万字长文,工业化拆解直播间数据模型

尹晨带货实录 尹晨带货实录

2年前

收藏 收藏 4

点赞 0

【摘要】:让你走进直播数据的世界。

这一篇超万字的数据分析文章,将会带你走进直播数据的世界,用专业视角,全面解读直播过程的数据问题。

我们为什么要做数据分析?

是为了做数据分析,还是为了有效解决遇到的问题?

只有想明白了这个问题,你才会意识到,每天下播后,看似一场直播复盘,实际并不能解决任何问题。

真正具备数据分析的团队,要去理解数据的三个层次。

第一,概括性复盘,只能解决结果呈现,但却无法直达问题的本质。

直播数据包含流量、用户、商品、内容、投放、漏斗、主播等10个模块,一场好的数据分析,不只是汇总式展现。

第二,缺乏时间线,以及交叉型的数据分析,无法逼近答案的最优解。

直播数据的任何一个要素,单向时间去看没有任何意义,需要引入周期性的同比、环比,才能发现规律

直播数据的任何一个要素,单向维度去看同样没有任何意义,比如脱离流速看在线,你能看出什么?

第三,不同模式,不同阶段的账号,数据分析的侧重点必然不同

不同的直播玩法,侧重关注的数据不一样,账号位于不同阶段,侧重关注的数据也不一样,数据分析不求大,只求精。

以下的数据拆解,将以上三点融合,从数据模块的角度,工业化拆解数据模型。

1、复盘总表的模块

任何一场直播的直观分析,都需要一张数据总表

在日常分析中,我把复盘总表划分为四个大类,分别为流量数据、用户数据、交易数据、商品数据

流量数据包含场观、峰值(开场、下播、人气、平均)、流速(开场、场中、下播)

用户数据包含停留时长、互动次数&互动率、增粉&增粉率、增团&增团率、老粉数&占比

交易数据包含GMV、千次成交、UV价值、看播转化率、点击转化率、老粉成交占比率

商品数据包含成交top商品、成交件数、成交人数、退款率、退款GMV、退款人数

以上四个模块的汇总,我们基本能看出一场直播的数据,但是我说过,数据分析的结果不是为了得到数据,而是分析数据可能潜在的问题。

如何去发现问题?

最简单的方法,就是结合时间线做多场数据的周期性排列,但问题就出现了。

因为小店后台虽然提供了数据大盘,但是缺乏对板块性数据的对比分析,注意了,不要以为电商罗盘功能很丰富,事实是开发人员压根没有从用户角度思考问题,很多堆砌的大量功能看似很牛逼,实际没卵用。

所以最好的方法是自己制定数据维度的标准,同时在后台下载数据,按照时间线自行制作表格。

按照时间线对比,我们就能通过时间周期,发现哪些数据递增,哪些数据出现了异常,举几个例子,描述分析的逻辑。

1)流量数据中,开场流速&在线的分析

有些人有个误区,在对比账号权重增长时,喜欢去对比整场的场观、流速跟GMV规模,但实际从更为精确的角度,开场极速流的规模更能代表权重。

我们可以通过开场流速&在线的数据,去周期性查看权重的变化,一般情况下,如果账号呈现递增趋势,开场极速流基本是持稳或者递增状态,但是如果权重下移,就会呈现多场下跌的情况。

2)用户数据中,用户行为的分析

新号冷启动,如果想要撕开直播推荐,就要去做互动指标的递增,那么呈现在表格上,就要看到停留、互动率、转粉率、转团率的增长,这是很好的辨别冷启动是否爬升的直接手段。

而往往冷启动失败的账号,你会发现在互动数据层,指标的螺旋上涨一定是缺失的,结合数据客观分析,可以极大降低操盘手的主观臆想,或者平台背锅,比如,是不是账号有问题。

3)成交数据中,交易指标的分析

看播进入率代表画面(直播画面/短视频)的质量度,在流量结构不变的情况下,看播进入率持续下跌,如果是侧重短视频流量,就需要检测是否作品的引导性出现偏差,如果是千川投放,就需要检测投放内容出现了什么问题。

