數據分析對網站運營重要嗎?
數據分析
自己現在也算是在做運營的事情,公司有所謂大數據公司的外包在這邊每天給我們做數據分析出具報告,然後他們的營銷會經常給我說大數據多牛逼多牛逼。但是我自己一直是一個觀點,數據很重要,但是數據是死的,業務是活的,如果業務是靠看報表做出來的,那那些創業公司也別創業了,因為原本也都沒報表可以看。
其實,我覺得數據分析很重要,他是一面鏡子,越精確的數據細度能反應越多當前情況下的業務發展情況,如果不做數據採集和分析,就沒有反饋,無從比較,甚至無法對營銷前台人員進行考核指定計劃。這一點上面也很多已經說了。
然而我其實覺得這個時代,數據分析這個道理是被吹得太神了,就我看到的,目前只要帶上互聯網的企業,對數據這個東西現在少見輕視,而多見則是過於神話。
理論上來說數據處理和分析在實際運營中最大的三個作用,
一個是能夠比較多種渠道的投放實施效果,就是我做了這個業務,我投了這個廣告能夠給我帶來多少收益。這個現在通過ABtest或者通過對二維碼加個參數控制考核渠道效果,這個可以知道當前狀態下,哪種營銷效果好。具體點說,這個作用是驗證和反饋。
第二就是數據處理可以做出預警,例如某天可能數據處理髮現數據有巨大變化或者異常,那基本就是那裡出問題了,例如今天哪個流量來源比平日特別少,那這時候去查一查,發現,哦,被人家給限制了。然後你及時去通知相關人員溝通,這可能就可以讓公司的損失減少。
第三個就是預測了,通過之前的數據,可能就可以做出一些模型之類的,然後就是所謂的數據驅動,例如我試試這麼改那麼改,然後abtest一下,發現,哇,這麼改好像kpi完成更好,然後變成周期。
但是我自己工作上經驗來說, 上面的事情,數據能做的東西其實很有限,尤其是預測,即所謂數據驅動,實際情況常常是:
數據反饋了一些問題,但是這些問題產生的原因我們也知道,但是這些問題運營都解決不了,例如:成本定價過高,導致很多人在看到最後價格的時候可能就選擇關閉。
這時候你的KPI如果是頁面留存時間和轉化率之類的指標,你可能可以把價格不放外面,甚至拉長這個流程引入領券之類的方式,這樣已經被產品和券介紹吸引的客戶就不得不點好幾次才能看到價格,這麼做可能能夠提高KPI,但是本質上是對整個客戶體驗有傷害的。
我覺得,如果你的問題是價格,那麼問題就出在產品上,你用數據去驅動,其實是是在趕跑用戶。這就類似你通過鏡子看到自己有黑眼圈和黃褐斑,不去考慮努力去早睡,去改善飲食,而是通過數據發現塗BB霜更有效,然後你就活在自己的鏡子里。
還有一個常見的情況就是, 數據想去預測和指導業務的發展,這點我也是非常反對的。你說一個人也不跑市場也不跑客戶,就躲在辦公室里吹吹空調看看報表,跑跑數據,就說我比你們營銷的更懂市場,比售後比實施人員更懂客戶?這就類似散戶抱著《短線是銀》《日本蠟燭圖分析》之類的書,畫畫圖然後就來買股票,還說自己懂股票市場懂上市公司,這種人可能能賺,但是總的來說,韭菜的可能性比較大。
我記得前幾年看過一個說淘寶數據分析的書,裡面一個例子我印象很深,說淘寶想做一個付費美化店鋪的產品,想第一批推送給一些最有可能付費的人。於是就讓數據的人去找誰最有可能付費,數據的人找了很久,用大數據模型最後關聯了好幾個指標。在上線前數據的人去找一個資深做產品的人問說他覺得可能哪種客戶最可能買這個美化工具,產品的人想了一會說,可能是點擊『我的店鋪』次數比較多的人,概率比較大。因為這些人經常點我的店鋪看自己的店鋪展示的效果,說明,這個群體就更在意自己店鋪的形象。做數據的聽完趕緊回去把這個指標加上,一跑,發現這個指標關聯性大大超過了其他所有指標。
你說這個是靠直覺做的決策么,拍腦袋么?我覺得不是,恰恰這樣做出決策才是合理的,數據來作為輔助的驗證,效果就很好。
總而言之,數據對運營很重要,但是對於整個公司業務作用並沒有那麼神話的幫助,希望在知乎那些挺有價值的提問上也能多看到一些真誠,少一些套路。網站 / App 運營對於企業自身非常重要,而企業價值的核心往往很簡單,併購、估值、溢價的本源就是「增長」。
數據分析在國內一些特別大的企業,比如 BAT 里,才能得到重視,當然這得益於他們的長期積累,對數據和運營結合的比較好。這是我回國以後的總體感受,國內企業對數據本身,以及數據所能提供價值的認識程度,沒有美國那邊那麼深入,並且差異還蠻大的。
| 為什麼許多公司的數據分析流於形式?主要差異表現在三個層面:
1)價值的認知
許多公司處於瘋狂增長時期,大家一拍腦子做的決定,可能已經產生很多價值了;這種情況下他們很難意識到數據決策能產生比暴力性增長更大的價值。
2)基本方法論的認知
意思是核心但簡單的方法論。目前國內對基礎的方法論沒有太多的認知,可能因為國內發展時間還比較短,而美國已經開發好幾十年了。
3)實際操作方法的認知
