九枝蘭專訪:探究數據分析背後的學問
九枝蘭(微信ID:jiuzhilan)專訪第53期,時間2017.9
編者按:「數據分析是一面鏡子,數據越精確,越能反應企業當下的業務發展情況」。
企業不做數據採集和分析,就沒有一手的業務反饋,無從衡量企業的營銷和經營狀況,更從無談起對營銷人員的考核。可喜的是,企業營銷人員對數據分析的認知、方法和工具都有了很深入的了解,不僅能立足於產品和用戶,通過數據分析驅動決策,還能藉助數據迭代產品,不斷提升用戶體驗。
然而時下,數據分析被過分吹捧,吹的神乎其神,彷彿成了企業營銷的靈丹妙藥,無所不能。事實上,數據分析的核心是提取「有用的信息」,幫助營銷人「作出判斷」,以便採取「最正確的決策」。所以,數據作為營銷的決策輔助,可以提高營銷人的工作和決策效率,並非起到決定作用。
近日,我們專訪了數據分析領域具有代表性的管理工具 -- 諸葛IO CEO孔淼。在和孔淼的對話中,小編深深感受到這位營銷大咖對數據分析的深厚理解,聽得如痴如醉,收穫頗多,遂將專訪分上下兩篇。本文(上)讓我們聽一聽孔淼對數據分析的理解,一起探究數據分析背後的普世之道。
音譯:唐傳鴻 | 整理:劉夢潔
校對:臧海 | 審核:閆璐
九枝蘭:數據營銷是一門「學問」,涉及很多「學科」,如數據抓取、演算法、用戶畫像等,請您分別做較為詳細的解讀,各「學科」之間又有哪些關聯?
孔淼:我們從數據分析和人(消費者)這兩個維度去理解數據營銷。
第一個維度:人。營銷的核心就是人,人的購買決策可以通過線上數據採集完成。傳統的數據營銷只是將數據可視化,如今我們更應該關注人的整個生命周期(LTV):從他點擊廣告開始,了解他在你平台做了什麼,註冊了什麼功能,參與了哪些活動,有沒有付費...整個鏈條的所有行動都應該覆蓋到。任何企業客戶的生命周期都可以分為5個階段:
1、陌生人(Stranger)。通過網路廣告、搜索引擎、社交媒體等途徑訪問;
2、訪客(Visitors):瀏覽企業產品/服務;
3、銷售線索(Lead):用戶對產品/服務感興趣,完成了註冊、關注公眾號、下載App等其中一種行為;
4、潛在客戶(Prospect):B端用戶的預約諮詢、查看產品demo、參加webinar等行為;
5、客戶(Customer):付費購買。
所以我們所做的數據抓取、用戶畫像都是為了更好的轉化目標用戶,不同企業採取的措施雖有不同,目的都是促進用戶在每個階段層層遞進。
第二個維度:數據分析。其實企業搭建數據採集分析平台是個門檻很高的行為,企業要內部協調技術等各個部門共同完成。而且通過企業自己做的統計報表看匯總數據,很難探索數據背後的原因。說的直白一些,以前的數據分析平台是預先算好的,很難滿足各行業中不同企業的業務需求,所以我們要做的是先確定用戶所處的購買階段,結合自身業務,隨時挖掘、洞察用戶的需求和痛點,做到自助式分析,快速出結果,並且快速的應用。
所以我們提倡自助式分析,產品運營市場各個部門藉助自助式的數據分析工具可直接覆蓋到產品,當我們具體執行每一個任務的時候,自助式分析可以將任務切小,比如為了防止意向用戶流失,系統可以根據用戶行為配置一些trigger:當用戶將商品添加到購物車且24小時之內未付款,系統可以推一個優惠券或者促銷活動,促進該用戶下一步行動。
這裡有一個重點,企業需要簡單高效的定義並執行這些trigger,一旦錯過了觸達用戶的最佳時機,挽回比獲取新用戶的難度還要高。因此,我們在數據分析的基礎上做了延伸,幫助客戶自動化的執行,讓數據分析可以參與到企業效益優化中,在諸葛io中叫做「智能觸達」。
九枝蘭:在人(消費者)的購買周期中,如何保證陌生人和訪客的精準度,從而最大化提高銷售線索的質量?
