Toàn bộ quá trình thực hiện các thử nghiệm tăng trưởng dữ liệu

Tăng trưởng dữ liệu là chìa khóa để phân tích dữ liệu đối với các nhà phân tích dữ liệu và các thử nghiệm tăng trưởng dữ liệu có thể xác định trước các vấn đề và đảm bảo tăng trưởng. Trong bài viết này, tác giả giới thiệu toàn bộ quá trình triển khai thử nghiệm tăng trưởng dữ liệu, giới thiệu về tăng trưởng dữ liệu giả và mô hình tăng trưởng cơ bản, đồng thời xem xét sâu sắc các chiều hướng của nền tảng tăng trưởng, chu kỳ, triển khai, v.v. Tôi tin rằng nó sẽ mang lại nhiều kinh nghiệm cho phần lớn các nhà phân tích dữ liệu mới~

Tôi đã chia sẻ trước đây rằng tăng trưởng là cách tốt nhất để các nhà phân tích dữ liệu đạt được thành tựu. Hôm nay, chúng ta hãy cùng xem một ví dụ về cách thiết kế các thử nghiệm tăng trưởng thông qua dữ liệu. Không cần phải nói thêm nữa, chúng ta hãy bắt đầu thôi!

Tình huống có vấn đề:

Một công ty FMCG có nhiều dòng sản phẩm hy vọng sẽ tung ra một loại đồ uống mới (2 SKU) để thúc đẩy doanh số chung. Sản phẩm này hoàn toàn mới và còn thiếu kinh nghiệm nên chúng tôi dự định sẽ tiến hành thử nghiệm trong năm nay và sau đó quảng bá trên diện rộng sau khi quan sát kết quả.

H: Các thí nghiệm tăng trưởng nên được thiết kế như thế nào để phát hiện trước các vấn đề và đảm bảo tăng trưởng?

1. Tăng trưởng dữ liệu sai

Nhiều sinh viên mới giơ tay và nói rằng họ sẽ:

1. Nhận tất cả thông tin từ Toutiao, Tencent và dữ liệu lớn Alibaba
2. Thiết lập kênh chuyển đổi từ người dùng đến cửa hàng - kệ - lựa chọn - thêm vào giỏ hàng - thanh toán
3. Tiến hành thử nghiệm AB và tự động mã hóa và chuyển hướng người dùng vào cửa hàng để so sánh AAAB
4. Xây dựng chân dung người dùng để xác định chính xác giới tính, độ tuổi, thu nhập và sở thích của người dùng mục tiêu
5. Xây dựng mô hình dữ liệu lớn trí tuệ nhân tạo để dự đoán chính xác doanh số bán hàng hữu cơ

Thực tế là: không có dữ liệu. Vì chúng tôi không có kênh riêng nên chúng tôi chỉ có thể lấy được số lượng mua hàng. Đừng nghĩ tới những dữ liệu khác nữa. Chúng không tồn tại, không hề tồn tại một cái nào. Tuy nhiên, việc cửa hàng có dự trữ hàng hóa hay không có thể được xác định thông qua việc kiểm tra thường xuyên của người giám sát cửa hàng.

Vậy phải làm gì?

2. Mô hình tăng trưởng cơ bản nhất

Ý tưởng đơn giản nhất là: tung ra sản phẩm mới là để thúc đẩy doanh số, do đó sau khi sản phẩm mới được tung ra, đơn hàng qua kênh sẽ nhiều hơn so với trước khi tung ra sản phẩm mới. Vì vậy, mô hình đơn giản nhất đã ra đời (như thể hiện bên dưới):

Vậy thì thiết kế thử nghiệm có vẻ rất đơn giản:

1. Tìm một vài cửa hàng
2. Phân bổ
3. Quan sát doanh số sau khi phân phối
4. Xong

Có thực sự xong rồi không?

3. Xem xét nền tảng cho sự tăng trưởng

Câu hỏi đầu tiên: Bạn tìm kiếm cửa hàng một cách ngẫu nhiên hay có mục đích cụ thể?

