数据化运营——影响互联网产品成败的关键,互联网营销

简介:   一个产品作得好不好,用户喜不喜欢,喜欢哪些东西,不喜欢哪些东西,常用哪些功能,讨厌哪些功能,经常为哪些服务付费,乍看起来,似乎这些东西都是体验和感觉方面的,都是感性方面的,都是只能通过与用户面对面,甚至开发者自己亲身体验才能发现出来的东西。

  一个产品作得好不好,用户喜不喜欢,喜欢哪些东西,不喜欢哪些东西,常用哪些功能,讨厌哪些功能,经常为哪些服务付费,乍看起来,似乎这些东西都是体验和感觉方面的,都是感性方面的,都是只能通过与用户面对面,甚至开发者自己亲身体验才能发现出来的东西。是的,在很大程度上,互联网产品的体验感决定了它的受众面,粘性,传播及流失率。

  但是,我想跟大家说的是,很多情况下,我们的很多个人感受或者个人推理并不是非常靠谱的,这些推理只是符合了我们自己意念中所想像的那个“逻辑”,但却不是现在我们产品面对的这群用户的真实情况。

  拿网游来说,比如:

  1. 尽管现在绝大多数玩家都普遍在骂中国网游韩国化,骂韩流泡菜,但相当遗憾的是,通过我们的数据分析和玩家跟踪,我们发现,玩家是嘴上在骂,手上已经止不住地把游戏朝韩国泡菜的方向去玩,绝大多数的玩家还是只知道砍怪升级。就是说,从某种程度上来说,泡菜模式已经基本成为一种定势,如果不依照这个定势去作产品,将会付出更大的引导、流失成本。

  2. 无论你推出了多少个好玩的活动(如每天、每周、每月等各种类型大大小小的活动),在同一天内玩家普遍参与最多的往往也只有两三个,甚至一两个活动,除了活动前几次投放之外,玩家很少把所有活动都参加完。而参加的活动类型,基本不是以好玩度来衡量的,而是以收益度来衡量的。这个事实告诉我们:玩家的时间和精力总是有限的,玩家会把宝贵的时间和精力都花在对自己最有益的玩法上,而全然不顾你所谓的有游戏性却没有足够利益吸引的玩法上。当然,对于开发者而言,最聪明的作法,是把利益、在线高峰期、游戏性这三者结合起来,形成一个产品最核心的几个玩法,这样也是性价比最高的作法。

  3. 对玩家钱袋子的挖掘,不是以陷阱、利诱、甚至是长期促销就可以直接提升的,对大多数玩家来说,自己每月投入到游戏上的费用基本上都是有个基本值的,这个基本值,就是玩家调整自己消费的参考。比如,我们游戏中的大喇叭,在之前的一个版本里,大喇叭很便宜,经常有很多玩家买了很多大喇叭刷起来骂人,破坏游戏氛围,而在我们决定对喇叭费用进行调高的时候,曾经非常担心提高价格之后,玩家会不会因为对调价不满而大量减少在喇叭上的消费。经过对喇叭数据的统计分析,我们发现,喇叭销售的总数量变少了,但是总销售额是相同的,也就是说,玩家仍然花费了相同的费用来购买喇叭。这个事实告诉我们:玩家对于游戏的预期费用投入是有个基本值的,只要规则公平,他基本上是根据这个基本值来决定自己行为的。换句话说,如果喇叭价格的调整不是针对所有人统一调价,而是针对某个特定群体调价,这样的不公平规则将可能带来玩家流失或真实的消费需求减少,这对官方明显是不利的。

  以上,只是网游产品运营中一些非常小的片段节选,只是在一个很小的侧面来说明:我们想像中所推导出来的逻辑,并不一定就代表了真实的产品运营现状。而要想了解真实的产品现状应该怎么作?除了通过各种客服、推广、运维渠道来了解玩家意见之外,最为宏观和全面的方式,当首推:数据的统计和分析,也就是本文的主题“数据化运营”。

  事实上,除网游产品之外的其它所有互联网产品,与传统软件相比,其最大的优势就在于:互联网产品的运行数据,是存放在官方这里,存放在运营者手里,存放在开发者手上,我们对这些重要的数据有自由的控制力和访问权。对于服务器,可以通过日志、数据库等多种数据综合分析,对于客户端也同样可以记录界面点击、功能操作的日志并通过某种方式将记录结果统一收集、整理。可以这样说,只要我们能想到的想去分析的东西,我们都可以借助数据收集系统去逐个收集,集中分析和处理,那现在,剩下的就是我们该如何好好理理头绪,把这件事一步步作起来了。

  我把数据化运营看作是一款互联网产品的体检表,一款产品的好与坏、前后走势,都可以通过一份份的体检表明确梳理出来。有了这份体检表,你的所有工作将变得逐步有序、有效、有价值,你就可以更好的统筹项目资源,把最核心的人力、时间等资源投放到最重要、最核心、最有价值的内容上。

