查看原文
其他

最用心的运营数据指标解读

2017-09-08 秦路 R语言中文社区

点击上方图片查看配套视频教程

作者:秦路,天善智能特约专家。资深数据分析师,数据化运营专家。擅长结合运营和数据,建立数据化运营体系。

个人公众号:秦路(微信ID:tracykanc)


本文是《如何七周成为数据分析师》的第十七篇教程,相关视频教程【秦路主讲,七周成为数据分析师】如果想要了解写作初衷,可以先行阅读七周指南。温馨提示:如果您已经熟悉业务,大可不必再看这篇文章,或只挑选部分。

数据分析涉及不同的业务领域,很多时候,业务的了解比数据技巧更重要。很多新人常问Python、SQL,但鲜有问业务,可后者才决定分析的成败。

业务的洞悉决定了数据分析师发展的上限,数据技巧只是逼近它。好的分析师都懂业务,也必须懂业务。

我希望通过本文,让数据新人对业务有一个大概的了解,也适用产品和运营新人(我是互联网背景,所以本文更多涉及这块)。文章的内容会给你「宽」的感觉,希望最后有帮助。

用户获取

用户获取是运营的起始,用户获取接近线性思维,或者说是一个固定的流程:用户接触-用户认知-用户兴趣-用户行动/下载。每一个流程都涉及多个数据指标。

渠道到达量

俗称曝光量,即产品推广页中有多少用户浏览。它可以在应用商店,可以在朋友圈,可以在搜索引擎,只要有流量的地方,都会有渠道曝光。

曝光量是一个蛮虚荣的数字,想一想现代人,每天要接触多少信息?其中蕴含了多少推广,最后能有几个吸引到用户?更多时候,渠道到达量和营销推广费挂钩,却和效果相差甚远。

广告和营销还会考虑推广带来的品牌价值。用户虽没有点击或和产品交互,但是用户知道有这么一个东西,它会潜移默化地影响用户未来的决策。然而品牌价值很难量化,在广告计算中,系统只会将用户的行为归因到最近一次的广告曝光。

广告点击量称为CTR,广告点击量/广告浏览量,除了广告,它也应用在各类推荐系统的评价中。

渠道转化率

既然广告已经曝光,那么用户应该行动起来,转化率是应用最广阔的指标。业界将转化率和成本结合,衍生出CPM,CPC,CPS,CPD,CPT等。

CPM(Cost Per Mille)指每千人成本,它按多少人看到广告计费,传统媒介比较倾向采用。CPM推广效果取决于印象,用户可能浏览也可能忽略,所以它适合在各类门户或者大流量平台采用Banner形式展现品牌性。

CPC(Cost Per Click)指每用户点击成本,按点击计价,对广告主来说,这个比CPM的土豪作派理性多了。也有很多人会认为,CPC不公平,用户虽然没有点击,但是曝光带来了品牌隐形价值,这对广告位供应方是损失。

CPA(Cost Per Action)指每行动成本,按用户行为计价,行为能是下载也能是订单购买。CPA收益高于前两者,风险也大得多,它对需求方有利对供应方不利。

以上三种是常见的推广方式,CPT按时间,CPS和CPS算在CPA的范围内。渠道推广是依赖技术的行业,用户画像越精准,内容与用户越匹配,则越容易产生收益。

还有一种指标eCPM(effective cost per mille),每一千次展示可获得收入,这是广告主预估自身收益的指标。

渠道ROI

ROI是一个广泛适用的指标,即投资回报比。

市场营销、运营活动,都是企业获利为出发点,通过利润/投资量化目标。利润的计算涉及财务,很多时候用更简单的收入作分子。当运营活动的ROI大于1,说明这个活动是成功的,能赚钱。

