互联网运营应该分析哪些数据和指标?
2019-05-14 03:13

  运营分很多类,流量运营、用户运营、内容运营每一个环节都有特别关注的数据和指标。

  回答中很多都从PVUV用户数这些数据来切入分析,但是分析之后呢,做什么措施?以什么样的目标来驱动?我也分析做过这样的分析,这些常规的数据大多只是绑定着个人的KPI,反应这个人工作成绩的好坏,并不是一场完整的数据分析。这里我想从更全面的角度来总结互联网企业的运营体系,精益数据分析。

  数据分析的目的应该是为了公司的发展,粗暴一点讲,是为了公司的盈利和持续的盈利。

  而互联网的盈利模式不同,数据指标也不同,大抵可分为三种:一是向用户出售商品或服务,以电商、社交和o2o平台为代表;二是靠广告来进行盈利,典型的例如google、百度以及其他平台类互联网公司;三是直接向用户收取费用,各大游戏公司。

  以分析体系最为复杂的互联网电商公司为例,来逐一分解,哪些数据需要分析,怎样分析,分析的价值是什么。

  电商类公司的收入是由一个个订单堆出来,由用户购买相关的商品或服务产生,可以说用户和商品或服务为订单的两大基本元素,公司收入下降、增长、异常最终都可以追踪到用户与商品这两大元素上。这样我们将收入相关的数据拆解为三大类:用户、商品和订单。

  从用户的消费流程来看,可以划分为引流-转化-消费-存留。我们一般将用户分为新老用户,无论新老用户,都会关注两块内容,一个是引流(拉新),一个是转化,最终以数据的形式体现出来,就是流量与转化率。

  通过分析PV、UV、访问次数、平均访问深度、跳出率等数据来衡量流量质量优劣。目的是保证流量的稳定性,并通过调整,尝试提高流量。

  在渠道中,流量可来自于自主访问、搜索引擎、淘宝付费、京东付费等等。按设备可分为PC渠道和APP渠道;按照付费与否可分为免费流量和付费流量。有人会通过渠道流量占比来分析各渠道的质量。下面的折线图可以对各渠道的流量情况进行追踪,分析占比不合理是短期内出现的,还是长期存在的,辅助问题的分析。仅仅根据流量情况来衡量质量是不全面的,需要配合转化率和roi.

  按照业务结构,最典型的比如举办一场活动,例如双十一,可定要对活动的流量追踪。观察活动前、活动中、活动后的变化情况,评估活动效果。

  完成引流工作后,下一步需要考虑转化,这中间需要经历浏览页面-注册成为用户-登陆-添加购物车-下单-付款-完成交易。每一个环节中都会有用户流失,提高各个环节的转化率,是这一块工作的最核心,转化率的提升,意味着更低的成本,更高的利润。

  通过各个渠道或者活动把用户吸引过来,但是过一段时间就会有用户流失走掉,当然也会有一部分用户留下来,留下来这部分用户就叫做留存用户。关于留存,这里要关注的就是日活和留存率。

  有调查数据显示,一个满意的用户会带来8笔潜在生意,不满意的用户可能会影响25个人的购买意愿,可见回头客多么重要。

  复购率可以分为“用户复购率”和“订单复购率”,此外,“用户回购率”意义与复购率相似,也在此范围内。

  刚性流失:可以进一步分为新用户水土不服型和老用户兴趣转移型,这部分流失用户是无法挽留的,缘尽于此,花再多的钱也没什么用。

  体验流失:可能是应用体验、服务体验、交易体验、商品体验等等,总之就是在使用产品服务的过程中,感到了一丝不爽,正所谓一言不合就流失。

  竞争流失:也就是用户已经转粉了。可能是竞争对手的体验更好,可能竞争对手推出了什么优惠的政策。我们也需要抓住行业的动态,针对竞争对手的抢粉行为做出相应的行动。

  关于流失的定义,各公司定义不同,可能是7天内没有登陆行为,也可以是几个月之内没有交易行为。(回流率=时间周期内流失的再回访的人数/时间周期内流失的人数)

  关于流失的常规数据监控,一般都是和存留一起的,本身两者也是分不开的。单独针对流失的,最多看到如下图样式的监控:

  1、指标跟踪:销售模块中有大量的指标,包括同环比、完成率、销售排行、重点商品占比、平台占比等等,可以从人、货、场三个视角进行分析跟踪。

  2、店铺分析:具有小b级用户,或者入驻平台式,需要针对各店铺经营指标进行分析,包括各店铺效率指标、完成率指标、业绩指标、客单价等,实现店铺价值评定分析。

  3、销售活动管理:线上销售中,活动是非常重要的一块,从事前、事中、事后三个层面实现销售活动的闭环分析,其中包括事前投入分析、目标预测;事中用户参与度、客流分析、销售单分析;事后目标完成情况、活动对比、费销比、活动衰减度、活动爆发度等.

  2、供应链环节管理:供应链服务情况分析(响应周期、交货及时率、订单执行率)、管理指标分析(物资成本占比、客户投诉率等)。

  4、重要指标分析:分析包括货龄、动销率、缺货率、结构指标、价格体系、关联分析、、畅滞销等分析指标,评判商品价值,辅助调整商品策略。

  5、异常商品分析:包括对退货率、残损率、异常商品等数据进行分析,发现异常商品,及时处理。

  1、重点指标分析:包括新增用户数、增长率、流失率、有效会员占比、存留率情况等。

  2、用户价值分析:根据rfm模型,再融入其他个性化参数,对用户进行价值的划分,并针对各等级用户进一步的分析。

  3、用户画像:根据固有属性、行为属性、交易属性、兴趣爱好等维度,来为用户添加标签与权重,设计用户画像,提供精准营销参考依据

      任你博,任你博娱乐,任你博官网