任务一 认识数据化运营

任务描述

小赵是第一次接触数据化运营工作，难免有点信心不足。为了能保质保量完成工作任务，小赵在接到任务安排后，便仔细查看了KK旗舰店提供的销售数据，准备根据数据化运营的基本思路分析KK旗舰店咖啡的销量下滑的原因，并将具体内容填写到任务单（见表1-1）中。

知识准备

一、数据化运营的含义与意义

运营即运作与经营，是指利用各种资源，通过计划、组织、实施和控制等管理手段，实现产品（或服务）商业价值的一系列行为的总称。数据化运营是指通过数据化的工具、技术和方法，对运营过程中的各个环节进行科学分析、引导和运用，最终达到降低运营成本、提高运营效率、优化运营效果的目的。

数据化运营是从数据的角度分析和解决业务运营工作中存在的问题或不足，以实现商业目标的过程。总体来说，数据化运营的意义主要包括以下4点。

（1）提高决策效率。在瞬息万变的数字化时代，决策效率越高，意味着可以在更短的时间内做出决策。数据化运营可以辅助企业决策，并及时洞察经营过程中的机遇和风险，从而提前预判决策时机并提高决策效率。

（2）洞悉用户。数据化运营可以帮助企业洞悉用户，如用户来源、用户特征、用户需求等，从而帮助企业实现精准营销。

（3）提高用户活跃度。通过精细化渠道触达、活动运营，提高用户访问频率，有效增强用户对产品的价值认同与内容依赖。

（4）提升投资回报。在数据化运营过程中，结合数据分析的工作方法和思路，优化各个执行环节，可以有效降低冗余支出，提高单位成本的投资回报。

二、数据化运营的目标与类型

随着“大数据”时代的到来，数据化运营的发挥空间越来越大，越来越多的企业开始开展数据化运营。数据化运营的最终目标是优化和提高业务运营效率，助力企业实现持续盈利。在电商领域，数据化运营的目标主要体现在5个维度，如图1-1所示。

从广义上来说，一切围绕互联网产品进行的数据化干预都称为数据化运营。在电商领域，按企业运营模块划分，数据化运营的类型主要包括以下4种。

（1）市场运营。市场运营是指通过市场营销、产品开发、品牌管理等市场开发行为获取利润或实现利益最大化。在电商领域，店铺开展的各种促销活动都属于市场运营的范畴，市场运营的目的就是促进销售，提高市场占有率。

（2）产品运营。产品运营以产品为运营对象，以推广和维护产品为目的，使产品被用户接受，并持续产生产品价值和商业价值，如通过微信公众号、小程序推广新品等。

（3）用户运营。用户运营是指以用户为中心，从用户需求出发设置运营活动与规则，制定运营策略，以达到预期的运营目标。用户运营可以提高用户的活跃度和留存率，提升用户价值，进而提升运营效果。

（4）内容运营。内容运营是指通过内容生产、发布和传播，提高产品的服务价值，促进产品活跃、留存、转化等运营目的的过程。就内容运营而言，无论是用户原创、经验分享，还是编辑采集、二次创作等，往往需要以优质的内容为依托才能吸引用户。

三、数据化运营的主要内容

目前，电商企业的运营部门一般通过可量化、可细分、可预测等一系列精细化的方式进行数据化运营。在电商领域中，数据化运营的核心内容主要体现在流量监控分析、目标用户行为研究、数据监控分析、网络营销策划推广4个方面。

（一）流量监控分析

流量监控分析主要包括观察流量规律、分析用户路径、细分用户、追踪流量情况4个方面的内容。

（1）观察流量规律。通过观察流量规律，筛选出不同渠道流量的质量，要果断关闭异常渠道，优先选择优质渠道，以节约渠道推广成本。

（2）分析用户路径。通过分析用户路径，寻找产品存在问题的环节和改进的节点，并及时迭代和优化。

（3）细分用户。根据不同的细分用户群，制定差异化的推广营销策略，实现精准营销。

（4）追踪流量情况。通过设定指标追踪流量情况，以此衡量推广活动效果或渠道优化效果。

（二）目标用户行为研究

目标用户行为研究主要包括用户特征分析、用户行为分析、用户购买情况分析3个方面的内容。

（1）用户特征分析。通过用户特征分析，商家可以知晓用户是什么样的人，需要什么、喜欢什么。用户特征分析的主要指标包括年龄、职业、地域、受教育程度、兴趣爱好等。

（2）用户行为分析。通过用户行为分析，商家可以清楚地了解用户的行为习惯、真实的使用心得，从而找出渠道推广、产品使用等过程中存在的问题。用户行为分析的关键是找准对应的衡量指标，如用户点击次数、用户访问终端类型等。