國內一線員工用數據來指導工作運營,比如產品、客戶、銷售等實際操作經驗相對來說少一些。一方面,因為發展時間短,另一方面,數據使用理念積累也相對較少。
不過,國內公司已在迅速地提升這種認知。但這個認知,是分階梯的,循序漸進的一個過程。在美國,認知和方法論已經慢慢進行了良好的統一 —— 技術和業務之間,用數據來融合。
在國內的話,技術和業務的鴻溝巨大。工程師被硬性要求建數據系統,但他並不真正了解業務端;業務端對技術也不是非常熟悉,導致很多需求並不能直接用現有技術手段來實現。彼此的不了解,進一步加劇了數據使用的緩慢。鴨同雞講,造成的就是效率減低,不能看到價值實現。彼此都不能從中獲益,最後就變成了憑感覺來做決策,而不是真正通過數據運營來做決策。
很多公司從頭開始做的時候,大量時間花在建設技術平台的過程中。技術平台首先很複雜,需要各種不同的工程人員;第二,很多公司都是從頭摸索,但數據分析體系需要一系列流程和人才,每個都不能太薄弱,才能真正串起來。今天中國的競爭太激烈,企業發展速度太快。大家沒有足夠的時間成本,像 BAT, Google 這樣去重新沉澱一些好東西出來。這也是,為什麼很多企業都沒看到數據產生價值的原因。
許多國內的企業家,最開始意識不到數據的價值;等意識到數據的價值時,他的期期望又往往很高。這種大鴻溝,也無法讓價值真正落地,甚至讓人們產生「這個價值是否真能實現」的質疑,缺乏耐心。
| 什麼樣的公司需要注意數據?
一般來說,目前國內比較重視數據的是高客單價,重轉化的公司,比如互聯網金融、電商、交易平台、SaaS、在線旅遊類的公司。這類客戶客單價高,不是完全拼流量,如此創業者才有提高轉化的動力。
宏觀的講,創業者會經歷4-5個產品、企業的生命周期。
第一個階段,叫冷啟動。這個時候公司特別早期,天使輪或者A輪,甚至融資還未成功。處在這個階段的公司,用大數據驅動是一個偽命題——因為客戶數量有限,樣本性不足。他們需要更多地去了解潛在客戶的需求,去「求」客戶來用這個產品。
第二個階段,增長前期。就是冷啟動接近完成。有經驗的創業者,會開始布局和增長有關係的一些核心指標,比如說日/月活躍,留存度。這些指標的目的不是為了衡量產品當前當下的表現,而是為了未來做增長時有可比較的基準。
並且,這些指標能夠告訴我們,什麼時候我們應該去做增長。產品本身沒有黏度的話,去燒錢做增長,它不會真正地增長起來。因為流失速度超過增長速度。以前很多燒錢的企業能成功,是因為競爭沒有那麼激烈,用戶沒有那麼多種選擇。但是今天如果你的產品很差,留存不高,口碑也不好,燒再多的錢也不能獲得真正核心的自然增長。
第三個階段,增長期。這個階段就能看出來好的創業公司,和普通創業公司的巨大差別——效率。無論 PR 還是做活動,都需要人力和時間成本。如何在增長中,找到效率最高的渠道?這個我覺得,是創業公司之間PK的核心競爭力。
如果不做數據驅動,靠直覺,一次兩次可以,但沒有人能進賭場連贏一萬次。所以,直覺需要和數據進行結合,這樣企業能迅速優化各個渠道,來提高單位時間的轉化效率。通過單位時間轉化效率的不斷提高和疊加,來變成企業的核心競爭力。一個不用數據驅動的公司,和一個用數據驅動的公司。假設運營策略一樣,資本儲備類似,客戶也一樣,能迅速從數據里學習的企業,一定會勝出。
第四個階段,是變現期。業務變現,要求很高的用戶基數。一般互聯網產品,其中一小部分高活躍、體驗好的用戶,會轉化為付費用戶。類似一個漏斗,不斷地去篩,這裡面就是要拼運營的效率了。
比如說,電商用戶的轉化漏斗一般是:訪問——註冊——搜索——瀏覽——加入購物車——支付,或者到未來的退貨。這是非常非常長的一個漏斗,真正要做好數據化運營,要對漏斗的每個環節持續地進行追蹤。為什麼呢?因為不能衡量,就很難去做增長。
一個好的企業,特別是以後要做營收的企業,必須要關注各個部門各個環節的轉化效率。這種轉化效率,要達成的手段,可以通過市場營銷的方法、產品改進的方法、甚至客戶運營的方法。而其中每個環節小幅提高,加在一起就是一個倍數的提高。這種倍增,如果沒有做過數據化運營的人,很難體會到會有多大。
比如,以前我們在領英做數據驅動轉化時,要推送某篇 EDM ,同樣發給10萬人,拍腦袋決策的轉化是 0.01%,但是經由數據驅動部門做個簡單的數據模型,同樣推送後,轉化率提升到了 0.3%,高出很多。如果每周都那麼做的話,這種轉化效果,還是非常非常可觀的。
每個產業都有自己不同的 KPI。比如 SaaS 行業,用戶註冊能不能成功,多麼簡單的問題,但是很多企業可能會忽略;用戶註冊成功以後,你是否有定位自己的核心產品功能點,這個用戶是否使用了你的核心功能?哪些核心產品功能能讓用戶留下?哪些功能不能?這些都應該在產品分析里記錄,但如果沒有數據,怎麼去分析?怎麼去衡量呢?
