展开全部

主编推荐语

知名专家宋天龙新作,流量运营教科书,低成本、大批量、高质量流量引入,含大量案例、数据源和代码。

内容简介

这是一本系统讲解数据如何在营销与运营的全流程中发挥驱动作用和辅助决策价值的著作。是知名数据分析专家宋天龙的厚积薄发之作,得到了行业里多位专家的一致好评和推荐。

在内容组织形式上,本书有宏观和微观两条主线:

宏观上,内容围绕流量数据化运营的全流程展开,涵盖渠道策略与计划管理、媒体投放与执行管理、渠道投放效果评估与分析、流量运营监控与效果复盘等各个环节。目标是指导企业如何通过数据实现低成本、大批量、高质量的流量引入,这是流量运营的核心目标,也是本书要解决的核心问题。

微观上,内容根据流量数据化运营的业务操作过程来组织,以业务场景为切入点,依次按照业务问题、数据支持方案、实用工具实操的思路展开,通过案例介绍具体的实施过程,用数据解决具体业务问题。

这本书的重点不是数据分析的原理和方法,也不是数据分析工具的使用,更不是营销等具体业务工作如何开展,相关的知识全部融合到具体的应用场景中,重点是如何让数据在营销与运营的全流程中发挥价值,真正实现业务与数据的互相促进与补充。

本书不要求读者有数据分析基础,也不要求有Python基础。80%的数据处理工作通过Excel完成,余下的20%通过Python完成,即便没有Python基础,也能顺利完成全书的实操。所有实操案例均提供源数据和完整代码。

