編輯導讀：用戶運營中的數據分析對于很多人來說是個盲區，不知道是做什么的？本文作者對此進行了分析，與你分享。

提問（修改）：很幸運收到用戶運營這個崗位的面試通知，但是之前完全沒有工作經驗，我看到崗位職責里要求定期做數據分析，所以很想知道數據分析指的是什么。

一、用戶運營 X 數據分析

作為任職于某上市公司的集團用戶數據中心的數據分析師，認為題主的問題就是在問我的日常工作：用戶運營 X 數據分析。

用戶運營是做什么？

先介紹一下題主入職后可能會接觸到的工作：

答主就職的部門有三個職能：用戶運營、數據分析、數據產品。

以我所在的新零售+電商行業為例。

二、用戶運營

核心就是圍繞【人貨場】進行運營，進而提升復購率等指標：

• 【人】即客戶，了解整體畫像，根據場景進行用戶分層營銷
• 【貨】即產品及與之搭配的促銷策略
• 【場】廣義來說，即為渠道、節日活動，與客戶觸達的“天時地利”

大白話說，就是解決【什么時候什么樣的人會在怎樣的場合下購買什么產品】的問題

根據【人貨場】的不同組合，可產生不同的業務場景，例如：

• 【貨場→人】天貓確定了情人節活動，產品部門要求主推情人節套裝產品，平臺運營明確了折扣政策，此時，用戶運營部就出場 → 圈選出可能會在情人節復購的人群A，圈選可能偏好主推產品的人群B，對人群A與人群B做交叉即為此活動目標人群，根據促銷政策制定優惠券，并觸達人群。
• 【人場→貨】用戶運營部門使用RFM模型對人群精細化運營，明確需提升重要價值用戶比例，即明確了目標人群 → 此時用戶運營的童鞋就需要去找產品要合適的產品，找運營拿折扣，甚至找推廣配合做投放。
• 等等

1. 數據分析

在【人貨場】各種組合而成的復雜業務場景中，僅憑“直覺”，甚至“拍腦袋”，已經無法業務目標。絕大部分行業進入存量運營的今天，數據化決策已經是紅海戰場上的武器。所以，從前面【用戶運營】的工作中，存在著許多數據分析的需求。它們的目的是通過數據分析找到業務增長的鑰匙：

【貨場→人】此場景已明確需主推的產品、節點及促銷政策，需進行數據分析的地方：

【人貨匹配】確定產品后，需要從全量人群中找到可能喜歡該產品的人。

簡單點的方式可以通過歷史訂單統計實現，即提取出產品的元素，如愛心形，再從人群歷史訂單中找到喜歡心形的客戶，認為他們可能也喜歡該新品。

復雜點的方式可以通過例如復購關聯分析、商品推薦等模型反向找人群。

• 【復購周期】每個客戶的活躍狀態都不同，要先了解行業或者該品類客戶的【生命周期】是多長，即復購間隔，如30天 → 找出30前剛買完的客戶，認為他們處于活躍購買狀態
• 【節日偏好】一般認為多次在節日節點購買的客戶是偏好該節日的，例如產品有送禮屬性，則客戶在情人節買就是送對象的，一般他們感情不破裂就有可能在下個情人節繼續送
• 【折扣敏感】不可否認的確存在對價格敏感的客戶，甚至是“羊毛黨”，折扣力度大才會現身購買，發現這樣的規律能更好地將優惠券與客戶匹配

【人場→貨】與第一個場景不同的是，此場景先明確人群，再去匹配產品、折扣等，需進行數據分析的地方：

• 【RFM】基于RFM模型劃分人群后，提出目標要提升重要價值用戶是無法落地的，需要進一步討論：該行業或品類下的重要價值用戶更容易從哪個人群轉化而來？例如一般價值用戶，刺激他們連帶消費、復購，即提升M，就可轉為重要價值用戶。這樣才能提出落地的策略：針對一般價值用戶進行連帶提升。
• 【商品推薦】找出人群可能喜歡的商品，簡單的方式可通過對歷史訂單的統計，復雜的方式可通過協同過濾等算法實現。此外，需要將推薦模型與實際場景結合，此處目標為提升連帶，可以結合“購物籃分析”設計搭配組合。
• 【偏好價格】每個客戶歷史消費的客單價都不同，需要列出價格帶分布進行分組營銷，避免對低價位段客戶推薦高價品。當然一個好的推薦模型可以避免這樣的尷尬。

【注意】并不是說要對每個場景都這樣嚴格進行人群交并。更重要的是靈活應用，例如人群基數太少，則減少劃分規則，或選擇性地合并人群。

2. 數據產品

從用戶運營需求出發，數據分析賦能業務增長，經測試有效后，需進一步以產品的形式落地。

用戶運營經常會接觸到各種數據產品：

• 如果是在天貓平臺，接觸到的就是天貓第三方服務商的用戶營銷管理工具
• 如果是線下門店，接觸到的就是CRM
• 此外，還有幫助業務分析的BI、CDP等

經測試有效的數據分析結論可以通過報表、模型、標簽等形式插入到這些數據產品中。其中，最重要的是形成的這些產品一定是經過“業務改造”，適配業務習慣的，這樣才能融入到業務的實際工作流中。

所以，這些結論以什么樣的方式呈現在你面前才能提高效率，就是用戶運營部門需要考慮的。

本文由 @餅干哥哥 原創發布于人人都是產品經理，未經作者許可，禁止轉載。

題圖來自Unsplash，基于CC0協議