观远数据重磅发布零售大数据分析BI解决方案【新浦京www81707con】,助推业务增长

原标题:从技术和业务视角,认识数据平台

近几年,随着人口红利的消退,连锁零售的经营成本显著提升,许多连锁零售商纷纷借助大数据和人工智能等技术赋能进入了精细化管理的阵列。而另一方面,在消费升级的助推下,零售消费市场逐渐回归理性,消费者购买决策的影响变得十分复杂,对市场分析和企业管理也提出了更为严苛的要求。

分享嘉宾:

新浦京www81707con 1

本文主要面向读者为互联网行业相关从业人员,期望对企业数据平台有所了解的人群;因篇幅有限,文中所述的主题及相关概念点到为止。

面对日益艰难的市场环境,数据化管理能力将帮助塑造连锁零售企业差异化的核心竞争力,并成为保证其持续盈利的坚固基石。但对于广大的连锁零售服务商而言,要想成功落地“数据驱动”却并非易事,商品管理、门店管理、顾客关系……因素庞杂,难以掌握,又该如何入手呢?别担心,「观远数据连锁零售大数据分析BI解决方案」来为您细细讲解。

  • 观远数据重磅发布零售大数据分析BI解决方案【新浦京www81707con】,助推业务增长。神策团队
  • Acfun张涛
  • 馒头商学院

随着计算机处理能力日益强大,大数据带来的价值成倍攀升。大数据优化资源配置,提高人们的决策能力,驱动着
” 信息社会 ” 向 ” 智能社会 ”
过渡。利用大数据做好互联网产品的精细化运营,这种思路相信大家都是认可的,那具体该如何着手呢
?

新浦京www81707con 2

AI+BI,打通敏捷分析到智能决策的最短路径


今天我们从用户、管理、运营三方面入手,分析 InfoBeat
如何利用大数据助推业务增长。

一、什么是数据平台?

观远数据连锁零售大数据分析BI解决方案,在深刻洞察“人、货、场”的基础上,以AI+BI的服务模式,帮助连锁零售企业构建最强“决策大脑”。量身打造的深入各个应用场景的数据分析指标体系,可打通线上、线下,实现各环节的数据实时同步,并覆盖多维度的营运分析。同时结合先进的AI算法,实现需求预测、智能诊断、智能订货等深度AI应用场景,真正做到数据追人,使效率提升和精准决策更进一步。

一、利用数据做好精细化运营

新浦京www81707con 3

数据平台字面的意思是“数据+平台”:

新浦京www81707con 4

1. 什么是数据驱动

  • 依据数据统计结果做出决策
  • 需求推动的数据驱动(效率低)
  • 自助的数据驱动(效率高)

充分了解用户喜好,看数据

  • 数据:源于业务又作用于业务;
  • 平台:基于数据也服务于数据。

连锁零售企业数据分析盈利模型

2. 数据处理流程

  1. 数据采集
  2. 数据建模(规范、打通、整合数据)
  3. 数据分析

误区:忽略一二层的规划

运营环节中如何优化现有的功能,就必须洞察用户行为,掌握用户发生决策的真实目的,了解用户属性,为产品功能优化提供依据,就需要使用数据分析技术。

整体看数据平台是由「数据流程」和「业务流程」两大运转主体共同构成的解决方案,两大主体相辅相成、互相依赖、密不可分。

连锁零售的经营利润=门店数量×均店销售额×毛利率-存货成本-房租成本-人员成本-管理成本

2.1 数据采集

  • 常见问题:

  • 不准确

  • 不完备(比如不只要采集客户端数据,还要采集后端数据)

  • 不细致(各种数据要采集完整)

  • 基本原则:

  • 全:多种源(客户端、服务端、数据库等),全量而非抽样,要打通数据

  • 细:Who、When、Where、How、What

  • 采集的方法:

  • 可视化埋点(嵌一个SDK,确定要采集哪些数据)(缺点:不够细)

    • 分析UV、PV、点击量等基本指标
    • 活动/新功能快速上线迭代时的效果评估
  • 代码埋点(客户端、服务端都有SDK,可以进行精细化分析)

    • 精细化分析核心转化流程
    • 分析不同渠道和不同推广方式的投放效果
  • 导入辅助工具

    • 客服服务质量的考核
    • 不同快递在不同省份运送不同品类产品的速度的比较

Infobeat
智能数据平台提供便捷的内置运营分析模板,常见分析无需配置,即点即用,从用户新增、用户活跃、用户留存以及页面访问分析等角度全面的帮助企业来判断用户喜好。同时还有专门的用户洞察体系从用户行为、用户分群、用户画像等方面为产品优化方向提供依据。

  • 从数据流程的视角看:不同业务类型企业的解决方案大同小异,目标都是为了保证数据整体的完整性、准确性、时效性;
  • 从业务流程的视角看:不同业务类型企业的解决方案各有不同,本文中业务类型偏电商类。

连锁零售行业由于低毛利的特点,要求必须更加精细化地管理。将以上利润指标进行拆解,观远数据将相应地从战略计划、门店运营、商品运营、市场营销、顾客关系、全渠道运营、人力资源、财务分析等环节进行流程优化,覆盖目标的制定、实施、评估和分析改善,构建基于数据能力的持续改善循环模型,为连锁零售企业实现产品与服务增值。

2.2 数据建模

对数据进行组织

传统数据库直接拿出来用的缺点:

  • 太复杂,产品经理看不懂
  • 性能不行,分析不了

解决方法:

  • 建数据仓库,抽象一系列的用户行为事件,将不同维度进行组合、过滤

    新浦京www81707con 5

核心模型:

OLAP(Online Analytical Processing)

新浦京www81707con 6

  • 维度(比如城市、操作系统)
  • 指标(一个数值,比如销售额、注册用户数)

灵活监控业务状况,自定义管理

二、数据的技术视角

核心赋能场景介绍

2.3 数据分析方法

常见的方法:

  • 多维事件分析
  • 漏斗分析
  • 留存分析
  • 行为序列分析
  • A/B testing
  • 用户分群

多维事件分析

  • 用户行为事件+多维数据模型
![](https://upload-images.jianshu.io/upload_images/4462810-5066eba56acc52f0.png)
  • 事件
  • 维度
  • 指标
  • PS:如果是一个数值型的维度,可以将它分别当作维度和指标组合起来分析

案例:分析订单支付

  • 背景:发现成交额一直下跌
![](https://upload-images.jianshu.io/upload_images/4462810-8594f497de3ba8db.png)
  • 解决:进行多维事件分析
  • 按支付方式进行拆解,发现微信支付下跌,猜想原因是不是接口出了问题等等
![](https://upload-images.jianshu.io/upload_images/4462810-8b3af1390bd93d05.png)

漏斗分析

  • 分析转化过程数据的最好方法
  • PS:注意窗口期(操作从第一步到最后一步的时间)

留存分析

  • 用户来了之后的存活情况

行为序列分析

新浦京www81707con 7

  • 针对客单价较高或抽样用户,分析他做了哪些事情,发现他的操作过程哪步出了问题,防止他流失

A/B testing

  • 产品改进时有用的方式

用户分群

  • 针对不同用户采用不同策略
  • 根据用户的属性信息、行为数据、行为序列等进行区分
  • 对其进行数据运营后,观察效果

各个角色人员可以根据需求,自定义数据面板,实时监控各项核心数据指标,掌握公司各业务的运营状况,帮助及时调整产品
/ 运营策略,并验证效果,闭环决策链,数据指导的全局管理更为高效。

数据从生产到应用的整体流程是任何一个数据从业者都绕不开的主题,即便是非数据领域的产品和运营同学,同样也应该对业务中数据的流向有个初步的认识。要展开描述,我们必须从数据的技术视角思考两个问题:

一、战略计划

3. 数据分析方法

上文2.3数据分析方法

InfoBeat
除了提供运营分析模板,还通过大数据建立了四大样本模型,包括事件分析模型、留存分析模型、漏斗分析模型以及组合分析模型,便于
APP
运营人员在推广上线阶段的测试分析,改善产品。除此之外,还提供了多角度的数据展示,有全局展示、数据看板、数据报表等,全面详实的数据,统一聚合的看板实时更新、千万数据秒级响应,让数据呈现前所未有的灵活、简单。

  1. 需要解决的问题是什么?
  2. 如何保证数据流中不同阶段的最优解?

企业经营的成败首先取决于战略决策的正确与否,而决策的正确与否则取决于数据和信息的质量。观远数据将指导战略计划的核心指标层层细化,为决策者打造全局视角的实时、动态分析场景,由上而下推动企业内部数据驱动文化形成。同时还可支持多终端应用呈现,诸如数据可视化大屏,触摸会议大屏等,辅助企业战略发布实施。

4. 运营分析实践

案例:SaaS运营分析实践

  • 产品发布评估
  • 试用客户留存分析
  • 流失用户召回

4.1 产品发布(神策数据)

  • 发布渠道:朋友圈、微信群、36Kr(埋点分析数据来源)
  • 36Kr专门写了一篇文章发布,但从结果发现导来的用户量只占0.9%
![](https://upload-images.jianshu.io/upload_images/4462810-3e723a113b8ecd67.png)
  • 运营活动的目的是激活用户
  • 漏斗分析多种维度分析转化效果
![](https://upload-images.jianshu.io/upload_images/4462810-80096f30124ddbc4.png)



![](https://upload-images.jianshu.io/upload_images/4462810-b02299672fa75bf5.png)

4.2 试用客户留存分析

新浦京www81707con 8

  • 试用后,数据顾问要马上联系用户,挖掘他的需求,看他有没有其他建议

4.3 流失用户召回

  • 根据联系方式召回,看不同效果,砍掉后续的拍脑袋决策
  • 加个引导流程
![](https://upload-images.jianshu.io/upload_images/4462810-226291708a3a1522.png)

运营策略的及时响应,快速触达

1. 需要解决的问题是什么?