（3）用户购买情况分析。通过用户购买情况分析，商家可以了解用户对产品的喜爱程度，从而更为精准地制订营销计划。用户购买情况分析的主要指标包括用户访问时间分布情况、用户购买时间分布情况、用户所购商品分布情况等。

（三）数据监控分析

数据监控分析主要依据业务系统提供的数据进行相关的项目分析，从而产生有价值的结果来指导生产经营活动。数据监控分析主要包括以下内容。

（1）产品数据监控分析。通过产品数据监控分析，商家可以实时掌握产品数据的变化情况，从而更好地了解产品需求、产品生命周期、产品库存情况等。产品数据监控分析的指标包含产品需求、产品定价、产品生命周期及产品库存管理与统计分析等。

（2）竞品数据监控分析。通过竞品数据监控分析，商家可以了解同行或者竞争产品的动态，从而完成新品定价、动态营销等。竞品数据监控分析的指标包括竞品产品策略分析、竞品渠道策略分析、竞品价格策略分析、竞品营销策略分析等。

（四）网络营销策划推广

网络营销策划推广主要包含电商促销活动、各渠道广告宣传、品牌营销3个方面的内容。

（1）电商促销活动。通过对电商促销活动数据的追踪与分析，可以实时调整促销活动内容，或者为下一场促销活动提供参考。

（2）各渠道广告宣传。通过对广告投放数据的追踪，如广告费用、曝光量、点击量、成交量等数据，可以增投数据表现优异的广告渠道，摒弃效果差的广告渠道。

（3）品牌营销。对品牌进行内容营销，并追踪内容营销数据，如短视频账号的运营，同时监控短视频作品的播放量、点赞量、评论量、完播率等数据指标。

四、数据化运营的基本思路

数据化运营依托的核心对象是数据，因此处理和分析数据是数据化运营的重点工作。在数据化运营中，处理数据有五大基本思路，包括对比、追踪、分解、锚点和多维度分析。数据分析人员只有充分理解和掌握这些思路，才能更高效地处理和分析数据。

（一）对比

对比是较常见、直接的数据处理思路。例如，商家通过店铺间销量的对比分析本店与竞争对手的经营情况，通过月销量的对比规划淡季和旺季的运营思路等，这些都是直接利用对比思路进行数据化运营。通过对比，商家能够直观地发现差距，找到正确的优化方向。图1-2所示为KK旗舰店与同行业的其他店铺付款人数的对比。通过数据对比，可发现KK旗舰店的付款人数与同行业的其他店铺的差距较大。影响付款人数的因素有很多，如产品价格、产品品类，以及消费者访问产品的动机和时间等。通过进一步分析，发现导致KK旗舰店付款人数比同行业的其他店铺付款人数低的主要因素是产品价格，于是KK旗舰店准备结合目标用户调整产品价格，以此提高产品的付款人数。

（二）追踪

追踪的本质是通过趋势处理数据。店铺在5月1日的转化率是1.5%，而评价该数据需要统计店铺近一周、近一个月甚至近一年的数据，判断数据是增长还是下降，才能真正得出结论。图1-3所示为KK旗舰店4月1日—4月29日的转化率分布。由该图可知，KK旗舰店4月的最高转化率为5.20%，最低转化率为0.98%，而4月25日的转化率仅为1.50%，该数值明显较低。于是，店铺优化了商品详情页，调整了装修风格，并采取相应措施提高了动态评分，两个月后店铺的转化率有了显著提高。

虽然目前许多电商平台都发布了成熟的后台数据处理产品，能够支持一定的数据追踪，但还远远不够。商家如果需要利用数据化运营方式经营店铺，就应该把所有数据都记录下来并保存到数据库中，建立不同的数据维度和追踪机制来分析与处理数据。

（三）分解

分解是指将所有数据逐次向下分解，找出更多子数据，并通过挖掘和优化子数据，精准找到问题方向，提高核心指标。尤其是无法直接找到问题的根本原因时，更应该通过分解思路拆分数据或指标，而不应该只着眼于某个现成的数据指标，忽略与之相关的其他因素。例如，店铺的销售额一般由访客数、客单价和转化率决定，因此就可以将销售额分解为这3个对象，然后进一步分解，如图1-4所示，逐步分析各项指标的情况，直到找到根本原因。