4)商品数据中,退款指标的分析

按照一周的数据统计,假设GMV处于稳定或者稳定上升的阶段,但是退款率的递增率规模,远远高于成交率的规模,那么就要去分析,是什么因素导致了退款率的拉升,是因为更换了款,还是直播间节奏渲染的问题。

结合近期发货异常的环境,去周期性分析退款指标更有必要,如果在投放环境下,受疫情发货延迟影响,或者预售模式,明显发现退款率激增,那么就要去权衡,是否影响调整投放区域,或者降低投放规模。

以上不用记忆,只是想表达,总体复盘的系统性,以及数据信息挖掘的方法。

设想,以上的所有数据,如果从事后变成事中,意义的改变?

曝光进入率可以实时优化吗?可以,点击转化率可以实时优化吗?可以,GPM本身不就是用于实时优化吗?

复盘在中不再后,数据复盘是2/8定律

从时间程度,人们大部分的时间集中在事后复盘,但是解决的问题占比不到20%,而事中(实时)复盘看似临场分析,却能解决80%的账号问题。

在第一个观点中,我说过复盘总表解决了复盘基本面,但是想要深挖问题的本质,需要结合多样化的板块数据。

在我的复盘框架中,包含从流量、漏斗、投放、内容等多个模块,那是否意味着所有的模块数据都要分析?

答案是不需要,每个直播间有它自有的流量、商品、运作体系,针对这个部分,我详细来列举我是怎么去侧重使用板块性数据。

2、流量结构的模块

在日常的数据分析中,流量结构包括自然推荐、广场、短视频、千川、随心推、关注、搜素、其他多个渠道,同时在每个渠道下,用时间轴周期性对比流量、互动以及成交数据。

万字长文,工业化拆解直播间数据模型

如果是单一性结构流量,是没有任何必要去做流量结构分析的,比如活动起号、憋单玩法的直播间,基本是自然流量为主,而且作为一名操盘手,完全不用凭统计就能记忆每场直播推荐的占比。

再比如千川单品,基本都是以付费流量为主,只需要专注去提升千川投产部分的数据即可,各类型数据分析多了不仅没毛用,反而增加时间成本。

但是如果是多元性流量结构,即既有短视频流量,又有自然推荐、千川流量,那么就很有必要去做流量结构的数据分析。

不去分析会产生什么后果?我们可以来举一个掩盖性例子。

比如从一周数据当中,场观突然发现递减,那么光总表是没有办法分辨是哪个部分出现了变化,这时候就需要借助流量结构的板块数据。

原以为是投放侧除了问题,通过渠道查看,发现是自然推荐减少了。

再比如发现曝光进入率急剧下降,光总表无法分辨,那么借助流量结构的板块数据,就能知道是某个渠道的流量变化,比如视频流量暴增,导致整体曝光进入率的下降。

流量结构总表能够反映一个账号的流量渠道分配,如果是一个自然推荐为主的直播间,就要时刻观察自然流量的占比爬升性,以及对应的流量数量。

流量结构分析还能解决一个问题,就是除了各渠道流量占比外,可以详细得到不同渠道的流量质量,以及带入的成交金额,这对于我们对流量扶持的侧重选择提供关键性参考。

 

3、商品数据的模块

在日常的数据分析中,针对商品分析,我会划分单场商品、重点商品、7天商品、15天商品四个维度,针对每个维度,我来说明下日常分析的理由。

万字长文,工业化拆解直播间数据模型

单场分析解决排品,7天分析解决组品,15天分析解决货品,重点分析解决爆品。

单场分析解决排品,指的是对刚下播场次的商品数据分析,其下维度包含曝光点击率、点击成交率、下单未支付率、退款率等。

通过单场直播分析,我们能看到开场阶段的产品数据,打单时间周期中,不同产品的转化效率,由此能够进行多样化的数据组合。

结合停留时长、互动数据,我们就能判断开场产品是否需要替换,结合商品点击率、点击转化率,我们就能判断最佳打单时段应该上什么品。

7天分析解决组品,指的是通过7天的数据维度沉淀,直播间已经能够形成比较稳定的商品数据,哪些品需要重点去打,哪些品应该撤下,数据已经得到验证。

15天分析解决货品,则是从商品售后的角度,这个时间周期用户从下单到售后的阶段基本接近尾声,直播间需要对上一个15天阶段的货品进行判断,从退货、售后成本等角度,是否需要重新开品。