目录

  • 版权信息
  • 乘风破浪,扬帆起航
  • 前言
  • 第1章 全面认识流量数据化运营
  • 1.1 流量运营的3个核心概念
  • 1.1.1 什么是流量
  • 1.1.2 流量的来源
  • 1.1.3 流量的数据化运营
  • 1.2 流量运营的4个基本步骤
  • 1.2.1 营销目标确定
  • 1.2.2 渠道策略与计划管理
  • 1.2.3 媒体投放与执行管理
  • 1.2.4 渠道投放效果评估与复盘
  • 1.3 流量运营的职能岗位
  • 1.3.1 部门划分
  • 1.3.2 技能要求
  • 1.4 流量运营的4类数据来源
  • 1.4.1 通过广告投放工具获得的外部投放数据
  • 1.4.2 通过流量分析工具采集的自有流量数据
  • 1.4.3 通过大数据工具采集的自有数据
  • 1.4.4 通过第三方来源获得的行业和竞品数据
  • 1.5 本章小结
  • 第2章 常见流量渠道全面盘点
  • 2.1 直接输入流量渠道
  • 2.1.1 什么是直接输入流量
  • 2.1.2 直接输入流量的3个特征
  • 2.1.3 知识拓展:直接输入流量4类业务抓手
  • 2.2 SEO渠道
  • 2.2.1 什么是SEO流量
  • 2.2.2 SEO流量在企业前、中、后期的角色
  • 2.2.3 国内SEO市场的两大阵营
  • 2.2.4 数据如何应用到SEO渠道运营
  • 2.2.5 知识拓展:SEO渠道的价值局限性
  • 2.3 SEM渠道
  • 2.3.1 什么是SEM
  • 2.3.2 SEM更多的价值在于“临门一脚”
  • 2.3.3 SEO与SEM的相互促进和掣肘
  • 2.3.4 SEM渠道适用的营销场景
  • 2.3.5 数据如何应用到SEM渠道运营
  • 2.3.6 知识拓展:SEM渠道的流量天花板
  • 2.4 硬广告渠道
  • 2.4.1 什么是硬广告
  • 2.4.2 为什么硬广告不精准,我们依然要投
  • 2.4.3 如何评估线下硬广告的实际效果
  • 2.4.4 硬广告渠道适用的营销场景
  • 2.4.5 数据如何应用到硬广告渠道运营
  • 2.4.6 知识拓展:流量作弊,硬广告之殇
  • 2.5 信息流广告渠道
  • 2.5.1 什么是信息流广告
  • 2.5.2 信息流广告的精准体现在哪里
  • 2.5.3 场景化思维下的信息流广告运营
  • 2.5.4 信息流广告适用的营销场景
  • 2.5.5 数据如何应用到信息流广告运营
  • 2.5.6 知识拓展:如何消除“老板看不见广告”的焦虑
  • 2.6 社群渠道
  • 2.6.1 什么是社群渠道
  • 2.6.2 社群中的圈层管理
  • 2.6.3 挖掘社群渠道裂变模式、节点与传播路径
  • 2.6.4 社群渠道适用的营销场景
  • 2.6.5 数据如何应用到社群渠道运营
  • 2.6.6 知识拓展:证明社群运营的价值
  • 2.7 MCN渠道
  • 2.7.1 什么是MCN
  • 2.7.2 MCN直播带货模式的“危”与“机”
  • 2.7.3 企业与MCN的供应链合作
  • 2.7.4 MCN渠道适用的营销场景
  • 2.7.5 数据如何应用到MCN渠道运营
  • 2.7.6 知识拓展:MCN渠道直播带货选品的考虑要素
  • 2.8 会员营销渠道
  • 2.8.1 什么是会员营销渠道
  • 2.8.2 会员营销的精准优势来源于哪里
  • 2.8.3 会员营销需要平衡用户体验与企业目标
  • 2.8.4 会员营销渠道适用的营销场景
  • 2.8.5 数据如何应用到会员营销运营
  • 2.8.6 知识拓展:不做会员营销的异类电商企业
  • 2.9 CPS渠道
  • 2.9.1 什么是CPS渠道
  • 2.9.2 第三方CPS渠道都是“劫道”的
  • 2.9.3 CPS对消费者的决策驱动力体现在哪里
  • 2.9.4 与其他渠道相比,CPS渠道的性价比如何
  • 2.9.5 CPS渠道适用的营销场景
  • 2.9.6 数据如何应用到CPS渠道运营
  • 2.9.7 知识拓展:CPS渠道作弊与刷量
  • 2.10 其他流量渠道
  • 2.10.1 小程序
  • 2.10.2 快应用
  • 2.10.3 App流量渠道
  • 2.10.4 公关传播
  • 2.10.5 LBS渠道
  • 2.10.6 线下实体网点
  • 2.10.7 BD合作渠道
  • 2.11 本章小结
  • 第3章 渠道策略与计划管理
  • 3.1 设计企业级流量渠道策略
