数据驱动运营

数据驱动运营
数据驱动运营即是挖掘数据并进行合理的数据分析，找到数据背后的真实关系，进一步找到真实原因，以此给出对应的具体措施并指导实际的网站运营工作。

（在这里，网站数据类型、对应概念和意义，及其如何挖掘和获取将过掉，请大家查询相关书籍。

）
这里要讲的是电商网站的数据需求类型、数据分析的方式方法，以及如何驱动实际运营工作。

主要是结合本人的学习、实际工作和心得所写，欢迎更为专业的人士加入讨论。

第一，先说说网站运营数据分析的类型及其包含的内容。

1、总体运营指标
包含如下，见图：
这显然是给上司看的，网站总体运营指标。

这里需要说明几点：
1、关于指标本身
1）不需要一个时点的该项指标，而需要的是趋势图，一段时间的，即自己纵向对比；如果有主要竞争对手的对应指标，一并给出，进行横向比较那是最为完善的。

2）给出指标趋势好与坏的简短评价，并给出造成的可能原因。

2、关于指标类别
1）网站流量：网站流量非常重要，但不是最为核心的。

2）销售指标：销售金额、毛利和毛利率三项指标才是最为核心的；网站到底运营得如何？关键看现金流的多与少。

而订单金额、订单数量和客单价可以大致了解出网站的销售情况。

这三项指标可以去解释网站运营的现金流状况。

比如之前卖书的亚马逊中国与卖家电的京东，从这几项指标进行分析比较就可以很好的解释其运营的现金流状况。

3）运营指标：转换率无疑是非常关键非常核心的运营指标。

它刻画出了全站整体的运营状态。

包括了流量质量、网站IA架构及交互质量、商品吸引力（性价比）及相关商品信息展示的用户体验、在线营销、配送和售后等等整个电商网站的用户全购物体验的直接衡量指标。

一般来讲，电商网站的转换率在1-5%之间。

经敏感性分析研究得出，一般来讲，转换率提高1%，全站销售额将会提高40%以上（基于我之前负责的团购网站）；大家也可以对自己负责的电商网站做敏感性分析看看结果如何。

4）营销指标：CPS最为直接真实的反应出电商的营销销售成本。

由于过多的电商在非理性的强调和追逐用户和销售规模的增长率，而使得CPS节节攀升；今年团购网站竞争最激烈，我们平均下来的CPS也达到了15-20元之间，而单件毛利只有
8-12元；亏损是肯定的。

其他类型的电商CPS也好不到哪去，特别是自建电商。

2、用户行为指标
见下图：
如图所示：用户行为分为了访问行为和购买行为；其对应指标见上。

这里需要说明的几点：
1）将用户分为新老用户的标准，可以根据自己网站特点进行设定，没有统一的定义去严格区分。

但可以参考几个指标，比如注册时间、购买时间和购买频次。

2）用户访问行为分析的目的是：找到新老用户不同的访问行为特点；找到问题页面或者问题商品，进行网站信息优化。

3）用户购买行为的分析还需要仔细分析每一步骤的页面信息架构是否存在问题以及用户跳出到达的页面都是哪些，整体购买流程和步骤是否可以再次优化，从而提高整体的购买转换率。

免费统计软件中，谷歌统计分析可以实现这一统计功能。

4）在图表中没有给出对用户购买行为的深层次分析内容，比如新老用户的购物特性（时间、频次、商品类别、金额、季节等），这需要用到专业的统计软件和建立统计分析模型，这里先不讨论，后期会叙述到。

3、客户价值指标
这里需要说明的是，全文的网站分析指标也是通过微博获得的，觉得分类比较清晰全面，所以沿用了，在此对原指标给出者表示感谢。

在此基础之上，我重新界定了某些指标。

如上图所示：
我们需要对对客户进行价值指标的计算、分析和评估。

以此对全站的客户价值有一个全面细致的认识。

我们再次看到了单位用户的获取成本以及销售转换率。

同时，我们更加细致的对现有用户进行了新老用户细分，占比、获取成本、客单价等指标进行了计算。

但就如（二）所提到的，还需要引入其他数据，如不同地区、不同商品类别、季节时间、消费金额、毛利贡献等，对新老用户的消费特征分别进行统计分析。

如此，可以很好的把握住两种用户群体的消费特性，从而有针对性的组织安排商品的在线销售，并还可指导EDM 精准营销，为两种不同类型的用户定制EDM的邮件内容和发送时间，从而提高EDM转换率。