除了收入,ROI也能推广到其他指标,有些产品商业模式并不清晰,赚不到钱,那么收入会用其他量化指标代替。譬如注册用户量,这也就是获客成本了。

日应用下载量

App需要下载,这是一个中间态,如果不注意该环节也会流失不少用户。应用商店的产品介绍,推广文案都会影响。有些动辄几百M的产品,常将部分安装留在初次启动应用时以补丁形式完成,如各类游戏,就是怕漫长的下载时间造成玩家流失。

第三方平台下载到用户注册App,这步骤数据容易出错,主要是用户对不上。技术上通过唯一设备ID匹配。

日新增用户数

新增用户数是用户获取的核心指标,曾经

新增用户可以进一步分为自然增长和推广增长,自然增长可以是用户邀请,用户搜索等带来的用户,而推广是运营人员强控制下增长的用户量。前者是一种细火慢炖的优化,后者是烹炸爆炒的营销。


用户获客成本

用户获取必然涉及成本,而这是运营新手最容易忽略的。曾经写过一篇文章描述获客成本,「获取新增用户,运营都应该知道的事」。

一次会话用户数

一次会话用户,指新用户下载完App,仅打开过产品一次,且该次使用时长在2分钟以内。这类用户,很大可能是黑产或者机器人,连羊毛党都算不上。

这是产品推广的灰色地带,通过各种技术刷量,获取虚假的点击量谋取收益。该指标属于风控指标,用于监管。

用户活跃

用户活跃是运营的核心阶段,不论移动端、网页端或者微信端,都有相关指标。另外一方面,现在数据分析也越来越注重用户行为,这是精细化的趋势。

日活跃用户/月活跃用户

行业默认的活跃标准是用户用过产品,广义上,网页浏览内容算「用」,在公众号下单算「用」,不限于打开APP。「一篇文章读懂活跃数据」。

活跃指标是用户运营的基础,可以进一步计算活跃率:某一时间段内活跃用户在总用户量的占比。按时间维度,则有日活跃率DAU、周活跃率WAU和月活跃率MAU。活跃用户数,衡量的是产品的市场体量,活跃率,看的则是产品的健康。

可仅仅打开产品,能否作为产品健康的度量?答案是否定的。成熟的运营体系,会将活跃用户再细分出新用户、活跃用户、忠诚用户、不活跃用户、流失用户、回流用户等。流失用户是长期不活跃,忠诚用户是长期活跃,回流用户是曾经不活跃或流失,后来又再次打开产品的活跃用户。 

通过不同的活跃状态,将产品使用者划分出几个群体,不同群体构成了产品的总用户量。健康的产品,流失用户占比不应该过多,且新增用户量要大于流失用户量。

PV和UV

PV是互联网早期Web站点时代的指标,也可以理解为网页版活跃。PV(PageView)是页面浏览量,用户在网页的一次访问请求可以看作一个PV,用户看了十个网页,则PV为10。

UV(Unique Visitor)是一定时间内访问网页的人数,正式名称独立访客数。在同一天内,不管用户访问了多少网页,他都只算一个独立访客。怎么确认用户是不是同一个人呢?技术上通过网页缓存cookie或者IP判断。如果这两者改变了,则用户算作全新的访客。

PV和UV是很老的概念,但是数据分析绕不开他们,除了产品上各页面的浏览,在第三方平台如微信,各类营销活动都只能通过Web页实现,PV和UV便需要发光发热了。

有一点需要注意的是,微信浏览器不会长期保留cookie,手机端的IP也一直变动,基于此统计的UV会有误差(不是大问题,只是uv中的新访客误差较大)。这里可以通过微信提供的openid取代cookie作为uv基准,需要额外的技术支持。

用户会话次数

用户会话也叫session,是用户在时间窗口内的所有行为集合。用户打开App,搜索商品,浏览商品,下单并且支付,最后退出,整个流程算作一次会话。

会话的时间窗口没有硬性标准,网页端是约定俗成的30分钟内,在30分钟内用户不管做什么都属于一次会话。而超过30分钟,不如出去吃个饭回来再操作,或者重现打开,都属于第二次会话了。



