1. 首页 > 站长

从零开始 构建数据化运营体系

  构建数据化运营体系是终点,又是起点,此过程就是迭代,是体系的核心。

  

从零开始  构建数据化运营体系(图1)

 

  在了解数据化运营前,运营们有没有过如下的问题:

  不同渠道,效果究竟是好是坏?

  活跃数下降了,到底是因为什么原因?

  这次活动推广成效如何?

  发布了版本,用户喜不喜欢?

  我们总是说传播,传播到底有多大?

  这些都是产品和运营每天、每时、每刻都会遇到的问题。数据化运营,实际以解决这些问题为根本。它从来不是BAT的专属,也不是大数据的独宠,每一家互联网公司,都有适合的数据运营土壤。

  数据运营体系,是数据分析的集合与应用,也是数据先行的战略,它不仅是运营人员的工作,也是产品、市场和研发的共同愿景。从管理角度,是自上而下的推动,如果领导不重视,那么执行者数据用得再好,也是半只腿走路。

  如何构建数据化运营体系呢?以下是我的总结思考。

  我将数据化运营体系划分成四层架构,每一层架构都逐步演进互相依赖,每一层又不可缺少。这四层分别是:数据收集层、数据产品层、数据运营层、用户触达层。它是以运营人员为视角的框架。

  数据收集层

  数据化运营体系的底层是数据收集,数据是整个体系中的石油。

  

从零开始  构建数据化运营体系(图2)

 

  数据收集的核心是尽可能收集一切的数据,它有两个原则:

  宜早不宜晚:意思是产品从创立阶段,就需要有意识的收集数据,而不是等到公司发展到B轮、C轮才去收集。数据化运营贯彻产品全阶段,不同阶段有不同的运营方法。

  宜全不宜少:指的是只有不合适的数据,而没有烂数据。像历史数据、变更记录或者细节处的数据,都存在价值。

  举一个例子:

  有一家金融产品,它的征信系统会详细记录用户的行为,用户在借贷时上传担保资料,会记录用户在这些页面的操作步骤和时间。

  这里有一个假设,上传担保资料普通人一定是谨慎小心的,如果这步骤完成的非常顺畅快速,很可能是会违约和欠款的人群:你操作那么溜,是不是想捞一笔?属于熟练工作案。征信系统会把这些数据作为特征判断风险。

  需要收集的数据能划分成四个主要类型:行为数据、流量数据、业务数据、外部数据。

  ▍行为数据

  它是记录用户在产品上一系列操作行为的集合,按时间顺序记录。用户打开APP、点击菜单、浏览页面是行为;用户收藏歌曲、循环播放歌曲、快进跳过歌曲是行为。

  行为数据的核心是:描述哪个用户在哪个时间点、哪个地方,以哪种方式完成了哪类操作。

  我们可以利用其分析用户的偏好、页面停留时间的长短、浏览的频繁程度、点赞与否,都可以成为依据。

  另外一方面,用户行为也是用户运营体系的基础。按不同行为,如购买、评论、回复、添加好友等,划分出不同梯度,定义核心用户、重要用户、普通用户、潜在用户的分层。

  行为数据通过埋点技术收集。

  埋点有不同种的实现方式,采集到的数据内容倒是没有差别,主要以用户ID、用户行为、行为时间戳为最主要的字段。用表格画一个简化的模型:

  

从零开始  构建数据化运营体系(图3)

 

  useID用来标示用户唯一身份,通过它来确定具体是谁,理解成身份证号就行。

  active就是具体操作的行为,需要在技术层面设置和定义。

  timestamp就是发生行为的时间点,我这里只精确到分,一般会精确到毫秒。

  用户的行为记录应该详细,比如浏览了什么页面,此时页面有哪些元素(因为元素是动态的,比如价格),它是半结构化的NoSQL形式,我这里简化了。

  有时候为了技术方便,行为数据只会采集用户在产品浏览的页面,像点击、滑动这类操作不记录。属于折中的方法。

  除此以外,行为数据还会记录用户设备、IP、地理位置等更详细的信息。不同设备的屏幕宽度不一样,用户交互和设计体验是否会有差异和影响,怎么拿来分析?这也是数据化运营的应用之一,是宜全不宜少的体现。

