以电商为例,如何用数据驱动产品优化

沐银财务 发布于2020-08-07 18:10 阅读数 9226

编者按:本文来自微信公众号“Analysys易观”(ID:enfodesk),作者 仲志成。

数据分析是互联网从业人员非常重要的能力,但是其复杂性让很多人望而生畏。如何掌握数据分析能力,并应用在实际工作中呢?本文作者事易观方舟用户成功总监仲志成老师,在「人人都是产品经理」易观系列公开课上的分享,以电商行业为例,深度解析数据分析是如何助力实现产品优化的,希望本次分享内容对您有所帮助。

在工作中,有些人会感慨,数据分析学以致用好难啊。有一种“学了很多知识,明白了很多道理,仍然过不好这一生”的感觉。

为了帮助拥有这些困扰的人快速上手,我提炼出了6个策略构成的套路,给它取了个名字叫——用户行为数据分析“六脉神剑”,就是希望教大家用万变不离其宗的方式去做用户行为的数据分析,以及在这些套路中关键问题的处理办法和技巧。以下是我的图文版分享,Enjoy:

在日常工作中,你是不是经常会遇到以下问题:

1、从点击着陆页到完成支付之间的用户旅程随机无序,在优化的时候不知道从何下手?

2、 平台转化率一直低迷不振,但却不知如何通过数据分析优化产品功能,撬动转化率?

3、 数据分析平台多种多样,如何选择、怎么使用才能实现自己的业务目标?

数据分析是一个大的话题,作为互联网人,我们关注的最多的往往是用户行为数据分析。其对象是用户行为的业务结果,是解开上面纷繁复杂场景的一个钥匙。

那么,什么样的用户行为对我们的业务是有价值的?让我们将这个问题作为大前提,再来一起看看这六个策略构成的套路。

策略

第一脉:了解业务

首先要了解业务状态,产品靠什么变现?靠什么打动用户,让他们体验到价值?

既然要做数据分析,就要了解产品背景。这里的了解指的是数据化的了解。要先做用户旅程的剖析,了解用户将如何使用我们的产品,可能如何使用我们的产品。这样,每一个用户旅程做出来之后,就可以基于旅程,在每个点设定相应的指标,一个基础的指标体系也就应运而生。

指标体系的搭建告一段落,我们再去做数据采集的工作。只有让反映用户旅程指标体系的数据通过可视化的方式呈现出来时,才算是把业务背景晒出来了。

第二脉:制定标准

假设已经了解了业务背景,接下来就得看看对于业务的好坏衡量是否有一个统一的标准。

无论选择哪一个指标,提前让参与评估的多方明确定义最为关键。这个 KPI 提高10%、20%还是200%?很多时候,产品&运营同学做了一通数据分析,最后却发现无法根据得出的数字去量化评估好坏。

所以,事后做这件事是无效的,一定要事前做。

同时,制定标准也不能凭空想象。

比如前两天看一个行业数据,公司和去年同期相比,业绩提升了15%。按照年初定的10%的目标来说,这是比较好的了。但是他的三个竞争对手和去年同期相比,分别提升了50%到80%,也就是整个大盘都特别好。

所以 KPI 提升多少,首先需要高于整个大盘。其次,再基于大盘平均涨幅设定一个值,多少算好,多少算坏。

第三脉:规划策略

有了这个标准之后,就要看优化有没有策略?

策略分两层,第一层是需要优化的指标。

但是需要优化的指标有很多,应该用什么办法给这些指标排优先级呢?

我个人建议,从优化用户旅程的最后一步,从下往上优化。

但注意一种情况,当最后一步的数据量太少,以至于无法验证一个优化动作是好是坏时,只能往上找一层。比如支付的前一步——生成订单,订单的前一步——加购,对他们进行优化,使得后面的数据量化到可验证优化结果的程度再去优化。

第四脉:计划执行

策略的第二层,用什么方法做优化?

可尝试的优化策略有很多,要尝试哪一种?要做好计划,预估投入多少,有多少人,做多久?