這些東西很多美國公司都總結完了,都已經用了十幾年了。這些經驗,國內很多企業,可以模仿和學習,沒有必要再重新蒙著眼睛走一遍,那是浪費時間和資源。
還有一點,企業應該運營化。什麼概念?就是說,數據分析,它不是一個運動式的,而是日常性事務——每天、每周、每月、每季度,我們都在看這些東西。不斷調優、學習、促進,這是一個很重要的過程。但是習慣培養蠻痛苦的,因為很多的創業者都很忙,哪有時間去看那些東西。
| 中國公司對於數據存在哪些共性的迷思?
我覺得國內公司對數據分析的理解分兩極:一種認為這是純技術,還有一部分是比較迷信,認為只要一上大數據,就變成高大上的公司了。我覺得這兩種方式,都存在一定的誤解。
核心的話,我覺得你做的這個東西能不能有價值,有沒有效果?用效果來衡量是最直接的。另外一些公司想自建平台,搭建很大的團隊,效率和產出都比較低,這個我建議大家慎重。隨著生態圈的不斷發展,現在很多工具都很好用,你得學會用工具。這是創業者成功的一些很好的輔助——不能說因為你會用工具,所以你就創業成功;但是好的創業者,一定能用這些各種工具,達成目標。
| 好的數據分析應該是是怎麼樣的?
好的數據分析,能夠讓公司里所有人都獲益。它不是一種特權,不是只給公司里的一兩個人看,而是能夠讓公司裡面各個運營部門,特別是前線打仗的部門,能夠直接得到好處。普通只講戰略,只講大方向,只給 CEO 看,只給 VP 或者運營看——這不夠。需要把它給工作在一線的員工,讓他們用起來。這個我覺得是區分一個數據驅動型企業,和非數據驅動型企業一個很大的區別。效率提升,是所有人提升,而不是一兩個人提升。
這也是我們創立 GrowingIO 的目的,希望讓所有人都能從數據中獲益。
一個公司要建完整的數據分析機制,首先應該從業務開始。所有的數據分析運營或者數據體系,都應該從業務,從客戶開始。這個數據分析體系,不應該只解決非常狹窄的一個或者兩個問題,需要有體系和大局觀。然後,實際上數據分析裡面,最難的一個部分是數據搜集和數據整理,這個過程最耗費時間,可能因為剛開始的計劃就做的不夠周全。所以說,在數據採集和數據整理方面,應該很有計劃的重視。
到後面,數據分析,不能只僅僅停留在報表的基礎上,價值還是不夠多。最終還是,那些數字出來以後,告訴別人應該怎麼做是對的、有效的。這裡面的話,就是有很深學問,需要很強的操作能力。
所以說一個企業,既要有大局觀,又要注重可執行性。我建議一般企業想自建的話,應該先從一個單點突破,找到一個轉化點,看到了價值,通過這一次的實踐,再學習下一次實踐的方法。這也是一個學習的過程。不要上來就建立龐大系統,上來就把50個數據圓圈綜合在一起,想建立一套數據科學框架。我覺得一般要這樣乾的話,除非你有很多資源,否則一定會失敗的。
| 如何打破數據無法「物盡其用」的怪圈?
