本文作者梳理了最近半年的一些重要企业数据驱动运营项目的经验，来谈谈数据驱动和科学增长怎么落地？

一段时间来不少媒体都在讲2019-2020年互联网无战事，这当然是媒体为了博眼球的标题，我们读读娱乐一下罢了。

实际上，随着头部流量及平台企业的战略格局变化，流量下游的企业也随之面临着新的挑战和机会，所以去年起很多企业都在关注私域流量的建设，都在恢复对自有线上平台的资源投入和建设。

最近我在梳理最近半年的一些重要企业数据驱动运营项目的经验，发现只要企业的高管和核心产品运营团队可以比较客观和科学地去建立企业数据驱动的文化、流程，并投入研发资源建设数据产品去赋能产品运营工作，是可以获得健康增长的能力。

什么是真正有效的健康增长？

有效的健康增长是科学的增长。

在财务层面的增长，往往看利润和收入，但这是结果数据，往往不能指导现实的一线工作，特别是在一个企业面临互联网用户特征多变，业务迭代变化快的背景下，事后统计的方式其实无法帮助直接负责用户价值和转化的一线团队作出有效决策。

比如我曾经和某航司的负责人交流有关如何在头部OTA获取流量并掌握大量渠道资源的情况下，让航司的自有平台可以持续获得健康增长的能力，提高直销比例，不过分依赖OTA。

另外他还提到：如何让用户都来自己的官网和APP购票，哪怕是还是需要在OTA渠道继续开店。

由此，我针对这个航司的情况，权且列出有效健康增长的几点思考：

• 战略性的增长渠道
• 流量思维 VS 用户思维
• 如何通过用户洞察评估研发资源的投入

第一个问题，战略性的增长渠道

这是任何一个航空公司市场部门都无法回避的永恒话题。

我们权且把航司的机票预定业务拆分为B2B和B2B两个入口，这也是旅游行业很多企业的业务模式。

限于篇幅，我先只谈B2C业务，但如果细分起来可能就很庞杂了，考虑到我没有该航司的数据，仅就方法论上我们先一层层来看。

国内航司许多都已经拥有多个自己的线上预定平台（以下简航司B2C平台）：

• 网站（移动+PC）
• 微信小程序（含公众号/服务号）
• Android App
• iOS App

同时，航司也会在类似携程和飞猪这样的平台上经营旗舰店，通过这些大流量平台获得订单，其本质是销售渠道。

所以站在航司角度，渠道这件事可以这样来拆分：订单总量 = 航司B2C平台订单量 + 销售渠道1订单量+ 销售渠道2订单量 +…销售渠道N订单量

如果目标是提高直销比例，很明显就是需要大幅提高航司B2C平台的订单量。这在连锁酒店行业里（比如华住、首旅如家等）也是一个长期的企业使命：保持直销比例。

一个典型的机票预定B2C平台，无论是在PC端还是移动端，在决定如何发力流量获取上第一件事不是去找渠道，而是先去观察自身数据变化的趋势。

一般需要拿一个完整年度的流量趋势：

比如移动站：

• 按照桌面/移动Tablet/手机三种类别来看sessions的数量对比
• 按月拆分观察屏幕分辨率下的sessions和订单提交转化率
• 按照航司品牌词百度日均搜索量来观测用户的需求变化
• 观测在各搜索引擎（百度PC/360/百度移动/神马/搜狗）的品牌词排名等

强调移动站的原因是移动网站如果做的体验好，速度快，仍然内容营销的重要阵地（凡是有大量内容的APP的流量机会就在是否把这些内容都做好了静态化，这一点尤其重要）。

我之所以在战略性渠道上重新把移动站和搜索引擎拿出来讲，是由于站在用户角度思考问题的缘故。

不要说航司了，连携程和飞猪这样的超大型平台都在不停地为了让自己的页面可以在搜索引擎里获得更好的位置而不断地在做技术性调优和数据挖掘工作，都是因为他们理解互联网上的用户。

微信之父张小龙在2020年的微信公开课里有一个重要的观点（注意搜狗搜索是微信的默认搜索引擎）：

“与web互联网相比，移动互联网的各个app更加割裂，信息难以打通、搜索。我们做小程序，就有一个梦想，希望搜索能进入到每一个小程序的内部，这样海量的小程序可以支撑起各种长尾的搜索需求。当然，小程序仍然是我们一直要改进的领域，只有小程序足够繁荣，才能支撑起搜索的内容的丰富度。”