移动端的时间窗口默认为5分钟。

用户会话次数和活跃用户数结合,能够判断用户的粘性。如果日活跃用户数为100,日会话次数为120,说明大部分用户都只访问了产品一次,产品并没有粘性。

用户会话依赖埋点采集,不记录用户的操作,是无法得知用户行为从哪里开始和结束的。另外一方面,用户会话是用户行为分析的基础。

用户访问时长

顾名思义,用户访问时长是一次会话持续的时间。不同产品类型的访问时长不等,社交肯定长于工具类产品,内容平台肯定长于金融理财,如果分析师发现做内容的产品大部分用户访问时长只有几十秒,那么最好分析一下原因。

功能使用率

除了关注活跃,运营和数据分析师也应该关注产品上的重要功能。如收藏,点赞,评论等,这些功能关系产品的发展以及用户使用深度,没有会喜欢一个每天打开产品却不再做什么的用户。

功能使用率也是一个很宽泛的范围,譬如用户浏览了一篇文章,那么浏览中有多少用户评论了,有多少用户点赞了,便能用点赞率和评论率这两个指标,然后看不同文章点赞率和评论率有没有差异,点赞率和评论率对内容运营有没有帮助,这些都属于功能使用率。又譬如视频网站,核心的功能使用率就是视频播放量和视频播放时长。

微信公众号指标即可以单独说,也能把它作为产品的功能延伸看待。图文送达率,转化分享率,二次转化分享率,关注者增量等和本文其他指标一脉相承。只是第三方数据多有不便,更多分析依赖假设。

用户留存

如果说活跃数和活跃率是产品的市场大小和健康程度的话,那么用户留存就是产品能够可持续发展。

留存率

用户在某段时间使用产品,过了一段时间后,仍旧继续使用的用户,被称为留存用户。留存率 = 仍旧使用的用户/ 当初的总用户量。

在今天的互联网行业,留存是比新增和活跃提到次数更多的指标,因为移动的人口红利没有了,用户越来越难获取,竞争也越来越激烈,如何留住用户比获得用户更重要。

假设产品某天新增用户1000个,第二天仍旧活跃的用户有350个,那么称次日留存率有35%,如果第七天仍旧活跃的用户有100个,那么称七日留存率为10%。


Facebook有一个著名的40-20-10法则,即新用户次日留存率为40%,七日留存率为20%,三十日留存率为10%,有此表现的产品属于数据比较好的。

上面的案例都是围绕新用户展开,还有一种留存率是活跃用户留存率,或者老用户活跃率,即某时间活跃的用户在之后仍旧活跃的比率。它更多用周留存和月留存的维度。

新增留存率和活跃率是不同的,新增留存率关系于产品的新手引导,各类福利,而活跃留存率和产品氛围,运营策略,营销方式等有关,更看重产品和运营的水平。

用户流失率

用户流失率和留存率恰好相反。如果某产品新用户的次日留存为30%,那么反过来说明有70%的用户流失了。

流失率在一定程度能预测产品的发展,如果产品某阶段有用户10万,月流失率为20%,简单推测,5个月后产品将失去所有的用户。这个模型虽然简陋,用户回流和新增等都没有考虑,但是它确实反应了产品未来的生命周期不容乐观。

这里可以引出一个公式,生命周期 = (1/流失率)*流失率的时间维度。它是经验公式,不一定有效。

产品的流失率过高有问题么?未必,这取决于产品的背景形态,某产品主打婚礼管理工具,它的留存率肯定低,大多数用户结婚后就不用。但这类产品一定有生存下去的逻辑。旅游类的应用也是,用户一年也打开不了几次,但依旧能发展。

退出率

退出率是网页端的一个指标。网页端追求访问深度,用户在一次会话中浏览多少页面,当用户关闭网页时,可认为用户没有「留存」住。退出率公式:从该页退出的页面访问数/进入该页的页面访问数,某商品页进入PV1000,该页直接关闭的访问数有300,则退出率30%。

