O2O行业数据平台实战:从监控到诊断的数据产品搭建

时间:2021-10-21来源:栏目:网络营销

在10月份的第一场会员直播中,我们邀请了前滴滴资深数据产品@高远,他将基于多年的数据产品经验,深入剖析O2O行业场景和痛点,从监测、分析、诊断三个层面拆解数据产品的建设思路。...

在10月份的第一场会员直播中,我们邀请了前滴滴资深数据产品@高远,他将基于多年的数据产品经验,深入剖析O2O行业场景和痛点,从监测、分析、诊断三个层面拆解数据产品的建设思路。本文整理直播内容,内容已删除。

大家好,我叫高远。我曾经在一家旅游行业的头部公司做高级数据产品。五年来,我们聚焦于出行行业、内容行业、产业方向的数据产品领域,掌握了上述领域的系统化构建方法,创新性地打造了数据产品的独特方法论,并在主流数据平台(关于滴滴网的车和字节内容方向)深度参与了上述系统的规划设计;并对面向应用的数据产品有着深刻的理解,在企业内部开发了数据驱动和数据增长相关的课程,学员超过1w人。

本次分享主要包括两个部分:第一部分首先分析了O2O行业业务管理的一些相关痛点;第二部分是数据产品全落地的实践,从一级数据监测,到二级数据分析,再到三级数据诊断。

一、O2O行业企业管理痛点分析。

首先进入第一部分――O2O行业企业管理的痛点分析。

作为一个面向业务的数据产品,我用十四个字概括它的核心任务:比业务更懂业务,让产品更加落地。.

那么每个人都应该考虑如何深入业务,如何让产品更好。其实无论你是数据产品还是产品经理,各种产品类型都在不断变化,也就是你要以用户为中心。所以我们需要确切知道我们的用户是谁。我们为谁服务?

我对以上问题做了总结。你可以看看这张桌子。我们服务于商业领域,我们只面对两类人。第一组是区域领导、部门领导等管理者,第二组是运营、战略、营销等业务人员。

首先,我们来看看管理者最关心的是什么。管理者需要在第一时间产生相关数据,因为他们需要通过这些数据及时发现问题并做出业务调整,所以数据监控对于管理者来说非常重要。此外,管理者也想知道问题出在哪里。另外,他们需要做一些工作来降低成本和提高效率,所以他们需要知道如何最大化人力的价值。

这些其实都是一些关于管理者的场景。如果我们从需求层面抽象这些场景,可以概括为三点:

首先,我们需要多种时间粒度来监控业务发展,更好地发现业务问题。

二是要快速了解关键指标变化背后的原因,及时调整战略方向。

第三,也是管理者的最终目标,即如何通过一套科学的产品来提高人的效率和货币效率。比如过去一个城市可能五个人负责,现在借助数据,一个人可以负责五个城市。

根据管理者的这些要求,我们的解决方案包括L1阶段的数据监控和L3阶段的数据诊断。这一部分将在后面详细解释。

接下来是商业人士。业务人员经常面临的场景可以归纳为四类。

第一,每一个业务分析都是费时费力的,尤其是对于一些分析理论掌握不扎实的业务人员。他们的方法通常比较粗糙,没有办法很好地进行精细操作。

第二,O2O行业最重要的是供给和需求,长期的供给和需求是通过定价手段来调节的。如何证明这种调价策略是正确的,对城市有利,需要商家去衡量。

第三,对于业务来说,如何分析和量化单点、外部和特殊事件对整体业务的影响,也是需要经常面对的任务。单点事件包括一些极端天气和假日。

第四,如何一站式解决常见业务问题,提高人的效率和资金效率。

同样,根据这些场景,对应关系可以提取业务人员的主要需求:

一是BC需要一套可行的、可操作的方法进行精细化操作。二是通过数据产品更好地评估定价。三是量化了单点事件对商业的影响。四是追求更高的层次,就是让自己的数据产品更加智能化,能够一站式解决常见的业务问题,而不是一个一个的定位。

在解决方案上,业务人员最关心的是数据分析,这是L2的产品;其次,L3数据诊断产品;最后,我也会关注L1的数据监控,但毕竟他们是业务人员,他们更关心的是如何解决问题,所以数据监控只是一个辅助。

刚才提到的L1、L2、L3对应的数据监测、数据分析、数据诊断。

断,这些究竟是怎样的概念?在整体的产品框架中起到怎样的作用?

