项目三 以数据分析为导向的运营体系搭建
1、流量运营案例:如何用数据分析的思路解决广告优化问题
流量运营主要针对增长、投放的运营场景。
(1)电商入驻商广告业务简介及传统分析链路数据分析
流程:获得数据(自动广告数据+手动广告数据)→广告路径分析(漏斗分析[宏观数据,从上到下]+链路分析[微观数据,曝光→点击→加购→选择支付方式→填写订单信息])→改善广告效果(提升ROI,广告营销ROI上升,整体运营ROI上升)
(2)漏斗模型的搭建与入驻商相关广告应用
入驻商在各环节如何优化?
- 当曝光量不足时,可以考虑提高广告竞价或者修改关键字 。平台可以选择广告投放包,而入驻商没有这种权限,所以从广告竞价(调高)和关键字(匹配、恰当)两方面考虑。
- 当点击率不足时,可以考虑优化listing的主图(对于非标准品)/标题(对于标准品)/ review评分/ 价格
- 当转化率不足时,可以考虑优化落地页信息,比如添加变体/添加A+广告/优化五点描述
tips:
曝光:用户看到就是曝光
点击:不代表用户形成有效访问
咨询:阿里淘宝旺旺,亚马逊邮件等方式
成交量:可以高于咨询量
手动广告(可以手动调整竞价、关键词,但是价格比较高)
自动广告(只需投钱,无法系统自动推荐)
添加变体:在页面上添加同一款式商品的不同颜色、尺码等
添加A+广告:具体的图文信息
五点描述:商品简要描述,可以进行价格歧视方案
(3)多广告组分析时如何进行优化决策
如果你的店铺现在有两个广告组A和B,A广告组ACOS值很低但是花费少出单不高,B广告组ACOS较高但是出单量比较大且仍有利润空间,这时候你会选择保留哪个广告组?或者你会怎么优化?
tips:
ROAS的含义为:Return on Ad Spend(目标广告支出回报率),用于衡量每组广告花费能带来多少收入。
计算:ROAS=总收入/广告花费*100%,那么它可以理解为广告ROI。
单个订单成本的计算方式是将产品订单的总支出除以产品订单量,产品订单总支出需要包含产品销售过程中涉及到的所有成本,比如人工成本、广告成本、仓储成本、物流成本等等。
采用四象限分析法:
选取单个订单成本、订单额、ROI,做气泡图:构建一个二维坐标图,然后将其划分为四个象限,Ⅱ象限的价值是最低的,这是因为Ⅱ象限代表了低ROI数值即低投资回报率,以及高单个广告订单成本的区域,在我们的案例中C产品就属于“低广告投放价值产品”。
假设我们不放弃Ⅱ象限的产品,而是选择对广告投放进行优化的话,那么我们就有两种优化方式,一种是将Ⅱ象限的产品从Ⅱ象限经过Ⅰ象限最终优化到Ⅳ象限(先提升ROI),另外一种就是将Ⅱ象限的产品从Ⅱ象限经过Ⅲ象限最终优化到Ⅳ象限(先降低成本)。
(4)广告优化运营思路总结☆☆☆
①广告基本运营思路:漏斗模型
- 曝光→广告关键字/广告预算/单次点击出价(前期)listing权重/店铺权重(后期)
- 点击率→曝光主图/标题/review信息/价格/库存信息
- 转化率→Q&A信息/review信息/购物车/变体/A+广告/价格/五点描述/副图……
②单次点击出价优化: - 计算单日24小时/固定时间段的广告支出与订单量、客单价
- 计算平均单个订单的广告支出,将平均支出较高的时间段降低单次点击出价
③多广告组的象限分析法: - 计算每个广告组的ROAS与单个订单成本(单个订单成本为总成本的均值)
- 绘制点状图(气泡图),然后根据不同象限对不同的广告组进行不同的优化操作
2、电商运营案例:如何利用数据分析的思路解决运营问题
(1)仓储体系数据化
①仓储备货的基础数据
某一产品过去7天销售量——𝑆7
某一产品过去14天销售量——𝑆14
某一产品过去30天销售量——𝑆30
某一产品未来30天备货量——𝐼30
S——sale、I——invention
②简易计算法☆
𝐼30 = 𝑆7 × 4
使用方法:
直接将产品过去7天销量乘以4即可,使用较少,通常用于传统零售、数字化程度低的情况。
该方法评价:
- 适用范围小
- 计算误差大
- 计算方便简单
- 无法预测爆款与热销款销量,容易出现断货
③权重计算法☆☆
a. 权重分别为100%,50%,50%的计算公式(产品已经进入稳定期,销量处于小幅度波动阶段时可以使用该计算公式):
𝐼30 = S7 + S14 ÷ 2 + S30 ÷ 2
