用户行为数 User Behaviour Analyti Growing IQ 实战指南 GrowinglO 用数据驱动企业增长

Transcription

1 用户行为数 User Behaviour Analyti Growing IQ 实战指南 GrowinglO 用数据驱动企业增长

2 目录 前言 // Ⅰ 关于 GrowingIO // Ⅲ 第一章用户行为数据分析概论 // 为什么要做用户行为分析? 2. 如何采集用户行为数据? 3. 如何搭建数据指标体系? 4. 怎么做用户行为数据分析第二章增长前传 : 数据驱动增长的基础 // 数据基础 : 糗事百科如何建立数据信心 6. 产品基础 : 快速找到适合自己的增长策略 7. 商业模式基础 : 四大要素缺一不可 8. 案例复盘 : 增长下的冰山效应,Dropbox 增长复盘第三章 : 渠道流量分析 // 渠道流量分析方法论 10.Web 推广流量监测 11.App 推广流量监测 12. 小程序推广流量监测 13. 案例复盘 : 用 GrowingIO 做好 App 推广渠道监测第四章 : 精细化用户运营 // 春秋航空 : 收入利润率第一, 数据驱动增长 15. 欧冶云商 : 数据驱动 B2B 商城用户增长

3 16.MatchU: 留存破局, 后流量时代的用户增长第五章 : 产品迭代和增长 // 产品迭代 :6 大要素帮你量化 评估产品迭代效果 18. 产品留存分析 19. 热拉 App: 专注每一个 1% 的提升, 驱动用户增长 20. 考试星 : 成长型企业如何低成本搭建高效增长体系 21.Camera 360: 覆盖 200 多个国家 坐拥 7 亿用户

4 用户行为数据分析 感谢您阅读 用户行为数据分析 : GrowingIO 实战指南, 您的意见和 反馈对我们至关重要, 我们将持续更新迭代本书内容 您可以选择以下方式提交您的意见和反馈 : 方式一 : 点击链接 : 方式二 : 扫描下方二维码 欢迎通过邮箱 market@growingio.com 或者微信公众号 GrowingIO 与我们进行沟通, 感谢您的支持! I

5 GrowingIO 实战指南 II

6 用户行为数据分析 前言 很多读者使用过不少数据统计和分析工具, 比如 Google Analytics 百度统计 友盟等 这些工具虽然功能很强大, 但是总感觉少了点什么 我们看到了 PV UV DAU 这样的概览性指标, 但是这些概览性指标没法指导我们做得更好 在通过这些粗糙的数据得知用户做了什么后, 还要看到他们是怎么做的, 明白他们为什么做, 只有这样才能更好地指导业务操作 我们需要实时 全量的用户行为数据, 通过对用户行为整体流程的分析, 找到转化的关键节点以及用户流失的核心原因, 以此对症下药, 找到可执行的指标, 落实为优化行动 本书紧密结合业务实践, 收录了 GrowingIO 自创立以来在用户行为数据 分析领域的经典方法论 产品实践和客户成功案例 全书分为五章 : 第一章介绍用户行为数据分析的基本概念 ; 第二章介绍数据驱动增长的前提条件 ; 第三章介绍用户行为数据分析在市场领域的具体应用 ; 第四章介绍用户行为数据分析在运营领域的具体应用 ; 第五章介绍用户行为数据分析在产品领域的具体应用 III

7 GrowingIO 实战指南 需要强调的是, 为了聚焦内容, 本书涉及到的 用户行为 特指用户在互 联网线上产品 ( 如 web/app/ 小程序 /H5 等 ) 中的行为, 不涉及线下场 景的讨论 本书适合互联网或互联网 + 企业的一线产品经理 设计师 运营 市场 数据分析师等人员阅读学习, 帮助读者建立系统的用户行为数据分析知识 体系, 并运用到日常工作中, 实现用户和业务增长 GrowingIO 2019 年 10 月 IV

8 用户行为数据分析 关于 GrowingIO GrowingIO ( 北京易数科技有限公司 ) 是基于用户行为的新一代数据分析产品, 首推国内领先的 分析工具 + 运营咨询 + 持续增长 数据服务体系, 帮助企业构建数据运营闭环 依托于快速部署无埋点技术, 实时采集全量行为数据, 通过搭建完整的数据监控体系, 高效管控核心业务指标, 帮助企业用数据驱动业务增长 GrowingIO 专注于互联网 金融 新零售 运营商等行业, 帮助企业挖掘更多商业价值 成立以来, 服务上千家企业级客户, 获得人人贷 滴滴 陌陌 58 赶集 链家 春秋航空 Camera360 华住 如家 北森 销售易等上千家客户的青睐 您可以通过以下方式联系或关注我们 : 访问官网 拨打热线 邮件咨询 market@growingio.com 关注微信公众号 ( 微信扫描下方二维码 ) V

9 用户行为数据分析 第一章 用户行为数据分析概论 本章介绍用户行为数据的定义 重要性 应用场景, 以及如何采集和分析用 户行为数据, 以帮助读者建立起对 用户行为数据分析 的宏观认知 1

10 GrowingIO 实战指南 1. 为什么要做用户行为分析? 单纯从数据组成的角度来说, 一个完善的闭环数据源主要分成三大块 : 第一块是用户行为数据, 第二块是用户信息 & CRM 数据, 第三块是 Transaction ( 交易 ) 数据和服务端日志数据 其中, 除了交易数据会经常被存储在离线数据库中并通过 ETL( Extract-Transform-Load, 抽取 - 转换 - 加载 ) 来获取分析, 行为数据和日志数据很多时候都是近似的 完备的用户行为数据基本能覆盖绝大多数的服务端日志数据, 同时包含着很多日志数据所缺乏的信息 从技术发展角度来说, 最近几年发展最快的可以说是前端, 每个月都会有很多新的东西出现, 整体趋势是往单页应用发展, 追求用户体验 同时, 还有移动端应用, 也在产生着大量的行为数据, 这些都不会跟服务端有过多交互 所以, 我们需要知道屏幕前的人是怎么使用产品的 1.1 用户行为的定义 用户行为数据, 是指用户在你的产品内进行各种操作产生的数据 在 GrowingIO 我们定义了三种最基本的用户行为, 分别是 : 访问 浏览和行为事件 每个访问事件可以由多个浏览事件和多个点击事件构成 用户行为由最简单的五个元素构成 : 时间 (when) 地点(where) 人物 (who) 交互(how) 交互的内容(what), 也就是说用户在什么时间 什么地点以何种交互方式进行了某种操作 交易数据和服务端日志数据更多的是 结果型 数据, 它告诉我们用户完成了注册 下载 购买都结果型事件 但是为什么有部分用户会流失, 为什么用户下单了却不支付, 为什么用户浏览了商品页面后直接就走了等等, 这些 过程型 的原因是交易数据和服务端日志数据提供不了的 2

11 用户行为数据分析 用户行为数据记录用户在产品上的每一次访问 每一次浏览 每一次点击, 这些过程型的数据可以告诉我们用户在你的产品上都发生了什么, 可以用来很好的解释用户为什么会流失 比如最简单的一个搜索行为 : 某一个 ID 在什么时间搜索了关键词 看了哪一页 哪几个结果, 同时这个 ID 在哪个时间下单购买了, 整个行为都非常重要 如果用户对搜索结果不满意, 他肯定会再搜一次, 把关键词换成别的, 然后才能够搜索到结果 那么, 我们又该如何监测这些用户行为数据呢? 一种非常传统 非常普遍的方式就是通过写代码去定义这个事件 在网站需要监测用户行为数据的地方加载一段代码, 比如说注册按钮 下单按钮等 加载了监测代码, 我们才能知道用户是否点击了注册按钮 用户下了什么订单 所有这些通过写代码来详细描述事件和属性的方式, 国内都统称为 埋点 这是一种非常耗费人力的工程, 并且过程非常繁琐重复 ; 但是大部分互联网公司仍然雇佣了大批埋点团队 在本书下一节, 我们将深入解读用户行为数据的采集方式, 这里不赘述 1.2 用户行为数据的行业意义 既然这么麻烦, 那为什么要做用户行为数据分析? 因为只有做了用户行为数据分析才能知道用户画像, 才能知道用户在网站上各种浏览 点击 购买背后的商业真相 简单讲, 分析的主要方式就是关注流失, 尤其是对转化有要求的网站 我们希望用户不要流失, 上来之后不要走 像很多 O2O 产品, 用户一上来就 3

12 GrowingIO 实战指南 有很多补贴 ; 一旦钱烧完了, 用户就都走了 这样的产品或者商业模式并不 佳, 我们希望用户真正找到平台的价值, 不停地来, 不要流失 用户行为数据分析帮助分析用户怎么流失 为什么流失 在哪里流失 比如刚才举例, 最简单的一个搜索行为 : 某一个 ID 什么时间搜索了关键词 看了哪一页 哪几个结果, 同时这个 ID 在哪个时间下单购买了, 这个整个行为都非常重要的 如果中间他对搜索结果不满意, 他肯定会再搜一次, 把关键词换成别的, 然后才能够搜索到结果 用户行为数据分析还能做哪些事情? 当你有了很多用户行为数据 定义事件之后, 你可以把用户行为数据做成一个按小时 按天, 或者按用户级别 事件级别拆分的一个表 这个表用来做什么? 一个是知道用户最简单事件, 比如登录或者是购买, 也可以知道哪些是优质用户 哪些是即将流失的客户, 这样的数据每天或每个小时都能看到 1.3 用户行为数据的应用场景 有了用户的行为数据以后, 我们有哪些应用场景呢? 第一个, 拉新, 也就是获取新用户 第二个, 转化, 比如电商特别注重订单转化率 第三个, 促活, 如何让用户经常使用我们的产品 第四个, 留存, 提前发现可能流失用户, 降低流失率 第五个, 变现, 发现高价值用户, 提高销售效率 4

13 用户行为数据分析 1 拉新 2008 年 GrowingIO 张溪梦在 ebay 时, 工作就是分析 SEM 和 SEO 每个关键词的 ROI ebay 每天要向谷歌买 400 万个关键词, 除此之外, 还要分析其它各种合作伙伴渠道, 比如一家小电商网站上面放了 ebay 的链接, 而后用户通过该链接最终在 ebay 上完成了购买,eBay 就会分钱给这家网站 ebay 特别注重是哪个搜索引擎 哪个关键词带来的流量 ; 关键词是付费还是免费的 从谷歌那边搜索引擎词带来了很多流量, 但是这些流量是否在 ebay 上成单, 这个数据还要跟 ebay 本身数据结合 然后做渠道分配, 分析到底成单的是哪个渠道 整个数据链要从头到尾打通, 需要把两边的数据整合之后才能做到 2 转化 以注册转化漏斗为例, 第一步我们要知道网页上有哪些注册入口, 很多网站的注册入口不只一个, 需要定义每个事件 ; 我们还想知道下一步有多少人 多少百分比的人点击了注册按钮 多少人打开了验证页 ; 多少人登录了, 多少人完成了整个完整的注册 期间每一步都会有用户流失, 漏斗做完后, 我们就可以直观看到, 每个环节的流失率 3 促活 还有一个是用户使用产品的流畅度 我们可以分析具体用户行为, 比如访问时长, 在哪个页面上停留的时间特别长, 在 App 上尤为明显 再有是完善用户画像, 拿用户行为数据分析做用户画像是比较准的 举个例子, 在美国有一个非常有名的在线视频网络 Netflix Netflix 非常有意思, 通过用户行为数据分析, 它把你一家人都进行精准分析定义 你们 5

14 GrowingIO 实战指南 一家有多少人, 是大人还是小孩, 你最喜欢看的是哪三部电影? 你的行为输 出越多, 它的推荐就会越来越精准 4 留存 用户流失不是说一下子就流失了, 一些细微行为, 就能预示他将来会流失 LinkedIn 会去追踪用户的使用行为 比如说有没有登录 登录之后有没有搜简历 有没有上传简历等等 用户这些点点滴滴的行为, 都很重要 有了这些数据支撑,LinkedIn 的产品 销售每天都要去看用户报告, 最简单的就是看用户使用行为有没有下降 哪些行为下降 哪些用户用得特别好等, 以此来维护用户关系 5 变现 LinkedIn 是一家 TO C 又 TO B 的公司, 在全球有 4 亿的用户, 有很多真实用户的简历信息 2B 的业务是 LinkedIn 为每一个企业 HR 销售的, 目的就是帮助美国企业找中高端的人才, 这里面有很多的不同的产品线 LinkedIn 本身就是一个社交网络, 用户是经理 VP 还是总监, 还是业务类, 市场 销售, 等等这些数据在 LinkedIn 上都聚合成一个公司的维度 有了这个公司的维度之后, 我们就能够很快让销售拿着这个卖给客户 比如要跟星巴克谈业务, 最能震撼到星巴克 HR 的数据是人才流失率的列表 其员工在最近一年有哪些是从别的公司加入进来, 上一家公司是谁, 如图绿色显示 左边做的是星巴克员工流失, 其跳槽去了哪家公司, 用红色显示 6

15 用户行为数据分析 通过这个简单的分布, 就可以迅速看出来人才流失情况 如果绿色的多, 说明这家公司在人才吸引方面是强的, 如果是红色的多, 说明这家公司在人才储备和招聘方面正处于颓势 我们把数据展示给最终客户, 基本上就可以拿到单子 我们一开始做了很多的报告, 销售拿去讲故事, 可以很快促进成单 所有这些是通过用户行为数据分析做出来的, 不是通过拍脑门或者第三方数据, 用户行为数据分析的价值不言而喻 2. 如何采集用户行为数据? 既然用户行为数据那么重要, 那么我们该怎样去采集和获取呢? 下面介绍两 种数据采集的方式 : 埋点和无埋点 7

16 GrowingIO 实战指南 2.1 埋点采集数据 一种非常传统 非常普遍的方式就是通过写代码去定义这个事件 在网站需要监测用户行为数据的地方加载一段代码, 比如说注册按钮 下单按钮等 加载了监测代码, 我们才能知道用户是否点击了注册按钮 用户下了什么订单 所有这些通过写代码来详细描述事件和属性的方式, 国内都统称为 埋点 这是一种非常耗费人力的工程, 并且过程非常繁琐重复, 但是大部分互联网公司仍然雇佣了大批埋点团队 1 埋点采集数据的 7 个步骤 那么, 埋点采集数据的过程又是怎样的呢? 一般可以分成以下七个步骤 1) 确定场景或目标 确定一个场景, 或者一个目标 比如, 我们发现很多用户访问了注册页面, 但是最终完成注册的很少 那么我们的目标就是提高注册转化率, 了解为什 么用户没有完成注册, 是哪一个步骤挡住用户了 2) 数据采集规划 8

17 用户行为数据分析 思考哪些数据我们需要了解, 以帮助我们实现这个目标 比如对于之前的目标, 我们需要拆解从进入注册页面到完成注册的每一个步骤的数据, 每一次输入的数据, 同时, 还有完成或者未完成这些步骤的人的特征数据 3) 埋点采集数据 我们需要确定谁来负责收集数据, 一般是工程师, 有些企业有专门的数据工 程师, 负责埋点采集数据 4) 数据评估和数据分析 收集上来的数据质量如何, 又该如何分析呢? 5) 给出优化方案 发现问题后, 怎么给出解决方案 比如, 是否需要在设计上改进, 或者是否 是工程上的 bug 6) 实施优化方案 谁负责实现解决方案, 需要确定方案的实施责任人 7) 评估解决方案的效果 进行下一轮数据采集和分析, 回到第一步继续迭代 知易行难 这整个流程里, 第 2 步到第 4 步是关键 目前传统的服务商比如 Google Analytics 百度统计 友盟所采用的方式称作 Capture 模式 通过在客户端埋下确定的点, 采集相关数据到云端, 最终在云端做呈现 2 埋点采集数据的 4 个缺点 9

18 GrowingIO 实战指南 Capture 模式采集到的数据非常精准, 对于非探索式分析来说是一个行之 有效的方法 同时, 对参与整个流程的人也提出了非常高的要求 1) 依赖经验导向 Capture 模式非常依赖人的经验和直觉, 采集哪些指标和维度的数据, 这都需要提前想好 不是说经验和直觉不好, 而是有时我们自己也不知道到底什么是好的 经验反而会成为一个先入为主的负担, 我们需要用数据来测试来证明 2) 沟通成本高 一个有效的分析结果, 依赖于数据的完整性和完备性 在企业里不少的吐槽都跟数据格式有关, 比如 连日志格式都统一不了, 更别提后续分析了 这不是具体人的问题, 更多是协作沟通的问题 参与人多, 产品经理 分析师 工程师 运营等等, 每个人的专业领域又各不相同, 出现误解太正常了 3) 需大量时间做数据清洗 另外, 由于需求的多变性 埋点分成多次加入 缺乏统筹设计和统一管理, 结果代码自然是无比混乱 所以数据工程师还有个很大的工作是数据清洗, 10

19 用户行为数据分析 手动跑 ETL 出报表 根据统计, 绝大多数分析工作, 百分之七十到八十的时间是在做数据清洗和手动跑 ETL, 只有百分之二十左右的时间在做真正有业务价值的事情 4) 数据漏采错采 如果说上面的缺点很让你头疼, 那么接下来的问题就更让人抓狂 很多时候, 埋点监测代码上线后, 发现数据采集错了或者漏了 ; 修正后, 又得重新跑一遍流程, 这样一个星期两个星期又过去了 这也是为什么数据分析工作如此耗时, 一般以月计的原因 2.2 无埋点采集数据 在经历了无数个痛苦的夜晚以后, 我们决定要换个思路思考, 希望能最大限度的降低人为的错误 我们称之为 Record 模式, 这也就是现在的 无埋点 数据采集方案 1 无埋点的采集原理 区别于 Capture 模式,Record 模式是用机器来替代人的经验 ; 在数据分析产品 GrowingIO 中, 无需手动一个一个埋点 ; 只需在第一次使用时加载一段 SDK( Software Development Kit, 软件开发工具包 ) 代码, 即可采集全量 实时的用户行为数据 11

20 GrowingIO 实战指南 因为自动化, 我们从分析流程的源头开始就控制了数据的格式 所有数据, 从业务角度出发, 划分为 5 种维度 : Who, 行为背后的人具有哪些属性 ;When, 什么时候触发的这个行为 ;Where, 城市地区浏览器甚至 GPS 等 ;What, 也就是内容 ;How, 是怎样完成的 对信息的解构, 保证了数据从源头就是干净的, 在此基础上面, 我们完全可以把 ETL 自动化, 需要什么数据可以随时回溯 2 无埋点的技术优势 回顾上面埋点采集数据的 7 个步骤, 无埋点很好地解决了第二 三 四步的需求, 将原来的多方参与减少到基本就一方了 无论是产品经理 分析师还是运营人员, 都可以使用可视化工具来查询和分析数据, 真正做到所见即所得 不仅是 PC, 它还支持 ios Android 和 Hybrid, 可以进行跨屏的用户分析 以 GrowingIO 的官网 ( ) 为例, 加载了我们自己 的监测代码后 ; 无需一个一个写埋点代码, 只需要用鼠标圈选对应元素, 即 可获得数据 12

21 用户行为数据分析 上图中, 如果市场部门员工想知道每天有多少人点击了 免费试用 GrowingIO 按钮, 只需在 GrowingIO 产品内用鼠标圈选该按钮, 即可获得该按钮的点击量和浏览量 原来埋点方式需要花费产品和工程几天的时间, 现在业务端同事可以几秒钟就解决了 用户行为数据采集的目的是通过了解用户过去的行为, 来预测未来发生的事情 无需埋点, 随时回溯数据, 让一个人就可以搞定用户行为数据分析的全部流程 这样一个简单 迅速和规模化的数据分析产品, 能极大地简化分析流程, 提高效率, 直达业务 2.3 双模式数据采集方案 不论是采用无埋点还是埋点的方式, 都需要能够将用户的每一次线上访问过程用数据描述清楚 ; 这个是数据采集的基本目标, 也是 GrowingIO 的初衷 1 埋点 + 无埋点 的原理 以一个加载了 GrowingIO 无埋点 SDK 的电商 App 为例 : 顾客打开 App, 在首页搜索关键词, 然后在结果页挑选喜欢的商品加入购物车 ; 接着给购物车的商品下订单, 并且完成支付 那么在这个过程中, 有哪些数据需要采集, 又该怎么去采集呢? 用户从 打开 App 观看首屏广告 搜索关键词 进入结果页 加入购物车 再到 支付完成, 整个过程中既有用户行为数据 ( 过程型数据 ), 又有交易数据 ( 结果型数据 ) 在下图中,GrowingIO 的无埋点 SDK 会自动采集用户在这个 App 上的所有行为数据, 包括访问 页面浏览和行为事件 同时,GrowingIO 的数 13

