数据运营以及电商运营知识详解

数据的重要性已经被越来越多的公司、个人所熟知与接受。面对竞争日益激烈、利润微薄的电商行业，精细化运营注定成为最后的稻草。如何利用数据进行更加有效的针对性分析并实际运用呢？易炫奇电商今天就以自身经验并结合所在的当下浅谈一下电商企业如何利用数据驱动运营，提高运营效率。

数据运营

• 数据运营是什么
  • 制订产品目标，创建数据上报通道和规则流程，观测产品数据，做好数据预警，分析数据变化原因，根据分析结果优化产品和运营，并对未来数据走势做出预测，为产品决策提供依据，在产品策划与运营中融入数据应用。
    • 我们要做什么——目标数据制定。
    • 现状是什么——行业分析，产品数据报表输出。
    • 数据变化的原因——数据预警，数据变化的原因分析。
    • 未来会怎样——数据预测。
    • 我们应该做什么——决策与数据的产品应用。
• 11步构建产品数据运营体系
  • 第1步：制订产品目标---常用SMART原则来衡量
    • 1．S代表具体（specific）
      • S指工作指标要具体可评，不能笼统
    • 2．M代表可度量（measurable）
      • M指绩效指标是数量化或者行为化的，验证这些绩效指标的数据或者信息是可以获得的
    • 3．A代表可实现（attainable）
      • A指绩效指标在付出努力的情况下可以实现，避免设立过高或过低的目标；新注册用户的次日留存率，也不是拍脑袋得出的
    • 4．R代表相关性（relevant）
      • R指与工作的其他目标是相关联的；绩效指标是与本职工作相关联的；新用户的次日留存率，和用户行为息息相关
    • 5．T代表有时限（time-bound）
      • T指注重完成目标的特定期限
  • 第2步：定义产品数据指标
    • 例如次日留存率，可以定义为：次日留存率是一个比率，分母是当天新注册并在当天登录客户端的账户数，分子是分母当中在第二天再次登录客户端的账户数。
  • 第3步：构建产品数据指标体系
    • 新用户的次日留存率是我们制订的一个核心目标，但实际上，只看次日留存率还是不够的，还需要综合考察影响用户留存率的多种因素，才能更准确地了解产品的健康发展。下图是常用的一种数据指标体系，包含新增数据、活跃数据、付费数据、其他数据。
    • 常见的数据上报需求有两类：
      • ❑ 标准协议上报，如按钮点击上报。
      • ❑ 自定义协议上报。
  • 第4步：提出产品数据需求
  • 第5步：上报数据
    • 根据产品经理的数据需求，按照数据上报规范，完成上报开发，将数据上报到数据服务器。
  • 第6～8步：数据采集与接入，存储，调度与运算
    • 1．数据的采集与接入
      • ETL是Extract-Transform-Load的缩写，用来描述将数据从来源端经过抽取（extract）、转换（transform）、加载（load）至目的端的过程。“ETL”一词较常用在数据仓库，但其对象并不限于数据仓库。“ETL”是构建数据仓库的重要一环，用户从数据源抽取出所需的数据，经过数据清洗，最终按照预先定义好的数据仓库模型，将数据加载到数据仓库中去。
        • 第一步从业务系统上报到服务器，这部分主要是通过CGI或者后台server，通过统一的LogAPI调用之后，汇总在LogServer中进行原始流水数据的存储。当这部分数据量大了之后，需要考虑用分布式的文件存储来做，外部常用的分布式文件存储主要是HDFS。
        • 第二步ETL把日志从文本中，基于分析的需求和数据纬度进行清洗，然后存储在数据仓库中。
    • 2．数据的存储与运算
      • 数据安全性。很多数据是不可恢复的，所以数据存储的安全可靠永远是最重要的，一定要投入最多的精力来关注。
      • 数据运算和提取的效率。作为存储源，后面会面临很多数据查询和提取分析的工作，这部分的效率需要确保。
      • 数据一致性。存储的数据主/备要保证一致性。
  • 第9步：获取数据
    • 1．提供连续周期的查询功能
      • 1）报表要提供查询的起始时间，可以查看指定时间范围内的数据。忌讳只有一个时间点，无法看数据的趋势。
      • 2）对一段时间范围内的数据能够分段或汇总，能够对不同阶段进行比较。
    • 2．查询条件与维度相匹配
      • 1）有多少个维度，就提供多少个对应的查询条件。尽量满足每个维度都能分析。
      • 2）查询条件要提供开、合，以及具体值的过滤功能。既能看总体，又能看明细，还能看单一。
      • 3）查询条件的顺序尽量与维度的顺序对应，最好按从大到小的层次。