新浦京www81707con 9

5. 创业公司如何构建指标体系

  • 为了找准目标,发力往一处打

两种方法:

  • One Metric
  • Pirate Metrics: AARRR

One Metric —— 第一关键指标法

  • 找到最关键的一个指标
  • 扩展出其他指标
  • 任意指定的时间里,都有那么一个指标
  • PS:根据业务情况不断调整

案例:电商

新浦京www81707con 10

创业阶段

  • MVP阶段:定性分析(直接找亲朋好友聊)
  • 增长阶段:留存分析、引荐分析等
  • 营收阶段:渠道分析、LTV、CAC等

案例:百度知道

  • 看情况选择合适的指标重点发力
  • 访问量
  • 检索量
  • 独立IP数
  • Session数
  • 提问量
  • 回答量
  • 设置最佳答案

Pirate Metrics: AARRR —— 海盗指标法

  • 拉新
  • 获取(Acquisition)
  • 激活(Activation):早早让他体验到high点
  • 引荐(Referral)
  • 留存(Retention):做一个有用的东西;体验要好
  • 提升关键行为的重复频率
  • 营收(Revenue)
  • 促进商业化

    新浦京www81707con 11

根据数据分析结果,挖掘潜在的场景,通过运营策略对产品赋能,快速触达用户,为用户提供更多价值就必须具备数据应用能力。

  • 数据供给:提供便捷的数据生产方案,以数据产生为起点,规范数据整个主体的供给,为夯实数据平台的基础提供保障;
  • 数据产出:保证数据在产出层面的普遍适用性。该阶段包括分析报表,自动化分析工具,查询入口等的建设;
  • 过程管理:保证数据的完整性、准确性、时效性,实现数据从产生到应用全流程的高效管理。

运营大屏

Growth Hacking(增长黑客)

  • 传统营销只关注用户获取
  • Growth
    Hacking关注用户的整个生命周期,通过产品改进,获得自增长。常用的方法是社会化媒体和病毒式传播(结合产品特征和当前热点、手段)

Growth Hacking 与数据分析

  • 拉新:渠道转化分析、用户数、A/B testing
  • 留存:留存分析、用户分群
  • 营收:交易额、利润率、用户分群

作业一:数据采集在大数据分析中的作用

数据应用的意义在于将分析结果与策略进行智能关联,当场景发生时及时执行决策,实现智能运营。

2. 数据流的不同阶段如何保证最优解?

新浦京www81707con 12

二、深度剖析5大数据分析工具

数据应用板块是 InfoBeat
智能数据平台的核心价值体现,运营人员可通过平台提供的海量数据应用工具帮助企业快速下发运营策略。通过配置策略模板,形成多种多样的策略响应方式,对不同场景下的事件进行定制化配置,快速支持运营动作。不受产品研发节奏限制,即时响应,不占用团队资源。

「立足现状,具体问题具体分析」,不同企业所处的业务发展阶段不同,所面对的问题会不一样。同样,业务本身特性及企业对数据建设的资源倾斜程度不同,也会直接影响数据全流程处理的差异。最重要的还是立足于现状,站在更高的战略视角去思考整体的解决方案。下面从技术视角以“数据流”为骨架展开讲解数据产生至应用各环节中我们分别需要做什么:

目标销售达成分析

1. 流量统计工具

  • CNZZ、百度统计、谷歌分析、友盟
  • 服务自身业务
  • 商业模式
  • 强调标准化
  • 前端采集
  • 满足最基本需求

新浦京www81707con 13

2.1 数据产生

二、门店运营

2. 神策

【案例:华润万家】

  • 背景:做互联网+,有PC、App、公众号
  • 需求:
  • 三端采集和监控
  • 用户跨屏识别
  • 强烈的行为和业务数据贯通分析

【案例:融360】

  • 业务流程:[渠道获客 → 用户访问 → 浏览贷款 → 提交申请](线上行为)
    → [线下核实 → 贷款成功](线下行为)
  • 需求:
  • 线下实际成交量反推线上该渠道的ROI,即打通线上线下行为数据打通

【案例:自定义指标】

  1. 电商客户
  • 不关心UV,只关心每天有多少购买,以及这个比值是否上升
  1. 互金客户
  • 不同于传统的流失定义,只要用户清空了账户金额,即视为流失
  1. 分享经济
  • 需要非常灵活的指标定义和查询,业务同学可以自主完成,比如交易放弃率这样的指标

【案例:Keep】

  • 需求:
  • 提高日活跃占比
  • 提高日活跃参与度
  • 解决方法:
  • 基于用户行为进行分群,然后进行推送
  • 构建“用户行为 → 推送系统 → 报表系统 → 用户画像 → 个性推荐”这个闭环

场景举例:

数据产生,这个阶段是最适合向业务方宣灌数据生产应用流程的阶段,因为该阶段的优劣将会直接影响之后的各环节。该阶段的关键字是「规范输入」,需要给数据上游的业务方提供可行的数据埋点规范(业务团队自身业务库除外):

终端门店作为消费者的直接触点,对连锁零售的交易转化和用户经营至关重要。观远数据以赋能一线店长为主旨,为店长提供相应角色看板,并引入先进的AI技术,将优秀门店管理经验固化到系统,形成门店整体经营健康画像。移动端支持数据分析结果实时查看,以及订阅预警信息直接推送至邮件、企业微信、钉钉等,随时随地监控业务变化。

3. 一款理想的用户行为分析工具

数据驱动的要点:快速、高效

  • 用户识别
  • 精准识别
  • 跨屏追踪
  • 还原场景(采集用户行为数据)
  • 线上线下打通
  • 行为业务
  • 还原行为
  • 自助分析
  • 灵活指标
  • 分析模型
  • 多维细分
  • 二次开发
  • 私有数据
  • 开放平台

作业二:百度统计、友盟等工具可以统计或分析什么样的数据?什么需求或场景是这些工具做不到的?

