原创 分析活动数据评估模型怎么设计？

　　分析活动数据评估模型怎么设计？活动评估的目的是要得出好/坏评价。如果评价是好，再看能不能继续做，还能做多少次；如果是评价是差，再看差在哪里，是差得不可救药，还是能拯救一下继续用。

　　那么如何建议一套系统的数据分析评估模型呢？

　　1、梳理活动流程
　　运营活动会改变用户的行为，进而体现为数据指标的变化。建立评估模型首先了解活动具体流程，了解活动可能导致的用户行为变化。了解到行为变化以后，可以进一步看这些行为能用什么数据记录，能反应为什么指标的变化。经过梳理，我们就能看清楚：衡量活动结果的指标了。这些工作，应该是运营在策划阶段的干的事，如果事前没做好，事后就要补课。

　　2、筛选主指标
　　一个活动可能影响方方面面，比如上边的问题，有送东西，你说：
　　能增加新用户注册——没毛病；
　　能增加会员购买机会——似乎有机会
　　能提升忠诚度减少流失——似乎也有道理
　　能增加DAU！——额，理论上新注册多了，DAU也增加。
　　如果不看数据，光听嘴巴讲，以上当然都有道理。但真要一锅炖，让你计算没有流失的用户，送会员占比百分之几，产品本身占比百分之几，歌曲数量占比百分之几，能算清楚就见鬼了。所以，评估指标要分主次，才容易说清楚问题。
　　如果是事前定目标，那么活动的主指标应该与目标紧密结合，优选直接受影响的指标。比如活动是为了拉新，那主指标就是新注册用户数；如果活动是为了提高新用户留存率，主要考虑的就是1-7日内留存情况。
　　这里看似简单，实则很容易被运营浑水摸鱼。运营经常喜欢扯一堆影响指标，甚至扯什么“我的活动从深层次改变了用户心智认知，从而达到了数据不可衡量的深远影响”，总之搞一堆指标进来，哪个好看说哪个，不好看的不说。
　　做数据评估，最忌讳搞几百个指标然后做巨复杂的评估公式，混淆进来的的东西越多，就有越多搞文字游戏的空间，就越容易粉饰太平。越简单清晰的评估，才越容易看出问题。

　　3、设定判断标准
　　有了清晰的主指标，可以找判断标准。找标准有四个基本思路：
　　从整体结果出发，看总量。比如本月需要10万新用户，所以必须做到10万。
　　同无活动对比，看增量。比如无活动一个月5万，活动必须5+5万，多的5万作为标准。
　　同过往活动对比，看效率。比如拉新活动一般100块一个新人，所以这次不能超过。
　　同无参与的用户对比，看差异。比如分无参与组/参与组，对比参与组新注册数/留存率。
　　站在公司角度，肯定是第一种方法最实在。但站在组织活动的角度，都喜欢突出自己的贡献，因此倾向于用2、3、4种方法。运营最喜欢谈：自然增长率。并且总是倾向于把自然增长率算得低低的，或者干脆弄成负数，这样才显得活动牛逼无比。
　　要注意：自然增长率只在活动不频繁的时候才能计算。很多业务（比如电商、O2O），根本就是活动不断，大活动套小活动，根本区分不出来，这时候就不适用。同理，设参照组的前提，是参照组根本没有活动提醒和活动参与功能，且参照组和活动组用户质量差不多。如果不满足这个限制条件就很难直接得出活动效益好的结论。这些方法都是看似科学，实则充满玩猫腻空间。想讨论清楚问题，就简单直接立标准。

　　4、找影响结果的过程
　　以上1、2、3步都是为了得出判断做铺垫。有了“好/坏”判断。就能进一步分析为啥好，为啥坏。这时候就需要细化梳理业务流程，找到能影响结果的关键点。比如拉新活动，广告投放渠道、广告文案、注册流程、进去以后提示权益方式、领取会员权益流程都会有影响。
　　在分析这些指标的时候，要注意先后顺序。比如有关新用户注册问题。要先看各个用户来源渠道的投放力度，活动是否及时上架，何时与投放结合。之后才是深入分析文案、活动礼品、领取后行为等。

　　通过分析活动数据才能提现出活动是否有意义，能带来多少的价值，增加可衡量的指标。