为什么你做的活动分析总被DISS

2 评论 4781 浏览 25 收藏 10 分钟

经常有人抱怨,说自己做的活动分析被人DISS,诸如:“分析不深入”“没有可落地结论”之类的批评。但是,有时候来自业务部门/面试官的批评是没道理的,本文就教你如何区分情况,拒绝无理取闹,感兴趣的小伙伴快来看看吧。

经常有同学抱怨,说自己做的活动分析被人DISS,诸如:“分析不深入”“没有可落地结论”之类的批评。注意!并不是谁闹谁有理。有时候来自业务部门/面试官的批评是没道理的,要认真区分情况再说。

一、活动分析的基本做法

活动分析,有标准四步走:

  1. 目标制定:清晰活动目标
  2. 过程监控:监控活动执行
  3. 结果复盘:看目标达成了没有
  4. 过程诊断:如未达成,则回看执行过程,查找疏漏点

做活动本身是一个“指哪打哪”,高度目标导向的事情。因此活动分析中,目标是最关键的,清晰了目标才好判定效果。活动过程监控,则是用来诊断问题的,一般采用漏斗分析法+对比分析法,看哪个环节掉链子。

比如针对1万名新用户派特定品类的优惠券,目标拉动其中5000人消费。活动流程,则是新用户登录后通过弹窗领券,之后进行消费。那活动分析,就先看是否有达成5000消费的目标。如果没有达成,再看哪个环节没做好。是派的券压根没人领,还是领了券没地方用(如下图)。

为什么你做的活动分析总被DISS

注意!活动是分三类的:

类型一:为了提升总业绩,比如双十一,618。这种一般是冲量型活动,投入力度大,参与商品多,有可能分子活动。因此一般是看整体业绩目标是否达成。

为什么你做的活动分析总被DISS

类型二:为了达成特定目的,比如清库存。都已经到尾货期了,能多清一件算一件。这种时候一般不计较收益,而是达成目标即可。

为什么你做的活动分析总被DISS

类型三:为了定向提升收益,比如针对特定用户投一批优惠券,拉升消费。这时候一定要考核收益,不能让人白薅羊毛。最好直接设参照组,观察有/无活动时差异。如果不能设参照组,则一定要记录该群体活动前数据,作为对比。

为什么你做的活动分析总被DISS

虽然活动分析都是:“目标→执行→复盘→过程诊断”四件套,但是根据不同的类型,目标设法有差异,复盘方式自然也有差异,不能一锅炖。然而有些时候,恰恰业务部门自己脑子不清醒,导致活动组织混乱。这时候要是怪数据分析师做得不好,就是无理取闹了。

二、典型的无理取闹

1. 提升总业绩的活动,不设总体目标

一张嘴“我做活动就是为了提升业绩,分析下我提升了多少”——废话!肯定是为了提升业绩呀,难不成为了减少吗。问题是,你要提升多少?不同的目标,投入力度,活动形式,宣传渠道都有差异,事先不考虑,事后咋复盘。

2. 不事先考虑自然增长率

实际上,很多业务本身有自然波动,肯定要提前考虑呀,不然活动咋组织。而很多业务,活动方案就是不知道哪抄来的。这些业务事前不考虑周全,事后抓住数据分析师,拼命研究“自然增长率的800种算法”,企图通过修改自然增长率来起死回生……真是让人哭笑不得。

3. 活动前不做基础准备

活动页面不埋点,活动编码随便写,活动券码瞎胡用,派券对象随意增删。上活动的时候只图快!省事!数据一塌糊涂,事后……事后分析个屁。

4. 定向提升的活动,不设参照组

定向提升型活动是完全可以设参照组的,如果不设参照组,是很难看出来活动增量效果,自然没法深入分析。

5. 设参照组不考虑特征差异

参照组不是随机拉一波人就成的,而是要考虑“哪些特征会影响结果”。比如已知高消费人群活动响应会高,则设参照组时,需保证参照组内高消费群体比例和活动组差不多,这样才有可比性。不然结果肯定不对。

三、常见的自掘坟墓

当然,也有些是数据分析师们自己惹祸,常见的,比如:

惹祸一:不管业务场景,强行上模型。我就见过有数据分析师拿营销费和GMV做回归分析,然后拿R平方值来解释营销活动“效果”的。被人怼了还说这些人不懂统计学,额……

惹祸二:主动配合业务事后算“自然增长率”。结果不管你咋算,业务都不满意,终于业务满意了,老板不满意!搞得自己里外不是人。

惹祸三:不找业务要目标,企图用各种奇怪的东西代替目标。

实际上,在活动分析中,业务惹的麻烦要比数据分析师多得多得多得多。大部分的问题,都是业务自己目标不清晰、考虑不周全、事先没准备所导致的,数据分析师要做的,更多是不要纵容这种瞎搞。如果条件不充分,就先给一些基础数据,同时反复向大家灌输正确做法。

有趣的是:老板是站在我们这边的。老板也讨厌业务事前不动脑子,事后乱找理由。所以大家一定要有信心,慢慢推动活动评估标准化,正规化。

四、更深入的做法

当然,即使以上都做了,单凭一次活动,也有可能分析不出很深入的东西。因为一次活动能影响用户范围有限,给到用户选择也很少,所以很难充分了解到底是产品不行,活动设计不行,还是用户没需求。这种深入的洞察,是需要多次活动数据摆在一起看,才能发现的。

以下这些场景,都得至少做2次以上,才能在对比中发现问题。比如:

  • 虽然有活动一直做,但参与的都是同一类群体 → 活动影响有限
  • 有些用户就是一有活动就来蹭,没活动不买 → 薅羊毛群体
  • 有的商品就是没销量,活动都带不动 → 选款失败,先天不足
  • 有的活动形式,就是吸引用户更多 → 活动本身受欢迎
  • 把活动操作减少了,参与立马提高 → 活动流程优化

其实很多时候业务自己也是被逼的。有些公司缺少长期计划,业务总是为短期业绩下跌填坑。这时候,业务自己也没空想更多办法,只能每次都用老一套,事后再指望修改“自然增长率”为自己找理由。因此,做规范的活动分析,也能帮业务减负,让业务有合理的理由多做几次尝试积累经验,最终大家一起探索出切实可行的办法。

当然,不指望所有公司都有这么好的氛围,如果你在的公司,就是目标不清晰,活动方案抄抄改改,事后纠结自然增长率。那至少我们自己,可以把活动分好类,然后观察事前/事后差异,观察对大盘影响,这样积累的经验,也能用在下一家公司。

专栏作家

接地气的陈老师,微信公众号:接地气学堂,人人都是产品经理专栏作家。资深咨询顾问,在互联网,金融,快消,零售,耐用,美容等15个行业有丰富数据相关经验。

本文原创发布于人人都是产品经理。未经许可,禁止转载。

题图来自 Pexels,基于CC0协议。

该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 数据分析的主要目的还是用来复盘,跟进进度,进一步完善活动运营的,那么在做数据分析的时候,就不能总是采用模型化的一套理论了,而要贴合活动场景。

    来自山西 回复
  2. 不能一套模型吃遍天下饭(●’◡’●),还是要注意统计学的适应场景的。有些统计学方法是只适合于部分场景,如果滥用只会使得分析结果失去价值和意义。

    来自中国 回复