（四）锚点

行为经济学范畴有个术语称为“锚”。其大致意思是，如果在生活中遇到某个产品，第一印象将在此后对购买这一产品的意愿产生长期影响。锚点思路也可以应用到数据化运营中，即在数据分析中，当存在多个因素影响一个数据指标时，只考虑将一个因素视为变量，其他因素保持不变，然后测试这个变量因素对数据指标的影响程度，以便后续做出有效优化。

例如，产品的标题、主图、价格、评价、促销活动和详情页等均会影响产品转化率，但每个因素对转化率的影响各不相同。保持主图变动，而其他因素不变进行销售，便可以得出主图对产品转化率的具体影响情况，以便后续做出有效优化。

另外，通过锚点思路还可以加快用户决策，提高产品销量。例如，A和B两个店铺经营同一个品牌，该品牌有甲和乙两种产品。A店铺与B店铺沟通后，决定由A店铺主推甲产品，B店铺主推乙产品。此时，A店铺可以把乙产品的价格标高，以便帮助B店铺做价格锚点，让用户知道B店铺的乙产品具有价格优势，进而加快用户决策。

（五）多维度分析

电商的核心数据在一段时间内兼具偶然性和关联性，如果单独利用某一个维度追踪数据会显得比较片面，严重时会导致结论出错，所以在进行数据化运营时一定要结合多个维度。转化率和流量是相辅相成的，一般情况下，流量越高，转化率就会越高，但有一个前提，那就是必须是正向转化（订单无缺陷+好评+复购），如果出现负向转化（订单缺陷+差评等），就会阻碍转化，降低流量。结合其他维度（如客单价等）可以发现，在流量基本保持在同一水平的情况下，客单价的提高会导致转化率的降低。

五、数据化运营的业务流程

从业务流程的角度来看，数据化运营涉及六大环节，分别是目标的明确、指标的确定、数据的获取、数据的分析、策略的形成，以及结果的验证与优化。

（一）目标的明确

数据化运营是有明确目标的行为。这个目标可以是短期的、一次性的，也可以是长期的、周期性的。根据运营场景的不同，数据化运营的目标可以分为以下4种。

1. 以某一具体指标为目标

这类数据化运营目标往往是短期的或一次性的，一般通过分析数据找到刺激用户的方式，以求在短期内实现数据指标量级上的提高。例如，以一周内新增用户数量达到1 000人、活跃率达到20%、留存率达到30%、转化率达到4%为目标。

2. 以发现和解决问题为目标

这类数据化运营目标非常普遍，如发现访问量呈断崖式下降，就会以解决此问题为目标进行数据化运营，以查明访问量下降的原因，并尽快解决问题。

3. 以发现潜在方向为目标

在“大数据”时代的背景下，大数据产品的出现往往实行“发现并分析用户需求，进而衍生出满足用户需求的产品”的模式。通过数据化运营，商家可以发现更多用户没有显现出来的问题和痛点，进而发现潜在的用户需求和产品研发方向。

4. 以掌握产品生态为目标

掌握产品生态是指将数据化运营应用到日常生产流程中，使其成为日常生产流程的一部分。这也是开展数据化运营的企业或个人的最终目标。企业可以通过数据沉淀、数据分析来全面且准确地了解产品的用户群、用户分类等情况，对用户进行精细化运营。

另外，掌握产品生态还能更好地了解产品生态的上下游情况，如上游用户的获取情况、下游用户的转化和分发情况等。对于平台类产品或需要上下游业务支撑的产品来说，数据化运营对产品后期发展有很大的价值。

（二）指标的确定

确定目标后，就需要围绕不同的运营目标确定相应的指标，将目标具体化，如店铺的访客数、转化率、客单价等就是决定销售额的直接指标。以电商领域的店铺运营为例，常见的用户指标可以分为用户画像指标、用户来源指标和用户行为指标等。

（1）用户画像指标。用户画像即依据用户属性和行为为用户构建出的画像数据，目的是分析用户特征，以便对用户进行分类和精细化运营。用户画像指标有很多，常见的有性别、年龄、职业、支付习惯、消费习惯、使用的终端设备等，如图1-5所示。

（2）用户来源指标。通过用户来源指标，商家可以掌握并分析用户渠道。例如，通过渠道分布指标，商家可以分析用户访问店铺内商品的渠道；通过渠道效果指标，商家可以获取各渠道的用户数，以及转化为注册用户的数量，进而判断各渠道的获取效果。

