互联网流量枯竭的下半场，大家都在做私域，但是真的适合大家做私域？

为了尝试解决这个世纪难题，鸟哥笔记邀请了企业私有领域布局战略顾问“陈子霖”老师为我们现场讲解企业私有领域运营疑难杂症！

某品牌在小红书做了一组矩阵数，他们的运营团队有一个专职的数据分析师。这位数据分析师因为不知道小红书的数据分析怎么做，向我求教。

数据分析在产品运营和营销业务中的作用非常重要。它不仅是集团各部门领导决策的重要依据，也是营销运营兵寻找业务突破口的重要途径。

一般10人以上的团队会配备一名数据分析师辅助业务。

对于10人以下的团队，可能由懂数据分析的运营人员兼职。

01

数据分析的三个领域

数据分析的三个层次:

第一关是获取数据，整理数据，上报数据。

第二层，处理数据，发现问题，提出问题。

第三个层次是通过数据分析发现洞察，影响决策。

一楼

第一级的数据分析师是每天早上第一件事就是拿到数据。如果公司有数据库，但是没有可视化的访问工具，那么就写SQL语句来获取服务器上的数据。获取数据可能需要几个小时。如果公司有数据库，有可视化的数据检索工具，就让数据库根据要求计算出想要的数据，然后复制粘贴成excel电子表格。

获得领导需要的数据后，就是把数据整理出来，做成表格或者PPT，供领导查阅。

因为每天都有新的数据，这类数据分析师每天都要重复工作。然后领导向上奖励，就有更多的数据处理任务要完成。这类数据分析师的价值在于获取数据，整理数据，从而节省领导和同事的时间。但同时这种价值也是可以很容易被替代的。于是乎，拼加班、拼手速、拼快捷键的熟练程度和细心程度。疯狂加班，不敢抱怨。

第二层

第二级的数据分析师会对数据进行处理，让领导很容易看到关键数据，在众多数据中发现问题，从而辅助领导决策。

比如领导更喜欢看到某个产品的销量等数据的趋势变化，而一级的数据分析师只会给出日常的销售数据表。第二级的数据分析师可以使用PowerBI等工具生成数据趋势图，让领导每天都能清楚地看到最近的数据变化如何，是否应该进行策略调整。如果你能做到这种程度，就可以算是一个优秀的助手，决策的得力助手。

第三级

第三层次的数据分析师，善于在一堆数据中发现问题，分析问题，设计解决问题的策略。

有一个传说，一家超市通过数据分析发现，当啤酒和尿布放在一起时，两者的销量都显著增加，因为带着婴儿的父亲会同时购买两者。虽然这是一个传说，但意味着可以通过数据分析发现一些营销洞察，从而提出相应的策略，达到明显的效果。

在空之后，我会专门写一篇文章，讲讲如果用数据分析来指导决策，如何才能得到优秀的结果。

02

数据分析过程

数据分析的六个基本步骤:

1。提出分析的目的

这一步在很多公司都是老板做的，老板把任务交给数据分析师。比如今天老板说:给我拉一张表，看看最近半年销售额的每日统计，增长趋势以及分区域、分门店的增长情况。比如前天老板说:帮我看看我们的产品，哪些两两组合比较贴切。比如上周老板说最近的销售数字有些局促。帮我找出原因是什么。

但更高级别的数据分析师可能会寻找自己的分析目的。例如，为了增加某项业务的销售额，可以设计出什么策略。

2。获取数据

Excel适合处理1万行以内的数据，10万行以内的数据处理也一般。

通过graphite等在线表单处理几千条数据是可以的。

要处理几万、几十万行的数据，需要使用一些专业的数据处理工具，比如PowerBI。

如果要处理几百万到上亿行的数据，就需要使用一些数据库工具，比如MySQL，还要学习基本的数据库语言。

对于我们来说，处理与小红书、Excel表格或石墨文档在线表格相关的数据就足够了。

手动输入少量数据可能会更快。

有些数据有点大，或者用爬虫比较方便，就用爬虫收集数据。比如百度的搜索结果用爬虫更方便。比如一些翻很多页都不需要输入验证码的网页，比那些不用登录账号就能看到想要的内容的网页，使用爬虫更方便。想学爬虫，可以抱着这个目的学习Python编程语言。还有一些简单的爬虫工具，比如章鱼，比如webscraper。

对于小红书相关的数据，基本上建议手工录入数据，也就是几十万块的数据，很快就做好了。

3。正在处理数据

你拿到数据后，首先要处理好数据。比如你的数据格式是否正确，有些数据格式不方便你后期的计算、排序等操作，有些数据格式可能不统一，有些数据可能遗漏，有些数据可能错误。如果这些问题可能会影响后期的分析结果，就要提前处理。