b. 权重分别为0%,100%,50%的计算公式(近期一周因为意外情况,例如突然的缺货/停止营业等,导致短时间销量下滑时可以用该计算公式):
𝐼30 = S14 + S30 ÷ 2
tips:缺货后,补上货后销量是缓慢上涨,而不是立刻恢复
c. 权重分别为100%,0%,75%的计算公式(过去一个月至过去半个月期间销量处于波动,直到近期一周销量才稳定时可以用该计算公式):
𝐼30 = S7 + S30 × 0.75
d. ……
④计量计算法☆☆☆
通过过去的三组数据,得出日均销售量的相对变化值,再根据日均销售量的相对变化值,预测未来的日均销售量的相对变化值,再由未来的日均销售量总值乘以30,得到未来30天的销售量。
k1 = (S7/7 - S14/14)/ 7 ——过去半个月到过去一周期间的日均变化相对值
k2 = (S14/14 - S30/30)/16 ——过去30天到过去14天日均销量的变化值
k3 = (k1 + k2)/ 2 ——取均值
I30 = 30 ×(S7/7 + k3 * 14) ——14是经验化数值,加权值通常能影响未来14天的数据。
⑤仿真法☆☆☆☆☆
最实用,可以直观的反应出在各种方案下的情况。
基于仿真结果,进行可视化分析。
(2)市场体系数据化
①销量波动与趋势分析
使用线性回归方法预测未来业绩趋势:a. excel中插入折线图,增加趋势线(对需要预测的数据),可以直观了解未来趋势变化。b.选择数据,点击数据分析,选择回归,确定,Y值输入区域选择总销售额,x值输入区域选择日期(序号),得到回归统计量。
②日/周/月销量权重对比
销量波动周趋势分析指标——周权重指数,对店铺的销量进行对比分析时使用。
对KPI的制定也有帮助,拆解目标。结合当月的月权重指数、周权重指数和日权重指数,用当月的KPI销售目标除以月权重指数(全月日权重指数之和),再乘以日权重指数,得到日销售KPI。
③市场占有率计算
- 核心:
当地的订单占比和人口占比是否相符。中长尾市场的订单占比小于人口占比是可以接受的,但在头部市场,订单占比一定要大于人口占比。 - 步骤:
a. 计算不同地区人口占总人口的比例A
b. 计算不同地区订单占总订单的比例B
c. 通过比例A与B的数值大小判断不同州地区的未来运营策略
(3)运营体系数据化
① 关键词优化
- 从需求角度优化:用户搜索什么词就用什么词 。
类目词与产品词来源:listing类目排名信息、listing标题信息
核心形容词来源:搜索框下拉栏、用户review关键词汇总
广义相关属性词来源:Google Trends - 从竞争角度优化:竞争对手(大卖)listing有什么词就用什么词
方法:可以尝试各种各样的关键词组合下,观察是否出现竞争对手的商品,如果在某个组合下出现的搜索结果不是特别多,但销量多,就是一个好的关键词组合。
评判优秀长尾转化词的三大标准:
- 匹配度(曝光页产品与自身产品的匹配程度) ,要想符合
- 垂直度(曝光页搜索结果数量),不能太多
- 竞争度(曝光页拥有高review的listing数量)
② 转化率分析+用户访问深度分析
- 买家访问次数(Visit/Sessions):统计24小时内曾经在销售页面浏览过的用户数,访问网站的一台电脑客户端为一个访客,可以理解为UV;
- 页面浏览次数(PV):在一定统计周期内用户每打开或刷新一个页面就记录1次,多次打开或刷新同一页面则浏览量累计;
- 购买按钮赢得率:赢得购买按钮的商品页面的浏览次数在总的商品浏览次数中占的百分比;
- 使用用访问深度系数这个值来初步衡量用户行为
买家访问次数(Visit/Sessions)是统计24小时内曾经在销售页面浏览过的用户数,页面浏览次数(PV)是每打开或刷新一个页面就记录1次(多次打开或刷新同一页面按浏览量累计)。前台页面中,链接可以产生点击的按钮包括挑选商品变体,例如加购物车,愿望单,查看评价等。买家在页面内访问次数越多,所花费的时间就越长,购买意愿也越高。
通过二者做比,可以定义:
访问深度系数=页面浏览次数/买家访问次数
通过对访问次数、浏览次数、转化率、订单量等的在一段时间内的同比变动率,分析问题。
- 访问深度系数下降,转化率下降:重点优化评价/链接图文内容
