618 数据分析实例

阅读数:2 2020 年 3 月 22 日 21:06

618数据分析实例

京东 A 产品是支付工具,也是一款稳健的理财产品。做为支付工具主要看向其他业务线带来多少用户和保有;做为灵活稳健的理财产品主要看如何拉新且留存,提升用户量级的同时增加保有量;我们围绕这两点来展开分析。

运营策略

618 是 A 产品从商城获客非常重要的时机,各种策略运营归纳为 2 大类: 拉新和促活,从这两类延伸思考 A 的运营策略如下:

1、拉新

  • 开通京东 A 产品送支付券大礼包
  • 送现金红包开 A 产品户成功后到余额,用户可自由支配余额

2、促活

  • 用银行卡转入到 A 产品余额,享加息
  • 用银行卡首次转入 A 产品享受支付大礼包,可用于商城购物,充话费,还信用卡等
  • A 产品新手可买专享理财

618数据分析实例

图一:618A 产品策略运营分类

数据分析过程

分析思路

  • 第一步:对比各营销活动费用、成本、转化率, 利益点的使用率等。
  • 第二步: 对比各营销策略用户后续转化率、转化行为(如申购、生活消费、理财消费、商城消费),赎回、持仓等。

分析过程

1、营销活动转化分析思路

营销活动五花八门,如加息券、支付券,现金红包等。但无论营销活动形式如何变化,归纳为三点:

  • 营销活动用在什么粒度上(开户、转入、sku),发给谁(user)
  • 是否使用了优惠券(status)
  • 使用的优惠券类型(type)

为了后续分析维度建模将成本、转化率细分到每个 sku 和每个用户做准备。

**2、分析维度建模

2.1 运营策略转化模型逻辑

根据以上营销逻辑,下面按照不同营销活动归纳汇总各营销活动,各营销活动和策略分散在 4~5 个系统中,用活动产品信息表活动 ID,关联活动明细表的活动 ID,再根据业务逻辑得出运营策略转化模型 (如下图):

618数据分析实例

2.2 各运营策略留存事实表逻辑 **

① 关联「各运营策转化率事实表」「开户表」两张表的“用户编号”,得出每活动页带来的开户用户、算出每个活动带来的开户转化率;

② 再关联「交易表」的“用户编号”,得出每个运营策略激活转化率和各用户的消费、赎回等留存行为和持仓维度模型;

③ 最后用 ①和②关联得出「各运营策略留存事实表」用该表分析个运营策略的用户留存行为。如下:

618数据分析实例

数据分析应用

1、从用户开户且激活的角度,看各活动转化率对比,雷达图可得出 C 活动效果最好, C 是长期且成熟的运营项目、深入分析该活动曝光量、活动逻辑、产品流程,整体体验较好,转化率较高。

618数据分析实例

2、综合对比各活动人均开户成本和开户转化率,C 活动效果最好,开户转化率较高且人均开户成本较低; G 活动效果最差,开户转化率低且开户成本高,深入分析 G 活动后得知,该活动发奖逻辑跟其他活动重复,本活动带来的开户少,券使用率高,以至于平均开户成本增高。

建议:优化发奖逻辑,避免重复发奖, 优化细节这里不列举了。

618数据分析实例

3、每个活动汇总后,根据运营策略分类,对比各运营策略用户留存、转化率。得出以下:

  • 开户率和激活率对比,三种运营策略中,红包拉新和支付大礼包拉新对比,支付大礼包的激活率较高,但红包拉新的用户绝对值较高、整体看红包拉新效果好,但是用户质量相对较低,激活率偏低,。

    建议:根据用户特征精准推荐 A 产品的功能,激活用户;

  • 转化到其他理财业务线的留存行为对比,三种策略用户理财消费转化率对比,支付大礼包的促活的用户,理财转化率最高, 三种策略的用户都可享受加息, 但只有支付大礼包的用户理财转化率最高, 但整体大礼包的使用率不高,深入用户行为和特征后发现大礼包的券的类型,并没有满足大多数用户的行为 + 特征。

    建议:根据分析结论用户特质优化券的类型。

618数据分析实例

PS: 以上分析思路纯属抛砖引玉,具体分析角度非常丰富, 在此不一一列举。

后记

近年来流行的“Growth Hacker”的核心,其本质就是通过技术创新和数据分析,实现精细化运营,达到增长的目的。在实际业务工作中,数据分析和业务运营精密相结合,不断尝试,用数据来优化运营策略,进而实现客户和业务的增长。

评论

发布