重点分析解决爆品,指的是对于成交规模最大产品,一般意义我们划分为爆品,但是任何爆品都有生命周期,我们需要从商品点击、成交转化、成交金额、成交占比的角度,去分析商品的上升跟下跌。

一般爆品出现衰退,都会在成交数据中出现占比下滑,在这个时候,直播间需要去做的就是培育新的爆品。

综合以上四个维度的商品分析,如果是单品型直播间,我认为做好单品数据分析即可,如果是多品类直播间,就有必要所有维度都做分析。

商品分析上,我认为小店后台已经提供了较为详细的商品罗盘,但是对于新人依旧不够友好,想要条理化分析,建议参考我的日常表格。

4、短视频数据的模块

在日常的数据分析中,针对短视频我们要区分自然流短视频,跟投放类短视频。

万字长文,工业化拆解直播间数据模型

自然流短视频的数据分析,不需要每个直播间都做,比如很多憋单玩法的直播间,压根本身就不注重视频流量,分析短视频数据有什么意义?

短视频分析,侧重以短视频为主的直播间,数据主要分为两个维度,第一部分是账号质量维度,第二部分是带货质量维度。

账号质量维度包含一个短视频日常的播放量,完播率、点赞率、评论率、转发率、关粉率等,这些数据的加权,再匹配赛马机制,基本决定了账号的流量级别。

带货质量维度则包含直播曝光进入、直播成交率,以及对应的直播成交金额,这些最能真实反映短视频作品对直播间的贡献率。

我习惯用表格统计短视频数据的点,抖店罗盘的bug,只能单一维度排列数据,但是无法多因素组合排列。

对于短视频数据的应用,日常会用来做什么?拆解下日常当中,如何运用数据去决策短视频。

1)考核短视频团队绩效

对于短视频团队的考核,依靠的就是作品质量跟带货质量。

这部分的数据来源于抖店罗盘的视频端口,关于两个维度的数据以上已经做过列举,你要做的就是制定一个每日的考核数据标准,一个最低线,一个高位奖励线,要求团队去围绕KPI执行即可

2)决策作品是否投放豆荚

短视频的完播率、播放量爬升、互动数据,基本体现了该视频在账号质量端的跑量能力,但是不够,还需要结合该短视频的GPM、成交金额,判定是否产生盈利投产的潜力。

如果短视频在短时间还在递增爬升,并且千次成交高于日常中位值带货数据,就可以通过小金额叠投测试ROI,为正的情况下不断复投即可。

3)哪些是黑马型短视频

借助表格的反选工具,以引流次数为负,直播间GPM、成交金额为正,形成反差即可得出一类短视频,即GMV虽然不高,但是成交比重却很高的作品。

对于这类作品可以通过付费扩大流量规模,同样小金额叠投测试ROI,为正的情况下不断复投即可。

4)纠正错误类视频模板

一个好的作品一定是既具备爆流属性,又具备高价值成交,而往往有些作品虽然流量很大,但是实际成交金额却很低。

对于曝光进入率低/进入人数高,但是成交金额低的作品,一般是作品本身形式大于内容,缺乏对产品卖点的挖掘,导致用户看完作品即走,一旦长期发现该类作品,可以选择重新优化或者搭建模板。