孔淼:購買周期如同一個漏斗,漏斗頂部是陌生人(Stranger),也是流量源頭,流量是否精準對最後的轉化起到了決定性作用,然後我們再去想促進各個階段轉化的方法。
企業首先要去打廣告,廣告的創意要足夠好,這是很多廣告主正在做的事。消費者的注意早已從電視轉移到頭部媒體、內容自媒體。裝修用戶在不了解裝修公司的前提下,一定會去搜索引擎搜關鍵詞。對於陌生人的訪問,無非就是通過廣告、社區、公開課去吸引流量、圈粉。當然獲取流量並不是目的,我們要的是銷售線索,無論to B還是to C,一定要注意承接廣告流量的著陸頁是否體現出你產品的賣點,是否與廣告創意相呼應,需要將包含註冊流程在內的全流程進行優化,做好頁面分析,才能拿到一個有質量的線索表單。
九枝蘭:能否介紹下關於營銷自動化方面的內容。
孔淼:從互聯網營銷的興起到繁榮,我們發現最有效的溝通是由自動化的營銷方式帶來的。營銷自動化(MA)可以幫助我們篩選出不同的目標用戶,發送動態化的內容,解決了營銷後端轉化的問題。事實上,你和競爭對手的戰場發生在營銷前端,這才是市場大頭,失去了大頭流量去培育線索是沒有意義的,當然,針對to B,營銷前後端都要抓,B端客戶轉化周期長,決策環節複雜,為促使意向線索付費,勢必需要通過EDM吸引他關注你的產品內容。換個角度說,營銷自動化(MA)是連接企業與用戶的紐帶,是「維繫感情」、激活留存用戶的方式之一。
這裡要特別說明的是,在美國,MA確實發展的很好,所以國內很多營銷公司就將其模式照搬過來。但中美的營銷環境不同,美國B2C沒有中國發展快,其移動支付規模、物流也遠遠沒有達到中國的水平,況且國內電商巨頭們做的自動化一點也不比國外差。B2C的重點在促進交易,通過MA去做培育、留存、轉化、復購,也就是我們說的後端營銷;B2B的重點是前端營銷,即如何吸引精準用戶前來試用/體驗,一旦進入試用環節,後面的工作就由人來完成 —— 銷售人員跟進。所以to B營銷需要不斷優化搜索推廣、著陸頁、官網、社交媒體等流量入口,通過持續的內容輸出培育用戶,並收集線索。
九枝蘭:企業該如何對數據精細化運營?如何實現營銷效果最大化?
孔淼:我們要將數據的經營範圍擴大到整個用戶生命周期,不局限於某一個階段,也不局限於PC/移動設備/wap某一個平台,要先保證呈現出全流程數據,然後再談如何精細化運營某個環節。比如說推廣App,我們可以通過基本的下載、激活等指標評估推廣渠道,這些是有固定的基本方法可以判斷的。可以通過諸葛IO「識別用戶關聯行為」,找到用戶未付費轉化的原因,是卡在著陸頁還是哪個轉化環節。
講一個光明隨心訂的案例,線上訂奶是一種周期購商品,用戶每隔一段固定周期就會復購,每次購買之前需要輸入用戶名和密碼,但用戶很容易忘記,大大增加了流失用戶的可能。如果光明隨心訂將登陸方式優化為輸入手機號+驗證碼的方式,結果會如何呢?訂單轉化率提高到十幾個點!
進入網站、App、小程序之後,用戶體驗最重要,其次他才去看你的核心內容,根據服務內容決定是否留存下來。這其中包含了市場、產品、運營等部門的分工協作,由分析師將各個環節串起來,去做統籌的數據分析,在廣告投放階段、產品功能階段、運營活動等階段發現數據下滑等情況時,找到下滑原因,我們可以有針對性的配置一些召回、激勵、獎勵等措施喚醒用戶,所以我們將活動運營的參與互動指標、產品的PVUV訂單等指標協同分析,針對核心指標精細化運營數據。
這種方式讓KPI責任到人:市場部門負責拉新,產品部門負責用戶體驗和功能,運營部門負責留存,分析師為轉化結果負責,你會發現各部門像傳遞接力棒一樣,每一棒分的很清楚,是誰的鍋就由誰來背。
九枝蘭:企業如何選擇適合自己的數據分析工具?
