實操案例拆解:如何使用模型/理論進行數據分析和戰略定位

2021-01-07 騰訊網

編輯導讀:案例拆解是運營er們常常會用到的方法,當活動缺少新想法時,就會試著去關注一下相關的案例,進行拆解,進而復用到自己的工作中。運營人如何做案例拆解?需要用到哪些理論模型呢?本文作者從具體案例出發,對相關模型進行了講解,一起來看看~

本文內容涉及到前期策劃、落地執行和活動後處理,主要操盤和復盤是我們其中一位team member,在合適的實戰環境下只花一個月的時間掌握以下模型並進行應用。

其實想要快速掌握模型/工具並不難,難的是正確的思維/意識,譬如空杯/積極的心態、甄別和挖掘問題的能力等等,因為思考的方向決定執行的方向。

獲得一個合適的學習方向;

即學即用的實戰環境;

及時復盤加深理解;

提煉/重組滲透到日常。

這裡大家可以稍微留個心,因為我的文章都是層層遞進、互相關聯,逐步給大家勾勒出一個完整的模塊戰略-戰術體系。(真實OS:其實是我時間少又比較懶,只能分開闡述…..)

其實一開始安排本次案例拆解報告的主要目的是為了鍛鍊這位team member對模型/工具的理解和掌握,所以我並不是建議大家每次都進行拆解(工作量太大、降低效率,關鍵節點才梳理)。

但如果想把一個新活動變成常態化的活動的話,那麼第一次案例的拆解和梳理就非常關鍵(尤其是剛掌握新方法的時候),目的是建立意識上的條件反射和清晰運營路徑,當出現重大風險問題的時候,可以快速的進行問題定位(詳情見「如何甄別系統性風險問題」),提出針對性的解決方案。本文是我在他案例拆解報告的基礎上稍作調整,方便大家進行理解。

以下是本文涉及的模型工具,案例拆解應用的過程中主要講解模型的提煉和變型,沒有對下列模型進行詳細的闡述:

5W1H分析模型

AARRR模型

SWOT分析模型

馬斯洛需求層次理論

流量漏鬥及用戶流轉地圖。

圖1:「社群運營的體系化SOP管理」

01 5W1H模型:活動前處理和分析

5W1H大家應該也非常熟悉,能幫助大家對一個模糊的idea進行層層剖析,清晰化並掌握本質。在這裡,我們講應用這個模型,針對不同維度的人群進行分析,可以獲得不同角度的視覺,來豐富我們對活動的理解,挖掘更多場景需求。

層層剖析,掌握本質;

不同維度進行拆解,挖掘更多場景需求。

首先我們本次社群話題討論有兩個核心維度:社群用戶和平臺品牌(即我們自己,下面簡稱「平臺」)。根據本次活動的構思,針對以上兩個維度進行剖析。

圖2:5W1H初步梳理

當我們把2個維度進行梳理完畢之後,會發現內容有點多,而且找不到更多可以提煉的點,這裡的話,我們把5W1H根據我們自身的業務場景做了二次處理,即拆分再多重組合。

在這裡分享一個我們比較常用的組合:3W+2W1H。

3W主要是進行需求分析,2W1H主要是執行層面的梳理。如果面對多維度的業務場景下,讓我們的更加清晰,可以快速的對需求/執行進行梳理和整合挖掘。

圖3:3W+2W1H組合

完成了以上的梳理後,我們對這次的活動建立了一個清晰的認知,知道內部和外部的需求,以及大致落地執行的方向,接下來就是需要根據具體的流程節點進行細化以達到運營目的。(同時也是一個大致的活動方案雛形。)

02 活動路徑:梳理-植入-後處理

首先活動要成功落地執行,需要設計一套清晰的活動路徑(非常關鍵),來提供執行指引。然後對路徑的每個階段植入你需要達到的運營目的(關鍵節點植入AARRR)和數據追蹤。

圖4:基本活動路徑

因為一天的工作不可能只執行一個活動,還有其它工作需要去完成,當一天拿著幾份工作執行方案的時候,來回切換來執行很顯然效率會非常低下,這時候你就可以把這一套活動路徑進行分解,穿插到你一天的SOP管理當中。

提供執行指引和定位;

植入AARRR(對關鍵環節建立核心指標)以及植入數據反饋節點(對某個節點進行數據採集,反饋當前情況是否達到預期,沒有達到預期的話需要及時進行調整);