Rất có thể một số cửa hàng có khả năng bán hàng tốt, trong khi một số khác lại có khả năng bán hàng kém. Nếu bạn không phân tích lịch sử đơn hàng trước đây của cửa hàng, bạn có thể đánh giá quá cao/quá thấp tiềm năng tăng trưởng. Đặc biệt chú ý xem có cửa hàng chuyên dụng nào không. Nếu có quá nhiều cửa hàng như thế này, nó có thể ảnh hưởng đến phán đoán chung (như được hiển thị bên dưới):

Khi lựa chọn các cửa hàng mẫu thí điểm trong giai đoạn đầu, hãy sàng lọc trước và cân nhắc:

• Vị trí cửa hàng: Cửa hàng cộng đồng/Cửa hàng CBD/Cửa hàng phố đi bộ
• Hiệu suất cửa hàng: hiệu suất chung là tốt/trung bình/kém
• Hiệu suất danh mục: Đồ uống tốt/trung bình/kém
• Giờ mở cửa: Cửa hàng mới/Cửa hàng cũ

Những dữ liệu này có sẵn. Dữ liệu 1 được ghi vào bảng kiểm tra kho của giám sát viên, còn dữ liệu 2, 3 và 4 được ghi vào biểu mẫu đặt hàng, do đó chúng hoàn toàn có sẵn. Điều cần làm là phân tích dữ liệu trước và thực hiện tốt công tác phân tầng và dán nhãn.

Sự giao thoa của nhiều yếu tố như vậy đặt ra một câu hỏi mới: nên chọn bao nhiêu cửa hàng cho các dự án thí điểm? Thống kê sẽ cho bạn biết rằng quy mô mẫu tối thiểu cho một nhóm duy nhất là 30 và tốt nhất là 384, do đó sai số lấy mẫu là 5% ở mức độ tin cậy 95% - nhưng những điều này không liên quan nhiều đến vấn đề đang được đề cập.

Bởi vì câu hỏi ở đây là:

• Việc rút thăm phải được thực hiện theo từng cửa hàng và có khả năng không phải tất cả các cửa hàng cộng lại đều có đủ số lượng rút thăm.
• Các sản phẩm đang được thử nghiệm là sản phẩm mới và chu kỳ thử nghiệm có thể dài, điều này có nghĩa là nguồn cung có thể không đủ.
• Các sản phẩm đang được thử nghiệm là những sản phẩm mới được niêm yết, đòi hỏi bên kinh doanh phải phân phối đến từng cửa hàng, điểm bán nên khối lượng công việc phải được cân nhắc.

Do đó, khi thiết kế số lượng mẫu, trước tiên chúng ta phải ước tính lượng hàng bán ra của một cửa hàng trong thời gian thử nghiệm để đảm bảo có đủ hàng. Đây là cách duy nhất để thực sự đánh giá xem nó có đáp ứng được kỳ vọng hay không. Sau khi xác định được tổng số cửa hàng, hãy thêm mẫu theo các cân nhắc ở trên. Kết quả cuối cùng là đảm bảo rằng mỗi danh mục có càng nhiều mẫu càng tốt.

Sẽ dễ dàng hơn nhiều nếu các cửa hàng được phân loại thành cửa hàng cấp một, cấp hai và cấp ba trước. Bởi vì phân loại cấp độ một, hai và ba có thể đã tính đến các yếu tố như năng lực bán hàng và quy mô cửa hàng. Nhưng có một số điều cần lưu ý trước khi sử dụng:

• Các phân loại cấp một, cấp hai và cấp ba trước đây có còn chính xác không? Tránh tình huống cấp độ 3>cấp độ 2>cấp độ 1 vì điều đó sẽ rất khó xử khi phân tích sau này.
• Liệu cấp độ thứ nhất, thứ hai và thứ ba có được coi là loại không. Tránh để tất cả các cửa hàng cấp một đều cùng loại (ví dụ: tất cả các cửa hàng CBD), vì điều này sẽ dẫn đến tình trạng thiếu hụt nghiêm trọng mẫu từ các cửa hàng khác trong quá trình đánh giá sau.
• Mức độ một, hai và ba có liên quan đến doanh số bán đồ uống không? Lưu ý rằng công ty trong tiêu đề là tên gọi chung của nhiều công ty. Rất có thể cấp độ 1, 2 và 3 được phân loại theo hiệu suất tổng thể. Tương ứng với nhóm đồ uống sẽ có tình huống cực đoan là cấp độ 3>cấp độ 2>cấp độ 1.