  ▍流量数据

  流量数据是行为数据的前辈,是Web1.0就兴起的概念。它一般用于网页端的记录,行为数据在产品端。

  流量数据和行为数据最大的差异在于:流量数据能够知道用户从哪里来,是通过搜索引擎、外链还是直接访问。这也是SEO、SEM以及各渠道营销的基础。

  虽然现在是移动时代,Web时代的流量数据并不过时。比如微信朋友圈的内容都是HTML页面,活动运营需要基于此统计效果,我们可以把它看作一类流量数据。

  另外,不少产品是原生+Web的复合框架,内置的活动页大多通过前端实现,此时即算行为,也算流量数据。当我们将活动页发送到朋友圈时,相应的统计只能依赖基于前端的流量数据来采集了。

  流量数据是基于用户访问的网页端产生。主要字段为用户ID、用户浏览页面、页面参数、时间戳四类,简化模型如下:

  

从零开始  构建数据化运营体系(图4)

 

  url是我们访问的页面,以 ***.com/*** 形式记录

  param是描述这个页面的参数,我们在页面上的搜索、属性信息会以参数的形式记录。

  和行为数据一样,如果流量数据需要更详细的统计,也是以半结构化为佳,囊括操作记录。

  它是活动及内容运营的好基友,活动的转化率,文章被发到朋友圈的阅读量等,都是作为流量数据被记录。主要通过JS采集。

  流量数据的统计已经比较成熟,Google Analytics和百度统计都是知名的第三方工具,最为常用。不过它们不支持私有化的部署,只能提供统计。我知道这个页面有100人访问,但这一百人是谁不能定位,数据也无法记录在数据库中,这对数据化运营是一种麻烦。

  如果有可靠和先进的技术手段,我们是能做到将行为数据和流量数据统一到一起,这是未来的趋势。

  ▍业务数据

  业务数据在产品运营过程中伴随业务产生。比如电商产品,我进行了促销,多少用户领取了优惠券,多少优惠券被使用,优惠券用在哪个商品上?这些数据和运营息息相关又无法通过行为和流量解释,那么就归类到业务数据的范畴。

  库存、用户快递地址、商品信息、商品评价、促销、好友关系链、运营活动、产品功能等都是业务数据,不同行业的业务数据是不一样的,业务数据没有固定结构。

  业务数据需要后端研发进行配置,因为结构不能通用化,最好提前和研发们打声招呼提下需求。

  行为数据、流量数据、业务数据构成了数据来源的三驾马车。统称为原始数据,指没有经过任何加工。

  ▍外部数据

  外部数据是一类特殊的数据,不在内部产生,而是通过第三方来源获取。比如微信公众号,用户关注后我们就能获取他们的地区、性别等数据。比如支付宝的芝麻信用,很多金融产品会调用。还有公开数据,像天气、人口、国民经济的相关指标。

  另外一种外部数据的获取方式是爬虫,我们可以爬取豆瓣电影评分、微博内容、知乎回答、房地产信息为我们所用。第三方不可能支持你获取,很多时候会有防爬虫机制。它需要一定的技术支持,不属于稳定轻松的来源。

  外部数据因为质量难以保证,更多是一种参考的作用,不像内部数据能产生巨大的作用。

  这四类数据构成了数据化运营的基石。随着互联网公司数据化水平的提高,能够利用的数据越来越多。数据结构逐步从SQL到NoSQL;信息源更加丰富,图形和声音数据越来越多;技术由单服务器演变成分布式;响应从离线批处理到实时流式,都是数据收集的挑战。