跳出率是退出率的特殊形式,有且仅浏览一个页面就退出的次数/访问次数,仅浏览一个页面意味着这是用户进入网站的第一个页面,俗称落地页LandingPage。

退出率用于网页结构优化,内容优化。跳出率常用于推广和运营活动的分析,两者容易混淆。

营销

营销也有自己的数据体系,互联网的数据体系就是脱胎于此才发展出AARRR框架。产品的发展模式有两种,如果一款产品能够在短时间获得百万用户,AARRR框架更适合它;如果一款产品从第一个用户起即有明确的商业模式,也能尝试套用市场营销的概念。

用户生命周期

用户生命周期来源于市场营销理论,旧称客户生命周期。有兴趣可以移步「深入浅出,用户生命周期的运营」。

它有两种含义,一种是针对用户个体/群体的营销生存窗口。用户会随时间推移发生变化,这种变化带来无数营销机会,对市场和企业是机遇。如怀胎十月,它就是一个生命周期为十月的营销窗口,企业会围绕这时期的用户建立特定营销。搬家,大学毕业,买房等都具有典型的周期特征。

另外一种是用户关系管理层面的生命周期,它对运营人员更重要。产品和用户的业务关系会随着时间推移改变。在传统营销中,分为潜在用户,兴趣用户,新客户,老/熟客户,流失客户。这几个层层递进的阶段和用户活跃很像。

对于一款母婴产品,我既要知道营销的生存窗口,即怀孕了几个月,因为孕早期和孕晚期的营销侧重点不一样,刚怀孕肯定是最合适的。也要知道用户本身和产品对应的关系,这位妈妈是新客户,还是曾经用过App但流失了。

营销数据分析中,最关键的环节就是新客户—流失客户这个阶段,一位用户能和产品互动多久,将决定产品的生命力。听起来和留存挺像的,上文提过的生命周期计算公式,就是脱胎于市场营销。

用户生命周期价值

生命周期价值是用户在生命周期内能为企业提供多少收益,它需要涉及财务定义。互联网行业更多提到生命周期,而不是生命周期价值,因为互联网的商业模式没有传统营销的买和卖那么简单明确。

举个例子,微信用户的生命周期价值能否计算?并不能,不论是广点通、游戏或者微信理财,都推导不出一个泛化的模型。但是部分产品,如金融和电商,生命周期价值是可计算的。

以互联网金融举例,某App提供理财和现金贷款两种业务,公司从这两个业务中获得收入通常是一个较稳固的比率,而成本支出平摊每个用户头上也是固定常数。所以利润就变成了用户理财和贷款的金额大小,以及生命周期的长短。这两者都是可估算的。

生命周期价值比生命周期重要,因为公司要活下去,就得赚更多的钱,而不是用户使用时间的长短。更多内容见「运营的商业逻辑:CAC和CLV」。

客户/用户忠诚指数

忠诚指数是对活跃留存的再量化。活跃仅是产品的使用与否,A用户和B用户都是天天打开App,但是B产生了消费,那么B比A更忠诚。数据往往需要更商业的指标描述用户,消费与否就是一个好维度。

我们可以用一个简化模型表示:


t是一个时间窗口,s代表消费次数,代表的距今某段时间内的消费次数。若时间窗口选择月,那么t=1是距今第1个月内的消费次数,t=2是距今第2个月内的消费次数,列举数据如下。


将消费次数代入s/(s+1),对数据进行转换,它的目的是收敛。以忠诚角度看,消费10次和消费100次的差异并不大,都属于很高且难以流失的用户,10/11和100/101的关系,并且有效规避极值。对于消费0次,1次,2次的用户,则对应0,0.5和0.66,在业务上也具备可解释性。


各月份求和得出的指数能反应用户在消费方面的忠诚。图例只是解释,实际应用过程中需要归一化,并且考虑时间权重:越近的消费肯定越忠诚。上述的模型在于简单,适合各类商业模式的早期分析,如金融投资,便可以计算用户每个季度的投资次数。

