互联网大数据背后的秘密 分析创造商业价值

转自:36大数据

原文网址:http://www.36dsj.com/archives/33179

Part 1 互联网移动和网站分析的核心是转化

今天很多是创业公司或者BAT公司,大家把时间花在下面,美国做了一个研究,大部分数据分析师和科学家花很多的时间,只有10%时间创造很多的价值。那么势必我们会产生更少的价值,用更多的资源,我觉得企业急需要解决的问题。不应该把时间浪费在下面,要做大规模自动化。

第一,我们要把数据决策权给公司里大量的员工,在过去五年在Linkedin做得最有 价值的事情,数据决策的权利给了很多很多的Linkedin内部员工,我们用技术引导很多人,能用数据做迅速决策,做大量决策,这点是我们看到一个趋势

另外一个趋势,美国发现数据分析变成自动的东西,已经不是一个人做高级模型还是机器建模型,慢慢就抽象出来有智慧和智能,这种智能会产生很大的价值。大家想想,中国以前有《孙子兵法》,《孙子兵法》讲一句话,妙算胜寡算。如果道理是对的话,每个人用数据做决策,这对我们的业务一定会有很大的价值和产出。

下面节省时间,尽量自动化下面,把时间放在上面去,这是每一个数据驱动里核心的竞争力。这种竞争力,我给大家举一个例子,Linkedin讲的三个东西,产生了大量的数据,数据又产生了大量的价值,价值变成市场,再次反哺,是三角形的关系。

今天我们要谈的也是这个,如何把刚才说的一些比较虚比较技术性的东西和今天业务相结合。这张图是一个我从互联网上拷贝下来一张图,它叫Life Cycle。这个是生命周期,每一个企业都会或多或少经历这个周期,每一个人都要经历这个周期。大家看看非常有意思,制造阶段、成熟阶段、成熟阶段、衰减阶段。我们用户群,第一个阶段往往是有革命性的感觉的人,想来用新产品的人,这是很少一部分人。然后主流的人开始应用,然后是滞后用户,最后是衰减。很多产品市场策略通过这个做。

今天我们做的各种营销产品有五个环,我这里面第一个环叫品牌认知,已经提到了;第二,市场运营、获取;第三,产品交互体验;第四,销售线索转化;第五,客户忠诚度、留存。大家看看最大化这五个词它的核心是什么?它的共性是什么?

谁知道什么是SOV?五环后面全是KPI全是数据?你在获取认知的时候,你在市场里当你有多少生意,基数是全世界的生意,您的生意在全世界占多少。

首先,PFP,什么意思?我们要为每一个转化要付多少钱。

PPC,每个点击应该付多少钱。

CPM,千人点击率暴光成本。

我们可以再写50个往下,我们今天的企业是否也提上日程开始关注转化点。

第二是成长,尽量低成本获取客户,迅速大量获取客户,社交网络提出这概念,把口碑做出来,推荐新客户这个产品,变成注册用户,最后变成专业的注册用户,比如Linkedin,第一点,他注册,他完成简历就是变成专业注册用户。

CAC,客户获取成本,我每一次获取客户是有成本的,这里面没有东西是免费的,我们获取成本是有成本,我们要付出精力财力人力。

Cohort,我们需要理解客户,比如第一天进来的客户。成长里面有一系列的KPI,很多公司要关注它核心的东西。

再下来是Engagement,每天有多少活跃用户,MAU、PPV、UV,Engagement数据是最大的,登录的频次,哪个区域来的人,哪个渠道来的人,这也是最大最有价值的数据源。

再下面是Monntization,电子商务有多少付费,购物车的数量,ASP,你单价是多少。GMV,电商用这个词汇,整个销售额。再下面MRR,Linkedin里面有一个最核心的值就是MRR,是一个Saas企业,是按年按月付费的,这点对Saas重复付费的企业是核心的营收指标。再下面LTV,整个客户全生命周期的价值,这里边衍生成40、50个。

最后一点,就是Resurrections,用户流失怎么办?有多少睡眠的用户,有多少僵尸客户,再下面沉重的客户,不用的忽然被拉回来,再下面有流失的用户。大家想想,每一个这里边的KPI背后都有是什么?背后都有我们怎么做。

