策略|运营数据分析，怎么做才有深度( 二 )

四、两个策略衔接还拿上边的例子，当新用户完成首单以后，已经有了注册信息和首次交易数据，就能做更多分析，也能导出更多策略。
注意，在运营角度，这里的很多策略是固定可做的，根本不需要做分析也知道能做，数据分析支持的，仅仅具体的做法以及数量（如下图）。

文章插图
此时，除了简单地输出：复购率、复购人数、复购商品量等等数据以外，将两个策略结合来看，能看出更多深层次问题（如下图）。

文章插图
为什么用户不复购？如果直接问数据分析师，估计能把人问傻，但结合之前新人阶段策略以后，就能得出更深层分析结论：

因为根本没有策略承接这一群新人
有策略，但是过于单一，未结合消费习惯
有策略，很多样，但缺少培育，就知道收割
有策略，有培育，但时机不对，太早/太晚

这些结论，是需要把前后策略连起来看，才能深入发现的。
五、多策略管控当策略越多，策略之间的相互影响越明显。此时运营会有两个明显的倾向：
第一类各部门各自为战，拉新、复购、高价会员一个小组一套策略，营销费用疯狂燃烧。
最简单的例子：负责拉新的部门为了自己的考核数据好看，在拉新的时候多塞了几张优惠券，优惠券又有3个月有效期。结果等第三个月负责复购的部门来做活动的时候，用户莫名其妙又多拿了几张券。
最后的结果，要么是羊毛党把券都用掉，薅个痛快。要么就是用户挑了优惠最大的券用，总之，得有个部门郁闷：“为啥我的券没人用？？”
这些问题，在单一的活动复盘里很难讲清楚，但把所有活动围绕活动编织成策略组，就看得很清楚。能及时发现活动间堆叠，能基于每个用户计算清楚到底投放成本去到多少（如下图）。

文章插图
第二类各种动作混为一谈，又要用户看直播，又要用户下载APP注册，又要玩游戏，最后才能得个可怜巴巴优惠券。
这种情况根本不需要举例，现实生活中太多了，而且经常是操作越整越复杂，优惠越给越少。一个基本的常识就是：流程越长，流失越多。看似面面俱到，实则面面俱废。
此时作为数据分析，除了给到这个巨复杂的流程数据以外，还可以把这个巨复杂的流程，对应回基础用户数据，看看丫实际覆盖了哪些人，到底激活的是谁，这样就能把大而无用的问题暴露出来。
六、小结在数据分析领域，一直以来都有拿着锤子找钉子的不良习惯。今天书本上讲了逻辑回归模型，所以逻辑回归能怎么用到业务上，快给我一个逻辑回归业务，谢谢。
可如果真的理解了数据模型的本质，你会发现：数据模型本质上是点试的输出。比如逻辑回归，它就只有一个二分类结果：是/否，没了。比如线性回归，它就只输出一个连续型的数字，没了。
而具体到运营工作上，运营的工作是链式，是交织在一起的，是一步步迭代的。因此不可能指望一个点试的结果解决问题。即使预测出来一个人不消费，又怎样！

要在哪里接触到他？
要投什么商品吸引他？
要几点几分推信息？
推送了他不点击咋办？
你确定推的文案他看得懂?
对手搞了更大力度优惠，又怎么办？

这些一系列的问题，都不是靠着一个数据模型预测出来的，而是先要把运营策略梳理清楚，编制分组，理清内部逻辑，才能结合数据，发现盲点，从而找到更深层的原因。