  当我们有了数据以后,进入下面一层,数据产品层。

  数据产品层

  数据产品是对数据的加工和利用,它属于技术和自动化的范畴,由计算机对原始数据进行处理。它不是传统意义上的数据产品(如广告系统),而是以发挥数据价值和生产力为目的,理解成进行数据加工的产品也可。

  

从零开始  构建数据化运营体系(图5)

 

  原始数据并不能直接为运营所用,通常脏乱差,我们需要按照一定的标准整合、加工。

  比如行为数据和流量数据,用户在微信朋友圈看到一则活动觉得不错,于是下载APP,注册后参与了活动。这里的行为数据和流量数据是完全独立的。微信朋友圈的浏览,记录的是用户weixinOpenId和cookie,下载后则是产品内部使用的的userId,两者无法对应,这就需要数据整合,将cookie、手机号、userId等信息映射(mapping)到同一个人。

  这是技术层面的数据清洗。整个过程叫做ETL。

  数据发挥价值的方式有很多种。即能通过BI,将原始数据以维度和度量的方式聚合,进行各类可视化的决策分析,也能数据挖掘。根据业务和场景决定数据的不同使用。这里最重要的是先有指标。

  ▍数据指标

  我强调过尽可能的收集数据,然而原始数据那么多,怎么才能指导我们的业务呢?这要求我们从庞大的数据中找出方向。这时我们就要建立指标,指标就是我们的方向,它是业务和原始数据的连接器。

  

从零开始  构建数据化运营体系(图6)

 

  可以这样说,指标在数据化运营体系中是承上启下的润滑油,它由原始数据加工而来,反过来又驱动其他产品。

  需要有BI?BI肯定是围绕指标建立仪表盘;要用机器学习算法?算法的目的就是提升指标效果的;你要运营?内容、用户、活动模块的KPI也是围绕指标的。

  指标不是一个通常意义的数据产品,我更喜欢的解释,是数据届的产品经理,是驱动、规划其他数据产品以及配合运营迭代业务的。这样一说,大家就明白了。

  指标如何设立,是根据运营业务所决定,也是运营的第一驱动力。

  我们简单看一下指标如何由原始数据加工而来,下图是原始数据中记录的用户打开APP的情况。

  

从零开始  构建数据化运营体系(图7)

 

  每一个时间戳意味着对应的用户打开过APP一次,通过该表我们能计算每天有多少用户打开过APP,这是打开量。

  将用户数去重,就是运营中的重要指标:活跃用户数。通过对该表的进一步复杂运算,譬如用SQL的Left Join,能获得留存率。

  文章阅读量、日销售额、活动参与人数,这些几乎都是由原始数据汇总加工而出。指标汇总以后,就是运营人员产品人员每日的报表Dashboard。

  有了指标,我们再看其他的数据产品,因为篇幅有限,我着重介绍一下用户画像。

  ▍用户画像

  用户画像是常用的数据产品,对产品和运营人员往往带有神秘色彩。它有两种解释,也是很多新手歧义的根源:

  一种用户画像属于市场营销和用户调研领域,叫做Persona,更准确的翻译是用户角色,描绘的是一个自然人的社会属性,用于用户需求和场景的确定。

  而数据领域的用户画像,叫做Profile,是将一系列数据加工出来描述人物属性的数据标签。最知名的例子就是淘宝的千人千面:用户去购买孕期的孕妇产品,很大可能被打上孕妇标签;浏览了汽车相关商品,会被打上汽车兴趣的标签。

  用户画像是一个依赖大数据和机器学习的复杂体系。准确丰富的用户画像能呈指数级的提高运营效果。

  

从零开始  构建数据化运营体系(图8)

 

  用户画像也有简单的用法,没有数据挖掘不要紧。用户的性别、年龄、地区这些信息不难拿到吧?用户行为简单做一个喜爱偏好区分也不难吧。那么我们就有用户画像V1.0了。

  推荐系统,精准营销、广告投放都是常见的基于用户画像的应用。你要推送化妆品促销活动,选择女性标签的用户肯定有更高的成功率,更进一步,如果运营知道女性用户偏好哪个品类的化妆品,效果会更好。

