4.1 数据分析团队与业务团队的分工和定位

在数据化运营实践中,数据分析团队和业务团队既会密切配合,又会保有各自独特的专业性。业务部门有自己的专业领域,并有相应的专业技能要求,但是围绕数据化运营这个大场景时,业务团队则必须具备与数据分析相关的一些基本技能和要求。本节以在线运营团队为例,详细说明数据化运营场景中运营团队应该具有的与数据相关的基本技能要求。另外,虽然目前对于“网站运营”的准确定义还缺乏一致的看法,但是主流的意见是:凡是承担网站运作和网站营收工作的,都属于网站运营的工作。这个定义在本书里将会贯彻始终,后面不再重述。

4.1.1 提出业务分析需求并且能胜任基本的数据分析

在数据化运营中,运营团队的员工首先要会提出合理的、有价值的、有意义的业务分析需求,即提交需求给数据分析团队。可以说,数据化运营来自于业务需求,服务于业务需求,而业务需求的一个重要来源则是业务团队(包括运营团队)的需求。运营团队不仅要提出分析需求,而且应保证这个需求是合理的有价值有意义的,也就是说需求的提出要经过业务团队内部的讨论、过滤,尽量避免无效、无理需求的产生,从而避免资源浪费,也可以提高分析效率和数据化运营效率。由于各业务团队的业务水平有差异,因此需求的有效性也有相应的差异,有些来自业务方的分析需求甚至是伪命题,而这很可能是业务团队自身对于业务逻辑的思考不严密或者对于数据分析的应用条件不是很了解的反映。比如,某在线运营团队通过电子邮件的持续运营,激发受众的活跃性。他们发现,有些受众对于电子邮件的响应很积极,打开邮件、点击链接的比例比较高,而有些受众对于电子邮件的响应不积极,很少打开电子邮件,更不要说去点击其中的链接了。基于这个直观感受,该运营团队提出了数据分析需求,希望建立一个预测模型,预测谁最可能响应电子邮件的宣传(最可能打开邮件、点击链接等),谁最不可能响应电子邮件的宣传(最不可能打开邮件)。虽然这个需求乍一看很合理,但是仔细想想,分析的很多数据条件不具备:用户是否打开电子邮件受很多因素影响,比如广告是否有促销、促销力度是否大、文案是否吸引用户等,而且历史数据里每次运营活动的主题都不一样,具体的主题却没有数据记录。这些关键因素都决定着用户是否会点击邮件,但是这些因素在历史数据里并没有记录在案。在这种情况下,仅仅根据用户的注册属性和部分网站使用行为去搭建预测模型,来预测用户是否对电子邮件运营响应度高,风险会很大,很有可能做到最后不但浪费了资源,而且模型效果不好。针对这种情况,数据分析师建议先对响应受众进行简单的统计描述分析,看是否有比较明显的有价值的特征发现,再基于这个分析总结去决定是否需要搭建预测模型做深入分析。

当然,业务团队提出分析需求的能力和水平也是一个不断提高、不断进步的过程,其中数据分析团队和数据分析师在引领业务团队数据化水平成长的过程中扮演着重要的“授人以渔”的角色。

业务团队和业务人员应该具备怎样的基本数据分析技能呢?具体来说,以下一些重要的基本技能是在数据化运营中作为一个合格的运营团队和一名合格的人员应该具备的:

❑图表处理能力:运营人员应该具备基本的图表处理能力,包括针对具体的运营场景,自己会制作趋势图、分布图、透视表、二维交叉图等。

❑读懂报表的能力:能从自己业务相关的日报、周报、月报、监控报表里发现跟运营有关的异常现象,并且能合理地解释数据的波动。

❑细分用户的能力:能按照合理的维度切分用户群体,并且能针对不同群体进行细分运营。这里的合理维度主要是指基于运营方的具体运营目的,能提炼出简单却重要的核心要素(变量),并且能对其进行合理的维度切分。

❑运营监控的能力:能设计、制作简单的监控表格,从而监控运营过程和关键环节,包括为了监控而去页面埋点,以及如何控制运营的节奏等。

❑有编写简单SQL的能力:SQL是结构化查询语言的英文缩写,指的是一种非常主流的数据库查询语言,通过该语言,用户可以从数据库中提取所需的数据。运营人员掌握了简单的SQL语言后,就可以随时对自己感兴趣的数据进行简单的查询和抽取,而不用事事都让数据仓库人员或者数据分析人员去帮忙,提高了查询和分析的效率。

❑有分析总结的能力:运营人员能针对具体的运营活动进行效果总结,能针对目标受众的属性进行单维度的简单统计分析,能理解数据分析师的分析报告,并且最好能提出自己的建议和意见。

❑目标预测的能力:运营人员能根据自己的业务经验和业务敏感,对具体的运营方案的结果有阶段性的比较靠谱的预测。

4.1.2 提供业务经验和参考建议

运营人员作为运营专业人士,其看待业务的角度和深度与数据分析师有明显的差异,运营人员更加具有运营直觉和业务敏感,也就是通常所说的业务经验,而这些直觉、经验是数据分析师所不具备的,也是数据分析过程中需要运营人员参与、贡献的地方。

在数据化运营过程中,在数据分析项目中,运营人员的业务经验和直觉的分享非常重要,很多时候可以让数据分析项目进程事半功倍,这多半是因为实践出真知吧。如果没有业务人员的参与,单单凭借数据分析师和分析挖掘工具,即便是很先进,要从成百上千的变量(因素)里提炼有价值的因子,一方面需要消耗太多的探索时间,另一方面,分析结论的业务可解释性也可能变得费劲,甚至无法实现。业务可解释性本身也是一个好的数据分析项目的重要要求。这也是在数据分析项目和数据化运营实践中强调要业务方投入进来的主要原因之一。

