B端产品数据分析方法论

0 评论 5444 浏览 44 收藏 20 分钟

商业思维是中高级产品经理的分割线,那么如果才能具备商业思维呢?有一个重要的方法,那就是数据分析。本文总结了B端产品数据分析方法论,希望对你有所帮助。

商业思维是中级、高级产品经理的分割线。

产品经理有商业思维,意味着不仅懂业务,还能站在CEO的视角看待业务。

比如,业务的商业目标是什么?

业务发展有哪些机会?

如何抓住机会?等等。

那么,如何才能具备商业思维呢?

阅读书籍、调研客户、研究标杆企业都是很好的途径,但是还有一个很重要的方法,那就是数据分析。

通过分析数据,产品经理能够洞察企业的经营方式、经营状态;

通过分析数据,产品经理能够找到业务发展的机会,推动业务实现经营目标。

因此,数据分析能力是B端产品经理必备的核心能力。

你可能会说:商业思维、数据分析是管理层的工作,B端产品经理老老实实满足业务需求不就行了吗?

但现实是:高管往往没有时间去分析一个具体的功能数据。

业务部门则可能受制于职责和眼界,看不到,或者无法获取到有价值的数据。

反之,产品经理不但方便获取数据,还可以把数据分析融入到产品设计,让业务产生数据,再通过数据驱动业务。

这将是B端产品经理巨大的机会。

01 数据分析的三个阶段

B端产品的数据分析,一共包含三个阶段。

分别是数据衡量业务、数据洞察业务,以及数据指导业务。

1、数据衡量业务

通过管理报表,我们可以快速衡量业务发展的状态。

也就是所谓的管理信息化——数据分析最基础的功能。

不过,在很多企业,这一项基本功能也存在很大问题。

比如,数据准确性、实时性存在问题,以至于报表辅助决策的能力大大被削弱。

要做到准确、实时的衡量业务,产品经理首先要理解数据的业务逻辑。

比如,对于CRM系统来说:

线索数*转化率*客单价=成交额

对于财务管理系统来说:

收入-直接成本=毛利

在梳理清楚业务逻辑后,产品经理最重要的工作就是确保系统按逻辑运行,并正确产生数据。

这里有很多细节问题。

比如,在计算毛利时,是否要含税?赠品是否计入直接成本?

它们往往是左右数据准确性、实时性的关键。

有时候,要解决这些问题,产品经理还需要协同业务部门,对业务流程和系统功能进行调整。

曾经,我咨询的一家企业,董事长坚持投入了数百万建设CRM系统,然而COO根本就不用系统生成的报表。

原因在于, CRM系统的管理报表与门店的手工报表始终存在差异。

在用三个月集中处理掉这些问题后,COO终于可以放心使用CRM系统报表。

结果,公司经营会议的召开频率大大提高,从“一月一开”提升到“一周一开”。

同时,由于不再需要人工统计数据,各个门店、总部都减少了行政岗位,为公司节省了一大笔开支。

2、用数据洞察业务

通过数据分析,可以找到业务发展的机会。

这里的关键在于,我们不仅要有准确的结果数据,还要有必要的过程数据。

比如,分析CRM数据,最简单的方法就是分析各个渠道的线索转化率和ROI,对于ROI较高的渠道,可以加大投入。

但是,这样的分析还远远不够。

因为,各个渠道的ROI并不是固定不变的。

比如,我们在某广告平台投放了广告帖子,用户如果对帖子名称等信息感兴趣,就会点击查看帖子详情。

如果服务符合客户的要求,他们就会主动联系我们,从而生成CRM系统的线索。

经过分析,我们发现“帖子点击量”与“有效线索数量”的比例是相对固定的关系。

这就意味着,只要我们想办法提高“帖子点击量”,就可以提高“有效线索数量”,从而提升成交数量和金额。

在这个实际案例中,通过优化帖子名称、定期刷新帖子等方式,该广告平台的成交金额提升了整整一倍。

在B端业务中,用数据洞察业务的难点,在于缺乏过程数据。

这时候就需要我们主动创造数据。

比如,在广告平台的案例中,我们是通过什么数据筛选出更有效的“帖子名称”呢?。

答案就是AB测试。

保持其他内容不变,仅仅修改一部分帖子的名称。

1个月后,将修改后的点击量与修改之前的点击量比较,以及与其他未做变更的帖子比较,从而筛查出点击数量明显上升的帖子名称。

在这个过程中,我们实际上通过AB测试创造了新的数据。

再比如,一个传统的线下经营企业,如何通过数据分析提升“转介绍成交金额”呢?

