(微信同号)【课题背景】
数字化营销（电商、新媒体、私域），需要通过数据分析指导日常运营业务，提升整体业务效率。但数据分析是一个相对专业和复杂的工作，大部分基础运营人员对整体数字化运营和数据指导缺少系统性的了解和认知。在实际工作中，通常出现以下问题：
n 对整体运营增长模型缺少系统性的了解，无法用模型来指导运营工作
n 缺少数据分析的方法，在实际过程中，无法判定数据是否达标
n 数据中台能力不足，无法直接生产可视化报表情况下，缺少数据可视化表达的技巧
【解决方案】
数据分析的核心理念：
n 数据分析首先是用于指导业务，对于电商平台，要关注的是GMV、客户体验等指标
n 有模型，通过自变量与因变量之间的函数关系，分析要素之间的变化
n 数据分析讲究差异化分析，通过数据分析对比差异，找出导致差异变化的变量
【参与人员】
本课程适宜于：平台运营人员、产品开发人员等
【学员任务】
1. 【2小时】任务一：了解数据分析的意义、核心方法和流程要素
2. 【3小时】任务二：掌握数字化营销GMV业绩增长模型及分析方法
3. 【1小时】任务三：能够就业务场景数据情况，制作可视化报表
任务一：数据分析的意义、方法和流程（2小时）
【任务解析】了解数据与业务之间的彼此增强的关系，熟悉数据分析与数据模型之间的关系、了解数据分析的整体指导思想和方法、流程。
一．以业务场景为出发点，数据分析与业务体系彼此互相增强。 |
1.数据分析，目的是指导业务工作的决策 |
2.电商运营的核心业务场景：客户体验和商业实现 |
3.数据指导业务的前提：搭载业务场景与数据之间的数据模型 |
4.业务场景随商业模式、业务战略优化，不断优化整个数据模型 |
5.数据模型通过收集数据、反哺业务优化，实现彼此增强 |
【解析&案例】 1. 电商整体商业模型从流量电商转向用户电商和兴趣电商，数据模型也在不断发生变化 |
二．做模型、收数据、差缺口、找原因，做报表，数据分析五步走 |
1.基于商业模式、业务战略和业务场景搭建相应的数据模型 |
2.数据模型（算法）：自变量与因变量的函数关系 |
3.做好前台接口，通过互联网和物联网实现数据收集 |
4.数据分析的核心指导思想：看差异、找原因 |
5.数据分析的前置要素：标准值/目标值的建立、数据捕获、数据算法（函数）、算力（人力或云计算） |
6.制作场景业务的分析报表，形成可视化文档，指导优化业务 |
【解析】 1. 常见的报表：客服响应报表、发货速度报表、客户结构报表、客户活跃度报表... |
任务二：基于GMV业绩增长模型及分析方法（3小时）
【任务解析】数字化营销（电商、新媒体、私域）核心问题是要解决供需匹配的效率问题。实现快速高效的资源匹配，直接反应该场景的指标就是线上的交易规模GMV。通过对GMV的模型构建，再细化到下面的指标，找到可以优化和调整的地方。
一．从经营流量到经营客户，整体数据模型的演变 |
1.数字化时代，让运营工作从流量的经营转向客户的价值经营 |
2.流量经营模型解析:GMV=UV（流量）*CVR（转化率）*P（交易金额） |
3.客户经营模型解析:GMV=N(客户数）*P（交易金额）*R（交易频次） |
【解析】 1.客户生命周期价值运营理论 2.增长第二曲线理论 |
二．基于GMV=N*P*R的用户增长型数据模型解读 |
1.N（客户数），三大模型，助力用户增长 |
（1）漏斗模型：渠道-曝光-流量-转化，层层筛选，实现客户数拓客的数据捕获 |
（2）裂变模型：种子-裂变指数-裂变代际，实现社交裂变方式的客户拓新 |
（3）MCN模式：达人-客户数，形成可复制的新客户拓客模型 |
【案例&解析】 1. 淘宝漏斗模型，通过电话、会销和全网推广获得新客 2. 微信公众号商城，依托裂变模型，让老客户带新客户，实现低成本拓客 3. 中国移动借助网格长，推广移动“和彩云”产品 |
2.P（交易金额），三大策略，实现交易金额的提升 |
（1）关联销售：A-B-C，连单率 ，整体解决方案影响连单率 |
（2）限时活动：活动日客户订单交易额，提升单客交易总价 |
（3）会员权益：会员等级结构比例，拉升节点性客单 |
【案例&解析】 1. 苏宁家装节，通过活动拉升客户整体客单 2. 中国服装网，以内容笔记影响客户采购 |
3.R（交易频次），三大要素，影响客户交易频次 |
（1）DSR：如实描述、发货速度、响应速度，直观影响客户体验 |
（2）产品使用周期：客户的RFM模型，为客户交易频次提供直观价值参考 |
（3）场景挖掘：存量客户的价值挖掘与定向营销 |
【案例&解析】 1.天猫通过DSR，实现对商家的服务质量的评定 2.国网电商平台，以项目招标方式实现项目周期管理 3.芒果TV，基于私域存量用户挖掘用户价值，创作新价值增长曲线 |
三．对标数据指标/目标，寻找差距 |
1.借助同比和环比，设定本运营周期的GMV指标 |
2.依据GMV模型，分解指标，实现量化分解 |
3.借助数据中台，即时查阅数据，对数据进行对比分析 |
4.找出指标差距，分析原因 |
【讨论】 1. 影响N、P、R值的主要因子变量有哪些 |
四．数据分析，找到相关原因，进行指标优化 |
1.数据分析的指导思想：对比差异、变量假设、统计归纳、行业对标、平台均值与峰值 |
2.同期数据比较：找出优化指标 |
3.单因子变量测试法：无历史数据情况下，调节某变量，观察数据，进行测试 |
4.统计归纳法：无理式数据情况下，先行测试，逐个不断优化指标 |
任务三：报表可视化、生成工具及方法（1小时）
【任务解析】可视化报表能够让出了数据分析人员及其他运营成员能够直观地发现问题，对整体业务运营有一个全面而立体的了解。
一． 可视化报表及报表类型 |
1.可视化报表的界定：通过表格、图片、动态视频等展示 |
2.常见的报表类型：GMV报表、渠道流量结构报表、产品结构报表、客户结构报表 |
3.从运营周期谈多久需要做一次分析报表 |
4.运营报表到底要细化到什么程度？ |
5.结论+数据分析+建议，让一份报表能够指导决策 |
【案例】 有赞商家运营生成的报表解析 |
二． 可视化报表生成工具及方法 |
1.可视化报表生成的基础工具：EXCEL、数据透视表、VBA宏的应用 |
2.自助式报表生成工具：Tableau、FineBI、PowerBi |
3.借助数据中台，自动生成相应报表 |
【解析】 Excel解决常见电商类数据报表的制作 |
三．借助FineBI完成可视化报表生成 |
1.明确指标和各组件的开发 |
2.借助之前的报表，对指标、组件进行复用 |
3.构建模板，解决常见问题 |
【演练】 FineBI的使用 |