孔淼:我把工具分為兩類,一類工具以提高效率為目的,以管理方法論為依託,企業使用工具後,溝通交流的效率立刻會提高;另一類工具助企業提升效益,比如提升轉化增加收入。如果工具能兼而有之,企業一定會願意花錢購買。但正常情況下企業是根據自身的實際需求去採購的。
需求1:業務部門的工作需要。比如產品部門採購分析工具希望能做好數據分析、產品維護,所以首選可能是提高效率的工具;
需求2:CXO的任務需要。CXO們採購收費工具多半是為了追求效益的提升,為了增加營收;需求3:老闆的「面子」需要:工具炫不炫酷?支不支持可視化?(此處是純調侃)
所以很多時候我們要多角度剖析企業採購數據工具這件事,同時根據CEO對人員的配置要求,按需購買。如果部門的1-2個人使用,那重點就放在數據優化上;如果是整個部門的需求,那從數據採集到分析,從數據驅動到精細化運營,會投入整個部門去做,不過市面上的數據分析工具基本上覆蓋了企業的數據分析需求,僅需要1-2位分析師即可跑通整個分析流程。
如果是電商業務,需要再配幾名分析師,通過BI部門做收入分析。類似美團、京東,除了用戶鏈的分析需求外還有供應鏈,供應鏈的分析又需要另外一套工具來實現。剛才我們提到的都是用戶的運營和營銷層面,通過BI確實可以將供應鏈和用戶信息打通,但實現起來並非朝夕。用戶鏈的數據分析跟業務是直接相關的,所以諸葛io數據分析的側重是放在用戶端。
我們再談決策者或部門領導需要具備怎樣的能力。我認為最重要的能力是數據分析意識和數據驅動意識,工具可以幫助企業採集分析數據,但不可能面面俱到,若是想藉助工具既能提升收入又能降低獲客成本,那太難了。這個時候需要leader的分析意識,手底下有高效率工作的團隊,把數據分析這件事做好。
在諸葛IO的眾多使用客戶中,他們對工具寄予厚望,希望能解決面臨的一切問題。誠然工具本身只是「術」,「道」是企業主本身圍繞客戶和業務的融會,關鍵在於企業管理者能否將工具用起來達成目標,如果用的好,工具是絕對可以為企業帶來效益的,這一點我可以打包票。
企業目前面臨的最大問題是已經取得了一定的效果,怎麼能再進一步提升呢?數據提升的本質無非就是業務指標的提升,比如說註冊轉化率提升,即如何提升用戶從點擊到訪問再到註冊這個流程的轉化率提升,我認為這個時候最應該提升的是決策者和部門負責人的意識。諸葛IO服務的一個客戶曾經將註冊率提高了30%之多,但是我們發現客戶借用了一種新的策略或者手段瞬間提高的,並沒有分析是如何觸動到用戶G點的,也不知道用戶之前遇到了什麼流程問題,更不知道用戶的訪問需求。所以企業高管需要非常懂自身業務,從用戶的角度打動用戶,了解行業用戶痛點,結合分析工具開展優化,運用「道」與「術」,才能讓增長持續。
九枝蘭:您是如何看待工具與人,這種「道」與「術」的關係的?
孔淼:工具能提高效率,服務於企業,幫助企業提高收入,但不能完全脫離使用者。好工具的使用門檻是比較低的,能幫助企業降低對使用人員的崗位要求,從這個角度看,工具是在幫企業降低成本。同時,合理使用工具可以提高企業的工作效率,在降低企業獲客分析的成本的基礎上,提升客戶及收入的轉化,讓人人都可以看懂數據分析,依據數據去做決策。歸根結底,我認為工具要做到的是讓人人都能夠快速參與到數據營銷的工作、分析和決策中。
「術」和「道」、「工具」和「人」的關係要看企業的具體情況,以及不同企業在不同階段的發展方向和業務目的。「道」是在「術」的上一層,就是企業要基於業務有深刻的理解,要知道用戶為什麼能被打動,從用戶的角度去理解他們,然後做行動;不只是為了提升某個特定的指標而做優化,這樣才能讓用戶認同價值留下來,而不是通過方法留住他們,不能夠本末倒置。
從市場人員的工作任務來看,如果他身背KPI,一定會選擇能提升指標的工具;如果他只是不想加班,想高效率的完成工作,又會是另一種選擇。在數據分析工具出現之前,我們同樣是面對兩大難題:1、要通過溝通去解決問題,效率顯然很低,因為遇到溝通問題的時候,需要反覆確認,溝通成本太高了;2、要完成業績考核,這又是很重要的核心問題。兩個難題如何駕輕就熟的攻克,選擇權在企業自己。
九枝蘭:您覺得國內數據分析類的產品如何才能脫穎而出?