過去的幾個月,我們跟客戶打交道發現,有的企業用我們的產品用得非常好,有的企業就還好。通常內部有人核心負責數據的企業,會用的就非常好;有的企業沒有核心的人來追這件事情,做得就比較一般。所以,在運營部門裡面,至少得有一個人有一定的數據分析概念。就好像我們把一套高級手術儀器搬到公司去,如果沒人會操作也不行。
我認為最好的知識獲取方式,就是實際操作。實際操作的前提,是最好有一個稍微懂一些的人,能帶著做幾次。然後轉起來、學起來了,這就是獲取數據分析知識最快、最有效的方式。我不覺得純讀書或者讀一些課本,看一些外面的大數據指導類的書籍,能有這種效果。有了這個人,再能從懂這方面的人和公司產品獲取方法論的支持,這種學習機制就建立起來了。這個還是蠻重要的,否則系統雖然強大,但是沒人會操作,就無法物盡其用。
| 初創公司常見問題
特別早期的公司,它們關注的東西非常標準化。比如說,他們想知道新增用戶、留存用戶、強勢渠道、新用戶使用哪些產品的功能等問題。每個公司優勢和缺點都不一樣,我舉兩個例子吧:
比如說,有一個客戶,他們是SaaS公司,做了很多線下活動,然後往線上導流。但他從來就沒有觀測過自己的註冊轉化,結果量來了,但轉化率很低,最後實際註冊還是很低,後來通過對註冊流程的簡單優化,轉化能提升三四倍。
還有比如有電商客戶,以前就看有多少人來交易了,交易額是多少,然後周/月/季度增長率多少。但早期進來的人一般都是核心用戶,增長速度比較快。而後很快就進入了一個平台期,為什麼?
這就是因為裡面很多東西做得不夠細,很多被稀釋掉了。比如像競拍,來了很多用戶,看上去好像很繁榮,但如果品類太多,就會造成每個單品里競拍用戶減少。一少下來以後,價格就會減低,減低完了以後,導致GMV下降,增長率下降。
這種情況下,它需要去考慮——把更多的用戶,聚焦在相對少的單品裡面來,進而提高客單價。這麼做的好處是,賣家能提高銷售額,更願意在你的平台做銷售;而買家也會有種買到稀缺物品的感覺。
留存是一個創業企業想要成功,最核心,也最需要解決的問題。有了留存率,就基本有了增長率。早期拉來的核心用戶,一般留存度都比較高;後期拉來的用戶相對黏度比較低。比較成功的互聯網產品,一般早期都是關注核心用戶,滿足了核心用戶的需求,再通過這個不斷往下擴散。所以說,留存度還是應該得到更多關注的。
同時,也需要對留存用戶進行分解。留下的用戶,一部分是新用戶,一部分是老用戶,看上去都是用同樣一個時間來衡量的,但實際上是不同的。很多創業公司,有時候沒有把它分來來看:比如留存用戶裡面,有多少是新用戶,多少是老用戶;老用戶留存率是什麼樣的,新用戶留存率又是什麼樣的?
Facebook把用戶分成了七個層次。這七個層次什麼意思呢?就是說,這一周每個用戶的活躍度是不同的,有的人來了七天,有的是六天、五天、四天、三天、兩天。它每天用戶的活躍度,分到非常細。然後,它在這個維度上,再繼續拆分成新用戶和老用戶。
拆解完了以後,就可以針對每種不同類型的用戶運營了。比如,它可以去分析一周來五天以上的用戶,使用哪些功能。
我的建議是在產品早期,應該把產品的留存做好了,再去做新增,這樣創始人的精力會更聚焦。因為如果同時做拉新又做留存,就是分兵兩處,你就顧不過來。有了高留存也會對拉新有幫助,找到高留存用戶的獲取渠道,然後可以持續不斷的複製運營。
第二點,你有了好的留存以後,你可以迅速的去做擴張。因為擴張完了,用戶會留下,你的增長速度會加快。
這裡實際上有一條非常現成的方法論,因為如果你沒有找到很好的留存,你做的業務就是一個燒錢業務。如果融資環境很差的話,那麼這個業務就容易失敗。但如果你用戶黏度很高,你的運營成本就很低,這樣創始人能夠管理整個資源投放。我覺得產品冷啟動之後,就需要有這種基礎的思維方法在裡面;在增長期的話,需要極端專註。
早期靠直覺,後期靠科學。
越早做一些數據鋪墊,我覺得對一個公司越有好處,它是一個不斷迭代和積累的過程。但是,不要本末倒置,不要上來剛能啟動就做AB測試,沒有必要,因為你還沒有積累足夠的用戶量,由此分析的數據也沒有代表性。
| 我最後簡單總結一下,數據分析的五個階段:
第一個階段,是什麼都沒有的;
第二個階段,需要公司能夠回溯歷史:知道自己產品在發生什麼,這是最基礎的、最原始的一個階段;
第三個階段,內部做產品、做運營、做市場營銷的人,需要問為什麼:這個階段,是預測,即預測某種人群,下面會幹什麼事,這樣能有針對性地,更好地去開發產品;
第四個階段,是要有解決方案:就是我預測到了這組人會這麼做,那麼我給它一個更好的方案,讓它有更好的轉化、留存,帶來更好的拉新效果;
第五個階段,是優化,多樣產品線如何能找到最好的平衡點:在價格、營銷,產品設計,銷售各個角度有一個平衡點,這個平衡點是創業者的利益最大化點,也是用戶最喜歡這個產品的點。
這五個階段,需要花時間來不斷積累的,不要跳躍,跳躍往往失敗,從基礎做起。
希望我們的產品能夠幫助大家做好數據分析,更好地增長,
免費試用,點擊 GrowingIO 官網 矽谷新一代數據分析產品 。提供一種分析方法,有用與否自行判斷吧。
根據用戶使用行為理論,可以梳理網站分析的關鍵指標之間邏輯關係,來構建符合公司實際業務的網站分析指標體系。這裡的用戶為獲取、使用物品或服務所採取的行動,認知&>熟悉&>試用&>決定是否繼續消費使用,最後成為忠誠用戶。
認知——網站訪問 (具體監測指標:IP,PV,人均頁面訪問量,訪問來源)
熟悉——網站瀏覽(平均停留時長,跳出率,頁面偏好),站內搜索(搜索訪問次數佔比)
試用——用戶註冊(註冊用戶數,註冊轉化率)
使用——用戶登錄(登錄用戶數,人均登錄,訪問登錄佔比),用戶訂購(訂購量,訂購頻次,內容,轉化率)
忠誠——用戶粘性(回訪者比率,訪問深度),用戶流失(用戶流失數,流失率)
可以參考下我在這個問題裡面的回答
數據如何驅動運營?
