Friday BI Fly | 2016年11月11日晚8点半微信直播交流"增长黑客"在Power BI应用第39场图文版记录

发表: 2016-11-14 浏览: 3019

商业智能天善智能微信直播

公告

周五BI飞起来，每周一个主题，一场跟数据有关的行业、工具、技术的交流盛宴，锁定在每周五晚20:30，不见不散！

未来几期的微信直播活动分享主题将包括在Excel商业智能案例分享、房地产行业如何做数据分析。

具体日期安排请关注天善智能问答社区活动版块
https://www.hellobi.com/events

本期分享内容

1、增长黑客之新增获客在Power BI应用

2、增长黑客之提升活跃度（Activation）在Power BI应用

本期嘉宾介绍

刘凯数据架构师，美国注册管理会计师，《DAMA 数据管理知识体系指南》译者之一，曾任金融监管机构数据管理专家，某金融科技架构师，长于建模和可视化分析。

主持人：

大家好，我是微信直播活动的主持人大鹏，每周一个主题，一场跟数据有关的行业、工具、技术的交流盛宴。我们的口号是“Friday BI Fly 周五BI飞起来”。

下面我们就正式开始今天的活动了，关于我们的微信直播活动，新来的朋友可能还有各种疑问，下面我就针对常见问题给大家做个解答。

“增长黑客”在Power BI中的应用

大家好，我是PivotModel刘凯，大家可以在天善智能Power BI板块浏览相应的博客文章，以及在线免费课程。

BI（Business Intelligence）,与其是个商业智能工具，不如说是一项业务能力，因此我们今天晚上结合业务，分享的主题是如何通过微软的Power BI 和增长黑客指标体系（AARRR海盗指标），来推动企业增长。

分享内容，分为以下三个部分：

（1）系统介绍企业的增长引擎，也就是驱动企业增长的动因框架（约10分钟）。增长黑客中的AARRR只是其中的一部分，侧重于客户增长。

（2）介绍增长黑客中著名的AARRR海盗指标框架，以及如何通过Power BI 开展新增获客分析（约15分钟）。

（3）介绍如何通过Power BI 开展提升客户活跃度分析，并对AARRR中的留存、传播、收入简介（约15分钟）。

（4）自由提问与讨论环节。

第一部分

谈到业务，肯定要谈增长，企业业务发展中会遇到各种问题，但并非都需要解决，快速的业务增长可以解决大多数问题，或者让很多问题自行解决掉。

增长黑客比较强调以客户增长为核心的数据化运营。实际上企业的整体增长框架内涵比较丰富，在不同的阶段（初始期、快速发展期、成熟期等），会关注客户增长、产品增长、收入增长、利润增长。当然企业经营初期可能没有任何利润、甚至没有收入，但一定是有用户和客户以及相关数据，正式这些数据和指标能驱动企业增长。

无增长，不分析。驱动企业收入增长的数据分析，是一个完整的增长体系：

· 新业务增长 vs 现有业务销售增长。新业务可能是单纯的项目投资，也可以是复制一家连锁的新店铺

· 销售价/量/结构的多因素分析：尤其用于同比分析、预算目标偏差分析中。

· 销售增长：如进店数×客单价×成交率。

· 客户增长，以AARRR指标体系为代表。

· 增长预测。（销售预测，以及增长率预测）

具体来说：

(1)现有业务增长 VS 新业务增长。通常新业务涉及到专项分析，需要用Excel电子表格建立专属的投资模型。但对于店铺增长而言，同店比较（SSS）分析的本质还属于运营，很容易通过来Power BI实现。

(2)多因素分析。销售价格增长 VS 销售数量增长。最常用的一个BI分析模式是基于预算目标，或者基于上年/本年的价差/量差/产品结构分析。

•销售价格差异= ∑（实际产品销售价格–预算销售价格）* 该产品实际销售数量

•销售数量差异 = ∑（实际总销售量* 该产品预算销售占比 – 预算销售数量）* 该产品预算价格销售价格差异反映产品价格变化带来的收入变化。

销售数量差异是假设预算价格以及预算结构均不变，单纯的数量变化所带来的收入差异。

(3)销售收入增长分析，最常用的一个BI分析框架，是销售收入= 进店数×客单价×成交率。这点是非常成熟的销售框架，不必花太多时间赘述。

(4)客户增长分析，AARRR为主的黑客增长是客户分析的核心，已成为数据分析领域中的一个事实标准框架，其中最后的一个R是指的收入Revenue。在这个框架中有许多用户指标，但最终是通过客户规模指标，乘以ARPU(单个用户平均收入)来驱动。这是我们本次分享的重点。

