不多讲了，开门见山。运营活动就是在既定时间内通过一定方式将企业资源有效地整合起来，从而实现企业战略目标和价值最大化的一种经营行为或过程

1、什么叫好运营活动？我们知道，任何活动都要以达到一定的目的为前提

如何才能算得上是一项不错的运营活动？如果目标不能够很好地实现，那就需要调整和改进了，这样才能使这个目标更有效地达到。活动目标的实现，且达成目标投入的成本是合适的，也就是投入产出比大，那么就能给结论人良好的运营活动了。这个目标是在活动过程中不断地观察和总结出来的，是对整个活动过程进行评估后得出的结果

1、判断目标是否达到

所有数据分析的开始，都有特定的目的。在这个时候，首先就要找出影响目标实现与否的关键因素。对运营活动数据进行了分析，还要恢复到最初始的状态，我们策划这一事件的目的何在？通过这个指标来确定哪些行为会产生最大影响或者对整体业绩产生重大影响

测量的关键是找到量化活动效果的数据指标，即人们常说的第一个关键指标”或者北极星指标”。通过对这一指标的分析来确定活动在哪些方面存在不足以及改进方向

北极星指标指标来源于本次活动目标，电商促销活动最常以快速卖货来拉动销量为宗旨，北极星对应的指标是GMV（订单金额总和）。在这一过程中要注意观察不同时间段和同一时期不同区域内的对比情况

再选择适当的对比对象，比较判断北极星指标有无实现质变的可能性。如果没有达成质变，那么就可以把这些活动作为参考，结合自己公司自身的情况做出调整或改进。比如跟随去年同期的事件、或与等大小和类似位置的事件比较。如果不考虑这些因素，那么在分析时就很难做出准确预测

值得一提的是，由于北极星指标往往受多重因素影响，例如，GMV发展不一定是运营策略奏效，而是由于大盘流量自然增加所导致。例如，活动时间长短是否适合，能否在短时间内吸引到大量客户，这都将决定着本次活动最终效果好坏

因此，有时除查看北极星指标外，北极星的指标也需拆解，评判拆解之后，与此次事件核心策略联系最为密切的指标，是否亦实现质变。这些投入虽然可以在一定程度上降低活动的整体成本，但往往不能保证产出效益最大化，甚至还会产生负效应

2、为了达到目标，投入产出比是否合适

电子商务活动中常见的投入成本有直接的优惠利益补贴，如红包、优惠券等，还有广告投放，KOL明星合作等等。如果没有这些收入，就会导致平台和商家的利润下降甚至亏损。通过上述投资，可以带来更大流量，实现转化，由此升级售卖GMV。如果能获得最大化的商业价值，那么这种推广活动才是真正意义上的推广，才是吸引用户持续使用该产品的主要原因

促销活动的最终实质离不开商业价值，投入产出比越大，商业价值亦愈高，这也说明了促销活动为何没有直接对所有货物进行降价，使消费者能够用最为简便，最为实惠的价格进行选购，而且还要做到优惠券，满减之类的游戏。从这一意义上来说，活动的效果应该是最大化的

的核心实际上是使平台与商家以尽可能低的成本实现价值产出最大化。如果超出一定范围，说明活动没有达到预期效果

因此，在活动复盘时，还必须看到得到某个数量级的发展，代价有多大，这一费用比过去或同类活动的费用要高吗。老板问我是什么原因导致这个指标的变动？

2、如何通过数据分析发现问题与机会点

数据复盘汇报时，普遍存在这样一种现象，我们计算北极星指标上升or迭代，给出结论活动的目标实现or没有实现。又有什么样的因素导致这种现象出现呢？但再往下看老板又问道，哪些因素使得北极星指标发生了如此大的改变？下面以案例的形式展示一下如何利用数据来寻找问题的根源。许多人常常不能有把握地给一个准确答案，此时，数据需要被深度挖掘。上卷分析是指对一个企业的整体经营状况或发展情况进行分析