当然,在执行的时候,会发现东西是没必要做的,修改是得不偿失的。所以,很多时候即使有了计划,实际执行的时候也不一定有信心。

很多人没有优化一个东西的经验,甚至如果是领域的创新产品或头部产品,你就是在做一个前人没有做过的事情,只能摸着石头过河。

此时,就需要一些方法建立信心,验证效果。

第五脉:建立信心

建立信心从 A/B 测试开始。

如果一些修改是你特别有经验的,就没必要做这个测试了。比如,这个页面的内容没有改动,只是对它的性能做一些提升,这种情况下就没有必要做这个测试。

第六脉:全面上线

在全部上线之后,还要进行监控,看看效果是否OK。

在这个大策略中,从数据分析的角度,有几个关键点需要注意。

01 数据化了解业务,构建指标体系

1、最底层的是和财务相关的指标。

2、接着是业务类指标,在电商的场景下,具体是指支付下单,购物车注册等等。

3、内容建设指的是活动页、推广页、详情页的制作等等。

4、流量分发指的是搜索、推荐、导航等的转流。

综上可以发现,左边的部分其实是用户旅程的一个缩影,给出的指标是对用户旅程的单点进行量化。

这些量化指标的选取和操作是有技巧的,遵循的一个大原则是这些指标要在数学逻辑上是自洽的。

比如订单支付率,在这个结构中,分子肯定是支付数,分母是订单生成数减去取消数。如果不做订单取消数,会对后期做分析优化产生阻碍。

这些指标除非是用户旅程每一层的衔接关节点,否则这些指标都是可以直接优化的,通过具体的产品改进动作,或者运营动作进行优化。

这些可优化的指标是最小的可优化单元。

例如,电商直播的时间越长,人均下单率越高。在这场景下,关键的指标是人均观看时长。是不是直播的内容和优惠做得足够好,订单数就越多呢?不是的,因为这两个动作优化的是单次观看时长。

人均观看时长是等于单次观看时长乘以人均观看次数,而人均观看次数是需要做相应的运营活动,让用户每一次都能来看这个直播。

拆解到这个程度,才是最小优化单元。

优化单元是不是越细越好?不是的。

在推广获客的时候,我想要知道每分钟的获客情况,尽可能节约预算。但是绝大多数广告平台只能做到以小时为单位,例如8点到9点这个时间段投放广告的获客情况,精细到分钟是无法做到的,也是没有意义的。因为没有相对应的优化动作去支撑和调整这个指标。

02 用户行为数据采集链路设计

事件设计七巧板

在数据化了解业务之后,要把用户行为的数据收集起来,将整个链路拉通,做事件设计。

事件设计指将用户的行为描述出来,用户的每一个动作都是一件事。

根据我们过往的经验积累,发现事件设计都必须回答以下七个问题,否则设计不完整,对后续分析的价值不大。

1)用户标识

这相当于身份证号码,用来识别用户到底是做什么的。

2)时间戳

用户的行为发生在什么时间?

3)行为发生在什么环境下?

包括地理环境、网络环境、硬件环境、软件环境等。在做数据采集的时候经常会发生这种情况,埋完点之后,看数据的人并不知道这个数据埋的是哪个点。

图片中加了下划线的,是有通用接口和标准动作的,不需要人为专门的设计。没有下划线的,则需要结合具体的产品,页面的布局,模块的名称去相应地起名。

4)事件ID+命名

为了解决这个问题,需要给事件起名去描述用户的行为。

5)数据什么情况下发送

比如我们要采集注册成功的数据,不能因为用户点了注册按钮,就发送数据,因为注册有可能会失败。

6)为什么这么做?反映用户做法原因

一个 banner,在首屏上有5个位置,为什么某个会被点击最多?是不是因为排的位置比较靠前?

一个 banner 点击之后跳转的不同类型,会对后续的分析规则,还有 KPI 的制定都会有影响,所以不能用相同的标准去衡量。

最后总结一下事件设计的口诀:谁在什么时间,什么环境下做了什么事,怎么做的,为什么这么做,结果如何。

03 数据化&可视化呈现业务

关于数据可视化的呈现,以多数人都不太重视的广告跟踪为例拆解。

广告跟踪通常有五个步骤,做广告跟踪的整体设计,制作广告跟踪的参数,将这些带参数的链接放到媒体上,将参数的采集与转化打通,最后将这些数据全部可视化。

在工作中,我发现不给广告加参数去做渠道识别的已经不到20%了。

为什么我说大家不够重视?因为超过95%的人,没有做整体的广告跟踪设计。

这会带来什么后果?

先解释什么是整体设计。

通常做广告跟踪参数,在一个活动中,张三做了链接。李四做了链接,他们的规则可能都是不一样的,团队更迭换了另一拨人,规则又变了。

这些数据的口径不同,最后复盘的时候没办法总结经验,也没办法做广告效果的对比。

所以整体设计就是为了解决这个问题。

在做信息流广告或者搜索推广的时候,可能有上百个广告位。尤其是搜索,要看到关键词的细粒度,就有上百个链接。

在这种情况下,95%以上还在用手动分发。

数据转化80%的人都能做到,但是这里面只有一半的转化是没问题的,占总量的三分之一。

最后,只有将数据可视化了才是有价值的。

在实操的时候,5%左右用 API,打穿步骤2和3,大幅消灭重复劳动,提高准确率。

最后这个数据可视化呈现方式,除了做好看板和邮件推送外,还需要一些关键指标的告警。

比如页面跳出率特别高,超过80%的跳出率就要告警,针对性地做优化。

电商行业实例分析策略应用

按照作用把产品功能分成3类:流量分发+内容建设+业务达成。

流量分发解决的是人和商品匹配的问题。如果是在线教育,解决的就是用户和课程匹配的问题,如果是内容平台,解决的是干货内容和人匹配的问题。搜索、推荐、banner、内部弹窗等都是基于这个逻辑。唯一不同的是分享,这是用户对用户的引流。