为什么我们有Doramnt Users,我们需要重新激活,如何激活,营销手段、电子邮件、广告把客户重新激活,为什么?因为保持一个客户成本远远低于获得新的客户的成本,基本贯穿所有行业。再下面比如说Churend用户,Linkedin把利润弄得很薄,最早期5年以前刚去公司,每年假设一百个用户注册,转年只有一个用户还继续付费,99%的人都离开。当我们离开的时候,100%的流失率变成50%变成20%的流失率,这种流失率的减低,在营收上是呈几何倍数的月销售额的增长。Linkedin的营业额,我去的时候6千多万美元,变成25亿美元,我估计今年能达到30亿,大家想想看增长超过40倍是怎么做到?把这个值做好,把Churned降低了。所有KPI的背后都有一套打法无论从销售、工程、产品上都有各种打法,我想把核心理念跟大家分享。

Linkedin最大的营业额来自于企业级服务,卖给公司,卖给公司的过程,把公司视为用户进行转化。怎么做?

第一,通过营销手段,把公司和企业变成销售线索,销售线索变成机遇,再一拨的转化就变成销售,这个人就变成一个客户,买超过一次的人,这是一个漏斗,最后保持客户忠诚度。我相信每个企业来保持这个漏斗,分析漏斗的合集,说起来简单,运营起来复杂,Linkedin有800多个KPI,刚测试的时候只有100、200个,现在有800个,如何管理呢?很简单,我们需要在用户级别对数据进行规范。

以往出来的各种工具,比如说不管谷歌的分析,大概有30%、40%人用过,很传统工具它的分析对象不是人,而是物。比如说首页有多少注册了,都是围绕物和内容来展开,这一点违背今天的核心概念,我们所有的分析一定要以用户为基础,才能把整个生命周期打通,漏斗的核心概念以人、用户为基础的方式。

第二点,整个漏斗本质就是要把一个非付费或者非活跃变成付费变成活跃过程,这里面核心有两点,第一点,我们需要知道用户该怎么转化?我们叫定义。一个事我们是不能衡量,你很难改变它,这句话不是我说的,是管理大师说的,一个事物如果我们不能衡量,我们就不能改变它,比如我想减肥,家里没有称。比如我想财务获得自由,我根本就不知道我有多少钱。比如说我想去一个地方旅游,我根本就不知道那个地点离我有多远,所有东西必须有衡量才能增长,这是为什么分析很重要的原因。

Part 2 如何用数据提效

第一,增加新客户,我们需要知道分析每个渠道来了多少客户,谁是从哪个渠道来的 ,这是非常重要的起点,否则我们投放很多广告没有任何反馈。

第二,如何提高社交网络效率。比如在自媒体或者社交网络平台上,广告影响力是什么样的,非常有意思,衰减速度很快,衰减速度呈几何倍数增长,但是能持续两到 三天,这是分析出来,第一天转化率多少,第二天,第三天,第二天半就过了,另一个生命周期就开始了,下一个运营又开始。

第三,各个渠道的客户购买倾向。每个渠道来的人,一定有不同的行为,这是我们通过各种数据分析看到的结果。比如百度渠道来的,360渠道来的,比如好搜、比如谷歌渠道来的,他们一定有细微的差异,差异体现在用户转化效率,获取客户成本上面还有ROI上面,一般把流量做一下,这是远远不够的。

第四,客户区隔,定制营销方案。每一个客户有自己的属性,但是每一个客户都有相似性,全世界的人不是都要买苹果,有倾向性的客户放在一起,大幅度降低获取客户成本。第二,我们可以迅速把产品在这些客户里面进行复制,一复制产品增加营销销售额,同样的产品放在同样人群里面复制很快。

再有一点ROI,我们需要非常迅速持续的去衡量各个渠道来的用户转化和投资回报比,这一点,老美确实是做得非常好。当时我在零售业的时候,他们每次发一次广告,要详细计算成本,包括印制传单成本,比如说营销设计成本,发多少广告,工本费,另外一点产品打折成本,各种成本计算还有计算产品大约要卖多少件,大约要卖多少钱,所有这些东西都算完。最后算每个用户购买可能性,计算所有成本,才会把这封邮件或者offer发出去,这样每一次提升运营效率,有运营效率就是挣钱,每一次营销都要挣钱。