    • 3．图表与数据要一致
      • 1）图表显示的趋势要与相应的数据一致，避免数据有异议。
      • 2）有图就必须有数据，但是，有数据可以没有图。
      • 3）图表内的指标不要太多，并且指标间的差距不要太大。
    • 4．报表要单一
      • 1）一张报表只做一份分析功能，多个功能尽量拆到不同的表报中。
      • 2）在报表中尽量不要有跳转。
      • 3）报表只提供查询功能。
  • 第10步：观测和分析数据
    • 这里主要是数据变化的监控和统计分析，通常我们会对数据进行自动化的日报表输出，并标识异动数据，数据的可视化输出很重要。常用的软件是Excel和SPSS
      • 纵向比较：新注册用户的数据变化，那么可以和上周同期、上月同期、去年同期进行对比，是否有相似的数据变化规律。
      • 横向比较：新用户注册数据的变化，可以从漏斗模型进行分析，从用户来源的不同渠道去看每个渠道的转化率是否有变化。
      • 纵横结合对比，就是把多个数据变化的同一周期时间段曲线进行对比
  • 第11步：产品评估与数据应用
    • （1）以效果广告为代表的精准营销
    • （2）以视频推荐为代表的内容推荐
    • （3）以电商推荐为代表的购物推荐
• 产品数据运营体系构建的5大要素
  • （1）人：专职的数据运营同事
  • （2）数据后台：全面系统的数据仓库
  • （3）数据前台：固化数据体系展现平台
  • （4）工作规范：需求实现流程化
  • （5）工作产出：数据应用
• 数据化运营的方法论体系
  • 谁来做数据化运营（Who）
    • 核心观点：数据化运营的组织架构=顶级组织+自顶向下。
  • 数据化运营的驱动力（Why）
    • 核心观点：数据化运营的驱动力=业务运营瓶颈+数据技术成熟。
  • 数据化运营的目标和收益（What）
    • 核心观点：数据化运营的目标和收益=内部业务支持+外部数据变现。
  • 数据化运营的切入点（Where）
    • 核心观点：数据化运营切入点=业务驱动+迭代思维。
  • 如何做数据化运营（How）
  • 总结
    • 数据化运营可以从组织视角和技术视角两个维度进行分析，顶级数据组织，解决数据化运营最大的障碍：跨部门沟通和数据整合难题；依托大数据技术的成熟的完善，突破企业业务运营的瓶颈，改善现有业务和扩展新的领域，获取更多的收益；以业务需求为驱动，以数据应用为切入；通过横向的数据整合和纵向的数据价值链打通，实现数据化运营的目标。
• 如何输出高质量的周期性数据报告
  • 明确输出报告的目的
    • （1）强迫自己关注自己的项目情况
      • 强迫分析的过程必须针对主要的数据指标进行分析和对比其趋势。
    • （2）团队信息同步，对上汇报并管理老板预期
      • 简明扼要地归纳起来就是：自检和展示，把活儿做好还要借机说出来。
  • 精准定位数据报告面向的目标人群和需求
  • 数据报告的内容组织要点和方法
    • 1．数据报告背景或引言
    • 2．摘要部分
    • 3．详细数据分析
      • （1）项目概况分析
      • （2）项目细分模块分析
      • （3）用户成分或者用户某些特定行为专题分析
    • 4．下个月/周计划
  • 数据报告分析和撰写中的注意点
    • 1．通过对比数据来分析业务的趋势状态
      • （1）和业务依附的产品或平台整体数据对比
      • （2）和同类产品或者竞品的趋势数据进行对比
      • （3）和产品的历史数据进行比较
    • 2．数据异常的快速分析和呈现
    • 3．分析用户的流转数据来看业务的或产品的健康状况
      • （1）建立业务的用户流转模型，可以分析业务宏观的转化情况
      • （2）分析产品用户操作流程的数据，可以很好地观察整个产品细节流程出现的问题
      • 3．在撰写数据报告或邮件时，尽可能地使用更简洁的表达方式
        • （1）在总结表述上，可采用三段式的表述方法：定性、关键数据、原因
        • （2）善用图表的文字标题，把关键性结论直接放在图表标题，即使和邮件文字有重复也没关系
      • 总结
        • 总体来说，数据报告主要在于分析产品或运营的状态，其中周期性数据报告侧重于说明产品或运营的当前情况以及近期出现的问题，所以周期性数据报告会更重视于分析业务关键指标在一段时间内的趋势，以此判断是否出现异常，如有异常，则针对异常的点进行分解和详细分析，找出原因。
• 数据运营的2个常见误区
  • 我对数据运营的5点看法