当人和商品匹配上了,就要说服他做接下来的动作,变现。当内容已经说服客户了,最后总要让他把钱掏出来。

每一个产品功能都有相对应的分析套路和技巧,万变不离其宗。

01 流量分发

以搜索为例,用户可能会按照默认词去搜索,也有可能按照热门词点击搜索,还有可能输入关键词搜索。

搜索作为一个流量分发的功能,它的前序行为是什么并不值得我们直接去分析,更要关注的是后续行为。

第一种行为:搜索。

在哪个页面,搜索了什么词。

如果用户退出了,是因为没结果才退出还是有结果退出的,优化的方向和动作会大不一样。如果是有结果,那可能需要校准搜索的精准度,或者把文案和图片做得更好;如果是无结果,则需要补全商品,显示出结果。

第二种行为,再次搜索。

再次搜索搜了什么词?上一个词是否有结果?这对于他是否有后续行为影响非常大。

再次搜索和搜索构成了一个循环。

第三种行为,继续浏览。

通过搜索结果页的点击,浏览了哪些商品详情,浏览了多长时间,后续购买转化率是多少。

举一个具体案例。

一个专门卖某几类食品的自建电商系统,它的搜索功能数据最开始是这样的。

搜索后退出的占50%,搜索后又搜索占34%左右,搜索后浏览的占15%。

怎样去校准用户需求呢?我们通过搜索词列表判定了一下用户实际搜的词是不是在企业的经营范围内。因为这个客户是卖某几类食品的,并不是什么都卖。

我们发现,在第一类搜索后退出的行为中,无结果和有结果的比例是七三开,90%的搜索词都不在经营范围内。

在做市场活动分析的时候,发现他们的宣传物料特别抓人眼球,但是没有说清楚他们是卖哪种品类的食品。这就导致好多人觉得宣传内容有趣而点进来,却不清楚卖的是什么,所以什么都搜。

意识到这个问题后,在向外宣传的时候,将食品种类表明得明显点,“搜索结果不在经营范围内”这种事情的比例就下降了很多。

接下来,我们把注意力放在搜了又搜这个行为上。

通过调查,我们发现特定的食品种类是有一个供货节奏的。但这个货被卖光了,就无法显示搜索结果了。而有些老客就是冲着这些东西去的,没有搜索结果会让人觉得不卖这个货了,还流失了一部分客户。

于是将这个功能做了一些修改。即使没货了,也要在搜索结果里出现,或者在详情页上显示什么时间有货,可以提前预定,预定还能有优惠。

做了这个修改后,搜了又搜的比例明显下降了一些。

最后搜索后浏览的行为,大部分是有搜索结果的,且搜索词是在经营范围内的,符合信息查找的需求。

在整个优化过程中,我们发现有一波用户,无论我们做什么,他的行为永远不变。

通过排查发现是内部爬虫,在持续迭代的过程中,我们把这部分数据过滤掉了。

最后,使用搜索后的支付转化率比没有优化前的提升了3.5倍。

02 内容建设

以详情页为例,第一类型行为是看了详情页后退出,第二类是加入购物车,收藏关注,第三类行为是浏览其他页面。

一个女性夏装品牌浏览商品详情后退出的数据占三分之一,加购和收藏占16%,其他浏览占56%。

当时发现了一个奇怪的现象,这个夏装品牌的图片广告转化率比文字描述的要高。

之前我们服务过一个珠宝客户,他们就完全无视文案,不停地把图片做好。因为珠宝是装饰品,手链就找手模拍,项链就找脖子好看的人拍,所以图片广告转化率比较好。

女性夏装品牌和他们有相同的地方,装饰作用更大,图比字好使。

图片基本上就是衣服放在地上,垂直地拍一张图。

我们换了一种思路,让模特穿上这件衣服,大家才会想象衣服穿在我身上是什么样的。

换图之后引来了大量的流量,但是后续详情页的行为没什么变化,大家看完图片就走了。

通过分析发现,暴涨的流量都是男性。后来营销时的一个动作就是,除非这个男的买过至少一件衣服,否则不给他曝光广告,他只能通过那些非付费流量自己访问。

终于,这些行为有了我们期待的变化。

浏览商品详情后退出,这个行为从28%降到了2.3%;看了商品详情去加购和收藏的,从16%升到49%。

03 业务达成

这里举一个化妆品品牌的例子。

这个客户提问,把购物车改成购物袋会有什么效果?

