数据运营:驱动业务的数据分析实战

数据运营:驱动业务的数据分析实战

全文框架

第1章、明确分析问题

数据运营:驱动业务的数据分析实战

第2章、开启分析思路

案例1】轻松撰写投资项目分析报告

不要急于动笔,先问问自己,若手里有一笔资金,自己会投资这个项目吗?如果投资,自己会担心什么问题?自己担心的问题,就是报告要写的内容。第一,担心收益高不高,有多高,伴随的风险是什么,有多大,如何防范。于是,报告中需要写项目收益和项目风险第二,投资项目的现金流发生在过去、现在还是未来?如果是未来,还需要进行推测。于是,报告中需要有预测的内容第三,投资项目是孤立存在的吗,还是说有多家公司也能做这个项目。于是,报告中需要有项目公司的内容第四,项目什么时候投资,投资的外部环境怎么样。于是,报告中要有环境分析的内容

数据运营:驱动业务的数据分析实战

用提问构建投资项目分析报告框架

【案例2】构建某地产公司客户满意度指标

客户满意度指标体系——RATER指数

数据运营:驱动业务的数据分析实战

  1. 有形度:客户能看到的硬件设备无非是人员、物品和环境,可细化为人员仪表、设施设备、服务环境
  2. 专业度:客服人员的专业性体现在专业知识、专业技能和职业素养3个方面
  3. 反应度:用心程度,衡量客服对客户需求的反应是否及时主动、积极有效
  4. 同理度:动情程度,衡量客服人员内心设身处地为客户着想的程度
  5. 信赖度:认同和信赖,客户是否相信你并选择你

结构化思维

数据运营:驱动业务的数据分析实战

【案例3】如何做用户偏好分析

假设要为某彩电企业做用户偏好分析,你将调研哪些方面?由于用户偏好体现在用户行为上,因此调研内容取决于你如何描述用户行为。具体分解为两个小问题:问题1:用户在购买和使用产品的过程中具体有哪些行为? –>对应时间线索问题2:你会从哪些方面对用户行为进行描述? –>对应结构线索

时间线索上,可以用 用户行为五阶段理论进行展开

数据运营:驱动业务的数据分析实战

结构线索上,可以用5W2H分析用户行为

数据运营:驱动业务的数据分析实战

两者结合,得到彩电用户的偏好分析

数据运营:驱动业务的数据分析实战

演绎思维

1、标准式演绎

大前提:我国通常认为60岁及以上为老年人。小前提:他已经68岁了。结论:所以他是老年人。

2、常见式演绎常见式演绎最主要的形式是4W模式:

描述现象:目前发生了什么事情?分析原因:这件事情为什么发生?判断趋势:未来如何发展?提出对策:如何应对?

【案例4】4W模式进行爱情战略分析

数据运营:驱动业务的数据分析实战

1、选择谁?

数据运营:驱动业务的数据分析实战

根据两个维度将对象的吸引力和相对竞争力划分为高、中、低范围(9个象限),纵坐标为对方的吸引力,横坐标为自己的竞争力。

2、为什么选择他?

数据运营:驱动业务的数据分析实战

3、爱情发展轨迹

数据运营:驱动业务的数据分析实战

4、如何赢得爱情

数据运营:驱动业务的数据分析实战

重要性思维

【案例5】KANO模型确定开发优先级

● 必备属性(简称M):产品或服务的最核心的属性。具备该属性,只能使用户不会产生不满情绪。● 一维属性(简称O):与用户态度线性正相关的属性。若具备该属性,则用户满意;若不具备该属性,则用户不满意。● 魅力属性(简称A):用户期望的属性。具备该属性会让用户满意,不具备该属性也不会招致不满。● 可有可无属性(简称I):无论是否具备该属性,用户都无所谓,这是多余的属性。● 厌恶属性(简称R):具备该属性,反而招致用户不满。