結論:重要!下面從為誰解決問題,和解決哪些問題兩方面闡述。
1網站數據分析能為「誰」解決問題
網站數據分析面向的對象是公司內部的整體運營體系,可以涵蓋公司內部所有的以網站為核心的上下游相關業務主體。
網站數據分析能為公司整體提供戰略支持
網站數據分析的支持對象首先是公司整體。網站數據分析在戰略支持過程中圍繞網站,重點圍繞網站營銷、網站運營、網站用戶、網站產品銷售等業務動作進行趨勢和戰略洞察,它是線上的數據核心。通過對網站本身整體的營銷情況、流量情況、銷售情況和用戶情況的挖掘分析,並結合財務數據、CRM數據、ERP數據、OA數據等數據形成整體數據體系和關鍵度量,為公司高層戰略決策制定提供基本的內部數據支持。
另外,網站數據分析還能通過特定方法獲取整體行業和其他網站尤其是競爭對手的相關信息,這對於獲取關鍵的競爭情報,如營銷推廣動向、產品銷售策略、網站設計趨勢和用戶組成結構等都有至關重要作用,因此它又是戰略競爭分析的重要組成部分,為公司高層戰略決策制定提供行業視角和競爭情報。
通過公司內外部數據的打通和整合應用,結合公司內部運營和外部行業環境,網站數據分析為企業戰略制定和執行優化提供了較為全面的數據視角。
網站數據分析能為各業務點提供數據支持
網站數據分析面向的業務對象是公司內部與網站有關的支持、生產、運營、發布和優化等部門。按照公司內部職能劃分,直接支持對象通常是業務類部門,包括營銷相關、運營相關、銷售相關、產品設計、用戶體驗、會員相關等;間接支持對象通常是職能類部門,包括HR、財務、行政管理、稽查等。無論是業務類部門還是職能類部門,網站數據分析的作用都是提供評估、優化、審核、校驗、稽查等相關價值點,相關數據結果會反饋到相關部門和人員的公司流程梳理、部門執行優化、個人發展績效等環節。
2網站數據分析能解決哪些問題
網站數據分析的載體是網站,因此所有的數據都來自於網站本身。而數據在反饋到業務的過程中,能解決的問題集中在與網站相關的課題上。網站數據分析可以提供多平台(不同形式的網站和應用)、多渠道(不同的營銷和推廣渠道)、多終端(不同的訪問終端)下多數據體系的數據整合分析,為與網站整體營銷相關、運營相關、用戶相關和銷售相關業務提供洞察支持。
多數據平台的數據整合分析
大多數企業都有多個企業級應用平台,包括WAP網站、APP應用和WEB網站。這三種平台產生的數據可以通過網站分析系統直接進行整合分析,以便評估不同平台上的業務效果;同時,網站分析系統還可以通過整合數據集進行用戶識別和關聯,提供跨平台、多渠道和跨終端的效果分析,打通不同平台間運營通路。比如,線下電視媒體的標版廣告對線上的流量如何影響,APP上的移動廣告對Web網站的銷售影響如何,用戶是如何在三個企業級應用平台之間切換等。
隨著用戶訪問碎片化特徵加深,跨平台、多渠道和跨終端的訪問越來越明顯,尤其是對於決策周期較長的電商類、保險類、金融類企業而言,複合型推廣、整合性傳播、全方位維護已經成為重要戰略方向,而針對這種複雜行為的數據必須通過網站數據分析中獨有的工具和方法進行跟蹤、整合和分析。
另外,在整合網站數據進行分析的過程中,由於網站中大部分用戶採用的都是匿名訪問的方式,因此傳統的以CRM用戶ID等為主鍵的關聯方法將很難大規模適用,這種方法只能針對已經登錄或註冊用戶進行行為分析。因此,占絕對數量的匿名訪問以及基於Cookie的唯一訪客ID的網站數據分析將得到更大規模的應用。這種數據整合分析可以為企業由原來從已知用戶行為數據中提煉關鍵價值點演進到依據未知的用戶推導結論輔助已知的業務進行優化。
多業務對象的輔助數據支持
①營銷類數據支持
營銷類數據支持是指通過數據提煉相關業務觀點,為營銷決策、營銷實施、營銷優化和評估等提供數據驅動建議的過程。營銷類數據支持對象主要是品牌部或市場部,其下屬細分業務包括:媒介(品牌)、SEM、CPS(按銷售付費)、SNS(新媒體)、EDM、PR、BD(商務拓展)等。
營銷類數據支持是最常見的網站數據分析需求,一方面由於所有的營銷推廣渠道效果都可以直接或間接反饋到線上(純線下的業務經營除外),因此,效果更容易量化評估;另一方面由於營銷費用是公司重要的費用支出項目,因此公司更加關心巨額廣告費投入之後的營銷產出。因此,營銷類分析是網站數據分析的重要課題,也是結合最緊密的一類業務需求。