  • 3.1.1 企业级流量渠道策略概述
  • 3.1.2 流量渠道策略的应用场景
  • 3.1.3 健康的流量结构的特征
  • 3.1.4 基于不同营销目标的渠道贡献度
  • 3.1.5 知识拓展:流量运营与整合营销传播的关系
  • 3.2 基于多指标综合决策的渠道选择
  • 3.2.1 基于多指标的综合决策概述
  • 3.2.2 如何选择多个决策指标
  • 3.2.3 如何设置多个指标的权重
  • 3.2.4 结合层次评分综合评估渠道排名
  • 3.2.5 知识拓展:解决统一标准下不同渠道价值评估的公平问题
  • 3.3 发掘流量爆发力强的渠道
  • 3.3.1 流量爆发力概述
  • 3.3.2 流量爆发力强的两个特征
  • 3.3.3 哪些渠道流量爆发力更强
  • 3.3.4 通过数据分析爆发力强的渠道
  • 3.3.5 知识拓展:如何评估未投放渠道的流量爆发力
  • 3.4 预测付费渠道效果并进行KPI管理
  • 3.4.1 付费渠道效果预测概述
  • 3.4.2 不同付费渠道预测的差异点
  • 3.4.3 通过回归方法预测流量效果
  • 3.4.4 预测模式的可解释性与限制性
  • 3.4.5 知识拓展:如何基于预测结果制定KPI
  • 3.5 预测直接输入与SEO效果并设置合理预期
  • 3.5.1 直接输入与SEO效果预测概述
  • 3.5.2 通过加权移动平均方法预测未来流量
  • 3.5.3 知识拓展:自动ARIMA在预测中的应用
  • 3.6 基于多因素限制的目标最大化的预算分配
  • 3.6.1 预算分配概述
  • 3.6.2 预算分配时的主要限制性因素
  • 3.6.3 通过规划求解实现多因素约束下的目标最大化
  • 3.6.4 应用目标最大化规划求解的限制性条件
  • 3.6.5 知识拓展:规划求解的其他应用场景
  • 3.7 基于用户行为模式的渠道组合管理
  • 3.7.1 用户访问行为的渠道概述
  • 3.7.2 如何识别用户访问的来源渠道
  • 3.7.3 通过序列关联模式挖掘渠道组合策略
  • 3.7.4 基于用户访问行为的渠道组合策略的限制条件
  • 3.7.5 知识拓展:将渠道组合策略扩展到跨设备领域
  • 3.8 数据使用注意
  • 3.8.1 数据反映了过去,但不能100%说明未来
  • 3.8.2 滥用数据还不如不用
  • 3.8.3 业务方也要懂数据
  • 3.9 本章小结
  • 第4章 媒体投放与执行管理
  • 4.1 基于Lookalike的投放人群管理
  • 4.1.1 渠道投放人群概述
  • 4.1.2 基于Lookalike的ID列表实现投放人群管理
  • 4.1.3 基于Lookalike的人群规则实现投放人群管理
  • 4.1.4 知识拓展:在精准与规模之间寻找平衡点
  • 4.2 基于用户喜好的投放内容管理
  • 4.2.1 投放内容管理概述
  • 4.2.2 基于不同动作倾向的商品喜好
  • 4.2.3 基于目标商品提炼的共性标签
  • 4.2.4 知识拓展:广告内容个性化与动态素材管理
  • 4.3 基于效果的广告触达媒介优选
  • 4.3.1 广告触达媒介优选概述
  • 4.3.2 使用方差分析确定媒介效果的差异性
  • 4.3.3 基于方差对比判断媒介的稳定性
  • 4.3.4 知识拓展:假设检验在业务场景中的应用
  • 4.4 广告投放的排期要素管理
  • 4.4.1 广告投放的排期要素管理概述
  • 4.4.2 不同日期维度下的影响分析
  • 4.4.3 通过日历标记管理日期性要素
  • 4.4.4 知识拓展:基于组合媒体的排期管理
  • 4.5 着陆页测试与优化
  • 4.5.1 着陆页优化概述
  • 4.5.2 着陆页测试的3种类型
  • 4.5.3 着陆页测试的8类主要对象
  • 4.5.4 着陆页测试的4个实施要素
  • 4.5.5 着陆页测试的贝叶斯评估方法
  • 4.5.6 知识拓展:着陆页个性化设计策略
  • 4.6 渠道测试性投放
  • 4.6.1 渠道测试性投放概述
  • 4.6.2 测试性投放中的噪声控制
  • 4.6.3 测试性投放的效果一致性验证
  • 4.6.4 知识拓展:基于渠道相似性的策略应用
  • 4.7 渠道补量、扣量和余量
  • 4.7.1 渠道补量、扣量和余量概述
  • 4.7.2 补量的两种操作方式
  • 4.7.3 广告主扣量的优化价值
  • 4.7.4 余量的数据反馈及成因
  • 4.7.5 知识拓展:数据度量标准与数据差异性原因