数据运营:驱动业务的数据分析实战

综合案例:如何研究某餐饮行业的顾客满意度

数据运营:驱动业务的数据分析实战

结构化思维4条线索的综合运用

数据运营:驱动业务的数据分析实战

第2章总结

第3章、打开分析视角

3.1、对比视角

数据运营:驱动业务的数据分析实战

3.2、相关视角

相关视角探索的是事物之间的某种联系,这种联系可能是因果关系,也可能是相关关系。1、规模预测寻找影响目标变量的因素,然后建立回归模型,便可预测目标变量的值。道格拉斯生产函数:回归模型,企业根据技术、资本、、劳动力的投入预测产出规模

数据运营:驱动业务的数据分析实战

道格拉斯生产函数.png

2、精准营销要开展精准营销,就要搞清楚用户特征和用户偏好之间的关系,判断两个因素之间是否有相关性,例如性别与颜色喜好,若性别对颜色的喜好会产生影响,则可以根据性别判断顾客的颜色喜好。

  • 数值型变量用相关系数来判断
  • 分类型变量用方差分析
方差分析

数据运营:驱动业务的数据分析实战

image.png

数据运营:驱动业务的数据分析实战

P值小于5%,小概率事件居然发生了,那么SSR=0(即不同性别的颜色偏好没有差异)的假设站不住脚,拒绝这个原假设。因此可以对不同性别的用户推荐不同的颜色。

3.3、分类视角

数据运营:驱动业务的数据分析实战

客户分类分析步骤与主要方法

3.4、描述视角

数据运营:驱动业务的数据分析实战

数据运营:驱动业务的数据分析实战

车险欺诈分析

“标的车”即购买保险的车辆。当“标的车”在半年内的异动(出险、换牌、换人)超过3次时,需要注意这极大可能是一笔车险欺诈事件。

3.5、分析视角和分析方法的对应

数据运营:驱动业务的数据分析实战

3.6、综合案例:航空公司项目分析价值的提升

背景:某航空公司旅客满意度分析项目。航空公司找A咨询公司做了分析,但觉得A公司的分析不够深入,于是找到B咨询公司,希望有更多的价值输出。

数据运营:驱动业务的数据分析实战

A公司的分析评估提供了8个指标(广播、态度、餐饮、安全…),B公司通过焦点小组座谈又增加了8个指标(价格、形象、娱乐…),总计16个指标。

1、对比视角

这么多指标,从哪里下手呢?有一条逻辑线索叫做重要性,针对16项指标做KANO模型

数据运营:驱动业务的数据分析实战

2、分类视角

对所有指标进行重要性和满意度的排序:

数据运营:驱动业务的数据分析实战

满意度指标四分图模型

3、描述视角

数据运营:驱动业务的数据分析实战

4、相关视角

数据运营:驱动业务的数据分析实战

总结:

  1. 需要重点改进的指标有:餐饮、准时性、登机效率、服务态度、价格(KANO必备属性、一维属性和满意度四分图的改进区取交集);
  2. 餐饮方面,需要重点关注站点2的餐饮供应情况,其餐饮供应的满意度波动极大,需要分析是什么因素导致(人员、食物、供应商),并进行相应的改进或在其他站点推广;
  3. 关注满意度高但推荐度低的人群,挖掘其不愿意推荐的深层原因
  4. 餐饮方面,女性群体要求更高,需要重点关注女性旅客的需求,比如在女性旅客的餐盒中给与饼干、糖果、小玩偶等,进行差异化服务

第4章、战略分析:某购物中心网上商城战略分析

分析思路是从研究目的到研究内容的分解过程,是对需求的细化。因此战略分析需要思考两个问题:

  • 研究目的
  • 研究内容

4.1、研究目的

战略分析的目的是:帮助企业进行战略选择,选择适合自己的目标市场。需要回答两个问题:

  • 市场吸引力:这个市场好不好,有没有钱赚
  • 企业竞争力:企业能否有一战之力,是吃肉还是喝汤亦或者自取灭亡

4.2、研究内容

  • 如何判断市场的吸引力:分析宏观环境和市场环境
  • 如何判断企业的竞争力:分析竞争环境
4.2.1、宏观环境

数据运营:驱动业务的数据分析实战

PEST模型

4.2.2、市场环境分析

市场环境是指市场的现状,主要衡量市场环境的指标有:市场规模、利润水平、增长速度、成长潜力、所处生命周期。企业当然想寻找一个市场规模大、利润水平高、增长速度快、成长性足够强以及处于成长期的市场。但是这样的市场往往可遇不可求,不可能在每一个指标上都表现的完美,所以企业需要根据自身资源与定位进行取舍。

4.2.3、竞争环境分析

数据运营:驱动业务的数据分析实战

波特五力模型

4.3、定性与定量分析

4.3.1、定性分析:SWOT

数据运营:驱动业务的数据分析实战

4.3.2、定量分析:内外因素评价矩阵

SWOT中,机会和威胁是用来判断市场吸引力的,优势和劣势是用来判断企业竞争力的,因此:

  • 内部因素:优势(S)和劣势(W)
  • 外部因素:机会(O)和威胁(T)
  1. 首先,分别计算各个因素的评分和权重
  2. 接着,分别计算机会、威胁、优势、劣势的加权平均数
  3. 最后,用加权平均数的大小判断市场吸引力和企业竞争力,并给出相应的战略建议

以优势数据为例进行计算:

数据运营:驱动业务的数据分析实战

数据运营:驱动业务的数据分析实战

数据运营:驱动业务的数据分析实战

数据运营:驱动业务的数据分析实战

第4章结构图

第5章、用户偏好分析:某彩电企业用户偏好分析

背景:近年来,彩电市场竞争日趋激烈,以日系、韩系为主的外资品牌在特级市场、一级市场的占有率超过60%,并且占据高端市场;国内品牌竞争更为激烈,价格战愈演愈烈,挤压微薄的利润空间。国内彩电品牌A的成本优势并不明显,为摆脱价格战,提升核心竞争力,需从用户入手,针对不同用户的偏好开展差异化营销,为此需要进行彩电用户偏好分析。

数据运营:驱动业务的数据分析实战

第5章结构图

5.1、研究目的:差异化营销

要理解这个差异化营销,需要回答两个问题:● 为什么企业需要开展差异化营销? –>因为用户的偏好和需求存在差异性,找准这部分差异从而进行精准营销,可以事半功倍● 为什么用户偏好分析可以支持企业的差异化营销?基于时间思维和结构思维,用户偏好可以分为5阶段和7要素:

数据运营:驱动业务的数据分析实战

1、产生需求阶段:用户需求(why)存在差异。工作、学习、娱乐、送礼?2、信息收集阶段:用户收集渠道(where)存在差异。熟人、抖音、知乎、广告?3、方案比选阶段:用户关键购买因素(What)存在差异。价格、颜值、轻薄、品牌形象?4、购买决策阶段:用户决策方式(How)存在差异。全方位考量、决策速度…5、购后行为阶段:用户使用场合(When/Where)存在差异。打球穿球鞋,跑步穿跑鞋,工作穿皮鞋,家里穿拖鞋。

5.2、研究内容:用户行为五阶段和七要素

数据运营:驱动业务的数据分析实战

除了Q1~Q18,还有一些基础信息

数据运营:驱动业务的数据分析实战

image.png

5.3、数据获取(调研获得)和数据清晰

5.4、数据分析

分析框架:

数据运营:驱动业务的数据分析实战

分析方法:

5.4.1、频数统计

数据运营:驱动业务的数据分析实战

其中,百分比是这项数据占总数的比例(一般是计数);有效百分比,剔除了缺失值等过滤因素的占比。

5.4.2、均值分析

数据运营:驱动业务的数据分析实战

其中,N代表样本量。

5.4.3、方差分析

数据运营:驱动业务的数据分析实战

根据方差分析的检验结果,可以总结出各类用户在购买和使用彩电产品时,在以下方面存在显著性差异(见表5-7),因此各类用户偏好差异的对比就要围绕这些方面展开分析:

数据运营:驱动业务的数据分析实战

5.4.4、比较均值

方差分析+数值型题目=比较均值的范围

数据运营:驱动业务的数据分析实战

可以看到,单身群体对于促销最为敏感(价格敏感),有老有小群体对促销最不敏感(猜测是因为强需求的原因,更多的考虑是否满足需求)

5.4.5、交叉分析

方差分析+分类型题目=交叉分析的范围

数据运营:驱动业务的数据分析实战

5.5、分析结果解读

以性别、购买时的考虑因素(刻录功能、耗电量、上网功能、他人推荐、促销活动)、规格为例进行解读(即 将spss的结果转为更易理解的图表,并配上结论)

数据运营:驱动业务的数据分析实战

数据运营:驱动业务的数据分析实战

第6章、用户偏好分析:某彩电企业用户偏好分析

背景:甲保险公司的主要经营业务是车险。近年来车险市场竞争日趋激烈,为了在激烈的竞争中取胜,甲保险公司确定以精准营销为发展战略,计划针对车险目标客户的需求开展定制服务,为此,需要进行车险客户分类调研分析。

数据运营:驱动业务的数据分析实战

6.1、研究内容:分类维度

数据运营:驱动业务的数据分析实战

落实到具体项目上,所选的维度要把客户的差异区分,使各类客户类间差异大,类内差异小。这就需要用方差分析来检验。

6.2、数据获取

数据运营:驱动业务的数据分析实战

6.3、数据分析

数据运营:驱动业务的数据分析实战

数据分析框架——STP

分类维度:生活状态+保费金额(分别对应问卷的Q13和Q6)

6.3.1、因子分析

因子分析:剔除相关性,降维。操作如下:

1. 适用性检验

因子分析的前提是原始维度具有相关性,适用性检验判断原始维度是否具有相关性。

数据运营:驱动业务的数据分析实战

2. 因子提取

数据运营:驱动业务的数据分析实战

3. 因子旋转

数据运营:驱动业务的数据分析实战

上表的数值称为因子载荷,表示因子对维度(即9个语句)信息的解释程度。从上表可知,因子1解释了“买衣服都买便宜的”这个维度54.1%的信息,而因子2解释了该维度49.0%的信息,54.1%与49.0%数值相近,表明因子1和因子2都具有该维度的特征,具有相关性。同理,该表还显示出因子1和因子2都具有“喜欢独自享受安静的生活”“下班后尽快回家”维度的特征……如前所述,因子分析的目的就是剔除相关性,使各个因子具有差异化的特征,而目前的成分矩阵没有达到既定效果,因此需要进行因子旋转。

数据运营:驱动业务的数据分析实战

因子旋转

4. 因子命名

数据运营:驱动业务的数据分析实战

5. 计算因子得分

数据运营:驱动业务的数据分析实战

6. 设置因子变量

数据运营:驱动业务的数据分析实战

6.3.2、数据标准化

数据运营:驱动业务的数据分析实战

6.3.3、聚类

迭代聚类(如kmeans)仅适用于连续变量,而因子类别是分类变量,因此使用层次聚类。

1. 确定类别数

考虑到各类人数要均匀,初步判断聚成5类

数据运营:驱动业务的数据分析实战

2. 保存类别

数据运营:驱动业务的数据分析实战

3. 聚类效果检验

方差分析:分析→比较平均值→单因素ANOVA

数据运营:驱动业务的数据分析实战

4. 类别命名

因子类别是分类变量,因此使用交叉分析描述各类别在生活状态上的差异:分析→描述统计→交叉表保费金额是数值变量,因此使用比较均值描述各类别在消费档次上的差异:分析→比较平均值→平均值

数据运营:驱动业务的数据分析实战

根据上面的交叉表(类别)和均值(保费),对5类客户进行命名:

数据运营:驱动业务的数据分析实战

6.3.4、目标客户选择

如何选择目标客户?需要考虑两个问题:● 客户吸引力如何,值不值得你去做?● 企业竞争力如何,你能不能做得来?刻画客户吸引力的指标有客户规模、增长率、利润空间、生命周期等;刻画企业竞争力的指标有企业的市场份额、品牌口碑、资源实力等。