- 访问深度系数上升,转化率下降:重点优化库存,提升“当日达”比率
- 访问深度系数下降,转化率上升:可以考虑添加变体来获得更大销量
- 访问深度系数上升,转化率上升:链接属于健康状态,继续维持
3、产品运营案例:如何利用数据分析的思路使产品快速迭代
(1)结合用户生命周期与使用习惯的精细化运营
①生命周期判断
- 引入期:当一个listing属于引入期的时候,其排名数值特点是排名低(数值大)、波动大、排名不属于上升趋势。
- 成长期:当一个listing属于成长期的时候,其排名数值特点是排名由低到高)(数值由大到小)、波动适中、排名属于上升趋势。
- 成熟期:当一个listing属于成熟期的时候,其排名数值特点是排名保持高位(数值小,排名靠前)、波动较低、排名趋势稳定。
- 衰退期:当一个listing属于衰退期的时候,其排名数值特点是排名由高到低(数值由小变大,排名逐渐靠后)、波动适中、排名属于下降趋势。
生命周期只能延缓,不能逆转,可以开启下一个生命周期
使用第三方插件 helium 10,得到产品从上架到销售的数据
例如,根据亚马逊一款服饰类产品从上架到现在的排名与价格变化,该款产品经历了引入期和成长期,以及小段时间的成熟期,随后进入衰退期,之后又进入快速成长期,进入稳定期,之后再是衰退期,之后又进入成长期,发展到一个长段时间的成熟期,之后又开始衰退期。 当生命周期经过多次更迭后,衰退期和成长期都会进入一个比较理想的状态,即衰退速度会延缓,成长期会加速。 此外,还可以看到商家的运营表现。在一开始的引入期和成长期,设置一个稳定不变的价格;然后设置一个低价,使销量暴增,排名快速上升,加速成长,在到达一个比较好的排名后,再将价格调回原来的位置,这样可以保证不会亏损,后者促销时间不会特长,以保持稳定盈利状态;等待商品进入自然成长阶段时,开始阶梯提价,等商品进入衰退期时,价格保持不再改变,等商品再次进入成长期时,再使用相同的调价决策,逐步增加利润。
执行端可以完成的事情:
- 在商品进入成长期,选择提价/降价
- 在商品详情页添加Listing视频、标题、review表现、Q&A问答、产品型号、子变体产品、商品描述等精细化运营要素
通过生命周期,观察/加快成产品长期速度,在生命周期更迭后积累数据资产,利用更庞大的数据资产和更丰富的运营内容增加利润。
(2)结合用户使用习惯的增长黑客法则
①高效增长-渠道筛选
通过分析不同渠道用户的活跃指数,选择更合适的用户渠道。
例如,为了实现用户增长,LinkedIn的增长负责人观测了两个渠道的数据:电子邮件+搜索。
LinkedIn刚出现时,创始团队有一些明显光环,所以有些用户会主动搜索LinkedIn,这类从SEO(Search Engine Optimization,搜索引擎优化)渠道进来的用户,与电子邮件邀请进来的人数差不多,但是在LinkedIn平台上的活跃度要高3倍。——因此,增长负责人决定把更多资源投入到高活跃渠道中,即放弃低活跃用户,专注高活跃用户。
②魔法数字
当用户发生了某些特定的行为,产生了特定的数据后,活跃度和用户粘性远高于其他没有产生特定行为和特定数据的用户。这种能快速形成用户转化,快速搭建用户筛选模型的数字称为魔法数字。
例如,LinkedIn的运营团队发现,一星期内添加5个联系人的用户,他们的留存/使用频率/停留时间是那些没有加到5个联系人的用户的3~5倍。因此,如何能够快速地将用户转化为能够建立5个社交关系的用户,就变成了驱动增长的魔法数字(Magic Number)。
某用户看过3个通标签数据,代表用户对这类食品确实是很喜欢。
课后思考
(1)结合广告投放的漏斗模型将listing自然曝光+流量+转化也建立类似模型,并通过模型搭建提供不同环节相关运营建议。
自然曝光+流量+转化可以拆分成不同的用户购物路径/步骤:
浏览商品(曝光+点击+访问)→放入购物车(PV/访问深度)→生成订单(用户信息/用户画像)→支付订单(价格敏感度/购物习惯)→完成交易
(2)如果从数据化选品角度出发,应该关注哪个生命周期的产品,同时如何搭建数据化选品的工作流?
成长期的商品最具有“爆款”潜力,数据化选品工作流:类目分析→排名抓取→“爆款”成长期趋势分析→新品预测性分析→供应链生产→精细化运营
tips:老款进入成长期不一定有潜力,可能使得第二次生命周期