以上是自然短视频流量的数据分析,对于投放素材短视频,在后续的千川文章系列中,会单独展开。

5、漏斗数据的模块

在日常的数据分析中,营销漏斗从上到下拆分为曝光进入率、商品曝光率、商品点击率、订单创建率、订单转化率。

万字长文,工业化拆解直播间数据模型

任何一个直播间都应该必备的数据板块,因为没有一个直播间可以逃脱营销漏斗的影响。

在往期文章“优化100+直播间后,我做出了这个漏斗模型”就已经提到了具体的营销漏斗分析方法,结合这次的新主题,继续做一些补充。

一个闭环的直播间数据验证方法,就是数据呈现-问题挖掘-方案组合-优化跟进。

应用到漏斗上,就是每一个层次的数据是多少,将之于参考值对比,就能发现数据是否异常,这时进入到第二步,每一个圈层数值的下降,一般都会由什么原因导致。

漏斗优化虽然较为复杂,但是很多原因可以定性,比如曝光点击率,受影响的原因有商品陈列视觉、主播引导、场控点击等等,再比如订单转化率,受影响原因有主播逼单话术、价格因素,以及售后服务提醒等等。

唯一不好决策的,就是多渠道流量下的曝光进入率,而这部分,在本章的开头拆解过,即利用流量渠道表,去看各部分的曝光进入率,并进行针对性优化。

在往期漏斗拆解中,俱乐部已经公布过一张漏斗优化表格,对于新人来说,可以直接参照导图优化即可。

漏斗分析的一个难点,就是设置参考值问题,比如我每个层级的效率,应该做到什么结果。

这一点其实很好解决,按照以下的表格,按周为单位,填写一周的漏斗数据,然后把这一周每个层级的最优指标,作为下一周的目标指标。

通过配合表格的计算公式,就能看到在新的一周中,有多少场超过了往期的最高指标,超过得越多,说明方法得到了验证,数据得到了优化,而如果效果不好,则继续返回去检验问题层。

6、用户数据的模块

在日常的数据分析中,用户数据划分为成交、非成交、粉丝、非粉丝四大类目,但根据具体使用,每个维度下又有不同的细分场景。

万字长文,工业化拆解直播间数据模型

这一年以来小店迭代最佳的功能就是用户数据,我对于用户数据的使用途径,主要分为三大方向

1)用户标签成长

新号从冷启动到承接,再到测爆品的过程,就是直播标签垂直化的过程,日常电商大屏只能对于基础标签作为展示,想要查看账号近期的深度标签,点开电商罗盘-人群画像即可。

在这个部分,罗盘呈现了用户层的基础属性、内容偏好、购买偏好,以及常见的八大人群,但是这些数据单维度去看没有任何意义,为什么?

比如你想要去看目前直播间互动人群的标签是否能够大规模支撑转化,那么要做的不是单维度查看,而是进行数据对比,选取你的内容触达人群,跟你的消费人群对比。

一般情况下,内容触达人群越是接近你的消费人群画像,直播间的正向性更健康,转化坡度也会较为平滑,相反就要去思考转化断层的问题。

同样我们可以将“商品展示人群”与“商品交易人群”做画像对比,就可以查看对于本身已经成交的人群,用户画像的样子,这样能够很好的决策商品的选品方向,或者投放的定向方向,避免用户层与成交层出现空心化。

2)用户标签纠正

直播间标签没有精准一说,永远都在变化,可能一个活动,一个错误排款的大规模成交,就会导致标签发生偏移。

而日常就确实会发生突然直播标签不精准的案例,对于这种情况,你无法通过感知层判断的情况下,就完全可以借助罗盘的用户数据进行分析。

怎么做?选取近一天,或者七天的商品曝光人群,跟30天的商品曝光人群进行对比,就可以明显发现人群标签的变动性。

对于老粉占比过高、自然推荐占比低、新粉成交率过低,同样都需要借助场景人群画像去做多要素对比,老粉的画像是什么,如何进行维护,新粉成交率低,新粉但是未成交用户画像是什么,搭配的解决方案是什么。

3)用户标签投放

小店后台的精准人群,可以通过推送搭配千川使用,但是使用策略上,会涉及到数据的选取。

正常情况下,千川后台计划的创建都是单产品单计划,不同的产品人群包不一样,在后台进行选取时,不能直接导入后台画像,而是先进入商品人群,选取单商品维度,针对单商品维度进行选取。

单商品维度的人群包,为了ABtest,建议选取商品点击、加购、成交人群进行分批测试,一般人群包的推送更为精准,搭配较为竞争力的出价,一旦跑量就能获得不错投产。

4)直播间用户标签维系

这部分是为了迎合铁粉系统所运用的策略,铁粉策略并不只是简单的维护粉丝团,而是要对用户进行分级管理。

数据获可以通过直播人群洞察得到,将用户分为三大人群,即粉丝&成交人群、粉丝&未成交人群、非粉丝&非成交人群。

这三大人群分别代表了一到三级用户的画像,而在直播策略中,就能根据不同的画像采取对应的维系手段。

7、千川数据的模块

在日常数据分析中,对于千川投放,包含计划周期性分析、营销漏斗,实时性分析、数据点与事故分析。

万字长文,工业化拆解直播间数据模型

1)计划周期性分析

对于千川数据的分析,各有手法,我从来不认为一个数据点能够脱离一条计划的生命周期去判断,这就好比我举过的一个例子。

从人类行为的角度,大人跟小孩对一件事情的反映是完全不同的,比如不想吃饭,小孩可能是不饿,而大人则是心情不好。

所以对于同一种数据表现,不能一刀切去看待原因,而是能够有一种行之有效的方法,将后台所有计划划分周期,并根据周期内的数据表现去做差异化处理。

千川所有创建的计划,都可以划分为上新期、培育期、成熟期、衰退期、激活期、死亡期。

上新期,即大量新计划上线,仍处于无消耗,或者低消耗状态,在这样的情况下,不需要去做任何分析,优先提价,通过竞价去排除出价风险,其次是智能放量,调整定向风险,再次才是更换素材。

培育期,即开始出现有消耗爬升的计划,但是数据呈现多样化,有消耗但投产低、有消耗投产及格、有消耗投产略低、消耗稳投产波动,消耗波动投产稳等多种,针对不同的情况,我在往期的投放拆解中,已经给出过答案,后续千川系列文章,我还会深度拆解。

成熟期,即度过了不稳定阶段,在投产及格的基础上,消耗稳定并正向爬升,这部分的计划要做的就是不断深挖素材跟计划价值,做差异化复制。

衰退期,即计划进入到生命周期尾部,或者计划衰退,或者素材衰退,但本质上都是竞争力衰退,则需要提价拉升竞争能力,或者智能放量探索更多人群。

激活期,既是通过衰退期策略后仍然回光返照的计划,对于这个阶段就是将计划逼向绝境,不断通过提价跟放量策略,不掉ROI死不休。

死亡期,即计划通过任何优化都无法继续跑量,就重新做素材裂变、重拍,不断继承爆量的素材模型。

2)营销漏斗优化

将后台所有计划从一开始就做到周期管理,能够实时的优化计划效果,但是一场投放并不完全由投放决定,还牵扯直播间的人货场,所以在进行直播间营销漏斗分析时,有必要针对千川的独立营销漏斗进行拆解。

由于如上已经做了方法论概述,该部分不再详细展开。

3)数据实时性分析

除了本身周期性优化计划外,千川在实时投放过程中,需要实时对数据进行调整,会涉及到大量的数据,拆解下在日常投放对于数据大屏的使用方法。

千川大屏的核心数据由广告投产、曝光进入率、进入成交率、GPM、在线人数、停留时长构成。

ROI在大盘只是阶段性结果,最应该查看的是千川当中主力消耗计划的分时投产,并以此判断是否调整计划。

曝光进入率衡量当下素材质量,如果是直投画面,提前设置参数值,作为直播进入率高压线,并在直播过程中根据数据的变化实时引导直播节奏。

进入成交率要结合GPM查看,不同价位的产品对两者的影响不同,高客单排位往往会引起成交率变低,但是一定概率上,GPM却会被拉升。

在线人数要结合流速&GPM,分析在线不是分析当前消耗快慢,而是在当前的在线下,是否还能保证正常的GPM,每个主播的流速承载不一,有些主播最多承接300在线,有些最多50。

特别要注意的是,对于主播的承载力,如果遇到高流速如果无法通过更换主播承载,宁可拉低消耗也不要无畏去承接流量。

在投放大屏中,流量来源不用关注,营销漏斗可至今日复盘中查看,按照以上要求实时优化,创意排序则进入计划后台查看实时排序,下播后直接跳转至今日复盘中的短视频素材库分析。

计划排序同样如此,大盘只是抓取展示,更多进入到后台优化,而商品排序,若是多品投放,要注意随时与直播间保持沟通,保持直播端跟投放端一致。

4)数据点与事故分析

这部分主要针对日常投放中,无法被上述所归纳的数据问题,以及账户发生异常,通过分析可挖掘的数据,由于4月份开始会撰写千川系列,可见后续文章。

8、主播数据的模块

在日常数据分析中,对于主播数据层的分析,包含引流能力、留人能力、互动能力、吸粉能力、转化能力、流量效力五个维度。

万字长文,工业化拆解直播间数据模型

我称之为主播的五力模型。

引流能力,即主播吸引用户进入直播间的能力,具体数据即直播间进入率。

留人能力,即主播吸引用户停留直播间的能力,停留越久留人能力越强,具体数据即直播间停留时长。

互动能力,即主播吸引用户点赞、评论的能力,具体数据即评论率、点赞率。

吸粉能力,即主播吸引用户关注,并且成为粉丝团的能力,具体数据即增粉率、增团率。

转化能力,即主播吸引用户在直播间成交的能力,具体数据即点击成交率,GPM。

这是一套任何直播间都可适用的主播培养及PK工具。

如果是个人直播间,从主播上播日起,即可通过数据化表格,记录主播的五大能力指数,排列主播在不同指数的优劣势后,以周的方式,不断优化主播的直播间场效。

如果是轮播型直播间,通过小店后台可监控主播,或者运用第三方数据工具的场控功能,监测主播的分时直播记录,即可拖取数据下载。

通过不同主播的数据,会更真实的发现,不同主播的能力板块完全不同,可以得到不同的优化跟运用。

优化上,让指数短板的主播向长板的主播看起,并通过对标学习优化短板,运用上,对于重要场次的主播,可挑选转化能力强的主播驻场,充分发挥不同主播的优势。

9、从账户分值的角度

在日常数据分析中,对于账户分值的分析,包含账号口碑分,小店体验分,以及账号信用分。

万字长文,工业化拆解直播间数据模型

在早期没有建立分值维护体系时,一年死亡的账号跟小店不计其数,后续引入后得到了很大改善

这是规模化直播的必然结果,也是扩张下分值维护混乱的教训,在数据分析当中一并归纳,不需要每个团队都做,但是可以参考。

成立专门的人员,针对分值体系统一化管理,表格主要包含体验分、口碑分,以及所涉及的商品质量、产品售后、客服服务等所有细化的指标。

以表格的形式每日登记,每个直播间能够按照日期排列查看每天的指标,对于异常的指标,后台人员能够及时的优化,就能最大程度避免分值下跌。

 

综合以上,以“复盘总表”作为总模块,以流量渠道、商品、营销漏斗、短视频、千川投放、主播、账号分值作为分模块,就形成了系统化的数据分析模型。

2022年的直播赛道,除了玩法层,更追求的是账号的精细化运营,而数据分析首当其冲。

数据分析看似复杂,但所有的数据都存在规律,前提是作为一名操盘手,能够从思维上塑造全面的分析模型。

 

本文由广告狂人作者: 尹晨带货实录 发布,其版权均为原作者所有,文章为作者独立观点,不代表 广告狂人 对观点赞同或支持,未经授权,请勿转载,谢谢!

点赞

0

-已有0位广告人觉得这个内容很不错-

继续浏览与本文标签相同的文章

畅言一下
0/1000
全部评价
尹晨带货实录

尹晨带货实录

查看该作者更多文章 》

扫一扫

关注作者微信公众账号