1. 确定衡量指标

数据运营:驱动业务的数据分析实战

在本案例中,经过公司讨论,决定使用【客户规模+保费金额】衡量对客户的吸引力,使用【市场份额】衡量公司在各类用户上的竞争力

2. 计算客户吸引力

频数统计:分析->描述统计->频率

数据运营:驱动业务的数据分析实战

image.png

客户规模(上图的【有效百分比】)+保费金额(前面【类别命名】那儿),用于衡量客户吸引力。由于该保险公司是一个坚持低成本策略的企业,因此更关注客户规模,赋予客户规模的权重60%和保费金额的权重40%。由于两者量纲不同,因此需要进行标准化处理:

数据运营:驱动业务的数据分析实战

3. 计算企业竞争力

交叉分析:分析->描述统计->交叉表

数据运营:驱动业务的数据分析实战

4. 绘制矩阵图

从下图可以看到,该公司的目标客户是中端外向型。

数据运营:驱动业务的数据分析实战

6.3.5、目标客户定位
1. 目标客户特征描述

通过方差分析判断该公司的目标客户(中端外向型)与其他类型客户在哪些方面存在显著差异。方差分析:分析->比较平均值->单因素ANOVA检验。从下图可以看到,各类用户在性别、年龄、城市、收入等方面存在显著差异。

数据运营:驱动业务的数据分析实战

然后,寻找目标客户在这几个特征上的具体差异。对应分析:分析->降维->最优尺度

数据运营:驱动业务的数据分析实战

数据运营:驱动业务的数据分析实战

上图可以看到,目标客户(中端外向型)多集中在北京、武汉,汽车价格在20-30万,年龄分布在31-40岁,倾向于男性。

2. 目标客户需求定位

对目标客户的需求进行定位,同样也是方差分析->交叉分析/比较均值1、通过方差分析找到目标客户在保费金额、保险公司的选择、一站式服务/网上投保/产品个性化考虑程度、选择保险公司考虑的因素和满意度7个方面存在显著性差异。

数据运营:驱动业务的数据分析实战

方差分析

2、对这7个方面,进行交叉分析/比较均值,描述各类群体在这些需求上的具体差异。分类型数据,使用交叉分析(交叉分析:分析->描述统计->交叉表)数值型数据,使用比较均值(比较均值:分析->比较平均值->平均值

数据运营:驱动业务的数据分析实战

3、最后,分析目标用户(中端外向型)在决策时间、收集信息、投保渠道、索赔经历上的需求特征。由于各类用户在上述需求方面不存在显著差异,所以不需要对比分析,只需要看目标用户即可。第一步:选择只分析中端外向型客户(数据->选择个案)第二步:频数统计(分析->描述统计->频率)

数据运营:驱动业务的数据分析实战

第7章、品牌建设分析:某手机品牌建设分析

背景:手机竞争日趋激烈,品牌提升成为品牌B的抓手。而要提升品牌,就要摸清目前品牌建设的现状和存在的问题,为此品牌B立项开展手机品牌建设调研。

数据运营:驱动业务的数据分析实战

7.1、研究目的:提升品牌价值

商品的本质是包含了精神和功能两种价值(见图7-1)。其中,功能价值的载体是产品,而精神价值的载体就是品牌。比如你去麦当劳吃快餐,你吃饱了,这是产品部分实现的功能价值;你感到自己融入了现代的生活中,这就是品牌部分实现的精神价值。所以说,品牌是传达给人们精神价值的载体。

数据运营:驱动业务的数据分析实战

如果没有塑造出品牌,卖的是产品,利润有限;而企业一旦塑造起深入人心的品牌,其售价就会提高数十倍甚至上百倍,能够给企业创造更多的利润和价值。因此,本案例研究的目的在于提升品牌价值。更确切地说,是希望获得品牌溢价