客户/用户流失指数

流失指数是对流失的再量化,它是忠诚指数的反面。流失率衡量的是全体用户,而为了区分不同用户的精细差异,需要流失指数。在早期,流失指数=1-忠诚指数。

流失指数和忠诚指数的具体定义能根据业务需要调整,比如忠诚按是否消费,流失按是否打开活跃,只要解释能站住脚。

在拥有足够的行为数据后,可以用回归预测流失的概率,输出[0,1]之间的数值,此时流失的概率便是流失指数。

客户/用户价值指数

用户价值指数是衡量历史到当前用户贡献的收益(生命周期价值是整个周期,包括未来),它是精细化运营的前提,不同价值的用户采取不同策略以最大化效果。

用户价值指数的主流计算方式有两种,一种是RMF模型,利用R最近一次消费时间,M总消费金额,F消费频次,将用户划分成多个群体。不同群体即代表了不同的价值指数。


历史文章曾经涉及到这一块,读懂用户运营体系:用户分层和分群,这里就略过了。

第二种是主成分分析PCA,把多个指标转化为少数几个综合指标(即主成分),其中每个主成分都能够反映原始变量的大部分信息,且所含信息互不重复。

假设有一个旅游攻略网站,怎么界定优质的内容贡献者?用户的文章发布量?文章被点赞数?用户被关注数?文章好评数?文章更新频次?每个指标都挺重要的,主成分分析能囊括上述所有指标,将其加工成两到三个指标(通常是线性相关指标被合并)。这时再加工成价值指数则不难了。

上述各类指数,都是针对用户营销的明细数据。如何应用呢?最经典的是矩阵法,将指标划分出多个象限,如用户价值指数和用户流失指数。


对于用户价值高且流失指数高的用户,应该采取积极的唤回策略,对于用户价值低且流失指数高,那么考虑成本的平衡适当运营即可…这就是精细化运营的一个案例,也是市场营销多年来总结出的有效方法。

传播/活动

把传播和活动放到一起讲,它们是一体两面。

K因子

国外用得广泛的概念:每位用户平均向多少用户发出邀请,发出的邀请又有多少有效的转化率,即每一个用户能够带来几个新用户,当K因子大于一时,每位用户能至少能带来一个新用户,用户量会像滚雪球般变大,最终达成自传播。当K因子足够大时,就是快口相传的病毒营销。

国内的邀请传播,主体自然是微信朋友圈。微信分享功能和网页都是能增加参数统计的,不难量化。

病毒传播周期

活动、广告、营销等任何能称之为传播的形式都会有传播周期。病毒性营销强则强矣,除非有后续,它的波峰往往只持续两三天。这也是拉新的黄金周期。

另外一种传播周期是围绕产品的邀请机制,它指种子用户经过一定周期所能邀请的用户。因为大部分用户在邀请完后均会失去再邀请的动力,那么传播周期能大大简化成如下:假设1000位种子用户在10天邀请了1500位用户,那么传播周期为10天,K因子为1.5,这1500位用户在未来的10天内将再邀请2250位用户。

理论上,通过K因子和传播周期,能预测依赖传播带来的用户量,可实际的操作意义不大,它们更多用于各类活动和运营报告的解读分析。

用户分享率

现在产品都会内嵌分享功能,对内容型平台或者依赖传播的产品,分享率是较为重要的指标,它又可以细分为微信好友/群,微信朋友圈,微博等渠道。

有一点值得注意,数据只能知道用户转发与否,转发给谁是无法跟踪的。所以产品用物质激励用户分享要当心被薅羊毛。反正我转发都是给「文件传输助手」的…

活动曝光量/浏览量

传播和线上活动是息息相关的,这两者的差异不大。想要做好一个活动,单纯知道活动的浏览量是不够的,好的活动一定是数据分析出来的。以朋友圈最寻常见的红包营销举例。的分析通过网页参数,如下:

www.aaa.com/activity/bigsales/?source=weixin&content=h9j76g&inviter=00001&timestamp=1495286598

