Phân tích dữ liệu Data Deep Dive – Data Driven A-Z

Posted by

DataDrivenAZ
Em chào các anh chị! Hiện tại em đang bắt đầu làm mảng Data (trình độ hiện tại mới là mẫu giáo mầm thôi ạ), được anh Minh cho phép nên em xin phép host đề tài Data Deep Dive trong Biz ^.^ Kinh nghiệm bản thân thì em làm qua trong việc phát triển App và đang ngâm cứu Data để optimized trong EC nên cũng chỉ biết xíu xíu hai mảng này do đó nội dung em host cũng chỉ ở hai mảng này thôi ạ:)) Các anh chị bạn em chuyên gia trong các mảng khác như Data mining và Pattern Evaluation thì vào góp vui với ạ ^.^
Đây là mấy chủ đề bản thân em đã từng bạc đầu tìm hiểu trước đây nên tính đem ra thảo luận với mọi người hàng tuần, không biết mọi người thấy sao ạ?
1. PRODUCT SEGMENT
1. Công cụ để tracking data cho App. Trước cty em dùng metabase để tracking data. Em thik tool này lém, thấy dễ hiểu dễ dùng, vì dev cài cho hết rồi, em chỉ việc xem dashoard )) Amplitude thì em thấy hơi khó hiểu:))
2. Retention – Cohort và cách increase retention rate.
3. Tạo funnel – Deep dive data để tìm ra nguyên nhân drop cũng như các phương án để giảm bớt tỉ lệ drop của từng step trong phễu.
( Phần này trước em tìm hiểu để đi vào cuộc họp hiểu đồng nghiệp của em nói gì và đọc được số của dashboard công ty chứ em không là người trực tiếp làm nên chắc em xin anh Minh hỗ trợ host cùng ạ=))) chứ em còn lơ tơ mơ lắm ạ )))

2. E-COMMERCE PERFORMANCE
Đây là chuyên ngành của em nên chém thì cũng chém được ti tí ạ:)))
Mấy hôm nay em với bạn em cãi nhau đến ong cả đầu cũng chỉ vì sự khác nhau trong cách vận hành và optimize traffic của platform (market place) và Website E-commerce ( Retail ) nên khi chia sẻ phần này thì chắc chia làm 2 phần nếu không chắc sẽ lại cãi nhau to:)))
– Traffic Optimize: Bao gồm SEO – Digi MKT – Performance Ads – CRM – Personalized Ads —> Kéo được càng nhiều người với chi phí càng rẻ càng tốt:)))
– GMV & Buyer optimized: Chủ yếu dựa vào CR và AOV (average order value) ——> Tăng tỉ lệ chuyển đổi và AOV
Lý do em chia ra thành 2 phần như vậy cũng bởi vì công thức vàng của EC ở Taiwan và Trung Quốc áp dụng là
GMV = Buyer * AOV ( nhưng chính xác phải là Average revenue per buyer:)))
Sau đó Buyer deep dive tiếp sẽ thành : GMV = Visitor * CR * AOV
Sau đó tuỳ mục đích và khả năng analytics của từng cty mà công thức trên sẽ được tiếp tục deep dive thành từng metric khác sâu hơn để có thể optimize tốt hơn. Các sàn TMĐT thì đều deep dive công thức này thành metric li ti đẻe từng department có thể tracking KPIs. )) Còn các website retail ở VN thì Theo em thấy mọi người thường optimized từ đầu vào- onsite- và retarget bằng performance ads là chính. Như bên TW thì hiện tại lại chuyển qua dùng personalized Ads (Criteo or các cty giống giống vậy à). Nói chung đã làm qua ở cả 4 phân khúc EC: Platform – Brand with multi channel – Retail Website – Social commerce thì cách vận hành 4 bạn này khác nhau, và khác nhau ở từng nước:))) Chắc thứ giống nhau là list of traffic source:)))
3. DATA VISUALIZATION TOOL
– Excel
– Google Data studio
– Microsoft power BI
( Trong đống này em biết dùng mỗi excel, mọi người ai biết cách dùng các tool khác thì hỗ trợ hướng dẫn tụi em thơ với ạ:)))
4. CHỦ ĐỀ CỦA EM NGÀY HÔM NAY
Nó rất liên quan mà cũng chả liên quan đến 2 phần trên là:
1. Trước khi tìm ra được data pool size thích hợp với mục đích sử dụng của mình thì trong quá trình testing mọi người thường đi từ “To—> Nhỏ” ( miệng phễu rộng trước rồi siết dần ) ; hay đi từ “NHỏ- To” ( Miễng phễu nhỏ trước rồi mở rộng ra ạ?” Và lý do tại sao lựa chọn vậy? Có thể chia sẻ một vài study case không ạ?
Ví dụ:
Ex1: Như ngày xưa hồi mới học FB Ads, chưa nhiều chuyên gia và tips như hiện tại thì em sợ mở phễu to nó cắn hết tiền nên em chọn TA Size là từ nhỏ đến to:))) mở phễu dần dần để tìm ra được size phù hợp, chạy ngon giá rẻ.
Ex2: Nhưng hiện tại em đang phối hợp với team data test ratio để tìm ra Pattern. Sau một ngày gọi điện cầu cứu người thân thì em lại chọn mở miệng phễu thật rộng trước, sau đó mới bóp dần. Lý do chủ yếu do phễu rộng ko ảnh hưởng đến performance hiện tại nên thu lại be bé dần dần thì KPIs ko bị ảnh hưởng:)))

@by Rong Rose