22 GrowingIO 实战指南 据对接埋点方案可以采集更多的交易数据, 这里面包括商品 SKU 价格 折扣 支付等信息 这样我们就可以将一个完整的线上购物行为, 用无埋点和埋点相结合的方式采集下来, 用数据来完整的描述和分析用户的购物历程 其实不论什么线上的业务场景, 我们都希望能够采集到完整的用户行为数据和业务数据, 而且要把用户行为数据和业务数据打通 2 埋点 + 无埋点 的优势 那么为什么需要用无埋点和埋点相结合的方式去采集数据呢? 第一, 无埋点的方法本身效率比较高 实践证明, 无埋点产生的数据指标是 埋点产生的数据指标的 100 倍甚至更多 14

23 用户行为数据分析 第二, 无埋点数据采集成本低,App 发版 / 网站上线, 都不影响数据自动采集 第三, 埋点采集的优势是可以更加详细的描述每个事件的属性, 特别是针对结果数据 用无埋点采集的用户行为数据是用户产生最后结果的 前因 数据, 用埋点采集的业务数据是结果数据, 是 后果 无埋点和埋点相结合的解决方案提高了工作效率, 同时记录了 前因 和 后果 数据, 帮助市场 产品和运营分析获客 转化和留存, 实现用户的快速增长 这是 GrowingIO 总结出来的双模型数据采集和分析方法 : 首先看一下模式 2, 它叫 迭代分析, 基于无埋点全量数据和智能工具, 可以敏捷快速地支持创新迭代 尤其是当我们发布新产品的时候, 我们需要针对产品快速迭代, 这个时候就会产生大量的数据需求 验证产品的好坏, 需要通过指标去衡量 在传统方式中, 我们需要将数据指标的需求提供给工程或者数据部门, 让他们通过埋点的方式获取数据, 就会带来 2 个问题 : 15

24 GrowingIO 实战指南 资源浪费 因为产品的迭代非常之快, 这些指标其实都是一次性的, 但工程部门要投入很多的资源去研发 去做埋点工作 增加沟通成本 研发人员可能会很不理解, 为什么要埋这么多点? 埋这么多点, 你有增长吗? 这个时候如果通过轻量级的无埋点方式, 全量地抓取用户行为数据, 就不需要太多的工程投入 当我们要去做一个注册转化图的时候, 只需要把鼠标移放到想看的指标处, 做一个指标定义, 就能够完成所有的步骤 举个例子, 一个 O2O 平台, 在全国将近一百个城市里都有业务覆盖, 不同的城市由不同的同事负责运营 一般来说, 一个城市做活动是以一个星期为单位去做参照对比的, 需要快速拿到数据去验证不同活动的优劣, 他们的数据部门往往很难支撑如此庞大的数据需求 通过 GrowingIO 全量采集想要监控的数据, 运营的同事不需要数据部门或者工程部门去跑数, 他们自己就可以分析数据 因为这个产品是使用分析的方法去构造的, 在使用过程中会自然而然地形成分析思维 模式 1 是 监控管理, 监控的是偏业务的数据, 比如订单量 每天完成的金额, 这些指标都是可以一直复用的, 而且对准确性的要求非常高 需要我们用 埋点 的方式去做, 并进行长期监控 模式 1 和模式 2 之间是流动的, 采用无埋点和埋点结合的方式, 可以节省研发投入, 帮助我们快速地获取想要的数据, 去做监控 当我们的产品不断迭代开发, 达到一个稳定阶段的时候, 就可以用埋点方式获取一些相对固定的指标, 通过这种不断的循环去做接下来的迭代和开发 16

25 用户行为数据分析 3. 如何搭建数据指标体系? 当我们的业务出现数据异常时, 因为数据很多, 往往会一遍遍地从这些数据中去寻找可以定位原因的相关指标, 这不仅会浪费很多时间, 还会使人心疲力竭 大部分成长型公司缺少体系化的监控, 每天看数据的有多少? 在日常工作中需要监控多少个运营指标? 解决上述问题的思路是给公司搭建一套基于业务的数据监控体系, 数据监控环节离不开一个核心概念 指标 指标 是一种度量, 它用于追踪和评估商业进程的状态, 确保项目务在正确的轨道上运营, 同时验证方法论, 不断地学习 指标监控体系最大的价值就是帮助大家高效利用时间, 把时间花在解决问题上, 而不是寻找问题上, 从而提高团队整体的人效 3.1 OSM 模型的定义 对于一个具体的业务场景, 我们如何去选择正确的指标? 这里我们推荐 OSM 模型, 它可以提供一套系统的思路 ; 即便是新人, 也能够很快上手 什么是 OSM 模型? O 代表业务目标 (Object) 如果你是公司的负责人, 想一想公司的核心目标是什么, 可能是公司今年的利润额 如果你是产品部门负责人, 那你需要思考未来几年的产品规划 S 代表业务策略 (Strategy) 为了达成这个目标, 我们所要采取的策略 M 代表业务度量 (Measure) 它用于衡量我们的策略是否有效, 反映目 标的达成情况 业务度量 涉及到以下两个概念 : 一个是 KPI, 用来直 17

26 GrowingIO 实战指南 接衡量策略的有效性 ; 一个是 Target, 是预先给出的值, 用来判断是否达到预期 指标的选取是很核心的一步 如果我们选择了正确的指标, 它就像一个晴雨表, 能很好地衡量业务的健康状况 如果我们选择了一个错误的或者是虚荣的指标, 它可能会把我们引导到一个错误的路径上去, 这是一个很大的陷阱 3.2 OSM 模型的案例 下面我以 非标住宿 平台为例分享一下, 如何去选取正确的指标 ; 或者 说, 负责搜索功能的产品经理如何利用 OSM 模型搭建数据监控指标体 系 非标住宿有个特点, 就是产品个性化 比如说我们住宿的时候选择情侣房等 个性化住房, 其数量是有限的, 同一个风格的房源一般不会超过 5 间 18

27 用户行为数据分析 从发起搜索到搜索结果页, 再到产品详情页, 最后填写订单 预订成功, 这是该非标住宿搜索预订的完整路径 在这整个业务流程中, 我们该如何搭建数据监控体系, 通过数据分析指导业务增长呢? 1 指标衡量的是什么? 在这个例子中, 选定目标运用了 2 种视角 : 第一种, 用户视角, 让用户通过搜索高效地找到心仪的住宿产品 第二种, 业务视角, 提高从搜索到最后成功下单的转化率 为了提高这个转化率, 我们会采取什么样的策略呢? 第一, 返回与用户搜索值相匹配的搜索结果 第二, 提供有效的搜索结果排序 对于非标类产品, 我们需要思考怎样把用户感兴趣的产品放在第一屏或者前三位, 能够让用户一眼就看到他想搜索的产品 第三, 当搜索没有结果或者结果不足时, 我们就要做有效的推荐 2 如何有效衡量 什么? 第一步, 选择合适的 OSM 指标度量 针对从搜索到下单的整个流程, 可以拆解 2 个 KPI 指标 KPI 1 是搜索到详情页的转化率, 我们设置的 Target 是 30% 在这一步, 用户通过搜索得出想要的结果, 才会点击产品的详情页 KPI 2 是详情页到下单的转化率,Target 也是 30% 在这一步, 如果用户看的产品详情页是符合心意的, 才可能会产生订购, 达到最后的预定成功 第二步, 注意结果性指标和过程性指标 19

28 GrowingIO 实战指南 结果性指标, 就比如电商场景下的 GMV 或订单量, 它通常是业务漏斗的底部, 是一个不可更改的 后验性的指标 过程性指标, 可以简单理解为到达这个结果之前经过的路径, 以及通过这个路径去衡量转化好坏的过程, 它是可干预的, 而且通常是 用户行为 3 如何衡量指标的好坏? 我们需要设定 Target 来衡量指标的好坏, 这基于我们内部的历史数据和行 业的 benchmark, 其设定原则是 : 要对内部有一定的挑战性, 但又不是遥 不可及的 在这里给大家展示的是一个历史数据, 可以看到, 从开始搜索到商品详情页, 转化率是 23.2%; 从商品详情页到最后预定成功, 转化率是 23.8%, 两者比较接近 这个时候我们选择 30% 作为 Target 是比较合适的 4 如何改善指标的表现? 优化过程指标便可以改善指标的表现 20

29 用户行为数据分析 以刚才的非标住宿为例, 结果性目标是提交订单数量, 每一步的漏斗就是我们的过程指标 把发起搜索到进入详情的转化率, 和商品详情页到下单的转化率目标都设定为 30%, 如果都达成的话, 我们的总转化率就能够达到 9%, 整体的效果比原来的 5.5% 增加了 60% 在衡量刚刚提及的 2 种视角的适用性之前, 我们需要知道如何去确定所负责的业务目标 首先, 分享给大家一个很简单的方法, 就是去问你的领导, 我们今年的目标是什么? 我们的产品要达到一个什么样的东西? 其次, 我们要关注的是长期目标和近期目标, 并让其相辅相成 在选取目标的时候, 我们要注意 4 个原则, 即 DUMB: 切实可行 (Doable) 易于理解 (Understandable) 可干预可管理 (Manageable) 正向的有益的 (Beneficial) 21

30 GrowingIO 实战指南 可以发现, 以用户视角和业务视角出发制定的这两个目标, 是符合 DUMB 原则的 但与此同时, 我们要避免两个误区 : 第一个误区, 过于模糊 这个用户视角的目标就过于模糊, 就像哈 姆雷特一样, 每个人都有自己心仪的一个东西, 它是不可衡量的 第二个误区, 过于保守和激进 如果你选择 20% 或者 50% 的转 化率作为目标, 前者很容易达到, 而后者是近期不必去关注的 我 们选择的业务视角的目标, 就避开了这一误区 3.3 OSM 模型的看板 GrowingIO 有一个看板的功能, 我们可以基于 OSM 模型去搭建我们自己想要的数据看板 这个看板基于我们的目标 策略, 以及衡量这个策略是否可行的策略的标准, 通过它, 我们能够快速定位指标, 并将其以丰富的图表样式呈现出来 猎上网是业内领先的网络猎头平台, 通过 GrowingIO 增长学院的学习, 他们把 OSM 业务度量模型引入到猎上网的数据分析流程中 22

31 用户行为数据分析 所有业务部门向数据中心提交数据报表或分析的需求, 都需要利用模板梳理 需求, 分为目标 策略和衡量指标, 并和数据团队的分析师共同 review 需 求, 达成共识后进行数据分析或开发工作 OSM 的分析思路贯穿了整个数据流程, 连接跨部门的基于业务目标和策略的数据需求交流 结果是, 数据部门大幅提升了数据研发质量和效率 ; 业务部门通过 OSM 流程, 逐步培养了分析思维, 提升了数据的理解和需求提出能力 3.4 数据指标分级体系 指标分级体系更适合我们的 BI 或者分析师, 这里要用到的技能会更高阶一点 这能够帮助公司搭建一套完整的数据指标监控体系, 从而及时发现业绩的升高或降低, 以及产生的原因 数据本身是分层的, 我们在思考指标的时候, 也应该有一个层级的概念, 而不是现阶段关心什么, 我们就放什么 ; 指标分级可以帮助我们更高效的去定位问题, 去验证你的方法论, 无需每次都要思考要去看哪些指标 23

32 GrowingIO 实战指南 1 三个层级 我们会针对不同的指标, 分不同的层级 不一定要拆得太细, 否则层级会过 深, 基本上 3 个层级就能够指导一线的业务人员去做一些动作 1) 一级指标 一级指标必须是全公司都认可的 衡量业绩的核心指标 它可以直接指引公司的战略目标, 衡量公司的业务达成情况, 本质上需要管理层和下级员工的双向理解 认同, 且要易于沟通传达, 比如公司的销售额, 或者社交产品的活跃度 以 GrowingIO 为例, 我们获客的时候, 一级指标就是新的注册用户数 当用户创建看板的数量大于 5 个, 我们会认为这是活跃用户 因为当你接入 SDK 并且搭建了这个图表的时候, 我们才认为你深度体验了 GrowingIO 的功能和产品特性 2) 二级指标 二级指标是一级指标的路径指标 一级指标发生变化的时候, 我们通过查看 二级指标, 能够快速定位问题的原因所在 24

33 用户行为数据分析 比如说, 我们的一级指标是 GMV 和订单数量上升, 那怎样去定二级指标呢? 我们在历史经验的基础上去拆解一级指标, 而能够影响到 GMV 和订单数量上升的, 就是核心二级指标 比如说货品的单价上升, 或者最近做的一些活动 3) 三级指标 三级指标是对二级指标的路径的分析 通过三级指标, 可以高效定位二级指标波动的原因, 这一步也会基于历史经验和拆解 三级指标能够直接执行一线运营的角色和作用 以一级指标 GMV 提升为例, 我们拆解后发现是转化率提升, 那么转化率就是二级指标 接着分平台 25

34 GrowingIO 实战指南 去拆解转化率的时候, 我们发现是 IOS 的客户端转化率有所提升 那为什么安卓没有提升, 是不是 ios 最近做了一些迭代? 是不是它的一个 转化路径比其他端好? 这些思考就能指导业务人员展开行动 2 GrowingIO 指标体系实践 GrowingIO 是一家做数据分析的平台, 是基于用户行为的数据分析产品 我们帮助企业高效获取并分析全面的实时的用户行为数据, 去优化我们的产品体验 实现精细化运营 用数据驱动用户和运营的增长 那我们是如何搭建起自己的一套监控体系的呢? 26

35 用户行为数据分析 我们设立了增长指标 活跃指标和变现指标, 分别对应一级 二级和三级指 标 增长指标 : 新用户的注册量 ; 活跃指标 :DAU, 也就是登陆用户数 变现指标 : 用户从注册到下单, 所完成的订单额或营业额 如果看到一级指标 ( 新的注册用户数 ) 有增长, 我们就要迅速去看一下, 是不是有哪些二级指标做了波动, 便能快速定位一级指标增长的原因 有了二级指标的增长, 再通过三级指标拆解二级指标, 以此类推, 我们便能够解决日常业务中遇到的 70% 的问题 4. 怎么做用户行为数据分析? 27

36 GrowingIO 实战指南 我们常常讲的企业增长模式, 往往以某个业务平台为核心 这其中, 数据和 数据分析, 是不可或缺的环节 通过企业或者平台为目标用户群提供产品或服务, 而用户在使用产品或服务过程中产生的交互 交易, 都可以作为数据采集下来 根据这些数据洞察, 通过分析的手段反推客户的需求, 创造更多符合需求的增值产品和服务, 重新投入用户的使用, 从而形成一个完整的业务闭环 这样的完整业务逻辑, 可以真正意义上驱动业务的增长 4.1 数据分析两大思路 面对海量的数据, 很多人都不知道从如何准备 如何开展, 如何得出结论 下面为大家介绍做用户行为数据分析时的两大经典思路, 希望在实际应用中能给大家带来帮助 1 数据分析的基本步骤 28

37 用户行为数据分析 上面我们提到了数据分析与商业结果之间关联的重要性, 所有商业数据分析都应该以业务场景为起始思考点, 以业务决策作为终点 数据分析该先做什么 后做什么? 基于此, 我们提出了商业数据分析流程的五个基本步骤 第一步, 要先挖掘业务含义, 理解数据分析的背景 前提以及想要关联的业务场景结果是什么 第二步, 需要制定分析计划, 如何对场景拆分, 如何推断 第三步, 从分析计划中拆分出需要的数据, 真正落地分析本身 第四步, 从数据结果中, 判断提炼出商务洞察 第五步, 根据数据结果洞察, 最终产出商业决策 举个例子 : 某国内互联网金融理财类网站, 市场部在百度和 hao123 上都有持续的广告投放, 吸引网页端流量 最近内部同事建议尝试投放神马移动搜索渠道获取流量 ; 另外也需要评估是否加入金山网络联盟进行深度广告投放 在这种多渠道的投放场景下, 如何进行深度决策? 我们按照上面商业数据分析流程的五个基本步骤来拆解一下这个问题 第一步 : 挖掘业务含义 首先要了解市场部想优化什么, 并以此为北极星指标去衡量 对于渠道效果 评估, 重要的是业务转化 : 对 P2P 类网站来说, 是否发起 投资理财 29

38 GrowingIO 实战指南 要远重要于 访问用户数量 所以无论是神马移动搜索还是金山渠道, 重点在于如何通过数据手段衡量转化效果 ; 也可以进一步根据转化效果, 优化不同渠道的运营策略 第二步, 制定分析计划 以 投资理财 为核心转化点, 分配一定的预算进行流量测试, 观察对比注册数量及最终转化的效果 接下来可以持续关注这些人重复购买理财产品的次数, 进一步判断渠道质量 第三步, 拆分查询数据 既然分析计划中需要比对渠道流量, 那么我们需要各个渠道追踪流量 落地页停留时间 落地页跳出率 网站访问深度以及订单等类型数据, 进行深入的分析和落地 第四步, 提炼业务洞察 根据数据结果, 比对神马移动搜索和金山网络联盟投放后的效果, 根据流量和转化两个核心 KPI, 观察结果并推测业务含义 如果神马移动搜索效果不好, 可以思考是否产品适合移动端的客户群体 ; 或者仔细观察落地页表现是否有可以优化的内容等, 需找出业务洞察 第五步, 产出商业决策 根据数据洞察, 指引渠道的决策制定 比如停止神马渠道的投放, 继续跟进金山网络联盟进行评估 ; 或优化移动端落地页, 更改用户运营策略等等 以上这些都是商务数据分析拆解和完成推论的基本步骤 在接下来的内容中, 我们都会有这个分析思路 2 内外因素分解法 30

39 用户行为数据分析 在数据分析的过程中, 会有很多因素影响到我们的北极星指标, 那么如何找到这些因素呢? 在此向大家推荐内外因素分解法 内外因素分解法是把问题拆成四部分, 包括内部因素 外部因素 可控和不可控, 然后再一步步解决每一个问题 举个例子 : 某社交招聘类网站, 分为求职者端和企业端 其盈利模式一般是向企业端收费, 其中一个收费方式是购买职位的广告位 业务人员发现, 发布职位 的数量在过去的 6 月中有缓慢下降的趋势 对于这类某一数据指标下降的问题, 可以怎么分析呢? 根据内外因素分解法, 我们可以从四个角度依次去分析可能的影响因素 内部可控因素 : 产品近期上线更新 市场投放渠道变化 产品粘性 新老用户留存问题 核心目标的转化 外部可控因素 : 市场竞争对手近期行为 用户使用习惯的变化 招聘需求随时间的变化 内部不可控因素 : 产品策略 ( 移动端 /PC 端 ) 公司整体战略 公司客户群定位 ( 比如只做医疗行业招聘 ) 外部不可控因素 : 互联网招聘行业趋势 整体经济形势 季节性变化 31

40 GrowingIO 实战指南 有了内外因素分解法, 我们就可以较为全面地分析数据指标, 避免可能遗失 的影响因素并且对症下药 4.2 数据分析的 8 种方法 上面两个经典分析思路, 可以帮你搭建一个清晰的数据分析思路框架 那么对于具体的业务场景问题, 我们又该怎么办呢? 我们以一个电子商务网站为例, 用数据分析产品 GrowingIO 对该网站进行快速地数据采集 清晰和可视化展示, 然后给大家分享这 8 种常见的数据分析方法 1 数字和趋势 看数字 看趋势是最基础展示数据信息的方式 在数据分析中, 我们可以通过直观的数字或趋势图表, 迅速了解例如市场的走势 订单的数量 业绩完成的情况等等, 从而直观地吸收数据信息, 这有助于决策的准确性和实时性 对于电子商务网站, 流量是非常重要的指标 上图中, 我们将网站的访问用户量 (UV) 和页面浏览量 (PV) 等指标汇聚到统一的数据看板 (Dashboard), 并且实时更新 这样的一个数据看板, 核心数字和趋势一目了然 32

41 用户行为数据分析 2 维度分解 当单一的数字或趋势过于宏观时, 我们需要通过不同的维度对于数据进行分 解, 以获取更加精细的数据洞察 在选择维度时, 需要仔细思考其对于分析 结果的影响 举个例子, 当监测到网站流量异常时, 可以通过拆分地区 访问来源 设备 浏览器等等维度, 发现问题所在 图中, 当天网站的访问用户量显著高于上周, 这是什么原因呢? 当我们按照访问来源对流量进行维度拆分时, 不难发现直接访问来源的访问量有非常大的提升, 这样就进一步把问题聚焦了 3 用户分群 针对符合某种特定行为或背景信息的用户, 进行归类处理, 是我们常常讲到的用户分群 (segmentation ) 的手段 我们也可以通过提炼某一群用户的特定信息, 创建该群体用户的画像 例如访问购物网站 寄送地址在北京的用户, 可以被归类为 北京 用户群体 而针对 北京 用户群体, 我们 33