Chỉ cần không có các vấn đề trên thì có thể sử dụng trực tiếp phân loại cấp độ 1, 2 và 3.

Việc xem xét cơ sở tăng trưởng không chỉ làm cho thiết kế toàn diện hơn mà còn tạo điều kiện thuận lợi cho việc đánh giá sau này. Tránh những câu hỏi khó xử như:

• Tại sao kết quả kiểm tra lại không tốt? Bởi vì tất cả các cửa hàng tôi tìm thấy đều rất tệ.
• Tại sao tôi không thể phân tích tiềm năng thăng tiến? Bởi vì tôi đang tìm kiếm những cửa hàng có cùng loại hình.
• Tại sao cửa hàng cấp 1 bán kém? Bởi vì họ không có năng khiếu bán hàng.

Và trong quá trình phân tích sau, chúng ta có thể tiến hành phân tích sâu hơn về các tình huống theo nhiều loại nhãn cửa hàng khác nhau, cụ thể là tác động của từng loại nhãn cửa hàng. Theo cách này, khi lặp lại các thí nghiệm, có định hướng rõ ràng hơn và khi triển khai có nhiều ý tưởng hơn (như hình bên dưới).

Vậy, như vậy đã đủ để cân nhắc đến bước này chưa?

4. Xem xét chu kỳ tăng trưởng

Bước 2: Cân nhắc thời điểm và thời gian thử nghiệm.

Hàng hóa nói chung có chu kỳ bán hàng riêng, chu kỳ của đồ uống thì đặc biệt hơn. Nó có thể tập trung vào mùa hè, hoặc có thể bị ảnh hưởng bởi khí hậu của từng nơi, hoặc có thể bị ảnh hưởng bởi thời tiết ngắn hạn. Do đó, khi thiết kế chu kỳ thử nghiệm, trước tiên cần phân loại xu hướng của các loại đồ uống có giá tương tự, loại tương tự và nhóm đối tượng tương tự để có thể đưa ra đánh giá tổng thể (như hình bên dưới).

Sau khi đưa ra đánh giá chung, bạn có thể thiết lập thời gian quan sát dài hơn để bao quát được nhiều tình huống nhất có thể. Theo cách này, nhiều tình huống khác nhau cũng có thể được phân tích trong quá trình đánh giá và phân tích tiếp theo (như thể hiện trong hình bên dưới).

5. Xem xét việc triển khai tăng trưởng

Bước 3: Xem xét các hành động triển khai kinh doanh.

Khi ra mắt một sản phẩm mới, hoạt động quảng cáo, phân phối và khuyến mại thường được thực hiện cùng nhau. Những hành động hạ cánh này chính là yếu tố quyết định cuối cùng đến kết quả thử nghiệm. Tất cả những hành động này đều phụ thuộc vào sự thực hiện của các chi nhánh/văn phòng địa phương và việc thực hiện có vai trò rất quan trọng.

Đây là một câu hỏi rất sâu sắc: một khi kết quả kiểm tra không tốt...

• Phải chăng là do không có nhu cầu về sản phẩm đó?
• Hay là vì tôi đã không làm tốt công việc của mình?
• Hay là nhà phân tích dữ liệu đã mắc lỗi?

