最具影响力的数字化技术在线社区

168大数据

 找回密码
 立即注册

QQ登录

只需一步,快速开始

1 2 3 4 5
开启左侧

GrowingIO 创始人张溪梦:如何搭建企业数据体系,用数据驱动企业增长

[复制链接]
发表于 2020-7-12 16:50:27 | 显示全部楼层 |阅读模式

马上注册,结交更多数据大咖,获取更多知识干货,轻松玩转大数据

您需要 登录 才可以下载或查看,没有帐号?立即注册

x
作者:张溪梦
来源:增长研习社
上月底,人大商学院联合增长研习社举办的「2020 增长大会,重启企业增长引擎」,圆满结束。
今天摘录GrowingIO 创始人——张溪梦老师在大会分享的精华部分,以供大家参考。
任何一个企业经营的背后,都有一系列系统性的思维框架。当掌握这些系统化的思维后,我们可以更好地管理企业,用更好的方式驱动业务的改进。同时避免走入很多的误区,降低服务客户的能力。
这张图叫做企业的生命周期,从一个非常小的企业创业初期,一直到它变成一家跨地域的,甚至跨国家的连锁型企业。整个周期可以分为5个步骤:问题与解决方案匹配(PSF)、产品与市场匹配(PMF)、渠道和产品匹配(CPF)、企业与市场匹配(EMF)、下一个增长周期。
首先是问题与解决方案匹配(PSF):一般来说的话,创业早期在没有融资的时候,在没有产品的时候,最重要的工作就是了解市场上用户的痛点,或者他们面对的问题。我们需要带着假设的思维,找到解决方案。再通过调研、访谈用户的方法,了解解决方案和现在用户遇到的痛点之间,是否能达成匹配。
下一个时期,进入了产品和市场的匹配期(PMF)。在增长黑客的理论体系里面,这个时期是产品走向市场之前,最重要的一个时期。我们做出来了产品的原型体,同时需要知道产品的原型体和用户之间,是否能达成匹配。
达成匹配后,再进入下一个时期,渠道和产品的匹配期(CPF)。在这个时期,我们已经投入了一定的研发资源、产品资源,但如果没有把产品打磨好,盲目进入快速拓展阶段,往往结果非常低效,因为用户不会形成口碑,客户的粘性也不够强,大规模的推广只是消耗资金。
把产品打造足够好后,用户对产品很满意,有足够高的粘性并愿意帮助推广。这个时期,就需要开始加大产品在市场上的推广速度。产品必须要找到那些匹配度非常好的、市场营销效率非常高的渠道进行推广和经营。
下一个时期是企业的高速增长期。在这个时期,企业会加足油门,通过资本的助力、自己渠道的拓展、产品的丰富,将进入业务的高速增长期。往往企业想进入下一步发展,就需要发展多产品化,多地域化,甚至国际化。
有一个非常重要的节点,是企业和市场的匹配(EMF)。企业在扩展和增长的过程中,需要和不同地域的文化进行融合。在不同的地域扩展市场,员工、组织也需跟着市场的变化进行调整。
上面是从宏观的尺度看“业务增长周期以及不同的需求”,下面再来讲一讲传统的营销。
只有理解传统的营销思维,才能对新时代的增长思维有一个新的映射和更深的理解。传统的营销思维,是通过大量的广告,建立客户的品牌认知,占领用户心智,让一部分用户对产品或者服务产生兴趣。
产生兴趣的用户里面,又有一部分会进行评估和评价,少一部分的人会产生购买行为,反复购买的客户就变成忠诚用户,忠诚用户往往会产生口碑,推荐商品给更多的用户。
在比较经典的营销模型里面,是靠着品牌的推广,大规模的覆盖市场为驱动的。这种驱动力,是一层一层的像一个漏斗一样不断的向下,最后产生核心的交易行为以及忠诚用户。这是在过去的几十年里,市场营销的大体思维框架。
然而增长的思维,是反其道而行之,不是从一个非常规模的品牌认知和品牌洗脑开始,往往它的产品或者它的服务启动于一个非常小众的市场。
特别在产品的非常早期,往往是在一个核心的粉丝群里面打造。当占领了这些挑剔和非常特殊的粉丝后,再开始打磨下一个阶段,帮助第一次触达产品的用户,让他产生很好的首次用户体验。
再之后会扩展到再次回来的用户,让他们有更加好的体验,提升他们的转化效率。然后开始通过前面的这三组用户,找到这些有类似需求或者有主动的需求的用户。
增长的整个框架是从一个点开始,一步一步扩展,直到最后占领市场。和以前传统经典的营销策略方法不太一样。
这里需要强调一点,经典的品牌认知到推荐的整个漏斗驱动,是市场营销的核心方法论。从一个核心用户或者一个用户群开始不断增长,直到覆盖整个市场,这个方法论是增长的方法论。这两个方法论并不冲突,也并不矛盾。他们实际上会在企业的经营过程中,互相结合使用。
讲到这里,再跟大家简单介绍一下:什么是增长黑客体系。
整个增长体系里面最主要的5个环节:用户的获取、激活、留存、变现和推荐。在移动互联网的时代,我们的获客成本非常高,客户的转化成本也很高,客户留下来的几率很低,因为他们会被各种各样的产品和服务吸引。而且变现的模式需要很健康,最终产生用户的推荐。这个模型是AARRR模型。
激活是用户的首次体验,让他能体会到核心价值;用户的留存是用户要留下来,反复使用我们的产品,或者产生复购;用户的变现就是我们的财务模式,商业模型要健康;用户的推荐,是产生的社交裂变、口碑相传,我们的用户就会变成我们推广大使。
这个模型最早是肖恩埃利斯在2010年左右提出来,并写了一本书《增长黑客》,十几年前在硅谷中得到广泛应用,特别是在互联网公司发展到极致。相信在今天国内的互联网市场中,大家也看到了很多非常成功的案例,无论是拼多多也好,还是头条也好,他们自己都有自己的增长团队。
除了刚刚提到的企业增长视角和用户增长视角,再给大家提供一个新层面的视角:业务职能视角。可以把上面的增长的模型,通过自己的职能再进行分解。
比如产品是软件类的互联网产品,我们需要知道用户进入产品后,活跃度是怎么样?哪些功能可以帮助我们产品提高留存?产品改版后,是否能帮助我们更好激活用户和促进用户推荐,以及更好的营收?新产品上线后,还需要了解用户行为,思考优化方式。以及思考产品的核心转化率如何优化,是提升用户的使用体验,还是让用户更容易使用我们的产品和服务。
另外,我们还可以针对不同的生命周期内的用户,进行定向运营。我们可以对用户的活跃度进行分层,不同的活跃的用户,可以设计不同的促销方法。对于休眠用户的召回非常重要,这样可以增加留存,从而提升长期的营收。老用户还能带来新用户,间接增加我们的获客。
我们还要需要对我们每一次运营活动进行效果评估,提升下一次的运营活动的效率。从市场投放推广的角度看,首先是获客各个渠道的质量评估,质量是渠道的质量和客户留存率的关系。不同平台来的用户,留存是不同的。
为了调节最佳增长模型,我们需要对这些渠道进行不同的组合和优化。广告的投放效果追踪,也便于我们进行最高效的投放预算。同时,我们还要进行营销投入的效益分析,对渠道进行非常细化的分析,指导我们在各个平台上的投放。
回归到金字塔型的增长模型中,首先是找到热爱产品的粉丝,让用户产生粘性、口碑;对于首次使用的用户,打造首次用户体验,通过产品和服务驱动转化;对于使用过的用户,通过推送、短信以及弹窗电话等一系列手段,再次召回用户;对于有类似需求的用户,可以通过应用商店的优化、网站的优化以及付费关键词的投放等方式找到此类用户。
通过效果广告、社交群落,找到类似的品类人群,最终可以通过品牌展示类的广告,加固用户对品牌的认知和心智占领。
金字塔型图本质上是精细化的用户运营。想要进行精细化的用户运营和业务运营,就需要有数据。因为只有有了数据,有了基本的监控,才能分析找到原因,从而提升业务。
关于数据化运营,给大家提供一个框架,我们只需做非常简单的4件事。
首先,想要分析数据,我们首先需要有数据,就是采集数据。
采集数据的方法,比如软件类产品中可以埋点,服务端可以采集日志,交易数据可以在数据库、CRM系统或pos机里面。
采集数据后,下一步是进行简单监控。通过做基本的报表,知道历史上发生什么事情,转化率是多少,波动性怎么样,了解之后再做数据分析和洞察,找到核心影响业务发展和转化的原因。
找到原因后,调整营销、运营、产品、服务、销售、获客等各个环节,执行后进入下一个迭代循环。
所以做好“采、看、想、做”4个环节,让每一个环节之间产生连接,就能驱动我们的业务朝更加健康、更有效率,更有洞察的方向发展。
关于在过去几年的时间里,服务近千家的客户的过程中,发现很多企业实际上分了几类,第一类是数据采集非常难,找不到这些数据,而且也没有足够的技术资源和人力做这件事。
第二类是很多客户以前因为业务发展速度太快,并没有建立起一套比较有体系、完备的数据分析或者看书的这种习惯和经验和体系。
大部分的障碍存在于:首先,在数据采集上没有规范,有时采集了大量数据,但数据并不是很准确,或者材料中大量的数据并没有用起来,或者准备开始使用时,发现业务目标没有对齐。原本数据的处理流程是非常的漫长和复杂的,所以造成了很大的偏差。
另外是做了很多报表,也看到很多数据,但是并没有比较系统化的数据解读驱动业务的思维和习惯,导致很多报表之间发生冲突,业务逻辑不完善,造成看不懂,不能去直接分解和驱动业务。
第三类的问题,企业内部如果想有一个数据团队,则需要很多的专业人才,而人才又比较少还特别贵。因此企业在这方面投资往往是大于它的回报。
在这里和大家介绍一个如何能够避免这些坑的基础方法。在企业内部,要对数据分析有一个总体的、宏观的治理概念。
首先进行数据规划,然后通过规划,选择重要节点,构建数据体系。然后比较迅速地驱动核心业务的转换节点,从而产生效果。最后一步通过刚才的规划构建系统,建立驱动模型,把整个企业业务形成闭环,进行系统性的管理。
分成这4个步骤,每一步做扎实,并循环做。就能帮助企业建立一套非常有效的数据治理驱动业务增长的体系。

楼主热帖
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

关闭

站长推荐上一条 /1 下一条

关于我们|小黑屋|Archiver|168大数据 ( 京ICP备14035423号|申请友情链接

GMT+8, 2024-3-28 20:37

Powered by BI168大数据社区

© 2012-2014 168大数据

快速回复 返回顶部 返回列表