用户生日时为用户推送生日祝福是运营人员进行用户留存的重要方式之一,但随着用户移动端
APP 数量的增多和千篇一律的祝福方式,导致此种方式表现效果差强人意。

  • 数据接入流程:需要对业务数据的接入流程做全面了解,重点从数据认知层面规避“不合理的输入”;
  • 数据上报地址及API应用方法:确定API应用规范,保证数据上报位置准确,上报信息不被丢弃;
  • 埋点规范及内容
    在遵循数据接入埋点规范的前提下,保证各业务中具有差异性部分数据的完整性,通常会基于事件模型中的“who
    when how where what”几个关键要素设计埋点;
  • 数据测试方法:数据测试方法也会依据埋点形式的不同而不同,一般分为前端和后端数据测试。前端常见测试抓包工具如“Fiddler”,后端通常将数据上报至测试服务器,捞取日志观察其完整性、实时性。

新浦京www81707con 14

三、利用数据提升渠道营销效果

工具应用:

2.2 数据采集

门店指标完成情况

1. 案例:不高兴的市场/运营经理

  • 公司:某大型电商平台
  • 人物:市场/运营经理
  • 背景:
  • 元旦即将到来,为了能在元旦期间有一个比较高的销售额,需要在多渠道进行营销推广预热。
  • 在拿到营销推广经费后,开始在各大合作渠道进行投放。
  • 投放前告诉开发进行相应的渠道数据埋点,便于跟踪渠道效果。
  • 问题:真的说清楚了嘛?
  • 结果:
  • 渠道投放后,获取数据往往要等1-2天,拿到数据后发现想要看的数据不全或没有标记
  • 关键是Paid
    Search的流量效果让人着急,自己觉得很冤枉,认为数据并没有反映真实的情况
  • 案例原因:
  • 不知道该标记哪些信息
  • 不知道如何采集这些信息(转述给开发的过程中交流出错)
  • 不知道如何评估渠道的效果
  • 不知道如何及时获取信息
  • 目的:如何花较低的成本获得高质量的用户

运营人员可使用 InfoBeat 平台的海量工具 ( 如弹窗工具、音乐播放器工具等 )
,附加自定义的生日祝福文案和歌曲,用户生日当天打开 APP
后,不仅看到了弹窗显示的祝福语,也可以听到生日祝福歌曲,给用户带来不一样的体验。

数据采集,这个阶段是一个既主动又被动的环节。我们偶尔会收到xx业务方的疑问“为什么业务上线了,没有看到数据”,排查后才发现是因为模块日志并没有被采集。那该环节关键字便是「让日志被正确的采集」

新浦京www81707con 15

2. 如何对渠道进行精细化标记和区分

2.1 精确流量识别技术LinkTag

新浦京www81707con 16

  • 链接如何生成
  1. 找到一个构建工具的表单
  2. 输入网站地址,即推广落地页的地址
  3. 填写其他字段区分来源,自动生成
![](https://upload-images.jianshu.io/upload_images/4462810-d99f0404f55b2af8.png)

营销渠道标记的解释

新浦京www81707con 17

2.2 DSP、Affiliate(CPS联盟)等流量渠道如何准确标识

  • 还是使用UTM代码,代码格式如下
  • http://www.yoursite.com/page.html?utm\_medium=DSP&utm\_campaign=new-product
  • 将媒介形式改成了DSP的方法
  • 如何查看效果:筛选出DSP的渠道
![](https://upload-images.jianshu.io/upload_images/4462810-5dbedfd285ec0a6c.png)

2.3 线下广告怎么追踪

  • 二维码:utm_source=utm_medium=二维码
  • 目前最好的解决方案
  • 在微信中打开成为最常见的场景,需解决监测问题
  • 优惠券码
  • 国内不常用
  • 区隔性较好,但并不精确
  • 搜索引擎
  • 营销上应创造独特的可供搜索的区隔内容
  • 区隔投放
  • 宏观效果评价较为容易且置信度较好
  • 微观不具备操作性

关于 InfoBeat

  • 针对现有业务:数据部门会提供给业务方不同场景下的模块日志采集方案清单,业务方只需按照现有清单选择模块上报,数据部门会自动收集;
  • 针对新业务:数据部门会提供模块日志注册系统,形成良性注册机制,让数据部门提前感知,自动化收集模块数据。

虚拟标杆店

3. 如何采集渠道信息?(采集的上报时机)

用户行为发生在多端

  • Web端
  • Android端
  • iOS端
  • 二维码

3.1 Web端渠道采集

事件名称:浏览页面

维度:

  • 前向地址(和前向域名区分自然流量,但包含站内站外来源)
  • 前向域名
  • 广告系列来源
  • 广告系列媒介
  • 广告系列关键词
  • 广告系列内容
  • 广告系列名称
  • 最近一次站外地址(解决第一点的问题)
  • 最近一次站外域名

3.2 Android端渠道采集

事件名称:激活App

维度:

  • 广告系列来源
  • 广告系列媒介
  • 广告系列关键词
  • 广告系列内容
  • 广告系列名称

3.3 iOS端渠道采集

事件名称:激活App

关键是进入AppStore前的渠道来源

维度:

  • 广告系列来源
  • 广告系列媒介
  • 广告系列关键词
  • 广告系列内容
  • 广告系列名称

3.4 二维码端渠道采集

事件名称:扫描二维码

采集扫描二维码后打开的页面

维度:

  • 广告系列来源
  • 广告系列媒介
  • 广告系列关键词
  • 广告系列内容
  • 广告系列名称

InfoBeat
智能数据平台,诞生于深圳市跃动运营科技有限公司,是国内专业的数据服务商,在数据运营及应用领域拥有丰富的行业经验。致力于为金融、政企及互联网等行业优化产品运营,丰富产品端数据应用,交付一站式产品运营服务,帮助实现业务增长。

2.3 数据处理

三、商品运营

4. 如何评估营销渠道效果?

