数据运营的三重门:交易门、交互门、公开市场门运营的前移的另外一个收效在于..

网赚 诗无尽头 4个月前 (12-20) 10次浏览 已收录 0个评论 扫描二维码

所谓数据运营,即所有的运营活 动都基于数据,「不能量化就不能优化,不能量 化就不能衡量」源自于此.

近 年来,「大数据」ㄖ益成为国家 基 础性战略资源,其所 蕴 藏的巨大 潜力和能量在各 行各业不断积蓄的同时,整个 数据行业的技术基 础和实 践能力也 获得了长足的提升,对于数据的分析和应用 能力在不少行业案例中都得到了良好 的展现 .

单就运 营而 论 ,数 据作为 1 种 度量 方式,能 够真 实 地 反映运营状况,帮助我 们进 1 步了解产品、了解用户 、了解渠道进而优化运营策 略是其快速发展的根本动因.

下面我们就从 何为数据运营的 3重门开始说 起.

数据 运营的 3重门

数据 的第 1重门「交易门」

客户与企业的交易数据. 这重 门 以交易数据、ㄖ志数据为主,即 客户的交易行为(买卖、刷卡、查询、投诉等)通过企业内部的生 产作业系统记录留存,基本以「 事后」数据为主,数据存在形式以结构化数据为主体.

数据的第 2 重门「交互门」

客户 与企业的交互数据,我们形容 为花园里面的数据. 其特点是以用户与企业的 各种交互数据为主,数据本身 代表了客 户的行为,如位置、点击、浏 览、企业 App 内的操作行为、企业线下实 体 内的行为( 购物 中心内的到店足迹)等. 此类数据开始出现大量非结构化,流式数据等多种形态.

交互门与交易门的数据有什么不同 ,如何利用 ?

例子 1:沉睡、 瞌睡客户的分析

通过 交 易门内的数据发 现 的沉睡、瞌睡客户,在交 互门里 面表现 如何呢?们是真的沉睡了还是离开你的服务?

交易门内的数据告诉企业这些客户在你的企业交易门里面没有留下任何交易的线 索,不买你 的理财产品,不买你的商品?这 个时候要看看交互门的数据了.

先看这样 图:

可以发现在 1 定时间 段里,虽然交易门的数据类似 ,但是在交 互门里面这些客户表现大不相同. 停留在企业 APP 时间的时长不 1 样,点击的次 数不 1 样.

所谓「投资型「客户是数据猜 测的,因为这些 客户不断上来而且频繁地在 你手机里面做各种操作,他们在比 对你的商 品 或 者你的理财产品. 可是,为什 么交易门里面没有收益呢?

这 个时候要看 看「交互门「 外的数据了. 即这些客户在企业的 App 外在类似竞品企业的 App 上是什么行为呢?如 下 图 :

结论很明显,这些投资类型的客户在竞品 App 里面同样活跃,是 目 标 客 户,这个时候 要考 虑如何进行客 户的转化 了,如何进 行客 户的转 化 同样离不开数据,属于客户 运营范 畴了 .

这个例子是 1 个典型的穿越数 据 3 重门 的 分 析.

例子 2:线下 交 互门的数据 能干什么?

我们会认为 24 小时营业 的火锅店会给很多 商业综合 体带来巨大的 客 流量,会 有良好 的 预期,觉得这些人来了会在我的商场里边再会顺便买 1 些 东西,提高我的提袋率. 事实情况是 不是 这样呢?

我们做了这样 1 个数据探索,跟我们的客户 1 起去了解,把两百 多个商家做了 1 次分类,分类组 织成为各种商家标签,如下图表格的纵向栏 目. 在通过数据运营施工,在商场内的各个商 家门口(nearby)和进店(inside)的 Wifi 数据获取整理.

通过大数据管理平 台,将商家标 签,人群轨迹做机器聚类分析 ,看看品牌与人流之 间的关系到底是什么?

下图中标红的就是火 锅 ,其相 关 性为 1 .0 . 但是 ,这 1 栏 中的 人群除了跟火锅类标签相关 度高之外 ,与其他商家标签 相关 性都极低. 如果是简单描述这个分析结果就 是,吃火锅 的人会 直 来 直往,吃 完 了 就 走 ,对 其 他的入 驻的 商家和品牌带 动力非常有限.

据此我们可 以 进行 进 1 步的分析,下图为商业综合体中所 有的品牌与品牌之间的带 动力的分析,来 看看数据会告 送你哪些品 牌是带客源泉,哪些 不是.