便於進行拆解,穿插整合到SOP管理。

因為之前已經講過體系化的SOP管理了,這裡SOP就不做敘述,所以接下來的案例拆解重點闡述一下AARRR的植入和數據反饋節點植入。

1. AARRR植入

首先在講怎麼植入前,先講講AARRR模型(基本模型,不做詳細闡述)的優點和應用場景。AARRR可以給我們提供一個對整體流程進行更有方向性的規劃,可以對A-A-R-R-R進行靈活的變形,所以適用性非常廣,基本上運營的執行工作應用,尤其是長周期的戰略規劃,即具有生命周期的運營模塊:社群運營、新媒體運營、產品運營等等。

圖5:AARRR模型

根據活動路徑梳理出來的AARRR對應的戰術,並對活動路徑進行更新。(話題討論更核心的作用更是在於日常維護,或者激活-轉化,其它的像引流和裂變的作用並不大,所以運營當中並不存在萬能的方案,需要多方案組合,這裡可以是互補組合或者強化組合,需要根據你當前階段核心的KPI來規劃。)

圖6:具體執行植入

2. 數據反饋節點

建立數據反饋節點主要是為了能及時發現異常情況並進行動態調整,以及後期的復盤分析,譬如群的在線人數活躍度低直接影響到最終參與度,但是參與度是很難進行客觀的量化的,這時候我們可以藉助搶紅包或者禮品投放的互動,來觀察群成員的在線活躍情況。

因為具體的分析方法我已經在上一篇文章「社群運營:社群活躍的數據分析模型」做過詳細的描述,所以本文就不重複敘述,只講解數據的收集。

這裡除了社群反饋的數據以外,還有運營強度的分析,這是組數據是方便我們階段性復盤是衡量我們的ROI,並應用SWOT模型進行分析(下文講到),來找到我們的優劣勢和機會點。

圖7:數據反饋節點植入(和數據埋點同理)

03 通過數據建立戰略定位

當數據達到一定程度的量級以後,就存在一定的分析價值了,這裡展示的是一個賦值的數據,這兩個數據可以根據自己的設計建立一套公式模型,譬如舉個例子:參與程度Y=40%轉化+40活躍+社群指數、運營強度X=40%資金成本+40%人力成本+20%時間成本(因為每個運營體系的核心指標、實際環境和獲取的數據都是不一樣的,這裡僅展示思路給大家進行參考和變型。)

圖8:具體見前文「社群活躍的數據分析模型」

根據上面的運營強度X和參與程度Y,可以得出下列的散點圖。其實這個時候我們根據這個圖來分析的情況也是相對有限的:

分析優秀案例:X低Y高的ROI高的案例進行複製;

分析不足案例:X高Y低的缺點,進行有效優化;

那麼遇到X高Y高、X低Y低的案例,這是需要優化呢還是需要保持呢,接下來該怎麼做?如果沒有豐富的運營經驗來對情況進行有效分析的話,單純靠數據分析很難找到一個執行方向。

那麼怎麼辦呢?

在實戰經驗有限的情況下,我們可以嘗試使用SWOT分析模型,來對這類型的數據進行分析得出接下來的運營方向。

圖9:以上散點圖數據僅供參考

1. SWOT分析模型

主要分為4個板塊:S (strengths)優勢、W (weaknesses)劣勢、O (opportunities)機會、T (threats)威脅。

靈活運用可以輔助我們進行客觀分析、發現更多視覺、以及提供方向。一般是用於傳統企業戰略的競爭力分析,根據對應的發展情況執行接下來的戰略發展,這裡我對模型進行了初步的提煉和調整,使其可以適配到我們運營工作當中來。

S優勢=X低Y高;戰術指導:保持,並提煉優勢。

W劣勢=X低Y低;戰術指導:優化,並分析缺點。

O機會=X高Y高;戰術指導:優化,並嘗試降低運營強度測試效果。

T威脅=X高Y低;戰術指導:如果特異點過多,相當於病危狀態,一般來源於外部惡劣的競爭環境,如果非外因則需要分析是否存在系統性風險。

根據以上的公式,我們可以初步把上面的散點圖切割成4個模塊。

圖10:S-W-O-T量化

2. 戰略定位

通過量化得出大致SWOT的數據狀況之後,我們可以進行SOWT的矩陣組合,分析模塊/發展戰略:

SO增長型戰略:馬上捉住增長機遇,擴大流量規模以及品牌影響力。

WO扭轉型戰略:當環境提供的機會與自身的優勢不相適合或不能相互重疊時,自身的優勢再大也將得不到發揮。在這種情形下,就需要提供和追加某種資源,以促進自身資源劣勢向優勢方面轉化,從而迎合或適應外部機會。

ST多元化戰略:當環境狀況對自身優勢構成威脅時,優勢就得不到充分的發揮,會出現優勢不優的脆弱局面。在這種情形下,自身必須克服或迴避威脅,以發揮優勢。譬如外部同質化競爭、價格戰等等。

WT聚焦型戰略:當自身劣勢與外部威脅相遇時,聚焦資源以應對挑戰,如果處理不當會造成內憂外患,甚至直接面臨生存危機。

圖11:模塊/發展戰略定位

通過戰術執行反饋的數據,通過有效的數據分析,以及藉助工具模型,向我們具象化呈現表象之下的真實情況。(本文的拆解不向大家展示詳實的數據,只展示設計思路。)

04 建立優化措施的優先級分配

本文根據本次的操盤情況進行拆解,擬列了以下優化措施:

措施1數據及流程標準化;

措施2話術文案增強互動性;

措施3活動形式多變,保持新鮮感;

措施4通過用戶運營開發KOL;

措施5收集用戶對主題的意見及方向;

措施6其它更多措施….等。

一般情況下我們會根據業務場景梳理出大量的優化措施,但是這些優化措施怎麼在現有的工作場景上進行有效的分配呢。一般正常情況下,只是思考內部工作緊迫程度的安排的話,根據當下的業務場景和工作量,使用重要&緊急四象限進行對應的分配即可。(非常好使)

圖12:重要&緊急四象限

但是如果執行的優化措施更多的是涉及到用戶層面的優化,對工作的分配只簡單考慮到自己工作量的問題可能並不適用,因為你只是處於你自身工作便利的考慮進行分配,而不是從用戶需求的層面出發,用戶只關注自己的需求。

相信大家也了解過馬斯洛需求層次理論,從人的基礎需求出發,層層遞進,到最後自我實現。我們可以稍微的對這個工具進行適當的提煉和變形,直接套用網際網路的產品也是妥妥的沒有任何的違和感。

圖13:馬斯洛需求層次理論提煉

1. 馬斯洛需求理論

從用戶角度出發,分配優化措施的優先級。

越底層越基礎的需求越必須要滿足,如第一層基礎需求,想微信生態的語音功能等,就像水和食物一樣重要;

層次越高,用戶實現所需要的條件和成本越高,一般用戶分布呈正三角態勢;

層次越高,用戶收穫的價值越高,使用越頻繁。

圖14:用戶量級正三角分布

根據馬斯洛理論的二次提煉,可以把我們對應的優化措施,和用戶的需求層次進行結合。

圖15:進行用戶需求分類

那麼如果像上圖的層次3中,措施2和措施3同時存在,應該誰先執行的問題上,可以採用重要&緊急四象限進行快速分級,如果你認為2個優化方案都非常的情況下,可以花多點時間進行用戶調研,具體可以採用KANO模型進行用戶調研。

圖16:二級優先度分配

05 最後

我們對以上的案例拆解所運用到的模型/理論進行簡單的總結:

5W1H對活動/IDEA進行初步的活動方案梳理;

通過AARRR模型對活動路徑進行細化以及數據反饋節點植入;

使用SWOT對數據進行分析,將潛在的風險問題具象化;

針對對應問題設計一連串優化措施,使用馬斯洛需求理論進行優先度分配。

理論模型之所以久經不衰,是因為它具有超強的普適性,以及經過長期的驗證。我們可以針對不同的情況進行調整,變成適合我們工作/生活的工具,即可為我們的工作提供清晰的方向。