如果我们不创造新的数据,仅仅凭借碎片化、难收集的线下数据,是很难找到突破口的。

这个案例的破局点在于,我们开发了一套基于微信的转介绍小程序,再通过运营手段,让客户通过小程序进行转介绍操作。

这样,我们就可以收集到必要的过程数据。

比如,我们发现,转介绍的潜在客户只要进店体验,成交率就很高。

但是,很多潜在客户在收到老客户的优惠券后,并没有及时进店体验。

在这种情况下,我们就可以通过运营手段,促进转介绍渠道的潜在客户进店体验,并监控转化效果。

3、用数据指导业务

不管是用数据衡量业务,还是用数据洞察业务,其形式仍然是传统的报表工具。

数据分析的效果也主要体现为事后判断,并不能实时指导业务。

在数据分析的第三个阶段,我们要跳出“报表工具”的形式,把数据分析融入到业务流程和系统功能。

同时,通过“前置”数据分析,起到实时(real time)、适时(right time)指导业务的作用。

比如,通过数据分析,我们发现天气对便利店饮料的销量有很大影响。

太阳天的饮料销量,是雨天销量的2倍。

那么,当业务员在拜访便利店时,我们就可以结合天气预报等数据,提醒业务员加大饮料的推销的力度。

再比如,线下门店的案例中,当有潜在客户进店体验,在输入客户的手机号后,APP就可以提醒服务人员:

该客户来自张姐的转介绍,成交概率很大。

而且推荐张姐评价最高的X项目最有可能成交。

对于B端业务来说,这个阶段最难的一点,在于业务流程的在线化不足。

这就导致我们很难拿到全面、准确的过程数据,以达到“指导业务”的效果。

就是我们常说的:B端没有“大数据”,只有“小数据”。

不过,“数据指导业务”是数据分析的必然发展方向,B端业务也不例外。

我相信,B端产品在这个方向有着巨大机会。

02 如何培养数据分析能力

阿里巴巴前数据委员会会长车品觉老师,曾经提出过一个“混、通、晒”的能力框架,我觉得也非常适合B端产品经理提升数据分析能力。

  • 所谓“混”,就是和业务混在一起;
  • 所谓“通”,就是打通数据孤岛;
  • 所谓“晒”,就是展示数据分析成果。

1、混

和业务混在一起,一方面是混“业务知识”,另一方面则是混“人际关系”。

不懂业务玩法,不了解业务痛点,就不可能有的放矢的分析数据;

和业务部门关系不好,就很难充分协作,合力攻克难题。

很多时候,我们为什么缺乏商业敏感、数据敏感,就是和业务混得不够。

曾经,SaaS星球有一位甲方B端产品经理提问:

刚入职新公司,领导安排她去业务部门轮岗1个月,但是她觉得自己身为产品经理,天天做的工作却和产品设计没有关系。

她想知道自己应该怎么做,才能体现出一位产品经理应有的价值。

我提醒她:你做产品设计的机会很多,但是你到业务部门轮岗1个月的机会却不多。

抓住这个机会,切身感受业务的难点和痛点,同时和业务部门同事搞好关系,对今后的工作开展会有很大的好处。

这位员工其实很幸运,遇到一位懂行的领导。

我曾经见到一种情况,某领导安排一位产品经理牵头设计SaaS产品,并且同意他出差拜访客户。

但是,仅仅在拜访过一次客户后,领导就要求产出成果!

很显然,该领导低估了“混”所需要的时间和频次。

我在负责SaaS产品的时候,经常和客户成功部门负责人、销售部门负责人混在一起。

这不但让我了解到更多业务数据,也让我有机会与其他部门一起推动产品的发展。

比如,我曾经和客户成功部门负责人一起分析“活跃度”与“续约率”的关系。

我们发现:

非核心功能的活跃度,与续约率不存在相关关系;

核心功能的活跃度,与续约率存在强相关关系。

同时还发现:

只要在3个月内,新上线客户的核心功能实现了活跃,那么这个客户的存活几率就很大,而且续费率也很高。

反之,如果3个月未实现核心功能活跃,这个客户就很可能流失。

这些数据洞察,对我的产品设计工作,以及客户成功部门的服务工作都有很大的启发。

在负责甲方产品团队的时候,我也要求产品经理每个月必须有2天时间外出,和业务同事一起去拜访客户。

实际上,我并没有指望几次拜访能够产生了不起的突破。

但是,外出拜访可以让产品经理更多的与业务同事、与客户混在一期,这对于他们的工作和成长会有很大帮助。

2、通

在实际工作中,由于业务分工明确,也由于部门墙的存在,商业与数据之间、数据与数据之间存在很多阻断。

比如,市场部门购买了很多线索,认为自己功劳很大。

销售部门却觉得这些线索质量不高,不但很难成交,还无谓占用了自己的时间。

解决的关键是市场和销售的数据要打通,同时两个部门坐到一起来讨论:

哪些线索的转化率低?