42 GrowingIO 实战指南 可以进一步观察他们购买产品的频度 类别 时间, 这样我们就创建出该用 户群体的画像 在数据分析中, 我们往往针对特定行为 特定背景的用户进行有针对性的用户运营和产品优化, 效果会更加明显 上图中, 我们通过 GrowingIO 的用户分群功能将一次促销活动中支付失败的用户挑选出来, 然后推送相应的优惠券 这样精准的营销推广, 可以大幅度提高用户支付的意愿和销售金额 4 转化漏斗 绝大部分商业变现的流程, 都可以归纳为漏斗 漏斗分析是我们最常见的数据分析手段之一, 无论是注册转化漏斗, 还是电商下单的漏斗 通过漏斗分析可以从先到后还原用户转化的路径, 分析每一个转化节点的效率 其中, 我们往往关注三个要点 : 第一, 从开始到结尾, 整体的转化效率是多少? 34

43 用户行为数据分析 第二, 每一步的转化率是多少? 第三, 哪一步流失最多, 原因在什么地方? 流失的用户符合哪些特征? 上图中注册流程分为 3 个步骤, 总体转化率为 45.5%; 也就是说有 1000 个用户来到注册页面, 其中 455 个成功完成了注册 但是我们不难发现第二步的转化率是 56.8%, 显著低于第一步 89.3% 和第三步转化率 89.7%, 可以推测第二步注册流程存在问题 显而易见第二步的提升空间是最大的, 投入回报比肯定不低 ; 如果要提高注册转化率, 我们应该优先解决第二步 5 行为轨迹 关注行为轨迹, 是为了真实了解用户行为 数据指标本身往往只是真实情况的抽象, 例如, 网站分析如果只看访问用户量 (UV) 和页面访问量 (PV) 这类指标, 断然无法全面理解用户如何使用你的产品 通过大数据手段, 还原用户的行为轨迹, 有助于增长团队关注用户的实际体验 发现具体问题, 根据用户使用习惯设计产品 投放内容 35

44 GrowingIO 实战指南 上图中展示了一位用户在某电商网站上的详细行为轨迹, 从官网到落地页, 再到商品详情页, 最后又回到官网首页 网站购买转化率低, 以往的业务数据无法告诉你具体的原因 ; 通过分析上面的用户行为轨迹, 可以发现一些产品和运营的问题 ( 比如是不是商品不匹配等等 ), 从而为决策提供依据 6 留存分析 在人口红利逐渐消褪的时代, 留住一个老用户的成本要远远低于获取一个新用户 每一款产品, 每一项服务, 都应该核心关注用户的留存, 确保做实每一个客户 我们可以通过数据分析理解留存情况, 也可以通过分析用户行为或行为组与回访之间的关联, 找到提升留存的方法 在 LinkedIn, 增长团队通过数据发现, 如果新用户进来后添加 5 个以上的联系人 ( 上图红色线条 ), 那么他 / 她在 LinkedIn 上留存要远远高于那些没有添加联系人 ( 上图绿色和紫色的线条 ) 的留存 这样, 添加联系人称为 LinkedIn 留存新用户的最核心手段之一 36

45 用户行为数据分析 除了需要关注整体用户的留存情况之外, 市场团队可以关注各个渠道获取用户的留存度, 或各类内容吸引来的注册用户回访率, 产品团队关注每一个新功能对于用户的回访的影响等等, 这些都是常见的留存分析场景 7 A/B 测试 A/B 测试用来对比不同产品设计 / 算法对结果的影响 产品在上线过程中 经常会使用 A/B 测试来测试不同产品或者功能设计的效果, 市场和运营可 以通过 A/B 测试来完成不同渠道 内容 广告创意的效果评估 举个例子, 我们设计了两种不同的产品交互形式, 通过比较实验组 (A 组 ) 和对照组 (B 组 ) 的访问时长和页面浏览量两个衡量指标, 来评估哪一种交互形式更佳 37

46 GrowingIO 实战指南 要进行 A/B 测试有两个必备因素 : 第一, 有足够的时间进行测试 ; 第二, 数据量和数据密度较高 因为当产品流量不够大的时候, 做 A/B 测试得到统计结果是很难的 而像 LinkedIn 这样大体量的公司, 每天可以同时进行上千个 A/B 测试 所以 A/B 测试往往在公司数据规模较大时使用会更加精准, 更快得到统计的结果 8 数学建模 当一个商业目标与多种行为 画像等信息有关联性时, 我们通常会使用数学建模 数据挖掘的手段进行建模, 预测该商业结果的产生 作为一家 SaaS 企业, 当我们需要预测判断客户的流失时, 可以通过用户的行为数据 公司信息 用户画像等数据建立流失模型 利用统计学的方式进行一些组合和权重计算, 从而得知用户满足哪些行为之后流失的可能性会更高 当然, 仅仅掌握单纯的理论还远远不够, 实践出真知 大家不妨在自己日常工作中, 在有分析相关项目里尝试使用, 相信可以事半功倍, 创造更多商业价值 38

47 用户行为数据分析 第二章 增长前传 : 数据驱动增长的基础 本章介绍数据驱动增长的前提条件, 通过糗事百科 日日煮 HubSpot 三 个案例强调做增长的三个基础 : 数据 产品和商业模式基础 本章最后通过 Dropbox 的案例, 深度解读企业如何实现爆发式增长 39

48 GrowingIO 实战指南 5. 数据基础 : 糗事百科如何建立数据信心 1 糗事百科是一个始于 2005 年的产品, 是国内首个专注于搞笑内容的社区 最早是以文字内容为主, 用户在站内发表一些搞笑内容供大家娱乐 这也与当年的互联网环境相关, 在 web 1.0 时代, 大家主要是在 PC 上 在网站上浏览内容 随着网络环境的不断变迁, 从 2G 3G, 再到 4G 这个产品的主战场也逐渐从 PC 端转移到了移动端 内容形式也越来越丰富, 从单纯的文字内容, 逐步出现图片 GIF 动图, 到现在以视频内容为主 这款产品基本见证了中国互联网的整个发展历程 5.1 糗事百科的增长哲学 1 本文作者 : 李威, 糗事百科产品总监 & 算法工程师, 负责糗事百科数据增长及推荐系统 本 文根据 GrowingIO 增长公开课第 31 期分享内容整理编辑, 授权发布 40

49 用户行为数据分析 作为一款生命周期非常长的产品, 我们也很早就开始回归商业本源 简单 说, 就是这款产品要能够 挣到钱 1 用户增长公式 怎样才算挣钱呢? 需要满足 : 平均每个用户创造的价值 获取一个用户的成本 这个 成本 不仅包含推广拉新的成本, 也包括团队 服务器 带宽等运营成本, 最终平摊到每个用户头上 对以上不等式左右两边进行进一步计算分析, 获取一个用户的成本等于总花销除以总的拉新人数 单个用户创造的商业价值等于单个用户每日收入乘以用户平均生命周期活跃天数, 下面对单个用户每日创造的价值进行拆解和计算 用户生命周期活跃天数 ( TAD ) 如何计算? 实际上, 就是把用户从第一天开始每天的留存率进行加和 ; 简单说就是留存 曲线下的面积, 有一点积分的概念 41

50 GrowingIO 实战指南 这个是一条甚至是无限延伸的曲线, 那怎么求和? 通常, 我们选取的一个终止条件就是留存率降到 5% 以下就停止累加 从这里可以看出, 用户平均生命周期是和留存率强正相关的数据 经过一系列运算我们可以得出 : 要提升每天用户创造的价值, 就是要提升用户每日的使用时长 要提升用户生命周期活跃天数, 就是要提升留存 ( 黏性 ) 虽然结论简单, 但这里只是给大家一个示例 在数据驱动时代, 你面对着大量的数据, 只有数学工具才是搞定数据的利器, 请大家习惯用数学的方式分析问题 2 找准产品定位 刚才上面的分析说到 广告展示量 是和 使用时长 ( 内容浏览量 ) 正相 关的 对于我们这类内容型产品 内容浏览量就是用户看多少个帖子 多少 个视频 大致的, 使用时长等于平均内容时长乘以内容浏览量 42

51 用户行为数据分析 抖音和 Youtube 这两个行业翘楚, 他们在内容时长的选择上截然不同, 最 终会造就完全不同的产品形态和商业模式 抖音的视频短 浏览量大, 所以它可以选择每隔几个视频插入一条广告这样的信息流广告形式 Youtube 视频长 浏览量少, 所以主要选择贴片广告形式, 即先播放广告再播放视频 这就是内容选择的差异最终导致商业模式的不同 数据驱动开始前, 我们需要给自己的产品找准一个清晰的定位和发展方向, 以免后续所谓的 数据驱动 驱动错了方向! 那么, 如何找准产品定位呢? 来看下面这个坐标象限图 : 我们把内容的时间长短作为横轴, 产品是偏社区 还是偏阅读作为纵轴 ; 我们把市面上的各类内容型产品放置其中, 圆圈的大 小代表产品体量 43

52 GrowingIO 实战指南 可以看到 : 左上角是偏社区的短内容, 比如抖音 快手 ; 左下角是偏阅读的短内容, 比如今日头条 西瓜视频 ; 右下角是偏长内容的阅读, 比如腾讯视频 爱奇艺视频 ; 右上角是偏长视频的社区, 这种比较少, 因为长视频天然不利于社区 ; 但自从有了弹幕, 长视频也可以有点社区的感觉, 比如 B 站 糗事百科位于上面的红色圆圈, 是个强社区型的产品 ; 自从视频开始成为主流之后, 大概内容的长度是在 0-5 分钟范围 糗事百科会始终定位于一个强社区型产品, 但是在内容时长方面, 我们需要根据具体的商业模式 整个内容生态以及市场环境进行调整 要学会利用象限图找准自己所处的位置, 以及发展方向 象限的横纵坐标可以依据情况选取 : 比如这里就可以改成视频的创作者更偏草根, 还是专业制作 ; 或者是专注于某个垂直领域, 还是包罗万象 44

53 用户行为数据分析 5.2 数据驱动的基石 : 数据信心 找准产品定位 理清用户增长公式后, 我们如何用数据来驱动产品增长? 1 常见数据问题 在进行数据驱动的过程中, 大家是否碰到过下面类似的数据问题 : 基本上, 如果大家都对手头的数据抱有怀疑的心态, 那数据驱动就无从谈起了 凡事都从怀疑数据开始的话, 也大大降低了工作效率 所以, 数据驱动的重中之重就是先把数据搞对了, 把数据治理做好! 这里需要强调的是 : 数据正确不代表大家对数据有信心! 希望大家理解这句话 信心这个东西培养起来很慢, 摧毁起来那可是迅速 你的数据都对了, 不代表大家信任 如果你的团队建立了对数据的信心和信任, 我敢夸张的说 : 拿到想要的数据 + 数据正确 + 数据信心 = 60% 的数据驱动 我们来理一下数据容易出错的原因 : 45

54 GrowingIO 实战指南 对于传统的产品经理而言, 数据往往被称为统计需求, 没有功能重要, 因此会被放到需求模板的最后面 实际需求开发的时候, 如果时间不够用, 往往首先牺牲的就是统计需求 对于开发者而言, 他们往往非常在意需求的技术含量, 希望以此提升自己的能力 而数据埋点上报之类的都是极为繁琐而又缺乏技术含量的工作, 不受开发者待见 对于数据需求的测试而言, 数据看不见摸不着, 逻辑不清晰 如果没有好的工具, 这对测试者的要求很高 更重要的是, 一旦放松警惕, 数据在后续的开发中极易被改错, 而测试者完全无法察觉 上述这些困难, 会直接导致我们逐步陷入数据恶化的深渊 2 如何建立数据信心 那么如何建立数据信心呢? 首先, 你数据别总错是吧, 错的多了谈何信任, 这一点我们后面来说 如果 有一些细节出错不可避免, 那一定要找到问题解释清楚 46

55 用户行为数据分析 我和数据产品经理一再强调, 一旦别人发现某个数据有问题, 你查清楚问题之后一定要跟人家解释清楚 这个数据为什么错? 错在哪里? 能不能修复? 能修复的话什么时候能好? 不能修复的话要怎么办, 有什么替代方案? 绝对不能说 : 哦, 这个数据的确有问题, 我们来修, 后面就没有下文了, 或者只是简单告知人家这个数已经修好了 要让别人非常清晰的认识到, 即使数据有错, 情况也完全是在我们掌控之中, 态度决定信任! 下面我会从三个视角, 技术 + 团队 + 业务, 给大家介绍分享一下如何解决数据信心问题 1) 技术视角 关于数据采集,GrowingIO 提供了 埋点 + 无埋点 的双模式数据采集方案, 能够极大地简化我们的数据采集工作量 这里插入讨论一个问题, 关于埋点和无埋点 ; 埋点和无埋点各自有自己的优缺点, 我们在使用的时候需要特别注意 对于核心数据最好一定要埋点, 好处在于你可以清晰的知道你采集的到底是 什么数据, 开发的埋点代码也明确的出现在相关功能所处的代码段中, 误操 47

56 GrowingIO 实战指南 作的概率相对较低 当然埋点的缺点就在于要事先规划并开发, 比较耗时耗 力 无法快速看到结果 也无法回溯 无埋点主要用于探索性的分析 数据的补充 数据相互印证 特定问题排查 等场景 无埋点的数据一旦认定很有价值, 最好就转为埋点数据, 并增加更 多的事件变量以便后续分析可以拆解更多的维度 2) 团队视角 我们再从团队的角度来看一下数据驱动这个问题 互联网行业团队经常会有这么几个角色 : 产品, 运营, 开发, 设计, 测试, 商务 实际上这些角色中很难有一个角色对数据完全负责 举个例子, 对于糗事百科而言, 用户观看视频时长 是一个重要的指标, 所以我们需要埋点采集这个数据 开发完成开发, 产品经理体验合格, 依照用例完成测试, 所有的流程都保障了这个数据 99.9% 都是正确的 但数据全量上线之后, 我们发现了一个奇怪的问题 这是一个用户观看单个视频平均时长的数据, 之所以有这么多条曲线, 是因 为我把全量用户随机地平均分成了 16 组, 这是 A/B 测试中经常用到的操 48

57 用户行为数据分析 作 可以发现总会有一些组突然比其它组高出一截 经过细致排查, 我们发现采集的用户观看视频时长数据里面, 有大概万分之一的错误数据 通常这么少的脏数据不会对统计分析造成太大影响, 但是这次情况有所不同 我们的用户观看一个视频的时长通常不会超过几百秒, 而这些错误的数据每个都是几万 十万, 甚至几十万秒 虽然数量极少, 却能影响最终的平均数, 对我们的数据分析产生严重干扰 右图是我们最终修复这个问题之后, 用户观看单个视频平均时长的数据, 这样看就正常多了, 每个组的表现基本都是一致的了 为了达成数据驱动这个目标, 我们需要有一个能掌控数据并为之负责的团队 从最小可用的角度出发, 我建议可以从增加一个数据产品经理开始, 而不是一开始就搭建一整套数据团队 尤其不建议这个数据团队游离于产品研发团队以外, 变成类似于运维这样的一个支撑团队 这个角色需要完成以下工作 : 数据规划 ( 找到并拆解北极星指标 ) 数据实施 ( 圈选或埋点 ) 49

58 GrowingIO 实战指南 数据维护 ( 尽快发现 解决问题 ) 另外, 在研发流程中也要相应加入数据相关的节点 比如数据需求测试时是否要加入大量数据上报之后的宏观数值测试, 等等 同时, 这个角色需要对团队其他成员输出数据, 对不善于利用数据的成员进行培训和监督 培训, 指的是帮助成员筛选 解读想要的数据, 成员碰到数据问题也可以来主动咨询 监督, 是指促使产品或运营完善需求, 需求需要强调需求目的, 保障需求文档包含验证需求目标的实验环节 3) 业务视角 我们一直在思考 : 关于数据增长和数据分析, 是否有一些行之有效的方法 论, 能让一个小白迅速成长为数据分析能手? 我的理解是 : 方法论的确可以总结归纳, 但真正操作起来跟经验, 跟对产品的理解有很大关系 甚至很多时候你所处的岗位无法做到对产品拥有全局掌控, 你并不清楚每天发生在这个产品上的每件事情, 都会严重干扰你对数据的分析 50

59 用户行为数据分析 有一次, 我们在 GrowingIO 上的内容分享数据和后端统计平台上的数据有差异 原因是两者在统计逻辑上有差异, 后端的统计逻辑是包含 图片分享 的, 而 GrowingIO 上的统计只含 帖子分享 虽然我们的数据产品经理具备了完整的数据分析方法论, 但由于刚入职, 不清楚分享实际包含 帖子分享 和 图片分享, 始终没把思路往正确的方向想, 花费了大量的时间去分析这一问题 所以可能数据分析方法论可以有, 但是很多时候你会发现问题 解决问题的根本还在于你对的行业经验以及对产品本身深刻的理解 5.3 基于 A/B 测试的数据驱动 不做 A/B 测试的时候, 通常我们会通过数据前后对比来验证效果, 那这样 到底科不科学呢? 1 A/B 测试是科学的验证方法 举个极端的例子, 下面这张图是我们没有做 A/B 测试, 试图通过上线前后 的数据对比, 验证某一个功能是否会对数据产生积极影响 51

60 GrowingIO 实战指南 上线之后几天内, 前后数据没有出现明显变化, 还无法验证到底效果如何, 并且突然出现了一次数据故障, 导致数据下滑, 基本不再可能判断功能上线 之后的效果 那到底怎样的数据验证才是正确的验证方法呢? 答案是采用 A/B 测试 我们再来看另外一个极端的例子, 用了 A/B 测试之后, 即使数据出现故障, 仍然可以看到 B 组的效果是要比 A 组好的 当然也需要强调, 并不是所有的场景都适用 A/B 测试, 比如涉及到产品核心理念和规则的东西 52

61 用户行为数据分析 在交流过程中, 我发现很多同学虽然很认同 A/B 测试, 但真正运用的并不多 大家都反馈做 A/B 测试太耗时耗力 这里就要纠正一个大家的认知误区 : 不要把做 A/B 测试当成需求之外的工作 记住这句最重要的话 : 实验即需求本身 怎么理解这句话呢? 需求在提出的时候就应当是一个实验方案, 包含 : 需求目标, 需求细节, 目标的验证 需求上线, 其实就是通过 A/B 测试控制流量的实验实施 很多团队版本上线会采用灰度发布的策略, 主要目的是为了验证新版本, 及时发现 bug, 避免 bug 影响到更多的用户 那其实本质上已经是一种 A/B 测试的萌芽阶段了 一旦你把需求当成实验来做, 即使产品效果不好, 那也只是说我们验证了一种假设, 它不成立, 从心理上就会好很多 相应的, 由于是流量控制, 开发和测试上线版本时的心理压力也会小很多, 可以先小流量放开, 一旦出现问题, 还可以回滚 2 如何设计 A/B 测试 53

62 GrowingIO 实战指南 本质上就是做两件事情 : 一是控制流量, 二是对不同的实验组采集数据 分析数据 如果你用 GrowingIO, 那 采集数据 分析数据 数据可视化 都是很容易实现的 你需要做的就是在 GrowingIO 上面创建一个访问用户变量, 可以叫做 A/B 测试分组 根据一些规则给每个用户设定一个分组, 在后端控制流量的时候采用同样的规则进行流量切分即可 例如 : 你根据用户 ID 的尾号进行分组, 那么 ID 为 123 的这个用户它的 A/B 测试分组这个访问用户变量的值就是 3 那后端在控制流量的时候, 如果选择 ID 尾号为 3 的用户进入实验, 那么刚才那个 ID 为 123 的用户就被分进了实验组 你在 GrowingIO 上面观察数据的时候, 就可以通过 A/B 测试分组这个访问用户变量进行维度拆分和可视化分析 进行 A/B 测试的时候, 需要注意这些问题 : 控制好变量, 保证实验组和对照组除了需要测试的变量以外尽可能一样 54

63 用户行为数据分析 A/B 测试的效果衡量可能并不是单一指标的 通过多个指标衡量效果的话, 各个指标的权重的分配需要根据产品的定位来决定 A/B 测试的周期时长有限, 这注定了得出的结论是短视的 更注重眼前利益的 3 A/B 测试的统计显著性 我特别想强调的是 统计显著性 的问题 可以简单理解为, 你所做的实验是用一小部分用户的行为模拟总体用户 如果在这一小部分人身上得出结论, 说效果增长 10%, 那是否真的意味着, 在总体上就会上涨 10%? 不一定, 总会有一些波动, 那波动的范围是多大呢? 这就是 置信区间 的概念 总体而言, 参与实验的样本量越大, 波动越小, 得出的结论越可信 而实际中, 我们往往希望用最少量的用户得出是好是坏的结论, 甚至在某些 场景中我们没有条件增加实验的用户量 这种情况下, 统计显著性的问题就 显的更为重要 55

