活动效果的数据分析,这样做才对!

活动效果的数据分析,这样做才对!

  • 最近更新2020年09月03日
“如果让你来评估这次活动,你会怎么分析”无论是面试还是工作,做数据分写的同学都经常遇到这个问题。今天我们系统讲解一下。
 

场景还原:

某音乐类APP,对新用户进行一个新注册即送7天会员权益的活动,用户注册后,自主决定是否点击领取,为期1个月,问:如何评价该活动。
 

 1 

活动评估常见错误

 
首先牢记,所有以评估/评价/判断作为动词的问题,答案只有一种:“好or坏”
 
比如,如何评价该活动,可以回答:
1、这个活动很好,该继续做;
2、这个活动不好,不能做
3、这个活动不好不坏,鸡肋
4、这个活动没有任何改变,做了也白做
 
这才是评估类分析的核心结论。离开这四句话,其他的都是废话。比如:
  • 活动期间有4万新人注册

  • 活动期间注册人数比活动前多1

  • 活动期间新用户点击率是80%

  • 活动期间新用户使用权益率30%

这些统统不是结论,只是分析过程而已。如果没有结论,直接甩这些过程指标,很容易遭遇业务方反问:“所以呢?所以呢?你分析了啥?结论呢!”最后被搞得灰头土脸。
 

 2 

活动评估关键问题

活动评估,首先要得出好/坏评价。如果评价是好,再看能不能继续做,还能做多少次;如果是评价是差,再看差在哪里,是差得不可救药,还是能拯救一下继续用。
 

数据+标注=判断。因此想得出好/坏判断,需要有2样东西:

  1. 明确的考核指标。

  2. 明确目标数值。

达标了,算好;不达标,不好。就这么简单(如下图)。
 
活动效果的数据分析,这样做才对!插图
                         
看似简单,实际上运营经常干的是:
1、稀里糊涂:老板让做我就做,至于为啥?咱也不知道,咱也不敢问。
2、呆头呆脑:我就是要做拉新人,拉就完了奥力给!
3、投机取巧:反正以前干过/别人也在干,干就完了。
4、浑水摸鱼:这是改变用户心智资源,数据岂能衡量!
总之,十个运营里最多只有俩,能准确说清楚现状和目标。这时候就需要数据分析师自己有独立判断能力。能分析业务逻辑、梳理业务过程,才能得出客观结论。这里我们拿完全稀里糊涂的场景举例,看如何帮运营理清目的。
 

 3 

0建立评估模型的做法

第一步
梳理活动流程
运营活动会改变用户的行为,进而体现为数据指标的变化。从0开始建立评估模型,第一步就是了解活动具体流程,了解活动可能导致的用户行为变化。比如问题里的新用户送权益,可以按如下梳理(如下图):
 
活动效果的数据分析,这样做才对!插图(1)
了解到行为变化以后,可以进一步看这些行为能用什么数据记录,能反应为什么指标的变化。经过梳理,我们就能看清楚:衡量活动结果的指标了。这些工作,应该是运营在策划阶段的干的事,如果事前没做好,事后就要补课。
 
活动效果的数据分析,这样做才对!插图(2)
第二步
筛选主指标。
一个活动可能影响方方面面,比如上边的问题,有送东西,你说:
1、能增加新用户注册——没毛病;
2、能增加会员购买机会——似乎有机会
3、能提升忠诚度减少流失——似乎也有道理
4、能增加DAU——额,理论上新注册多了,DAU也增加。
 
如果不看数据,光听嘴巴讲,以上当然都有道理。但真要一锅炖,让你计算没有流失的用户,送会员占比百分之几,产品本身占比百分之几,歌曲数量占比百分之几,能算清楚就见鬼了。所以,评估指标要分主次,才容易说清楚问题。
 
如果是事前定目标,那么活动的主指标应该与目标紧密结合,优选直接受影响的指标。比如活动是为了拉新,那主指标就是新注册用户数;如果活动是为了提高新用户留存率,那主要考虑的就是1-7日内留存情况。
 
活动效果的数据分析,这样做才对!插图(3)

这里看似简单,实则很容易被运营浑水摸鱼。运营经常喜欢扯一堆影响指标,甚至扯什么我的活动从深层次改变了用户心智认知,从而达到了数据不可衡量的深远影响,总之搞一堆指标进来,哪个好看说哪个,不好看的不说。做数据评估,最忌讳搞几百个指标然后做巨复杂的评估公式,混淆进来的的东西越多,就有越多搞文字游戏的空间,就越容易粉饰太平。越简单清晰的评估,才越容易看出问题。
第三步
设定判断标准。

有了清晰的主指标,可以找判断标准。找标准有四个基本思路:

1、从整体结果出发,看总量。比如本月需要10万新用户,所以必须做到10万。
2、同无活动对比,看增量。比如无活动一个月5万,活动必须5+5万,多的5万作为标准。
3、同过往活动对比,看效率。比如拉新活动一般100块一个新人,所以这次不能超过。
4、同无参与的用户对比,看差异。比如分无参与组/参与组,对比参与组新注册数/留存率。
站在公司角度,肯定是第一种方法最实在。但站在组织活动的角度,都喜欢突出自己的贡献,因此倾向于用234种方法。运营最喜欢谈:自然增长率(没有活动情况下,自然增长是多少)。并且总是倾向于把自然增长率算得低低的,或者干脆弄成负数,这样才显得活动牛逼无比。
 
要注意的是:所谓自然增长率,只在活动不频繁的时候才能计算。很多业务(比如电商、O2O),根本就是活动不断,大活动套小活动,根本区分不出来,这时候就不适用。同理,设参照组的前提,是参照组根本没有活动提醒和活动参与功能,且参照组和活动组用户质量差不多。如果不满足这个限制条件就很难直接得出活动效益好的结论。这些方法都是看似科学,实则充满玩猫腻空间。想讨论清楚问题,就简单直接立标准。
 
活动效果的数据分析,这样做才对!插图(4)
第四步
找影响结果的过程。
 
以上123步都是为了得出判断做铺垫。有了“好/坏”判断。就能进一步分析为啥好,为啥坏。这时候就需要细化梳理业务流程,找到能影响结果的关键点。比如拉新活动,广告投放渠道、广告文案、注册流程、进去以后提示权益方式、领取会员权益流程,都会有影响(如下图)。
 
活动效果的数据分析,这样做才对!插图(5)

在分析这些指标的时候,要注意先后顺序。比如有关新用户注册问题。要先看各个用户来源渠道的投放力度,活动是否及时上架,何时与投放结合。之后才是深入分析文案、活动礼品、领取后行为等等。

 4 

小结

这个题目如果拿来面试,你能一眼看出来菜鸟、新手、老手的区别:
 
菜鸟:我认为应该从用户增长、产品体验、品牌影响、商业收入、四大方面考虑,blablabla。然后你就抓住品牌影响问他,到底怎么衡量,基本就能把他问死。没入门的菜鸟与新手之间最大差距,是他们根本不知道数据还需要做采集。菜鸟们最喜欢凭空讲一些很难收集,但听起来牛逼的指标。
 
新手:我认为应该考虑新人注册数、新人次日、3日、7日留存、新人会员领取率、新人留存市场、新人点击次数、新人购买会员数、新人使用权益频次……(此处省略100多个各色指标)。建立神经网络模型,综合评估。
 
是滴,新人第一喜欢堆砌指标,似乎指标越多越牛逼。第二喜欢扯模型,不管模型能不能用,自己用没用过,扯了就牛逼唯独会忽视标准问题。想怼死新人,只要问凭什么增长5万就是好,49127就不好!”“你建神经网络评价模型,好/坏活动的标注谁来打,是对整个活动打标还是对某些指标打标,不同类型活动凭什么摆在一起打标基本就把新人问蒙了。
 
说到底,活动评估这件事,又是一件思路清晰比技术高深重要,守住节操比思路清晰重要的事。只要对运营常见活动:拉新、促活、留存、转化、裂变等等玩法有基础了解。对常规运营数据有认识,对过往活动有了解跌,基本上都能答出正确答案。怕就怕对业务流程了解太少,连人家在干啥都不懂。
分享到 :
相关推荐

发表评论

电子邮件地址不会被公开。 必填项已用*标注