笔者曾经做过一个关于付费产品“旺铺”的付费用户预测模型,模型主要目的是预测哪些用户最有可能在一个月之内付费购买“旺铺”产品。在建模之前的业务走访和交流中,笔者咨询过业务部门的不少相关人士,从他们那里了解哪些特征是他们业务直觉里跟用户的付费购买“旺铺”产品最密切相关的,其中有位资深产品专家凭直觉认为“用户过去30天查看自己线上店铺(前台)的天数”跟用户付费购买“旺铺”的行为关联最密切。他的理由很简单,正如一个经常对着镜子观察自己面容的人,相对而言他对自己的容貌更为在意,也就更可能花钱投资在美容、面部保养上面;一个经常去自己线上店铺(前台)浏览观摩的人,相对而言对自己的店铺形象、店铺装修会很在意,当然也就更可能花钱投资在店铺装修之类的产品上,而“旺铺”正是这样的装修产品,所以这种人很可能更倾向于付费购买该产品。在后期的数据分析、挖掘、建模过程中,果然验证了这位产品专家的直觉,在所抽取的上百个分析变量(字段)中,“上个月(过去30天)用户查看自己店铺(前台)的天数”是最终预测模型里最重要的预测变量,是真正的核心预测因子。现在想起来,这个事例仍然让我回味无穷,通过数据分析挖掘提炼出深层次的、十分符合业务解释的业务内在逻辑关系是一件充满快乐的、美妙的事情,其中的快乐,大概只有真正从数据挖掘中发现这样规律的人才真正理解吧。

4.1.3 策划和执行精细化运营方案

运营方案的策划和执行是运营人员的专长和专业,其中涉及了比较多的专业技能,包括营销与推广的能力、内容创造与文案编写的能力、HTML[1]编写能力、简单的工具绘图与审美能力(比如熟悉并掌握页面编辑工具Axure RP,熟悉并掌握Demo绘图工具Dreamweaver等)、用户消费心理的揣摩与把握等,甚至包括经济学的基本原理。运营人员是全面的商业执行者,因此要求他们具有良好的沟通能力和技巧,可以在业务链的上下游业务部门之间有效沟通,借助各相关业务部门的力量最终通过运营人员的“临门一脚”完成运营实践的落地。

下面介绍一个典型的运营活动场景:运营团队要根据数据分析师提供的目标用户特征和运营受众的规模等目标群体策划一个运营方案,这个方案包括运营计划书、文案的创作、运营刺激方案的制订、活动页面的框架、为配合效果统计的前期页面布点(中间需要与网站、数据仓库团队协调)、活动页面的设计定稿(中间要与UED团队协调)、订购流程的优化(中间需要与CRM团队协调)、运营活动的上线(中间需要与IM即时通信团队、网站技术团队协调)、活动效果的监控(中间需要与数据分析团队、数据仓库团队协调)、活动节奏把控和页面切换、活动后的总结、讨论、反馈等。上述的整个流程中一环套一环,不仅需要运营人员具有各种专业能力,更需要其具有良好的人际沟通、交流和协调的综合能力。

[1]Hyper Text Mark-Up Language,即超文本标记语言,设计HTML语言的目的是为了把存放在一台计算机上的文本或图形与另外一台计算机上的文本或图形方便地联系在一起,形成有机整体。人们不用考虑当前信息是在当前计算机上还是在其他计算机上。这样,只要使用鼠标在某文档中点击一个图标,Internet就会马上转到与此图标相关的内容上去,而这些内容可能存放在网络的另一台计算机中。HTML之所以称为超文本标记语言,是因为文本中包含了所谓的超级链接点。所谓超级链接,就是一种URL指针,通过点击它,可使浏览器方便地获取新的网页。这也是HTML获得广泛应用的最重要的原因之一。

4.1.4 跟踪运营效果、反馈和总结

数据化运营是落地的应用,是要拿结果说话的,所以运营效果跟踪是整个项目的应用核心所在,通过对应用效果的跟踪、反馈与总结,一方面可对数据模型的质量进行客观评价,另一方面,也可对运营的技术、手法进行比较和判断,所有这些都是为今后的模型优化、运营技术的提升打基础,并且是最重要的依据。

对于运营的效果评价,包括对模型效果的评估和对运营效果的评估两个方面。

其中,对模型效果的评估主要是判断模型本身在应用中是否与当初模型训练时的效果类似,也就是模型是否如当初搭建时所想的那样稳定,关于这方面内容将在第7章详细讲解,本节从略。

而对于运营效果的评估,就是排除模型本身的效果因素,专门考察运营因素导致的效果差异,通过相关的数据分析,找出运营中好的地方和不足之处,便于以后扬长避短,为后续提升运营活动的效果提供新的思考和依据。在运营效果评估中,常用的方法是AB Test,即通过对相似群体不同运营方案实施后的效果进行对比,来评价不同运营方案的运营价值和优缺点等)。在本书第6章中,会有非常详细的全过程描述,其中包括运营效果的评估,以及在此基础上对运营因素的分析和提炼。

相比于运营人员,数据分析师在数据化运营中也有自己的关键能力要求,下面通过表4-1把这两类人员的能力侧重点进行对比归纳。

00040.jpeg