營銷類網站數據分析需求通常包括前期整體營銷策略組合和媒體策劃,中期渠道推進和優化執行,後期渠道效果評估等,網站數據分析都要結合特定的數據分析和挖掘方法針對這些需求提供。另外,結合適當的追蹤方式和分析方法,網站數據分析還能解決傳統線下投放浪費的「另一半」廣告費的效果評估問題,使每次的廣告投放有的放矢,效果評估更加科學、全面。
營銷類數據支持常見的課題包括:渠道投放效果評估、跨渠道訪問特徵分析、營銷組合分析、渠道最佳費用和效果產出點分析、渠道作弊分析、廣告和社會化媒體的銷售貢獻分析、渠道生命周期分析、渠道畫像和價值模型分析等。
②運營類數據支持
運營類數據支持指的是狹義的運營,即以網站為載體的,包括網站運維支持、內容優化、功能設計和業務操作為核心的業務體系,包含的相關部門主要是網站運維、頁面運營、功能優化、用戶體驗等。
運營類數據需求也是常見的網站數據分析需求,由於是圍繞網站開展的業務動作,因此業務效果更容易直接反饋和作用於線上,形成從前期策劃設計、中期落地執行、後期優化改進到再評估優化業務流程閉環。
運營類數據支持的常見課題是圍繞網站相關的數據需求,包括網站整體設計和組織策略、網站診斷及整體優化、網站資源位或坑位最佳優化組合、促銷活動組織策略、頁面產品功能喜好、整體用戶體驗度、站內促銷流程分析、頁面布局和最佳組合分析、站內廣告位挖掘和定價分析等。
③用戶類數據支持
用戶類數據支持是指以用戶為核心的數據支持體系,其效果直接作用於會員或客戶維繫相關部。用戶根據登錄狀態分為匿名用戶和實名用戶兩種。
網站分析的整體設計邏輯是為用戶分析而服務的,因此用戶類數據支持是整個網站數據分析的重要支持部分。網站用戶分析是用戶整體數據分析的重要節點,因為網站端提供了傳統線下在購買或轉化之前的所有屬性和行為記錄,為對用戶進行360°認知提供了關鍵的「事前」視角。另外,由於實際工作中可能有超過10%甚至更高比例的用戶是匿名狀態,該狀態下的用戶是網站的潛在和目標客戶,分析其行為對整體網站的優化改進起到重要的參考作用。
用戶類數據分析點通常包括用戶基本屬性、用戶基本行為和轉化行為的分析挖掘。
- q 用戶基本屬性:人口社會屬性、地理位置屬性、訪問環境、終端屬性、來源屬性等
- q 用戶基本行為:瀏覽、產看、搜索、點擊、事件
- q 用戶轉化行為:試用、下載、表單、註冊、登錄、訂單
用戶類數據支持常見的課題包括典型用戶特徵提取、特殊類別用戶行為挖掘(如購買了A類產品的購物路徑、高活躍度用戶站內行為軌跡)、用戶忠誠度分析、用戶活躍度分析、用戶流失和預流失分析、用戶廣告偏好度分析等。
④銷售類數據支持
銷售類數據支持是電子商務類企業的核心數據應用之一,直接作用於線上相關採購和銷售類部門,間接作用於線下採購、倉儲、物流配送等部門。
網站數據分析支持可以直接為線上相關采銷和銷售類部門提供產品銷售前和產品銷售中的業務洞察,包括從產品被檢索、查看、加入購物車,直至提交訂單的整個動作鏈條結束的所有細節數據,為采銷業務趨勢把握和癥狀診斷提供最直接的一手資料和數據支持。
同時,線上的產品檢索、查看、加入購物車的趨勢可以直接映射到線下,如根據線上產品需求規劃採購方案和商品組合,通過線上需求預測產品庫存和周轉策略,根據線上用戶產品訂貨特徵做倉庫最佳分揀路線制定和調整,根據各品類銷售預測結果提前制定物流和配送方案等。
銷售類數據支持常見的課題包括:銷售廢單率分析、站內商品銷售漏斗分析、產品關聯和交叉銷售分析、商品最佳投放渠道分析、商品站內資源位推薦分析、產品打包銷售策略分析、產品需求與銷售預測供應分析、產品關注周期分析、產品季節性分析、惡意訂單分析、價格敏感度分析等。
當然很重要啊,主要可以從這些方面去分析,舉一些例子~
1、網站PV、UV等訪問數據:訪客數據分析
2、網站用戶數據:用戶運營分析
3、網站訂單情況:訂單數據分析
4、營銷活動情況:活動數據分析
大數據時代已經來臨,但是今天我們不聊這麼高大上的東西,哈哈,我也不會,我們今天要聊的是網站數據分析。我們知道它是網站運營中必不可少的一部分,怎麼才能知道自己的運營效果,最好的辦法就是通過數據分析。
然而,對於新手朋友來說,這是個比較頭疼的問題,通過安裝數據統計代碼,每天也能收集大量的網站數據,但是越看越頭大,更別提從裡面發現問題了。這種現象就會直接影響你網站運營中一個很重要的環節——優化。或者這樣說,你所有的優化工作都是基於主觀判斷,沒有數據支撐,凡事都是「我認為」;歸根結底一個原因,你的數據分析沒有目的性,今天我就來和大家聊聊什麼樣的數據分析才是有價值的,希望對新手朋友有所幫助。
