京东出品！8分钟了解如何做运营活动数据分析！

本文将围绕运营活动讲讲，如何通过数据分析判断一场运营活动好坏，以及通过数据洞见活动的问题和机会点，为下一次活动提供避坑指南和增长方向。话不多说，直接入正题。

什么是个好的运营活动？

怎么样才算是一个好的运营活动？活动目标达成，且达成目标投入的成本是合适的，即投入产出比较高，则可以给出结论这是一个好的运营活动。

1. 判断目标是否达成

所有数据分析的开始，都是有某一个目标的。运营活动数据分析的开始，也是要回到最初始，我们规划这场活动的目标是什么？衡量的关键点是找到量化活动效果的数据指标，也就是大家常说的“第一关键指标”或“北极星指标”。

北极星指标来源于本次活动的目标，电商促销活动中最常见的目标就是快速卖货带动销售，相应的北极星指标就是GMV（订单金额总和）。然后选取合适的对比对象，对比判断北极星指标是否有达成质变。如跟去年同期活动、或者同等量级且定位相似的活动进行对比。

值得注意的是，因为北极星指标常常会受到多重因素的影响，比如GMV的增长可能并不是运营策略有效，而是大盘流量的自然增长带来的。所以有时候除了看北极星指标，还需要对北极星指标进行拆解，判断拆解后与本次活动核心策略关联最紧密的指标是否也达成了质变。

2. 为达成目标，投入产出比是否合适

电商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，以及广告投放、KOL明星合作等。通过这些投入，可带来更多的流量和转化，从而提升售卖GMV。促销活动的最终本质离不开商业价值，投入产出比越高，商业价值也越高，这也解释了为什么促销活动不直接就所有的商品都降价，让消费者以最简单最优惠的方式购买，而要做优惠券、满减等玩法。核心其实就是为了让平台和商家能以尽量少的成本获取最大的价值产出。

复盘，获取某增，付，相往或类似否偏。

怎么通过数据分析找到问题和机会点

数据复盘报，见况，极指标涨or迭，结论目标or未。，往，问，极指标变？往往法肯确切答，需数据深挖掘。

1. 什么是上卷和下钻分析

讲深析，需先讲讲卷钻析。数据析卷钻简，转变逻辑树“”“细”，把额拆、、域析钻，把、、深圳、莞析卷。随钻卷，数据断细，程，往往问题根。

2. 对北极星指标有选择的进行维度下钻分析

下钻的思路需要遵循从宏观到微观、一层层往下细分的逻辑，但并不代表在每一层都需要对所有的维度的细分数据展现出来。下钻的维度有非常多种，需要基于对业务本身特征和本次活动的策略的了解来判断选用哪些维度来进行下钻，只需要展现最重要的细分数据即可。

钻程固1或者，往往组节，。，往往择拆，若够，则枝桠细。够显著节被留，并继续细，止。程，响极指标变素。

以下列举一些电商促销活动中常见的下钻分析的维度：

公式拆解

最常见的公式拆解是GMV=流量*转化率*客单价=UV*UV价值，通过看拆解后的指标对比，找到带来北极星指标涨跌的关键指标。下面的数据案例可看出导致GMV下跌的主要因素是流量UV大幅下降而产生的，下一步，就可以从流量UV进一步下钻分析，看是哪些渠道的流量来源发生了较大幅的下降。

按渠/流拆

渠即流渠，见访问流、//条/易投渠、裂变享流，渠盘数据，响某指标键渠。若某渠显著升/低键指标，则渠钻析。图案例，APP端升键指标，渠则低键指标。

按终端拆解

常见终端拆分如IOS/Android、APP/M/PC/小程序、使用设备机型等，通过对比不同端对整体大盘的贡献及不同端各数据指标的横向对比，可找出影响某一指标的关键端。下图案例中，APP端-IOS提升了关键指标，M端则拉低了关键指标。

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，常见的如预热/高潮/返场，如果有这样的分时期的策略，则可按时期进行数据拆解对比，找到某数据指标下显著高/低的时期。

除了时期外，按时间序列维度（月、周、天或小时）来进行分析，找到影响关键指标的特殊时间点，然后去复盘该时间点在投放的流量质量、分时的运营策略、选品、页面设计等角度是否有什么差异，排查影响关键指标的可能因素。

按业务/品类拆解

此维度往往是偏运营/采销视角的，关注的是某业务/品类对关键指标的产出，需要结合具体的选品盘品策略来分析是否有效。当品类数量较多时，可以参考下图的帕累托模型来观测数据。观测的主要点为结合各品类的盘品量级和曝光量，判断改品类是否有带来相应的售卖产出，若偏低或偏高都值得特别关注，后续可以据此做备货和曝光量的策略优化。

按功能模块拆解

此维度跟页面设计关联性最强，涉及到页面内容框架的安排与具体每个模块的功能&信息呈现。可以围绕北极星指标或其拆解指标观察各个模块（楼层）对指标的贡献情况，对于位置靠前曝光量大但贡献低的（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，进一步挖掘原因。

按户群拆

规群类按息类诸、龄、婚姻、域，及户。注，细户群，按照族、Z、殊征群异策略。

具体要选哪一种人群维度来下钻，首要的参考因素是活动策略里面有没有针对这个维度进行差异化运营，前面提到的策略里面就有按用户分群进行精细化运营的，就一定要按此维度下钻看每种人群策略是否有效，是否有带来北极星指标的增长。 其次是该维度下的人群数据差异是否足够大，我们后续是否有资源在此维度上进行发力，如某活动中女性用户占比显著高，但贡献的GMV却显著低，我们就可以尝试对女性用户进行进一步下钻分析，判断我们是否能利用现有资源进行提升女性人群的售卖转化。

