深度分析｜自营电商-运营数据如何辅助商业决策
说起商业分析，可能大家会想到需要深入研究市场需求、竞争对手以及潜在的机会和风险等等。
其实，商业分析的另一种理解，就是用数据分析的方法解决商业问题。
在大数据时代的背景下，数据作为企业组织过程资产，新时代的生产要素，显得格外重要。
为此，连国家都开始组建国家数据局，来推进数字化的建设。
数据将成为未来数字经济时代经济发展不可或缺的动能来源，就像石油曾经驱动了工业时代一样。
因此，数据被视为未来时代的“新石油“。
石油只有在燃烧后才有价值，而积累的数据只有在应用时才有意义。
在电商平台，商家经常通过策划各种类型活动提高商品的销售业绩。
作为用户，大家都喜欢消费的时候多一些优惠。
作为商家，都愿意通过让一点利换取更多的销售业绩。
那活动做完了如何判断活动效果？
在历史的活动中都能获取哪些经验？
未来的活动要继续怎么做？
对于企业来说，拿到了这些业务数据如何辅助商业决策？
归根结底就是：如何通过数据分析指导商业、运营决策的问题。
数据分析得当可以提高科学决策能力，帮助企业避开业务陷阱，帮助个人推动工作顺利进行。
数据应用带来了正向的增益效应，会像雪球一样越滚越大。
无论你是创业者、产品经理、运营、销售管理者还是职场新人，都应该具备一定的数据思维。
本文以目前流行的自营电商模式的平台为例，通过一次实战案例分享如何通过数据思维来辅助业务决策。
ps：文章篇幅较长，分析的内容相对细致，建议收藏后续做类似业务时来这里捋一捋思路。
另外，不同的业务有不同的特点，业务的深度和维度也是多变的，由于篇幅有限，本文主要提供一种商业分析和数据分析的方法。
一、你的商业模式是什么？
电商产品的商业模式通常为：
- B2B（企业对企业）：企业向其他企业提供服务，从渠道经销商那里获得收益。
- B2C（企业对消费者）：企业向个人提供服务，服务于消费者。
- B2B2C（企业对消费者）：企业不直接服务于消费者，而是通过中间经销商或代理商向消费者提供服务。
在进行分析之前，首先要理解当前业务的本质是什么。
先了解业务，才能正确地进行后续分析，不至于方向跑偏。
区分B2B和B2C类型的公司，我们可以观察其工作日和休息日的销售分布情况。
为什么电商平台的销售收入呈现B2B的分布呢？
结合业务发现，虽然商城是自营的，但商品是通过渠道销售给消费者的。
由于渠道方普遍在周末休息，因此商城的销售分布呈现目前的分布。
另外，渠道方将用户引流到平台后，平台可以直接服务消费者，
因此，当前自营电商平台的商业模式是以B2B2C为核心B2C为辅助的模式。
现在，我们已经了解了业务模式背后的自然周期，因此在后续观察指标走势时就不会感到困惑了。
只要销售走势不违反规律，就算是正常的波动。
那如何在当前的业务背景下提升平台的销售业绩呢？
一方面是我们可以提升渠道数量和质量，这个不在本篇的范围内，我们暂时只考虑另一方面：
我们可以通过精细化运营的方式激活和转化渠道沉淀下来的消费者。
精细化运营的核心是围绕着人、货、场景，通过价格歧视（三级价格歧视：对不同的人群、地域的人收取不同的价格）、场景营销等方式将货卖给不同的消费者。
因此，我们需要明确以下两点内容：
自营商品的消费结构是什么？
消费者都是谁？
二、你了解你的商品吗？
要详细了解商品，需要考察不同季节、渠道、区域和营销策略等多种因素，需要进行交叉验证。有时候，我们会沉迷于数据之中，难以自拔。
要快速了解商品结构，可以通过结构化分析的方法来认识商品内部的消费结构，有助于我们更好地了解商品的销售情况，从而制定更有效的营销策略。
结构化分析：
第一步：商品销售金额和销售业绩结构化。
小结：
- 通过列举三个品类的销量明细，我们发现每个品类中都有1~2个核心产品
- 不同系列的商品由于客单价的因素，导致最后销售金额结构会不同
只看销量数据，获取到的信息有限，接下来继续拆解用户的结构化数据。
三、你了解你的用户吗？
在进行营销和销售活动前，了解用户需求和行为是至关重要的。
通过分析用户的价值、活跃程度、兴趣爱好和地理位置等因素，我们可以更好地了解用户，并为他们提供更精准的产品和服务。
每个细分维度的分析都需要大量的数据进行辅助验证，当数据采集没有那么完善时，只能通过更宏观且普遍的的方式进行分析。
本文提供一个快速了解用户的方法，就是对现有用户进行分层分析。
通过分层分析法，可以观察到高、中、低消费群体的行为模式，从而更好地了解用户需求和行为。
第一步：通过用户的消费数据拆分平台用户的消费结构。
通过盘点数据，我们发现用户的消费结构基本遵循28法则，也就是20%的用户贡献了80%的收入。
实际数据表现是，30%的用户贡献接近70%的收入。
因此，如果想要在取得最佳业绩的同时减少资源损耗，那么我们的重点分析对象就是这30%的用户。
第二步，将30%的用户展开做梯队分析
第一梯队，头部高消费用户，前2%；
第二梯队，腰部中等消费用户，2%～12%之间；
第三梯队，尾部低消费用户，12%～30%之间；
第三步，拆分每一个梯队的用户群体购买喜好。