64 GrowingIO 实战指南 为了提升实验效率, 一些新的 A/B 测试方法也被提出来, 比如 Netflix 的 Interleaving, 就非常适用于我们信息流内容的场景, 这里就不做深入介绍 了 5.4 糗事百科 A/B 测试案例 一开始我们介绍到, 对于糗事百科而言, 提升用户价值的重要方式是提升用 户每天的活跃度和留存率 下面我和大家分享一个糗事百科推荐系统 A/B 测试的案例, 来看看如何用数据驱动产品增长 这是通过 GrowingIO 进行的数据采集 可视化和分析 我们把访问用户分为 16 个组, 通过 A/B 测试分组 这个访问用户变量字段来区分 ; 通过给实验组和对照组分发不同的内容, 观察用户 App 平均使用时长的变化 0 组 ( 蓝色 ) 是实验组,0 组实验组上线后, 用户 App 平均使用时长具有很大的提升 ; 但是过了一段时间, 数据在不断减弱 那么,0 组数据下降 56

65 用户行为数据分析 是特殊情况还是全局原因呢? 我们紧接着上线了 12 组和 10 组, 发现数据也是有上涨, 但是过了一段时间也慢慢下降了 如果这个时候你只掌握了数据分析的能力, 那你可能很难继续进行下去, 除非你对推荐系统的实现有一定了解 我们分析的结论是, 可能是我们给用户推荐的内容各个品类内容量不足, 用户喜欢的内容看完后就没有更多的该品类的内容了, 导致吸引力 活跃度就逐步下降了 所以, 后面我们增加了推荐内容的各品类内容的条数, 发现 0 组 10 组 12 组三个实验组的数据的确又上去了 由此验证了我们的猜想 虽然经过一段时间的消耗, 发现数据又会有所下降 ; 但是, 总体上实验组的数据远远高于对照组 最后, 说一下我们最近一年以来数据驱动的成效吧 总体而言, 经过一年多 的试验 迭代和优化, 糗事百科 App 人均使用时长大概有 2.5 倍的增 长, 这是数据驱动给我们带来的切实可见的增长 57

66 GrowingIO 实战指南 6. 产品基础 : 快速找到适合自己的增长策略?2 我是赵征宇, 来自日日煮 我有大概 15 年的产品经历, 早期在 1 号店 百姓网 点融负责产品和增长, 去年加入日日煮 我自己还是摄影师, 所以我一半时间在做产品增长, 一半时间在拍东西, 这大概是我的一个背景 我发现大家做增长都有一些共性的问题, 我总结为三大 不够 : 人永远不够, 时间永远不够, 钱永远不够 我不知道你们做工作的时候, 会不会有这样的感触? 本文想结合我现在的一些工作去分享, 怎么把之前讲的增长内容落地到你们自己的企业 我接触了那么多的人, 发现很多人开始增长之前就已经产生误区了 所以, 本文的主题叫 增长前传 : 如何快速找到适合自己的增长方案? 这是讲增长之前要做的事情, 而不是说你加入一个增长团队马上就要开始做增长了 反而增长往往是相对容易的, 但是你到底往什么方向去增长, 这是一个值得探讨的问题! 6.1 增长误区 很多同学对增长的认知就是开始做用户增长, 我觉得增长的起始点并不在这 里, 而是你研究怎么增长的初期阶段 2 本文作者 : 赵征宇, 日日煮产品战略副总裁 本文根据 GrowingIO 2019 增长大会上海站 演讲内容整理编辑, 授权发布 58

67 用户行为数据分析 我把这种关系定义为认知区和增长区的不同, 今天我分享的就是认知区的内 容 你们有没有关注过自己的数据, 时间拉长到 2-3 年或者更长, 会不会发现类似这样的情况? 你的增长并不是一下子上去的, 如果这样的话很快就成为独角兽了 但是 99% 的企业和团队, 你们的增长可能是这样的, 一个波峰一个波峰地增长 ; 每次增长完了, 很快就会遇到瓶颈 59

68 GrowingIO 实战指南 这个时候, 你需要去重新认知 分析下一步怎么去做 这个瓶颈有时候会很长, 很多公司可能一个波谷就再也没有起来了 所以, 我们的团队在认知区大概会做 4 个认知, 去搞清楚我的企业到底该怎么做 接下来的所有东西都会根据日日煮的真实故事改编, 数据经过脱敏处理 6.2 认知行业定位 首先, 认知行业定位 你要搞清楚, 到底为什么增长, 要去哪里 这里我会 推荐两个工具 : 象限法和爬虫 1 为你的北极星找一个角度 如果让你做一个 BP 讲你的公司怎么发展, 一般都会有下面这种图 ; 把你 的对手罗列出来, 呈现在一个多维度象限上 60

69 用户行为数据分析 我自己比较喜欢的维度是丰富度 愉悦度 怎么理解? 像我们做食谱的, 丰富度 顾名思义你的平台里面有多少可以被烹饪的菜谱 愉悦度 表示有多少人看了之后觉得能做 喜欢做 会一直做 我们可以把市场上很多产品变成一个小点点, 放在这个象限里面, 圈圈大小代表每款产品的用户数量 在这里, 你第一步要想的是 : 你的企业未来想成为什么样的一家公司? 到底是成为一家用户体量很大 但质量并不一定 OK 的公司, 还是成为一家把事情做精的公司? 这是用户增长所要考虑的第一个认知 但这个时候你可能会无从下手, 往往我们会选一个不存在的选项 我们可能会想着去突破, 我们既要做丰富度又要做愉悦度 ; 因为这件事情没有人做, 我们会去研究值不值得做 如果值得做, 是不是做出之后, 会不会有更大的用户量 2 爬虫是一个帮助你了解世界的好帮手 爬虫是干什么的? 61

70 GrowingIO 实战指南 我用偏电商的两个维度, 销售和价格, 去替换刚才的丰富度和愉悦度 我们 去爬竞品上所有的公开信息, 并且把它结构化, 我们每天去分析每天这些点 的变化 ( 不要在意图中的数据, 均已处理过, 不代表任何现实产品 ) 如果这是一个点上, 你会发现这家企业有很多低价, 但是冲销量的产品 你可能是价格高一点, 但是销量很低, 你们销售额肯定在一个量级 所以, 你不停去看这些数据以后, 发现你们两家的业务模式是不一样的 很明显, 一家冲低价商品, 一家做高 通过这些爬虫的工具, 可以帮助你做上面那张图你应该做的事情, 因为你不知道对方质量是多少, 所以爬虫可以帮你做这件事情 而且分析出来的象限会非常客观 6.3 认知用户诉求 有了刚刚象限里面的东西, 你肯定要决定往哪里走 这半年我感受非常深 刻, 对于用户理解这件事情, 基本上分为两种 用户主动告诉你, 想让你给他提供什么服务 62

71 用户行为数据分析 用户给你看他在干什么, 往往是数据分析, 你会看到用户希望你给他提供什 么样的服务 1 产品问答模块 我们先讲讲用户怎么说, 他有什么诉求, 接下去全是实际案例, 我觉得相当 实用 今年年初我们上了一个功能, 大家打开日日煮发现第二屏永远有这样一个问答, 问你希望日日煮下一步提供什么样的功能 只要是登录用户, 点一下马上可以投票 装上你的 APP 并且每天都会来的用户一定是你的是死忠粉, 他们的回答往往是你最想要的回答 大家知道日日煮有近万的高质量视频食谱, 这些食谱不是平白无故去拍的, 每一个食谱都有对佐料 食材 配料的充分调研 这周到底要拍哪几个食谱, 拍之前我们还会再做一次调研 我们没有做之前, 大概知道哪些菜会受人喜欢, 哪些菜不会 所以大家提高了我们去拍一个食谱的成功率, 这是今天第一个想推荐给大家的一个实际案例, 强烈推荐大家使用 63

72 GrowingIO 实战指南 这是过去 2 个月我们每个问题的回答总量, 你发现回答总量是不一样的, 所以这个数据从另外一个维度告诉你, 用户对你提出的什么样的问题感兴趣 这里有一个回答量很低的问题, 大家可以猜猜我们问了什么 日日煮要去团建了, 应该干嘛? 完全无关, 你可以看到回答量很低 大家可以再猜猜, 回答量高的是什么? 都是菜 所以你通过这个回答总量, 也知道你的用户到底具体想看看什么, 这是我们所说的用户告诉你 这比你去全网发问卷, 问一些你都把握不住的问题要高效的多 第二个手段就是拉微信群, 也是做内容的公司特别强调的手段 我们大概会按照 DAU 2%-5% 的比例把部分用户拉到微信群, 操作比较简 单, 无非是一些基本的管理 我相信在座大部分同学都有在做, 但一定要 拉 64

73 用户行为数据分析 拉群干什么? 第一, 一些好的活动在群里面传播, 这样加群的人会觉得有一定的信息 第二, 我们还有一些测试版的功能, 群里的人会用, 把槽点直接吐槽给我们 我们的群非常活跃, 每天有不同人在里面提问题, 甚至怎么做做菜, 我们都会回答他们 因为对内容平台来说, 用户的忠诚度是非常重要的 2 应用市场差评 你们看不看自己在应用市场的差评? 我只看差评, 因为现在好评没法看 其实我们更喜欢看对手的差评, 刚刚上面的问卷数据你自己是有杆称的, 知 道自己哪里做得不好 如果有一个体量跟你相当的对手, 你知道他哪里做得 不好, 绝对是一个短时期弯道超车的机会 65

74 GrowingIO 实战指南 基本上, 我自己每周至少会看一次我们竞品的一些差评, 当然自己的也要去看 很可怕, 我有看到过一个竞品, 最近两个月没有一个差评 这时候作为产品经理是压力最大的时候, 因为你有差评, 人家没有差评, 而且人家用户规模非常大, 这说明他的产品真的有可取之处 这个时候这个对手在我的 Action list 里面优先级一定是很高的, 他在做什么 版本更新了什么, 一定是你要非常小心的 摇一摇反馈的第三方服务, 你们用过吗? 相信你们在微博很多地方会收到差评, 用户说视频点不了 这时候产品经理帮不上忙, 因为你不知道他的手机号, 没法联系他 联系上了, 他说又好了 这种情况肯定遇到过, 摇一摇可以很好解决这个问题 我们在用户装了 App 以后, 会在合适的时机告诉他, 你可以摇一摇联系我们 66

75 用户行为数据分析 最重要的是用户摇完之后, 联系我们的时候, 他装的哪个版本 什么操作系统 当时是什么网络 什么分辨率 网速多少等等, 都呈现出来 比如这个用户希望首页视频不要自动播放 根据网络播放, 然后用户摇一摇联系我们 到底当时是因为 App 问题还是自己环境问题, 这都一目了然, 可以省去很多你们联系用户的时间 6.4 认知下个阶段的目标 前面这些都是用户主动来告诉你他遇到了什么问题, 但是很多用户 言行不一致, 也不是说不善良, 更多是问题描述和表达的问题 这时候我们会做很多数据分析, 主要用到分群和留存率的一些分析方法 1 留存分析找到魔法数字 又要用到象限了, 象限超级好用 ; 因为任何三个维度都能组成一个象限, 可以把你要做的事情分轻重缓急直观地列出来 强调一下, 下图中的数据是打乱的 脱敏的, 大家关注内容就好 67

76 GrowingIO 实战指南 上面坐标轴的纵轴 Y 轴是留存率, 横轴 X 轴是使用人数 顾名思义, 越左上角的功能是用户最喜欢 最高频用的, 但用的人比较少 ; 右下角的功能是用的人很多, 好像用完就走了 你们要知道, App 整体留存率是由不同功能的留存率最后叠加出来的 以前, 大家纠结我要看日留存还是周留存 ; 现在, 你更多要思考是看整个 App 留存还是里面某一功能的留存 这个会让你更加你明白, 你到底在做什么 有些大厂, 一个 App 背后有好几万人在支持, 你让这好几万人只看一个留存率指标显然是不科学的 我们要去找自己该看的, 把核心功能拆解成一个个模块, 用 GrowingIO 帮我们去做数据分析 找到每一个功能模块的留存率 这只是一个开始, 接下来怎么做? 下面这张图是很常见的分群留存图, 是我自己画的 左边坐标轴代表这个分 群的人数, 右边坐标轴代表这个组的留存率, 横轴是这个功能被使用的频 次 68

77 用户行为数据分析 第一组最近 30 天只看了一次, 第二组最近 30 天看了两次, 第三组最近 30 天看了三次 往下看你会发现, 一定会有一个拐点, 很多用户看到了第几次之后坚持不下去, 这是一个自然现象 在这张图里面,Group 4-5 有明显人数下降 我们再反过来去看这些群组留存率, 怎么样 你发现 Group 5 留存率似乎比 Group 4 的人高了 30% 左右, 留存提升 30% 是很厉害的 这种情况下, 你们会去做什么呢? 很明显,Group 5 跟 Group 4 相比无非就是多用这个功能 1-2 次而已, 可能就差一点点了 例如, 产品上多加一些提示, 或者多用一些召回, 或者把你的算法用的更好一些, 可能很多人就会进入 Group 5 了 从现在数据来看,Group 5 的留存率就会有一个陡增 所以, 作为产品团队这时候很值得去做一些事情, 让更多人进入 Group 5 2 GrowingIO 产品实现方法 大家用过 分布分析 这个功能吗, 很实用 以前我们要做出上面的图需要 导出原始数据, 然后自己来分类整理作图 69

78 GrowingIO 实战指南 分布分析 这个功能出来以后, 我们可以根据左边的事件按照 N 等分分 布, 下面这张图就是我做出来的真实数据 我还发现了一个很好用的功能, 等分以后你选中每一个等分的人群, 点击一下数字就能直接创建分群 我把等分的人群全部创建分群, 然后看每一个分群的留存, 就得到了我最开 始做的图 这样全部做完后, 你就可以找到一个简单的留存增长点 70

79 用户行为数据分析 当你发现好多可以做的事情时, 你就要思考优先级的问题 我们把所有可以提升留存的机会点罗列出来, 按照难度和留存提升率两个维度进行拆解, 然后放在下面的坐标象限上面 当你发现好多可以做的事情时, 你就要思考优先级的问题 我们把所有可以提升留存的机会点罗列出来, 按照难度和留存提升率两个维度进行拆解, 然后放在下面的坐标象限上面 这么多事情, 大家会先做哪一个位置上的事情呢? 我肯定是会优先选择难度 小 提升空间大的点先做, 然后一路往下走, 也就是从第二象限到第四象限 的过程 71

80 GrowingIO 实战指南 和大家分享一下我们的真实数据, 大概 12 周的时间我们把自己的 App 留 存率提升了 1.7 倍, 现在还在往上走 所以, 我敢拿出来跟大家分享, 基 本上用的是刚刚我讲到的那些套路 6.5 认知用户构成 完成前面一二三步后, 最后一步, 你要知道到底有没有成功 你们会怎么看 数据呢? 我自己比较喜欢继续用象限, 看粉丝的分群 这个图也不难, 一般我们会看用户跟我们的关系, 主要是两种利益关系 : 他在我这边花了多少钱 (Money Spent); 他在我这边花了多少时间 (Time Spent) 72

81 用户行为数据分析 既愿意在你这边花钱有愿意在你这里花时间的, 一定是最棒的用户 不愿意花钱又不愿意花时间, 但是他来了, 是你未来的潜力 很愿意花钱但是没时间, 挺有钱的 很愿意花时间但是没钱, 这是大部分 App 重要用户所在的起点, 叫忠实粉丝 忠实粉丝一直很喜欢你, 总有一天你要从那口带里掏一点钱, 大概就是这样一个过程 我们一直都在看这张图, 看最近几周用户比例怎么在变化, 因为什么功能而发生了变化 最后我们刚刚做的所有事情, 一定会让自己的用户比例发生极大地变化 提高留存到底是什么意思, 说到底就是超级用户所占的比例在增加 总结一下我们上面讲的, 再开始做增长之前该怎么去认知 我总结的方法论 基本是这四步 : 你要搞清楚哪个角度去增长 ; 问问用户需要什么 ; 看看用户怎么做 ; 最后看看用户是不是真的那么做的 73

82 GrowingIO 实战指南 Sean Ellis 增长黑客 这本书大家看过吗? 书里面有一个调研很有意思, 叫做产品的不可或缺性调研 如果这个产品明天没法用了, 你的用户会怎么来回答你? 用户到底是说, 我好失望啊, 还是说有点失望, 还是说无所谓, 还是说早就不用了 你们有没有调研这个问题? 我们有调研过, 很刺激 那个调研上线了以后, 数据不行你要下线掉的 最后我们没有下掉, 因为我们做到了 Sean Ellis 说如果有 40% 甚至更多的用户说他会很失望, 说明你的产品已经具备了一定行业里的不可获缺性 这个时候再去做增长, 比你之前去做增长会爽很多, 而且流失率很低, 用户数量和活跃度会一直往上走 7. 商业模式基础 : 四大要素缺一不可 3 Brian K Balfour 于 2014 年 1 月加入 HubSpot4, 当时 HubSpot 的 目标非常清晰 : 第一, 给一个价值一亿美元的全新业务奠定基础 ; 第二, 通 过免费增值模式 线上营销的方法来完成这个目标 3 本文选自前 HubSpot 增长副总裁 Brian K Balfour 的博客文章, 由数据分析公司 GrowingIO 翻译和编辑 原文链接 : 4 HubSpot 是一家提供 CRM Free / Marketing Hub / Sales Hub 等系列软件产品的美国公司, 他们帮助企业吸引访客 转化销售线索 培育付费客户 HubSpot 于 2014 年 10 月在纳斯达克上市,2016 年全年营收达到 2.71 亿美元 74

83 用户行为数据分析 这个过程异常曲折, 但是也积累了很多经验和教训, 作者把它总结为下面这 个四要素匹配框架, 希望给大家一些启发 5 这个框架由市场 (Market) 产品(Product) 渠道(Channel) 和商业模式 (Model) 四大关键要素组成, 各要素之间相互匹配是企业增长的基石 在接下来的文章里, 我会给大家依次介绍市场 / 产品匹配 产品 / 渠道匹配 渠道 / 商业模式匹配以及商业模式 / 市场匹配, 看看一个真实的增长过程是怎们样的 5 免责声明 作者已经从 HubSpot 离职, 不清楚现在的数据 这篇文章没有任何内容应 该被视为 HubSpot 的营收数据和官方声明, 仅仅是作者在这个产品增长过程中 (2014 年 年 ) 的个人感悟 如果你想了解 HubSpot 的任何数据或官方声明, 请阅读 HubSpot 的公开季度报告 75

84 GrowingIO 实战指南 7.1 第一阶段 : 起步 - 市场 / 产品匹配 通往 1 亿美元的道路不是从产品开始的, 这就是我为什么不认可 产品 / 市场匹配 这个概念的原因 从产品开始, 就像把车放在马的前面 你是先开始有一个解决方案, 然后尝试着把解决方案和用户需要解决的问题对应起来 我们需要做反过来的事情 先从市场开始, 然后再看产品 你公司存在的问题在于你的市场和目标受众的需求, 而不是您的产品 Christopher O'Donnell,Dan Wolchonok 和其他几个工程师完成了这项起步工作, 并构建了 HubSpot Sales( 当时被称为 Signals ) 的第一个版本 当时我们团队才 7 个人, 产品大概有 2,000 个周活跃用户 (WAU), 月度经常性收入 (MRR) 可能有几千美元 在 HubSpot 的头两周, 我花了无数小时的时间和客户沟通, 希望把我们假定的市场和目标用户定义得更加具体一些 我们构建了详细的用户画像, 但是主要的还是确定了这四个东西 : 产品类别 (Category): 什么类别的产品会打动你的客户? 目标用户 (Who): 该类别产品的目标用户是谁? 一个产品类别通常 会对应多类目标用户画像, 所以还需要做进一步细分 问题 (Problems): 你的目标用户与你的产品类别有什么关系? 动机 (Motivations): 这些问题背后隐藏的动机是什么? 为什么这些 问题对您的目标用户很重要 对于 HubSpot Sales 产品的第一版来说, 上面四个问题的答案是这样的 产品类别 (Category): 销售软件 76

85 用户行为数据分析 目标用户 (Who): 销售人员, 也包括两种更细分的类别 : 电话销售 和销售代表 问题 (Problems): 不知道客户或潜在客户在哪里 动机 (Motivations): 有两个 钱, 了解潜在客户优先级和销售进度, 以便更好的成单 消除不确定性, 目标用户生命周期内总是充满了不确定性, 消除不确定性对于成单大有帮助 在确定了市场 4 个关键要素的基础上, 我们定义了对应的产品 4 个关键领域的假设 核心价值定位 (Core Value Prop): 产品的核心价值定位是什么? 它又如何解决我们的核心痛点问题? 上手引导 (HOOK): 如何用最简单的解释将产品核心价值传递给用户? 感知价值需要的时间 (Time To Value): 如何尽快地让目标用户体验到产品的核心价值? 黏度 (Stickiness): 用户如何才会持续使用我们的产品? 产品的自然留存机制是怎么样的? 我们产品的第一个版本非常简单 : 它就是一个 Chrome 扩展程序 / 插件, 只需要点击一下复选框, 就可以追踪自己发出的电子邮件, 并在用户打开和点击邮件的时候收到及时提醒 这个免费版本可以获得几百条提醒, 如果你支付 10 美元的话就可以获取无数量限制的提醒 这个时候, 我们的市场 / 产品匹配的假定如下图所示 77

