考点22:数据驱动型业务管理方法(3%)
数据的特征
数据的应用过程
DW——分析——决策——执行
数据驱动型业务应用案例
销售漏斗模型
搭建数据体系
数据应用闭环
销售漏斗模型中的业务及数据都是动态变化的,是不确定的
例如:销售阶段、赢单率、预计成交日期、销售角色、客户负责人、商机金额、商机规模、销售路标等
——尽可能将每个不确定性变为确定性,用正确的销售决策最大限度地降低销售风险,是设计及管理销售漏斗模型的目的
获得有效数据规范:应保证销售漏斗数据的准确性与时效性
考点23:指标的应用与设计(12%)
指标的作用(了解):用简约的数据量化业务强弱
基本指标:求和类(往往结合数值型数据使用)
1、常规求和:对度量求和计算得到的指标,诸如销售数量、销售金额指标结合特定维度的统计结果,用以帮助决策者了解整体情况
2、累计求和:随时间维度变化,从时间初值点至当前时点时间段内度量的累加值,用以帮助决策者了解事件初期至当前时点的业务状态
3、时间维度下的累计指标:此类指标不受自然年、季度等周期限制,从初始时点至当前时点的时间区间进行分析,不仅体现了时间维度的连续性,还可结合指定维度下的指标值分析变化趋势
基本指标:计数类(对度量计数得到的指标,需注意数据的唯一性)
基本指标:比较类(作为参照指标,评定主指标的表现)
差异百分比:指定维度下指标的某个值为基准点,比较当前值和指定值的差异变化率,用以帮助决策者了解当前数值好坏(均比、同比、环比、定基比)
1、均比(当前值-均值)/均值*100%:与维度下指标的平均值比较,辅助决策者了解维度下哪些项拉高了均值,哪些项拉低了均值
2、定基比增长率(当期值-固定时期值)/固定时期值*100%:当期值与某一固定时期值对比,用以描述当期值的发展水平
3、同环比增长率:时间维度下某两个时间项对应指标值对比,用以描述当期值的发展水平
同比公式:(当期值-去年同期值)/去年同期值*100%
环比公式:(当期值-上期值)/上期值*100%
常用场景指标(掌握)
1、流量相关指标
常用计费方式
CPM(cost per mille)按每千次曝光收费
CPS(cost per sales)按实际销售收费
CPC(cost per click)按点击次数收费 CPA(cost per action)按行动成本收费,只有在用户发生约定好的行动时,才会收取广告费用
访客数(UV):访问对应维度的非重复用户数
浏览量(PV):维度下浏览页面的总次数
访问次数(Visits):统计会话数,一个会话内用户可访问多个页面
新访客数:新进访客数
平均访问深度:浏览量/访问次数
跳失率:跳出次数/访问次数
新访客占比:新访客数/访客数
例:用户X在12月25日上午通过平台搜索页点击到达店铺A,浏览了2个页面后离开店铺,下午X又通过首焦广告位点击重新到达店铺A,浏览了3个页面后离开,A店铺当天只有X一人访问,那么店铺A的以下指标各是多少?
访客数UV=1 浏览量PV=2+3=5 访问次数=2 平均访问深度=5/2=2.5 跳失率=0
2、转化相关指标
3、营运、销售类指标
成交额:GMV(系统中实际完成的订单金额)、实际销售额、税后销售额、退款额
成交量:实际订单量、销量、退款订单量、上架数量
完成情况:目标达成率、退货率
效果:屏效、商品关联性
4、库存相关指标
库存周转天数 = 库存量 / 最近N天平均销量 ≥ 安全库存天数
库龄 = 存放仓库时长
库存周转次数 = 平均库存量 / 出库总量
订货满足率 = 按合理需求正常供货次数 / 产品被要求供货的总次数
缺货率 = 缺货次数 / 总订货次数
售罄率 = 1 - 库存金额/进货金额
5、绩效类指标
6、客户相关指标
用户生命周期:推广渠道、注册、使用、离开
量:注册用户数、浏览用户数、登录用户数
质:活跃用户数、留存率、在线时长、复购用户数 会员的价值:精准营销、广告推广、会员的权益管理
设计新指标
指标的分析方法
运用指标量化业务强弱需明确指标的好坏变化
1、纵向分析:时间周期下指标的变化规律
2、横向分析:指定维度下不同项的指标值的差异
3、预警分析:提供当前时点对应维度的指标累计值或瞬时值,对比基准值
考点24:业务分析方法(15%)
客户分析
1、客户来源分析
2、留存分析
留存用户:用户注册后开始接触产品,使用产品且未离开的用户
3、用户流失分析
2C(To Customer):面向客户
2B(To Business):面向企业
①不要试图挽留每一个流失用户(发优惠券、降价促销、送赠品)
②不要试图分析每一个流失原因(工作量大、难以触达用户、无代表性)
③不要仅根据流失率指标判断(流失滞后、无法挽留) ——有时部分无效/低效用户流失也是一件好事
4、用户行为价值分析
理解业务背景(留存用户、流失用户),分析振荡期(1-2日)对比指标情况,找到产品改进点
浏览时长:差异不大,说明用户不排斥该产品
关注博主数、关注领域数:差异较大,新用户进来产品后在关注页面,关注博主是否便利?是否可以在注册后弹出弹框“推荐热门博主关注”?
——后续设定两批用户进行对比实验
访问次数、购买次数:合理范围内
观看视频数、观看领域数:差异不大
行为效果分析
1、行为效果分析
人(用户来源、活跃度、价值贡献)
货(进销存、品类结构、价格管理)
场(线上:PC、群聊;线下:综超、社区)
2、活动效果分析(前提:数据可获取)
分析拆解得到以上指标,查看每个环节的用户数情况
比较4月28日前后活跃人数,得到拉客流能力
App推送:主要分析消费情况
信息流广告:主要分析用户增长情况
3、日常销售分析(在指定时间范围内,回顾日常经营性行为)
业务分析模型(指定业务场景下,经验总结得出的分析框架)
1、RFM模型
根据用户历史行为数据,结合业务理解,实现用户分类,助力用户的精准营销
2、用户忠诚度模型
3、漏斗模型
业务分析方法 u
1、树状结构分析:从数据中发现经营问题,且数据分析师需要主导分析内容,输出业务问题发现。由于数据维度的丰富性,不知从哪个维度开始分析,如果每个维度都尝试下探非常耗时,这是可以考虑从总体指标入手,逐层分解总体指标,形成下钻式树结构,分析思路如下:
2、二八分析(只是个大概值,并不严格要求20%80%)
3、四象限分析
了解数据在两个核心要素下的表现,从而划分出具备不同特性的数据类。 如波士顿矩阵(适用于对商品的描述)
4、同期群分析