(5)增长预测。Power BI目前支持销售量预测和增长率预测。通常通过移动平均、平滑指数，或者线性回归来实现增长预测。预测的业务量可以进一步形成业务计划，并最终转化为财务预算。相应的销售预算，可以执行预算实际分析，也可以开展量差、价差的多因素分析。

上述分析体系就构成了企业的增长引擎，是个闭环的框架。通过Excel PowerPivot，或者Power BI都可以实现。具体的每种增长近期通过博客连载的方式给出。其中在企业的不同阶段，会对增长的关注点不同。比如早期阶段企业可能没有利润、没有收入，但一定有客户或用户数据来开展分析。因此我们先来聊聊客户增长分析。

第二部分

增长黑客中的AARRR海盗指标体系，是管理驾驶舱中客户主题分析中的核心，该主题中还包含RFM（近度、频率、金额）分析、客户画像分析、客户满意度分析（NPV，即净推荐值分析）。所谓AARRR海盗指标体系，也称AARRR用户模型，其实就是“获取（Acquisition）”、“激活（Activation）”、“留存（Retention）”、“传播（Referral）”、“收入（Revenue）”的缩写

最后的Revenue是指要最终带来收入的用户，也就是客户。因此简化的AARRR可以看作是客户分析的一个核心体系。

这里的传播，也叫病毒营销。有关传播的病毒营销也分为多种模型。但最后的R强调的还是收入。以收入为导向的客户分析，都能带来哪些好处呢？

· 可以更加了解客户：懂得客户为什么来，为什么走，为什么活跃，为什么留存；

· 采取不同的措施：对于新客户增长，对于已有客户活跃和留存，活跃用户促付费，流失用户挽回都有应对措施。

· 建立长期良性循环的机制：通过机制让已购买已付费的客户持续购买付费。

也就是说，AARRR模型本质上从获取客户开始，然后不断提升活跃度来推动追加销售和交差销售，降低流失提升留存，并通过病毒营销的传播手段达到销量倍增，到转化为收入结束。

首先，谈谈其中的第一个A，新增获客。

大家有没有考虑过，每个企业的“客户规模”，是从哪儿来的，如何计算的，如何构成的呢？这里给一张通过Power BI 可视化生成的图表，内置了客户规模指标，反映了客户构成以及新增客户

整个Power BI过程中，需要考虑以下核心指标，以开展决策。

一、客户规模（客户数）是个累计值

只要发生过交易，留有交易记录，就形成了客户，因此是个累计值。对于累计至今，在Power BI当中，可以通过重置时间的筛选上下文来实现的。这里要关注的是一个时间概念：LTD (Life to Date),也就是从一开始一直累计到现在。比如本月为2016年11月（11月1日到11月底），但我们可以调整到若干年前公司第一次发生交易时开始计算，这就需要重置时间上下文，通常通过Power Bi函数中的FILTER(ALL)函数来实现。

二、需要关心的是，哪些客户与本期收入有关

也就是当期活跃客户数，这是在开展客户分析时中最核心的指标。因此考察对本期收入有贡献的客户：

(1)本期新增客户数。有多少是本期新增，之前没有的。

(2)老客户（回头客）。有多少老客户在本期发生了购买.

(3)本期活跃客户数=新增客户数+老（回头）客户。

这里要关注的是一个时间概念：期初、期末和期间。

本期新增客户数=本期末客户数-上期末客户数=本期末客户数-本期初客户数。

通常上期末和本期初是大致等同的，也有人使用NEXTDATE函数来对日期进行微调。

三、考虑新增客户数/本期活跃客户数是否越大越好？是否越稳定越好

【新增客户数】指标反映的是客户获取/拉新的数量。但很多时候不能仅考虑客户数量，更多地考虑新增客户带来的收益，以及获客成本，和新增客户数大起大落带来的风险。需要考虑的是：