86 GrowingIO 实战指南 但是不能因为我们有了假定, 就能证明我们达到了市场 / 产品匹配 市场 / 产 品匹配的最佳表现, 就是留存曲线趋于平缓并稳定在一定水平 这表明用户 在一段时间内获得了实际的价值 78

87 用户行为数据分析 幸运的是, 当我们将用户群进一步拆分,HubSpot Sales 产品的用户留存曲线和上图中的蓝色曲线类似 这是一个很好的迹象, 说明我们达到了市场 / 产品匹配 此时, 我们四个关键要素的画布看起来就是下面这样的 我们四个要素中的三个都有了可靠的假设, 但是唯独渠道没有考虑 在每个产品的早期, 我们大部分时间都在检验我们的市场 / 产品匹配的假设, 但是这并不意味着我们可以忽略其他要素 你需要对所有元素进行假设, 这些元素一起发挥作用并相互影响 如果你孤立地看待问题, 就像试图把一个方形的木栓放进一个圆形的洞里面, 永远也匹配不上 这也就是为什么, 我们需要进入第二个阶段, 定义和证明我们的渠道 7.2 第二阶段 : 寻找产品 / 渠道匹配和渠道 / 商业模式匹配 产品 / 渠道匹配是一把双刃剑, 它会加速抑或摧毁你的增长 产品 / 渠道匹配表明 : 产品是为了适应渠道而构建的 因为渠道的规则不是由你来制定的, 渠道是不会来适应产品, 只能产品适应渠道 79

88 GrowingIO 实战指南 我们的产品有以下几个特点 : 1) 迅速让用户体验到产品价值 2) 上手体验非常简单 3) 广泛的价值定位 4) 付费的商业模式 5) 产品的这些特点决定了我们对渠道有两个假定 : 6) 病毒式传播 7) 付费推广 但是, 我们也需要确保这些渠道假定和渠道 / 商业模式匹配一致 正如我以前文章里面写到的 : 每个公司都需要注意两个指标,ARPU( 每个用户平均收入 ) 和 CAC( 用户获取成本 ), 所有的公司都可以放在下面这张图上 左边最远的地方, 这些公司的 ARPU 都很低, 所以 CAC 也要很低才能高效地获取客户 右边的公司,ARPU 很高,CAC 也很高 而中间的公司则是最危险的, 因为如果 ARPU 太高, 就会导致 CAC 低的渠道很难有效果 ;ARPU 太低, 又无法支持 CAC 较高的渠道 80

89 用户行为数据分析 那么 HubSpot 在这张图的那个位置呢? 我们的渠道假设又是否成立呢? 81

90 GrowingIO 实战指南 确实如此 病毒营销渠道更加适合我们的免费产品 ( 没有 ARPU, 用户接受起来也就没有障碍 ) 付费推广渠道更加适合我们 $10 的收费产品, 虽然用户接受起来有一定障碍, 但是较高的 ARPU 完全可以支持我们对渠道的投入 自从提出了这些假设, 我们用接下来几个月的时间来证明这一点, 谢天谢地结果证明我们是正确的 一个高效的 激励性的病毒营销闭环, 再加上我们在 Facebook 上面投放广告, 这两个渠道带来的增长占总体的 70% 我们的周活跃用户数 (WAU) 从 2K 增长到 100 K, 每月的经常性收入也增长很快 7.3 第三阶段 : 重新审视目标受众, 寻找模式 / 市场匹配 事情正在慢慢调整, 增长也越来越顺利 但是还有一个环节我很不放心, 那就是商业模式 / 市场匹配 我们回顾一下, 商业模式 / 市场匹配是这样的 : 每个用户平均收入 (ARPU)X 市场上的总客户数 X 你认为你能搞定的用户的百分比 % 1 亿美元这个式子要回答这样一个问题 : 按照现在每个用户平均收入 (ARPU) 的值, 你的目标市场能否提供足够多的客户让你实现每年 1 亿美元的收入? 市场上的目标销售人员, 除去不适合我们产品的零售人员和外勤销售员, 只剩下 万目标用户 以每个用户平均收入 (ARPU)120 美元计算的话, 我们需要 100 万个付费客户 ( 33%-50% 的市场占有率 ) 才能完成每年 1 亿美元的收入 考虑到免费用户到付费用户的转化率, 我们至少需要 万个免费用户 这些数字对于我们目前的目标市场定位来说, 显然是不合理的 82

91 用户行为数据分析 大多数采用免费增值模式的公司 ( 如 Dropbox Evernote 等 ) 每个用户平均收入 (ARPU) 都很低, 但是占据了更大的市场 有趣的是, 那段时间我们通过拜访很多的客户来重新审视我们的目标用户画像 我们突然发现, 一个全新的群体正在使用我们的产品并且付费, 包括小企业主 招聘人员 市场营销人员等在内 这些人每天花大量的时间和外部进行沟通, 我们把这群人统称为 专注于人际关系的专业人士 我们重新定义了我们的市场假设, 并且检验看一切是否还匹配 这个全新定义的市场比之前要大得多, 而且其商业模式 / 市场匹配的方程式更可能成立 7.4 第四阶段 : 引入新价位的产品, 但是没有达到渠道 / 商业模式匹配 最近一年的增长是曲折的 我们已经有了数十万的周活跃用户 (WAU s), 每月的经常性收入 (MRR) 也跟着增长 我们已经发现了最初目标受众中的四种匹配, 并且正在寻求更多的增长 83

92 GrowingIO 实战指南 和付费用户交谈发现, 其中一个群体有着更高的付费意愿 针对这个群体的用户, 我们开始拓展更多的功能, 并且推出一个价值 25 美元 / 月的新产品 但是仅仅因为这个群体有着更高的付费意愿, 你可以开发新功能, 这也不意味着你已经达到了可持续增长的水平 因为 25 美元 / 月的价位正好处于渠道 / 商业模式匹配的危险区域 我们原来的价格是免费或 10 美元 / 人 / 月, 现在推出的 25 美元 / 人 / 月的价位, 让用户心理产生了更多的疑虑, 而且这个价格很难高效推动低成本的获客渠道 ( 病毒传播和付费推广 ) 所以, 我们尝试通过内容营销和电话销售的方式售卖 25 美元价位的产品 内容营销和入站式销售 (Inbound Sales) 是 HubSpot 历史上的主要业务, 但是在一个充满渠道专家的公司里, 这是不起作用的 25 美元的价位没法支持内容营销和入站式销售更 84

93 用户行为数据分析 高的获客成本 另外, 这个价格也没有让我们获得一家大企业应有的用户数 量 因此, 我们取消了 25 美元价位的产品并且推出了 50 美元的价位的产 品, 增加了一两个附加功能 在 Mike Pici 和其他人的共同努力下,50 美元价位的产品开始有越来越多的用户, 收入也越来越多 7.5 第五阶段 : 战略转变, 变革一切 经过了 18 个月的努力和挣扎, 我们重新确定了这四大元素之间的匹配 每周活跃用户数量 (WAU) 从几千增长到了几十万, 月经常性收入 85

94 GrowingIO 实战指南 (MRR) 也从几千美元增长到了几十万美元 看起来很棒, 对不? 但是这样的增长不会持续很久, 改变也势在必行 我记得, 我们每个月都要参加一个管理层的会议, 总结一下当前业绩和进展情况 一次, 会上有人提出了一个观点 : 这些客户看起来和 HubSpot 假定的核心客户非常不同 这句话在空中环绕, 分量很重 HubSpot Marketing 有着一个完全不同的市场 模式以及模式 / 市场匹配 HubSpot Marketing 产品瞄准中端市场的客户, 并且是每个用户平均收入 (ARPU) 为 8K 到 10K 的商业模式 他们处于一个模式 / 市场匹配完全不同的环境 HubSpot Sales 的使命是通过免费增值模式搭建一个价值 1 亿美元的产品 为了达到这个目标, 我们通过降低每个用户的平均收入 (ARPU) 来实现模式 / 市场匹配, 以此触达更加广泛的用户, 其中包括许多小企业主 在我来到公司以前的几年里,HubSpot 已经大胆地把注意力集中在中端市场 之前花费了很多时间和精力在这个领域, 这是一个巨大的赌注 ; 如果再次转型的话, 会带来非常大的痛苦 86

95 用户行为数据分析 有人提出建议, 我们可以把全部资源聚焦在中端市场 问题是, 这样会破坏 我们之前 HubSpot Sales 产品的商业模式 / 市场匹配, 并且让我们偏离 1 亿美元的目标 实际上我们只有两个选择 : 1) 选择原有的商业模式 仍然选择增值服务, 让用户付费的疑虑更少, 线上触达, 客单价低, 但是覆盖更多不同类型的市场, 远离核心的中端市场客户 就像过去一样, 因为我们已经用过去的成功数据证明了这条路是行得通的 但是这也意味着, 我们需要保持这个路径持续增长, 为广泛的目标用户建立更好的产品, 病毒传播和付费价格都要下调, 才能持续增长 2) 选择中端市场 把重心放在中端市场的客户上 结果就是, 我们需要调整其他的一切, 包括 产品 渠道以及商业模式 ( 请谨记, 一旦你调整了框架中的任何一个元 素, 其他元素也需要调整以达到互相匹配 ) 87

96 GrowingIO 实战指南 这是一个艰难而痛苦的选择 最终我们选择了中端市场, 随之开始一系列的战略转变 : 产品 - 10 美元 / 月的产品被我们彻底下线了, 把这些功能放在了 50 美元 / 月的产品组合里 此外, 针对全新定义的市场痛点, 我们把 50 美金 / 月的功能增加了近一倍 渠道 - 我们大幅度减少了病毒式传播和付费推广方面的努力, 并在内容营销和电话销售方面投入翻番, 以此来达到渠道 / 模式匹配和模式 / 市场匹配 商业模式 我们将 50 美元价位产品的销售量翻番, 年收入也增加了, 以达到渠道 / 商业模式匹配和商业模式 / 市场匹配 全新的匹配画布看起来就是这样的 : 转型是痛苦的 我们花了 18 个月的时间采用了不同的策略, 并且学到了大量关于新渠道和商业模式的知识 最终, 结果证明我们转型是一个正确的决定 这一转型帮助我们打开了下一个主要的增长阶段, 将公司的 DNA 复制到新的业务上, 也能更好的完成公司的使命 88

97 用户行为数据分析 7.6 我的收获 在过渡到新战略之后, 我决定开始创业 开始写这篇文章的时候, 那已经是一年多前的事了 除了我上面提出的四要素匹配框架之外, 我还学到了其他的经验和教训 : 产品 市场 渠道 销售模式, 一定要互相匹配 这样才足以抵御风险, 成长为一家上亿美元的公司 四者完全匹配是非常困难的, 完全匹配的公司是非常罕见的 没有完全匹配也是有可能会成功的, 但是对比起来, 那会比匹配的公司慢很多, 而且公司发展过程中会遇到很大的瓶颈 四个元素 ( 市场 产品 渠道 商业模式 ) 改变其中任意一个, 其他三个也要做相应的调整 最容易犯的错误就是, 以为自己只需要改变其中一个元素就可以解决公司遇到的问题 每一个元素之间的匹配都是在不断变化的, 因为市场在不断地变化, 渠道也在不断地变化 在创业初期, 我建议管理层每个月都开会重新审视这个框架 因为在前期变数更大, 后期增长慢慢稳定后, 就可以调整到 3 个月一次或者 6 个月一次 如果你在大公司建立一条新的业务线, 就好像我们在 HubSpot, 那么你应该尽量避免去做一个完全不一样的业务 如果市场 产品 渠道和销售模式都不一样, 那么你手里的这条新业务线应该作为一个单独的公司来运营, 而不是大公司内的一个业务线 89

98 GrowingIO 实战指南 8. 案例复盘 : 增长下的冰山效应,Dropbox 增 长复盘 6 做增长的应该都有相似的感触, 就是 这是一件非常折磨人 的事 每天早上一睁眼, 就迫不及待地看数据, 跌了就崩溃, 涨了呢也不一定是好事, 因为经常不知道为什么涨了, 找不到原因就没办法复制 不仅仅某一个产品的增长是涨跌不定的, 整个互联网行业的增长都是非常变幻莫测的 这是四款曾经发展非常好的 App 初期的增长曲线, 可以看到, 他们在经历 了平缓的冷启动之后都出现了爆发式的增长 然后呢? 我们来看看发生了什么 6 本文作者 : 曲卉, Acorns ( 美国最大的微型投资平台 ) 增长副总裁 本文根据曲卉在 GrowingIO 2018 增长大会深圳站 演讲内容整理编辑, 授权发布 90

99 用户行为数据分析 这四个产品曾经都红极一时, 而现在有的上市了, 有的倒闭了, 有的被收购, 有的还活着, 但是也非常艰难了 增长这件事本身就是瞬息万变却又永无止境的, 如何赢得这场战争, 在变化中找到不变的规则和底层逻辑? 那么就要求我们拥有透过现象看本质的能力 所以本文想跟大家分享的主题是 增长下的冰山效应, 接下来我会以前不久刚上市的明星公司 Dropbox 为例, 详细阐述他们在增长过程中遇到的问题和对应的解决方案 将冰山上的增长路径和冰山下的科学方法论都尽量呈现给大家 8.1 增长的第一驱动力 : 产品和创新 1 强烈的市场需求才是催生产品的土壤 91

100 GrowingIO 实战指南 在 Dropbox 产品上线之前, 创始团队首先在 Hacker News 上发了一个 帖子, 询问论坛内用户 : 如果有这样一个产品, 你愿意试用吗? 如果愿意的 话, 可以留下你的邮箱, 我们上线之后会通知你 收到了大量反馈之后, 他们接着上线了一个样本 Landing Page 再到 2008 年, 他们做了那个非常著名的 4 分 38 秒的产品介绍视频 一夜之间,Dropbox 试用版的用户人数从 5000 人增长到 人 Drew 做的这件事的目的是为了验证用户需求, 因为做产品最可怕的是用户没有需求 作为一家估值 140 亿美金的明星公司, 它一定是基于强烈的市场需求而存在的 1) 产品驱动增长 验证了市场需求之后, 产品就是最重要的增长驱动力 在最初创办 Dropbox 的时候, 很多 VC 质疑说, 云端储存的产品或者网 站其实已经有很多了,Dropbox 的核心竞争力在哪里呢? 92

101 用户行为数据分析 Dropbox 的创始人 & CEO Drew Houston 说, 这么多的产品, 有哪一个你会用呢? 为什么不用? 因为其实打造一个不易崩溃, 可扩展且跨平台的云端储存产品是很难的 所以其实 Dropbox 创立之初, 创始人就把核心竞争力放在了产品本身上面 2) 单人行为闭环 Dropbox 的产品打造了一个很好的单人行为闭环 简单来说, 就是用户在使用这个产品的时候, 会形成某种机制, 让你不断地回到这个产品中 当用户将文件保存到 Dropbox 之后, 会在桌面收上收到一个 同步通知, 当你点击了 同步 后, 你可能会想再去 Dropbox 里面看一下 93

102 GrowingIO 实战指南 整个过程会让用户觉得非常安全, 文件都被很稳妥地保存了, 而这种闭环机 制又会让用户不断地试用产品, 参与度和留存率都得到了很好的提升 3) 多人网络效应 产品驱动增长的第二个点是,Dropbox 这个产品是有 多人网络效应 的 因为使用 Dropbox 的人越多, 云端储存的文件越多, 用户的体验和与他 人之间的链接也就越好 94

103 用户行为数据分析 所以我常常会说, 并不是所有的产品都是生来平等的, 有的产品天然就是有优势的 美国的一家风投做过一个统计, 市值最高的科技公司 70% 都是有多人网络效应的 不论是腾讯 阿里还是 Facebook, 都是这样 这些公司一旦建立起用户效应, 后来者是很难打破的 4) 新产品 除了单人的良好行为闭环和多人效应以外,Dropbox 还做了大量新产品的 开发和延伸 在 2007 年刚开始的时候,Dropbox 只是一个非常简单的云存储产品, 就文件备份 分享和共享文件夹三个功能 到了现在, 它其实已经是一个团队协作产品了, 用户可以在这里完成内容管理 合作应用 专业分享和项目管理 所以要不断地去开拓产品的生态系统, 拓展新的产品 这也是 Dropbox 增长策略中非常重要的一个点 基于以上几点, 我认为产品和创新是增长的第一驱动力, 因为后续任何增长的手段, 都会依赖或者受限于此 95

104 GrowingIO 实战指南 8.2 科学增长 : 基于数据和实验 如何通过数据和实验的方式去驱动科学的增长? 1 失败带来的科学增长基因 Dropbox 的早期创始团队是一群工程师, 他们对市场如何推广想得比较简单, 导致早期的营销方式可以说是完全地失败 他们按照传统并且通用的方式, 招了市场副总裁 公关以及做 SEO/SEM 的专家 主要的获客方式是买搜索引擎关键词, 但是他们的单个获客成本非常非常高, 达到了将近 400 美金, 而产品才卖 99 美金 这个失败的结果给 Dropbox 创始人包括早期团队上了非常实在的一课, 说明在别人那里行得通的在自己这里不一定能行得通 因为对于用户来说, 他们对云端存储产品的需求感知度并不是很高, 很少有人会通过搜索引擎去找一个云端存储的产品来使用 96

105 用户行为数据分析 更天然的用户行为是什么呢? 是用户主动推荐 Dropbox 的很多用户都是 由老用户拉来的, 他们的朋友偶然发现了这样一个产品, 试用之后觉得很好 用, 进而推荐给自己 早期团队通过数据发现这个现象之后, 决定做点事情放大这个效应 于是就有了非常著名的 Dropbox 用户推荐系统 这个实验的结果是, 用户在 30 天内发出了 300 万个邀请, 在 15 个月内出现了 3900% 的用户增长 而他们的成本只是一些用户问卷 A/B 测试 一系列的流程优化实验和数据分析 通过以上两个事件,Dropbox 团队不再盲目地迷信最佳实践, 而是从自身产品的实际情况上思考问题 因为在一个产品 一个市场上行得通的技巧, 可能放在另一个产品 另一个市场上就完全行不通 这也给 Dropbox 的科学增长模式打下了良好的基础 2 科学增长方法论 以数据和实验驱动的科学增长方法论, 包含以下几个大的环节 : 目标制定 97

106 GrowingIO 实战指南 数据监测 模型解构 A/B 测试 即找到正确合理的北极星指标, 然后通过数据监测进展, 通过模型解构的方式分析商业模式, 找到增长机会, 以及通过 A/B 测试去具体实践落地改善, 进而驱动增长 接下来我就以 Dropbox 为例, 来具体讲讲这几个环节 1) 北极星指标 : 指引方向 Dropbox 有非常明确的北极星指标, 即 文件操作数 因为用户存储的文件越多, 在产品中得到的价值越大 要达到这个目标, 对于新用户来说, 就更需要迅速地感受到产品价值 所以新用户安装后, 他的 Dropbox 里至少有一个文件 有了明确的指标之后, 整个团队努力的方向就非常明确了, 不管是市场团队 产品团队还是增长团队, 方向都是一致的 2) 增长模型 : 找到增长机会 在增长届, 有一个非常著名的海盗模型, 我们可以试着把 Dropbox 的模 式复盘到这里面来 98

107 用户行为数据分析 获客 : 免费产品 / 个人用户 / 国际化, 这几点都让他们拥有了非常非常 大的用户基数 ; 激活 : 安装 Dropbox 后里面就有一个内置文件 ; 留存 : 持续的文件操作, 也就是我们刚刚讲的单人行为闭环 ; 推荐 :Dropbox 邀请机制 这是他们非常成功的一个尝试, 他们也在 持续地优化 ; 盈利 : 免费用户升级付费, 让个人用户变成商务版用户 所以即便是看起来非常复杂的公司 产品, 当你用这个增长模型去复盘的时候, 很多不必要的细节就被剔除了, 漏斗转化的每一个环节, 可以增长的机会都一目了然 3) 增长实验的必要性 最后我想跟大家分享一下增长实验的必要性 99

108 GrowingIO 实战指南 Dropbox Aribnb Facebook 都是增长做的非常好的公司, 于是我收集 了这三个公司做实验的通量 : Dropbox 每月 80 个实验 Aribnb 每周 700 个实验 Facebook 每时每刻都有上万个实验在跑 其实 Dropbox 最开始也没有这么大的实验通量, 之前的产品副总裁分享说 : 他们在 2012 年的时候每月只能做 2 3 个实验, 到了 2017 年之后, 每个月可以达到 80 个实验的通量 这些实验每年都会给他们带来上亿美金的额外收益, 把已有产品的价值传递给用户, 最大化增长的效率和效果 接下来给大家分享几个增长实验的例子 100