问号后面的是网页参数,source=weixin说明网页是分享到微信的。content=h9j76g是页面具体内容,这里则是营销红包的类型。inviter=00001说明是哪个用户分享出去的,timestamp则是分享的具体时间戳。不同用户的分享页面有不同参数,按此作区分。

当这些页面被用户分享到朋友圈时,数据采集系统会记录所有页面的打开浏览。而页面参数则是活动精细化分析的前提。通过source=weixin,数据分析师知道了红包活动在微信的浏览量,相对应的还有QQ和微博。content则能看出用户喜欢哪个类型的红包,哪种红包被领取得多,成本又是多少。inviter则能看出平均每个分享者的分享页能带来多少浏览量。

参数越多,分析的维度就能越细,活动可优化的空间也越大。如果大家有心的话,可以看朋友圈(包括网页)各种活动的网页参数,观察其他产品的分析维度,它山之石可以攻玉,这是一个好习惯。

活动参与率

活动参与率衡量活动的整体情况,可以套用用户活跃的分析指标。

这个活动的参于人数(活跃数)多少?有多少老用户参与了这个活动?有多少新增用户因为这个活动来,传播类的活动分享数据怎么样?活动中的各个流程转化如何?活动带来多少新订单。其实,运营活动可以看作一个短生命周期的产品,产品的一切指标都能应用于其中。

好的活动应该机制化,把它融入到产品的功能机制中,比如滴滴打车的红包,美图饿了么的红包,都是从活动逐渐变成一种打法和抓手。更早期的各类网游,也是通过活动的推成出新成为了现在常态化的游戏功能。

活动的机制化,意味着数据要分析活动指标,发现优点以改进,之后同样常态化成报表:今天使用了多少红包,今天有多少用户因为活动新增,等等。

营收

产品,运营或者市场人员,从来不是为活跃、留存负责,而是商业,是企业的根本财务。数据分析也不是为了提高活跃和留存,而是像一个巨头的漏斗,最终将业务驱动于此,即回归商业的本质。

活跃交易用户数

从产品曝光到用户下载,用打开活跃到产生收入,产品的指标在一步步往商业靠拢,活跃交易用户则是核心指标。整个流程呈现漏斗状。

这里的交易,即是买方的消费,也包含卖方的供应。若平台包含B端和C端,则两端同等重要,均需要纳入数据体系。

和活跃用户一样,活跃交易用户也可以区分成首单用户(第一次消费),忠诚消费用户,流失消费用户等。细分交易数据和指标,关系到产品商业化的进展,所以是有必要的。其实到这个环节,各类指标已经更倾向用户画像,而非报表统计了。

活跃用户交易比,统计交易用户在活跃用户中的占比。当产品活跃用户足够多,但是交易用户少,此时的商业化是有问题的,俗称的变现困难,很多公司都倒在这一步。

GMV

成交总金额,只要用户下单,生成订单号,便可以算在GMV里,不管用户是否真的购买了。互联网电商更偏好这个指标。

成交金额对应的是实际流水,是用户购买后的消费金额。销售收入则是成交金额减去退款。至于利润、净利率,涉及到财务成本,数据分析挺难拿到这类数据,所以不太用到。

把上述的三个指标看作用户支付的动态环节,则能再产生两个新指标,这也是数据分析的思维之一。成交金额与GMV的比率,实际能换算成订单支付率;销售收入和成交金额,也涉及到了退款率,当分析陷入卡顿时,不妨观察下这两个指标,或许有帮助。

客单价

传统行业,客单价是一位消费者每一次到场消费的平均金额。在互联网中,则是每一笔用户订单的收入,总收入/订单数。

很多游戏或直播平台,并不关注客单价,因为行业的特性它们更关注一位用户带来的直接价值。超市购物,用户购买是长周期性的,客单价可以用于调整超市的经营策略,而游戏这类行业,用户流失率极高,运营人员更关注用户平均付费,这便是ARPU指标,总收入/用户数。