  • 4.8 数据使用注意
  • 4.8.1 多个数据系统的数据误差
  • 4.8.2 小样本数据
  • 4.9 本章小结
  • 第5章 执行常见问题的排查与解决
  • 5.1 渠道执行问题排查常用维度
  • 5.1.1 渠道执行问题概述
  • 5.1.2 渠道执行问题排查的常用维度
  • 5.1.3 渠道执行问题排查的先后逻辑
  • 5.1.4 知识拓展:排查问题时的5种思维模式
  • 5.2 排查实时流量骤降的原因并做好预防
  • 5.2.1 流量骤降概述
  • 5.2.2 如何获得实时流量数据
  • 5.2.3 排查流量骤降的4个步骤
  • 5.2.4 预防流量数据丢失的4个步骤
  • 5.2.5 知识拓展:采集端数据丢失产生的影响
  • 5.3 排查实时流量骤增的原因并解除异常
  • 5.3.1 流量骤增概述
  • 5.3.2 排查流量骤增的4个步骤
  • 5.3.3 案例:某次大型促销活动流量骤增100倍
  • 5.3.4 知识拓展:消除流量骤增对后续流量运营的影响
  • 5.4 排查流量下滑渠道并找到优化点
  • 5.4.1 流量下滑概述
  • 5.4.2 细分并找到主要下滑渠道
  • 5.4.3 找到与下滑趋势相反的异常渠道
  • 5.4.4 知识拓展:构建完整的渠道跟踪结构
  • 5.5 排查ROI下降的原因并找到问题点
  • 5.5.1 ROI下降概述
  • 5.5.2 通过缩小ROI下滑渠道的范围确定问题渠道
  • 5.5.3 通过计算收入和费用因子得分找到问题渠道
  • 5.5.4 知识拓展:将因子得分排查法拓展到更多场景
  • 5.6 数据使用注意
  • 5.6.1 流量运营也要对ROI负责
  • 5.6.2 不要到活动结束后才开始问题排查
  • 5.6.3 复杂的统计分析结果不是必要保证
  • 5.7 本章小结
  • 第6章 营销渠道的效果评估与基本分析
  • 6.1 如何评估渠道效果的好坏
  • 6.1.1 渠道效果评估概述
  • 6.1.2 判断数据好坏的4种方法
  • 6.1.3 判断数据好坏程度的2种方法
  • 6.1.4 知识拓展:渠道的数据重复计算问题
  • 6.2 如何通过归因合理分配渠道转化贡献
  • 6.2.1 归因模型概述
  • 6.2.2 归因能解决的2类业务问题
  • 6.2.3 5类常见的归因模型
  • 6.2.4 针对不同场景选择适合的归因模型
  • 6.2.5 知识拓展:基于完整数据的自定义归因
  • 6.3 如何分析渠道效果的边际效应
  • 6.3.1 渠道效果边际变化规律概述
  • 6.3.2 分析渠道回报效率的边际递减效应
  • 6.3.3 分析渠道单位成本的边际递增效应
  • 6.3.4 知识拓展:数据分组
  • 6.4 如何找到渠道转化短板并提升转化效果
  • 6.4.1 漏斗分析概述
  • 6.4.2 漏斗分析的主要业务场景
  • 6.4.3 漏斗分析的额外数据跟踪
  • 6.4.4 漏斗分析的主要维度和方法
  • 6.4.5 案例:预约表单的漏斗分析与应用
  • 6.4.6 知识拓展:跨行为类型的漏斗跟踪
  • 6.5 如何分析渠道留存效果
  • 6.5.1 渠道留存概述
  • 6.5.2 如何分析留存衰减趋势
  • 6.5.3 如何分析留存稳定期
  • 6.5.4 如何分析运营活动对留存的影响
  • 6.5.5 如何分析新用户规模与留存率的关系
  • 6.5.6 知识拓展:通过留存发现的作弊问题
  • 6.6 如何分析渠道的时间特征
  • 6.6.1 时间特征概述
  • 6.6.2 分析渠道的长期趋势、年度特征
  • 6.6.3 分析渠道的中期趋势、季度特征
  • 6.6.4 分析渠道的短期趋势、月度特征
  • 6.6.5 知识拓展:分析渠道的时间交叉特征
  • 6.7 如何对流量渠道做分组分析
  • 6.7.1 渠道分组分析概述
  • 6.7.2 按照渠道属性的分组分析
  • 6.7.3 按照渠道效果的分组分析
  • 6.7.4 知识拓展:分组的目标是确定优化方向,而非分组本身
  • 6.8 如何分析着陆页数据
  • 6.8.1 分析着陆页是否真的有问题
  • 6.8.2 分析注意力随位置的变化规律
  • 6.8.3 分析页面加载时间对转化的影响
  • 6.8.4 知识拓展:着陆页上的异常数据
  • 6.9 数据使用注意
  • 6.9.1 数据评估结果不是念数据
  • 6.9.2 看似正确实际却错误的建议
  • 6.9.3 正确但没用的建议