他解释说,电商其实就是把超市搬到了线上,因为在超市买东西都是用购物车的,所以也顺带把购物车搬到了网上。

但是在商场或者化妆品专柜,在结算的时候,是用的袋子而不是购物车。他觉得这个改动能波动女性的消费心理,支付转化的数据可能就会提升。

实际执行的时候,发现是没有这个效果的。调整前后一周,从浏览页面到支付成功的数据没有很大的变化,只是常规的波动。

但是,用这个数据去验证购物车改购物袋的效果合理吗?

其实不太合适。

我们找了另外一组数据,从浏览商品详情到放入购物袋,调整后的数据相比调整前是提升了的,证明有些人是真的被打动了。

将这两个数据结合,我们发现加购不支付的用户因为这个改动反而增多了,而且加购和支付居然没什么直接关系。

所以,接下来的购物车继续优化就是解决这个问题。

通过调研发现,很多人把购物车当成收藏夹用。购物车不操作,商品始终在里面;收藏夹不操作,商品始终在里面。

虽然在产品上这是两个功能,但是由于它的设计在实用价值上没有任何差别,满足的用户需求完全是一样的。

所以,要想办法把这两个功能从需求层面拆解出来,在做后续的优化才会比较有价值。否则从数据来看,用购物袋和收藏夹的人都是一类人。

我们给加入购物袋超过7天未支付的用户发了条信息,询问是否愿意把这个东西转入收藏夹。

一天内未回复自动进收藏夹;回复是,立刻进收藏夹;回复否,给他发一个限时优惠券,鼓励购买。

因为加入购物袋的人是有购买需求的,收藏的人可能是想要,但不是立刻要,通过以上的运营动作将这两类人区分开来。

这个调整虽然没有让加购转支付的数据提升,但是让企业通过数据更清楚地定义了这些用户。通过精准定义,对用户不同的行为展开不同的运营,使得后续的整体复购率提升16%左右。

04 小结

将产品优化这个行为拆解成三部分,流量分发、内容建设、业务达成。

流量分发除了推荐位,一般没有先前行为。后续行为基本上都是一样的。不管是电商、金融理财还是在线教育,流量分发的数据分析方法都是一样的,解决的都是商品和用户的匹配。

内容建设的行为分为两类,一类是输出内容是为了让用户掏钱的,另一类是内容是为了满足用户需求的。前者需要支付成功才算业务达成,后者可能需要关注点赞转发就算业务达成了。

业务达成主要有三种行为:

第一种是进入业务流程,但未达成,退出。

第二种是最可惜的一种,进入业务流程,但未达成,未退出,跑别的地方去了。比如在结算页,有一个特别吸引人的推荐位,跟用户正在购买的东西高度交叉,人就被吸引走了,就没有然后了。

第三类是企业最希望的行为,进入业务流程,并达成业务。

不同的业务占比,是有不同的路径分支的。判断哪些价值高,哪些价值低,固定好比例,先优化这些指标,再去优化路径,最终达成业务。

如果相应的内容建设和业务达成的功能数据量太小,不足以分析出有价值的结论时,只能先分配一些流量,让数据多一点。

整个优化思路就是,先定位产品最薄弱的环节,抽丝剥茧,最后再完成小的优化动作。

在什么时候需要 AB 测试?不确定的时候。

AB 测试相当于一个裁判,避免团队的内耗。用数据去说明某个方案好、某个方案差,而不是大家在拼逻辑。

现在市面上很多平台都能采集数据,我们要做的就是把这些账号打通,让数据可以流通,通过转化漏斗、留存、路径分析等进行多模型多角度的交叉分析。

电商行业竞争激烈,如何从存量用户和忠实用户中挖掘出新的需求,围绕电商用户生命周期,从落地引流,到商品浏览、加入购物车,以及后续提交支付,当然也包括物流售后等更长的服务环节,如何通过数据分析洞察更精细化的用户运营策略,通过不断优化产品交互和用户服务体验,在存量市场挖掘新用户,以及提升老用户复购。

本文内容转摘自互联网,本站不拥有所有权,不承担相关法律责任。如果发现本站有违规或侵权的内容,请及时联系本站主编18965174262(同微信),并提供相关证据,一经查实,本站将立刻删除。