7.2、研究内容:品牌认知与行为

1. 品牌形象

当品牌定位和品牌形象一致时,品牌才能充分发挥价值。

数据运营:驱动业务的数据分析实战

2. 品牌知名度

只有品牌知名度到达某一点后,使用率才会迅速上升。

数据运营:驱动业务的数据分析实战

衡量品牌知名度的指标有三项:第一提及知名度、提示前知名度和提示后知名度。

  1. 第一提及知名度:消费者第一提及的品牌,在消费者心目中甚至是该类产品的象征,常把它作为品牌在消费者心中份额的度量;
  2. 提示前知名度:真正的知名度;
  3. 提示后知名度:认知度,判断新品牌的发展潜力。

 

受访者100人,30人首先提及B品牌,10人随后提及B品牌,20人经提醒后想起了B品牌,则第一提及知名度=30/100提示前知名度=(30+10)/100提示后知名度=(30+10+20)/100
3.品牌流转

数据运营:驱动业务的数据分析实战

7.3、数据处理

数据运营:驱动业务的数据分析实战

1、各品牌第一提及知名度频率分析:分析->描述统计->频率2、各品牌提示前知名度由于提示前知名度需要将【第一知名度】相加,直接用频率分析会导致数据不全,需要用到多重响应。多重响应:分析->多重响应->定义变量集多重响应的频率分析:分析->多重响应->频率

数据运营:驱动业务的数据分析实战

3、各品牌提示后知名度同理,应用多重响应的频率分析

4、品牌流转数据处理品牌流转体现在品牌知名度、熟悉度、美誉度、购买度、满意度和忠诚度上。知名度在上述步骤已经求出,同理求出熟悉度和美誉度(多重响应);购买度为单选题,使用频率分析(分析->描述统计->频率)即可;满意度和忠诚度需要与用户购买的品牌做交叉分析:分析->描述统计->交叉表

7.4、品牌形象分析与解读(1)

品牌形象分析的常用方法是品牌知觉图。所谓品牌知觉图,是指用距离远近反映品牌与精神价值相关程度的图形。距离越近,表示相关程度越大。如图所示:

数据运营:驱动业务的数据分析实战

品牌知觉图的解读

品牌知觉图主要有4种解读方式:圆心定理,原点定理,向量分析,余弦定理

数据运营:驱动业务的数据分析实战

数据运营:驱动业务的数据分析实战

品牌知觉图的制作

对应分析将交叉表中变量间的关联关系转化为散点间的位置关系,以形象的对应图直观展示出来。其主要适用于有多个类别的分类型变量。在品牌形象数据中,“品牌”和“指标”两个变量均为分类型变量,适用于对应分析。具体操作如下:1、设置权数:数据->个案加权->频率变量2、对应分析:分析->降维->对应分析

数据运营:驱动业务的数据分析实战

3、添加X、Y轴参考线,并解读

数据运营:驱动业务的数据分析实战

4、解读

数据运营:驱动业务的数据分析实战

7.5、品牌知名度分析与解读(2)

品牌提示前知名度反映消费者对品牌的回忆状况,提示后知名度反映消费者对品牌的认知程度,要想全面反映品牌在知名度上的表现,则要用到Graveyard模型。Graveyard模型:(1)正常品牌:位于回归直线(曲线)周围,品牌知名度与市场上的平均水平比较一致。(2)衰退品牌:位于回归直线(曲线)右下方的品牌,其提示前知名度明显低于提示后知名度,显现出该品牌被消费者淡忘的趋势。(3)利基品牌:位于回归直线(曲线)左上方的品牌,其提示前知名度比提示后知名度高,虽然品牌认知率相对不高,但是品牌回忆率较高,消费者对其忠诚度较高。(4)强势品牌:位于回归直线(曲线)右上方的品牌,其提示前知名度和提示后知名度均很高,消费者对其忠诚度极高,这些品牌大多是市场上的强势品牌。

数据运营:驱动业务的数据分析实战

7.6、品牌流转分析与解读(3)