一，何谓上卷与下钻分析

在谈到具体深入分析前，首先要讲的是上卷与下钻的分析。这样就能更容易地理解和掌握数据的分布情况及变化原因了。在资料分析中，将上，下钻工序简化一点，实际上，它可在逻辑树中变换成汇总”与细分”两种，如果将销售总金额分解到华南和华中、华北等地域来分析就是下钻，把成都、成都、成都、东莞等几个主要城市总结到珠三角地区进行分析，是上册的内容

随维度向下钻，向上卷，数据将继续细分并汇总，在此过程中，我们常常可以找出问题所在。因此，对于一个大公司而言，如何有效地管理维度上钻后得到的数据，是一个很重要的课题

2、选择性地对北极星指标进行维度下钻分析，

下钻思路需遵循由宏观向微观转变、层层向下细划分逻辑，但是，这并不代表着每个层面上都需要展示所有维度细分数据。因此本文主要采用了一个相对比较新颖的视角——通过对业务层面上的因素分析，来确定下钻时应该考虑的变量以及相应的权重值。下钻维度很多，有必要在理解企业自身特征以及此次事件的战略基础上，判断选择哪一个维度下井，仅需显示主要细分数据。因此，下钻后要将各个子维度中与本企业最为相关的部分按照一定规则重新分类，然后再根据这些新出现的子项确定其相应的权重系数

下钻工艺也不仅限于一个或多个固定维度，常在多维组合中节点分叉。如果没有明确划分出这些不同维度的分支，那么每个层次之间可能存在着较大差异

进行分岔作业时，我们更倾向于选取差异最大的维度，并对其进一步拆分，如果相差不足，那么，这枝桠便不细分了。如果分支出了一个较大范围内具有较高相似度的节点后，再将这一部分作为新的分枝点，这样可以在更短的时间里完成整个分析工作。能产生明显差异的节点将保留，并且不断的细分直至分不到区别。在这种情况下，我们可以对每个分支的数据做一个统计，从而得出各个变量之间的关系，进而做出相应的预测和决策。通过这一过程，我们可以发现北极星指标变动的影响因素。在营销实践当中，如何根据用户需求对不同维度的参数做出调整呢？

下面列出电商促销活动下钻分析常用的几个维度:

公式拆解最常见的公式拆解是GMV=流量*转化率*客单价=UV*UV值，通过查看拆解的各项指标比较，找出带北极星指标上升或下降的关键指标。根据这些关键指标对不同类型的平台进行具体分析，从而得出相应的营销策略建议

以下数据案例可以看出，造成GMV走低的最重要因素就是流量UV暴跌所带来的，下一步，便可由流量UV做更进一步的下钻分析，看看有什么渠道流量来源出现比较明显减少。在这个过程当中，我们需要对每一种渠道进行比较，找出其不同的原因所在，然后再结合具体的问题提出解决方案

按渠道/流量来源拆解

渠道即流量来源渠道，普通例如站内自然访问流量等、站外微博微信头条网易的投放通道、裂变分享流量等等，可通过比较各渠道与大盘总体数据，找出影响某一指标的主要渠道。在此基础上再结合其他渠道数据进行比对，即可判断出某一种或多种渠道是如何影响某个指标的

如果发现一些渠道的关键指标有明显的改善/拉低，然后就可以对此通道进行进一步的下钻和分析。如果发现某个渠道或某一类产品的关键指标下降，则应针对其原因进行整改。如下图案例所示，APP端在站内对关键指标进行改进，微博渠道却拉低关键指标

按终端拆解

常用的终端拆分有:IOS/Android，APP/M/PC/小程序等、所用设备机型等等，通过比较不同端对于整个大盘的贡献，以及不同端数据指标之间的横向比较，可以发现影响某一指标关键端的因素。在数据分析时需要将其作为一个独立变量加入到模型中来，以得到更准确的分析结果。如下图案例所示，APP端--IOS对关键指标进行升级，M端将关键指标拉低