當你經過大量的事實驗證,總結出來具有普適性的方法論,也是可以為他人所用,創造價值。

相關焦點

  • 最詳細的RFM模型實操案例!讓用戶行為分析事半功倍
    如何讓數據分析來幫助業務掙錢,這是每個數據分析師都會考慮的問題,近幾年經常提到的精細化運營、數據驅動增長、增長黑客這樣的字眼,這背後的核心就是用戶行為分析。而其中最經典的當屬RFM模型吧,簡單好操作而且還十分實用,下面就介紹一些怎麼構建RFM模型。一、什麼是RFM模型?
  • 如何通過「拆解分析」解決問題
    複雜問題最主要的表現是,你可能會面臨多項決策,甚至可能只是知道一個大概和模糊的目標,卻並不清楚到底要如何進行決策和分析。所以,在面對複雜問題的時候,我們最需要的,是優先完成對任務的拆解,從而將其切割成簡單問題,最終回歸到簡單問題的軌道上進行解決。
  • 什麼是數據分析的漏鬥模型?
    漏鬥模型,不僅僅是一個模型,更是一種可以普遍適用的方法論,或者說是一種思維方式。本文主要談談漏鬥模型的本質、漏鬥模型案例分析以及如何繪製漏鬥模型。漏鬥模型關於漏鬥模型,我認為本質是分解和量化。為什麼這麼說,這裡以營銷漏鬥模型舉慄。
  • SPSS安裝包及教程|從理論至實操
    導 語轉載 | SPSS有話說以下文章按照從理論至實操、由簡單到複雜排序,並整理歸納為11個專題。SPSS軟體獲取及安裝SPSS軟體基礎視頻獲取專題3:數據預處理如何導入數據缺失值處理反向題處理如何計算變量
  • 常見的7種數據分析手段
    對於這類某一數據下降的問題,從產品經理的角度來說,可以如何拆解?根據內外因素分解法,『內部可控因素』:產品近期上線更新、市場投放渠道變化、產品粘性、新老用戶留存問題、核心目標的轉化。如果我想將一套計算機技術的付費課程,推送給一群持續在看C++免費課程的用戶,產品經理應該如何輔助分析?按DOSS的思路分解如下:『具體問題』:預測是否有可能幫助某一群組客戶購買課程。『整體』:首先根據這類人群的免費課程的使用情況進行數據分析,之後進行延伸,比如對整體的影響,除了計算機類,對其他類型的課程都進行關注。
  • 顧均輝戰略定位落地培訓受邀登臨中駿集團,助力企業實現飽和競爭...
    11月21日至22日,在房地產界素有「工科博士」美譽的中駿集團特邀定位專家顧均輝為集團高管進行企業戰略定位落地培訓,以期在集團衝擊千億目標、推動其「一體兩翼」戰略落地的重要階段,借力定位重組認知,用高維思想布局,助力企業戰略目標達成。
  • 機器學習、深度學習算法原理與案例實踐暨Python大數據綜合應用...
    共4天8節,講解機器學習和深度學習的模型理論和代碼實踐,梳理機器學習、深度學習、計算機視覺的技術框架,從根本上解決如何使用模型、優化模型的問題;每次課中,首先闡述算法理論和少量公式推導,然後使用真實數據做數據挖掘、機器學習、深度學習的數據分析、特徵選擇、調參和結果比較。
  • 如何用線性回歸模型做數據分析?
    編輯導語:在日常工作中,很多時候都會用到數據分析的方法,線性回歸模型看起來非常簡單,但實際上它的十分重要;本文作者分享了關於如何用線性回歸模型做數據分析的方法,我們一起來學習一下。
  • 如何建立零售行業的數據分析模型?
    同時,在企業經營管理、經營決策、戰略決策、風險管控上,經常出現信息數據依據不足、不準確,判斷困難的情況,如何有效進行數據整合以響應企業運行效率,也是零售行業數據決策的實際需求。2、數據響應不及時隨著零售業務系統的越來越多,收集的數據越來越細,使用系統的時間越來越長,數據量的增長越來越快,現有的系統已經無法對數據量較大的數據進行快速響應。
  • 如何使用PySpark來利用機器學習模型對流數據進行預測?
    來源:Pexels概述流數據是一個在機器學習領域蓬勃發展的概念學習如何使用PySpark來利用機器學習模型對流數據進行預測我們將介紹流數據和Spark Streaming的基礎知識,然後深入到實現部分這些數據是每秒從數千個數據源中生成的,它們需要儘快進行處理和分析。大量流數據需要實時處理,例如Google搜索結果。我們知道,在事件剛發生時一些見解會更有價值,而隨著時間的流逝它們會逐漸失去價值。以體育賽事為例——我們希望看到即時分析,即時統計見解,在那一刻真正享受比賽,對吧?