第三梯队：尾部低消费用户群体产品销量分布Top10
小结：该梯队用户主要以祛痘需求用为主，并使用保湿产品做基础护理。
第二梯队：腰部中等消费用户群体产品销量分布Top10
小结
1、美白需求类的用户群体呈上升趋势
2、保湿产品的需求最高，复购率越来越高
第一梯队：高消费用户群体产品销量分布Top10
小结：
- 由于美白类产品的高客单价，并且通过数据可看出高消费群体的核心消费为美白产品，所以美白类产品既满足和核心用户的需求又是高利润的核心产品；
- 需持续关注和培养高消费用户的使用习惯；
- 祛痘需求用户和保湿需求用户，具备全生命周期的培养价值；
- 高消费用户群体需匹配美白类高客单价的商品或者组合
有了相对全面的数据，我们思考一个问题：
应该用什么样的组合搭配给什么样的消费群体呢？
在B端用户强渠道背景的前提下，如何主动的触达给C端用户进行变现呢？
在业务为B2B2C的前提下，流量引入平台后，如何通过运营的方式让用户复购呢？
答案是，通过平台的营销活动。
人、货我们已经有了分层次的概念了，场呢？
在电商场景中，每年要做很多个活动618、1111、1212、各种节假日甚至是自创一些节日来进行场景营销。
当电商平台做了那么多的活动以后，如何将活动中获得的经验教训给到未来的活动呢？
接下来重点来了，盘一盘历史营销活动数据。
拆解人货与场之间的关系。
四、场景营销数据如何阅读？
我们先来看看历史销售数据的曲线图。
当我们拿到了历史的销售数据取现以后如何看呢？
活动是否有效果，可以通过销售曲线观察结果。
效果一般的活动有三个明显的特征：
- 蓄力效果不明显，在活动开始前和开始时的销量差距较小
- 消化效果不明显，在活动结束时和活动结束后的销量差距较小
- 活动过程中，销售金额和日常销售金额差距较小
所以我们结合活动周期与自然周期的关系、活动的对比能够看出，当活动开始时间是周一的时，当日销售业绩最好。
而活动三出现了逆周期的表现，异常点是：
- 活动开始的波峰没有活动结束时的波峰高
- 活动结束后是工作日，出现了断崖式的销售业绩下降
为什么说活动三的设计有缺陷？
通过我们知道，当前B2B2C的业务模式，工作日的销售额会比休息日高。
而周一是每周销售业绩最高的一天，当渠道发现周二有活动，可能周一的时候他们就不分销了。
如果工作日中间（周二、周三）结束活动，会导致周四、周五的用户发现活动刚刚结束，此时购买正式最贵的时候，心里有一定的落差，会降低转化率。
自然周期+活动周期的影响，工作日开始的活动效果更好
综合活动表现，我们能够得出相应结论：
结论一：活动开始时间尽量放在周一；
结论二：活动结束时间可以放在工作日的末期（周四、周五），让休息日相对于较少的用户来消化活动结束带来的心理落差，从而使影响降到最低
最后，我们再横向对比活动策略的数据表现。
活动二与活动四：
- 活动的主要内容都是无门槛券。
- 活动一比活动四多了满2000元赠送产品的超高满赠门槛（满赠产品包含美白类产品A）
- 活动结束后，活动一的销售金额是活动四的2倍。
活动五与活动六：
- 营销策略都是满减；
- 其中活动三相比活动四增加了赠送美白类TOP1销量的产品，所以业绩也相当突出
结论三：活动的营销策略要使用不同类型的产品来命中不同的用户人群，用户使用产品是有周期的，就需要不同的活动所使用的产品也有周期性。
所以我们发现，营销策略的成功在于匹配人、货、场三要素。
当产品销售策略和运营活动策略满足了三类用户群体的需求时，就可以让活动做得漂亮，收获产品销售业绩。
从运营角度来看，场景营销更具主动性，深入了解用户群体的喜好和购买习惯，确定最适合他们的商品。
五、总结
通过数据分析，能够有效预估未来活动所产生的业绩并制定策略。
在商业模式的优化中，根据数据表现去重点维护不同的用户群体，结合用户需求开发不同类型的产品进行销售。
无论是做商业分析还是数据分析，都应该搞清楚自己的业务是什么。
B2B？B2C？还是B2B2C？
今天分享了一次数据乃至商业分析的落地实战。
第一步，摸清自己的业务模式，理清业务模式背后的自然周期，后续观察指标走势时就不会感到困惑了。
第二步，结构化的盘点商品，了解商品的销售情况，从而制定更加有效的营销策略。
第三步，对用户进行分层，通过28法则找到取得最佳业绩的同时减少资源损耗的用户
第四步，对历史营销活动回顾，综合分析人、货、场的关系，以满足三类用户群体的需求为目标，让活动更加成功，获得产品销售业绩。
回到数据本身，数据的采集、筛选、管理本身是艰苦的工作，它对于业务来说，没有直接的影响所以很多团队会因为赶进度、赶项目，导致对数据不够重视，埋点质量不足、埋点混乱等。
虽然很多人或者公司都没有开始重视数据体系的搭建，但我们应该注意的是在科学领域，数据分析做的越多，离真理就越近。
希望你，不会觉得只有“大公司有很多很多准确的大数据”。
希望你，离真理原来越近。
作者：张文靖同学，公众号：闻文靖静
本文作者 @张文靖同学
版权声明
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！