按时间/时期拆解

电商活动中经常会分时间节奏来进行不同的促销打法，通常有预热/高潮/返场等，若采取这种分时期战略，然后可以根据时期的不同，对数据拆解比较，找出了在某个数据指标之下明显偏高/偏低的时间段。同时根据这些时间周期特征以及对应的销售业绩情况可以发现哪些产品或者品类适合于该时间段投放

除了时期外，按照时间序列维度（月、周、天或小时）进行分析，找出对关键指标有影响的专门时间点，再来复盘一下这个时间节点上投放流量质量、分时运营策略，精选产品、页面设计这样的视角有没有区别，排查对关键指标产生影响的潜在因素。通过以上研究发现，不同类型的商品和营销组合对于关键指标的贡献程度也不一样，因此要从这些方面入手，寻找提高流量质量、降低流量成本的方法

按照业务/品类进行拆解

这个维度常常偏运营/采销视角，重点在于某个商业/类别在关键指标方面的输出，需与特定选品盘品策略相结合，并对其有效性加以分析。通过统计各产品的销量与曝光量，再根据不同产品之间曝光量差大小划分出不同的等级比例，以此作为衡量各细分市场优劣程度的依据

品类数量多的时候，可参照如下图中帕累托模型对资料进行观察。通过统计各个品类的曝光量，再将其按照一定比例叠加起来作为最终结果，以此衡量不同品类的优劣。观察要点是综合各类盘品量级及曝光量，判断所述改品类有无带来对应售卖产出，如果低了或者高了，就值得我们格外注意，后续可依此进行备货，曝光量等策略优化。在此基础上还可通过调整商品结构比例，以实现销量提升

按功能模块拆解

此维度跟页面设计关联性最强，涉及页面内容框架和特定各模块功能&amp；通过分析各部分在不同时间点对绩效指标的影响程度来确定哪些因素是关键要素。信息呈现方面。通过分析用户在不同时间段内使用该系统所获得的各种评价，发现用户的需求是不断变化的，因此要根据这些变化调整自己的策略和方向。可围绕北极星指标或者其拆解指标，观察各模块（楼层）对于该指标的贡献，对位置靠前曝光量较大，但贡献较小的（投入产出低）、以及位置靠后但贡献相对高（投入产出高）的可以特别关注，进一步发掘其成因。另外在分析中还发现了一些问题，如不同类型的用户群体有差异，不同地区之间存在差别等，这也是本研究重点要解决的问题

按用户人群拆解

常规的人群分类有按人口学信息分类的诸如性别、年龄、婚姻、所在地域，和新老用户等等。值得我们格外注意，部分活动将开展更加精细化用户分群运营，若按银发族，Z时代、小镇青年和其他有特殊特点的群体进行差异化策略。这类细分群体也同样需要考虑到其自身特点，比如性别、年龄等等，只有这样才能真正发挥出这些细分群体所特有的价值与潜力

要具体选择哪个人群维度去钻，第一个参考因素就是在活动策略内部是否有针对该维度的差异化运营，前文所述策略中包含了根据用户分群精细化运营，必须按照这个维度下去钻营，看看每一个人群策略的效果，有没有带着北极星指标上升。如果不能精准到细分出目标用户组的话，那么后期营销推广工作就要以精准”为导向

其次是这个维度下的人群数据差异是否足够大，我们跟进有没有资源来做这个层面的努力，例如，某一事件的女性用户的比例明显偏大，但是贡献GMV明显较少，我们可以试着分析女性用户的下钻情况，评判我们能否用已有资源，促进女性人群售卖转化。另外一个方面就是如何将细分出来的人群按照目标市场进行精准营销和推广

在人群中下钻可更细致（需要充分数据源支持），除直接比较各群体之间核心指标外，也可对某一类人实施前后链路行为路径漏斗、购买偏好及其他特点的分析，及与用研相结合的定性调研，发掘这类群体可能会出现的问题，并发现后续能够进一步撬动这些问题的机会点。另外，我们可以考虑通过构建关系网络”来帮助我们找到潜在目标用户群体