4.1 首先要明确的是:互联网营销的用户点击流

  • 点击前阶段(用户获取阶段)
  • 点击后阶段
  • 购买后阶段
![](https://upload-images.jianshu.io/upload_images/4462810-63bcd43b3e3c518c.png)

4.2 流量渠道的评估方法一:直接解读

  • 只看转化(最好是实时获得)
  • ROI存在缺陷:大流量渠道成本高导致ROI低,但不可能放弃
![](https://upload-images.jianshu.io/upload_images/4462810-09be6f604dbaeba8.png)
  • 只看Engagement
![](https://upload-images.jianshu.io/upload_images/4462810-c7046acc7e86667b.png)
  • 用户参与度,用户和你产品的交互程度
  • 纵轴平均停留时长,横轴平均访问深度,圆圈大小代表访问量
  • 延伸方法:ROI结合Engagement
![](https://upload-images.jianshu.io/upload_images/4462810-3ebf90b0e2920a9f.png)
  • 纵轴Engagement,即Engagement Index(手工核算的值),横轴ROI
  • Engagement高、ROI低代表是新用户
  • ROI高、Engagement低代表是老用户,做用户行为路径回放,是否对其他用户有指导意义

4.3 流量渠道的高阶评估方法:渠道归因

用户选择购买的最终渠道不一定是购买行为转化的真正渠道,可能受到了其他渠道的影响

4.3.1 首次归因模型(用户第一次来到网站的渠道来源)

  • 用户属性表(看用户各个行为的转化情况)
  • 首次前向地址
  • 首次前向域名
  • 首次广告系列来源
  • 首次广告系列媒介
  • 首次广告系列关键词
  • 首次广告系列内容
  • 首次广告系列名称

4.3.2 末次归因模型(用户最后一次来到网站的渠道来源)

  • 浏览页面
  • 最近一次前向地址
  • 最近一次前向域名
  • 最近一次广告系列来源
  • 最近一次广告系列媒介
  • 最近一次广告系列关键词
  • 最近一次广告系列内容
  • 最近一次广告系列名称

4.3.3 如何分析

  • 首次 VS 末次

4.4 流量渠道的转化率评估

  • 背景:营销活动带来注册量,要区分渠道质量
  • 解决方法:
  • 按首次注册渠道进行细分
![](https://upload-images.jianshu.io/upload_images/4462810-2cf311732bf89b80.png)

4.4.1 总结:转化指标和消费四象限

新浦京www81707con 18

  • 第一象限:用户向二迁移
  • 第二象限:保持
  • 第三象限:渠道归因发生在这个渠道,不要轻易砍掉,用户向二迁移
  • 第四象限:用户向一迁移

4.5 流量渠道的留存率评估

  • 按渠道来源、付费广告的媒介形式进行查看
  • 查看留存下来的用户的详细信息,促活(插图20)
  • 查看单个、整体留存用户的行为序列,引导其他用户(插图21)
![](https://upload-images.jianshu.io/upload_images/4462810-4fef7c9253e8e4ad.png)



![](https://upload-images.jianshu.io/upload_images/4462810-b6a35a2d8b6da5ac.png)



![](https://upload-images.jianshu.io/upload_images/4462810-e0f33434781ae3d5.png)

4.6 总结

  1. LinkTag打标签
  2. 渠道采集上报时机
  3. 渠道效果评估的方法
  4. 渠道效果获取的及时性(投放时机很短,没有回溯的机会)

作业三:尝试分析某个特定渠道的营销效果,比如sem的营销效果?

目前 InfoBeat
已经服务于诸多知名机构,如国家电网、南方报业、辽宁移动、包商银行、光大证券、天津银行、河南农信、比亚迪等,助力实现产业升级,业务跃动。

数据处理、清洗是数据输入到仓库的前置阶段,该阶段关键字是「清洗规则」,目的是建立符合业务需要的数据清洗方案。比如什么格式的数据该被过滤;比如在广告投放中,用户符合哪种规则算是作弊用户;比如在用户行为数据中,符合哪种特征的行为算是爬虫用户等等。

哪些是畅滞销商品、哪个价格区间卖的最好、各类商品销售情况及所占比例是否合理……这些分析结果可为店铺的订货、组货及促销提供参考依据。在观远数据的解决方案中,包含了价格体系、商品管理、多品牌管理到库存管理等多个维度的商品运营分析,力求全方位高效满足零售顾客需求,从而显著提升店铺销量。

四、漏斗分析提升产品优化

2.4 数据仓库

新浦京www81707con 19

1. 漏斗分析的定义

  • 一种用来分析目标转化情况的最基础模型
  • 了解目标转化现状
  • 发现泄露点:技术/产品/运营谁的问题

数据仓库面向应用而生,该阶段的关键字是「分层、建模」。为了保证数据的普遍适用性及拓展性,会对仓库进行分层,通常分为:源数据层、数据仓库层、数据集市层、数据应用层。常见数据仓库模型为“星型模型”,星型模型就是一种典型的维度模型。我们在进行维度建模的时候会建一张事实表,这个事实表就是星型模型的中心,然后会有一堆维度表,这些维度表就是向外发散的星星。