大家可以看一下这个图。我们所有的产品都是在一些基础平台的模式上去建设的,具体可以分为对内和对外两大部分。

这次就重点给大家分析数据产品的对内建设,即红色虚线框内的内容。

首先是关于L1数据监控方面是如何去落地到产品的;其次是分析层面的L2阶段,比如核心分析、定价分析及事件分析如何落地这些产品、推动业务的;那最高级别,也就是L3诊断层的话,主要是关于如何通过指标的诊断一站式解决问题。

接下来我将会把之前实际落地操作过的一些产品拆解到每个小点里给大家做详细讲述。此外,由于我之前做的是O2O的出行行业,所以会以出行行业为例给大家分享如何落地这三个方向的产品。

二、数据产品的落地实践:监控――分析――诊断

接下来进入到第二个环节,也是本次课程的核心部分――数据产品的落地实践:从监控到分析到诊断。

数据产品有三个层级。

第一层L1叫数据监控,它可能是最基础的一层,就是必须具备的。如果用一个词去解释的话就是需要去“看数”,从繁杂的数据中提炼出最核心的指标进行监控。

在这个基础之上晋升一个层级到L2的数据分析,这个阶段要能够“用数”,专项问题专门解决,用统一的方法去解决专项问题,到这一步开始有一些思路和一些方向引导,去定位具体的问题。

第三层相对而言就比较难了,它是建立在L1和L2上的数据诊断产品,总结来说可以称之为“智数”,也就是从发现问题到分析问题再到一站式解决问题,通过人机结合的方式帮助运营完成这个过程。

接下来我们就分别讲解这三个层级该怎么搭建。

1. 如何提取核心数据指标体系,高效把控业务表现

首先是数据监控这个环节。这个环节分四步走,第一步要去了解清楚盈利模式,第二步要根据盈利模式建构业务模型,第三步是在业务模型的基础之上抽象出一些指标分类,那由指标分类以及现在业务的一些痛点诉求最终就可以进入第四步――监控产品的搭建。

在盈利模式这块,抛开O2O这个行业来说,所有市面上的行业都可以用这一套理论去解决它的盈利模式。

这个模式分为两个维度,维度一:是否省时间,维度二:是否直接提供价值。进而分为四个象限,其实每一种业务都可以映射到这个模式里。

比如第一象限的省时间且直接提供价值就可以对应工具类业务,像拍照工具、支付工具等,这些都是可以以免费模式去提供给用户的,当然可能会有一些增值服务去收取额外的一些费用,这部分其实就是这类业务的盈利模式。

然后第二象限对应的就是内容类业务,再细分的话可以分为两种,第一种是自研模式,比如以售卖课程为主的业务;还有一种是流量模式,像短视频领域。

第三个象限的话是一些社交类业务,比如聊天软件等,这走的也是流量模式。

最后一个象限对应的是我们今天要重点讲解的交易类业务。就比如O2O行业,走的是佣金模式,因为O2O是融合线上线下的一个模型,这个模型本质是为了撮合B、C两端的交易,我们就通过撮合这样的交易从中获取佣金,这就是O2O行业的盈利方式。

关于O2O行业使用的佣金模式,它的利润公式是这样的:利润=单笔应收金额*(1-分账比例)*单量

举个简单的例子,比如在出行行业,用户今天上班打了一次车,然后我们收了一百块钱,那这一百块钱就是对应公式里的“单笔应收金额”;“分账比例”则是给司机的那一部分,剩下的就是给我们平台中心;“单量”其实就是数量。

在实际过程中,除了分账比例外有时候还需要扣除一些额外费用,比如补贴率,因为有些地方可能缺需求,那我们可能就会通过一些活动去补贴乘客;以及可能还有一些管理费用,所以要把所有成本都减掉。

出行行业的利润是通过促成B&C端的交易来获取的,那么根据刚刚的利润公式,要达到利润最大化,无非就是提高单笔预售金额,降低分账比例,提升单量。

当然,对于B端和C端又有不同的处理方式。假设我们平台想通过提升单量来实现利润最大化,需要思考的是如何帮助业务去刺激更多需求,也就是让更多人去打车;而对于司机端,只有降低分账比例才能提高我方利润。这样就会导致平台和司机的利润矛盾,所以你需要去寻求平衡点――一个让平台和司机都相对满意的最优值,比如看看能不能让司机获得一些额外收入。

在刚刚的基础上再做一些拆解,把相关指标分类提取出来,从而得到一张业务流程图。

平台的目标是提高利润,那我们就通过流程拆解分析当前进度、差距以及挖掘增长洼地。

对于O2O平台而言,万变不离其宗,最重要的就是供需,关键就是去提升总量、调整结构。乘客端和司机端就像是翘翘板的两端,需要平台去平衡。无论是是刺激乘客还是激励司机,都需要通过一定的策略去实现,比如采取补贴活动。但是活动的效果有时候可能并不好,说我们补贴的一些活动,进而评估活动效果和ROI。

在这个基础上继续拆解得到这张图,实际上就是将刚才的利润公式进一步细化,并且分别对应B端和C端。

像应收金额=C端的需求订单量*(B端的需求应答率*订单完成率),因为一份订单并不是直接就能达到完单的效果,还要看转化率。

按照这样把利润公式里的指标进行一层一层细拆下来的话,可以分为六类指标。

第一类是财务指标,比如利润、补贴等;第二类是C端相关指标,在O2O行业的话就是乘客相关指标,比如需求订单量、C端补贴等;第三类是B端相关指标,包括需求应答率、订单完成率、司机在线时长、B端补贴等。这三类属于纵向指标。

横向指标分类也包括三大类,第一类是订单相关指标,比如订单的转化如何,是否存在漏洞,整体完成效果怎么样;第二类是体验相关指标,比如司机的差评率,或者司机是否有投诉乘客等,虽然体验这块占比会比较小,但对于平台的伤害却是比较大的,比如用户打车觉得坐车环境比较差、有气味儿之类的,可能下次就不会选这个司机了;第三类是策略相关指标,比如做活动花了多少钱等。

指标分类梳理清楚了之后就到了数据监控产品的落地环节。

有人就会说,做监控可以用excel 报表或者一些通用看板,为什么要定制化看板,这样不是更加耗时耗力吗?

根据我之前的经验,每一种方式都各有利弊。首先是Excel报表的方式,这种方式的优势就是数据获取灵活,自由度高,上手比较容易。但是缺点也多,比如自写sql难度会比较高,因为写sql的链路非常长;还有就是数据口径难以保证、可视化效果差等,所以这种方式其实不适用于长周期数据,比如在出行行业,当你拿到某条业务线全年的数据,这个Excel 报表可能得有几百兆,根本打不开。

其次是通用报表,很多企业会购买市面上一些比较成熟的报表比如Tableau、FineBI,这些通用报表其实也非常强大,数据非常全面,使用也比较简单,都根据行业上一些标准方案去做的。同样地,这种方式也存在一定的缺点,比如对于业务而言功能相对单一,查询性能也比较有限,还无法添加个性化功能。就比如说我想快速看一下日均数据、周均数据,或者需要可视化表达比较好的方式去展现同环比等,这类个性化功能比较难以实现,所以无法灵活地进行业务扩展。

因此,定制化开发的数据监控产品就应运而生了。那它的优点还是比较多的,首先是数据全面;其次是功能强大、贴近业务,因为一切都是定制化的,你可以根据现在的业务特点去增加一些数据功能;另外,这种方式还可以支持多种时间粒度,就比如日均、周均、月均这些数据,各种丰富维度都可以实现;最后可视化效果也比较好,最重要的是数据产出非常稳定。但唯一一个缺点就是需要进行定制开发。

总结而言,数据监控就是去解决管理者日常进行数据监控要面临的场景,着重服务于管理者。

2. 以B端为例,通过运营、定价等分析落地数据产品

数据分析之核心分析

数据分析之定价分析

数据分析之事件分析

3. 数据驱动产品,数据诊断建设三步走

数据诊断之整体结论

数据诊断之原因分析

数据诊断之专属策略

三、本月直播回顾

本次会员直播课程,高远老师为大家详细拆解了数据产品的构建思路,希望大家都能学以致用,以数据驱动业务发展!

每周三/四晚上8点,起点学院会员平台都会邀请一线的互联网产品、运营实战派专家,与大家分享最新的产品行业动态、运营玩法和干货知识。

每个月的会员直播都有月度主题,每周直播围绕月度主题展开。本月主题如下:

1.本站部分来源于互联网用户自主整合上传,如有侵权,请联系我们删除;

2.文章内容并不代表本站的观点或立场,如有关于文章内容,版权或其它问题请联系删除;

3.本文地址:https://jiatu888.com/wlyx/84608.html

最新文章

网站介绍

本站部分内容收集于互联网,如有侵犯贵司(个人)版权,请联系本站删除。

Copyright@2018-2021 www.jiatu888.com 嘉图网 All Rights Reserved 粤ICP备20051635号 网站地图 tag列表

嘉图网