400-803-8660 Mon. - Fri. 10:00-22:00

九枝兰专访:探究数据分析背后的学问(下)

九枝兰专访:探究数据分析背后的学问(下)

编者按:在周一我们推送的探究数据分析背后的学问(上篇),孔淼从消费者和数据两个维度探讨企业如何高效率的开展数据分析,以及自动化数据分析工具是如何激励用户由访客成为销售线索,转而付费的。

本文(下篇),孔淼会继续探讨数据分析的“道”与“术”,并对国内数据分析产品的优劣势做了客观分析。

QQ图片20170919114742

音译:唐传鸿 | 整理:刘梦洁

校对:臧海 | 审核:闫璐

九枝兰:您是如何看待工具与人,这种“道”与“术”的关系的?

孔淼:工具能提高效率,服务于企业,帮助企业提高收入,但不能完全脱离使用者。好工具的使用门槛是比较低的,能帮助企业降低对使用人员的岗位要求,从这个角度看,工具是在帮企业降低成本。同时,合理使用工具可以提高企业的工作效率,在降低企业获客分析的成本的基础上,提升客户及收入的转化,让人人都可以看懂数据分析,依据数据去做决策。归根结底,我认为工具要做到的是让人人都能够快速参与到数据营销的工作、分析和决策中

“术”和“道”、“工具”和“人”的关系要看企业的具体情况,以及不同企业在不同阶段的发展方向和业务目的。“道”是在“术”的上一层,就是企业要基于业务有深刻的理解,要知道用户为什么能被打动,从用户的角度去理解他们,然后做行动;不只是为了提升某个特定的指标而做优化,这样才能让用户认同价值留下来,而不是通过方法留住他们,不能够本末倒置。

从市场人员的工作任务来看,如果他身背KPI,一定会选择能提升指标的工具;如果他只是不想加班,想高效率的完成工作,又会是另一种选择。在数据分析工具出现之前,我们同样是面对两大难题:1、要通过沟通去解决问题,效率显然很低,因为遇到沟通问题的时候,需要反复确认,沟通成本太高了;2、要完成业绩考核,这又是很重要的核心问题。两个难题如何驾轻就熟的攻克,选择权在企业自己。

九枝兰:您觉得国内数据分析类的产品如何才能脱颖而出?

孔淼:技术与产品的发展和迭代都会经历一些磨难和考验,甚至也会走一些弯路。这要从大的背景谈起。20年前还没有大数据,因为大家手上的数据很少,现在互联网覆盖几亿用户,哪怕一个拥有10万用户的App,若是想把用户行为都采下来,都可以获得过亿的数据。所以开发者已经走过了没有数据的状态,那么早期那些做数据采集和日志分析的公司的危机就来了,因为单纯的数据是没有任何价值的,数据一定要为业务或目标做支撑,即如何能让客户价值最大化。

企业数据越来越多,衍生了更多需求,如数据可视化、数据报告等,很多分析平台都可以满足,甚至一些咨询公司通过数据整理也可以为企业提供有趣的数据报告,此时国内大多数数据分析平台都处于为企业挖掘表层数据价值的阶段。

接着很多平台提供了很多高大上的分析功能,诸如BI可视化、自助式分析,各家平台的差异性就体现在产品设计、运营策略、用户体验等其他方面,比如我的客户流失比较严重,如何去挽回?所以客户需求上升到具体的优化执行层面了,这就需要我们先做好基础的数据分析,呈现出一些「关键点」,给客户提供具体策略,帮助他们去做优化。此时,如果我们将挽回客户流失的策略以营销自动化的形式提供给客户,同时选用匹配该策略的挽回内容,相当于满足了客户需求的「一个条件」,用于激励不活跃的用户。同理,用户的访问、注册、购买等行为都可以简单拆分,将数据分析这件事儿做成自动化优化,激励用户在营销漏斗的层层递进。所以如今分析类产品的趋势是自动化+大数据。

国外的数据分析公司大体上分两种,一种以SAS为代表,提供可视化分析工具,垂直于比较小的市场,如今是全球比较大的软件公司之一;另一种站在企业业务角度,提供智能化营销工具,通过企业间的收购、并购,可以为企业提供整体的营销数据分析。

从业务角度来看,分析类产品会历经三个阶段:

第一个阶段:经营活动总结,协助企业完成KPI;

第二个阶段:业务发展探索,帮助企业发现并解决业务过程中遇到的用户体验、产品优化等营销问题;

第三个阶段:自动优化,结合前两个阶段的功能将数据价值最大化,不仅能解决已知的问题,还可以解决人未知的问题。例如两个用户的年龄、行业、地域相同,当我们发现其中的A用户是高UP值的,可以预测B用户也是高UP值,从而为B用户推送更有针对性的、类似A用户的激励措施。