存货周转分析

2. 漏斗思维

2.1 广义的漏斗

  • AARRR模型

2.2 狭义的漏斗

新浦京www81707con 20

2.5 数据计算

新浦京www81707con 21

3. 漏斗组成

  1. 目标行为(确定目标行为是什么成功,比如电商是最终购买成功)
  2. 步骤行为(到达目标的步骤,比如浏览商品详情、添加购物车、选择地址、支付等)
  3. 进入退出(找出流失点,用户从哪个步骤进来或退出的,找出原因对产品提出优化)

  4. 实际应用


4.1 如何创建漏斗

  • 设置目标和设置步骤(目标要区分宏观和微观,以便清晰设置)
  • 原则:建议设置的步骤为必经步骤
  • 因为漏斗模型适合封闭型的场景,一个非常明确的,以到达某个目标而设立的某种产品的转化流程,比如注册流程

新浦京www81707con 22

4.2 如何解读漏斗

  • 看步骤转化率、整体转化率是否达到行业基准值/竞争对手值/历史值

4.3 如何分析漏斗

  1. 解读漏斗
  2. 确定问题步骤
  3. 多维度细分(地域/客户端/品类级别等等)
  4. 用户行为轨迹功能(用户异常的行为)
  5. 流失用户明细列表
  6. 新浦京www81707con ,流失用户个人行为序列

  7. 漏斗优势


  1. 行为粗细(目标、步骤是否够细,细到页面行为还是交互行为)
  2. 多维分析(基于用户、行为属性不断下钻找出背后的异常和原因)
  3. 还原场景

5.1 行为粗细

  • 页面级别
  • 行为级别(页面上的行为)

新浦京www81707con 23

5.2 多维分析

  • 前端属性(埋SDK)
  • 全端属性(包括前端、后端)

新浦京www81707con 24

5.3 还原场景

  • 查出流失点的用户异常行为路径
  • 拉出异常用户行为列表
  • 查看用户个人行为序列,找出背后的原因

新浦京www81707con 25

新浦京www81707con 26

新浦京www81707con 27

新浦京www81707con 28

作业四:

  • 漏斗分析主要适应的场景是哪些?
  • 如何衡量整体和步骤转化率的合理性?

数据计算是数据变活的过程,主要分为离线和实时计算,该阶段的关键字是「准确、稳定」。会按照不同业务单元的需要,设计数据指标,并按照不同场景中的业务逻辑确定统计规则,最终由系统实现例行计算。数据本身并不具备任何价值,但一旦我们将它变为衡量事情的标准、将它变为洞察业务的眼睛,它就有了不可估量的力量。

品类角色分析

五、从方法到实践,从0搭建数据分析体系

2.6 数据应用

四、市场营销

1. 数据分析的现状(痛点)

  • 现状一:过于简单
![](https://upload-images.jianshu.io/upload_images/4462810-74b3427ad240c9f5.png)
  • 现状二:过于复杂
![](https://upload-images.jianshu.io/upload_images/4462810-4f469d198251ec80.png)
  • 现状三:效率太低
![](https://upload-images.jianshu.io/upload_images/4462810-6edcfbb705b4d5a1.png)

数据的应用是数据最终产生价值的部分,该阶段的关键字是「完善、洞察」。基于数据流前面的流程处理,该环节最终会提供给应用方业务报表、数据访问、自动化工具、统计模型等应用;以下描述了数据平台和数据应用方在应用阶段需要长期持续关注的问题:

连锁零售商通常会根据市场需求、节假日、产品上市、季节性等因素,出于提升销售、消化库存、品牌宣传等目的制定开展相关的促销活动。对于促销选品、促销过程监控、促销前中后期的效果评估,我们也制定了相应的营销分析组合,比如销售额目标达成情况、新增会员数、重点商品销售情况等,实时监控市场反应和消费者动态。

2. 怎么搭建数据分析框架

  1. 梳理业务
  2. 事件设计(需要采集那些数据)
  3. 数据采集
  4. 构建指标体系
  5. 确定业务目标
  6. 数据分析
![](https://upload-images.jianshu.io/upload_images/4462810-e59126acafd32f07.png)

【案例:广发证券App】

(1) 梳理业务流程:开户/购买理财产品流程

新浦京www81707con 29

新浦京www81707con 30

(2)设计事件:推测用户行为,设置好采集点

  • 采用event模型,梳理事件及其属性
![](https://upload-images.jianshu.io/upload_images/4462810-7fb6033230a528a9.png)
  • 梳理事件每一步的成功率
![](https://upload-images.jianshu.io/upload_images/4462810-7b0719bcf576be05.png)



![](https://upload-images.jianshu.io/upload_images/4462810-d524a25b9b363ec9.png)
  • 梳理用户属性,通过UID与用户行为进行交叉分析
![](https://upload-images.jianshu.io/upload_images/4462810-20563ab572238a99.png)

(3)推动技术做数据采集工作

  • 选择何种采集方式,前端或后端SDK
![](https://upload-images.jianshu.io/upload_images/4462810-7622b6b23e47fff8.png)
  • 采集方式总结

  • 采集标准:全、细、准

![](https://upload-images.jianshu.io/upload_images/4462810-0e0d6ac3b7926d49.png)

(4)构建指标体系

  • 端到端的用户行为分析:AARRR
![](https://upload-images.jianshu.io/upload_images/4462810-6ab6ca5abc91f664.png)
  • 维度细分
![](https://upload-images.jianshu.io/upload_images/4462810-2e43e1da1aecf4bb.png)

