结合人货场解释用户运营中的数据分析是做什么的？

2021-08-10 05:40:00

编辑导读：用户运营中的数据分析对于很多人来说是个盲区，不知道是做什么的？本文作者对此进行了分析，与你分享。

提问（修改）：很幸运收到用户运营这个岗位的面试通知，但是之前完全没有工作经验，我看到岗位职责里要求定期做数据分析，所以很想知道数据分析指的是什么。

一、用户运营 X 数据分析

作为任职于某上市公司的集团用户数据中心的数据分析师，认为题主的问题就是在问我的日常工作：用户运营 X 数据分析。

用户运营是做什么？

先介绍一下题主入职后可能会接触到的工作：

答主就职的部门有三个职能：用户运营、数据分析、数据产品。

以我所在的新零售+电商行业为例。

核心就是围绕【人货场】进行运营，进而提升复购率等指标：

大白话说，就是解决【什么时候什么样的人会在怎样的场合下购买什么产品】的问题

根据【人货场】的不同组合，可产生不同的业务场景，例如：

【货场→人】天猫确定了情人节活动，产品部门要求主推情人节套装产品，平台运营明确了折扣政策，此时，用户运营部就出场 → 圈选出可能会在情人节复购的人群A，圈选可能偏好主推产品的人群B，对人群A与人群B做交叉即为此活动目标人群，根据促销政策制定优惠券，并触达人群。
【人场→货】用户运营部门使用RFM模型对人群精细化运营，明确需提升重要价值用户比例，即明确了目标人群 → 此时用户运营的童鞋就需要去找产品要合适的产品，找运营拿折扣，甚至找推广配合做投放。
等等

在【人货场】各种组合而成的复杂业务场景中，仅凭“直觉”，甚至“拍脑袋”，已经无法业务目标。绝大部分行业进入存量运营的今天，数据化决策已经是红海战场上的武器。所以，从前面【用户运营】的工作中，存在着许多数据分析的需求。它们的目的是通过数据分析找到业务增长的钥匙：

【货场→人】此场景已明确需主推的产品、节点及促销政策，需进行数据分析的地方：

【人货匹配】确定产品后，需要从全量人群中找到可能喜欢该产品的人。

简单点的方式可以通过历史订单统计实现，即提取出产品的元素，如爱心形，再从人群历史订单中找到喜欢心形的客户，认为他们可能也喜欢该新品。

复杂点的方式可以通过例如复购关联分析、商品推荐等模型反向找人群。

【复购周期】每个客户的活跃状态都不同，要先了解行业或者该品类客户的【生命周期】是多长，即复购间隔，如30天 → 找出30前刚买完的客户，认为他们处于活跃购买状态
【节日偏好】一般认为多次在节日节点购买的客户是偏好该节日的，例如产品有送礼属性，则客户在情人节买就是送对象的，一般他们感情不破裂就有可能在下个情人节继续送
【折扣敏感】不可否认的确存在对价格敏感的客户，甚至是“羊毛党”，折扣力度大才会现身购买，发现这样的规律能更好地将优惠券与客户匹配

【人场→货】与第一个场景不同的是，此场景先明确人群，再去匹配产品、折扣等，需进行数据分析的地方：

【RFM】基于RFM模型划分人群后，提出目标要提升重要价值用户是无法落地的，需要进一步讨论：该行业或品类下的重要价值用户更容易从哪个人群转化而来？例如一般价值用户，刺激他们连带消费、复购，即提升M，就可转为重要价值用户。这样才能提出落地的策略：针对一般价值用户进行连带提升。
【商品推荐】找出人群可能喜欢的商品，简单的方式可通过对历史订单的统计，复杂的方式可通过协同过滤等算法实现。此外，需要将推荐模型与实际场景结合，此处目标为提升连带，可以结合“购物篮分析”设计搭配组合。
【偏好价格】每个客户历史消费的客单价都不同，需要列出价格带分布进行分组营销，避免对低价位段客户推荐高价品。当然一个好的推荐模型可以避免这样的尴尬。

【注意】并不是说要对每个场景都这样严格进行人群交并。更重要的是灵活应用，例如人群基数太少，则减少划分规则，或选择性地合并人群。

从用户运营需求出发，数据分析赋能业务增长，经测试有效后，需进一步以产品的形式落地。

用户运营经常会接触到各种数据产品：

经测试有效的数据分析结论可以通过报表、模型、标签等形式插入到这些数据产品中。其中，最重要的是形成的这些产品一定是经过“业务改造”，适配业务习惯的，这样才能融入到业务的实际工作流中。

所以，这些结论以什么样的方式呈现在你面前才能提高效率，就是用户运营部门需要考虑的。

作者 @饼干哥哥

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击举报进行投诉反馈！