人群下钻的方式可以更加精细（需要有足够的数据源支撑），除了直接对比不同人群间的核心指标以外，还可以针对某类人群进行前后链路的行为路径漏斗、购买偏好等特征进行分析，以及结合用研定性调研，挖掘该类人群可能遇到的问题以及后续可进一步撬动的机会点。

3. 还可围绕关键维度，结合其他维度进行交叉分析

完成多维度的下钻分析之后，针对特别重要的某几个维度，还可以尝试进行多维交叉分析。例如，将用户性别和渠道交叉，可能会发现微信端的男女用户跟微博渠道的男女用户差异，将品类和时期交叉，可能会发现不同时期更适合不同特性的品类爆发。

但需要有个预期，此步目前实际操作上可能会难度较大。一方面，对数据提取和处理层面要求较高，需要获得专业的数据分析师投入较多精力来支持；另一方面，对交叉对象的判断需要有足够的业务敏感度和行业经验，对现状先有一轮深度的思考，洞察/推断到一些迹象表明某两个因素之间极有可能是有关联的。不然有可能出现花了大量的时间和资源进行交叉分析，但得不出有实际价值的结论。

4. 过程指标也不可忽视

为什么要看过程指标

数据指标可以分成结果指标和过程指标。过程指标是产生某结果的中间过程环节的衡量。结果指标往往是从活动的商业目标中来，用于衡量有没有达到商业目标，更多的是在某个阶段结束后，进行数据复盘用。如促销活动中，销售额、订单量是结果指标，带来这些订单的一层层的访问流量、点击量、加购量、支付成功量是过程指标。

但在日常的数据追踪中，更有价值的事情是根据当前的数据情况，及时做出调整，以保证结果指标达到预期。这时候过程指标就更重要了，因为结果指标只是结果，但过程指标可以追踪到细化的问题环节，指导该环节的优化，带来结果指标的提升。

怎么找到过程指标

过程指标可以从项目执行的响应关系、以及用户的触点路径里面归纳出来。例如在一场大促活动中，会涉及到活动页面规划、采销盘品、市场宣传投放、用户了解活动到下单支付、物流配送、客服服务等诸多环节，把整个活动各利益相关人和行动事项按时间序列梳理处理，就可以从中挑出跟自己所处角色强相关的环节以及其对应的过程指标。

怎么用过程指标

过程指标最重要的用法是实时追踪监控，判断其健康程度。判断标准可以是该业务同时期的数据规律是怎样的，目前进展的阶段低于还是高于常规情况，并据此作出策略决断。例如，以往618呈现的规律是6月1日凌晨有一波流量的爆发，但是本次爆发得不明显，就要排查本次的各渠道的投放是否有正常进行，是否需要及时加大预算投入。

5. 对细化的具体策略做验证

此步骤是每个数据分析都必须可少的环节，相对来说会更简单直接一些，主要的思路可以参考之前的数据系列文章中介绍过的OSM（目标-策略-验证）模型，根据现象选取合适的衡量指标，然后进行策略前后的数据对比分析。具体就不过多赘述了，有兴趣可以参看《写给大家看的数据分析思路（二）》

几个需要避免的点

1. 一切数据都来源于数据库，对其他数据无视（外部数据、调研等）

数据库中的数据很多时候并不能反应所有的量化需求，比如用户在这次活动中下单了，但他的购物体验是好是坏、以后是否还愿意继续参与此类活动等问题、跟友商相比感觉如何，此类问题更适合的方式是找到典型用户来进行深度的访谈或做广泛的问卷调查。

2. 不加选择的进行数据分析

数据分析的角度有非常多种，不同的分析角度适合不同的分析目标，应该围绕目标问题去选择合适的分析维度，而不是照本宣科按模板把所有的都跑一遍。且有些环节无法得到高质量的数据，有时就需要做出决断，宁愿不做此方面的分析，避免因为不准确的数据导致错误的决策。

3. 先有目标结果，再进行数据分析，报喜不报忧（仅为了汇报）

在某些汇报的场景下，为了方便上级快速get结论，往往不会把详细的分析过程和细节展示，而是挑重点结论出来形成报告。作为汇报人，常常会不自觉的报喜不报忧，优先展示好的业绩，忽略或跳过一些复杂难以阐述的问题。长此以往，可能自己也会被说服，对存在的问题不予以重视。

4. 数据并不能解答所有的问题，对业务的理解和思考有时更重要（研究业务本质问题比研究KPI指标更重要）

在绝大多数的数据分析场景下，KPI数据往往是所有人关注的重中之重，一旦出现下降，就会通过维度的不断下钻，定位问题数据环节。这时候，从KPI视角来考虑，就会去思考怎么去解决问题环节让KPI提升，然后工作就到此结束了。这种模式带来的弊端，会让人过于迷信数据在思考上偷懒，做的都是亡羊补牢而不是未雨绸缪的事情。

有些时候数据问题背后的问题并不能单纯靠现状数值来解释，而需要人跳出现状，看行业发展、研究市场动向、理解用户心理来洞察。所以，看数据之外，每个人都需要有留有思考探索业务本质问题的时间。

欢迎关注「JellyDesign」的小程序：