• （1）获客收益有多高？新增的客户会重复购买么？可以追加/交叉销售么？

（2）获客成本有多高？获取一个新客户的成本，通常是老客户的6倍。

（3）新增客户数的大起大落带来哪些风险？产品供不应求势必要增加产能，扩充更多服务人手，突变大流量很快能把服务器搞垮。产能扩充投资和后续闲置、员工加班带来的满意度下降,客户体验下降。

通过Power BI生成以下交互式分析的图表：

（图）与本期收入有关的客户，是活跃客户：

通过切片器，可以很容易地开展多维度交互式分析。

（图）除了考察活跃客户的增长以外，还考虑客户的构成

四、进一步考虑影响【新增客户数】的因素有哪些？通过识别影响因素，可以采取有效的获客策略。

• （1）产品。如果产品毫无吸引力而言，那么获客就是无源之水，无本之末。

• （2）区域。这里的区域可是个分公司/网店，通常代表一个收入中心

• （3）推广活动。新增客户的爆发增长，与后续衰减都与推广活动密切相关。

• （4）渠道。不同渠道来源的客户质量、获可成本差异较大，尤其对于手游、电商等行业，需要对渠道深入开展分析。

• 产品、区域、推广活动、渠道，都是我们进一步多维度建模时的模型设计基础。让我们先从简单的产品/区域维度开始，稍后再不断地对模型进行扩展分析

比如：

（图）识别出驱动新增客户的产品

（图）查看新增流失客户的占比变化情况。

通过以上Power BI的一系列分析，易于形成良好的客户获取策略（Acquisition），分析投入产出最大的渠道，采取有效的推广活动。

以上是客户增长中的客户获取分析，主要考察：

（1）客户规模指标，尤其新增部分

（2）客户构成指标，尤其当期活跃客户的构成

（3）客户增速指标，叫做客户增长率。

（4）其他有关客户质量指标，以及获客成本-收益的效益指标，在提升客户活跃度中进行相应的分析。

大家可以思考下，通过何种公式来计算客户增长率最恰当。

其中分子、分母究竟是期间、期初、还是期末值更恰当？

还可以思考下，什么样的客户增长趋势是更好的增长？

（图）可以比较下两个堆积图反映的客户增长的效果

【客户增长率】的分子，是当期的【新增客户数】，这里的当期，既可以是季度、也可以是月份。

那么分母呢？我们知道，所谓新增客户数，就是本期LTD客户数，减去上期LTD客户数。因此比率所用的分母，就应当是上期（前期）客户数，这样的比较才更有意义。

从之前的季度的新增/流失客户的柱形图上，也很容易看出这一点。

好的。第二部分，有关新增获客分析的主要内容，就介绍的这里。总结下，关键是如何计算客户数，以及如何计算获取的新增和回头老客户数，并通过多维度交互筛选，识别关键的地域/产品等因素，采取不同的获客策略。

第三部分

新客获取，通常关注的是获客的数量（当然获客成本也非常重要），包括新增客户的规模、构成，以及速度。而提升活跃度（Activation），通常关注的是所获取的客户的质量。因为客户质量的高低，或者获取的客户是否是有效客户，直接决定了获客之后，能否覆盖，以及多久才能够覆盖获客的成本。

那么为何要提升客户活跃度？这是因为站在投入-回报的角度，新增客户只是一种增加收入的手段，而且获客成本太高了。

这里投入-产出的思维方式很重要，不仅适用户客户分析，也适用于营销活动分析，都是要考虑ROI。

影响获客成本高低的因素有很多：

· 宏观因素：人口红利时代，新增获客很简单，但目前人口红利正慢慢衰减，导致新增获客越来越困难，成本变得更加高昂。

· 技术因素：移动端，获客成本，就比PC端高很多。

· 市场饱和度（行业生命周期阶段）

· 微观因素，如：用户需求、客单价、另外还会和用户购买频次、用户地域情况、用户属性等。

· 获客成本的构成，包含流量成本、转化率、促进转化的促销活动成本、返现、贴息等等。

因此，要采取激发活跃度的手段，来增加收入，促进增长。

那么什么是客户活跃度？通常有两个角度，来考虑客户活跃度。

有截然不同的计算方法。

（1）在过去一段时间内（如过去3个月内）有购买交易记录的客户，称为活跃客户。

这里的活跃客户，是相对于流失客户\休眠客户\沉默客户而言的。其共同特点在于都是客户，曾经发生过购买行为存在交易记录。主要区别在于，最近一次购买行为所发生的时间，是否发生在所定义的时间窗口期内。根据所处的行业特点，时间窗口期有所不同，有的选取最近3个月，有的选取最近12个月。

与时间窗口有关的参数，包括：起始日期（Startdate）、时间间隔（Interval）、期间数（Period）。

例如，如果将今天（或者说数据集中有记录的最后一天），作为起始日期，选取月份作为间隔，那么过去3个月应当选择的期间数为-3.