数据运营:驱动业务的数据分析实战

从上图可知,品牌B的用户流失主要发生在熟悉度->美誉度(转化率51%)和美誉度->购买度(转化率41%)。

多重响应分析,研究流失用户去向:分析->多重响应->定义变量集分析->多重响应->交叉表从下面两表看到,在购买决策阶段,品牌F是最主要的竞争对手,其次是品牌A。

数据运营:驱动业务的数据分析实战

1.熟悉度->美誉度与其他品牌相比,品牌B在【熟悉度->美誉度】这个环节的转化率最低(51%),因此需要分析此环节的流失原因。频数统计:分析->描述统计->频率

数据运营:驱动业务的数据分析实战

对品牌B的固有印象(认为品牌B是大家电品牌,即品牌B做手机非科班出身,是半道出家)是用户不考虑它的首要原因,有负面新闻是用户不考虑品牌B的重要原因。这说明品牌B在用户引导以及舆情公关方面有待加强。另外,在不考虑品牌B的用户中有15%认为其功能偏少,12%认为其外观不好看,这说明品牌B在产品设计上也需要提高。

2.美誉度->购买度从品牌流转方向分析可知,品牌B在此环节上的转化率最低,只有41%(即流失率高达59%),最大的竞争对手是品牌F和品牌A。为提升品牌B相对于品牌F和品牌A的竞争力,减少用户流失,需要搞清楚两个问题:● 用户在购买手机时主要关注哪些因素,即各项因素的重要性如何?(Q7)● 品牌B在这些因素上的表现如何,即与品牌F和品牌A的差距具体是什么?(Q8)Q7属于数值型数据,采用均值分析:分析->描述统计->描述Q8需要和Q6进行交叉分析,才能明确购买各品牌的原因,采用交叉分析:分析->描述统计->交叉表

数据运营:驱动业务的数据分析实战

考虑到重要性,做四分图:在最重要的基本类和评价因素中:品牌B的评价表现较差,需要重点改进;品牌B的基本类优势明显,继续保持。

数据运营:驱动业务的数据分析实战

第8章、营销组合分析:某厨电公司的营销决策

背景:厨电行业竞争白热化,行业集中度提高,形成以老板和方太为代表的双寡头竞争格局。甲厨电公司主要经营吸油烟机、燃气灶、消毒柜三大厨房大家电品类,市场份额在10%左右。一方面,市场份额上升空间有限;另一方面,面临二三线品牌的竞争,甲厨电公司很可能会被赶超。甲厨电公司要想在厨电行业提升竞争力,需要精耕细作——做好产品、定好价格、铺好渠道、打好促销。假设你是甲厨电公司数据资源管理部的研究总监,你该如何为公司营销决策提供支持呢?

数据运营:驱动业务的数据分析实战

8.1、研究内容:营销组合分析

营销决策是否科学,关键在于营销组合是否均衡。营销组合=产品+价格+渠道+促销

数据运营:驱动业务的数据分析实战

8.2、规模预测

数据运营:驱动业务的数据分析实战

1、季节分解法预测下一年的销量

数据运营:驱动业务的数据分析实战

时间序列的构成要素

销售额Y有两种模型:

  • Y=T+C+S+I
  • Y=T×C×S×I (通常用乘法模型)

SPSS操作:1、数据->定义日期和时间2、分析->时间序列预测->季节性分解 (得到S)3、输入待预测的年份和季节(复制S)

数据运营:驱动业务的数据分析实战

预测T*C:4、数据->定义日期和时间5、趋势外推:分析->回归->线性

数据运营:驱动业务的数据分析实战

预测销售额:6、转化->计算变量

数据运营:驱动业务的数据分析实战

2、类比法和因素推算法预测未来10年的市场规模

麦肯锡市场规模预测(市场因素推算法):https://www.jianshu.com/p/fd52cae4d861定位标题:蛋糕到底有多大? 通过市场规模分析观测行业发展情况具体方法:自上而下+自下而上

3、回归预测,预测某一年的生产要素

数据运营:驱动业务的数据分析实战

Excel操作:1、对Y、K、L做ln(因为excel的回归是线性回归,需要将道格拉斯函数线性化)2、数据->数据分析->回归3、确定A、α、β的值,求出回归方程4、假设检验5、回归预测