(5)确定业务目标:OMTM

  • 能正确反映业务和阶段
  • 简单易懂,好理解
  • 复合指标一般都好于计数指标
  • 去除虚荣指标,好的指标能指导和改变行为
  • 形成报表

(6)展开数据分析:产品/运营/市场

  • 多个指标综合评估功能
  • 留存分析+A/B test(发现问题、建立假设、快速验证、得出结论)
  • 用户分群+PaaS平台(极其细致的用户分群,如1天前、2天前的用户,进行精细化运营)

作业五:给自己的产品也做一下事件设计

  • 数据平台:是否能提供完善的业务分析指标体系,是否能提供完善的精细化运营工具;
  • 数据应用方:现有数据是否足够支撑业务分析,是否能依据现有数据发现更多的业务问题,是否能洞察潜在的商业机会。

新浦京www81707con 31

六、利用数据思维运营好一个产品

2.7 元数据管理

市场营销看板

1. 数据价值所在?

  • 还原业务全貌,让你知道接下来要干嘛
    图1

元数据管理贯穿整个数据流程始终,是一个较为宽泛的概念,元数据治理的好坏将直接决定了整个数据平台的品质。元数据管理主要分为三部分:技术元数据、业务元数据、过程元数据。

新浦京www81707con 32

2. 如何还原业务全貌

2.1 推荐工具:

  • Appsee:适合初创、小于1万个用户的团队
  • inspectlet:网页版的Appsee,推荐用在网站的关键页面
  • Sensors Data:强调事件流

2.2 如何还原:

  1. 实时漏斗
  2. 用户分布及访问路径
  3. 单用户行为序列

  4. 如何对团队产生价值


3.1 不同岗位的价值

  • 产品:看用过某个新功能的回访表现对比整个大盘的回访表现
  • 运营:GA实时监控,上内容点击量最高的
  • 渠道:提升运营效率
  • 技术:查崩溃前用户操作

3.2 如何放大价值

  • Dashboard
  • 自动化邮件(提需求之后,自动发邮件,推荐GA)
  • 报警
  • 与工作流程结合起来

声明:本文著作权归讲师所有,仅供学习交流之用。侵删!

  • 技术元数据:如日志文件的路径/格式、仓库表结构、数据表血缘关系等;
  • 业务元数据:如指标归属业务单元、业务描述、计算逻辑、业务类型等;
  • 过程元数据:如表更新规则(增量/全量)、更新频率、更新时间、量级等依据以上,我们可以从技术视角总结出数据平台需要哪些东西,下图是参考示例:

促销活动分析

新浦京www81707con 33

五、顾客关系

三、数据的业务视角

以往企业只能管理会员的消费记录、姓名、手机号、消费金额、消费频率等结构化数据,在分析、运营会员的时候,也只能依据这些浅显的维度,这样容易让商家错失很多潜在的商机。现在观远数据从时间维度分析(日/周/月/季/年)、会员结构分析、消费结构分析以及会员价值RFM分析等,全方位深入分析,可为连锁零售企业呈现清晰的客户画像,深度挖掘客户价值。

基于立场的不同,导致了从业务视角与从技术视角看到的表现层内容会不一样,但究其本质是相通的。无论数据在应用层面以何种方案最终呈现,最终都是为了解决问题而存在;参考「黄金圈法则」我们同样也需要从数据的业务视角去思考三个问题:

新浦京www81707con 34

  1. 为什么需要数据团队解决?
  2. 需要解决的问题是什么?
  3. 该通过什么方式解决?

  4. 为什么需要数据团队解决?(why)

会员分析

「闻道有先后,术业有专攻」与「有所为而有所不为」,业务技术团队的定位是服务于业务一线,数据团队的定位是提供专业性的数据解决方案,二者分工上的差异性决定了解决问题的最佳路径。如下列举了需要数据团队解决几类问题:

新浦京www81707con 35

  1. 数据类型:数据产生场景复杂、数据类型多(行为、交易、用户、商品..),数据结构复杂(结构化/非结构化/半结构化数据);
  2. 数据量级:存储量级大,传统关系型数据库不能解决;
  3. 数据处理:清洗规则多,计算任务流程长,计算血缘关系复杂等;
  4. 数据应用:行为分析,多维交叉分析,实时多维分析,丰富的可视化等。

  5. 需要解决的问题是什么?(how)

预流失会员精准激活

(1)我的业务是什么

六、全渠道运营

不同业务单元依据自身业务属性,需要数据团队解决的数据问题也不一样。如市场团队关注应用市场投放相关的数据,客户端团队关注设备/应用版本/用户转化相关的属性数据,运营团队关注活动相关数据,风控团队关注风控相关数据等。

全渠道运营已是如今零售发展的显著趋势之一,观远智能BI平台支持ERP、POS、CRM、线上数据等多种数据源接入,并依托自带的SmartETL工具,赋能IT人员对数据集进行易操作、低门槛、智能化的高效数据处理,从而帮助快速打通企业级数仓数据与部门数据以及线上、线下数据的汇融贯通。在此基础上进行整合分析,最大程度还原数据原貌。

