“坑位运营”:数据分析与场景实践 – 互联网运营

数据运营

“坑位运营”:数据分析与场景实践


本文为大家分享了“坑位运营”的详细内容,其中包含了坑位运营的起源、数据分析、如何运营、实践案例等。

“坑位运营”:数据分析与场景实践

本文内容由神策数据根据数据驱动大会现场演讲整理而成。

主要内容如下:

  • 坑位运营起源;
  • 数据分析与坑位运营;
  • 如何进行坑位运营;
  • 实践案例。

开始分享之前,想了解一下在座各位在工作过程中,是否分析过以下几个问题的答案:

  • 第一,过去一个月,产品首页 Banner 位置,给您的产品带来多少直接收益?
  • 第二,在运营人员投放的位置当中,哪一个可运营的位置带来的收益最高?
  • 第三,推荐商品位置中,哪个顺序的位置的收益效果是最好的?
  • ……

如果大家对以上问题的答案都是否定的,那么接下来的内容会对大家有较高的价值。我将针对这些问题,与大家分享“坑位运营”的内容。

一、坑位运营起源

目前,在网上通过搜索引擎搜索“坑位”发现,并没有关于“坑位”的明确定义,能搜索到的相关信息大概都来自于淘宝,即搜索结果下面的内容展示区域或聚划算等活动的商品展示位置,被称作“坑位”。

但这些在我们其他应用的运营中,适应范围较窄,所以,神策数据需要给“坑位”一个更广义的定义——可以承载内容信息并且可以运营的位置区域。

举例来说,常见产品中的很多位置区域,比如 Banner 位置、搜索位置、品牌推荐位置、商品分类位置甚至推荐位置,这些位置内容很多都是可运行和可更改的,我们把这些称作为坑位。

1. 一个用户典型的购买路径

对于坑位,我们需要了解其在用户的购买路径中会产生哪些影响,当一个用户从落地页进入到首页,通过 Banner 进入到活动页面,发现活动页面并无自己想要的东西,随即跳出,通过搜索位置寻找想购买的东西,但又发现搜索结果也无法满足需求。

过程中虽然他进入商品详情页,但发现推荐的相关产品中并无自己喜欢的商品,遂又返回产品首页。

之后他将想要购买的商品加入到购物车,又因为凑单、满减等营销信息返回购买页面添加更多商品,于是搜索各类评价,最终加入购物车完成结算,这中间 Banner、活动、搜索、推荐、凑单、满减等都可以算做坑位。

如果我们将用户实现购买路径的过程分成发现落地页、发现商品、了解商品、完成购买决策 4 个阶段,我们会发现坑位大多数时候都出现在发现商品这个阶段,至此,我们可以理解坑位多数时候是辅助用户发现商品的。

“坑位运营”:数据分析与场景实践

我喜欢将用户在产品中价值实现受到的影响因素分成三种:流量质量、产品功能、流量引导。

我们可以用现实生活中的商场来比作是你的产品应用,那么:

  • 流量质量:当用户站在商场门前时,她本身是否有钱、是否有强的购买欲望决定了她踏进商场时,购买的可能性高低。
  • 产品功能:就像一个商场中的基础设施,能决定在整个商场中购物是否顺畅。如一个提供了电梯功能的商城比一个只有楼梯功能的商场体验就好很多。
  • 流量引导:商场中的地图和抬头看过去的指示牌,就像地图,都在告诉每一个顾客喜爱的商品应该去哪个方向购买。

当我们了解这些之后,回过头来看,我们发现坑位特别像影响用户中实现价值要素中的流量引导因素,故此,我们先将坑位核心目的定位为“流量引导”。

2. 坑位运营的目的

当流量进入,我们需要引导其完成购买任务,以实现流量价值最大化,因为在当前互联网的现状下:

  1. 流量价格非常高,只有实现将每一份流量的价值最大化,才能改变烧钱现状从而获得盈利。
  2. 争取在每一份流量的总体价值中,占据更大的比重,是一种新的竞争优势,比如淘宝不能和京东、拼多多等平台比拼用户增长,提升流量价值可能是最佳选择。

二、数据分析与坑位运营

从上一节,我们了解坑位的定义和其必要性,那么在现实的坑位运营中,大家曾遇到什么问题?数据分析在解决这些问题的过程中又能起到什么作用呢?

我们将回到解决问题的基本思路过程上,会发现问题大多出现在评估环节上,我们可以做出各种 Banner 运营计划,但很多时候,却无法对其产生了多少最终收益进行评估,也很难针对该位置的针对性改进。

“坑位运营”:数据分析与场景实践

从我了解到的一些客户里面,曾使用过单因素变量控制的方式对坑位效果进行评估,这种方法在一定程度上不失为可选方案。

(1)单因素变量控制并不容易做到完全可控,如果产品处在增长期,产品增长本身就是一个影响因子,很容易忽略此类因素的影响。

(2)评估方式低效,如果 2 天内只控制 1 个坑位变动,那么评估 20 个坑位内容改变就需要 40 天时间,这样的效率任何企业都无法接受。

现在,我们希望用数据分析中归因的方式解决坑位运营中评估的问题。

1. 坑位归因

定义:将产品的最终收益的功劳分配给转化路径中各个不同的坑位上;

目的:效果评估。

2. 常见的归因模型

为了实现归因,我们需要了解一些常用的归因模型,而归因模型是指一种或一组规则,用于确定如何将利益功劳分配给转化路径中的接触点。

“坑位运营”:数据分析与场景实践

(1)末次触点归因

最后一个点击的接触点将获得 100% 的销售功劳;这是一个最典型的归因方式,在常见的网页分析报告及报告工具中几乎都可以看到这样的归因结果。由于完全不考虑整个过程中消费者到底接触过多少个触点,该模型完全忽视了漏斗上层和中层部分的行为对转化的影响。

(2)首次触点归因

如果用户没有机会了解商品,就永远不可能购买商品。与末次触点归因相反,指哪些坑位第一次将用户带入商品页面,就将 100% 的功劳归功于其。该模型会高估单个触点的影响力。这种情况下,首次触点归因模型就会过分强调驱动用户认知的、位于转化漏斗最顶端的触点,但以上两种方式都相对简单直接,有时会引起异议。

(3)线性归因

在线性归因模型中,转化路径中的每个接触点将平分销售功劳(图例中每个均获得 20%)。

线性归因模型的优点是它是一个多触点归因模型,因此会将功劳划分给转化漏斗中各个不同阶段的坑位触点。缺点是它无法正确衡量各种营销触点的不同影响。

(4)时间衰减归因

在时间衰减归因模型中,最接近销售或转化时间的接触点将获得最多的功劳。该模型基于一个假设,该假设认为触点越接近转化,对转化的影响力就越大。这种假设的问题是它永远也不会给位于漏斗顶部的触点一个公平的分数,因为它总是距离转化最远的那个。

(5)位置归因

将末次触点归因和首次触点归因折中,首次、末次各取 40%,中间 20% 平均分配给中部。

另外,还有比较复杂的自定义、算法归因模型等。