    • 1）用数据来指导运营，并不是要一切以数据为准，而是通过分析参考数据发现问题，然后以此来帮助产品和运营人员对当前的产品状态做出准确判断，在此基础上有针对性地进行优化和改进。也就是说，数据分析的核心还是“人”。
    • 2）有目的、有意识记录的日志才叫数据，不分巨细一股脑儿存下来的东西只是没有意义的数字。
    • 3）数据运营是一项长期的工夫，在产品生命周期的每一个阶段有着不同的作用。很多问题要对比几个月甚至几年的数据才能得出结论。
    • 4）一个产品或者一个运营活动必须在设计策划过程中就有数据规划意识，一个规划糟糕的数据系统可能会消耗你和你的后任几年的时间来处理系统隐患。
    • 5）评价一个数据指标的重要程度要和业务的重要程度紧密结合起来，有价值的活跃才是真活跃，无价值甚至产生负价值的活跃可能是下个季度完成KPI的好帮手，但也可能是致使产品走向死亡的丧钟。
  • 提升用户操作频率等于提升产品健康度？
    • 1）对于内容型产品建立内容权重，提升高发表/浏览高权重内容的用户比例。
    • 2）对于工具型产品更关注流程完成人数，而非流程开始人数。
  • 留存率对于每一个产品和产品阶段都是最重要的？
    • 留存率对于某些产品和某些产品阶段并不是很重要，看起来比较反直觉
  • 总结
    • 我们可以总结出关于数据指标的两个关键字“细”和“精”。“细”代表着要从更微观的角度来观察产品，阶段、模块、用户行为，不可偏废。“精”代表着抓大放小明确重点，不要把精力放在没有意义的地方。
• 电商的数据化运营体系构建
  • 互联网两点核心价值
    • 1）实现海量信息的高速传递（信息高速路）。
    • 2）实现海量供需信息的高速匹配（信息价值交换）。
  • 电商行业也遇到“瓶颈”期，主要问题可以总结为以下3点
    • 1）流量红利枯竭
    • 2）补贴用户忠诚度低
    • 3）野蛮生长难以为继
  • 电商模式的优势所在
    • 1）信息化使得商品流通过程可视化、数据化。
    • 2）基于数据分析提升销售业绩，优化生产供应链效率。
    • 3）基于数据控制费效比，优化企业成本。
    • 4）基于数据组织协同，围绕核心指标优化投入资源。
    • 5）基于数据，提升组织决策的效率和准确率，避免“拍脑袋”。
  • 基于电商商业模式的特点，实施数据化运营体系价值在于
    • 1）基于数据KPI量化管理，围绕销售目标，进行量化拆解
    • 2）基于数据分析提升销售业绩，优化生产供应链效率。
    • 3）基于数据控制费效比，优化企业成本。
    • 4）基于数据组织协同，围绕核心指标优化投入资源
    • 5）基于数据，提升组织决策的效率和准确率，避免“拍脑袋”
  • 零售业电商核心在于满足顾客需求，提高卖货效率，核心公式：销售额=客单价×客户数
  • 电商数据化运营体系的4个关键要素
    • 1．关注用户量与转化率
      • 销售额=客户数×转化率，用户量来源于线上流量购买，投放广告转化为电商站（淘宝店铺、京东店铺或微店、公众号）用户，用户完成商品购买并评价
      • 转化率来源于商品推送、促销活动、会员活动
      • 量化评估高回报率（ROI）：流量渠道流量运营小组需要找到有价值的流量渠道，实现持续低价获客（CPA），提升ROI。
      • 流量来源=推广+搜索+其他
      • 流量运营组可以通过免费广告测试或CPC（按点击付费）广告找到低CPA、高ROI渠道。
        • 流量组如何通过数据识别有价值的渠道
      • 流量运营过程中重点关注各渠道：新客数、CPA、ROI, CPA成本低意味着同样的投放金额可以转化更多的用户，ROI高意味着同样规模用户数，不同渠道用户的付费金额和用户贡献度不同，以移动端为例，iOS客户端付费金额通常会高于安卓客户端。
      • 最终将资源持续投入到高ROI的渠道，此外，可以通过淘宝客等类似CPS平台实施线上分销合作。
    • 2．提升复购与优化选品
      • 用户运营小组关键任务在于如何通过合理有效的运营活动提升用户复购率。
      • 通过数据量化找到合理有效的运营方法达成运营目标，围绕运营目标通过测试爆款引流、秒杀、买赠等运营方法的有效性，并优化调整会员运营策略，通过会员日或者会员积分换购，提升核心用户群的活跃复购行为。
      • 商品运营小组关键任务在于做好商品选品、优化好商品图文质量、提高商品入篮率、提升客单价，商品页的访问时间、跳失率等都是重要的参考指标；另外从商品采购的维度看，通过数据量化Top畅销品、爆款产品、高毛利商品等商品组合，提升商品周转率和优化库存亦是重点所在。
        • 用户运营提升复购、商品运营提升客单价