通过自动优化,为不同用户提供差异化的激励措施和关联内容,千人千面,满足不同行业的更多企业的业务需要,而不是仅限于工具和功能本身。因为企业的发展一定需要转化率的提升,一些不够效率的行业或领域势必会淘汰。AI(人工智能)其实发展了很多年,最早只是停留在算法阶段,随着技术不断发展,如今AI可以基于不同数据的特征,训练出Model(模型),为人类提供推断。

如今的分析工具更偏向于精细化运营,将业务维度碎片化甚至颗粒化:用户从哪里来,进行了哪些操作,如何付费购买的….我们更关心这些细腻的数据,在不同场景下用户做了什么。所以数据分析产品如果想脱颖而出的话,需要将不同场景的数据做成Model,提供差异化的驱动用户转化策略。

九枝兰:例举诸葛IO做过的比较好的1-2个案例,帮助企业解决了哪些问题?

孔淼:安利一个我们服务的案例,光明随心订。光明随心订是光明的线上订奶业务,传统乳业公司很擅长做线下,一个小区门口摆一个小摊位,或者依靠送奶员的推荐,靠人海模式这种比较传统的方式扩大购买人群,业务模式很固定,只有用户的单项选择,选定品类后通常要么就一直延续下去,触达用户的渠道非常被动,和用户互动的方式也非常有限。

如何让用户更灵活的选择周期、品类?随后,光明搭建了自己的微站、App和官网,用户可以在线上灵活选择心仪的乳品,微站、App和网站成为了企业和用户新的链接。客户的购买力是有的,将订奶业务搬到了线上,将线上业务作为传统线下业务的延伸。诸葛IO帮助光明随心订打通了线上线下数据,基于用户的线上行为数据描绘用户画像,实现精准运营。同时,光明随心订的线上投放,如搜索和朋友圈广告等,可以通过诸葛IO实现投放效果衡量。

从光明随心订的角度来看,他们非常希望跟客户有更深层次的连接的,也希望能让客户消费升级(up sale)。同时实现「随心订」 — 客户随时订奶,都能在次日收到,打破过去提前预约订奶的传统消费方式。

诸葛IO帮助光明随心订从采集数据,用户从曝光到点击,从浏览落地页到下载APP,这些数据可以连贯的追踪。用户的注册和订购流程,每一个细颗粒度的数据我们都会采集,从而搭建起很丰富的用户系统,将用户标签化。在这个过程中还包括优化注册流程,将转化率提高了10%;以及业务方面判断哪些商品关注度高,哪些关注度低,上架数量的配比等等。

值得一提的是,在运营层面,通过我们的智能触达平台,光明随心订设计了很多触发规则,定向选择一批满足特定条件的用户,实现精准触达,比如针对注册后24小时内未下单的用户推送带有优惠券的短信,收到短信的用户中,有7.6%的用户被重新召回并且实现购买,这背后是典型的规划逻辑,然后自动化的完成。传统做法是运营找技术导出数据,然后市场和运营一起分析数据,筛选出目标用户,再导入短信系统发送。

“为注册后24小时内未下单的用户推送带有优惠券的短信”有几个关键点:1、注册后未下单,对于随心订这样的平台,注册就是要订奶,“一定会”订奶的用户,无需花费额外的运营成本(优惠劵);2、时间定在24小时,如果一天没有订购,流失风险已经很高了,需要及时召回,而24小时恰好会是前一天注册的时间段,意味着是“用户方便的时间”。整个过程是自动化的,不用运营人员繁琐的工作量,也不用协调其他部门的沟通成本,基于诸葛IO,运营人员自己足矣。传统方式的弊端是参与人众多,协调和决策周期很长,等企业做完数据分析后,用户早就流失甚至卸载你的应用了。自动化营销是秒级、分钟级、小时级的,根据每位用户所处的不同场景,自动化的触发挽回/激活/留存的各项规则。所以,诸葛IO打通了从广告投放到用户运营,再到订单交易的闭环。

简单总结一下,传统线下的订奶方式需要人去对接,受限于订奶员的服务水平,而且容易被当成促销员,遭到抵触。转战线上后,基于用户行为数据,企业可以更深入的了解用户,提供更多样化的选择,增强双向的互动,在提高了转化效率的基础上,增加留存客户的忠诚度,而且相比入驻天猫京东等线上购物商城,在服务体验上也能做的更人性化。(完)

QQ图片20170918152156

 

九枝兰专访:探究数据分析背后的学问(下)