109 用户行为数据分析 增长实验有几个类型 : 文案实验 功能试验 设计实验和路径实验 上图是我们自己做过的一个很小的文案实验 Acorns 是一个投资软件, 我们希望用户使用定期投资这样的功能 于是我们把所有进来的人分为三组, 每个组给他们不同的文案 每天 5 块, 每周 30 块, 每月 150 块 实际上数额是一样的, 但是转化率差别很大 A 的转化率是 30%,B 是 11%,C 是 7% 这就是一个行为经济学的测试, 所以大家一定要重视文案 101

110 GrowingIO 实战指南 第二个例子就是功能实验的典型 大家都知道如果汽油不足, 就会收到一个提示, 基于这个生活观察,Dropbox 也上线了付费计划内权限不足的提示, 收到了很好的效果 所以增长实验可以采用各种各样的方式, 尤其是用户基数已经相当大的时候 找到关键点, 实践一些非常小的增长实验就可以获得意想不到的结果 8.3 增长的基石 : 团队和文化 我们刚才谈了产品和创新, 数据和实验, 但是这些事情离开了人都是不可能发生的 从我自己的经验来看也是这样, 增长的基石是团队和文化, 只有在良好的氛围里, 你才能推动很多的事情 所以最后我想跟大家分享的就是增长的团队和文化 Dropbox 是一个很神奇的团队, 你可以从公司官网上看到他们完整的团队 构架, 以及每个团队的功能 比如从上面这张图我们可以清晰地感知到 : 102

111 用户行为数据分析 产品团队的职责是 代表用户和公司设定愿景, 不断的开发新的产品 ; 市场团队是制定产品定位和策略, 负责新产品上市, 收集用户洞察 ; 增长团队就是通过帮助用户发现产品价值来培养长期用户, 负责了解整个漏斗来优化机会, 帮助用户体验产品的全部潜力, 这是由跨功能的产品工程设计团队组成的 看了这三个定义, 我们就知道产品是创造价值, 而市场和增长团队更多的是传播价值 只是市场团队是负责的是新用户, 而增长团队负责的更多是已经进来的用户, 他们需要让用户在整个漏斗里尽量顺畅地成长为长期用户 在功能设置上, 增长团队也非常清晰, 这是一个跨功能的团队, 有程序师 设计师等等 这是非常清晰的规划, 也是值得很多公司借鉴的 这是 Dropbox 增长团队的招聘广告, 你可以发现他们对增长团队内部的细分程度是非常高的 有专门负责留存 用户分群, 甚至定价打包的产品经理 也就是说每一个产品线的每一个环节, 都是有专门的人在负责的 所以说这家公司对增长的理解不仅仅停留在每个用户的全生命周期, 还包括不同的产品线 增长基础设施等等, 这是一个非常全面深入的思考模式 103

112 GrowingIO 实战指南 所以总结下来,Dropbox 的增长驱动力在哪些方面? 从商业模式层面上来讲, 他们通过允许个人用户使用 免费版产品和全球化拥有了大量注册用户, 高达 5 亿 这在巨大的流量池中寻找高质量的目标用户, 将他们转化 升级为付费用户 他们的增长团队, 通过实验和数据驱动的方式, 将每个环节的效用最大化 另一个是创新层面, 可以看到他们的产品团队不断地开发新产品, 努力打造一个完整的产品生态系统, 以覆盖更多的用户和市场 从 140 亿美金明星公司的增长复盘中, 我们可以发现一些增长的脉络, 以此应用到我们自己的公司和产品上 104

113 用户行为数据分析 第三章 渠道流量分析 渠道竞争越来越激烈 获客成本越来越高, 如何分析渠道流量 提升渠道 ROI 成为一大挑战 本章先介绍渠道流量分析的方法论, 然后依次介绍 web App 小程序三种产品形态的渠道流量监测和分析方法 105

114 GrowingIO 实战指南 9. 渠道流量分析方法论 固定预算怎么来进行渠道分配才能获得更好的 ROI ( return on investment, 投资回收率 ), 这是我们在这部分需要回答的问题 9.1 渠道优化理论 在讲理论和案例之前, 首先强调一个渠道分析原则 : 适合你的渠道才是最好的! 因为大家的产品属性 用户群体等各不相同, 对别人有用的好渠道, 不一定适用于自己的产品 因此我们需要客观的通过分析渠道数据来判断哪些渠道是适合自己的 一般情况下, 我们判断渠道的质量, 会通过流量规模潜力和质量两个维度来评估 如果流量规模和质量都很好, 我们称之为 优质潜力渠道 ; 如果流量规模大但是质量差的话, 称之为 低质的大渠道 ; 如果流量规模小但是流量质量高的话, 称之为 优质非潜力渠道, 可以考虑追加投放 ; 如果流量规模和质量都很差的话, 就是 低质小渠道, 要视投放目的谨慎投放 106

115 用户行为数据分析 渠道质量的评估有多种指标和方式, 根据不同的目标和掌握的信息 量, 选择不同的角度得出的结论会存在差异 我们在评估流量质量或 者说渠道质量时会分为三个不同的层次 早期, 比较粗放式的运营关注访问量 跳出率 页面访问时长等指标, 渠道结算方式是按照点击 CPC (Cost Per Click, 按照点击付费 ) 或者有效访问用户数 这种评估方式的问题在于用户可能没有给网站带来任何价值, 并且渠道作弊空间大 现在, 结合目标转化评估渠道质量 具体来说, 根据激活 注册转化等目标度量渠道质量, 并通过 CPA(Cost Per Action, 按每次行动成本付费 ) 结算, 但是依旧存在作弊空间 未来, 结合目标转化看质量 相对比较安全的渠道评估是看核心转化的 CPA, 比如购买 活跃, 然后按照交易量结算渠道费用 转化目标需要根据不同行业的具体情况进行合理选取, 除了基础的注册成功率外, 如电商 O2O 等行业则可能比较关心用户的购买成功率 对于交易类产品, 可以比较明确地选择交易成功作为转化目标 ; 对于其他有明确预期转化行为的产品, 也可以直接把该行为定义为转化目标 ; 如果转化目标的完成会给用户或流量方带来经济利益, 则需 107

116 GrowingIO 实战指南 要在原有转化目标的基础上再定义一些属于产品核心功能的无利益的 转化目标 9.2 渠道评估体系 我们以某平台一周的渠道流量数据为例, 其中渠道分为四类 : 直接访问 搜索引擎 社交媒体和外部链接 我们用不同的指标的衡量渠道规模 拉新能力 渠道质量, 具体如下 : 渠道规模的量化指标 : 访问量 访问用户量 ; 拉新能力的量化指标 : 新访问用户量 ; 渠道质量 (Level 1) 的量化指标 : 访问时长 每次会话浏览页数 跳出率 ; 渠道质量 (Level 2) 的量化指标 : 转化率 ( 新客到达注册页面 ) 转化率( 新客注册成功 ); 渠道质量 (Level 3) 的量化指标 : 转化率 ( 订单填写 ) 转化率 ( 预定成功 ) 108

117 用户行为数据分析 渠道运营的基础指标体系如图所示 我们用访问量和访问用户量来衡量渠道规模 ; 用新访问用户量来衡量渠道的拉新能力 ; 用访问时长 每次会话浏览页数 跳出率来衡量激活的效果 ( 弱转化 ); 用注册转化率 购买转化率等指标来衡量产品的站内转化效果 ( 强转化 ) 在实际的操作中根据产品特性和具体需求进行指标的选择, 并不需要将所有层次的指标都纳入考虑中 在渠道运营中, 另一个会经常遇到的情况是恶意流量 在试水一个新渠道时, 刚开始各方面指标数据还不错, 正式开始投放后, 数据变差了, 是短暂的数据波动, 还是可能是渠道作弊呢? 直接访问突然增多, 是好事还是坏事呢? 这些都需要我们对一些异常渠道的情况进行判断, 定位是否存在恶意流量 初级的恶意流量可能是用机器模拟访问 针对这种情况, 我们通过多个维度去分析, 可以发现其中不合理的地方 比如看不同浏览器的访问用户情况可能会发现一些市场占有率低的浏览器 ( 如 IE6) 的访问分布异常 ; 或者异常流量按小时的访问曲线与普遍趋势不一致, 在非正常作息的时间段也存在大量的访问 进阶版的则可能有一些人工操作让人们很难分辨是否是渠道作弊 例如有个渠道的规模还不错, 注册成功转化率也很高, 但购买成功转化率很低, 这时候就需要我们判断这是渠道用户群不匹配还是渠道作弊 针对这种情况, 我们可以创建用户分群, 然后查看这部分用户的行为轨迹, 找出是否存在多个用户的行为高度一致, 只以完成注册为目标而不产生任何商品浏览或购买行为, 然后再进行进一步的判断 总之, 在定位恶意渠道时, 我们需要灵活的运用维度切分进行分析查找, 同时使用一些高阶分析工具如用户分群 用户细查等, 来寻找异常渠道用户的行为模式进行准确定位 109

118 GrowingIO 实战指南 9.3 渠道优化案例 下面我们结合一个具体的渠道数据, 分析一下如何优化市场投放策 略 图中给出了六个渠道以及相应每个渠道的一些指标数据 指标包括每个访客的获取成本 访问用户量 新访问用户量 平均访问时长 每次会话访问页数 跳出率 注册成功转化率 交易成功转化率 CPA- 注册 CPA- 交易这 10 个 其中,CPA 是 Cost Per Action 的简称, 按照行动付费的含义 ; CPA-X 表示的是每个完成目标行为的用户需要花费的成本 110

119 用户行为数据分析 如果用跳出率来衡量渠道质量, 六个渠道的分布情况如图所示 可以看到渠道 1 的规模较大但跳出率也是最高的, 这可能存在渠道饱和或错误投放的状况 ; 渠道 3 和 4 的规模和质量都比较居中, 可以考虑作为拓展的新客户群体 渠道 5 和 6 跳出率相对较低, 但可以发现它们的访问时长也比较低 这些渠道的用户行为目的性强, 可能是刷量渠道 口碑渠道或者特殊目标人群, 需要通过其他的指标进行进一步的判断 111

120 GrowingIO 实战指南 如果产品当前的目标是提升注册转化率, 则通过注册转化率来衡量渠道质量如图所示 渠道 5 的注册转化率相对最高, 该渠道的新用户占比也较高, 可能是较优质的目标群体, 目前的渠道规模不大可以考虑加大投放 渠道 6 的注册转化率也还不错, 考虑到该渠道跳出率和访问时长的情况, 仍然需要对该渠道保持重点关注 渠道 3 的新用户比例高, 之前用跳出率衡量的表现也中规中矩, 但在图中的注册转化率相对最低, 这可能是转化流程可能存在问题 112

121 用户行为数据分析 如果用交易转化率来衡量渠道质量,6 个渠道的情况又会呈现出不一样的局面 如图所示 渠道 3 的新用户占比高, 交易转化率高, 可能是一个高质量的口碑渠道, 可以考虑重点投放 渠道 5 的新用户比例和注册转化率都很高, 之前从这两个方面可能认为该渠道的目标群体比较优质, 但加入考虑交易转化率后, 我们看到该渠道的交易转化率很低, 得出的结论则可能是相反的, 可能认为这是作弊渠道 在这个实例中, 我们从三个角度来衡量渠道的质量, 选取的指标不同最终对于每个渠道得出的评估结果也不相同 在实际的工作中, 我们掌握的信息全面程度会存在差异, 不同阶段的渠道投放目标也会有所不同 因此, 我们要结合实际的业务状况选择合适的指标数据进行评 113

122 GrowingIO 实战指南 估, 在面对复杂的商业决策时, 则需要更多地考虑包括获客成本在内的数据 考虑到渠道的成本数据后, 高质量的渠道如果成本较低则可以加大投放, 如果成本较高则需要进一步评估成本 ; 而对于低质量的渠道也需要做好评估 总体上, 需要根据规模 质量 成本等的综合情况, 对渠道的配置进行整体管理和调优, 让手头上的资源发挥出最佳的效果, 把自己的精力放在最有价值的地方 10.Web 推广流量监测 别再稀里糊涂地做市场推广了, 发了那么多软文 投了那么多广告 做了那么多活动, 老板却总是在说 : 你投的钱有没有用啊? 想知道每一篇文章带来的流量和用户? 不求工程师, 也不求产品, 只要给你的链接加一个神奇的 UTM 参数就可以啦 运营老司机一定会说 : 我早就知道这个 UTM 啦 但你知道这个 UTM 还有更强大的功能吗? 可以根据不同渠道 不同内容做精细化运营分析, 帮你对比区分优质和劣质渠道, 提高流量在产品内的转化 那么, 这些是怎样实现的呢? 我们先来看一个结果 : 添加 UTM 参数的链接的链接投放后, 我们就可以看到这样的统计了 : 每一个渠道带来的流量都十分清晰, 用户在产品内的行为也一目了然, 是否注册了, 是否最终购买了, 都可以看到 114

123 用户行为数据分析 我们可以看到讲述 heatmap 热图的这篇内容在渠道 微博 1 投放的链接, 带来了 9992 个页面浏览量,2066 个注册用户量, 以及 1614 个购买用户量 而且不仅可以看到同一篇文章在不同渠道的流量情况, 如 heatmap 热图这篇内容在微信 微博和其他渠道的推广情况 ; 还可以看到同一个渠道不同文章带来的流量情况, 如在微博渠道,heatmap 热图的文章的导流情况比 features 功能文章的导流情况更好 用户在产品内的行为, 有多少进行了注册, 有多少完成了购买, 清清楚楚, 而且, 我们还可以将不同渠道进行分组, 查看不同渠道的用户留存和转化 10.1 什么是 UTM? 用户通过点击渠道投放创意文案上的链接进入网站或下载应用, 我们 需要对网站访问来源 App 下载渠道等进行监测, 因此会对投放目标 链接加上监测参数, 做好 URL 的追踪和衡量 115

124 GrowingIO 实战指南 目前主流的解决方案是 UTM 机制, 从 5 个常见的广告维度来追踪和分析流量的情况 目前基本是市场网页类产品广告追踪最为常用的参数系统 数据分析工具 Google Analytics GrowingIO 使用的都是这套机制 URL 是用户访问页面的唯一服务器路径, 确定用户访问内容, 比如 参数也叫 查询,? 开头常用来追踪到达该页面的方式, 参数不同不影响页面内容, 比如?utm_source=baidu_sem&utm_content=new 我们可以根据需要, 进行各种各样自定义的填充, 因为 UTM 最初是用在广告监控上的, 所以它的很多名称还是关于广告的, 但是我们现在已经可以把它放在各个内容 活动 推广中, 监控渠道的流量情况 那么, 我们先来看下, 这样的 UTM 参数是怎样设置的呢? 10.2 UTM 的参数设置 通过 UTM 参数追踪外部流量的访问情况的原理是 : 把你投放在不同渠 道的链接打上特定的标记, 以监控各个链接的流量情况 1 确定目标链接 116

125 用户行为数据分析 首先, 确定这个链接最终指向的目标网页是哪个? 一般来说是你自己的网站的某个页面, 然后这个页面需要加载过数据统计分析工具的 SDK 举个例子, 如果使用 GrowingIO 进行接下来的拆解分析, 就需要这个页面是加载过 GrowingIO JS 代码的网址 2 添加自定义的参数 接下来, 我们需要设置 UTM 的参数, 也就是在链接上添加规则, 进行标记, 投放链接后我们就可以知道是哪个来源带来的流量了 对于不同的活动或文章, 我们要设置不同的 UTM 参数用来区分 说白了, 这里就是你用各种各样的内容来描述这条链接是放在哪个活动 哪个来源上的, 我们来看一个例子进行理解 以现在很常用的新媒体营销方式为例, 我们在微信的阅读原文里放了一条引导流量的链接 : =article1&utm_campaign=product&utm_content=0811- tool&utm_term=tool 这条链接的意思是什么呢? 117

126 GrowingIO 实战指南 UTM 参数详解 我们把这些信息连起来, 这条 UTM 代表的含义就是 : 这个指向 的投放链接, 是在 8 月 11 日 ( utm_content=0811-tool) 微信公众号 ( utm_source=weixin ) 的首条推送文章里 (utm_medium=article1 ) 投放的, 这篇文章是介绍工具 ( utm_term=tool ) 的产品文章 (utm_campaign=product ) 当你在数据分析工具里做分析时, 就可以像破解密码一样读出它的意思, 知道它放在了哪个内容里, 用在了哪个活动里 当我们有很多内容同时在各个渠道投放时, 这样的链接就十分有用了, 我们知道每个渠道每条内容带来的流量, 也可以按照不同的渠道将流量进行分组, 分析不同渠道带量的效果和质量 10.3 UTM 灵活应用 具体的填写参数的意义和方法, 可以根据下面这些情景进行灵活的变 通 118

127 用户行为数据分析 当这条链接用于付费推广时, 可以这样定义 : 当这条链接用于内容文章时, 可以这样定义 : 当这条链接用于活动时, 可以这样定义 : 如果是你自己看这个数据, 只要设置你能看懂的内容就可以, 涉及到 团队协作时, 最好统一下标准, 以便后续的数据分析 链接也有很多 种表现形式, 比如说做成二维码, 用在各个活动里使用 119

128 GrowingIO 实战指南 从渠道到落地页, 这两者是一一对应的, 自主投放要追踪到最小渠道 颗粒度, 才能更好衡量渠道和落地页的效果 因此, 在进行投放时, 可以考虑合理运用这个流量监测解决方案 11.App 推广流量监测 都在做 App 推广, 为什么就你的客单价居高不下? 同样的 100 块钱, 为何别人花出了 500 块钱效果? 将 App 拉新的数量和质量提升 200%, 你都有什么方法? 这篇文章从 App 渠道追踪的三大难题入手, 详细介绍了渠道追踪的 5 种方法 以及渠道数据分析的两大思路, 相信总有一个方法你会用 得上 120

129 用户行为数据分析 11.1 常见的 App 渠道追踪方法 因为应用商店不提供渠道来源数据, 所以 App 推广效果监测一直是个老大难的问题 为了追踪 App 渠道来源, 人们想出了各种方法, 下面我们给大家系统介绍一下 1 Android 渠道追踪方法 众所周知 Google Play 无法在中国使用, 所以国内 Android 市场被数十家应用商店 ( 豌豆荚 百度助手 酷市场 360 手机助手等等 ) 占领,Android 渠道追踪主要围绕上述渠道展开 方法 1: 每个渠道打渠道包 具体来说就是开发者为每一个渠道生成一个渠道安装包, 不同渠道包 用不同的 Channel ID ( 渠道标识 ) 来标识 ; 当用户下载了 App 之 后, 运营人员就可以通过渠道标识查看各个渠道的数据 虽然这样可以统计到不同渠道的来源数据, 但是当渠道数量变多 抑或同一渠道在多个平台上做推广的话, 打渠道包的做法就捉襟见肘了 方法 2: 使用平台方提供的数据 121

130 GrowingIO 实战指南 部分第三方推广平台提供渠道数据, 然而只依赖平台方的 一面之 词 是很难找到真正的优质渠道 2 ios 渠道追踪方法 和 Android 的开放生态不一样,iOS 则是一个完全封闭的系统 ; 除了少部分越狱机器, 绝大部分 App 都是从 App Store 中下载 在苹果一家独大以及严格的审核制度下,Android 打包的做法在这里就完全行不通 为了追踪 ios 渠道数据, 开发者们想出了很多黑科技, 下面我介绍一下常见的三种做法 方法 1: 通过 IDFA 追踪渠道 IDFA 的全称是 Identifier for Advertisers, 即广告标识符的含义, 这是苹果专门给各广告提供商用来追踪用户而设的标识 今日头条作为广告提供商可以获取用户的 IDFA, 当你在上面投放的 App 被用户下载激活, 你的 App 也可以获取用户的 IDFA 将广告 提供商提供的 IDFA 和自己获取的 IDFA 匹配, 即可追踪渠道来源 122

131 用户行为数据分析 缺点是 IDFA 只能用于 App 类型的渠道, 如果你在网页上投放广告是不支持的 ; 同时, 用户可以在 iphone 设置中选择关掉 IDFA 获取权限 方法 2: 通过 Cookie 追踪渠道 ios 9 里面引入了 SFSafariViewController 类, 一方面是用户体验 更好了, 同时可跨 App 与 Safari 共享 Cookie 当用户点击广告链接时, 监控服务器可以接收到 Cookie 中含有的渠道信息 ; 用户在 App Store 中下载激活 App, 这个时候监控服务器再次收到 Cookie 信息 系统匹配前后两次 Cookie, 即可追踪渠道 缺点是基于 SFsafariviewcontroller 的追踪必须在 ios 9 及以上版本才有效, 而且微信公众号广告 朋友圈广告仍然无法实现追踪 上述方法可以实现部分平台 部分渠道的追踪监测, 然而三大缺点也是显而易见 : (1) 割裂了 Android 和 ios 两个平台的渠道数据, 难以整合分析 ; (2)Android 投放需要重复打包, 效率低下 ; 123

