1700499190
数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497527]
1700499191
数据挖掘与数据化运营实战：思路、方法、技巧与应用 4.2 数据化运营是真正的多团队、多专业的协同作业
1700499192
1700499193
4.1 节中多次出现了数据分析团队和运营团队的字样，但是企业的数据化运营实践和项目应用中，绝不仅仅只有这两个专业团队参与其中，更常见的情形是，技术团队、数据仓库团队、CRM系统、客服团队、销售团队、UED团队、测试团队、财务管理团队、数据分析团队和运营团队都要参与进来，多团队协同作战，共同执行一个成功的数据化运营落地应用。
1700499194
1700499195
回想我们在1.1节中提到的互联网行业里的3P3C理论，也是从另外一个维度（核心因素）揭示了数据化运营的复杂性和多专业协调性。
1700499196
1700499197
在4.3节中，将对一个完整的数据化运营项目的落地应用全过程进行描述，并举例说明数据化运营是如何需要多团队、多专业协同作业的。
1700499198
1700499199
1700499200
1700499201
1700499202
数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497528]
1700499203
数据挖掘与数据化运营实战：思路、方法、技巧与应用 4.3 实例示范数据化运营中的跨专业、跨团队协调合作
1700499204
1700499205
案例一：A公司的H产品是一款在线转账产品，其最大的用户价值（用户利益）在于用户通过该产品将现金转账到个人的银行账户时，所需的手续费只是网银转账手续费的一半，甚至更少。该在线转账产品本身是免费使用的，只是用户每次通过该产品在线转账时要支付少量的手续费（相比网银而言）。该产品具体使用流程是，用户首先在网站上下载该在线转账产品，然后登录该产品，并且把自己的支付宝与该产品捆绑，捆绑成功后就可以随时在线使用转账功能了，这样就可以把钱从支付宝转账到各商业银行的账户里。要强调的是，使用该产品转账的费用比直接用支付宝转账的费用还要低。H产品本身所涉及的金融政策不是本书的讨论点，因此这里不做讨论，只是将其作为一款在线产品的运营案例进行分析。
1700499206
1700499207
H产品的运营团队肩负着在线推广该产品的使命，以便让更多的用户认识该产品、了解该产品，并使用该产品进行在线转账。通过初期将近1个月的试运营，已经产生了一批下载该产品的用户，其中有些用户已经成功使用该产品的在线转账，当然也有一部分下载的用户在实际转账过程中因为种种原因不能成功转账，导致转账失败。在这期间，运营团队有很多数据分析需求，比如用户使用该产品的流程漏斗分析、运营活动的效果漏斗分析、目标客户的特征分析、实际转账成功用户的特征提炼等。本案例分享的是对其中成功转账用户的特征提炼（群体细分），并根据这些分析结论和发现进行更加有效的产品推广，即用最有效的手段让更多的人使用该产品。
1700499208
1700499209
1）业务方提分析需求。
1700499210
1700499211
运营团队希望数据分析师能基于试运营1个月以来的效果，即下载产品的用户数量、捆绑产品的用户数量、实际操作转账的用户数量、实际转账成功的用户数量，从中发现最可能使用该产品转账的目标客户群体，从而在以后的运营活动中可以更加精准地针对这些目标群体进行数据化运营，同时为今后的产品优化和升级积累相关的线索、方向和科学依据。
1700499212
1700499213
2）分析师与业务方讨论需求。
1700499214
1700499215
数据分析师根据运营团队的分析需求，与运营团队一起讨论项目需求，讨论试运营1个月以来的实际效果（数据），了解试运营期间的运营手段、运营策略、运营节奏、运营人员的个人体会与直觉等，从而对业务背景有比较深入的了解。
1700499216
1700499217
3）分析师决定是否受理需求，制定具体分析思路、框架、计划并与业务方讨论。
1700499218
1700499219
根据双方交流、沟通的结果以及对试运营1个月以来的效果数据的摸底、评估，项目的数据分析师决定接受该分析需求，同时提出了大致的分析思路、分析框架以及备选的分析字段，并且与运营团队一起讨论、交流这些分析思路和分析框架，征求业务方的意见和建议。
1700499220
1700499221
4）分析师具体进行项目分析、挖掘。
1700499222
1700499223
项目的数据分析师根据经过讨论确定的分析思路、分析框架和分析字段，从数据仓库中抽取分析数据，并进行具体的数据分析、挖掘工作。在此过程中，分析师根据不同的思路、方法，得到了不同的分析结论，在综合评估后，与运营方一起讨论，决定最合适的分析结论和用户群体特征方案。
1700499224
1700499225
5）运营方根据分析结论策划运营方案。
1700499226
1700499227
运营方与数据分析师共同协作，根据目标客户群体的典型特征结论，考虑具体选择哪些细分群体去运营，并且开始策划相应的细分的具体运营方案，即制定运营计划时包括运营主题、活动的激励方案、活动预算、运营节奏、时间节点、链接的打点事宜、活动页面的设计事宜、效果监控方案等，并且还包括如何与相关的业务团队协调资源、协同推进方案的执行等事宜，比如向UED申请活动页面的设计资源；督促对方按时完成活动页面的设计、修改、定稿；与数据仓库团队协调链接打点事宜；与资源部门申请运营通道和时间节点；与CRM系统协调活动激励措施的支付系统配合等。
1700499228
1700499229
6）运营活动的实施及效果监控。
1700499230
1700499231
在运营方案和计划得到批准后，按计划正式实施具体的运营活动方案，并实时监控运营效果，活动后期进行效果评估、反馈和总结。
1700499232
1700499233
上面对某具体运营活动的过程进行了比较详细的描述（不涉及数据分析技术层面，因为详细的分析技术、分析字段、分析方案、分析结果和效果跟踪将会在第9章、第11章的案例分享中详细描述），可以看到，一个完整的数据化运营项目，先不谈是否是成功的应用，已经涉及多个专业、多个部门的协同参与。真正的企业级数据化运营远不止是项目层面的，而是会扩展到企业的整体运作中的，因为企业整体的思维、决策、管理及运营都是围绕数据化并以此为核心的，是真正全民参与的。数据化运营一定不是某个业务部门的内部事务，也一定不是数据分析部门和数据分析师自己的事情，数据化运营是企业整体的无所不在的数据应用，以及无所不在的全民数据意识。
1700499234
1700499235
案例二：某女装品牌在淘宝商城开设了自己的旗舰店，为了响应电子商务企业一年一度的大型促销狂欢节日——光棍节[1]，准备积极备战此一年度最火的商业大战。迎战光棍节，企业有哪些环节要把握呢？又有哪些相关部门要参与呢？表4-2对此进行了比较清楚的梳理和总结。
1700499236
1700499237
从表4-2可以看出，针对一个大型的促销运营活动，从活动前的策划、准备，到活动中的认真执行与过程控制，乃至活动后的总结、反馈与挑战，整个过程几乎会涉及企业的所有职能部门和管理层。通过这个典型的案例，再一次证明，数据化运营是跨专业跨团队的协同合作。
1700499238
1700499239