在講如何進行數據分析之前,我們先說幾個常見的場景,如果你還是像下面的這樣進行網站數據分析,那麼你就是不合格的:
一、只是簡單的添加全站統計分析代碼;
從統計網站上面獲取的一段代碼,放在網站上面以後就不管了,我想大多數新手朋友做數據分析的時候都是這樣乾的,每天過來只是簡單的看下昨天的流量怎麼樣,對比前天是增加還是減少了等,其實我以前也是這樣乾的,但是這種嚴格來說不是數據分析,而是數據收集!
二、跟蹤一些簡單的鏈接點擊行為;
知道跟蹤一些簡單的網站內部的鏈接點擊行為,說明你是有點數據分析的意識了,因為你已經開始意識到跟蹤網站和用戶之間的互動行為是有必要的了,但是僅僅是鏈接監測是遠遠不夠的;
以上兩種行為其實都是錯誤的,根本原因就一個:數據分析沒有目的性!所以導致的一個原因就是,在你面前的就是一堆數據,沒有任何的參考價值。
好了,問題來了,我們應該怎麼做,才能成為合格的運營數據分析?這裡就來分享一下我之前的轉變思路歷程,希望能夠對你有所啟發:
一、你想通過數據分析知道什麼?
我把這個叫做「分析未動,目標先行」,什麼意思?就是先不要著急去添加統計代碼,先想好一個問題,你要通過數據分析了解哪些信息?比如這些:
1、用戶購買率:某段時間內,訪問你網站的人有多少佔比成交?
2、用戶註冊率:多少比例的用戶註冊我們的會員?
3、用戶下載率:有多少用戶點擊了網站上面的下載鏈接地址?
4、用戶留存率:一個星期裡面,有多少用戶重複訪問過?
6、廣告點擊率:在外面做的硬廣點擊通過率怎麼樣?
這些都叫你的業務目標。為什麼要知道業務目標?因為你要通過它們去設計你的數據分析代碼。也就是我們下面要和大家聊得話題。
二、通過目標設計你的統計代碼
第一的目標清晰了,接下來你要做的就是從目標出發,設計你的數據分析代碼,然後幫你去收集有用的數據,然後通過這些數據你就能快速的分析出想要的結果。
目標的種類千差萬別,統計工具的類型也是各不相同。為了幫助新手朋友理解,我們這裡以Google analytics為例講解幾種非常常見的代碼設計模式:
1、廣告代碼的設計;
這種一般針對有付費廣告的情形,比如搜索詞競價,硬廣,廣點通,EDM郵箱等,我們需要知道廣告的效果,這個時候我們可以針對不同的廣告形式和平台,進行標記,以此來判斷不同廣告的效果;
在GA中有一個網址構建器,可以很方便的幫助我們進行網址標記,這樣我們在投放廣告的時候,只要把標記好的鏈接地址寫上就可以了(如果對於構建器的參數不了解的,可以參考GA幫助手冊);
假如:我們的域名是http://www.abc.com,現在銷售一本電子書(ebook),我們做了百度推廣,競價和電子書有關的關鍵詞「xyz」,這個時候我們就可以構建這樣的地址:
2、網站轉化代碼的設計;
前面的文章中,我們講過轉化的類型有很多,註冊,下載,購買,諮詢等,我們可以根據業務來設置自己的轉化目標,然後在轉化報告中去有針對性的分析,比如我們可以在GA後台的目標中添加不同的目標類型:
3、想看某一欄目下數據
有很多時候,我們想要看網站某一個欄目下面的數據統計,或者某一特定URL類型的廣告數據(如廣點通),這個時候我就可以利用GA的內容分組來實現,見圖:
三、收集想要數據
通過上面的代碼設計,接下來的工作就是收集數據階段了,注意要在指定的報告中去查看自己的定製數據,在GA中,我們查看廣告效果數據,我們可以在「流量獲取-&>廣告系列」報告中查看;
比如轉化類的報告數據,我們在「轉化」報告中查看:
內容分組數組可以在「行為-&>網站內容-&>所有頁面-&>內容分組」報告中查看:
四、發現問題
通過收集到有明確目標的統計數據,我們在加以分析,從不同的角度去細分,最後發現問題所在,這樣的話,就會比盲目的收集數據效率會高很多;而且這個時候,你會發現,數據分析是一項很有意思的工作;
比如我們通過對留存率的分析,發現網站的留存率很差,這個時候你就想辦法提高用戶粘性,是不是可以優化一下網站的布局,增加一些有價值的內鏈接,或者做一些活動,讓用戶參與進來,帶動網站的留存率等;
五、給出解決方案
針對發現的問題,我們除了分析原因,作為網站運營人員,我們還要給出相應的解決方法,比如:
1、為什麼跳出率很高?是不是落地頁面體驗不好、是不是跨域訪問造成的、是不是代碼部署有遺漏等等,不同的原因我們要給出相應的解決方法!