4。分析数据

这是最具挑战性的一步。什么样的分析才能得出令人信服的结论？在得出正确结论之前，我们不一定知道用什么分析方法，也不知道采用什么分析思维。

结果之后回过头来看，你可能会想，这么简单，但是在这个过程中，却这么难。就像我们中学时代解数学大题一样。

5。可视化数据

分析完成后，不仅要自己看得懂、看得清，还要让领导和同事看得懂、看得清，所以经常需要用到可视化。让分析结果呈现的更加简单直观。

简单常见的数据可视化方法有直方图、饼图、折线图、散点图等图表。

6。得出可执行的结论

在分析数据的时候，为了得出结论，统一大家的意见，然后推动大家采取相应的行动。

如果人们没有正确地认识到某个决定，不赞成它，执行可能会发生冲突，甚至相反。

所以数据分析是一种说服方式，可以通过数据说服人，从而促进业务发展。

在小红书相关的数据分析中，分析任务主要集中在以下几个方面:

自有账户分析、标杆分析和非自有账户分析。

[S2/]03

分析自己的账号

作为小红书团队的数据分析师，重点自然是分析自己的账户。您可能只负责一个帐户，也可能负责多个帐户。要维护的数据量只有100-2000条，所以获取数据最快的方法就是手工将数据录入excel表格。

因为查看小红书账号的数据主要有两种方式，一种是在电脑端登录创作服务平台https://creator.xiaohongshu.com/，另一种是在手机端的创作中心查看。

电脑数据显示维度更少，但可以查看最近30天每条笔记的流量趋势图。

小红书的数据不是按行排列的，不能直接复制粘贴到表格里。平台有反爬虫策略，用爬虫软件组织成表不容易。主要数据只能在手机上看，更麻烦。

所以，老老实实手工整理这些数据。

用表格收集原始数据，第一张表格，输入每条笔记的数据，至少包括的字段:账号名称、标题、阅读量、喜欢、收藏、评论、分享、粉丝、人均观看时间、点击率、点击率评价、5s完成率(视频内容的指标)、完成率评价(视频内容的指标)、内容丰富度、内容丰富度评价、首页推荐比、搜索比、个人首页比、关注页。年龄分布(根据需要，是统计1-2个年龄段还是全部5个年龄段)，城市分布(根据需要，是统计前1-3个城市还是前10个城市)，受众兴趣(根据需要，是统计前1-3个还是前10个兴趣)。

第二种形式，输入基本帐户数据，至少包括以下字段:每日观看、最近7天观看、最近7天观看时间、最近7天喜欢、最近7天收藏、最近7天评论、最近7天注释上升、最近7天主页访问者、最近7天注释共享、最近7天观看百分比、最近7天互动百分比、最近7天上升百分比、最近7天推荐流量百分比、最近7天推荐流量百分比。关注近7天页面流量占比、其他来源流量占比、新增粉丝占比、流失粉丝占比、女性粉丝占比、年龄分布占比、城市分布占比、观众兴趣分布占比。

04

计算一些指标

笔记搜索阅读量:通过搜索结果点击笔记的阅读量，笔记搜索阅读量=笔记阅读量x搜索比例。因为看不到搜索结果的点击率，所以要看笔记搜索阅读量。阅读量越高，笔记在搜索结果中就越有优势。如果要布局搜索结果，需要研究这类搜索阅读量高的笔记，优化团队的创作方向。

笔记推荐阅读量:通过首页推荐点击该笔记的阅读量，笔记推荐阅读量=笔记阅读量×首页推荐比例。

笔记推荐曝光量:首页本笔记推荐曝光量，笔记推荐曝光量=笔记阅读量/点击率。高推荐值表示系统更容易识别该注释。可以找出与推荐量相关的相关因素，从而指导团队的优化方向。

同城阅读量:同城用户对此笔记的阅读量，同城阅读量=笔记阅读量×同城占比。有些商家同城属性很强，同城以外的流量意义不大，需要看同城阅读量。

互动率:互动率=(点赞+收藏+评论)/阅读量。互动率一般被认为是评价笔记是否值得推荐的指标，互动率高的笔记更容易被推荐。互动率高的笔记可以用来总结提高互动率的经验，从而提高以后笔记的表现。