孔淼:技術與產品的發展和迭代都會經歷一些磨難和考驗,甚至也會走一些彎路。這要從大的背景談起。20年前還沒有大數據,因為大家手上的數據很少,現在互聯網覆蓋幾億用戶,哪怕一個擁有10萬用戶的App,若是想把用戶行為都採下來,都可以獲得過億的數據。所以開發者已經走過了沒有數據的狀態,那麼早期那些做數據採集和日誌分析的公司的危機就來了,因為單純的數據是沒有任何價值的,數據一定要為業務或目標做支撐,即如何能讓客戶價值最大化。
企業數據越來越多,衍生了更多需求,如數據可視化、數據報告等,很多分析平台都可以滿足,甚至一些諮詢公司通過數據整理也可以為企業提供有趣的數據報告,此時國內大多數數據分析平台都處於為企業挖掘表層數據價值的階段。
接著很多平台提供了很多高大上的分析功能,諸如BI可視化、自助式分析,各家平台的差異性就體現在產品設計、運營策略、用戶體驗等其他方面,比如我的客戶流失比較嚴重,如何去挽回?所以客戶需求上升到具體的優化執行層面了,這就需要我們先做好基礎的數據分析,呈現出一些「關鍵點」,給客戶提供具體策略,幫助他們去做優化。此時,如果我們將挽回客戶流失的策略以營銷自動化的形式提供給客戶,同時選用匹配該策略的挽回內容,相當於滿足了客戶需求的「一個條件」,用於激勵不活躍的用戶。同理,用戶的訪問、註冊、購買等行為都可以簡單拆分,將數據分析這件事兒做成自動化優化,激勵用戶在營銷漏斗的層層遞進。所以如今分析類產品的趨勢是自動化+大數據。
國外的數據分析公司大體上分兩種,一種以SAS為代表,提供可視化分析工具,垂直於比較小的市場,如今是全球比較大的軟體公司之一;另一種站在企業業務角度,提供智能化營銷工具,通過企業間的收購、併購,可以為企業提供整體的營銷數據分析。
從業務角度來看,分析類產品會歷經三個階段:
第一個階段:經營活動總結,協助企業完成KPI;
第二個階段:業務發展探索,幫助企業發現並解決業務過程中遇到的用戶體驗、產品優化等營銷問題;
第三個階段:自動優化,結合前兩個階段的功能將數據價值最大化,不僅能解決已知的問題,還可以解決人未知的問題。例如兩個用戶的年齡、行業、地域相同,當我們發現其中的A用戶是高UP值的,可以預測B用戶也是高UP值,從而為B用戶推送更有針對性的、類似A用戶的激勵措施。
通過自動優化,為不同用戶提供差異化的激勵措施和關聯內容,千人千面,滿足不同行業的更多企業的業務需要,而不是僅限於工具和功能本身。因為企業的發展一定需要轉化率的提升,一些不夠效率的行業或領域勢必會淘汰。AI(人工智慧)其實發展了很多年,最早只是停留在演算法階段,隨著技術不斷發展,如今AI可以基於不同數據的特徵,訓練出Model(模型),為人類提供推斷。
如今的分析工具更偏向於精細化運營,將業務維度碎片化甚至顆粒化:用戶從哪裡來,進行了哪些操作,如何付費購買的....我們更關心這些細膩的數據,在不同場景下用戶做了什麼。所以數據分析產品如果想脫穎而出的話,需要將不同場景的數據做成Model,提供差異化的驅動用戶轉化策略。
九枝蘭:例舉諸葛IO做過的比較好的1-2個案例,幫助企業解決了哪些問題?