4、营销活动指标
见下图：
还是先讲述图中指标：
1.营销活动效果的评估
我认为ROI是最为核心的，一般来讲，我们会将活动前一周和活动后一周的网站UV、PV、订单数、销售金额、转换率等指标做平均；再计算出活动期间的这些指标值。

用活动期间和活动后一周的指标数值减掉活动前一周的对应指标数值，得出活动的效果，再扣除可能的奖品费用等其他费用，得到该活动的ROI。

这种计算方法有很大误差，特别是有多种因素同时影响用户购买行为时，但也可大致看出一项活动的效果。

至于多因素影响的情况下，如何评估，这会在后面文章谈到专业统计软件和统计模型的建立和分析。

这里不多叙述。

这里还需要提醒的是：营销活动的评估不仅仅是事后评估，更为重要的是活动进行中的每日数据监控，评估和分析，找到活动效果差的可能原因，及时调整，以此确保整个活动的效果。

2.广告及渠道效果评估
部分指标与营销活动效果评估一致；这里额外强调CPA和CPS，特别是后者。

在我的实际工作中，除了以上表面化的数据监控和数据分析外，还会有对各项数据的细化和分解，以此找到更为真实的情况。

比如营销活动效果评估，如果我们按照上图所示做出了评估数据，我们下一步能如何呢？但实际上，我们并不完全了解该项营销活动背后更为细致的真实情况，也不会为提高下一次营销活动给出有价值的建议了。

比如：该项活动在不同城市都有相同的活动效果吗？哪些城市效果明显？哪些又并不明显呢？他们有什么特征？我们是否应该针对不同城市开展不同的营销活动呢？
6月份的一次零元抽奖活动中，活动整体的ROI很好，这也是为什么各大团购网站乐此不疲的做此项流程最为简单，但效果却不错的原因。

但我们将数据做了以下两次不同分析后，发现背后应该有更为细致的真实情况，从而指导下一次活动。

一种是人工分城市照上图统计分析活动效果，得出了部分城市的活动ROI严重不同。

另一种是用SAS建模型，找相关性，也得出了相同结论。

下一步就是分析不同的原因所在，为后期再开展类似活动给出新的建议。

这里不再叙述，在后期的分析方法里会再次讲述。

5、常规分析方法
在前面部分，已将电商网站运营可能用到的数据指标一一归类做出了叙述，在本节开始，我将结合实际工作和一些简单的统计分析理论针对数据分析方法做较为浅显的阐述，希望有高手参与一并分享。

第一阶段：常规做法
我认为在把握大的运营方向不变的前提下，需要对网站数据做出以下动作：
1、看趋势
2、找变异
3、析原因
4、定对策
（注意：所有数据分析的前提是，需要根据既定业务需求，事先向技术部提出具体的数据需求，否则可能出现某些基础数据不全而导致数据统计欠缺。

）
看趋势：即是观察KPI数据的周、月、季的图表曲线趋势，是上升了还是下降了；关联
的其他KPI曲线，是否呈现了应该有的关联性。

环比同比的百分比如何？
找变异：即是找到单一KPI曲线中的异常值，或者关联曲线中非关联的异常部分。

析原因：找到了异常值了，就需要分析造成这一异常的原因；看时间节点，看关联活动，包括内部的和外部的，看原因构成，并分解原因，一一列出，标出权重，哪些是相对影响较大的，哪些又是可能的原因。

在这里，往往需要将数据分解，将汇总数据进一步拆分，以找到真正原因。

原因找寻非常重要，他是解决办法的因，因找到了，才会有正确的决策，从而产生正确的行动结果。

定对策：在正确的分析了相关原因后，就需要给出解决办法了。

一般来说，一个原因对应一个解决办法也可以有多个解决办法，选择最切合实际，最可执行的对策和行动办法。

当然，最后就是Just Do It!
然后，通过行动后，再次观察，分析关键KPI的图表曲线趋势和变异值；看是否解决了上一个周期的异常值。

如果异常值出现了好的数据，达到了预想的效果，说明我们上一周期分析的原因和选择的对策是正确的，下一周期持续做下去。

如果发现数据还是没有转好迹象，那说明上一周期的原因分析和对策选择存在问题，还需要继续找原因或者更换对策和行动办法。

如此轮回，周而复始，螺旋式的上升；这就是网站运营和数据分析的形态。

例子我就不举了，大家在实际工作中一定深有体会。