增粉率:增粉率=粉数/阅读量。涨粉率越高，越容易吸引读者眼球。粉率高的笔记可以考虑顶帖，或者放薯条养粉。

如何通过数据分析获得更高的流量

做小红书经常陷入流量焦虑，为什么最近流量明显下降，为什么流量一直上不来了。

这时候就需要数据分析师来告诉你为什么会这样，应该做哪些改变。

看流量分布有没有变化，主要流量变化集中在哪里。

看上面计算出来的一些指标，生成一个折线图，通常就能看清楚问题所在，这往往是近期笔记推荐流量明显下滑造成的。

接下来看看哪些数据发生了变化，比如兴趣分布、性别分布、城市分布、点击率。可能是笔记对应的目标群体发生了变化，也可能是笔记本身吸引力不够，点击率不高，或者是笔记写得不够好，导致互动率低。

一旦找到原因，就能找到解决的办法。

指导如何通过数据分析获得更多成交量

先梳理一下这个业务的交易路径。比如一家医美机构的路径是，笔记阅读——首页流量——私信——通向微信私域——交易。

然后要监控:7天阅读量，7天首页访问量，7天私信量，7天加微信量，7天交易量(金额)

然后你可以计算每7天的首页访问量，按阅读量的私信率，按首页访问量的私信率，私信加微信率，成交率。

然后就可以定位问题了。比如有时候，虽然阅读量增加了，但是销量却减少了。通过定位，发现最近按阅读量私信率下降明显，然后发现按主页访问私信率下降不那么明显。那么问题就出在把阅读量引导到首页访问这一步有问题。然后，制定网页访问引导策略。从注释的副本到评论区的指导，需要迭代。

[S2/]05

基准分析

对标分析主要分析一批对标账户和一批对标内容。

我们有一篇关于基准测试的专题文章。

标杆账号不仅仅是直接竞品，还包括在某些角度有竞争关系的账号，兴趣、目标人群、内容风格等重合度高的账号。

标杆分析的主要价值是为内容创作和运营优化提供参考。

在电商领域，经常会做竞品的数据分析，但是在内容领域，有很多平时和你抢流量的账号，不仅来自你的直接竞争对手，也缺乏专门的数据。所以我每周都不做基准账户的数据分析，只关注自己的内容。

[S2/]06

非本人账号分析

如果需要找博主做推广，那么就需要对这些博主的数据进行评估。

单纯看粉丝数量的方式容易犯大错误。

如果能建立一个好的数据分析模型，那么就更容易筛选博主，并给出合适的定价。

与广告效果相关性最强的数据是转化率，需要经过多次检验才能逐渐准确。同一个博主发的内容，即使阅读量相同，不同文案的转化率也可能相差数倍。

除了转化率，相关性高的数据是阅读量。笔记的阅读量越高，我们认为通常会带来更高的销量。但对于不同类型的内容，转化率差异不小，几倍甚至十几倍。有些笔记属于点击率高转化率低的类型，有些则属于点击率低转化率高的类型。

两种解决方案，第一种是通过数据分析经验的不断积累。我们可以把笔记分成几种类型，互相比较，这样同一类型的笔记转化率至少不会相差太大。这种解决方案需要不断的数据分析和研究，难度很大。

第二种方式是通过多个合作案例来积累和测算平均数据。这种方法可以在一定程度上减少误差，且操作简单。

因为博主不一定想让你看到实际阅读量，或者在初步筛选过程中不方便调查阅读量。所以，流行的策略是统计喜欢的。但有些类型的笔记好评率能达到10%-20%，有些类型的笔记好评率甚至不到0.1%。而一些博主的笔记赞主要来源于少数忠实粉丝或者相互的赞和购买行为。

50个赞以下的笔记很容易通过互赞、购买、赞等行为被篡改，因此存在数据篡改的可能。但这在初步筛选中并不重要。

按照千赞标准评价爆款文章的方式也不靠谱。有的1000赞的笔记阅读量只有1w左右，有的10w阅读量的笔记只有100赞。

所以在建立合作前筛选账号的阶段，至少要统计以下数据:昵称、粉丝、总赞数、顶帖标题、顶帖赞数、最近10篇或最近2个月平均赞数、最近2个月最低赞数、30%分级作品赞数、作品风格、作品形式。

最低赞用来估计来自粉丝的流量。在几乎不被系统推荐的时候，作品的好评处于萧条状态，这个时候的好评几乎都来自粉丝。

30%的作品点数可以用来预测你的投放能得到的更乐观的结果。

基本预测公式可以参考以下，然后根据实际数据进行调整和优化。

预期阅读量=预期点赞数/3%

预期销量=预期阅读量×预期转化率(1%)

预期产量=预期销售额×售价

这样就可以初步估算出这个博主的预期产量会是多少，然后再决定最多能给多少广告费。注意，预期产量的计算建议根据实际经验反复计算，我们给出的初始数据仅供无数据情况下参考。建议前期保守估计，即预期产量会减少5-10倍。