孔淼:安利一個我們服務的案例,光明隨心訂。光明隨心訂是光明的線上訂奶業務,傳統乳業公司很擅長做線下,一個小區門口擺一個小攤位,或者依靠送奶員的推薦,靠人海模式這種比較傳統的方式擴大購買人群,業務模式很固定,只有用戶的單項選擇,選定品類後通常要麼就一直延續下去,觸達用戶的渠道非常被動,和用戶互動的方式也非常有限。
如何讓用戶更靈活的選擇周期、品類?隨後,光明搭建了自己的微站、App和官網,用戶可以在線上靈活選擇心儀的乳品,微站、App和網站成為了企業和用戶新的鏈接。客戶的購買力是有的,將訂奶業務搬到了線上,將線上業務作為傳統線下業務的延伸。諸葛IO幫助光明隨心訂打通了線上線下數據,基於用戶的線上行為數據描繪用戶畫像,實現精準運營。同時,光明隨心訂的線上投放,如搜索和朋友圈廣告等,可以通過諸葛IO實現投放效果衡量。
從光明隨心訂的角度來看,他們非常希望跟客戶有更深層次的連接的,也希望能讓客戶消費升級(up sale)。同時實現「隨心訂」 -- 客戶隨時訂奶,都能在次日收到,打破過去提前預約訂奶的傳統消費方式。
諸葛IO幫助光明隨心訂從採集數據,用戶從曝光到點擊,從瀏覽落地頁到下載APP,這些數據可以連貫的追蹤。用戶的註冊和訂購流程,每一個細顆粒度的數據我們都會採集,從而搭建起很豐富的用戶系統,將用戶標籤化。在這個過程中還包括優化註冊流程,將轉化率提高了10%;以及業務方面判斷哪些商品關注度高,哪些關注度低,上架數量的配比等等。
值得一提的是,在運營層面,通過我們的智能觸達平台,光明隨心訂設計了很多觸發規則,定向選擇一批滿足特定條件的用戶,實現精準觸達,比如針對註冊後24小時內未下單的用戶推送帶有優惠券的簡訊,收到簡訊的用戶中,有7.6%的用戶被重新召回並且實現購買,這背後是典型的規劃邏輯,然後自動化的完成。傳統做法是運營找技術導出數據,然後市場和運營一起分析數據,篩選出目標用戶,再導入簡訊系統發送。
「為註冊後24小時內未下單的用戶推送帶有優惠券的簡訊」有幾個關鍵點:1、註冊後未下單,對於隨心訂這樣的平台,註冊就是要訂奶,「一定會」訂奶的用戶,無需花費額外的運營成本(優惠劵);2、時間定在24小時,如果一天沒有訂購,流失風險已經很高了,需要及時召回,而24小時恰好會是前一天註冊的時間段,意味著是「用戶方便的時間」。整個過程是自動化的,不用運營人員繁瑣的工作量,也不用協調其他部門的溝通成本,基於諸葛IO,運營人員自己足矣。傳統方式的弊端是參與人眾多,協調和決策周期很長,等企業做完數據分析後,用戶早就流失甚至卸載你的應用了。自動化營銷是秒級、分鐘級、小時級的,根據每位用戶所處的不同場景,自動化的觸發挽回/激活/留存的各項規則。所以,諸葛IO打通了從廣告投放到用戶運營,再到訂單交易的閉環。
簡單總結一下,傳統線下的訂奶方式需要人去對接,受限於訂奶員的服務水平,而且容易被當成促銷員,遭到抵觸。轉戰線上後,基於用戶行為數據,企業可以更深入的了解用戶,提供更多樣化的選擇,增強雙向的互動,在提高了轉化效率的基礎上,增加留存客戶的忠誠度,而且相比入駐天貓京東等線上購物商城,在服務體驗上也能做的更人性化。
原文:九枝蘭專訪:探究數據分析背後的學問
推薦閱讀:
※我是如何從數據分析到用戶研究再到產品經理的
※關於互聯網,這些數據你知道嗎?
※《金字塔原理》思維導圖
※女性開發者——漂亮得不像實力派
※【知識精選NO.103】2017年12月,25份互聯網趨勢報告