3、也可以围绕关键维度展开，与其他维度相结合交叉分析

多维度下钻分析完成后，对于尤为重要的一些层面，也可试用多维交叉分析的方法。比如，针对某个细分市场，可以根据不同消费者群体特点对产品策略做出调整，以更好地适应目标市场需求

例如，将用户的性别和渠道进行交叉，或许可以看到微信端的男用户和女用户在微博渠道上的区别，使品类与时期相互交错，或许能找到在不同的时间，比较适合于不同属性的类别爆发。在此基础之上，我们还可以利用上述方法，进一步挖掘影响品牌传播效果的因素并加以改善

但是，你需要一个期望，这一步在当前的实际操作中可能有一定的困难。在此过程中，也要考虑如何通过多种方式获取相关信息

一方面，对于数据的提取与处理层面提出了更高的要求，有必要得到专业数据分析师倾注更大的努力予以支撑；另一方面，在数据维度选择方面，也要结合企业自身特点，避免盲目使用同一指标去衡量所有产品或服务

另一方面，判断交叉对象要求业务敏感度高，行业经验丰富，对当前形势进行了一轮深刻的反思，洞察/推论出了某种迹象，显示出某种两因素间存在着潜在的联系。在此阶段，可以考虑将重点放在如何利用已有信息做出正确选择上来，而不是一味地依赖主观判断或简单套用公式

否则就有可能发生花费大量时间与资源的交叉分析，却无法得出具有实际价值。所以说在大数据分析中必须考虑如何从多个角度去观察并理解现象背后隐藏的逻辑关系，而不是简单地把它们当作一个整体看待

4、过程指标也不容忽视

为什么要看过程指标

数据指标可分为两类:一类是结果指标，另一类是过程指标。过程指标就是对生产某种成果的中间过程环节进行测量。例如销售人员对客户的了解程度等，都可以通过数据来反映，而过程指标则主要用来衡量一个活动是否能实现最终目的——盈利或者创造价值。结果指标通常来自于事件的商业目标，用来测量是否实现了商业目标，更是到了一定阶段的末期，用于数据复盘。过程指标通常与结果指标同时出现，目的都是为了提高客户满意度或提升企业效益

如在促销活动中，销售量、订单量作为结果指标，带来这类订单层层访问流量，点击量，加购量等、以支付成功量作为过程指标。在一个企业中，如果没有明确的结果指标，那么这个企业的业绩和发展都将受到很大影响

但在日常数据跟踪中，比较宝贵的东西，就是基于目前数据的状态，适时进行调整，为了确保结果指标符合期望。如果结果指标不能满足需求的话，那么过程指标就要跟进，否则会影响到最终效果

此时过程指标更为重要，由于结果指标仅仅是成果，而过程指标则能跟踪细化问题环节，引导这一环节进行优化，带来了结果指标上的改进。所以说过程指标对最终效果影响重大，而如何找出过程指标呢？

如何寻找过程指标

过程指标可以从项目实施的响应关系中找出、和在用户触点路径中概括。如果用户能主动地关注到这些信息，那么他们对产品和企业的评价也会更加准确，这就是过程指标的使用效果。比如，一次大型促活动，将涉及活动页面的策划，盘品的采销、市场宣传投放等、用户对事件的理解，直至下单支付和物流配送、客服服务等等众多的环节，将整个事件中的各个利益相关人及其行动事项按照时间顺序进行梳理和加工，便能从这一过程中挑选出与所在人物有强烈关系的部分及其相应过程指标。这些指标既能体现出用户对活动内容的关注与反馈，也能反映出参与活动者自身的状态，还可以帮助企业发现问题、分析原因并做出相应决策

如何使用过程指标

过程指标的最重要使用方法就是实时追踪监控，评判他们的健康程度。比如某一个大事件发生后，通过分析该事件与之前的历史趋势比对，来确定未来一段时间内的变化趋势。判断标准可为业务同期数据规律如何，当前进展阶段比常规情况低或高，并依此进行策略决断。比如，如果这个问题出现在前期，那么应该采取积极应对措施，如果出现了后期，则要做好提前预判准备工作