132 GrowingIO 实战指南 (3)iOS 渠道范围限制多, 无法大规模推广 11.2 基于用户设备标记的解决方案 下面我们介绍一种快速 灵活的解决方案 基于用户设备标识的追踪方法, 它可以同时兼容 Android 和 ios 两个平台 适用于大部分投放渠道 1 基于用户设备标记的追踪原理 上面介绍的基于 IDFA 和 SFSafariViewController 的两种方法均受到 ios 的限制, 而用户的设备标记则不受系统的影响 在 GrowingIO 渠道来源 解决方案中, 我们将 IP+UserAgent+ 设备 ID 组合设置为用户的设备标记 用户点击含有 UTM 追踪参数的广告链接后,GrowingIO 服务器检测到用户的设备标记以及 UTM 渠道参数 链接跳转到应用商店 ( Android 和 ios 均可以 ) 后, 用户下载安装并激活 App, 此时 GrowingIO 服务器第二次收到用户的设备标记 系统匹配前后两次的标记, 可以确定用户的渠道来源, 同时 UTM 参数含有的详细渠道信息一并呈现 124

133 用户行为数据分析 2 用户设备标记方法的特点 当然, 基于用户设备标记的方法也有一定不足 当小部分用户所处的网络环境前后变化时 ( 如从 WiFi 切换到 4G), 此时 IP 前后不一致就会导致匹配失败 但是相比于前面的 4 种方法, 基于用户设备标记的渠道追踪方法显然更有优势 : 第一点, 打通了 ios 和 Android 的渠道来源, 可以将 操作系统 加入用户属性整合分析 ; 第二点 : 避免了 Android 平台重复打渠道包的工作 ; 第三点 : 规避了 ios 原有诸多限制, 适用于更加广泛的推广渠道 ; 第四点 : 只需修改推广链接中的参数 无需改动安装包, 适合大规 模 多渠道 敏捷的推广需求 同时, 广告链接中含有的渠道参数 ( 广告来源 广告媒介 广告名 称 广告内容 广告关键字 ) 可以一同加入用户属性数据中, 方便后 期对用户数据进行多维度的对比 交叉分析 125

134 GrowingIO 实战指南 11.3 App 渠道数据分析两大思路 有了 App 渠道追踪数据后, 我们可以将 UTM 的五个参数作为维 度, 从数量和质量两个思路出发, 进行 App 渠道数据分析 1 数量 : 找到获客成本最低的渠道 根据业务需要, 我们选取广告来源 ( utm_source ) 和广告关键词 ( utm_term ) 两个维度, 计算出不同渠道的获客数量并评估获客成 本 某 O2O 类 App 先后在 3 个渠道上进行了 2 次投放, 投放内容先后是 美食 和 外卖 通过 UTM, 我们监测到每个渠道 每次投放的 App 新增用户量, 然后计算出平均获客成本 从广告来源上看, 渠道 1 的平均获客成本最低 ; 从广告关键词上看, 外卖 主题的广告平均获客成本最低 从客单价的角度出发, 接下来可以针对性优化投放渠道和投放内容, 大幅度降低投放成本 提高拉新效率 2 质量 : 找到获客价值最高的渠道 App 新增激活用户量 和 获客成本 这两个指标是从数量的角度 进行分析, 但是数量大 价格低并不一定代表渠道用户质量高 我们 126

135 用户行为数据分析 还需综合考虑用新用户在接下来的表现, 以及新用户所能带来的价 值 方法 1: 用户行为数据分析 在这个过程中, 我们重点参考用户留存指标, 包括次日留存率 三日 留存率 七日留存率 三十日留存率等等 我们按访问来源 (utm_source) 分析新用户的留存度, 发现渠道 2 的三十日留存率高达 14%, 而渠道 1 为 8% 渠道 3 为 6% 从留存度上来看, 渠道 2 获取的新用户价值显著更高 方法 2: 用户价值分析 除了用户行为指标, 财务指标也非常具有参考性 按照广告来源 (utm_source) 我们统计出不同渠道获取到的新用户的财务价值, 如 新用户在第一个月的月付费率 (MPR) 和用户平均收益 (ARPU) 127

136 GrowingIO 实战指南 通过分析发现, 渠道 2 获取的新用户首月付费率 (42%) 最高, 用户平均收益 (30 元 ) 也是最高的 虽然渠道 2 的获客成本略高于渠道 1, 但是从收益的角度来说, 投资渠道 2 显然是一种更加明智的选择 综合上述指标, 该 O2O 类 App 在下个月的市场投放中将资源集中到了渠道 2, 同时主打 外卖 主题内容 还是和上个月同样的市场预算, 但是新增用户却提高了 150% 新用户留存率提升了 240%, 这是一个巨大的增长 移动互联网的流量红利逐渐褪去, 数以百万的 App 正在一个存量市场中抢占用户 ; 谁能提高获客效率, 谁就有可能在激烈的竞争中获胜 搭建一个完整的 App 渠道追踪体系, 对每个渠道 每次投放的数量和质量进行精益化的分析, 如此事半功倍的方法, 难道你不想试一下吗? 12. 小程序推广流量监测 GrowingIO 已经全面上线小程序广告监测功能, 帮助用户实现了对所 有小程序入口场景的监测, 结合用户行为数据分析, 精准评估渠道 ROI 12.1 GowingIO 小程序精细化跟踪方案 128

137 用户行为数据分析 GrowingIO 小程序广告监测功能, 结合原有的分享分析功能 小程序 二维码功能以及好物圈场景值, 实现了对微信全部入口场景的覆盖 支持对每一次推广进行精准流量追踪, 监测每一个广告的引流效果 作为全新的获客机会, 微信小程序入口场景丰富 推广方式多样 目 前小程序推广获客的方式可以概括为以下六大类 : 分享裂变, 这是小程序最主要的获客方式 微信广告推广, 包括 : 公众号广告 朋友圈广告 小程序广告 公众号推广, 包括图文消息插入小程序 功能菜单跳转小程序 小程序换量, 自家小程序矩阵之间或小程序之间换量活动 129

138 GrowingIO 实战指南 线下场景, 线下扫码进入小程序 好物圈, 作为购物版的朋友圈, 目前仍处于调整和优化的阶段 针对这些用户获取方式,GrowingIO 结合多种数据监测方式, 帮助小程序开发者和推广人员掌控最细粒度的渠道推广效果, 定位优质流量入口, 在流量争夺战中占得先机 12.2 GowingIO 操作 : 新建投放 小程序广告监测功能入口在 导航 -> 获客分析 -> 广告监测 进入广告监测, 如果项目还没有创建过链接, 看到图示如下 : 如果创建过链接, 则会出现数据报表, 如图示 : 130

139 用户行为数据分析 点击左上角 : 新建监测链接, 进入创建链接页面 创建监测链 接, 可以参考功能引导, 右边的投放场景示例 下文的链接配置指南 信息 例如,GrowingIO 公众号需要发一篇图文推广小程序, 按照如下的信 息填写 131

140 GrowingIO 实战指南 其中点击 推广小程序, 展示的下拉列表中, 显示的是项目中集成 的小程序应用 ; 点击落地页路径, 展示的是对应的小程序的前几个访问量的页面 ; 如 果需要推广的落地页不在列表中, 可以直接填写路径地址即可 132

141 用户行为数据分析 推广渠道, 系统中预置了几个推广渠道, 如果不满足需求, 点击 新建渠道 即可 ; 所属推广活动, 显示系统中已创建的推广活动, 如果没有创建的话, 点击 新建活动 即可 填写完成后,GrowingIO 即会根据填写的内容生成一条链接, 按照投放配置指南, 在微信做相应的配置即可 133

142 GrowingIO 实战指南 12.3 GowingIO 操作 : 查看数据 在右侧边栏的 获客数据 - 应用级数据, 即可以进入数据页 面 右上角可以切换应用和时间 默认展示 今日 的数据 数据一 般为截止到当时 2 个小时前的统计数据 创建的连接 广告活动 推广渠道, 可以在 管理 功能进行再查看 和管理 除了对小程序入口场景的全量监测,GrowingIO 小程序分析依托于无埋点技术实时采集全量用户行为数据, 深度监测用户转化和留存情况 从而助力小程序开发者了解不同广告推广在关键节点的转化效果, 例如用户购买 / 订阅 / 付费等行为, 为广告效果评估提供更多维度数据支持 134

143 用户行为数据分析 13. 案例复盘 : 用 GrowingIO 做好 App 推广渠道监测 1 中原集团是一家专业的房地产服务机构, 和互联网行业相比, 中原集团是一家非常传统的企业 数年前, 中原集团获客渠道主要依靠线下门店, 或者是在安居客 房天下等线上媒体平台投放广告 近年来, 中原集团和互联网的联系越来越紧密, 公司自主研发的 App 产品逐渐在市场上站稳脚跟 如何通过自身产品 ( 网站 App 等 ) 获取线上客源并实现用户转化, 这是中原地产面对的最大课题 中原地产从 2017 年开始使用数据分析产品 GrowingIO, 他们倡导的 数据驱动增长 理念对中原地产产品增长有非常大的影响, 全新上线的 广告监测 功能也为我们带来了较多实质性的帮助 本文中我们就结合 GrowingIO 的产品功能, 谈谈如何做好 App 推广 推广可简单地划分为 免费推广 与 付费推广, 中原地产也不例外 下面, 我先和大家分享我们是如何提升 免费推广 转化率的 13.1 免费推广 : 提升流量转化率 1 本文作者 : 金周萍 华磊, 中原地产增长负责人 作者授权 GrowingIO 原创发布 135

144 GrowingIO 实战指南 中原找房 App 的免费推广方案中, 有两个项目因为使用了 GrowingIO 而收获颇丰 一个是 App 引流的转化分析, 另一个是经纪人线下推广 App 的效果监测 1 线上 : 提升网站 - App 引流转化率 每天访问中原官网的用户数量很大, 如何将这部分用户成功 高效地 导流至我们的 App, 这需要系统地思考 : 我们应该在哪些页面添加导流入口? 不同页面, 应该如何选择入口位置? 导流中, 用户在哪些环节容易流失? 借助 GrowingIO 的 广告监测 功能的 Normal-Link 和 One- Link, 外加几次小版本迭代, 我们成功找到了问题的答案 第一步 : 广告数据监测 第一种情况, 在 Web 端页面, 我们使用 One-Link 来监测 App 下载转化数据 因为在 Web 端的时候我并不知道用户的手机是什么操作系统 (ios 或 Android), 但 One-Link 一条链接可以推广两个移动应用, 这就很好满足了这种场景下的需求 第二种情况, 在 WebApp 上, 我们使用 Normal-Link 来监测 App 下载转化数据 因为 WebApp 在移动端上, 后续我们将采用 136

145 用户行为数据分析 Deep-Link 功能 通过 Deep-Link, 已经下载中原找房 App 的用户可以直接打开 App, 无需再次下载, 这样可以提升用户活跃度 和用户体验 通过 GrowingIO 的 广告监测 功能, 我们对 App 下载转化数据 进行了监控, 各个渠道入口的 点击 - 激活 - 转化 数据一目了然 第二步 : 优化转化流程 通过我们监测到的 App 下载转化数据, 我们发现 : 用户下载转化率与页面本身流量成正比 在不破坏用户体验的情况, 可以大胆新增导流入口 引流入口位置不能过于隐蔽, 必须符合用户视线习惯 同时, 设计上要表达清晰, 告诉用户这个入口将通往哪里, 并且自己可以获得什么 引流步骤越多, 用户越容易流失, 所以要简化引流过程 137

146 GrowingIO 实战指南 为此, 我们做了两个改进 : 第一, 拒绝过渡页面 最初产品同事非常执着地将已经决心 下载 App 的客户引导至产品介绍页面, 期望用户看了 完美 的介绍后再进行 下一步 操作 过渡页会造成大量高意愿下载用户流失, 这是 GrowingIO 的数据给我们的精确答案, 于是我们删掉了过渡页 第二, 优化 Android 端扫码下载体验 Android 用户微信扫描 Web 页面二维码后, 将通过微信浏览器打开下载页面, 该页面禁止用户进行下载操作, 除非通过浏览器打开下载页面 ( 又多了一步 ) 无奈之下, 我们选择了直接链接至应用宝下载与安装 138

147 用户行为数据分析 上述两项优化工作, 我们都做了 A/B 测试,GrowingIO 的数据帮助我们最终说服了相关产品同事并实现了产品全面升级 通过一系列迭代, 中原地产用户的导流工作获得的新下载用户数量对比上周期 ( 未优化前 ) 增长了 27.3% 2 线下 : 监测经纪人推广效果 中原地产提倡经纪人向自己的客户推荐中原找房 App 安装了 App 以后, 业主可通过 App 及时了解委托房源的情况 ; 而买房客户则可通过 App 轻松地寻找适合自己的房源, 摆脱了经纪人逐一向客户提供房源信息的原始方式 GrowingIO 的 广告监测 功能可以批量生成监测二维码, 每个二维码背后都有对应的监测参数, 可以识别出下载用户的渠道信息 将这些二维码分配给每一个经纪人, 就可以监测到每一个经纪人的推广数据 139

148 GrowingIO 实战指南 上图展示了通过 GrowingIO 监测到 App 推广结果, 我们可轻松掌 握不同城市 不同经纪人的 App 推广情况, 包括点击 激活 转化 率等 个别经纪人为了突出个人表现, 可能会找朋友做一些虚假下载 借助 GrowingIO 单图 功能, 设置 新用户聊天转化率 和 新用户拨打电话转化率 两个指标来判断新用户的真伪 虚假的新用户当然不会找你聊天或者拨打电话, 这样我们就可以很容易得知是否有个别经纪人在作假 13.2 付费推广 : 识别虚假流量 目前中原集团有三种付费推广形式, 分别是信息流投放 地推和应用市场投放 在 App 推广过程中, 我们借助 GrowingIO 进行渠道监测, 尤其是应用市场投放 过去一段时间内, 我们选择了多家应用市场进行试投, 希望找出最具性价比的应用市场 1 监测 App 推广激活效果 140

149 用户行为数据分析 在某应用市场官方后台, 我们看到中原找房 App 每天新增下载量 在 135 个左右 但是, GrowingIO 单图 中显示该应用市场下 的平均每日新用户数每天不足 30 个 GrowingIO 监测的 新访问用户量 代表的是新用户下载并且激活 App 当应用市场的 下载量 明显高于 GrowingIO 统计到的 新访问用户量 时, 我们就能得出结论 : 这个应用市场的流量质量并不高, 很多用户仅完成了下载操作却不曾打开登录 App, 这是我们第一个发现 2 识别 App 市场虚假流量 目前, 应用市场刷量现象非常严重, 作假量的手段已经到了 非常高 级 的阶段 如何识别虚假流量, 这是一个巨大的考验 141

150 GrowingIO 实战指南 某应用市场官方后台提供的下载量, 它与 GrowingIO 统计的 新访问用户量 非常接近 因为大部分应用市场都会有一些自然流量, 所以该应用市场付费渠道带来的下载量略低于 GrowingIO 统计的 新访问用户量 是非常合理的 同时, 我们也查看了该应用市场的用户留存情况, 若干天后依然会有留存 一切的数据看起来都是非常合理的 然而, 当我们通过 GrowingIO 的 单图 分析各个渠道的新用户转化率时, 我们还是发现了问题 真实的用户总有一定的比例会发生转化, 但是这个渠道 5% 的转化率远远小于其他渠道 54% 的转化率, 这个差异引起了我们的高度重视 为了验证我们的猜想, 我们抽取了部分异常用户进行观察, 通过 GrowingIO 的 用户 - 用户细查 功能, 我们发现 : 大部分用户 的行为路径完全一致! 142

151 用户行为数据分析 当时我们应用广告的投放范围是 广州, 也就是说当地用户打开 App 时会自动定位城市, 只有非广州地区的用户才需要切换城市 而这些用户的的行为竟然是, 第一步打开 App, 第二步切换城市 结论很明显, 我们花钱投广告 收获 了一大批的虚假用户 这是 GrowingIO 对我们最大的帮助 : 通过鉴别付费推广渠道带来用户的 真伪 和 质量, 从而不断优化渠道 提升推广 ROI 143

152 GrowingIO 实战指南 第四章 精细化用户运营 用户行为数据如何帮助企业提升流量转化 提高用户活跃度和留存 率, 进而实现整体营收的增长? 本章将和大家分享在线旅游 B2B 电 商 小程序电商等三个实战案例, 帮助企业做好精细化运营 144

153 用户行为数据分析 14. 春秋航空收入利润率第一, 数据驱动增 长 1 春秋航空是国内最大也是最早的一家低成本航空公司, 本文分享的是我们如何通过数据化运营来提升航空公司直销收入 相比于其他的航空公司, 春秋航空在收入利润率这一块是做的比较好的, 主要是因为我们抓住了两波红利 : 移动互联网的人口流量红利和粉丝经济的红利 我们的微信服务号粉丝已经突破了 890 万,App 下载量 4800 万, 注册会员达 2800 万 上半年我们的利润 5.54 亿, 收入利润率国内第一 这其中的直销占比达到了 66.9 %, 这里面还不包括在各大 OTA 平台的销售额 1 本文作者 : 朱亮, 时任春秋航空电商运营总监 本文根据作者在 GrowingIO 2017 增长大会上的演讲内容整理编辑, 授权发布 145

154 GrowingIO 实战指南 但是这两年移动端新增用户的增长率一直持续下降, 获取一个新用户的成本也越来越高 我记得在 2015 年, 腾讯应用宝还非常火的时候, 我们单个下载用户的获取价格一般是在 5 毛钱, 最多也就是一块钱, 但是目前已经基本涨到 10 块以上了 在这种情况下, 我们在思考几个问题 : 拉新成本越来越高, 如何低成本有效获客? 如何提升站内有效转化? 结合用户行为特征, 如何进行差异化运营? 14.1 搭建用户增长框架 对于这几个问题, 我们认为首先应该有一套用户精益运营的增长框架 我们认为 AARRR 框架相对来说是比较科学, 也比较符合我们的增长思路, 所以就通过这个用户增长框架, 来搭建了我们的整个运营或者说增长的团队 正如下图, 我们会根据 AARRR 的每个节点, 定义一些增长指标来指导我们的增长工作, 比如在 Acquisition( 用户获取 ) 这个阶段, 我们的核心增长指标就是用户获取成本 每日新增用户 注册登录转化率等等, 这个环节就是渠道运营的团队在负责 下面的环节分别是激活 留存 变现和推荐, 由活动 产品和用户运营团队的同学负责 146

155 用户行为数据分析 除此之外, 在整个增长的过程中, 我们还需要一个强大的数据运营团队来支持我们做好数据的挖掘 分析和监测, 这样才能准确衡量增长, 及时发现问题 这就是我们整个运营团队的体系 那么, 如何才能提高直销收入呢? 直销收入 = 流量 X 订单转化率 X 客单价 通过这个直销收入的公式可以发现, 想要提升直销收入, 我们运营团队能做的就是流量和订单转化率的提升 接下来我就分别从流量获取 产品和用户三个方面来讲一下, 我们是如何提升流量和订单转化率的 14.2 流量运营 : 用户增长的基础 流量的获取至关重要, 因为这个环节是后续转化的基础 只有大规模 且高质量地获取流量, 才可以高效地提升转化 1 线上流量成本上涨, 关注渠道质量 147

156 GrowingIO 实战指南 刚刚我也讲到了, 目前我们面临一个很大的挑战就是线上流量成本的快速上涨, 这种情况下, 我们就会非常关注渠道的质量, 专注于提升渠道 ROI 用户从外部进入产品内的每一个节点, 都是可以分析和增长的 总结下来, 我们把这一块分为了以下四个部分 : 1) 外部流量结构和转化 用户从哪里来? 搜索 社交 自然还是付费? 各个渠道的流量占比和后续的转化是怎么样的? 这些都是需要渠道运营团队的同学搞得非常清楚的, 所以我们会通过 UTM 的监测, 把用户的访问来源 广告内容, 以及在产品内的注册转化 订单转化率全部拉出来做成上面这样的表格, 各个渠道的质量就一目了然了 2) 站内流量的优化 除了渠道的优化和调整以外, 我们还需要对站内流量进行优化, 提升站内流量承接和转化的能力, 包括落地页 关键路径以及频道的优化 3)BD 互推 148

