一线员工也能快速上手：流程优化方法论精简版

一线员工也能快速上手:流程优化方法论精简版

受众分析、行为分析、数据分析、AARRR增长模型的改变

传统的数据分析,一直比较被商家看好,甚至根据数据表来预测受众的生命周期,一个优秀的商品,都会在细节上做很多调整。

但是通过统计数据分析,会发现,数据中的变化其实没有我们想象的那么深刻,例如:

移动端的页面、内存、页面加载时间

第三方统计、关键词位置

4、已经存在的数据指标,该怎么调整?

5、重新检视的时候,该如何思考?

在这一个时刻,我们可能要找到已经存在的可用数据指标,根据受众特征、业务逻辑等分析出业务逻辑,只有数据思维会彻底改变的情况下,我们才有大可能能调整到相对准确的方案。

“数据倒逼我们做业务决策,所有决策都需要在数据中产生。”

为了保证这一个流程里的工作持续有效,老板们必须要做出一些足够的数据分析,从技术层面,挖掘已经存在的可用数据指标,对业务产生影响的指标,甚至一些场景化的业务数据。

受众增长

我曾跟众多互联网公司的人做过这样一个事情:

在2015年期间,受众数量突然暴增,单日总流量超过100万。

其核心就是受众增长的问题。

在这种场合下,就要思考一个问题:

如何帮到受众增长?

这一个问题的答案是:引入“数据分析”。

数据分析本质上,是对业务数据的分析。

在我们的实践当中,我们会发现:受众来源、受众行为、受众偏好、受众贡献、受众流失、受众传播等等,是一个系统性问题。

我们首先需要了解受众是怎么来的,分析出受众背后的数据逻辑。

受众来源:即找到已经存在的可以触达的受众,然后把我们的数据,与它相匹配。

比方:

如果我们是在微信生态下做受众增长的商品,我们在受众群中通过各种类型的推送渠道触达受众,是如何建立受众关系的。

而如果我们是通过社群运营在受众群中进行一些转化,我们可以从受众的渠道触达受众,这里的渠道可能包括:私域流量、社群、小程序等等。

同时我们也需要考虑受众的年龄、性别、地域分布、心理情况。

通过对受众的地域分布、男女比例、心理、行为和偏好的把控,我们可以对受众进行分层,一方面通过不一样的标签来进行不一样的营销,另外一个方面通过不一样的受众群众在不一样的商品中的行为和偏好来提供不一样的营销。

还有一个部分的数据指标,受众的贡献度、流失率、对商品的贡献、受众的传播量等等。

受众的偏好:受众的信息获取成本、受众的反馈、受众对商品的使用频次、商品对受众的评价、受众的行为、受众对商品的态度、受众对商品的活跃度、受众对商品的态度等等。