（3）用户行为指标。用户行为指标侧重于让商家分析用户体验。例如，通过用户访问店铺页面次数、跳失率等与用户浏览下单相关的指标，以及用户行为路径指标等，可以找出用户未下单的原因，从而优化店铺。

（三）数据的获取

明确目标并确定好需要分析的指标后，下一步就需要为各指标提取相关的数据了，即进行数据采集和处理。

（1）数据采集。对于店铺而言，数据可以是电商平台的后台数据，也可以是专业的数据分析工具（如生意参谋、京东商智、多多情报通等）提供的数据。

（2）数据处理。采集到的数据一般需要经过处理才可用于数据分析。对于采集到的不规范数据，可以进行清洗；若数据存在缺失，可以进行补充；数据多余时，需要进行删除；对于数值性数据，则需要考虑是否添加单位等。

（四）数据的分析

获取到相关数据后，商家就可以按照最初确定的目标及按目标确定的指标，利用数据分析方法进行数据的分析工作。常用的数据分析方法主要有对比、细分和假设3种。

（1）对比。对比方法在店铺数据复盘、单品分析、行业竞争分析等方面广泛应用，只有对比行业标准、历史数据，才能发现目前运营的情况与异常。

（2）细分。细分方法在电商数据分析中常用于市场细分、产品定位等。只有通过不断细分来定位问题，才能做到具体问题具体分析。针对某一个问题，可以从来源、渠道、类型、用户等不同维度进行细分，精准定位问题后再解决。

（3）假设。假设方法在电商数据分析中常用于销售预测、库存预测等。对于无法通过计算和采集直接获得的数据，就可以使用假设方法，即先假设结果再进行结果逆推。

在进行电商数据分析时，为了让结论更具说服力，论证过程更具逻辑性和条理性，通常要先搭建数据分析模型，根据模型中的内容确定数据指标，再细化数据指标并分析，最终得到需要的分析结果。数据分析模型的应用场景根据数据分析所选取的指标不同而有所区别，图1-6所示为电商行业中常用的数据分析模型。

（五）策略的形成

分析数据后，要基于分析结果发现业务问题或寻找潜在增长点，支撑业务决策、驱动产品流程改进优化，从而形成策略。策略的形成取决于数据化运营的目的和数据分析的结果，需要注意的是，每一次数据分析形成的策略可能不一致，应根据具体问题和具体的业务场景制定有效的策略。例如，通过数据分析发现某个产品在市场上的竞争性较弱，如果该市场有一定的份额占比和发展前景，那么可以制定进入市场抢占份额的策略；但如果该市场已经被淘汰或处于淘汰的边缘，则不应该进入。

（六）结果的验证与优化

数据分析的结果生成的策略并非一定有效，也并非能够快速达到预期效果。在策略执行的同时，通过数据的积累沉淀，监控相应数据指标情况，可以优化和完善策略，再反复进行验证与优化，最终可以得到一个更优的结果。图1-7所示为总结复盘和迭代优化流程。

任务实施

任务演练：采用对比思路分析KK旗舰店的销售数据

【任务目标】

查看KK旗舰店与同行业其他优秀店铺的销售数据，通过与同行业其他优秀店铺数据的对比，找到KK旗舰店销量下滑的原因。

【任务要求】

本次任务的具体要求如表1-2所示。

【操作过程】

（1）查看提供的数据。图1-8所示为销售数据对比，其中包括KK旗舰店2023年的销售额与销售数量，以及DD旗舰店2023年的销售额与销售数量。图1-9所示为流量来源数据对比，包括KK旗舰店和DD旗舰店的流量来源数据。

（2）选择数据分析方法。图1-8中的柱形图展示了KK旗舰店与DD旗舰店的销售数据对比情况，图1-9中的条形图则展示了KK旗舰店与DD旗舰店的流量来源数据对比情况，通过这两张图表能方便地对数据进行分析。

（3）分析数据。分析图1-8，小赵发现KK旗舰店的销售额和销售数量都低于DD旗舰店，结合图1-9，他发现KK旗舰店的流量主要来源于其他、钻石展位和直通车，淘宝App搜索的流量占比较低，于是有了加大淘宝App搜索流量投放的想法。接着，小赵对比分析了DD旗舰店的流量来源数据，发现DD旗舰店的流量主要来源于淘宝App搜索。综上所述，小赵认为可以加大淘宝App搜索渠道的流量投放。于是，KK旗舰店按照数据分析的结果，增加了对淘宝App搜索渠道的流量投放，果然不久后店铺的流量和销售数量均有所提高。