再举一个例子,产品分析。在座的,谁不是互联网企业?互联网企业核心概念产品的体验,产品体验变成核心价值观,要想做出口碑来,产品必须要好,怎么能好?我们如何知道产品做得好与坏,需要客户反馈,多少人为产品做过市场调研?三个、五个。做市场调研的企业还蛮少的,这是一种事实。客户也许给我们调研,他会撒谎他会说得不太对,但是客户行为会反映他是否真正喜欢我们的产品,这就是数据会驱动整个产品设计一个核心概念。

首先,我们需要知道用户都在用什么。第二点,我们需要知道用户使用是不是非常流畅,这里又换到流和漏斗概念,从功能A到功能B,流失率有多少,这是我们必须要关注。转化的效率,持久关注转化。在EBAY,我们观测从购物车到购买,我跟大家讲这个,每个小时的变化不能超过0.1%,0.1%的差异就需要立刻检查到底发生什么,无论它升高或者减低了,大家想想对转化效率追求极致,导致挣钱核心原因,我们知道每一个原因,一百个进购物车只有50个人才交费,慢慢出来能形成指导体系。

再有一个用户画像,知道用户属性。在美国核心关注在是男士还是女士,收入状态,住在什么地方,年龄等等,理解用户画像会产生更多价值。在美国今天这部分产生价值远远低于用户使用行为产生的价值,为什么?用户画像的数据往往都是缺失或者静态都比较老的数据,用户行为是动态,数量很大,我们迅速知道它的RFM。分析里面有一个RFM,F,代表来了多少次,M,花了多少钱,用三个指针构建一个模型。

下面理解用户趋势,判断一个用户,通过各种细微信号,得到他的倾向性,不是用一个指标预测,比如首页登录频次,购物车用的次数,搜索频次等等所有细微指标慢慢加起来就会形成一个非常平衡的指标,这个指标就是倾向性。比如以前我们针对Linkedin企业用户那些公司,给最后销售看的数字就两个数字,大家看了850个指针,真正给销售看是两个数字,第一个数字用户购买,叫温度,温度越高购买可能性越高。第二,健康度,什么概念?用户用越多,就越健康,就用这两个维度对全世界的公司进行排名,发给每个销售人员,产生销售线索,就这两个值,热度和健康度,而且画的图,把所有客户放在一张图上面,非常健康的用户却不购买,这边是非常高购买欲却不使用,还有这边既有高使用和高购买。经常使用不交费,如何让他付费,我们又把客户分成三个群,既不用又不购买这些用户,我们又有另外一套打法,高加高,高加低,加低高,低加低。

再下面假设检验,这一块在产品做AB测试。AB测试是最简单的能验证产品性能的方法,一定首先核心KPI体系建设完了,一个事物不能衡量,你很难增长它,首先要把核心指针定完,定完要迅速的把客户区隔进行各种检查检验,比如把成本A是这样的表现,成本B是这样表现。刚才跟创始人聊了一下,没有一个产品是一次就设计好的,很多产品都是反复的迭代的把它产生出来,所以不停用数据设计它的效率,因为真正的老师是客户,客户用得好是产品设计得好,客户不喜欢是产品设计有问题,这是不断迭代的过程。

Part 3 如何增加销售、促进客户留存

如何用数据促进销售?我就想迅速讲。我们如何能判断一个客户是否买单?这是一个非常重要的问题。 做了很多的活动,把人拉进来,怎么判断一个人能买?就是通过他对产品的使用,就能判断他是否会买。一个网站,一个人看了90个页面,另外一个用户就看两个页面就撤了,看90个页面的人必然大于看两个页面,然后还要分析,用户用的哪个页面哪个功能会增加他的购买度?

大家看看,经常搜索的人和一个点一两次广告,搜索的人想要什么东西?搜索频次高有自驱力想买东西,我们要找到产品点。下面,针对B2B企业讲得很多,在Linkedin,我们分析完了发现公司各个关系不一样,认识里面人的人,认识决策人。最后如何接洽,不是每个客户行为是完全一样,比如一个曲线是呈M型,一条曲线,早晨9点是低谷到中午上去,12点下来了,然后又下去了,6点变成为零,这是什么样的公司的一种使用情况?M型曲线,早晨8、9点开始,中午吃饭减低,然后回去,下降。国企,企业软件,一般针对于企业用户是这样用。再看一个,早晨8点这样,一上班这样,中午又上面。微信。