这是任何一个企业，包括航司在内都可以视为流量机会的事情，就看企业领导人是否可以深刻理解这句话。

搜索航班，搜索航站楼信息，搜索机票价格，搜索往返航段组合方式，这些行为每天在互联网上发生的频率是惊人的，所以单从理解海量用户行为这点出发，国内成就了去哪儿，国外成就了Skyscanner，以及航班管家这一类航程管理工具也都发展得很好，原因就是机票作为一个天然的数据型交易业务，用户对其准确性、及时性的需求直接反映在了搜索引擎里。

理解了用户对航班信息的强烈搜索需求（往往这也是很多旅游产品的流量入口），航司就应该在所有用户可能发生搜索的渠道把有差异性的价格和内容进行展示和发布，哪怕是含有关键词的网络社区，把用户的需求转化为流量。

携程收购垂直搜素引擎里的去哪儿和Skysanner，就是直接砸钱把自己的上游渠道给收购了，这是想得非常清楚的战略性渠道获取。

除了搜索之外，病毒式营销（利用社交关系）也是非常重要的手段，下面我列出Google内部创业孵化器Area 120的合伙人Gabor Cselle总结了9种病毒式营销的类型，具体我们会在3月28-29日的“科学的产品运营及增长实践课”中讲授。

对航司而言，由于不会去售卖其他直接竞争对手的机票，也不是做的流量买卖，所以着眼点是保证通过技术手段去获取优质客户，而不是把所有价格放给OTA（等于把优质内容白送给自己的流量上游）。

一个可以考虑的策略就是在任何可以有效承载内容的平台上制造有价值的内容来回答/提供该平台用户的问题和需求（需要理解不同平台用户的性质来提供对应的内容/价格）。

一个优质的客户在第一次获取的时候成本是最高的，很多企业管理者往往只看第一次获客的成本是否比平台高，但忘记了：

• 上游平台自己的获客成本也很高 （否则淘宝为什么也开始学习拼多多）？
• 上游平台的第一次获客成本可以被多次交叉产品销售摊薄

其实核心问题不是第一次获客成本是否比在OTA平台开店销售贵（这是拿苹果和橘子比，是比不出有效结论的）。

关键是要自己和同行业比，和自己的历史数据去比 (即拿苹果和苹果比），并通过数据分析找到有效获取优质客户的渠道，并做好用户运营，提升用户的生命周期时长和利润贡献总额。

也就是我一直强调的需要延长对每个有效用户的收益时间，或者LTV（生命周期价值）。

实际上，航司的每个旅客的生命周期和OTA是不一样的，要有自己保持用户粘性的合理做法，即便是补贴，也要知道核心目标是什么，切忌生搬硬套其他企业的做法。

第二个问题：流量思维 VS 用户思维

流量思维的本质核心粗暴点说就是认为有了流量就有了一切，所以那么多消费品企业挤破脑袋都要在天猫、淘宝上争夺曝光和订单，也有无数旅游企业、酒店和航司在携程、去哪儿、美团上购买广告获取销售。

以流量为中心的企业往往会因为短期利益的驱使，放弃用心经营自身平台的数据获取优势，一方面帮助平台完善了更丰富的产品数据结构（平台可以更好地利用这个结构去预测用户的需求，保持用户对平台的粘性），一方面逐步丧失自身的用户粘性。

但实际上旅游产品不同于天猫和淘宝上售卖的标品，酒店、机票实际上是需要最终通过服务来完成的非标品，无论是酒店的地段、房型、餐饮，还是飞机的退改签政策、座位安排和航班时间（乃至外部天气）都会影响用户的业务行为。

非常关键的一个因子是：搜索时间，这与电商业务是很不同的，乃至广告的点击时间和最终乘机或者酒店入住的真实时间，都可以做相关性分析来判断用户特征。

考虑到即便是同一个真实的用户，在休闲模式和商旅模式下的行为特征会完全不同：

1. 休闲型特征的用户，往往会提前很多时间开始搜索和查询，不太会退改签，价格比较也比较频繁。
2. 商旅特征的用户正好相反，是迅速搜索查询，机票退改签概率高，酒店选择更重视商圈位置而不是价格。

