数据分析:如何分析活动效果?

数据分析:如何分析活动效果?

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。

一、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1万
  • 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。

二、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)。

数据分析:如何分析活动效果?

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。

三、从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):

数据分析:如何分析活动效果?

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。

数据分析:如何分析活动效果?

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。

数据分析:如何分析活动效果?

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2、3、4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。

数据分析:如何分析活动效果?

第四步,找影响结果的过程

以上1、2、3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)。

数据分析:如何分析活动效果?

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。

四、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,4万9千1百2十7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。

 

作者:接地气的陈老师

来源:接地气学堂

扫一扫 微信咨询

联系我们 青瓜传媒 服务项目

商务合作 联系我们

本文经授权 由青瓜传媒发布,转载联系作者并注明出处://www.f-o-p.com/210491.html

《免责声明》如对文章、图片、字体等版权有疑问,请联系我们广告投放 找客户 找服务 蘑菇跨境
企业微信
运营大叔公众号