大家好，我是数据海洋，今天我分享的内容包括三方面：

一、数据化运营是什么

在这个背景下，小数想了解目前的会员结构。所以与数据团队一起讨论，首先对最近12个月内有过消费会员，先进行分分群，看看目前会员到底有哪几类？根据目前会员类型构成再制定后续的相应运营策略。得到的结果如下（图中数据进行了处理）

案例是通过数据挖掘中聚类算法来对目前会员进行了分类。主要使用了用户消费类的指标，根据会员订单金额，订单时间，订单商品等基础数据，建立了一系列的衍生指标来建立模型。通过聚类算法，把模型结果结合业务知识，把最近12个月有消费会员分成了5群。小数同学拿到这个模型结果后，对模型进行了商业理解。我们接下来一起来看看对每个类型的解读。

第一群会员：新会员/潜在流失

最近购买，对于这类会员，应该尝试在接下来一个月内，主动向其推荐相关商品。可以发放较大力度的优惠券，用于培养其购买习惯。潜在流失是通过第一群会员的会员最后一单时间分布，发布最后一单时间到当前时间间隔较长。而且该部分会员购买订单数以1单为主。

第二群会员：追求品质生活的白领

该类会员主要是追求商品的质量，对价格有一定敏感性。所以在新商品上线后，或者在做一些高端品牌的促销时候，可以及时向其进行推荐。

第三群会员：流失会员

会员对于A公司为来说，基本上属于流失会员。建议根据历史会员购买过的商品，且历史上是高价值的会员，设计购买过商品的大力度的优惠券或者直降或者满返方案，尝试挽回客户。

第四群会员：追求品质生活的“屌丝”

该群会员对于公司商品有一定的喜爱，但购买力相对较差。这批会员应该是产品线大促期间重点营销的目标会员，该类会员比较年轻。应该重点关注，随时时间的成长这类会员未来的购买力会不断提升。

第五群会员：高富帅

该群会员购买都是公司产品中比较高端的品牌，对价格不敏感。所以这批会员要重点关注，及时监控，提供更好的服务，这类型会员是公司的核心会员。

（ps: 在对数据挖掘模型结果进行解读的时候，除了模型本身的数据之外，很多时候还要结合一些未放入模型的数据，像本案例中未把用户的人口属性放到模型中。但在模型解读的时候，非常需要结合这些数据来对结果进行商业解读）

这是真实的一个案例，后续通过进一步各个角色的数据分析与挖掘，构建相对完整的顾客画像。帮忙整个运营团队开展运营工作。让大家对数据化运营有一个比较直观有感受。

我理解的数据抡运营不是直线的，而是右边提到的这个图一样，是不断迭代循环，是一个不断动态调整与变化的过程。关键词：有数据，有能力分析数据，愿意使用数据，迭代循环。

二、如何开展数据化运营

数据化运营，从字面上理解：数据+“化”+运营：

数据：首先要有，而且这个数据有一定要求，如果数据质量有问题或者数据量的太少，那数据化运营是无源之水，无从谈起。

化：我们有了数据还不够，关键是这个“化”字，这是就像一座桥梁一样，也就是对数据进行转化【把数据转化为信息，转化知识，转化智慧】，怎么“化”，就需要对数据进行分析，数据进行挖掘【经常我们说的数据挖掘，很多时候有二个层面的意思，一个挖掘数据背后信息，不一定要建立很高深的数据挖掘模型，。一个是建立数据挖掘模型。例如：做个决策树，看看流失会员有什么特征】，当然这个“化”也离不开结合场景的运用。

运营：我这里说的运营更多是指：运营场景。运营是干什么？以互联网行为来例，特别强调运营，感觉除了技术类，产品类，剩下应该都归运营管，在互联网有有产品运营、会员运营、商品运营、流量运营、内容运营等。不管是运营内容是什么，但一个好的运营一定是场景化的，把运营工作分解到不同具体的场景。

 三、growth hacking与数据化运营区别？

最近很热的Growth Hacking ？是什么呢？Sean Ellis在2010年提出, 一起来看看wiki的定义如下：Growth hacking is a process of rapid experimentation across a range of marketing channels to identify the most effective ways to grow a business。

举个例子，数据分析师通过数据发现，在一段时间内，如果会员会下二次订单，后续的流失率会有非常明显的下降。但对于运营团队来说，很多时间更关注我拉来了多少新客，我在多少会员是活跃度，因为也许这就是他的KPI指标，这些指标也就是最近很多同行在说的：不可行动的指标。但他没有太关注会员的构成，如果不给其增加回购率指标，可能他都不会关注。【大多数据公司都是这样的】即使大家都知道，花了那么多钱让拉来一个新会员，应该让他买的更多，但如果没有数据帮忙，很难有针对性的策略。所以运营团队往往是使用第一种方式，有了运营方案或者策略去寻找数据支持。而不是第二种，从数据中：找寻新方向。因为运营部门只盯着自己的目标（KPI），而不会太关心后续或者从最终商业目标出发。而数据部门更关注最终的商业目标，或者更会有全局思考。因为相对来说，数据部门不会去背具体的KPI，经常说的数据部门要站的更高，管理层角度思考。

我们还回到这个数据分析点，如果是分析师会：进一步分析，可以看不同渠道进来的会员质量如何。不同渠道进行的会员购买特征有什么不一样。从渠道来源+购物特征，而为后续制定促进会员复购更有针对性。同时也可以告诉市场投放，哪个渠道进来的会员质量。可以根据公司目标来选择不同的投放策略。

这样的运营方案或者策略真正帮忙公司实现最终的商业目标。

这就是我理解的：growth hacking 所以我个人认为growth hacking也许是数据化运营的另一种形式，而且应该是一个数据驱动公司，有数据文化的公司应该去做的。像很多数据化运营的内容，例如：如何去分析数据，构建模型去帮忙运营？如何去构建数据监控体系？在一场促销活动，活动前、活动中、活动后怎么利用数据去支持？…

最后是个人的经验总结，供大家参考，谢谢大家。