数据运营:驱动业务的数据分析实战

数据运营:驱动业务的数据分析实战

8.3、产品属性分析

1、KANO属性分类● 必备属性(简称M):产品或服务的最核心的属性。具备该属性,只能使用户不会产生不满情绪。比如,加热● 一维属性(简称O):与用户态度线性正相关的属性。若具备该属性,则用户满意;若不具备该属性,则用户不满意。比如,快速解冻● 魅力属性(简称A):用户期望的属性。具备该属性会让用户满意,不具备该属性也不会招致不满。比如,多种烹饪● 可有可无属性(简称I):无论是否具备该属性,用户都无所谓,这是多余的属性。比如,放歌● 厌恶属性(简称R):具备该属性,反而招致用户不满。比如,烘烤(因为高温,不安全)2、KANO属性两大原则● 优先原则:M>O>A>I● 组合原则:M+O+A3、数据处理

数据运营:驱动业务的数据分析实战

4、制作Better-Worse系数矩阵

数据运营:驱动业务的数据分析实战

8.4、定价决策分析

数据运营:驱动业务的数据分析实战

PSM(Price Sensitivity Measurement)模型即价格敏感度测试模型。利用PSM模型测试价格,不需要预先给出价格,而是让受访者自己表示他们可接受的价格范围。适用于新品定价,或者市场竞争不激烈时的满意定价(游戏、工具、课程、电商商品)。Q1:哪个价格让你开始觉得便宜呢?Q2:哪个价格让你开始觉得贵呢?Q3:哪个价格让你觉得太贵而不买呢?Q4:哪个价格让你觉得太便宜,不相信它的质量而不买呢?

数据运营:驱动业务的数据分析实战

数据运营:驱动业务的数据分析实战

数据运营:驱动业务的数据分析实战

8.5、流量渠道价值评价

流量渠道评价:规模、互动、转化、收益

1、评价指标:ROI与Engagement

ROI考虑了规模、转化和收益,未考虑到互动;Engagement(用户参与度)则综合反映了用户的互动行为。反映用户互动行为的指标可以归为数量指标和质量指标,如下:

数据运营:驱动业务的数据分析实战

数据运营:驱动业务的数据分析实战

不同类型的Engagement也不同

Engagement的计算分为6步(具体操作可参考第4章内外因素评价矩库的计算):

数据运营:驱动业务的数据分析实战

2、评价方法:矩阵分析(波士顿矩阵)+归因分析

数据运营:驱动业务的数据分析实战

数据运营:驱动业务的数据分析实战

从上面两张图可以看到,渠道2、5、6、7整体较差(ROI与Engagement都低;流量少、客单价低、获客成本高),这意味着他们没有价值吗?不一定,还要看他们对其他渠道的助攻作用。

企业购买渠道流量,不能要看转化最终发生在哪里,还要分析在转化过程中哪些渠道有贡献,以及贡献有多大。这就是归因分析在流量渠道价值评价上要解决的问题。常见的归因方式如下:● 最后归因(在互联网领域最常用)● 首次归因● 平均归因● 时间衰减归因● 自定义模型:生存分析,通径分析,马尔可夫链、夏普利值…

数据运营:驱动业务的数据分析实战

8.6、促销资源配置

资源配置三要素:目标函数、约束条件和决策变量。使用excel求解(数据->规划求解),具体内容略。

作者:进击的小猴子2

链接:https://www.jianshu.com/p/e9981e8ee114

去年今日运营文章

  1. 2019:  用户分析 | 如何建立超详细的AARRR模型数据指标体系?(0)
  2. 2019:  中国20大互联网公司广告收入榜(0)
  3. 2019:  广告营销深水区:十万冒牌KOL,百亿灰色名利场(0)
  4. 2019:  普通和优秀,隔着一个商业闭环思维(0)
  5. 2019:  红利已经走到尽头的微商下场会如何?(0)

本文转载于进击的小猴子2,本文观点不代表爱运营立场,转载请联系原出处。如内容、图片有任何版权问题,请联系爱运营处理。

发表评论

登录后才能评论