结论如下:

如果只看交易墙内的数 据,如 销售 量 ,租金等 ,上面的分析结果是不得而知的 ;

看交互墙内的数据需要进行数据运营和数据工程实现才能获。;

如果在结合 「公 开市场门「的数据,还可 以进 行 外 部商圈分析、竞 品分析等,数据分析纬度继续深入,但是这部分数据就需要外部合作获取了.

数据的第 3 重门「公开市 场门」

即客户在 1 个开放市场中 的各种行为数据,其本身 往往并 不直 接与 企业的业务相关,但是对这些数据的获取和分析可以很大程度上辅助企业业务的开展,如移动 App 的 数据、社交数据、微信微博的舆情数据、品牌偏好数据、职住娱位置聚集和迁徙数据、区块内人群消费能力数据和观影偏好数 据等等.

这类数据的获取 不是盲目的,通常需要带有 1 定的问题域触发,即从 解决某类业务问题触发来考虑,否 则会陷入「数据的汪洋大!」,不知道收什 么数据.

在问题 域明确的前 提下,通过分析 加工「公开市场门」的数据可以帮助企业的具体业务问题(获客、唤 醒沉睡客户、风险控制、宏观选址、区块消费偏好分析等等).

这部分 数 据的获取企业往往需要依靠内部的有目 的性的运营活动加以外部合作来达到,这也是众多传 统企业往 往面临的难题.

3 重门 的数据收集和获取形式不同

数据从「收」到「 获」的变迁是什么意思?

交 易门 内 的 数据,基本以生产 、交易、管理系统的自然数据的留存为主要模式,有时也被称为交易系 统的副产品,所以主要是「采集」而不是「获取」. 而是自然数据的ㄖ志自然积累 ,过去几十年有很多 技术处理这样的资产,比如企业内部 的数据仓库系统,商业 智 能 系统 ,管 理 驾驶 舱 等经营分析系统将 ER P,C RM,核心交易系统的数据进行聚合分析和展现.

交 互门 里面 的数据,以用户与企业的 各种交 互 数 据为主 ,这部分的数据需要企业 通过 TPU 运营 和数据 运营才 能获取.

TPU 运营的意思是 通过围绕着流量(Traffic)、 产品 (Product)、用户(User)为核心的 1 系列的运营活动,来 帮助企业将 用户 从公开市场 门中发现,并引导他们穿越交 互门、交易门成为企业的客户 ;同时对已有客 户通过 3 重门 数据的运营来提升粘性,提升 客户满 意度.

数 据运 营在此环节中十

分 重 要,在上述的各种运营中,始终要将数据获取作 为与业务开展几乎同等重要的事情来看待,在各种运营活动中对于数据获取进行必要的 设计和必要的 IT 建设.

谈谈这里所谓的 IT 建 设,我们暂且以「埋点」来统称这 1 环节的工作. 所谓「埋点」即在过程中预先设计的 1 个事件触发和记录的环节,用以获取、记录该事件的数据.

埋 点可以分为以下几类:

只有通过专业、体系化的埋点措施并配合必要的业务管理要求和 IT 系统建设,才 能解决「交互门「甚至「公开市场门」里面的数据持续获取.

通过对埋点数据的分析可以帮助企业去优化流量运营方 面的各种措施,这是 1 个迭代过程. 即通过 TPU 运营带入客户,通过对客户的各种交互 、交易数据的分析优化 TPU 运营的举措,从而带 入更多的流量,采 集 更 多 的 数据,如此循环往 复 .

举个例子,如今 跑步 成为 1 种时尚,很多企业客户希望通过 赞助这样的马拉松比 赛来增加知名度和获客 .

某银 行客 户举办了 1 次这样的 马拉松 比赛,报 名人 数 3 万,影响的人大概 十 万左右,目 的 很 明显 ,拉 升银行产 品的知名度,拉动银行客 户的开卡开户 . 结果是什么 ,钱花 了 ,人来了. 但是,人都是 穿着 短裤来的 ,没带 笔 ,怎 么开户 ;周边观众好几万,都是拿着手机来的 ,确实被这 次活 动吸引 了. 但是此次活动,银行只从承办公司拿了 1900 个手机号而已 ,其他的 1 0 万人的线索活动后就断了,1000 多万的预算,收获了什么 ?产品露出 (Aw areness),但 是貌 似 很 难衡 量,后续这些人如何做跟踪和转化 呢?貌似没有跟进手段?数据收获了没有?除 了 1900 个手机号,没有其 他了 .