Chỉ sau khi bạn theo dõi quá trình thực hiện kinh doanh, bạn mới có đủ điều kiện để nói: doanh nghiệp hoạt động tốt hay kém. Nếu không theo dõi quá trình thực hiện kinh doanh, mọi người luôn có thể nói: dữ liệu phân tích không được tính toán. "Chúng ta hiện giờ đều quan tâm đến trí tuệ nhân tạo và dữ liệu lớn. Các nhà phân tích dữ liệu của chúng ta hẳn là quá ngu ngốc. Chúng ta nên thuê một nhà phân tích dữ liệu như Tou Teng'a, người chắc chắn có thể tìm ra giải pháp." - Cái nồi đã được chuẩn bị sẵn cho anh rồi, anh phải hiểu rõ.

Thông tin cần thu thập bao gồm:

• Thời gian bắt đầu phân phối
• Thời gian hoàn thành giao hàng
• Thời gian đặt hàng bổ sung

Với thông tin này, chúng ta có thể kết hợp dữ liệu đơn hàng để thực hiện thêm phân tích:

• Có sự chậm trễ nào khi khởi động trong thời gian dài không?
• Bạn đã bắt đầu tiến triển chậm chưa?
• Có ai nhắm mắt mà vẫn trải đường mà không quan tâm đến quy mô không?
• Có tình trạng thiếu hàng không?

Tất nhiên, quá trình xác minh tiếp theo phải được duy trì và trong quá trình xác minh, có thể kiểm tra một số khía cạnh chính, chẳng hạn như:

• Vào mùa hè nóng nực, hãy xếp đồ lên kệ thay vì để trong tủ đông.
• Siêu thị không làm kệ, họ chỉ làm kệ
• Có những tài liệu quảng cáo không được mang vào cửa hàng.

Những dữ liệu xác minh này cũng phải được thu thập từ người giám sát và phân tích cùng với dữ liệu để có thể dễ dàng xem kết quả hơn.

Theo cách này, bạn sẽ tự tin hơn khi giải thích kết quả: bạn không được phép đổ lỗi cho sản phẩm/dữ liệu về bất kỳ điều gì không được thực hiện đúng cách và bạn nên xem xét lại những gì mình đã làm không tốt. Điều này cũng sẽ giúp tìm ra câu trả lời thực sự cho vấn đề.

V. Tóm tắt

Vấn đề lớn nhất trong lĩnh vực phân tích dữ liệu hiện nay là quá trình học tập vẫn thiên về sách vở và xa rời thực tế. Để các thuật toán, nguyên tắc thống kê, chân dung người dùng, mô hình phễu và thử nghiệm AB hoạt động, các sách, giáo viên và khóa học dạy phân tích dữ liệu sẽ đặc biệt chọn các tập dữ liệu có trường phong phú và sạch sẽ để chạy các thuật toán. Người mới coi công việc như việc học, họ cảm thấy vui vẻ và nghĩ rằng mình đã đạt được điều gì đó sau khi chạy một vài tập dữ liệu.

Sự giao thoa của hai điều này dẫn đến kết quả là khi những người mới gặp phải những vấn đề thực tế, họ hoặc là mơ tưởng rằng Đầu Đằng có thuốc chữa bách bệnh, hoặc vội vã tìm kiếm câu trả lời trong sách, hoặc chạy đến các nhóm khác nhau để hỏi: "Có ông lớn nào trong ngành đồ uống Internet không? Rất cấp bách. Tôi đang chờ trực tuyến. Tôi có thể trả tiền!" Điều duy nhất chúng ta mất đi là khả năng giải quyết những vấn đề cụ thể và đưa ra những phân tích cụ thể.

Cách giải quyết vấn đề là phá bỏ mê tín, thực tế, nghiên cứu kỹ lưỡng các quy trình kinh doanh và thiết kế các phương pháp hợp lý. Có nhiều cách để xử lý dữ liệu đơn giản và có nhiều cách để xử lý dữ liệu phong phú. Dữ liệu đơn giản có thể trở nên phong phú hơn thông qua việc cải thiện quy trình kinh doanh. Chỉ khi kết hợp cả ba yếu tố này thì một nhà phân tích dữ liệu đủ trình độ mới có thể có được năng lực.

Tác giả: Thầy giáo thực tế Chen

Nguồn: Tài khoản công khai WeChat "Giáo viên thực tế Trần (ID: gh_abf29df6ada8)"