运营数据的调整，以数据分析为基础。

一些学生问：“如何根据数据分析提出操作建议”，今天我们以一个简单的话题为例。陈先生之前说过，有印象的同学应该还记得这个话题。再举一次，因为每个招聘季都有人把它搬出去，而且大部分关于它的解释都是错误的。已知，下图是电子商务一周销售额的趋势（具体数据相似，总之曲线长），问：数据反映了什么问题，如何提出运营建议？当许多学生看到这些数据时，他们本能地回答说：最后两天很低。如果他们想提高问题，他们就从这里开始。。。为什么不能写得更高？因为如果面试官再问一个问题:你要多高？可以干废“要高”三个字，不管后续怎么解释都解释不清楚(如下图)。这是“一张嘴说话，跑断腿做事”的直观体验。“要做高”三个字说起来容易，可以做很多问题：为什么要做高？要多高才算高？高市场还是高销售？什么型号的产品更高？什么时候开始得到？所以做数据分析的人要时刻敬畏业务，否则光空口白话就会被嘲笑。当然，如果你真的想提出建议，你必须从第一个问题开始——为什么要提高是最初的判断，也是最重要的判断。判断错误会把整个方向带歪，让大家兴师动众劳而无功，所以一定要慎重。第一个建议是，为什么不低而高？因为很多业务都是周期性波动，比如周末高，平时低；B2B交易工作日高，节假日低。小长假之类的，除了吃喝玩乐，大部分其他交易都会停止。因此，我们必须多看几周的数据和过去的趋势。有些商品交易有明显的生命周期，比如新上市的手机卖得好，一段时间后性能落后淘汰自然会差。题目只给了一张图，什么条件都没说，所以有可能是某个(或某些类别)商品生命周期的末尾，所以要看具体类别。我们不知道本周交易的目标是什么。如果目标已经实现，即使稍微低一点，也会有问题，所以要看任务目标。综上所述，我想说的是，要做高，前提是先判断这个数字是低的。这样就要先找标准了。许多学生说，这一步看起来很简单，只是为了拉长曲线，我们必须综合趋势、类别生命周期和任务目标。事实上，情况可能非常复杂。请注意，简单的基础是:销售额是一个非常直观的、数值的、结果性的指标，高就是好，低就是坏。上述三种情况都严格符合趋势，前后趋势一致。如果情况1不成立:比如阅读量、用户数等过程指标，判断就会变得复杂。你必须看看这些过程指标的涨跌是否与销售额和毛利润的结果指标直接相关。如果是转化率的比率指标，首先要看分子小还是分母小。若情况2不成立：往往意味着一种特定的商业行为。例如，以下两个非常常见的场景，在整体标准的前提下，内部结构发生了有趣的变化，这种变化是好是坏，会看标准，以下几期数据不符合标准，有可能，此时必须进行更深入的分析。第二个建议是做多高。如果判断有问题，真的要做高，第二步判断是:做多高？很多人会说:越高越好吗？显然不是！应该是：在一定的投资条件下，越高越好。在短期内，您的商品主管、用户运营、产品经理、网站开发的投资能力都是有限的，因此必须设定一个合理的小目标。如果上一步很扎实，那么这一步很容易做到：参考标准1：KPI。KPI参考标准2可以计算多少：自然周期。你可以计算你能做多少来保持业绩曲线的过去周期性运行，至少停止持续下降。参考标准3：生命周期。根据目前的生命周期，我们可以看到预计商品的销量还有多少周，我们可以看到我们需要做多少才能赶上节奏，以避免以后的积压。当然，以上必须与具体类别相结合。如果题目不清楚，可以根据自己的理解进行深入的假设。不深入，讨论细节越多，可能性越大，越难说清楚。第三个建议是谁来做再往下建议，先定工作的人，再谈具体怎么做。请注意，不同部门能做的事情是不同的。流量运营：为全站排水，分配流量商品运营：商品选择、货架、补充活动运营：促销活动、宣传活动用户运营：为用户优惠券产品经理：调整购买路径，想提出有用的建议，必须明确谁提出。在具体产品类别和用户级别上，需要拆解问题。但拆卸前注意:区分是整体问题还是局部问题:如果是整体问题，比如整体流量不足，竞争对手争夺用户太多，产品线整体老化。这时候就要出杀招，考虑整体流量，爆款。如果只是个别产品的问题，可以具体考虑。因此，结构性变化是一个重要的参考值。建议从第四步到第N步继续提出建议，这将涉及到具体的做法。请注意，“怎么做”不能直接从数据层面推导。例如，在最后一个例子中，我们看到A产品销量的下降是造成问题的关键，但是选择C产品代替A，还是基于A重新活动，还是全站分流？这里需要专业的业务判断。数据可分为两类：上次类似情况如何处理，最终效果如何采取常规措施，促销、新产品、用户活动，基于这两点，首先判断整体战略方向：使用什么手段，使用多少投资。然后是细节：哪一天有什么产品，有多少折扣，有多少人发行优惠券。。。在更详细的层面，如优惠券面额和活动形式，您可能不得不配合一些ABTest获得最终结果。如此深入，每一步都是基于之前的共识判断，可以非常有效地帮助商业思维，不容易被推翻。既不是一上来就抛出一个宏大的话题:“要做高”，也不是一下子踩到很详细的细节:“老公捏指一算，只要2月5日派200张面额50满200减50的通用券，就能化吉扭亏为盈”。这就是数据分析真正发挥作用的方法。总结很多同学觉得提建议很难，总觉得提的不够详细，其实主要是思维不够详细造成的。如果只有一条曲线，没有趋势分析，没有结构分析，没有基准，建议就不能详细说明。即使是“要不要高”这样简单的建议也会毫无根据地提出，很容易被挑战。操作、产品、销售、营销都是非常具体的5w2h：处理什么问题，什么时候，什么渠道，什么形式，什么力量，什么效果，这里的每一点实际上都是数据分析可以解释和验证的话题。但如果直接插入这些细节，就会陷入“为什么A不是B”的各种争论。所以我们建议剥洋葱的方法:从最简单的:“是不是”开始，先问是不是这个问题，再问是什么问题，再问怎么解决这个问题，再问这次可以选择哪种手段逐渐深入，思路清晰，越想越细致。最后的建议自然很好。在这个结尾留下一个思考问题：如果曲线是相同的形状，你会如何回答问题：交易转换率用户保留率活跃用户文章阅读量用户满意度？感兴趣的学生可以下来练习。在练习之前，先想想这五个指标和销售额有什么区别。这种差异会导致什么差异？