（2）在本期（如本季度）中有购买交易记录的客户，称为活跃客户。

这里的活跃客户是逐期的，每期当中的活跃客户，包含了新增客户，和回头老客户。

在上一篇博文中，我们给出了活跃客户数的定义：

【（本期）活跃客户数】=新增客户数+老（回头）客户

也就是说，一方面。我们站在最近一段时间的角度考虑，哪些客户是活跃的。

另一方面，我们逐期考察。看看每期当中，有哪些客户是新增客户和回头老客户。

这两种都叫做活跃。

如果是最近一段时间。我们需要按时间跨度来分区间，分为最近3个月、3-6个月等等的区间。来分析沉默客户、休眠客户、活跃客户、回流客户等等。这时主要使用Power BI的分区间函数，如SWITCH，或者CALCULATE(VALUES)组合函数。

如果是逐期考察活跃度，主要是逐期考察新增客户和回头老客户，来开展活跃度计算。

在提升客户活跃度时，通常考虑复购率、回购率以及活跃度等指标。

（图）这里引入一个复购率的概念：

（图）以及回购率的概念：

这两个指标非常重要，但有时会被弄混。

【客户回购率】＝（某段时间内）回头老客户数／期初客户数。

【客户复购率（按客户计算法）】＝（某段时间内）回头老客户数／期间客户数。

注：客户回购率和客户复购率，两个指标非常相似，分子相同，分母有所不同。

客户回购率，是相对于期初LTD客户数而言，计算当期中发生购买的老客户所占的比例。分母为之前所有有购买记录的客户数量总和，包括已经流失的那部分客户数，不考虑当期新增客户数。客户回购率是衡量的维系客户能力的指标，反映的是对公司在期初的整个客户资源，在当期进行变现的能力。

客户复购率（按客户计算法），是相对于期间发生购买的活跃客户而言，当期中发生购买的老客户所占的比例。分母仅考虑了当期中有购买记录的新增客户+回头老客户，不包括已流失客户。客户复购率是衡量的是老客户比例，即当期客户中，有多少是由老客户构成的。如果当期没有新增客户，客户复购率可以达到100%。如果新增客户占比过低，会影响客户资源的发展和持续性；但如果新增客户占比过高，通常意味着本期的业绩需要较高的获客成本来支持，简单来说主要通过烧钱的方式来支撑。

（图）在评价客户活跃度时，最重要的指标是“活跃客户率”

“当期活跃客户数”毫无疑问是客户分析中最核心的规模指标。而是“活跃客户率“”，是客户分析中最核心的占比指标。

那么活跃客户率，同回购率、复购率指标由何种不同呢？

这是因为提升活跃度的同时，也需要提升客户粘性。活跃客户率是衡量活跃度的指标，回购率、复购率是衡量客户粘性的指标。

客户粘性是站在客户视角来看的，如果某个客户每期都持续购买，那么就有很高的客户粘性。活跃客户率是站在整体角度来看的，如果整个客户构成都是以高粘性的客户为主来构成的话，那么每期流失客户自然占比很少，活跃客户率会很高。

因此，在提升活跃度(活跃客户率)是激活阶段的主要目的。而增加客户粘性（回购率、复购率）激活阶段，为提升活跃度而采取的主要手段，具体而言，就是以更低的成本同老客户开展交叉销售和追加销售，推动更多的后续交易来增加粘性。

（图）可以将目的指标，和手段指标，综合在同一图表中查看。也可以先给出目的指标，然后拆解出手段指标：

也可使用综合的图表，包含每期活跃客户的构成，并用三个每个折线，分别反映提升活跃度的指标。

而且，我们经常使用绝对指标+ 比率指标的方式，构造BCG矩阵，开展一系列分析。

总结一下，以上是提升客户活跃度的常见的分析场景。

另外AARRR分析的要点是客户留存，以及留存率。这个留存率同周期跨度也有很大的关系。对于传播而言，通常使用几种病毒营销模型，这里主要使用Power BI中通过递增连乘的方式来开展客户分析，用到DAX中的Power()函数。