比如过去618所表现出来的模式就是6月1日晨出现了一波流量爆炸，但这次的暴发并不显着，要检查这次各个渠道投放情况是否正常，是否需适时增加预算投入等。在这个基础上再结合其他方面的因素做出下一步的决策和规划

5、验证细化后的具体策略

这个步骤对于每一个数据分析来说，都是一个可以少做的步骤，相对而言，它就比较简单和直接了，主要思想可参照以往数据系列文章所介绍的OSM模型（目标-策略-验证），依据现象，选择适当衡量指标，接着对战略实施前和实施后的数据做了比较和分析。在这一步里，我们要考虑的重点在于如何将所有影响因素和结果综合起来并加以量化，从而为下一步的优化提供基础

的具体不多说。如果能将上述方法运用到实际工作中去的话，相信效果一定不错，而且也能够让客户更加满意和信任自己的产品

三、应避免的几个点

1、一是不要盲目追求大客户数量。所有的资料均来自数据库，对于其他数据忽略（外部数据、调研等）

数据库里的数据，在许多情况下，无法反应出全部量化需求，例如，用户通过该活动下订单，不过，他购物体验好坏参半、今后会不会继续从事这类活动，等等、和友商比较，觉得怎么样，这类问题比较合适的做法是寻找典型用户进行深入采访，或者进行大量问卷调查。对于这些问题，我们可以根据客户的实际情况和自己的特点选择最合适的方法进行数据分析

2、对于这些问题，我们可以根据客户的实际情况和自己的特点选择最合适的方法进行数据分析。不加选择地进行数据分析

数据分析的角度有很多种，不同的分析角度适用于不同的分析目标，要以目标问题为中心，选择恰当的分析维度，与其照本宣科，不如按照模板跑完全部。如果要想获得准确的结果，就必须从整体上把握数据，对各个层面进行深入剖析

而且某些环节不能获得优质数据，有的时候要果断，宁可不要进行这方面的分析，避免因数据不精确而造成决策失误。因此，如何做好项目总结工作显得尤为重要

3、因此，我们要做好汇报工作，让上级看到你真实而又清晰地反映出自己的能力和水平。高达目标的效果，然后进行数据分析，报喜不报忧（仅为了汇报）

在一些汇报情景中，为便于上级部门迅速get得出结论，通常不将详细分析过程及细节呈现出来，但挑选出关键的结论，就构成了报道。这种情况往往容易导致领导对工作的盲目乐观，从而影响到下属工作积极性的发挥

为汇报人，往往在不知不觉中报喜而不是报忧，重点表现良好，忽视或跳脱了某些复杂而又难以启齿的话题。这样做不仅没有达到汇报目的，反而会引起别人的反感。长此下去，也许你自己就能被劝住了，没有注意到其中的一些问题。这类情况下的汇报容易导致信息失真，造成错误的决策

4、这就是为什么我们经常需要做报告而不是写分析报告的原因之一。数据不可能回答一切，对企业的理解和思考有时更为重要（对业务本质问题的研究远比对KPI指标的研究更为重要）

在绝大多数的数据分析场景中，KPI数据常常成为大家关心的头等大事，一旦衰退，便通过维度继续往下钻，定位问题的数据环节。如果没有一个明确的方向，那么问题最终可能就是找不到正确的解决方法或途径。此时站在KPI的角度进行思考，会考虑如何解决问题的环节，使KPI上升，那么，作品也到这里。这就是数据导向型思维方式产生的根源

该模式所造成的缺陷，会使人们对数据产生太多的迷信和思维的懈怠，做到亡羊补牢，不未雨绸缪。如果数据出了差错，那么问题解决起来就无从谈起了，甚至可能导致错误决策

在某些情况下，数据问题背后存在的问题，不能仅仅通过现状数值进行解释，而且要求人们要跳出目前的状况，观察行业发展，研判市场动向、了解用户的心理，才能洞悉。只有这样才能真正了解数据本身所蕴含的价值和意义

因此，要看数据以外的情况，大家要留有余地去思考和探究企业的实质。这也正是大数据分析”提出的初衷所在