数据分析，驱动运营增长

数据分析，驱动运营增长。

• 找出关键行为、典型用户路径、可增长点。
• 通过用户生命周期模型，建立数据化、可监测的社群运营模型。用户量扩大10倍，通过生命周期模型和用户行为数据分析，将转化率指标拆解为5个细分指标，明确细分指标数据和对应策略，使得指标可控可监测，可规模化。
• 用户体量继续增加，做用户细分，匹配对应的运营机制（用户量指数级增长情况下，找到细分方法，划分不同的社群运营策略）。
• 未能完成部分：在用户体量规模化后，根据用户细分标签或行为标签，自动匹配相应运营策略，使运营产品化机制化（能够做但尚未实现的方向）。

优化运营增长模型（全量数据提升逻辑，协同产品、教研等团队，提升总体北极星指标）。

• 全链路拆解，梳理每一个业务环节，提升优化细分环节数据。
• 通过因子分解形式，拆解指标到足够细后，提升各细分指标。

阶段一：小规模MVP测试，确定业务模式

业务模式探索：

考虑到对于偏重型的教育课程营销，即低频次、高客价产品的转付费，一般营销的方式为多次体验后购买，即用户在首次购买前更需要体验且看重体验感受，所以增加社群作为体验环节促进转化。

业务路径：体验课曝光——报名体验课——加入社群——体验课程——首次付费——学习课程——再次付费。

初步群内运营方案，群内用户路径：加入社群——咨询答疑——体验学习——讲座学习——付费购买。

根据数据反馈，判断可行性：

判断MVP是否可行，两个数据对比维度：

横向比：行业内同类型产品的平均数据对比。

纵向比：本产品历史的社群数据对比，本产品的其他业务模式数据对比。

因为是首次使用社群运营方式，内部没有过往数据，我们选择该产品现有的业务模式数据进行对比，在同样的流量曝光情况下，比较最终订单量。

1）原有业务模式：流量运营

和站内其他SKU一样，通过在APP内进行流量运营转化。

更细节的用户数据，比如跳出率、停留时长、试听情况等参考数据，用来调整优化方向，比如调整课程标题、详情页、用户评价等。

2）测试业务模式：社群训练营模式

在自有平台内，将用户引流到微信社群，进行体验转化。

这里面也有更细节的用户路径数据和用户行为参考数据，可作为优化方向参考，比如成功领券到报名的用户比率，成功唤起跳转APP的用户比率，在微信端成功调用添加微信号的比率，进群后发言活跃的用户等等。

3）两种业务方案都各有利弊和相应的优化空间

第一种模式拥有更为顺畅的转化路径，但对课程页的直接付费转化能力要求较高；第二种模式降低了用户的决策门槛，但流量损耗更多，需要的运营人力成本更多。

我们实测后核算这两种模式在同样的资源曝光量情况下，最终成交的首购订单量，对比分析新方案的可行性。

下面是两个业务方案的业务数据（本文数据皆为假设）：

方案二：

得到数据后有三个方向进行考量和预测：

• 数据浮动空间：在收集关键业务数据的同时，也需关注运营相关的过程数据。这是运营在测试周期内可做的优化动作，可定性预估数据提升空间。方案一的CTR/转化率关键数据还可参考公司内其他项目的平均值或最优值，方案二需考虑用户在各个环节跳转的流量损失上限，社群转化率可能会出现的下降幅度。
• MVP数据结果对比：最终我们得到两个方案在一个周期内的数据结果，方案2的首购订单量是1的两倍，加上浮动空间，2呈现优势，我们初步判断2可行。
• 预测推演：如果有同行经验或做竞品调研，还可多做一步推演。

以单月营收来核算，假设每日新增给社群的流量为100人。

首购GMV=新增社群流量100人*30天*首购转化率0.2*首购客单价100元=6W

复购GMV=首购用户600*复购转化率0.2*复购金额2000元=24W

成本=人员成本+流量成本

每月每人能运营用户2000人，假设2人工资成本2W元。

ROI=GMV/成本=（首购GMV6W+复购GMV24W）/（人员成本2W+流量成本3000人*单个社群流量成本x）

结论：单社群新增流量成本 x93元，ROI即可1。93元的获客成本对未来站内和站外用户获取都是可以实现的。

在MVP测试的一个月内，最终确立了社群运营转化形式，实际最终使得转化率提高了4倍，转化周期缩短了2倍，为这个项目的规模化增长带来了契机。

阶段二：初步增长阶段-以数据驱动，搭建用户运营模型

这个阶段开始正式投入运营，同时收集和分析大量数据，寻找可增长点。并围绕用户生命周期模型，建立可衡量的细分指标。

1）数据收集和分析

主要收集3类数据（分析目的）：

• 用户行为数据——找出用户关键行为（影响关键指标的关键行为）。
• 用户路径数据——用户在产品各环节的使用数据（归纳用户典型路径，找出用户价值提升过程中的一般规律）。
• 用户基础信息——潜在用户画像（①针对异常数据进行基础判断；②一定程度上的用户细分；③区分渠道或判断渠道质量）、付费用户画像（如有共性，可为精准用户的获取和运营提供方向）。

2）找到影响关键指标的关键行为因素

用户进入社群后，影响转化率的用户行为可能有：发言提问、打开学习课程、学完课程、参与群活动、领取优惠券等。

那么结合时间点，用户的每日课程打开率、学完率、每日发言频次、讲座参与率、领券率都是需要密切关注的数据。

考虑到数据样本量和统计难度，先对小程序课程的打开率、学习率、领券率等进行埋点做定量分析，用户在社群内的发言频次、讲座参与情况等行为做用户标签，做定性判断。

以学习情况为例，学习率对免费得到课程，且仅仅只有3-5天学习时间的用户来说，是否能影响购买决策？影响值有多大，是否足够成为关键因素？

后台能拉取到2020年02月02日开班的这批课程里，有200个班级学员，这些学员的课程学习情况数据如下：

表里有用户基本信息，最后打开时间和课程学习情况。每节课里有4个环节，这里面1、2、3、4是指这个学员学到了这个课程里的第几个环节，0就代表一个环节未学。

这个后台数据是按照课程的学习情况来统计的，没有时间维度。就需要在定义的社群运营时间内，拉出这些学员的学习情况，以及付费情况。做交叉对比。

要了解学习率与付费率的关系，用户的基础信息先不看。

数据处理：定义在时间段内，学习过一个课程环节即视为学习过课程，对原数据进行处理，0为一次未学习，1为学习过至少1个环节。得到一个班级的学习率情况。

放大颗粒度，查看多个班级的学习率和付费率，以班级为单位比对学习率和转化率，有正向关系，但关系度有多大并不能明确。

回到表一，我们拉取过去1个月1万个体验课用户的学习情况进行取值。

可以和BI同学协作把数据放入相应模型寻找规律，找到聚合的分类方式。