为什么转换率低?

是市场部门的线索质量把关不严,还是销售部门的跟进存在问题?

曾经,某门店连锁企业把线下活动作为主要的获客方式。

这种拓客方式最大的问题,就是线索质量不高。

同时,由于活动拓客带来的客户进店很集中,这就大量挤压了服务人员服务老客户的时间。

即便服务人员和部分客户都怨声载道——受限于过去的成功经验——市场负责人一直坚持这种获客方式,以至于忽略了其他可能性。

于是,我让产品部门对所有获客、成交和复购数据拉通进行分析,计算各渠道线索的获客成本、转化率、客单价以及复购率。

结果发现线下活动是最低效的获客方式。

同时,产品部门还发现转介绍的效率是最高的。

但是市场部门却从来没有系统运营过转介绍活动。

最终,经过协商,市场部门同意拿出一个月时间来主打转介绍。

结果,运营活动取得巨大成功。

不久,市场部门开始常态化运营转介绍活动,仅仅第一年,就给公司带来了30%的收入增长。

在这个案例中,产品经理其实就起到了“通”的作用,不但将业务与数据打通,实现通过数据驱动业务,还打通了部门墙,促进了部门之间的协作。

提升“通”的能力,需要产品经理有系统化的思考。

很多B端产品经理工作了十几年,经验积累了很多,但是只能解决一些单点问题,无法站在全局去梳理业务和发现问题。

这就是他们平时只是被动应付工作,很少主动去思考,从而形成系统化的思考框架。

比如,营销相关的产品经理,就应该熟悉客户的全生命周期阶段,包括:

潜客-新客-老客-沉默客-流失客

这些类型的客户如何定义?

有哪些衡量指标?

有哪些运营策略?

有哪些实践案例?

只有拉通理解了整个过程,在工作中去实际应用,才能提升“通”的能力。

3、晒

所谓“晒”,是通过展示数据分析的成果,让用户爱上数据工具,爱上数据分析。

比如,梳理出对业务最重要的核心数据,在APP首页进行展现,就可以显著提高用户使用数据的频率。

曾经,我咨询的一家公司所有数据报表都在PC端。

虽然报表功能强大,但是管理者的使用率并不高,更不要说门店员工了。

后来,我们梳理了报表的核心数据,把那些影响门店业绩、影响个人收入的指标提取出来,放在员工端APP首页,并确保数据的准确性和实时性。

结果,公司CEO告诉我:门店店长每天都要刷十几遍APP数据,晚上睡觉前还必须刷一次,如果业绩不好还会影响睡眠。

除了店长,下至一线员工,上至总部领导也都养成了刷APP的习惯。

“晒”数据的关键,是要把数据分析“产品化”,或者说,像设计产品一样设计数据分析。

这样才能让用户高频使用数据,甚至让用户爱上使用数据。

首先,“晒”数据要从痛点出发。

对用户没有价值的数据,哪怕你做得再精美、使用再方便,都不会用人查看。

第二,要确保数据工具的高可用、可解释

高可用,就是用户可以通过简单的操作进行数据分析;

可解释,则是当用户对某个数据产生疑问,系统能做好数据定义的解释工作,同时提供源头数据,方便用户追溯与核对。

第三,数据分析要嵌入业务流程,融入日常业务

“晒”的最终目标是脱离报表的形式,让数据分析融入到产品功能中,融入到日常业务中。

比如前面提到的“根据天气预报,提醒业务员加大饮料推销力度”的案例,就是通过数据解决了业务问题,但用户并不需要刻意使用数据工具。

产品经理平时要有“晒”的意识,时刻思考数据分析可以应用于哪些场景?如何设计数据分析功能,才能让用户爱上数据分析?

带着这样的思考去工作,就可以提升我们“晒”的能力。

03 数据分析无处不在

很多B端产品经理会抱怨没有数据,无法进行数据分析。

但有时候我们缺的不是数据,而是思路。

比如,给CEO汇报方案,如何预判CEO的态度?

我的经验是:

如果CEO微微点头,那说明方案得到了CEO的认可;

如果CEO开始翻阅iPad,那说明他认为这部分内容不是重点;

如果CEO开始记笔记,那说明他可能就会对这部分内容提问。

只要我们有心,到处都是有价值的数据,人人都是数据分析师。

专栏作家

王戴明,微信公众号:To B老人家,人人都是产品经理专栏作家,多年互联网产品与信息化管理经验。

本文原创发布于人人都是产品经理,未经许可,禁止转载。

题图来自 Unsplash,基于 CC0 协议。

该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 目前还没评论,等你发挥!