ARPU可以再一步细分,当普通用户占比太多,往往还会采用每付费用户平均收入ARPPU,总收入/收费用户数。

复购率

若把复购率说成营收届的留存率,你就会知道它有多重要了。和新增用户一样,获得一个新付费用户的成本已经高于维护熟客的成本。

在不少分析场景中,会将首单用户单独拎出来作为一个标签,将两次消费以上的用户作为老客,之所以这样做,是从一到二的意义远不止加一那么简单。

用户第一次消费,可能是体验产品,可能是优惠,可能也是运营极大力地推动,各类因素促成了首单。而他们的第二次消费占比会有断崖式下跌(对应次日留存率的下跌),因为这时候的消费逐渐取决于用户对产品的信任,模式的喜欢或者习惯开始养成。

很多时候,用户决策越长往往意味着客单价越高,如投资,旅游。此时首单复购率越是一个需要关注的指标,它意味着更多的利润。

复购率更多用在整体的重复购买次数统计:单位时间内,消费两次以上的用户数占购买总用户数。

回购率是另外一个指标,值得是上一个时间窗口内的交易用户,在下一个时间窗口内仍旧消费的比率。例如某电商4月的消费用户数1000,其中600位在5月继续消费,则回购率为60%。600位中有300位消费了两次以上,则复购率是50%。

退货率

退货率是一个风险指标,越低的退货率一定越好,它不仅直接反应财务水平的好坏,也关系用户体验和用户关系的维护。

商品

这里谈以商品为主的数据分析,商品不限于零售行业,知识市场、虚拟服务、增值服务都属于商品的一种。它有许多通用的分析模板,如购物车、进销存。

购物篮分析

购物篮分析不应限于电子商务分析,而是用户消费行为分析。

连带率是购物篮分析的一种指标,特指销售件数和交易次数之比。在大型商场和购物中心中,连带消费是经营的中心,用户多次消费即连带消费。在电商中是购物的深度,是单次消费提高利润的前提。

商品热度是一种快速见效的分析。可以将商品分为最热门Top20,最盈利Top20等,它依托二八法则,找出利润的抓手,很多营销会将它和连带率结合,像电子商务,重点推广多个能带来流量的热门爆款,爆款并不赚钱,而是靠爆款连带销售其他有利润的商品。这种流量商品连带利润商品的策略并不少见。

购物篮分析中最知名的想必是关联度,简单理解是,买了某类商品的用户更有可能买哪些其他东西。啤酒与尿布大概是最知名的案例了,虽然它是错的,但揭示了商品之间确实存在关联。

关联分析有两个核心指标,置信度和支持度。支持度表示某商品A和某商品B同时在购物篮中的比例,置信度表示买了商品A和人有多少同时买了B,表示为A→B。老王每次去菜场买菜都喜欢买一把葱,在老王的菜篮(购物篮)分析中,葱和其他菜的支持度很高,可是能说明老王买葱后就一定买其他菜(葱→其他菜)么?不能,只能说老王买了菜会去买葱(其他菜→葱)。除此还有提升度。 最有名的是Apriori算法。

关联分析并非只适用于购物篮,在很多营销场景中都会用它作为追加销售和交叉销售。常见有大额消费+现金贷,医疗健康+保险等,目的便是提高营收。

进销存

进销存是传统零售行业的经典管理模型,将企业商品经营拆分出采购、入库、销售三个环节,并且建立全链路的数据体系。在实际业务中,许多场景与进销存都息息相关。

电子商务有几个基础概念,商品、SKU、SPU。商品就是对应消费者理解的单品,任何主流的电子商务网站,商品详情页都对应一个商品,也称为SPU。而在商品详情页中,还会涉及尺码,颜色,样式的选择,这类属性形成了SKU,最小单位库存。每一个属性都对应着不同的SKU,如一件衣服有SML三个尺寸,则这件衣服是一个SPU,三个尺寸对应着三个SKU。