收入指标更多地是基于客户规模，得到ARPU（即每用户平均收入），来开展分析。

以上是AARRR海盗模型。AARRR是开展客户增长的主要框架。除了客户分析，还可以从更多角度，更全面的角度来建立全面的企业增长模型。由于微信分享的时间有限，没法对案例一一展开，大家可关注天善网站中PivotModel的文章，以及后续相关博客的不断更新。

好的，就这样。欢迎大家登陆论坛讨论。我们还有一名讲师MicroLong。是微软现任PowerBI专家。

后续会给出精彩案例，并解答问题。

主持人：

大鹏：

非常感谢刘凯老师为我们带来的精彩演讲，同时也感谢我们在场积极提问的朋友们，相信大家对今天的会议内容已经有了更深一步的了解，衷心的希望您通过今天的演讲能有所收获。接下来是自由讨论时间：

自由讨论

问题一：作为一名增长黑客，有哪些可以向大家推荐的工具？比如如何收集数据和分析数据，如何做AB测试？

刘凯老师：A/B测试也是相对来说操作性非常强的工具。而且我们下次可以专门做个如何用PowerPivot实现A/B测试的分享。A/B测试主要是偏重于战术层面的，AARRR相对而言是一套比较完整的体系。如果开展简单的AARRR分析，有简单的客户交易数据，如交易明细、订单、产品、位置、渠道数据是必须的。一般建立一个星型模型，都会包含产品、销售明细、产品、地域、店铺、渠道这些表。

问题二：请问怎么定义流失客户？

刘凯老师：所谓流失客户。可以有两种定义方法一种是站在每期的角度，来看之前有交易记录，但本期没有。就是流失。这里一期可以是一个季度。也可以是一个月。这样可以计算出每个月份或季度的流失客户数。还有第二种流失客户的计算。就是站在最近一段时间的角度。比如，在所有的客户当中，最近12个月没有任何交易，视为流失客户。这里最近12个月是动态的，随着数据刷新而刷新，而且可以自由定义N个月。

问题三：PowerBI与数据挖掘怎样结合?

刘凯老师：三种结合方法，一种是目前Power BI的原生功能，11月份的版本中已经有了类似指数平滑法来一键生成预测的扇形图；一种是自定义可视化法，可以自带决策树分组功能；最后一种是R语言的数据挖掘包集成，或者是基于微软Azure机器学习开展预测性分析。

问题四：Power BI 如何跟 SAP BO结合使用?

刘凯老师：我的理解是SAP BO是个报表工具，但聚合能力不强，可以可视化展现和What-if分析，但不能自由地开展BI多维分析。因此Power BI和 SAP BO更多地是互补关系。Power BI具有很强大的多维建模能力，这是超越SAP BO之处。另外Power BI可以使用SAP导出的数据开展可视化分析，但更多地使用原始明细数据； SAP BO可能用汇总数据多些，而且没有整合多来源数据的在哪里。

问题五：每个阶段的转化率一般控制在多少比较合理？

刘凯老师：每个阶段的转化率。AARRR更多地考虑流失率和留存率。而且不同行业不太一样。而且选择天、周、月作为流失率/留存率的基础的话，得到的结果也不太一样。后续我们会讲到传播阶段的病毒营销模型。实际上病毒营销并不是转化的衰减，而是有递增性。不同行业，不同时间跨度的留存率不同。比如：移动游戏的首月平均留存率约为22%。

友情提示：天善智能是国内最大的商业智能BI、数据分析、大数据领域社区，欢迎大家登陆天善学院有更多免费行业专家数据库，商业智能BI，数据分析，大数据，数据挖掘视频和干货好文分享。

Friday BI Fly：每周一个主题，一场跟数据有关的行业、工具、技术的交流盛宴。我们的口号是“Friday BI Fly 周五BI飞起来”。 Friday BI Fly 微信直播活动目前已举办39期，往期分享内容包括：【金融行业、零售行业、旅游行业、大数据挖掘、大数据落地、数据分析师、数据治理、大数据征信、风控管理、Python实战、用户画像、数据治理、数据架构、R语言等】。

今天的微信直播活动到这里就结束了，喜欢天善智能的朋友们请继续关注我们，每周五晚8:30，我们不见不散哦！