  • 6.9.4 基于片面数据归纳的偏颇结论
  • 6.10 本章小结
  • 第7章 渠道效果专题性研究
  • 7.1 流量渠道的效果标杆研究
  • 7.1.1 渠道效果标杆概述
  • 7.1.2 渠道效果标杆设立的3个原则
  • 7.1.3 渠道效果标杆定义的3类方法
  • 7.1.4 知识拓展:“集中程度”还是“最佳实践”
  • 7.2 渠道效果影响因素研究
  • 7.2.1 渠道效果影响因素概述
  • 7.2.2 分析特征对转化目标的正负向影响
  • 7.2.3 分析特征如何影响单个样本的预测结果
  • 7.2.4 知识拓展:渠道效果影响因素的落地应用
  • 7.3 转化路径的媒体组合规律研究
  • 7.3.1 转化路径的媒体组合概述
  • 7.3.2 单一渠道重复次数对效果的影响分析
  • 7.3.3 组合渠道首末次触点对效果的影响分析
  • 7.3.4 增加新的渠道对原有投放组合的影响分析
  • 7.3.5 知识拓展:基于转化路径链接关系的规律分析
  • 7.4 渠道相似度研究
  • 7.4.1 渠道相似度概述
  • 7.4.2 基于渠道效果的最近邻分析
  • 7.4.3 基于渠道效果的聚类分析
  • 7.4.4 知识拓展:基于访问协同过滤的相似度分析
  • 7.5 虚假流量辨别与研究
  • 7.5.1 虚假流量概述
  • 7.5.2 通过流量属性分布辨别虚假流量
  • 7.5.3 通过流量在线行为指标辨别虚假流量
  • 7.5.4 通过用户离线行为指标辨别虚假流量
  • 7.5.5 通过用户行为流序列关系辨别虚假流量
  • 7.5.6 通过业务投放与实际数据差异辨别虚假流量
  • 7.5.7 通过数据的质量辨别虚假流量
  • 7.5.8 通过页面热力图辨别虚假流量
  • 7.5.9 通过长期价值指标辨别虚假流量
  • 7.5.10 知识拓展:通过机器学习方法辨别虚假流量
  • 7.6 数据使用注意
  • 7.6.1 模型准确度并非高于一切,不能忽略业务落地性
  • 7.6.2 不能通过一次专题分析解决所有问题
  • 7.6.3 专题分析并非是一次性的
  • 7.6.4 重视数据过程,也要重视数据校验
  • 7.6.5 模型并非万能
  • 7.7 本章小结
  • 第8章 流量运营的监控与效果复盘
  • 8.1 流量日常监控
  • 8.1.1 流量日常监控概述
  • 8.1.2 如何实现自动化监控
  • 8.1.3 监控结果的信息告警
  • 8.1.4 知识拓展:流量的外部竞争监控
  • 8.2 流量复盘
  • 8.2.1 流量复盘概述
  • 8.2.2 流量复盘的参与部门
  • 8.2.3 流量复盘的基本流程
  • 8.2.4 流量复盘的主要内容
  • 8.2.5 知识拓展:有效复盘的重要支撑——执行过程的数字化
  • 8.3 撰写分析报告
  • 8.3.1 分析报告概述
  • 8.3.2 不同报告对象的内容侧重点
  • 8.3.3 不同类型报告的内容侧重点
  • 8.3.4 影响分析报告满意度的因素
  • 8.3.5 知识拓展:分析报告的立场问题
  • 8.4 数据使用注意
  • 8.4.1 数据分析师并非只是写报告
  • 8.4.2 不能使用“我觉得”代替数据论证
  • 8.4.3 数据分析不能过分依赖数据工具
  • 8.4.4 数据分析不能速成
  • 8.5 本章小结
  • 附录A 电商流量运营数据参考
  • 附录B Python安装和部署
展开全部

评分及书评

4.3
3个评分
  • 用户头像
    给这本书评了
    5.0

    流量数据的价值,不是靠一份报告、一个专题研究就能得到结论,而是靠长久以来建立的数据文化、工作机制、决策思维以及驱动准则来实现。归根到底,数据到底 “做了什么” 才是数据价值反馈的根本,那些只反映在业务人员和分析师脑海中的洞察、见解或规律根本不是价值。

      转发
      评论

    出版方

    机械工业出版社有限公司

    机械工业出版社是全国优秀出版社,自1952年成立以来,坚持为科技、为教育服务,以向行业、向学校提供优质、权威的精神产品为宗旨,以“服务社会和人民群众需求,传播社会主义先进文化”为己任,产业结构不断完善,已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸,现已发展为多领域、多学科的大型综合性出版社,涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。