商品管理没有我们想象的那么简单,有些用户喜欢玫瑰金的iPhone,有些用户钟情于128G,如何更好地迈出这些商品,是从采购环节就开始的。

采购包括广度、宽度、深度三个维度。广度是商品品类,越充足的品类越能满足消费者的消费,但是也带来管理难销售难的缺点。市面上手机品类总共有50个,某手机店出售30种,品类比为60%。

采购宽度是SKU占比,代表商品供选择的丰富程度。iPhone有黑色、银色、玫瑰金三种颜色和16G、64G、128G三种容量,共9个SKU,如果手机店只卖玫瑰金色,则SKU占比0.33。采购深度是平均每个SKU的商品数量。

库存是一个中间状态,采购是进,销售是出。库存是一个动态滚动的变化过程,我们常拿过去时间窗口内的库存消耗速度衡量现有存量的消耗。某商场4月每天消耗库存1000件,4月末的库存为5万件,则这5万件的需要50天才能消耗完,50天被称为库存天数。虽然公式是理想状况,但以其判断缺货是没问题的。

销售环节大家更熟悉,指标聚焦在两个方面,销售的速度和销售的质量。销售速度常表示为售罄率,表示为时间窗口内的销售数量/时间窗口内的库存数量,这是比率,故可以用累计售罄率。某商品3月份累计售罄率50%,4月份累计售罄率60%,5月份累计售罄率80%,说明商品逐渐卖断货应该补货了,反过来售罄率一直低迷,则应该促销或者降低进货。

销售的质量和折扣率挂钩,乃是实收金额和标准金额的比率。国内各种红包折扣促销非常多,折扣率的统计师是非常有必要的。折扣率的典型应用是价格弹性指数:当价格变化1%时,商品销量变化的百分比。这个指数将直接影响利润。

进销存内容比较多,熟悉了留存活跃分析的人可能会稍有些不习惯。可是互联网变现的主流模式是电商或其变种,这方面的知识不可或缺。拿互联网金融来说,投资标的有典型的进货和库存特征,标的的投资额大小,风险等级与类型,标的剩余数量和预计库存天数,都是能直接适用进销存指标的。当分析师发现某理财标的库存天数过长,则要分析原因,是SKU过多,还是增长乏力。

最后

到这里,大家已经头晕了吧,业务是一个复杂体系,数据分析也从来不简单,两者结合都是充满挑战的。我的内容也没有囊括全部,比如电商还有搜索有效性的指标,用户在搜索框搜索,有多少为空搜索?而非空搜索中,有多少产生点击的有效搜索?小小一个搜索框也有很多门道。

更重要的能力是洞察和发现,文章所有的指标,并非我发明的,都是市场营销与数据分析的前辈总结而出,但是我个人学习中,并非囫囵吞枣,每个指标我都会停下思索如何用?过往哪种经验能和他联系起来。数据分析短期内是无法快速获得业务经验,但是多思考是一种更好掌握的技巧。

当然,分析中用不到那么多指标,往往两到三个关键指标足够,从业务方看,这些指标也不尽然是工作内容,大家别为KPI感到压力。更好的驱动与分析方式,是针对部门设立一个大目标,比如营收,将营收拆分成两到三个有逻辑关联的二级指标,如更多的付费用户能带来营收,更长的生命周期能带来营收,更高的客单价能带来营收。将二级指标分配个多个小团多或者按时间排期执行,二级指标也能拆分成三级。

想了解更多干货就使劲戳戳戳~~~

天善智能年度数据分析扛鼎之作,秦路主讲,七周成为数据分析师课程。
人气讲师,期盼已久,潜心打造,不负众望!
涵盖基础、业务、思维、工具、方法等方面皆具,提纲挈领!
给自己一段七周之旅,奠定基石基础,踏上数据分析师之路!

点击阅读原文或扫码咨询

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存