  用户画像可以通过已有数据提炼获得,比如拥有用户的身份证信息,就能准确获得性别、籍贯、出生年月这三个标签。也能通过算法计算获得,比如在淘宝购物遗留的收件人姓名,通过机器学习,以概率的形式获得买家是男是女,建国很大可能是男性,翠兰很大可能是女性。

  用户画像是基于原始数据的加工,原始数据越全,用户画像就越丰富。

  数据产品层中,我们将数据加工为指标,以其为核心,构建和规划数据产品。如何展现指标(BI),如何提高指标(算法),如何计算出指标(ETL),如何与指标组合(用户画像)。

  我们现在获得了这些「产品」,接下来就是使用,运营和产品人员就是它们的用户。

  ▍数据运营

  数据运营层,是运营人员将数据转化成运营策略。以人为主要生产力,和数据产品的计算机自动化对应。

  

从零开始  构建数据化运营体系(图9)

 

  在我们谈及具体的方法前,强调一下人的作用。

  不论我们前面打造了多好的数据产品,员工的数据化运营意识提高不上去,一切等于零。

  对人的要求有三点:

  01 以数据做决策,既要知道数据能够做什么,也要知道数据做不了什么

  前者很容易理解,我工作中遇到很多次,在有数据可以提供决策的情况下,依旧相信个人经验。这是应该规避的思维,不是一个人,而是团队要做到。

  数据化运营也不是企业运营的灵丹妙药,得客观承认;公司体量越大,数据化运营所能发挥的效果也越好。在创业公司或者小公司,会受到一定的限制。

  比如没有技术支持,提升效果不够,数据体量缺乏等原因,造成优先级的延后。这是没办法的取舍问题,只能以解决问题为首先依据。

  02 本身数据分析和运营水平不过关

  虽然有意识地利用,可员工仅限于求平均数的水平,那么也别期待太高了。

  这一点,得通过不断地系统培训,人员招聘解决。自上而下的倡导和发起是最好的结果,高层有数据化运营的战略和意识、管理层有数据化运营的指导经验,执行层能将数据化运营的落地,那么整个体系也推行成功了。

  03 产品工具的使用

  这是对员工的技能要求,诸如MySQL查询数据、BI多维度分析、精准营销、 AB测试、转化率分析,都是必须的。将数据相关的工具玩得顺溜,员工才能在发挥够大的价值。

  运营和产品如何进行数据运营,具体的技巧和方法论太多了,我以核心思想为引子。大家着重了解思维。

  1. 不是全量,而是精细;不止精细,更是精益

  全量运营是一种集中运营的策略,活动、内容推送、营销、用户关系维护,这些方式如果针对所有的用户,这是运营资源的浪费,你不可能通过一种方式满足所有的用户,也不可能用一种方式做到最好。

  用户间是有差异的,这种差异需要用精细化运营弥补。

  精细是是将目标拆分成更细的粒度,全国销量变成上海销量北京销量、全年销量变成第一季度销量第二季度销量,用户变成新用户老用户。电商卖口罩,是卖给北京的用户好,还是海南的?促销化妆品,目标人群选择男人女人也是显而易见的。精细(拆分)是一种数据分析的思路,也是一种运营手段。

  精益比精细更进一步,精细是手段,精益是目标。什么是精益?精益就是二八法则,找出最关键的用户。我们都知道要将化妆品卖给女人,但一定会有部分女人支付更多,20%的女人占了80%的销量,精益就是找准这20%。

  对最适合的用户在最恰当的时机,采取最合适的手段,以产生最大的价值。

  前面三个「最」说的是精细,后面一个「最」指的是精益:价值/目标最大化。我有CRM,那么就从CRM中找出最有价值的客户去维护;我有风险管理,就找出最可能违约的投资;要做活动,欢迎的是产出最大而不是薅羊毛的用户;积分中心,效果最好的只会是最优质的那批客户。