再看一个,这样上去,到夜里头还不停又下去了。玩游戏的,年轻人。他们看每个趋势是不一样的,人的行为在很浅的线,这些线,上来看这条线,这条线是很多小线组成,叠加在一起成为M的曲线。我们把客户拆分出来,大家发现公司里面有很早起的人,还有很多高活跃企业用户,有可能是晚上才用,这里面慢慢把客户区分出来,针对他们有不同的打法、方法。

最后一点,举Linkedin的例子。以前Linkedin去卖东西都得拍脑子,谷歌,一百万美金,今天就把它搞定了,后来通过数据分析,分析出来,谷歌每年得花500万美元,实际上跟谷歌签的单子,五年2300万的和约,通过数据分析看到了使用频次是非常高,用户活跃度很高,雇了很多很多人,各种汇聚,看去年招了7千人,都是从ABCD公司招来的,这些人干什么东西,你通过内部推荐招40%,剩下需要猎头或者HR,算来算去。客户每一次听这故事就买单了,那是事实,是从数据里推演出来,我讲Linkedin的故事,我想大家自己的企业一定有自己的故事,故事非常美妙,数据讲通了,有一个好处就是规模化。比如网站,去台湾讲是这个原因,去美国讲是这个原因,都基于数据,很简单。

再下面讲用户留存。最后真正挣钱一大部分都是从客户留存来的。大家有多少人玩过《愤怒小鸟》这个游戏?大家想想《愤怒小鸟》有一只鸟,飞到半空中,摁一下,趴一下,一个小火箭把鸟飞远一点,《愤怒小鸟》那个曲线是不是抛物线,大家想想《愤怒小鸟》抛物线跟生命周期有类似之处,我想问一个问题,我们想让这只小鸟飞得远一点,不要立刻落地,落地就假设它流失了,我们应该在哪一个生命周期做工作?小鸟起来了,中间快降落了,在哪个点,比如分三个点,起飞点、平衡点、降落点,将要降落的点,什么时候您给它一个推力,小火箭点一下。

结论我也不做决策性的东西,大家回家可以玩一下,找那个功能试一下。Linkedin最早的时候是这样做的,我们做的模型客户流失,加上产品,赶快给客户,50%折扣,或者给客户发一个邮件,这一个单子都免了,下一个月再付费,发现客户立马关了,我们当时反省用户流失,模型会产生负面影响,思考怎么办?是因为用户他不使用这个产品,我们产品没有价值,怎么做?把邮件或者营销方法提前,提前到小鸟飞行中间节点,在半年的时候是不是跟客户接洽,发现好一点,流失率从50%,变成30%多。后来很大一部分用户早期付完费根本不使用,有微软的同志吗?挺好,谢谢。微软付了好多好多钱,从来都不登录,这种不登录用户以后一定不续费,Linkedin在很早期,一星期用户登录,从来不用,立刻派人给这个公司做培训,大家想想,《愤怒小鸟》,大家回去玩一下,数学分析和物理相关系,把低活跃变成高活跃,为未来流失减低做了很多伟大贡献。Linkedin成功团队在这些分析基础上慢慢成型的,上来做完以后一拍脑子,后来预测到用户流失打电话,立刻流失,中间好了很多,早期非常非常好。今年Linkedin,内部消息,原来20%,今年的目标是多少?流失客户20%减到10%以内,每年付够90%的用户,大家想想自己管理客户成本周期,所有数据和业务是完全强关联,管理客户流失在早期就要进行行动。

每个客户流失时间是不一样的,因为他和您的产品接洽时间也不一样,我们又回到生命周期的方法,早期关注客户的行为,生命周期,每个人都不一样,以前所有用户加起来报一个数,这是错误的,鸟飞得远,不是同时发出去,是按照时间点发的,每个用户精确管理它的生命周期,生命周期,也就是今天我们讲的行动和数据紧密结合。

