容的扩散数据或称“分享”数据,是社会化浪潮中一个新增可监测的数据。

内容的分享频次和分享后带来的流量统计,可以说明内容对一类用户的价值和作用情况。对于需要通过分享带来用户的网站或者产品,以及需要引爆热点和病毒传播的运营项有着重大的意义和价值。

活动运营核心数据

对于经常执行活动运营的运营人员来说,活动运营数据比其他类型的数据都更加重要,而活动运营的数据又非常复杂,我们用1-2个活动举例来说明活动运营的核心数据的情况,而具体和工作结合,需要运营人员加入自己的思考。

例子1:某网站开展了一个分享邀请的活动。活动主旨是让老用户带来新用户,可以通过社会化渠道、邮件、复制链接进行分享,新用户通过各个渠道的邀请链接进入活动注册页面完成注册,并进入网站,补填用户资料并完成一次登录,即认为有效,完成有效邀请的老用户和完成注册受邀请新用户,均可以获赠一件小礼品。

对于这样的活动,有几个点的数据是关键点,比如:

1)分享渠道的质量——用来判断下次活动主推哪些分享渠道

2)受邀请用户的注册成功率——用来进行发奖和判断活动质量

3)进行分享的老用户的参与度——用来进行用户分级,判断活动规则对老用户的吸引力,未来如果开展类似活动,应当选择怎样的用户选型。

那么核心数据就会包括:

1)各个分享渠道的分享次数、分享链接的点击次数、各渠道注册-成功的转化率

2)总的注册-成功转化率、用户注册的蹦失节点、用户注册完成后引导过程的蹦失节点。

3)参与活动的老用户的总数、分享渠道按照使用次数的分布、对于使用了2个或2个以上分享渠道的老用户的日常行为表现(如,活动前后一个月的行为表现)等等。

例子2:某电商网站开展母婴用品折扣活动,希望带来日常销量2倍的活动时间内的销量增长。

对于这样的活动,也有几个关键数据:

1)广告投放渠道的质量——用于判断目标用户的媒体触点,未来类似活动的主要投放渠道的筛选凭证。

2)单品销量的增长情况——用于判断目标用户对于什么样的产品更感兴趣

3)总体销量目标的完成度——用于判断活动是否达到预期

4)各关键节点的转化率——活动页面商品的点击次数-进入页面的流量、浏览-放入购物车/下单的转化率、购物车-付费的成功率、支付成功率

那么核心数据就会包括:

1)分渠道的广告展示统计——展示次数、点击次数、landingpage蹦失率

2)用户兴趣点分布——页面商品点击次数、单品浏览量、下单量、使用购物车的用户数和商品进入购物车的次数

3)订单转化率——浏览-下单的转化率、购物车-下单的转化率

4)支付成功率——成功完成支付的订单数/提交的订单数,等等

用户运营核心数据

用户运营是一个够宽泛的概念,所以用户运营核心数据是动态的、变化的,在不同的时期会关注不同的用户运营的数据情况。在这里简单的提一些,不代表所有的用户运营核心数据都在其中。

1)用户注册数据

注册数据可能包括但不限于:

a.注册用户的规模、增长速度

b.渠道质量——注册渠道有哪些,渠道的注册转化率如何

c.注册流程质量——完成注册的用户数、注册流程中用户蹦失节点统计

c.注册用户行为跟踪——完成注册后当时用户的行为统计

2)用户留存数据

留存数据可能包括但不限于:

a.留存用户的规模,注册-留存的转化率

b.用户登录的时间、频率

b.用户使用产品或网站服务的时间、时长、频率等

3)用户活跃数据

活跃数据可能包括但不限于:

a.活跃用户的规模、增长速度,注册-活跃的转化率

b.用户登录后的行为统计

c.用户使用产品或网站服务的频率、内容、行为

4)用户付费数据

付费数据很容易理解了,大致包括:

a.付费用户规模、增长速度、注册-付费/活跃-付费的转化率

b.付费金额、频率等

c.付费用户的日常行为跟踪

5)用户流失数据

流失数据包含的内容也很容易理解,大致包括:

a.流失用户的规模、速度

b.流失用户的日常行为跟踪

c.用户流失的原因分析

d.流失用户挽回策略和效果分析等


作者 | 张亮-leo

来源 | 张记杂货铺(ID:zhangleo1983)

免责声明:本文仅代表作者个人观点,与穷思笔记网无关。其原创性以及文中陈述文字和内容未经本站证实,对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺,请读者仅作参考,并请自行核实相关内容。

发表评论

登录后才能评论

联系我们

 

在线咨询:点击这里给我发消息

邮件:320192271@qq.com

QR code