  2. 未来比现在重要,现在比过去重要

  这个第二个核心,数据化运营能够预测未来,把握当下。传统的运营方式,是知晓过去已经发生的事,销量是多少,活跃数是多少,这在日益严酷的竞争环境中还不够。

  把握当下,是能获得数据的立即反馈。你要推广一个活动,可以提前挑选5%的用户做一个测试,及时获知用户的反馈,转化率高不高,响不响应,然后按照数据决定后续的运营是继续还是改进。这是技术带来的进步优势。

  预测未来,是机器学习的领域,通过数据建模,获得概率性的预测,用户可不可能流失,会不会喜欢和购买这个商品,新上线的电影会否偏好…运营则利用这些概率针对性的运营。

  如果限于技术无法使用机器学习,则需要根据现有数据趋势去估计,这取决于运营人员的经验和数据敏感性。

  3. 系统化与自动化

  数据化运营体系的搭建过程中,运营人员会用到很多的工具。

  用户积累到一定数量,我们考虑引入积分中心增加用户粘性;产品涉及到地推和销售人员,则要加入CRM(客户关系管理)以维系客群;O2O和电商,基本配置肯定有优惠券的发送;反馈越来越多,我们也需要客服中心解决各类疑问。这些与运营息息相关的工具,在数据运营体系中占据中重要的比例。

  为了更好的达成目标,会将其独立成运营模块/运营后台。好的运营后台和用户端的产品同等重要,也需要后台产品经理规划。

  以我们经常接触的优惠券为例,它肯定要设置一套规则,核心目标是财务数据,是优惠券成本和收入之间的平衡:你不能滥发,那肯定亏钱,也不能少发,用户连这东西都不知道。有哪些券、怎么发、发了多少用了多少、未来准备发多少、发了有多少没用掉,都是一套大框架的东西,于是做成了发券系统。

  优惠券能和CRM结合,CRM通过几个指标将用户划分成了不同的价值和人群。这个用户特别喜欢花钱,那么优惠券给他满1000减100,肯定比满200减20过瘾。那个用户还没有消费过,要用首单优惠刺激他。还有用户有段时间不消费了,运营们得加把劲营销。

  上面东西从更高的视野看,是一连串效果、ROI、盈利的评估。这就是用数据做运营策略。

  CRM又能和客服中心结合,电话号码肯定和用户的数据绑定,VIP用户电话进来了,我们选客户主管去接待,宾至如归。普通用户呢,也不能粗心,客服至少需要通过后台的用户画像知道这个用户是什么情况,这也有针对性的服务。数据运营体系不止服务于运营和产品的。

  系统化,要求的是我们把运营的整个过程和策略流程也当作一款产品去缔造:哪些方法好用,哪些手段效果好,哪种活动能持续做,把这些都固定下来,打造出一个运营用的产品后台,作为日常和招数。这种系统化思维也叫「复用」,之后则是把系统做得越来越自动,功能越来越强大,也是另外一种精益了。

  ————————

  以上种种,是将数据、产品运营、系统和人员四者结合起来。系统之所以是系统,就是脱离了粗放的阶段,一切皆是有序、规则和充满策略。数据就是系统的润滑剂,你没有数据,怎么能有选择性的发券、做活动、推送,维护用户呢?

  数据产品层加工出来的各类标签、用户画像、模型…就是要在数据运营层最大化的被员工使用。数据本身没有价值,变成策略才有价值。

  这三条要点总结一下:我们系统化的使用各种加工后的数据,以精细和精细为手段目标,以把握未来为方向,指定运营策略。这是数据运营层的核心。

  用户触达

  我们整个体系进行到最后的环节,它需要面向用户。数据收集得再多、加工得再好,运营得再努力,如果不将它们传递给用户,体系就是失败的。

  

从零开始  构建数据化运营体系(图10)

 

  整个体系的前三层用户都感知不到。用户直接感知到的是产品的推送通知、Banner、广告位、活动、文案、商品的展示顺序等。在与产品交互的过程中,用户会以直接的反馈表达自己喜恶。