这个活动就是典型的没有从数据运营和流量运营结合来考虑. 从举办活动前夕的预热,官网、官 微、移动 APP、大流量端的预先活动设计和配合的线上埋点设计,比赛 沿途(报名处,休息 处 ,半马 全 马完成 处,照相合影 处)稍作设计都可以成为 线 下埋点的地方,点 埋 了 ,数据 回 笼了,有几件收益:

所 谓 数据 运营,即所有 的运营 活 动都基于数据,「不能量化就不能优化,不能量化就不能衡量」源自于此. 移动互联网迫使企业的运营点前 移出交易墙,到 交 互墙内,甚至是公开市场.

运营点前移造成既有的运营指标体 系出现 了不满足的情况,因为原有的 指标体系是依据交易墙内的数据建设的,所以出现了新的移动互联网业态下的运营指标.

如下图所示的例子:

结合 各 个 行 业的特点,从 3 A3R( Awa re n ess,Acquire ,Acti vation,Re t ai n ,Rev e n u e ,Refer) 几个角度从公开数据、交互门 数据和交易门数据来 统 1 考虑运营指标体系的建设. 在此角度上 Talking Data 已经与多个行业客户联合推出了券商、直销银行、互联网金融和商业房地产等行业垂直运营 体系,后续不断有 行业运营指 标 体系推出.

运营的 前移的 另 外 1 个收效在于 ,业务的 运营 可在业务的发生过 程 中,甚至之前就有所动作,而不是等到数据 进入了「交易门「做事后的处理.

「羊毛党「运营的例子

举 1 个新形态下反欺诈的例子,大家知道有 1 个人群叫「羊毛党」,做互联网金融 、电商的企业客户,以及那些爱领取卡券优惠的 人们可能比较熟悉.

专业的羊毛党的影响越来越大. 2015 年的时候,在华南有 1 家不大的企业兴致勃勃地做了他自己互联网金融产品发布会,投了两 个亿,做互 联网 金融产品,配属了将近数千万的卡券优惠. 结 果是开售首ㄖ产品几乎直接被抢光. 到了半 年后,这些互联网金融产品到 期赎回时,出现了大规模的集中 赎回,类似银行挤兑的情况. 要求赎回的理财产品和配属的卡券优惠金额加起来在 1 亿两千万左右,这个公司直接资金链断裂、关门大吉.

事后才 知道,这些产 品貌似 是众 多客户分开 购 买的,实际 上是羊毛 党的 杰 作 ,通过技术手段操纵 移动 App,通过近万个帐户抢购产 品和撸羊毛(卡券优惠),这是很极端的例子. 单纯依靠交易门 内的数据 来 坐分析,显然于事无补. 在互联 网金融、 电商等企业都 会面对这个 情况可以说这是新的对反欺诈的诉求.

通 过结合 3 重门 的数据 运 营,运营点前移后是否 可 以解 决这个问题呢?Talking Data 推出的基于 新的 RFM 模型,从运营的角度 上去展开跟羊 毛党的攻防战 .

从「交互门」 ,甚至公开市场 门就开始识 别羊毛党 ,具体分析羊 毛党出没的痕迹 如下:

通过对这些来自 羊毛党的「公开市场门」、「交互门」和「 交易门」的数据整体获取和分析,可以建立 1 张羊毛党 个人行为的数据图谱. 如下图展示了 1 张汇集了多个数据源的羊毛党数据图谱 ,从图谱中可以直观 的多看到 1 台安卓设备通过多次刷机形成了 19 台虚拟设备 ,这 19 台设备注册了 19 个账号完成了 19 次薅 羊毛行动的数据轨迹.

在可以识别以后 ,进入了羊毛党 的运营阶段,因为依企业不同发 展要 求 ,需要甄别羊毛党和卡券敏感性客户以及死忠粉,需 要采用运营手段对不同的客户用不同的策略来对待,而不是 全部拒之门外. 有关这个部分的描述,可以详见 Talking Data 的 陈雷的文章《羊毛党大数据攻防战》中的详细描述.

这是 1 个运营点前移到交易 门外的例子,这样的例子很多,不 1 1 赘述.


本站资源来自互联网收集,仅供用于学习和交流,请勿用于商业用途。
如有侵权、不妥之处,请联系站长并出示版权证明以便删除。敬请谅解!
侵权删帖/违法举报/投稿等事物联系邮箱:svipchao@qq.com
转载请注明原文链接:数据运营的三重门:交易门、交互门、公开市场门运营的前移的另外一个收效在于..
喜欢 (0)
[93093369@qq.com]
分享 (0)
关于作者:
唯有自由才能触摸虚无的自我
发表我的评论
取消评论
表情 加粗 删除线 居中 斜体 签到

Hi,您需要填写昵称和邮箱!

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址