如果可以重视用户在自有平台上的搜索数据挖掘，特别是用户的反复搜索，在用户端体现出来的可能是千奇百怪的搜索输入，但在后台只要可以不断提高产品/内容的精确匹配程度，则可以明显看到自有平台ROI的提升。

有一种情况可能很多航司和酒店集团都没有花足够多的力气去做好，比如搜不到或者搜索到的结果要排到很多页面之后，这表明产品和运营团队需要仔细去审核系统在处理搜索、筛选和排序上的逻辑和流程，对于那些数据异常（比如比大部分词的搜索词到展现，展现到点击预定的转化率）的词需要做大量排查工作。

进一步的，可以对用户群体做更高质量的聚类，反馈搜索结果的更好结果，以及用户触达的精准。

这些策略从数据驱动的理论上讲都不是问题，只是多年前没有像今天这样普及的大数据技术和算力，有趣的是人工智能领域的落地能力也是这几年随着云计算资源的更加普及反而可以产生落地的效果（虽然理论几十年来并没有本质的突破）。

另外，航司和酒店集团往往需要全流程服务每位付费的旅客，所以优势在于可以掌握除了用户行为数据、业务及订单数据外，还有服务流程中的旅客偏好数据。

理解了这一点，任何航司都应该重新评估与平台的合作方式，要在价格和产品上对外部销售渠道和自身渠道做到一定程度的差异化经营，把目标放在通过长期获取用户的行为和业务数据，建立起对用户的真实洞察，并利用对用户需求的更好理解来进行以下工作：

• 数据整合：流量渠道、行为、业务和服务
• 数据建模
• 内部多主体标签体系（用户、产品、内容等）

在建立好完整的多主体标签体系后，可以用来：

• 渠道评估和全网人群放大；
• 站内搜索、筛选和排序优化；
• 线上营销/运营计划效果预测；
• 更细分的用户及业务数据分析、洞察。

但切忌直接套用淘宝和天猫这种纯电商平台的的做法，会给自己挖坑。

第三个问题：如何通过用户洞察评估研发资源的投入

任何一个自建类似航司B2C平台的企业都会问一个问题：我们投入成本自建平台有意义吗？这些钱花的值不值？

我这里无意探讨企业该投入多少钱来建设自己的技术平台、大数据项目和业务前后台。

但是有一点是可以谈的，即任何涉及线上运营和营销类的技术产品项目，只要有一个客观可评估优先级的量化方法，我们是可以估算其经济回报，并可以有量化的优先级排序方法来决定先做什么项目，什么需求可以缓一缓。

下面给出一个参考的公式：

如果我们有十几个业务需求（产品、运营、营销、业务等），我们需要分步骤来计算每个项目的重要性指标：

• 重要性指标=潜在收益+用户影响面 (规模)
• 用户影响面 = log （总用户数量 x 影响率）

比如：新增机票退改险销售 潜在收益 = 1. （航司收益15元/份） 用户影响面 =5.7 ( =log(1000W x 5%)

这个案例属于新增业务产品，覆盖所有航司客户，但是5%左右的客户会购买）

计算得出重要性= 6.7

研发成本 =1.7 （预估50-60 工作人日）

这样就可以得出：项目收益 = 6.7 – 1.7 = 5

把每个业务需求的项目收益进行排序，按照高低顺序安排优先级就可以解决各业务方的争议。

当收益一致时，再看重要性指标即可。

如果你仔细去回顾这个公式，会发现用户影响面（比率）是一个非常关键的因子。

所以即便是研发资源的安排，也可以通过对用户洞察的需求来推断其重要性，并保证企业可以把资源投入在有长期价值的项目上（技术升级改造类项目需要另一套方法来评估，此处略过）。

如何做好用户洞察这件事？

大体上，我们经常会因为这些目标，而需要做好用户洞察：

• 如何知道现有的CRM制定的营销规则起作用了？是规则设计对了？还是价格和渠道的原因？用户是因为低价优惠还是本来就需要？
• 我们对所有客户的分群方式到底应该细到什么程度呢？
• 流量在进来，也在流走，用户需求开始变得复杂怎么办？
• 如何通过运营发现产品、业务和流程优化？
• 如何解决用户留存率始终在下降？到底要如何定义核心指标？
• 董事会要求我们年底KPI要过底线，到底如何带领公司找到可以撬动用户自发增长的曲线？