(2)我该如何衡量它们

新浦京www81707con 36

团队属性的不同,也决定了量化到数据指标的衡量标注不同。各业务团队拥有自己的关键唯一指标和对应拆解/下钻的指标体系。

全渠道运营

(3)如何让数据驱动业务

新浦京www81707con 37

市场团队通过衡量不同渠道来源用户的质量,评估渠道ROI,优化投放策略;客户端团队通过观察不同产品方案的转化效果,改进注册及其他核心行为发生的主流程设计;运营团队通过用户细分,评估不同用户群在活动对的转化效果,进行精细化运营等。

全渠道运营

  1. 通过什么方式解决?(what)

七、人力资源和财务分析

以下从业务视角拆解数据平台产品解决方案:

连锁零售企业的精细化管理,内外部数据分析缺一不可,尤其是作为企业内部管理重要一环的“人员管理”和“财务管理”。在我们的解决方案中,人力资源分析包含:流失分析、补偿分析、薪酬分析、绩效分析、招聘分析、劳动力概况分析等指标;财务分析则包含:应收账款分析、总账分析、应付账款分析、利润分析等指标,从而帮助构建完整精细化的企业管理模型。

3.1 实时监控

新浦京www81707con 38

  • 实时看板:专注于关键核心指标的实时表现,如用户、商品、订单等。视具体情况会将关键指标维度下钻后进行实时监控
  • 实时电视监控:依据平台数据源,适用于电视投屏,监控看板展现等
  • 红包/促销监控:关于红包主题的实时监控,观察业务中的红包发放/红包使用等波动情况,判断业务健康度
  • 用户监控:监控用户活跃/用户新增的表现,与推送服务、品牌投放、投放等的业务动作进行相关分析,判断效果是否符合预期,及时优化策略动作
  • 其他

人力资源看板

3.2 离线分析

新浦京www81707con 39

  • 核心看板:企业业务发展所处阶段的不同,所关注的核心指标也不同,核心看板着重关注公司战略层核心指标在核心维度上的趋势及构成表现
  • 业务看板:业务看板服务于不同业务团队,亦可视作各业务单元的核心看板
  • 流量分析:描述用户从哪里来,不同渠道用户的后续核心业务表现。同时也承载渠道数据管理的工作(如渠道分组/渠道关系维护等)
  • 用户分析:用户构成、用户留存、用户转化、行为、生命周期等场景的分析
  • 商品分析:商品构成、库存、售出、质量、商品生命周期等场景的分析
  • 交易分析:主要用于交易主题的多维交叉分析,用户与商品在交易链路上的具体表现,如:曝光→浏览→咨询→下单→支付→售后等链路的分析
  • 专题分析:搜索推荐分析、风控分析、竞对分析、垂类分析、运营位分析、垂类专区分析、活动分析等
  • 其他

财务分析

3.3 精细化运营工具

以上是观远数据关于「连锁零售大数据分析BI解决方案」的核心思路,文中只节选部分细节指标和应用场景。如果您想了解观远数据详细的连锁零售解决方案或其他行业解决方案,可点击小程序进行免费体验,或点击阅读原文提交试用申请。

  • 事件分析:基于事件模型的自动化分析工具,业务方可依据行为埋点查询到不同行为事件的用户表现
  • 事件漏斗分析:基于事件模型的自动化漏斗分析工具,可自行设置业务转化漏斗,观测各精分业务流程中的转化效果,拆解转化问题
  • 留存分析:按照留存模型,起始行为精分用户群体,依据精分用户群不同行为频次的表现,观测各层用户的留存
  • 画像分群:按照不同主体拆分属性,通过属性组合,筛选目标分群,进行精细化运营(1.用户分群:以唯一用户ID为主体,组合用户的不同分类属性,筛选目标用户群,做差异化运营或用户分析;2.商品分群:以唯一商品ID为主体,组合商品的不同分类属性,筛选目标商品群,做精细化商品分析;3.订单分群:以唯一订单ID为主体,组合订单的不同分类属性,筛选目标订单群,做精细化交易分析)
  • SQL查询工具:可视化SQL查询
  • 其他

3.4 智能预警及分析

  • 实时异常分析:实时异常分析基于历史数据,获取当前时间点的可能数值范围,当实际值在该范围以外时,即认为数据异常。关键要求是及时和准确
  • 智能分析:具体策略是对关键核心指标进行维度拆解,寻找出影响核心指标波动中不同维值的“贡献度”,最终定位问题
  • 其他

3.5 其他解决方案

  • 自动邮件:通过配置化的方案,实现数据报表的自动邮件推送。也可以在离线报表上设置开关,发送具体页面数据表到指定邮箱
  • 数据分析:如:商品分析、交易分析、转化分析、DAU预测、订单预测等
  • 数据挖掘:通过聚类、回归、关联规则等常见挖掘算法分析问题,发现机会
  • 外部数据:竞对数据抓取及分析
  • 其他

依据以上,我们可以从业务视角总结出数据平台产品矩阵,下图为参考示例:

新浦京www81707con 40

四、最后

我们在实际工作中,技术视角和业务视角应该是交叉共存的。即在沿着技术视角去开展数据流链路上的工作时,也需要同时关注业务本身的情况,设计出更优雅的解决方案;同样在业务视角应用数据手段去推进工作时,也需要关注数据流中各阶段上潜在的问题与风险点。

道阻且长,溯洄从之。

作者:蒋坤伟,转转产品经理;个人公众号:黑夜月

本文由 @黑夜月 原创发布于人人都是产品经理,未经作者许可,禁止转载。

题图来自 Pexels,基于 CC0 协议返回搜狐,查看更多

责任编辑:

相关文章