增长决策中的数据洞察价值

DTC Data Insight

假定你是一家快速成长的电商企业的联合创始人,并对公司的用户和营收增长负责。

在经过早期的MVP验证通过后,你带领整个公司走向快速增长阶段,这个时候最令人头疼的问题是什么?

特别是当你带领运营增长团队已经摸索出有效获取新客户的打法时,随之而来的挑战也来了。

比如:

  • 流失用户是谁,需求是什么?
  • 流失后如何获得用户信息、创造触达手段?
  • 新用户的主要行为是什么?
  • 用户的需求是否被满足?
  • 用户为什么不用产品的功能?
  • 缺乏新用户画像数据,如何开展精准营销?
  • 如何科学合理评估渠道价值及分配预算?

对于一个在线上增长的团队,比如一个独立电商网站企业、或则DTC的数字化团队,或者独立APP团队来说,一个有效的分析洞察引擎是解决上述挑战的必要条件。

这个引擎的作用不是展示GMV、PV、用户量、转化率、活跃率和复购率就可以了,也不是仅仅支持你和你的团队可以自由灵活地钻取任意维度的数据统计结果(不是分析)就够了。

本质上,我们是希望可以快速进行数据探索,找到答案,并推动销售和营销团队的决策。

想象一下:

你不得不在繁忙的会议中,还需要深更半夜在BI工具里反复评估和假设,来回寻找你要的答案,甚至还要思考出一个科学的公式并与数据开发团队确认是否可以找到影响营销策略的可能因素。

这意味着你需要大量来自BI团队的决策支持,但资源有限(数据分析师人力和经验)。

怎么办呢?

我们来假设这样实际发生的创业企业ABC,来解决联合创始人老周的增长困局。

老周的需求是通过将ABC企业内部一方数据连接到一个更好的分析引擎,在不到10天时间里,老周可以通过这个引擎深入研究推动ABC业务核心指标(比如GMV和注册转化率)变化的因素和每个细分人群,并确定了影响ABC用户行为的主要因素。

比如:由于ABC企业的主要业务是各种金属材质消费品,比如户外的烤箱和咖啡杯。

通过一个高效的分析引擎和流程,老周可以完全理解数据给出的业务事实,比如系统可以向老周展示使用特定材料的客户比不使用特定材料的客户具有高于平均水平的客户生命周期(LTV)。

这些结论对老周来说是相当有意义的。

对于客户的这样理解,可以完全反向应用在渠道投放上,即因为了解到人群的差异(经济价值),可以反推将营销资源投入在哪些产品及对应人群所在渠道上。

对于一个创业公司,数据量或许没有头部企业大,但是只要有一定时间积累的业务数据和用户行为数据,就可以开始实现这件事。

同时,考虑到不是每个问题都可以通过已有数据来回答,通过合理的置信度打分机制,老周的团队会明白他们可以对数据提出什么样的问题,而不会浪费时间寻找超出其数据范围的答案。

比如如果要搞清楚因子X和因子Y(可能都是用户的标签画像)是否对业务目标需要研究,通过置信度评分,老周团队可以对X获得极大的信心,对Y则判断在方向上是正确的。

对于一个初创且快速增长的团队来说,这是极大提升了洞察决策的效率和能力。

例如,基于通过分析洞察获得的见解,老周和ABC高管们可以确定生产材料、材料工艺和材料处理等因素如何影响高价值细分客户群体和对应市场,这可以为老周团队制定交叉销售策略提供重要决策依据。

再假如,老周的团队通过对功能使用的洞察,发现选择支付方式B的用户比非支付方式B的用户的用户生命周期价值(LTV)高4倍。

本来ABC公司还对在引导用户使用支付方式B上的研发投入比较犹豫,另外还需要推广给用户使用也需要运营投入。在获得这个洞察后,ABC团队就不再纠结了。

我们还可以举出更多的例子,用来说明高效分析洞察引擎在帮助企业建立快速基于全量数据的洞察决策上,是非常重要的。

比如某企业的增长决策团队曾与我谈到这个问题

“顾青老师,对数据的理解程度归功于对业务场景的理解,对数据流的理解,对同业的理解,与历史业绩的同比。产生对数据的意义认知。指标理解。Okr的过程是目标拆解的过程,同时考虑数据支撑过程性数据,结果数据。分析原因量化产出。所以数据是跟着目标走的。

理想很美好,现实很骨感。公司大了,大家都是螺丝钉。那种全局观,大视野是尤其的珍贵。确实需要串联好多部门,打通利益链。设定指标和定量估算。管理层做这个事(估计有这个心没有这个力)。然后出台一系列抽象政策。每个人的理解认知程度不一样。到了执行阶段就是数字。pv,uv,渗透,交易量,交易额。这些数字对公司业务起到作用程度还需要另外权衡。”

我对他们的回复是这样的:

这个讲的很好。

首先肯定需要业务目标,否则花再多的钱去建设数据中台的意义在哪里?至少要让管理层看到数据化后,对全局业务的把控和预测能力上了好几个台阶才行。

谈到全局观和大视野,首先企业一号位一定是有”自己的“全局观和大视野,但这里我加了”自己的“这个修饰语,也就是说这个团队讲的管理层有心无力,本质上还是缺乏一个数据抓手。这个抓手不是指拿着GMV、留存、月活这类结果指标,挥着大棒就可以了,而是要有一个可以观测并影响的若干指标组合,并且需要对人群做精准识别。

在管理层这个角度,需要可以做出判断好坏的指标,比如用布尔值、指数值就是一个很好的选择,天天盯着交易量、GMV、流量、留存的上升或下降是完全没有用处的。

我比较赞同一个社交APP创始人朋友孙小雨的观点:

即在深入理解具体业务的基础上来制定数据指标,找到影响业务目标的关键因素。比如说拧螺丝,以前只是一个小时拧1000个,增量目标是一个小时拧1200个,那我们具体到一次拧四分之三圈,连续拧五次休息三秒。

问题在于怎么拧螺丝这个动作,高层领导可能是看不到细节的,所以他从上而下是找不到抓手的。

解决的办法是:

要把财务-业务-行为之间的量化关系做好,从经营视角看到用户行为的影响潜力(对于财务)的,最终我们可以影响的一定是用户的行为,但可以体现到收益的影响相关性上。

怎么拧这个螺丝,其实就是放弃后视镜,建立之间的量化关系(也需要创造性地设计一些指标)。不过pv/uv/转化率/点击率这类统计指标已经不起作用了。

好了,我们先谈到这里,我们会持续和大家分享数据资产和洞察驱动决策方面的话题,从决策管理的角度谈谈如何规划数据资产建设,并实现营销价值和用户洞察。

我们还在一如既往的招人,希望有更多的伙伴加入我们,可以因人设岗。简历投递到邮箱: richard【at]dtalk.org

相关新闻