  但是,一款产品的运营数据如此繁多,我们该如何理出一个头绪来呢?请原谅,这一篇文章,只是一个引子,无法就具体作法详细列出各个细节之处,我只在这里简单列一些针对网游可以、而且需要作的内容,仅供大家参考:

  1. 新增、流失、回流、在线用户统计(按账号、按IP、按机器):数量、地域分布、时间段、网吧/非网吧等;

  2. 消费数据统计:最多销售额物品、最少销售额物品、销售额前20物品、最多销售数量(按批次、按账号)的物品、最少销售数量(按批次、按账号)的物品等;

  3. 玩家客户端环境统计:操作系统、Direct版本、上网方式、网络类型/带宽等等;

  4. 活动玩法统计:参与人数(分排除与不排除大小号)、完成人数、完成各进度人数、平均完成时间、平均放弃时间、获得奖励人数、获得奖励总额等;

  5. 群体组织参与度统计:平均好友数、平均好友在线数、平均好友在线交互数、帮派成员数、帮派成员在线数、帮派成员在线交互数等。

  还有其它很多方面......

  针对每个不同的产品,都需要针对各个产品内容和特点作很多具体的统计内容设计,设计这些点时,无非要想清楚这几个问题:

  1. 作这个统计的目的是什么?

  2. 达到这个统计目的,以何种统计方式,是最简单、最容易实现、最高效的?

  3. 统计出来的结果,如何通过其它辅助手段进行验证?更进一步的,如何让统计结果指导产品改进?

  而,只有把结果应用到了产品改进过程,才算是达到了我们的最终目标。

  请记住:数据,是互联网产品运营的神经系统,它的作用,绝不仅仅只是让官僚管理者拿来作一份漂亮的PPT或者报表,它最核心的灵魂,是在于让我们结束无谓的争论,不再受人任意忽悠,是在于让我们触摸到产品真实的情况,遵循客观规律,改进不足和盲点,并最终把产品带向成功。

目录
相关文章
|
6月前
|
机器学习/深度学习 算法 数据挖掘
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享-2
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享
|
6月前
|
机器学习/深度学习 Python
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享-4
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享
|
4月前
|
人工智能 算法 数据可视化
|
5月前
|
存储 SQL BI
毫秒级查询性能优化实践!基于阿里云数据库 SelectDB 版内核:Apache Doris 在极越汽车数字化运营和营销方向的解决方案
毫秒级查询性能优化实践!基于阿里云数据库 SelectDB 版内核:Apache Doris 在极越汽车数字化运营和营销方向的解决方案
毫秒级查询性能优化实践!基于阿里云数据库 SelectDB 版内核:Apache Doris 在极越汽车数字化运营和营销方向的解决方案
|
2月前
|
搜索推荐 API
淘宝商品数据洞察:解锁精准营销新策略
在快速变化的商业环境中,高效的营销策略对企业至关重要。通过API获取淘宝APP的商品细节数据,企业可以精准分析产品特性、强化卖点,并制定灵活的价格策略。利用用户画像实现个性化营销,选择最佳渠道并优化内容,从而提升品牌影响力。这一方法不仅帮助企业抓住目标消费者,还能增强市场竞争力,促进长期发展。
|
3月前
|
编解码 搜索推荐 数据挖掘
巧用商品详情数据,制定精准营销策略
在当前激烈的市场竞争中,利用京东APP商品详情数据通过API接口为企业提供宝贵支持,助力打造精准营销策略。首先,深入分析商品特点明确产品定位,并突出差异化优势以吸引目标消费群体。其次,细致分析价格信息制定合理定价及促销策略。再者,借助用户数据细分市场并提供个性化推荐增强顾客忠诚度。此外,选择合适营销渠道并不断优化提升效果。最后,通过高质量内容创作和品牌建设强化品牌形象,全面提升市场竞争力。综上所述,充分利用商品详情数据能够帮助企业制定更为精准有效的营销策略,促进可持续发展。
|
5月前
自适应IT互联网营销企业网站pbootcms模板
一款蓝色自适应IT互联网营销企业网站pbootcms模板,该模板采用响应式设计,可自适应手机端,适合一切网络技术公司、互联网IT行业,源码下载,为您提供了便捷哦。
52 2
|
4月前
|
人工智能
什么是企业全历史行为数据?为什么它是ToB大客户营销的最佳助手?
企业全历史行为数据涵盖了企业从注册运营到当下的所有可挖掘的行为数据。
|
6月前
|
机器学习/深度学习 算法 Python
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享-1
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享-1
|
6月前
|
机器学习/深度学习 算法 Python
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享-3
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享
下一篇
无影云桌面