亚马逊如何数据化运营

亚马逊一路发展下来,竞争愈加强烈,所需要的资源匹配精力匹配都在呈倍增加,每个平台红利结束后,对应运营理念也需要及时更新升级。当然,这也是必然发展规律。科特勒大师的营销革命都从1.0出版到4.0了,从产品导向、品牌导向、价值导向到现在的价值观与共创导向。连营销理论都迭代了这么多次,何况运营理念。

电商运营遇到的一些问题

平台红利结束后,还处在买流量、打爆款的初始阶段。

平台运营主要靠打折促销来完成业绩

平台运营都是靠经验与电商平台的惯性在工作

部门协作效率低不在一个频道(运营、发货、推广、美工)

或没有协作一个人当所有角色天天游离在琐事之中

以上 我都遇到过

怎么解决

两个关键词,数据化和品牌化

通过数据化工作流程,找到每个重要环节的KPI ,指导运营节奏和决策参考。

通过品牌化营销开展,找到运营的方向达成共识,形成视觉锤不断深入消费者心智。

完成这两个层面就能形成系统,有什么用呢?就好比我们用的Windows系统,能直接管理电脑硬件与软件资源并提供一个便捷的可操作可视化界面,两个目的:减少不确定性提高稳定性和减少沟通偏差提高易操作性。

今天主要对数据化进行拓展,品牌化后面再单独讲。

运营头脑

运营头脑是最重要的,是基础思考能力。需要明白自己需要什么,哪些数据是有价值的。

针对电商我们需要建立三个基础思考框架:

公式框架: UV X 转化率 X 客单价 = 销售额

分类框架:人(流量)货(货物)场(促销、销售)

模块框架:运营模块、商品模块、商品模块、市场模块、视觉模块、辅助模块(客服、仓储、财务)

先说第一个公式框架 UV X 转化率 X 客单价 = 销售额,老生常谈。这里要的点是什么呢?

完成店铺基础诊断和状态监控

通过这四个关键的指标通过横向和纵向对比

举个例子:

xx销售额UV转化率客单价

实际655200023400000.7%400

达成率84%75%102%104%

环比-20%-23%8%5%

通过纵向对比可以看到,UV环比下降了23%,你就会考虑可能的因素:广告投放问题或者是上个月平台有大型活动本月没有还是什么原因?当然你通过这个表是不能直接找到产生的原因的。

这里主要解决根据某一指标异常波动来找到销售异常原因,并实时监控到其状态。我们在做月报的时经常会用到这个做法,但这里面的要点就是平时要把握好自身的正常值范围,在出现异常时能第一时间将问题找出来,解决的是一个异常传递效率。再有就是如果有同行的数据还能进行横向空间唯度的对比。

乘积效应建立预测体系

这个公式是一个目标纯乘法公式,销售额是前面三个因素的乘积结果,与销售额成正比。当其中的每个因数都有细小变化时,销售额就会产生巨大影响。你可以试试转化率提高万分之一,客单价提高百分之一,销售额提高多少百分比,如果UV再加一点呢会更大。

利用这个原理,便可以按各项指标的增长(负增长)趋势,来预测来看的销售额。然后与财务目标和商品推广策略去匹配,但能大致预测销售增长是否符合公司的预期。如果符合,增长点体现在哪些指标?对应的指标是哪个职能在负责有什么举措来确保这些指标增长?如果不符,哪些指标达不到,什么原因,是否合理?

当然这些需要丰富的运营经验才能建立起来一个有效的数据预测体系,但这是每个运营需要思考的方向。

再说第二个分类框架人货场

人货场其实是传统店铺用的标准,经营都是相通的,电商也是一样通用的,不过是要素要自己注意做好代入。电子商务出现后,算法取代了货架规划图,内容取代了店内购物的实际体验。就算是取代,基本购买流程也是差不多的,只是形式变了。

关于人的KOL指标

人的指标注意两个维度质量和数量。

关于货的KOL指标

货的指标销售与库存注意区分整体与单品,配货注意相关比率。

关于场的KOL指标

注意页面逻辑与品牌的调性。

以上这些指标都是我们需要知道了解的重要指标,要点是找到恰当的指标解决当前的问题,这是内功。那初级运营要做的是至少脑子里有这些数据概念,时间长了就自然有条件反射了。

最后第三个模块框架按照职能模块进行划分,这种我们会比较熟悉好理解,但在实际情况中可能会有一个模块担任多个职能的情况。这里从职能和数据指标两个维度一起来看看,有哪些指标是需要知道的呢?

运营模块

职能:达成品牌业绩目标;控制运营成本(销售折损、退货、扣点、物流、推广)

数据指标:业绩达标率、业绩增长率、销售利润额

商品模块

职能:商品企划和商品运营

数据指标:库存率、售罄率;周转正确率、新品动销率、活动动销率、销售折损

市场模块

职能:市场推广、会员维护、活动包装

数据指标:ROI、付费用户销售额、付费流量转化率、复购率等

视觉模块

职能:店铺视觉、详情页逻辑设计、页面框架设计、活动设计

数据指标:流量漏斗、热力图

客服、仓储、财务模块

职能:销售末端支持、咨询、成交引导、售后服务

数据指标:咨询转化率、人效、服务质量(好评数、差评数、投诉率)、日均发货单数、库存准确率、费用处理效率、退款等

以上有很多其它指标很多和人货场逻辑有重复,就不一一列举。到目前为止,我已经从三个方向对重要指标进行了梳理。我们日常运营面临的分析维度很多,流量、商品、主推商品、用户、活动、促销优惠券等等,这样在运营中遇见对应的板块就可以知道从哪些维度进行改善、避免。这属于认知层面。先有认知才有后面的一系列分析并建立数据思维。

数据思维

完成了数据认知,通常我们就需要引入筛选后的重要指标并进行一系列分析方法应用,从面辅助认知向解决问题跃迁。

这里主要有三个方面:对比细分转化

对比

包括绝对值(正数比较多如销售额、退货额)和相对值(转化率、完成率)对比

环比:环比指统计周期内的数据与上期数据的比较。通常会用如本月与上月进行相对指标对比。

同比:同比指周期内数据与去年同期数据之间的对比。通常会用来年去年同期情况进行预测安排。

横向对比与纵向对比:在空间与时间两个不同维度的对比。横向(空间)如本店与同行店,纵向如(刚才的同比和环比)

份额:属于横向的一种,比如有多个店时计算单个占所有渠道的分。

细分

常用于分析对象找到更深层次的问题根源。主要是建立在逻辑链条上找到一个方向,深挖找到重要的指标解决一些问题。比如通过年份和季节的维度对商品进行细分 ,针对服装就能知道有多少货属于库存有多少属于适销品。

转化

转化分析一般是选用漏斗模型。从浏览到完成交易中间环节的流量损失率,就能画出一个漏斗图,在对应节点找重要指标进行分析。

工具

完成了数据分析,我们要对数据进行呈现报告。

常用的工具有哪些呢?

SQL 数据库 单一数据导入处理

EXCEL 复杂多为维度数据分析

BI 数据可视化

Python 数据爬取与处理

另外的输出流程应该是 数据采集-处理-建模-出样-美化-分发。这里需要注意的是EXCEL生成报告需要建立自己的标准表格规范,才能可读性更强。出于篇幅,后续再说。

如Python BI 这些我也在努力充电中,后续作深入分享。

为事情赋予意义,积极变化。

你get到了吗?

END

HAPPY DAY.

Myblog: https://carlospython.github.io

你可能感兴趣的:(亚马逊如何数据化运营)