再讲讲Growth Hackering。Linkedin以前投资者,他们组织活动,题目就是Growth Hackering,如何建造好的创业公司,我每次去很无聊,不是人家讲得不好,本质上来讲,他们60%讲数据分析,如何用各种工具来调优、监测,40%讲的是方法、打法、渠道,我从哪个方式哪个平台,大量的东西都是集中在用工具上面,我去了那种比较小的企业,如何能衡量你的市场运营效能,如何能促进你社交网络活跃度,如何用推特进行营销,所有这些如何如何背后都是各种的解决方案和工具,小的公司一般没有资源,一系列数据分析为依托。大家是一个中小企业,不要去自建数据仓库,大数据解决方案,回到刚才Growth Hackering,大家看一看,早期的企业成长型的企业,关注做好自己的业务,是需要人、钱,想想大数据分析师、Hadoop工程师,这是非常重体力的东西,早期不要陷入这个里面,是很高成本低价值,它的价值会在一到两年会彰显,我建议大家用各种工具帮您的企业来做调优。一个好的医生他可以很迅速用各种工具,是一个我们把公司特别从无到有建起来很重要的过程,一种手段。

大家知道这个电影?《星球大战》,这个场景非常震撼,为什么呢?不是因为是电影特效拍特别好,是因为它本身来说,它反映以前我经历很多事情。当时这个是星球大战第五集里面,优客,用原力把宇宙飞船拖起来,我用念力把石头拖起来,不能把宇宙飞船拖起来,太沉了。我想跟大家分享是什么呢?后来卢克说,这是不可能的,这就是为什么你失败了。

很多事情大家一定要有信念,有些事情是不源于事实。

END

版权声明:

转载文章均来自公开网络,仅供学习使用,不会用于任何商业用途,如果出处有误或侵犯到原作者权益,请与我们联系删除或授权事宜,联系邮箱:holly0801@163.com。转载大数据公众号文章请注明原文链接和作者,否则产生的任何版权纠纷与大数据无关。

原文发布于微信公众号 - 大数据(hzdashuju)

原文发表时间:2016-06-12

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏数据派THU

【36页纯干货】大数据与新媒体传播

本文共4600字,建议阅读时间7分钟 《新媒体指数和传播风暴研究》是RONG系列论坛第一场——大数据与新闻传播专场论坛中的议题,主讲人为清华大学新闻与传播学院沈...

1989
来自专栏Rainbond开源「容器云平台」

好雨云使用OKRs做绩效管理

1014
来自专栏互联网技术栈

软件架构师的12项修炼[1]——关系技能修炼(1)——文雅、沟通、协商

如果我准备去见一些了解你的人,例如你的邻居、同事、家人等,他们会怎样评价你呢? ❑ 他们会说你工作努力吗? ❑ 他们会说你正直诚实吗? ❑ 他们会说你举止...

452
来自专栏机器人网

德国:“人机协作”领跑“工业4.0”

大众汽车用机器人制造汽车,高智能、高性能的库卡机器人游走在各种工厂之中,人与机器人的和谐共生正在掀起制造业“变形”的革命。 “机器人Robot”最早源于捷克作家...

33211
来自专栏大数据文摘

[干货] BIG DATA + BIG IDEAS = BIG IMPACT(70+ PPT)

1334
来自专栏华章科技

如何提升数据的价值让大数据变现?

这是一篇行业“清醒文”,作者对大数据变现有着清醒的认识,并结合自己的实践经验进行阐述。同时,这也是一篇“退烧文”,是给高举高打大数据概念的现象来了一剂退烧针。再...

783
来自专栏一名叫大蕉的程序员

应当根植在我们脑海里的原则No.90

应当根植在我们脑海里的原则 PS 我不管我最可爱 这几天看完了 RAY ☻ DALIO 的《 Principles 》这本书,有一些话觉得受益匪浅。分享给大家。...

3438
来自专栏PPV课数据科学社区

白宫大数据团队,意欲何为?

周四白宫通过博客选对宣布将成立专门团队研究大数据,誓要弄懂大数据能带来什么好处,也要明白大数据背后的陷阱,以及大数据对政府的政策制定的影响。(大数据主要针对个人...

3194
来自专栏华章科技

谁站在大数据金字塔的塔尖?

虽然数据科学家的需求一直在快速增长,但事实是在业内还没有对数据科学家的准确定义。有人开玩笑说,「数据科学家就是住在硅谷的数据分析师」,甚至有人画了这样的漫画:

461
来自专栏腾讯研究院的专栏

老企业的创新定律

image.png 推荐语: Moore是硅谷最有影响力的思想家之一。这篇文章最大贡献是理清和扩大了我们对创新的理解,并结合产品生命周期理论提倡企业...

1795

扫码关注云+社区