  感兴趣的会点击,喜爱的会够买,讨厌的会退出…这些构成了新一轮的行为数据,也构成了反馈指标:点击率、转化率、跳出率、购买率等。这些指标就是用户触达层的结果体现,也是数据化运营的结果体现。

  好与不好,都需要验证。

  结果不是终点。管理学有个概念叫PDCA,翻译成中文是计划-执行-检查-改进,以此为循环。用户触达层不是数据化运营体系的结束,它是另外一种开始。通过反馈获得的数据去优化去改进。

  

从零开始  构建数据化运营体系(图11)

 

  我的点击率5%,那么我能不能通过运营优化,达到10%?用户接受推送后选择了卸载,我们有什么方法挽回?留存率被提高,这种策略能不能应用到其他用户上面。

  也许我们数据化运营后,不会获得一个满意的结果;但如果我们连优化改进都不去做,那么连好的机会都不会有。

  你看,优秀的员工,不会以数据化运营的结果沾沾自喜,而是进行新一轮的开始。

  是终点,又是起点,此过程就是迭代,是体系的核心。

  总结

  我们将四层串联起来看待,下图是一款产品简化的数据化运营闭环。

  

从零开始  构建数据化运营体系(图12)

 

  数据收集层:当用户打开APP时,浏览新闻,通过埋点记录用户的行为数据:何时何地是谁看了哪些新闻。

  数据产品层:计算机将收集上来的行为数据进行加工,统计用户对军事、科技、经济等不同类型新闻的阅读数。用卡方检验得到用户的阅读偏好在科技新闻,将其写入到用户画像/标签系统。

  数据运营层:近期有一个科技类的活动,需要一定用户量参与。运营不能选择全部的用户推送吧,那么就从用户池中筛选中对科技感兴趣的用户。

  用户触达层:选择用户进行精准推送,用户在手机端接收到消息。后台则会记录用户是否打开推送通知,是否浏览页面,是否参与了活动。转化率作为反馈会被记录下来,用以下次迭代改进。

  该例就是一次合格的闭环。

  数据化运营体系既能简单到用Excel完成,也能引入机器学习数据挖掘分布式系统等高端技术,看的是思维和应用。

  我们将体系中的四层简化成四个模型,帮助大家理解:

  数据收集:以用户和产品的交互为输入,原始数据(行为、业务、流量、外部)为输出。

  数据产品:以原始数据为输入,以加工数据(标签、画像、维度、指标、算法结果)为输出。

  数据运营:以加工数据为输入,以运营策略(用户、内容、活动、电商)为输出。

  用户触达:以运营策略为输入,以反馈行为(转化率、点击率、响应率)为输出。

  用户产生的反馈行为作为新的交互输入,迭代和优化,数据化运营体系就良好地运作起来。好的数据化运营体系也是高度自动化的运作,像个性化推荐,可以略过数据运营层,服务器实时计算后直接将推荐结果给用户,人就不用参与其中了。

  这是四个互相联系有先后顺序的系统,以此构成数据化运营体系。因为技术手段差异,实现方式会有不同,哪怕是Excel,也能发出数据化运营的光芒。

  以上就是产品和运营视角的数据化运营体系,没有过多的牵涉研发技术,实际复杂程度还要再高一点。当然,万千用法,存乎一心,希望大家学到的是理念和思维,实际工作中,还是有很多玩法留待大家挖掘。

  作者:秦路

  来源:微信公众号ID:tracykanc

声明:OurSeo登载此文出于传递更多信息之目的,并不代表本站赞同其观点和对其真实性负责,请读者仅作参考,并请自行核实相关内容。OurSeo遵循行业规范,如有侵权请联系我们,会及时删除。
转载联系作者并注明出处:https://www.ourseo.org/webmaster/74407.html

联系我们

在线咨询:点击这里给我发消息

微信号:wutian08

工作日:9:30-18:30,节假日休息