  • 定位原理|理解定位理論的 5 個模型(2.0)
    吉列公司已出售了護髮產品和辦公產品業務,它還應該退出所有非剃鬚領域。——《什麼是戰略》3、如何正確看待聚焦。定位理論一直講聚焦,聚焦也非常有效果。西貝成功的真正原因是聚焦。西貝一開始接受特勞特和裡斯諮詢,定位西北菜,後來定位烹羊專家。又找到華與華做諮詢,又回到了西貝莜麵村的定位。
  • 數據分析難?教你spss使用的正確姿勢
    軟體不會用,各種數據傻傻搞不清楚,尤其是怎麼分析數據更是暈頭轉向,當然跟著靠譜的老師學習,一邊看實操一邊自己做,這樣肯定事半功倍。本次我們整理出了spss的數據分析教程,都是有實操的,只要跟著做,絕對沒問題!
  • 雨果跨境COO劉宏:基於「定位」和「進化」理論,對戰略進行重塑升級
    ,以「產品唯一」的戰略思維定位,砍掉一切其他無關業務,讓蘋果回歸到正軌,這也造就我們今天見到的蘋果帝國。 這又讓我們想到「定位之父」傑克.特勞特,戰略就是定位。通過重新定位為「集成電腦服務商」,讓在1993年巨虧81億美元的IBM起死回生,通過定位為「不含咖啡因的汽水」,讓七喜成為全美排名第三的飲料品牌,通過定位「操控性與駕駛性」,讓寶馬1975年就從諸多車企品牌中脫穎而出。
  • 巧用指標拆解和連環替代,一招定位指標的最大影響因子
    我們在做數據指標分析的場景下,為了快速準確地定位到某一核心經營指標可能存在的問題,首先我們可能會考慮到將最核心的分析指標進行公式拆解,以便觀察相關影響因子的數據狀態。但是一般情況下影響因子可能有多個相關指標,那麼如何運用有效的數據分析方法快速定位到核心經營指標的最大影響因子呢?
  • 神策數據:《十大數據分析模型詳解》白皮書上線!
    今日,神策數據推出數據分析模型系列白皮書之《十大數據分析模型詳解》,基於多維事件模型,總結歸納十大數據分析模型,內附多種分析模型的實際應用場景案例!本白皮書由神策數據諮詢中心負責人徐美玲、宗海英、翟國帥等神策數據團隊成員共同完成。以下內容節選自該白皮書2017年,神策數據曾推出——八大數據分析模型,詳細解釋了各種分析模型的定義、適用範圍、分析思路、使用方法等等,一經推出,好評如潮。
  • 深入淺出:如何從0開始學習大數據挖掘分析?
    如果鑽入複雜算法和技術開發,只能讓你走火入魔,越走越費勁,並且效果不大。在公司實際工作中,最好的大數據挖掘工程師一定是最熟悉和理解業務的人。對於大數據挖掘的學習心得,作者認為學習數據挖掘一定要結合實際業務背景、案例背景來學習,這樣才是以解決問題為導向的學習方法。
  • 數據分析不落地?典型案例教會你!
    以下內容來自集齊BAT的數據er,公眾號: 古牧聊數據開局一張圖數據從業者們經常會陷入這種窘境:一方面抱怨長期做底層的髒活兒累活兒,驅動業務的機會太少;一方面真到了要給業務獻言獻策的時候,又被吐槽分析出一堆已知事實沒啥實際幫助很多文章都會選取一些理想化的小案例來拆解分析
  • 數據分析前的準備及如何為我們帶來長期價值?
    如果缺少可衡量目標的單位和方法,目標會難以達成。而圍繞目標設置數據的採集方案,可以大大節省數據過濾和清洗的時間。甚至於在明確指標後再最開始就設置好分析模型,通過監測模型中的數據情況更及時的發現問題,做出更高質、高效的決策。2. 辨別指標的目的辨別了目標和指標,下一步則是運用結構化思維進行拆解、延伸。
  • 旅遊業如何通過分析模型把握消費者購買動機?
    然而近年來,旅遊企業在利用客戶關係管理數據方面漸漸落後於零售企業,其主要原因就在於過時的分析模型。美國諮詢機構Booz Allen Hamilton的交通及酒店業務首席科學家Alex Cosmas表達了上述觀點。Booz Allen Hamilton完成了兩個案例研究,以分析旅行者在數位化購物過程中的「細節」。
  • 如何使用Excel進行數據分析?
    數據分析是理性工作,某項因素對結果是否有影響、有多大影響都需要用數據說話。各項因素對結果的影響可以使用Excel 的相關係數工具來進行分析,通過對比各項因素的相關係數來判斷客觀的影響力度。1.注意事項數據分析的對象雖然不僅僅局限於純粹的數字類信息,但是Excel 分析工具只能對數據類信息進行處理。