    • 3．优化购物流程产品体验
      • 产品组与转化率指标
    • 4．量化数据持续改进
  • 电商数据化运营体系的核心“量”和“率”
    • 量：购买用户、订单用户、购物车用户、访问量、展示量、新客数、复购用户数、复购频次、客单价、件单价。
    • 率：购买转化率、订单转化率、收藏转化率、点击率、连带率、复购率、ROI等。
  • 电商数据化运营的4项核心逻辑
    • 1．关注量（流量、用户量）与率（转化率、复购率），提升流量漏斗各层级转化率
    • 2．量化数据报表，分析改进措施
    • 3．量化运营行为有效性
    • 4．遵循PDCA原则，不断改进
      • P（计划plan）：明确问题并对可能的原因及解决方案进行假设。
      • D（实施do）：实施行动计划。
      • C（检查check）：评估结果。
      • A（行动action）：如果对结果不满意就返回到计划阶段，或者如果结果满意就对解决方案进行标准化。
  • 总结
    • 用数据化运营来指导电商经营决策，是基于对业务逻辑理解、对数据敏感，通过数据发掘商业规律，洞察消费者行为逻辑，量化商业价值，找到最佳的电商运营策略，最终提升企业竞争力，让企业在竞争激烈的红海之中突出重围。
      • 线上营销、运营业务逻辑流程图
• 电商的数据化管理与运营
  • 电商数据的3类指标
    • 1．流量指标
      • （1）访客数
        • 单位时间内访问店铺页面或宝贝详情页的去重人数，一般一个人在统计时间范围内访问多次记为一个
      • （2）浏览量
        • 一天内来访店铺或者商品详情页被访问的次数，一个访客在统计时间内访问多次记为多次
      • （3）跳失率
        • 一天内，来访店铺浏览量为1的访客数/店铺总访客数，即访客数中，只有一个浏览量的访客数占比
      • （4）平均停留时间
        • 来访店铺的所有访客总的停留时长/访客数，单位为秒，多天的人均停留时长为各天人均停留时长的日均值。
    • 2．交易指标
      • （1）支付金额
        • 买家拍下后通过支付宝支付给卖家的金额，当天购买当天申请退款的卖家未当天处理的也计算在内。这指标可以判断一个店铺的规模以及市场影响力。（2）转化率
      • （2）转化率
        • 在统计时间内，支付买家数/访客数，也就是来访的客户成交占比的比例
    • 3．商品指标
      • 加购件数
        • 统计时间内，访客将商品加入购物车的商品的件数的总合。
      • 商品收藏次数
        • 统计时间内，商品被来访者收藏的总次数，一件商品被同一个人收藏多次记为多次
      • 异常商品数
        • 指店铺所有终端，截至当日中有出现“支付转化率低”“支付下跌”“流量下跌”“高跳出率”“零支付”“低库存”异常的商品去重数，对指标只计算最近1天所有终端
  • 市场数据分析
    • 1．行业分析
    • 2．产品演变
    • 3．子类目市场分析
    • 4．连衣裙属性分析
    • 5．人群定位以及价格定位分析
    • 6．竞争对手分析
    • 7．全店诊断分析
    • 8．新老客户行为分析
    • 9．买家分析
    • 10．广告效果分析
  • 库存分析
    • 1.库存分析目的
      • 通过对月库存总结，明了企业库存存在的安全/结构问题
      • 根据现存的问题优化解决方案
      • 跟踪已执行的解决方案看是否良性发展
    • 2．库存分析指标
      • （1）库存天数
        • 库存天数=期末库存金额/某个销售期间的每天销售金额
      • （2）库销比
        • 库销比=期末库存金额/某个销售期间的销售金额×100%
      • （3）有效库存比
        • 有效库存比=有效库存金额/总库存金额×100%
    • 3．库存分析方法
      • 库存分析的逻辑应该是从总到分、从宏观到微观的过程，也是从大方向到小细节的过程，应以“总量→结构→SKU（Stock Keeping Unit，库存量单位）”顺序进行开展，具体根据实际而稍有不同。
  • 总结
    • 以上介绍的是网店商业的数据化流程分析，由于电商采集数据的便捷性，商家获得了前所未有的洞察消费者行为的机遇。同时可分析的要点众多，比如热力图分析，其能帮助商家洞察消费者的行为分布，如在黄金位置某商品点击数不符合期望或者浪费了流量，可以通过切换商品等措施进行优化，限于篇幅这里不再重述