比较好的实践，像阿里内部的数据产品比如棱镜，天选，地藏都是类似的，业务运营甚至是天猫卖家都可以在上面做简单的逻辑组合或者是筛选后，后端通过sql引擎以及算法引擎自动的帮业务运营甚至是天猫卖家找出所需要的用户，做一些精细化运营，这些都不需要技术参与。

这样的话能大大提高业务的自主性和执行效率，不需要等待，或者说是由后方的技术人员的限制而拖累他们的进度。再者很多的机器学习的算法或者是标签的产生，其实使用方都是业务部门，他们应该是要对这这类东西的产生有一定的理解。

如果全是黑盒的话，他们也会惧怕使用。

引用19年在加拿大温哥华举办的人工智能领域的重量级NeurIPS 2019大会上比较深刻的一句话

Our Goal is not be predict， but rather understand

其实标签体系或者说是标签产品工具，它本质上是一个工具，工具当然是为了提高工作效率的，而作为使用者的业务运营和产品团队必须可以对这些有重大的参与感，才能理解和信任这个有着“黑盒”能力的系统：

• 参与规则标签的制定
• 参与模型标签的制定
• 可以定义权重
• 可以定义维度

一个好的标签体系，及所对应的软件系统和工具应该支持业务运营和产品团队自动创建产生标签，并使用，或者标签平台 。

这样，通过一个完善的标签平台来实现受众定向、人群拆分和效果预估，让产品和运营团队可以发挥业务经验和创造性能力去关注营销策略的设计和量化验证。

这个标签平台就是企业内部的数据资产平台核心，也可以叫企业的一方DMP平台，通过API与其他数据和业务系统可以把标签完全地应用起来：

在拥有了自身一方的DMP能力后，类似航司这样的企业可以改变以往广告投放的粗放模式，举一个Airbnb的例子。

Airbnb的房东增长LTV模型：

Airbnb将转化归因给相应的广告之后，公司需要知道这些转化的生命周期价值（LTV），即具体每次转化能带来的收益。对于房东用户增长来说，LTV能够预测哪些用户能给Airbnb带来更高的利润。

在Airbnb的房东提供了多种多样的空间，包括合租的和整租的。这些多样的房屋种类给了租客用户独特的体验，同时给LTV估算带来了挑战。

Airbnb团队开发了机器学习模型来预测每个listing的LTV。然而房东用户的转化时间一般来说非常长，因为把自己的空间放在网上需要比较大的决心。从第一次点击广告到发布listing的时间可能是几天或者几周。当团队收集了更多数据之后，Airbnb可以提高LTV预测的准确性同时解决长转化时间带来的问题。

Airbnb竞价和预算优化：

当Airbnb拥有了广告跟踪，归因，LTV估算之后，他们就做好了针对每个广告进行竞价优化的准备。Airbnb在10,000多个城市，191个国家有listing。有些城市可能只有几个成功的转化，所以基于小的样本计算广告的价值可以很有挑战。团队开发了一套数学模型来解决这个挑战。在知道了每个广告的价值之后，他们可以基于想达到的投资回报率（ROI）来设定竞价和预算。

为了能让Airbnb的系统跟广告平台更好的整合，他们还跟广告平台的销售方进行了紧密合作（比如说google的关键词UI）。销售方可以通过UI很容易的设定高效的目标和预算。最终Airbnb希望竞价和预算优化可以适应更微小颗粒度的实时互联网流量变化。

这是一个利用用户LTV来反向优化广告投放的绝佳例子，同样的道理，在拥有标签能力后，无论是广告投放的ROI（本质上是CTR和转化率），还是站内的针对复杂用户群体的产品运营和人群扩大营销，都是可以通过算法的支持进行优化和数据监测。

做好了这些，就自然走上了高效科学的运营之路。

作者：顾青，DTALK.org创始人；公众号DTalks (dtalks）

本文由 @顾青 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Unsplash，基于CC0协议