2、怎麼找到最合適的廣告投放平台?我們可以細分不同來源下的廣告效果,然後篩選出那些性價比最高的平台;
3、為什麼網站用戶註冊率很低?是不是流程太複雜,註冊按鈕不明顯等;
結語
沒有目的性的數據分析都是盲目的,有朋友說,我有目的了,不盲目了,但是就是不會操作,那你就去學習一種適合自己的網站分析工具,百度統計,CNZZ,GA都可以,把裡面基本的設置方法給研究透,記住好的運營數據分析=目標+工具,而這缺一不可。
數據驅使決策絕對不是一句空話,只有提煉有價值的數據,才能不斷的發現問題,進而解決問題。
如果新人小夥伴想學習更多有關數據分析的知識,可以看看這個網站:數據分析篇學習課程
以上,謝謝!
數據分析是網站運營的一部分,數據分析起到的作用是總結新的平台,發現老的平台,老平台的可開發度,老平台用戶的忠實度,以及現有流量的穩定性,還可以從數據里分析出現有平台的用戶屬性和平台的屬性便於發現新的平台,同時新平台的發掘是很好的渠道,可可以巧妙大發現不錯的平台來源。
無數據,不營運
數據分析、用戶分析、業務方向的探索是需要相結合的,數據的正確性是需要較多的前提條件的,如果數據本身不準或不夠深入的話,盲目相信數據是很可怕的事情。
數據並不一定代表事實,但是數據可以幫助你更透徹地去發現事實。
網站運營無非就是提升網站的價值,如果你都無法衡量網站價值,又怎麼來提升價值呢?
正確地分析數據,有助於你明晰自己所處的階段,並採取一定的措施,數據驅動運營是未來的一個大方向,當然有時候,數據會說謊,這也許一定的能力來辨別。
數據分析對於運營來說,就如呼吸對於人類。無數據不運營就是這個意思了,比方說市場需要肥皂,你卻不停地提供碗,這個是必死無疑的,所以懂得去做數據的分析,從中篩選重要信息,然後進行開發,必定會事半功倍的,至於該如何做好數據分析呢?這個是個大學問了,一時半刻難以解讀,還是看以下的視頻吧!網站運營:Google Analytics(GA)數據分析_e良師益友網
這個肯定是很重要的啊,現在什麼不需要數據來說話,數據分析無論在什麼場合都是重要的,
數據分析入門 - 九秋筆記
數據分析對網站運營重要嘛?
說句實在話,數據分析現在對啥不重要?
看階段。
籠統地說,重要。但對大多企業的大多數情況,數據分析不重要,至少還談不上設置什麼數據分析崗位,招聘數據分析師都是浪費的。
早些年,許多草根站長搞網站就是悶頭搞就是了。
其實大多數網站也談不上數據分析,畢竟體量太小,簡單看幾個關鍵指標就能知道怎麼回事了。
現在大家都喜歡談數據驅動、精細化運營,這前提是得有一定規模的數據啊。許多企業在積累具備可分析的數據之前,就已經關門了。
另外很多人喜歡講最小化可行測試,不可否認這個有效。但我更認為,對用戶需求的理解、對業務的理解才是最重要的。
運營如果沒有數據做指導,會像無頭蒼蠅似的亂撞。能從數據了解我們現有計劃的問題,不足,接下來就是修正或者是找新的方法
非常重要,但要基於對業務了解的基礎上作出合理的分析,提升運營工作效率~
正確的數據分析可以更深刻的認識網站的運行情況。
推薦閱讀: