做数据分析,我终于摆脱了被追着要数的日子!

来源| 接地气的陈老师

数据分析师最怕的,那必须是无穷无尽的取数需求,这一次,面对这个需求场景,我们从被动变成主动,做到了用数据分析助力运营,直接上干货,开整!

问题场景:某电商公司,近期通过数据发现有大量用户出现添加商品至购物车但不付款(简称:加购未购)的情况,运营已针对此情况开展工作,但领导们不满意,要求数据分析组通过用户画像模型进行加购未购客群分析,提升付款比例。

假设你是该公司的数据分析师,问……

问题1:你是数据分析师,你第一件事做什么?
  1. 看过去3个月加购未购的数据走势

  2. 建立用户画像模型

  3. 进行加购未购客群分析

  4. 进行付款率分析

  5. 和运营聊聊他们在干啥

先思考这道问题。如果这个题目想不明白,那思考下个题目

问题2:在本场景里,领导的需求是什么?
  1. 需要用户画像模型

  2. 需要客群分析报告

  3. 需要提升付款比例

  4. 需要改善运营工作

先思考这道问题。如果这个题目想不明白,那思考下个题目

问题3:你在网站买东西,以下哪个最能让你下决心付款
  1. 网站服务器里多了一段代码

  2. 网站工作人员写的ppt

  3. 你看到了新上市的爆款iphone

  4. 你看到了新上市的爆款iphone且比其他地方都便宜

  5. 你看到了新上市的爆款iphone且比其他地方便宜500多块钱

思考一分钟,揭晓答案哦

1 运营优化项目,从这里做起

数据分析之所以做了没屁用,80%是脱离实际,闭门造车的结果。脱离实际,闭门造车的根源,在于做数据的人太沉迷于数据本身,忘了真正要干啥。

比如本案例场景,如果扒皮抽筋的问上边三个问题,傻子都会看明白:

1、用户只会为了一个具体价格的具体商品买单,不会为ppt、代码买单。

2、领导需要的是改善运营工作,运营工作对应的是文案、活动、页面、价格。

3、改善运营工作,得先整明白人家在做什么,到底有多少空间可以改善。

4、至于算法、模型、报告、公式、甚至数字,都是寻找改善方法的一种手段。

所以第一时间,得去找运营谈这些:

1、目前针对该客群有哪些措施

2、各项措施上线时间点

3、领导具体不满意表现

注意,第一步要了解的是具体动作,至于这个动作的好坏,可以听运营解释,但是更多的要自己去分析。结合数据趋势,发现潜在机会点和问题点(如下图)

做数据分析,我终于摆脱了被追着要数的日子!

这里沟通的技巧也很重要。注意,在本场景里,领导们的不满已经是挂在脸上的,这时候在运营面前,要坚决表现出:“我是和你们一起想办法,我们一起把这个差交了”。这样才能争取到更多支持。如果摆出一副:“我牛逼,你们都是傻逼”的态度,那就等着被人各种掣肘,最后落魄收场吧 。

2 第二个关键问题

问题4:经了解,发现运营目前的做法是,按加入购物车的金额的10%派券,比如100元商品派10元,200元派20元,无差别派券。了解到这个以后,你会做……
  1. 建立用户画像模型

  2. 撰写客群分析报告

  3. 分析付款比例曲线

  4. 拆分商品转化情况

先思考这道问题。如果这个题目想不明白,那思考下个题目

问题5:你会如何证明,你对加购未购问题产生了积极作用
  1. 汇报用户画像模型

  2. 汇报客群分析报告

  3. 汇报付款比例曲线

  4. 汇报运营效果变化

先思考这道问题。如果这个题目想不明白,那思考下个题目

问题6:以下哪种情况,能证明新策略产生了效果(如下图)
做数据分析,我终于摆脱了被追着要数的日子!

思考一分钟,揭晓答案哦

3 破局,从这里开始

人的普遍心理就是:等得越久,期望值越高。特别在已经开始着急的时候,就更希望能快速见到效果。

所以在本场景里,用户画像也好,模型也好,报告也好,都对,但是首要考虑的是:多长时间见效。见效越快越好。

同时,见效的方法越简单越好。因为越复杂的方法,能参与进来的人越少,意味着自己背的锅越大。

比如上一个“超精准购买模型”,除了做数据的谁都看不懂。那最后如果效果不好,势必只有做数据的自己背锅。这又牵扯到:“写多少行代码能让顾客消费”的问题。总之,不要指望代码,要和运营并肩作战,优先丢优惠券。

可能很多同学听了:见效又快又好,就觉得难办。注意,这里“见效”也是有好几种效果的。用最简单的投入产出比概念,减少投入,增加产出,提高比率,都算有效。所以,从一开始就不要把目标定为彻底解决问题,而是不断优化效果。这样既容易交差,又能持续见成绩。

这样梳理后,思路就清晰多了:目前的全面派券是很粗暴的做法,不同商品的利润率不一样,这么简单粗暴打折,很有可能严重压缩毛利,甚至出现负毛利产品。同时,有些商品临近保质期,可以释放更多利润出来清货,有些商品本身利润很高,有空间再释放出来。这样梳理完,第一阶段的行动就很清晰了(如下图)

做数据分析,我终于摆脱了被追着要数的日子!

4迭代,持续优化效果

问题7:以下两个选择,先做哪一个?
  1. 减少成本

  2. 增加产出

注意,本场景,是领导已经不满意了,都找到外部门了。这种情况下,如果上来就说:“我们还要追加XXX万投入”,要么本直接喷回来,要么领导们期望值会被吊得更高,以为追加以后效果无敌好。

这两种情况都是在给自己挖坑!所以最好先从砍成本的角度入手,先砍掉一个明显负产出的补贴,释放营销费用;之后再做一些临期产品、清库存产品;之后再拿释放出来的费用贴高利润产品,把加购转化率拉高。

之后还可以持续迭代,比如高利润产品的转化率已经提高的前提下,可以做价格弹性测试,适当减少补贴,再释放一波营销费用;单品做的差不多了,可以拿释放出的利润做满减、或者交叉销售。

这些还都是单纯的在价格上做文章,数据计算难度小,又容易见效。毕竟给的是真金白银的优惠券。

这样折腾下来,不但能见效,而且能拖很长时间。每个月试点,迭代四五次,至少也能拖个半年。这半年宝贵的时间,可以拿来为“人工智能算法推荐”“大数据用户画像洞察”做数据积累,也能争取到充足的时间训练模型。

在价格玩的差不多的时候,就能自然续上,效果持续优化,人人开心。比一开始憋大招,憋半年然后屁用,没有灰溜溜的走人,要强得多(如下图)。

做数据分析,我终于摆脱了被追着要数的日子!

声明: 该内容为作者独立观点,不代表新零售资讯观点或立场,文章为网友投稿上传,版权归原作者所有,未经允许不得转载。 新零售资讯站仅提供信息存储服务,如发现文章、图片等侵权行为,侵权责任由作者本人承担。 如对本稿件有异议或投诉,请联系:wuchangxu@youzan.com
(0)
上一篇 2024年1月15日 13:48
下一篇 2024年1月15日

相关推荐