滴滴出行—数据驱动如何精准化运营产品？

之前我一直在从事运营的工作，所以今天就和大家从运营的角度看一看数据。今天我的分享分为四个部分。

 

01 什么是数据驱动的精准化运营

什么是运营

 

我们首先来看一下什么是运营，就是产品上线以后的拉新和复活，现在朝着商业化方向走，成为一个完整的运营链条，就是把产品玩转，最终实现商业化。

原来BAT时代更多的是线上产品的运营，包括滴滴和58这些企业的兴起，然后慢慢地开始从线上到线下延伸，这种运营的范围和对象就有了变化，产品可能只是运营的一个部分，可能先有一个业务的线下运营，然后慢慢地转变为线上，运营的对象和数据的复杂度也在慢慢地扩展。

数据如何驱动精准化运营

 

关于数据的展现运营效果，可能有过运营经验的朋友都知道，运营都是用一些指标来限定的，比如转化率和复购率，每一个环节都是数据的展现。我们把这些数据逐渐积累下来，展现并在历史记录当中互相比较，横向也会有更多这样的业务，这个就是数据展现的层面。

另外就是数据程序化，我们会有不同的运营方案，通过做小流量的测试，最终决定我们的策略和使用的方案。

后 面就是数据的挖掘，可能就是基于数据的积累，通过这种数据的积累来做关联的挖掘，不断地扩展我们业务的类型和策略。滴滴早期在做出租车业务的时候 就是非常雷同，都是分单派单的模式，在平台补贴，但在这种非常雷同的情况下怎么来突出自己的优势？最终就是效率和数据运营，通过数据的抓取我们看到一个地 方各种各样的信息，然后配备不同的策略，体现出来我们运营的优势，这些新的用户进来可能会拉动更多的订单。

数据的精细化运营可以带来什么 效果？主要可以体现在三个方面：首先是对运营策略的优化，下一步就是通过什么样的数据来优化。另外就是在做决策的环节 需要数据，还有就是我们的预测，用户画像通过用户属性的对比，我们在大市场当中找到这样的用户，然后精准地使用我们的拉新工具。当然，使用精细化运营之后 我们企业毛利的增值水平会在百分之六左右，这是一个行业数据。

02 如何利用数据驱动精准化运营

数据驱动精准化运营的关键点

 

如何利用数据驱动精细化的运营？数据的内控上面有几个关键点：

第一是属性的定义，包括对象的年龄、性别、职业和收入水平，这些都可以反映一个用户的流量。

第二是地域的特点，包括很多和O2O相关的企业，每个地方的用户特点可能都是不一样的，我们在成都的时候拼车率就特别高。

第三就是运营的内容，不同的内容都有不同的用户反馈和用户的记录。

第四是行为的记录，用户在其他因素影响的情况下可以访问线上的一些痕迹，包括搜索行为和点击行为。我们可以从这几个维度看到关键指标，在某个维度研究的时候可以把其它的几个维度固定下来，然后看另外一个维度的变化。

我 举的例子可能是和现在从事的工作相关，因为现在我做的是滴滴的用户市场。其实滴滴在做出行的时候一直有一个出行的路线，就是做一键式的出行服务， 每次点击进去以后都可以到达想要的地方，然后直接送到目的地，包括我们的三亿乘客用户和我们的司机车主。现在我们的工作就是围绕一千五百万的车主来做后市 场的服务，主要是针对人的服务和车的服务，我们就看这些进入的人群，还有前期的服务模式。当然，这样可能也会干扰新的服务模式。我们也会对他们深化销售服 务，这里可能会衍生出互联网的金融服务。

精准化运营案例分享

 

我 们的模型是怎么搭建的呢？就是有线上这种实时触达的目标人群和车主，包括用户的规模，线下匹配了我们这样的服务网络，承载的是服务，周边的是我们 和用户新增的销售，还有我们的车型和保险的销售。就以车企的一个案例来进行剖析，包括用户的画像、实时的数据监控，还有就是我们的培训专员以及漏斗分析。

消 费者场所可能有线上消费，就是京东和淘宝，线下也有一些便利店，它的特点就是品类非常多，型号非常多，俱乐部里面其实是一个综合服务场所，场地可 能比较有限，仓储也比较有限。这个线上也是可以类比的，因为产品空间有限，线上布局也比较有限，在这种情况下怎样探索或者把业务突围出来？

用户画像

 

首 先需要对用户进行画像，车企的用户是怎样的，这些车主的年龄层次一般都是三十岁到三十五岁，上有老下有小，他们的需求可能不是消费型的产品，而是 实用型的，就是座椅靠背这样的产品。基于这些对用户的分析，我们就会把商品缩得极窄，因为我们的展示中心比较有限，可能需要缩我们的SKU（库存量单 位），前提就是做海量的SKU测试，包括线上的产品，基于它的数据把SKU缩短到一千个以内。

 

这 个用户画像包括几个方面，一方面是平台上的数据，另一方面就是业务本身，到底需要什么样的产品、喜欢什么样的产品，到了这里以后销售的情况是怎样 的，所以我们去做了一些试点的工作。前提是把我们全品类的东西展示出来，然后逐渐地把这个范围缩窄，我们也会有和价格相关的合作，可能也会做线下的用户导 流，通过这些方式逐步把这个群体的画像清晰起来，也包括一些商业数据和属性数据。

实时监控

关于实时数据监控，有时候我 们在做活动上线之后发现活动的点击不高，只有百分之五左右，和以前的数据做了对比，第二天就回到了百分之十二。这个就是 实时数据监控，每个决策周期必须能看到前面的数据，然后可以影响到下一步的决策，这个是我们对数据的要求。因为我们有线上和线下的业务，对实时性的要求特 别强，纯线上可能引起数据的链接，涉及到线下更多的是用系统化的工具来解决。

关联分析

 

数据分析是电商的情况下经常用到的，百分之三十的用户去买车的时候可能就要买一个车体包，这个时候也会衍生出关联的产品，然后我们就做关联的推荐，这也是一个完整的产品体系。

 

再 讲一讲漏斗模型，其实可以基本符合我们营销的心理过程，产生了兴趣和欲望，最后再有行动，对应线上访问点击下单到支付，其中每个动作、每个环节都 有一个转化率。漏斗模型界定的过程可以分为几个方面，首先就是数据的应用流程，包括我们的目标体系，找不到我们的关键因子来做优化。这里包括购买率、复购 率和购销率，关注的主要是这些指标。

03 数据驱动精准化运营实施步骤

数据驱动精准化运营流程

 

如 果面对一个新的业务和一个新的产品，我们怎么建立强大的数据驱动精细化运营的流程？包括数据应用的核心路径，因为有的时候大家在运营中每天都在做 这样的事情，可能就会感觉这是日常的工作，所以这个过程非常关键，就是我们整个数据出来，用户的界面到底是怎么样的，然后就是销售的环节。

接 下来我们就要围绕我们的目标来做可量化，就是用可量化的方式分析目标体系。基于这种业务逻辑来做量化，量化完成以后就要做数据的采集，需要建立起 来整套的数据供应链，数据到底从哪里来，应该通过什么样的方式来采集，然后就是多个维度的分析，刚才也提到了一些分析的方面。分析了之后最重要的是跟我们 的运营工作匹配，每个数据的表现运营动作是怎样的，这样的运营动作产生了好的结果还是差的结果，如果好的话可以继续坚持，如果差的话就可以进行调整。

驱动更多的可能是对数据重视的心态，是不是每天都要看数据，或者坚持看专业指标，每天的工作是不是围绕看的数据情况来开展，这个可能是前期需要做的事情，而且是一个最关键的事情。

04.数据驱动精准化运营遇到问题

其 实数据驱动运营的过程当中我们也会面临几个难题：首先是数据太多，不仅体现在量上，而且体现在数据的最优化。我们可能会面临着一个非常庞大的数据 体系，怎样把它尽量结构化地采集出来？也可能不是一个维度的数据，很杂乱，还有就是数据采集的流程比较慢，数据监控不准也会影响到数据的效率，包括数据的 不准确，也有可能真正采用这种情况。

解决方案

我们一直在探讨这个过程，就是数据能不能全部通过一张屏幕显示，要是有这 样一个非常给力的系统，可以把我们常规的数据用一些固定的模型体现出来，不 用每天去跑这种数据的分布，就非常好了。我们对数据的要求是扩展性好，通过一定标准化的东西界定用户的流量数据。数据提取的过程中能打开一个口子，然后运 用一些语句提取自己最想要的数据。当然，整体来说就是可靠、简单、易用和美观，这是我们对于一个好的数据系统下的定义，我们自己也在朝着这个方向努力。

Q&A

能不能把应用分析详细地讲一下？

基 于原来存量数据的应用分析主要就是把数据的链条做得尽量长，比如只让他买的这种东西有转化率，但是没有往下延伸，这个跟数据系统也有关系，可以采 集到全链条的数据系统的时候做关联分析就是一个水到渠成的事情，自然而然地就从另外一个视角来看买的东西的转化，但从用户垂直的角度来看就买了这个东西。

实 际上数据分析的一个大前提是我们需要完整的数据收集过程，现在很多公司会有一个困惑，就是我们真的需要很多原始数据，但是收集注 册的过程当中我们要求用户留下很详尽的信息，比如年龄、收入和爱好，这些是非常困难的，困扰运营人员的问题在于如何在收集原始数据困难的情况下导出运营策 略？

这个可能就是我们流通的数据来源，主要包括几个方面，主动调研是一方面，通过用户本身的后台体现也是一方面，机构 也可以提供一些数据过来，尽量把这 个链条丰富起来，越是丰富价格就会越高，或者是通过产品里面设计的意向表达来做这样的模型。很多时候如果用户觉得一个东西是假的话就不会去做，所以尽量是 在有价值的情况下，比如让他自己购买自己感兴趣的东西，购买过程当中就会表现出来自己的一些行为特征，并不是发一个问卷问他喜欢什么。

刚才提到用户画像的时候有很多用户的属性，你们的时效性是怎么保证的？比如我的收入去年和今年也不一样，去年可能赚一万块钱，今年就赚两万块钱。

因为我们有一套实时数据反映用户的收入水平是什么样的，只是拿他当时的收入水平进行匹配，而不是说用他当时的数据预测他的未来，现在他的收入水平我都可以看到，包括年龄结构等等。这个数据不是一个预测性的数据，不是拿历史数据来预测。