157 用户行为数据分析 另外一种低成本获客方式就是 BD 互推, 通常我们会在微信号上互相推送对方的软文 但是这只是第一步, 我们更要关注从合作伙伴渠道来的用户行为, 比如点击 跳出 订单转化等等, 以此来判断合作方用户和自己目标用户是否匹配 4) 根据用户留存判断流量质量 除了注册和订单的转化以外, 我们还非常关注用户在未来一段时间的留存率, 因为留存率是判断增长最直接的一个指标 根据访问来源, 跟踪用户的留存率, 除此之外, 我们还会区分用户的城市, 因为不同城市的航线也有所不同 2 充分利用自媒体引流 刚刚说的很多都是在外部的流量获取渠道, 我们在自有流量的增长上 也做了一些努力 第一个就是在官网上引导用户下载 App, 因为通过测试得到的数据, 我们发现 App 里的用户留存率是最高的, 复购率也相对更高 引导用户下载的 banner, 也是我们经历了不断的迭代和测试, 思考什么样的文案和设计会让用户更有下载的欲望, 最后才得出的版本 149

158 GrowingIO 实战指南 第二个是在各个自媒体渠道做媒体的曝光, 比如今日头条 蚂蜂窝 搜狐号等等 因为目前微信和微博的粉丝增长也遇到了一些瓶颈, 所以在其他的渠道做内容是非常有效的低成本获客方式 3 重回线下 线上流量成本上涨, 重回线下就成为另外一个重点 针对春秋航空的 目标用户, 我们在线下场景上做了一些探索 除了在网站和 App 直接下单的用户外, 还有 30% 的用户是通过 OTA 平台下单的 针对这部分用户, 我们就利用登机牌背面引导他们转化 通过内容和设计的优化, 后续再监测他们的行为路径, 就能很好地把这部分收入转化成直销收入 另一个场景就是在机场的各个主路线上摆放易拉宝引导用户下载 App, 也是要通过文案和设计上的创意去打动用户才行 14.3 产品运营 : 提升订单转化率 150

159 用户行为数据分析 接下来我想讲的是产品方面的运营优化, 主要是针对订单转化率的提 升 1 梳理转化关键路径 转化率提升的第一步是梳理整个预订流程, 这步流程的核心在于, 梳 理用户预订流程中的每一个增长点 正如上图所示, 在整个预订流程中, 我们可以优化的地方非常多, 包括渠道 落地页 注册留存 搜索路径 列表页 订单填写页 支付页等等 2 找到流失率高的原因 用户预订的每一步, 都有一定程度的流失 要稳步提升产品内的转化率, 找到用户流失的原因至关重要 我们会通过用户行为漏斗分析 热图分析, 以及直接的用户回访来探寻用户流失的原因, 进而做相对应的增长 1) 漏斗分析 151

160 GrowingIO 实战指南 在去年的 5 月份, 我们开始和 GrowingIO 合作, 通过他们的漏斗分 析功能, 我们能够非常快速地看到预订流程中的哪一步出了问题 比如上面这张图, 我们发现 ios 用户从机票入口点击机票查询按钮的流失率达到了 28.9 %, 那么这个就是我们应该去思考和优化的地方 通常机票预订的用户流失原因有这么几个方面, 比如价格问题 直飞航线较少 流程体验问题 硬件设备 / 流量问题 视觉问题等等 GrowingIO 的无埋点技术能够帮我们很迅速地完成这个分析 因为我们的版本更迭速度很快, 基本上两周一个版本, 如果通过工程手动埋点, 人力物力以及时间可能会比较紧张 2) 热图分析 除了漏斗分析以外, 我们还会通过热图分析来观察用户在产品内的点 击偏好, 以此作为产品更迭优化的基础 152

161 用户行为数据分析 这是我们产品内城市空间热力图, 我们会发现在城市列表的页面, 用户的注意力主要都是在第一屏, 对下面的城市就不太关注了, 而且页面返回的按钮也用户比较多 那么我们会认为, 是否可以把用户的历史搜索和热门推荐放在第一屏的上面, 这样可以帮助用户更快地做决策 3) 用户访谈 除了漏斗和热图的分析, 我们还会对用户进行真实的电话回访, 直接询问他们对产品的使用感受 从这里发现, 用户的确对城市列表这个页面有一些意见 3 针对原因优化 找到用户流失的原因后, 我们就可以有针对性地优化了, 例如刚刚提 到的城市列表页优化 优化的目标是梳理清楚业务目标和设计目标, 这二者是两个层级 153

162 GrowingIO 实战指南 比如说城市列表页优化的核心目标是提高用户体验, 在业务层面, 这个目标就是提高用户的搜索成功率, 提高购买率, 减少跳出率等等 ; 而在设计层面, 这个目标就包括优化页面, 精简信息, 简化机场名称等等 除了目标的设定以外, 我们还需要明确衡量指标, 包括用户在搜索页面的平均停留时长, 从点击查询到预订的时长, 在搜索页的跳出率等等 在这个案例中, 我们对日历和城市搜索页两个控件进行了优化 第一个优化是日历 : 低价高亮展示, 周末日期与工作日用颜色区分, 根据国家法定假期提示假日 方便用户决策出行时间, 往返价格显示最低总价, 让用户可以自由的更改日期 不用在两个日历界面操作, 并提示用户选择去 返程日期, 如遇国际航线提示为当地日期 第二个优化的控件是城市 : 国际城市展示机场代码, 规范控件导航目录, 针对旅游客增加城市推荐及理由, 搜索展示全部城市, 中转或空铁空巴用标签分类等等 优化之后, 我们的转化率有了很明显的提升 : 城市控件页到机票搜索页的转化提升了 14.4%, 导致整体转化率提升了 2.68% 154

163 用户行为数据分析 4 识别异常流量 对于产品运营团队来说, 他们还有一个使命是识别异常流量 用户访问的来源可能有很多, 但是其中也不乏刷量以及涉及到灰色产业的异常流量, 那么识别这些异常流量, 甄别刷量劣质渠道, 就是很重要的一件事了 举两个简单的例子, 一个富媒体渠道来的用户, 虽然访问量大, 但是跳出率非常高, 我们就及时停止了这个渠道的投放 另一个是我们发现直接访问的转化率有明显的下降, 但是通常来说直接访问的用户都是目的性比较强, 转化率很高的 于是我们通过 GrowingIO 的用户细查功能发现, 有一些用户不断地刷新我们的页面, 但是没有正常的用户行为路径, 可以判定为流量中的恶意代理, 并且及时禁止了访问 14.4 用户运营 : 提升直销收入 最后一个部分, 我想讲讲用户运营在提升直销收入中承担了怎样的角 色 155

164 GrowingIO 实战指南 1 用户分层 我们原先和用户的触达通常是邮件 短信 push 的群发来达成的, 希望能够更好地促进用户复购, 但是这种方式, 一方面成本下不去, 另一方面用户的体验也不太好, 所以现在我们的用户运营团队就做了一些比较精细化的工作 我们通过一些算法定义两个指标 : 会员流失指数 会员价值指数 根据这两个指数来给会员分层, 对不同层级的会员制定针对性的运营计划, 比如发优惠券 促销信息等等 2 OTA 用户转化 除了直销平台的用户以外, 我们还有 30% 的 OTA 平台用户 为了 让这部分用户转化成我们的会员, 并且持续地在我们自有平台上下订 单, 我们通过最近一次购买的时间跨度对用户做分群 156

165 用户行为数据分析 在做了很多的 A/B Test 之后, 我们发现距离最近一次下单 0-7 天内的用户最容易转化 于是我们就做了一个自动化的触发, 用户下订单之后的 7 天内, 给他们触发返程的机票, 现在看来成效都是比较好的 3 以老带新 另外, 我们还做了一些老拉新的工作, 这也是比较低成本的获客方 式 157

166 GrowingIO 实战指南 我们通过关键行为路径和指标的定义, 比如访问 App 看到邀请文案 点击文案 看到活动, 点击发起邀请等等, 进而通过运营手段增加愿意分享者的数量和分享次数 比如, 我们在多个入口放活动的文案 发送优惠券等等 通过运营手段提升航空公司的直销收入, 这跟用户增长 转化率提升息息相关 这是一个系统化的工作, 需要用科学的手段和工具去完成 15. 欧冶云商 : 数据驱动 B2B 商城用户增长 2 欧冶云商是一家钢铁行业的 B2B 垂直电商, 作者在欧冶云商担任平台运营负责人 下面的内容将从 4 个方面展开, 第一个是 B2B 行业用户增长的挑战和机遇 然后作者会分享欧冶云商探索用户增长的 3 个实践, 分别是 : 探索产品核心价值主张, 用户转化路径优化, 精细化的会员运营体系 15.1 B2B 增长的挑战和机遇 2 本文作者 : 程夏莹, 欧冶云商平台运营负责人, 在 B2B 电商领域有丰富产品设计及 运营经验 本文根据 GrowingIO 增长公开课第 29 期内容整理编辑, 授权发布 158

167 用户行为数据分析 既然本文分享的主题是 数据驱动, 那么 B2B 商城如何用数据驱动 增长呢? 1 怎么去做数据驱动? 我把数据驱动总结为 : 数据驱动 = 度量 + 增长机制 数据驱动要做的第一件事情, 就是指标的度量 我们经常会遇到类似的问题, 当公司的 KPI 往上涨的时候, 如何知道这是市场活动推广带来的流量还是产品功能迭代带来的效果? 想要回答这个问题, 一方面你要合理拆解指标, 另一方面你要有一个度量体系 当然, 如果仅有度量体系的话, 我们是没法增长的 数据要想真正驱动增长的话, 必须要有一个增长机制 ; 有了这个增长机制的保证, 我们才可能做到增长闭环 1)B 端增长和 C 端增长差异在哪? 为什么我们现在总说 B2B 增长非常难做? 我提炼出下面 4 个方面的 原因, 分别是 : 精细化程度不同 信息化阶段不同 增长机制不同 商业定位不同 159

168 GrowingIO 实战指南 精细化程度不同 C 端有一个非常大的发展背景, 就是它的三大红利已经逐渐消失,C 端正在从流量为王的时代向精细化运营时代转变 但是,B 端目前还处于一个线下交易向线上过渡的阶段, 是一个模式重构的阶段, 这个阶段的主要矛盾, 还在商城的基建, 粗放式发展招商引资, 商业模式的探索, 远没有达到需要精细化运营的阶段 信息化阶段不同 现在的 4G 网络已经实现了人和人 端到端的连接, 支付和物流也非常成熟,C 端整个行业已经从 IT 时代过渡到 DT 时代 但是,B 端信息化程度远远没达到这个阶段 我们的产业链单元非常多, 每一个行业的信息化程度都不一样, 更不用说端到端的信息连接了 增长机制不同 目前 C 端有非常多的增长套路, 比如分销 微信裂变 拼团等等, 这些手段 C 端都可以直接拿过来用 但是在 B2B 行业里面, 这些方法基本没用, 因为消费端的强互联网模式很难适用于生产端的电子商务 ; 而且我们能给出的解决方案非常少, 强依赖于线下的供应链的整合能力, 所谓的 指标 - 手段 - 学习 快速迭代的方法论找不到落脚点 商业定位不同 综合上面三点, 也很容易提炼出 C 端和 B 端商业定位的差异 一个是消费互联网, 一个是产业互联网, 以消费端轻的思维方式很难做生产端重的模式, 或者做出来的产品商业价值很低, 这两者商业本质的差异, 造成 C 端炫酷的增长经验在 B 端无处落脚 2) 什么是增长 (Growth)? 160

169 用户行为数据分析 针对上面的增长挑战, 欧冶云商也做了一些尝试 Growth is connecting the existing core value of a product with more people. 这句话对增长 / Growth 的定义, 我觉得是非常贴切的 增长要做的核心, 是去做一个连接 (Connecting), 连接的是产品的核心价值 (Core Value of a Product) 在已经有了核心价值的基础之上, 增长可以把核心价值连接给更多的人 (With More People) 这三个关键词也是接下来我分享的三个实践 15.2 探索产品核心价值主张 第一个实践就是探索产品的核心价值主张, 我们在探索的时候需要有 一套方法论作为基础 1 方法论和实践 在探索产品核心价值的时候, 我们要明确目标用户是谁, 他当前没有 被满足的需求是什么? 针对这些没有被满足的需求, 我们能够提供的 161

170 GrowingIO 实战指南 价值主张是什么? 在这个过程中, 如果我们的价值主张和用户没有被 满足的需求契合度越高, 未来这款产品做增长的基础就越牢固 在这个过程中, 我也发现了很多误区 第一个, 不尊重产品的发展阶段, 盲目通过交互迭代做增长 第二, 不尊重目标用户的需求, 盲目有求必应 填鸭式发展 第三, 在 PMF 阶段之前我们必须要面对 打破 - 重建 - 打破 - 重建 的过程, 否则的话我们就容易陷入工程思维的陷阱 欧冶云商在探索核心价值的过程中, 我们也遵从了这个方法论 首先, 我们需要知道在整个钢铁行业中现阶段还没有被满足的需求是什么? 这就要求我们了解现货的来源是什么, 因为我们整个商城是以卖钢铁现货为主的 钢铁现货的来源, 一个就是汽车厂向钢厂订货合同的余材, 一个就是因为生产工艺或者控制问题造成的质量余材, 还有一个就是统货 ( 包括尾卷和协议品 ) 从这样一个来源上看, 我们能够发现这个行业面临的主要问题就是质量信息不对称和市场供求信息不对称 162

171 用户行为数据分析 所以基于这样一个未满足的需求, 我们希望平台能够解决行业信息不对称的问题, 依赖信息化的手段去提升行业效率 欧冶云商 2013 年 年过程中, 就是在做这个基建的工作, 这个过程中有非常多的流程再造和产品创新, 这个阶段关注商业模式和目标用户被撬动的动机 2 依托钢厂提高留存 2016 年的时候, 我们分析过各个地区用户的结构和留存情况 通过上面这张图, 我们能看到 2016 年的时候欧冶这个平台主要以华东地区用户为主, 这造成我们在做市场推广的时候容易陷入一个 To C 的陷阱里面 因为 B2B 领域中, 增长不在乎这个平台的流量是多少, 而在于区域的流量密度 基于此, 在后期的推广中, 我们把平台间的互相引流转向到对于钢厂产品的平台赋能工具的使用上 在这个过程中, 我们发现邯郸地区的用户数量突然起来了, 虽然说占比还是很低, 但是这个钢厂上线后它能带来一个地区用户数量的增长 有了这样一个数据后, 我们进一步 163

172 GrowingIO 实战指南 分析了邯郸和武汉两个当地有钢厂的地区, 我们发现这两个地区的用 户留存度显著高于平台的总体留存 因此平台也做了一个功能上的更新, 我们把钢厂直销资源这样一个功能区域直接挪到了平台首页上 一方面, 我们希望让用户更快进入他想要购买的资源入口 ; 另一方面, 我们也希望有一个品牌之间的相互影响, 体现出欧冶的品牌价值 因为我们锁定了钢厂的核心价值, 之后就稳步把这样的模式复制到其他钢厂 经过两年左右的发展, 到 2018 年 3 月, 上海地区的用户已经从 16 年的 80% 占比下降到了 31.6%, 其他地区的用户数都有了显著的增长 3 征收平台服务费 在 2016 年的时候, 我们当时做了一件事, 就是针对平台上的交易征 收服务费 这样的一个手段上了以后, 直接结果就是一些羊毛党从平 台上直接流失了 164

173 用户行为数据分析 通过上面的留存图, 我们可以看到上海地区的用户留存有了一个直线的上升, 后期直接与邯郸 武汉地区的用户留存率持平 这就是我们欧冶探索产品核心价值主张的一个路径, 现在我们已经能够统一认知 钢厂是我们商城的主力租户, 面对钢厂, 平台就是一个 SaaS 工具, 输出的是一套现货销售的解决方案, 并且有可以直接落地的工具 - 平台供使用 针对这些主力租户我们平台提供一些工具赋能给他们, 比如说发票结算 数据报表 调价行为监控等等 面向钢厂, 提供一个 SaaS 平台为钢厂赋能, 这是我们留住核心用户的方法 15.3 用户转化路径优化 探索完产品核心价值以后, 我们接下来要做的就是用户转化路径的优 化 165

174 GrowingIO 实战指南 用户进入我们商城后, 他首先会做的事情就是搜索 ; 搜索的过程中可能因为没有合适的资源而流失掉, 这个时候我们找不到货的解决方案是什么? 1) 场景 1: 小欧帮买 我们希望用户能够留一条求购的信息在我的平台上, 我可能会给他推 荐一些隐藏资源或者可能有货的店铺, 还有一种就是把这个求购信息 166

175 用户行为数据分析 发送到平台上的入住方 通过这样一个帮买的解决方案, 让用户能够把资源加车 上图是我们去年推出的一款 小欧帮买 产品, 这个是平台上的入口 在做这款产品之前, 我要回答这几个问题 : 第一, 我要解决的问题是什么? 用户在现货商城买不到货而直接流失, 这就是我们要解决的主要问 题, 我们希望降低这部分用户的流失率 第二, 目前拥有的资源是什么? 我是通过合伙人来做, 通过商业模式创新来做, 还是我可以用机器人 来做一些自动的检索和提醒? 第三, 产品上线后用什么指标来衡量? 因为产品上线后, 从用户留下一条帮买信息到最后有帮买行为, 这其中有一个非常长的转化过程 如果我们设置的指标是 帮买量, 这可能导致我们在前几周时间内帮买量指标都为 0 所以, 我们要设置一个指标前置, 让它变得更加敏感, 能够衡量这款产品的真实发展节奏 因此, 我们把它拆成了 4 个指标 首先是产品 关注人数, 即帮买区的热度, 包括 PV/UV 等指标 其次是 发布的帮买数量, 用户关注我们整个产品功能后, 会有多少人留下帮买的需求 第三个就是 响应数量, 有多少供应商可以响应用户的需求 最后一个就是 复购率, 度量使用过这款产品的人对这个产品的满意度 第四, 产品该如何设计? 167

176 GrowingIO 实战指南 基于这些思考, 接下来就是产品设计的问题 在做这款产品的时候, 第一步就是要挖掘更多的场景, 用户会留下帮买的需求 第一步 : 让更多人发布帮买 第一个场景, 搜索无结果 用户进入商城, 他在平台上做了搜索, 但是搜索无结果 他没有找到 自己想要的资源, 那么这个时候他可以留下一条帮买需求 第二个场景, 保存了常用搜索条件 用户对平台资源的需求是稳定的, 当相应的资源在平台上出现的时 候, 用户希望收到我们的提醒 第三个场景, 主动发起帮买 用户在线下或者别的平台上没有找到相应的资源, 那么我希望能够主 动在平台上留下一条帮买信息, 让欧冶帮我来找对应的货 第四个场景, 竞价的流拍 168

177 用户行为数据分析 竞价拍卖的时候一个资源可能有好多人来竞拍, 但是最后拍中的只有一个人, 那么第二 三 四个出价的人都可能对这个资源有需求 我们挖掘了这个场景, 当你没有拍中的时候, 你可以开启资源提醒, 抢先一步通知你 第二步 : 衡量每一个场景的流量和转化 有了上面这些帮买场景, 接下来我们就可以衡量每一个场景的流量和 转化 下图是我们在 GrowingIO 里面做的每一个场景的点击数和转 化率 通过图 7 柱状图柱子的高低, 我能够去衡量我假设的场景和用户真正使用这款产品的匹配度是什么样子的 然后针对每一个场景我们都可以建立一个漏斗, 图 8 是针对 保存常用搜索条件 场景的转化漏斗 我们看到, 用户点击数量很高, 但是转化率非常低, 有待优化 A. 第三步 : 找到指标表现不好的假设原因 在这个过程中你要注意每一个场景落地页的承接文案, 我们可以把它 拆解成两个案例来单独研究一下 169

178 GrowingIO 实战指南 案例 1: 搜索无结果入口点击数提升方案 上图展示了两种搜索无结果页面方案, 修改前的方案是左边上面那张图 修改前的方案, 用户的注意力可能会被上面那张图吸引, 完全没注意到下面的文案提示 同时, 我们的产品名称 小欧帮买 没有任何解释 用户可能也不理解是什么意思, 并不能抓住用户眼球 图 9 右边柱状图黄色的线条是修改前方案的点击量, 非常低 ; 就算这个场景是对的, 转化衔接也是非常差 发现问题后, 我们做了一个优化, 把页面的布局做了一些排版优化 名字叫什么不重要, 重点强调我能给用户提供一个找货神器 ; 我能帮你找到对应的货, 是一个神器 经过这个改版后, 我们发现它的用户点击数是直线上升, 也就说明我们的改版比较成功 案例 2: 保存常用搜索条件 转化率提升方案 在上面的分享中我提到第二个帮买场景, 保存常用搜索条件 到 订阅提醒 的转化率非常低, 这是为什么呢? 170

179 用户行为数据分析 因为当用户保存常用搜索条件的时候, 他想要的是下一次搜索时直接点击相应的资源组合就可以, 而不是要重新把搜索组合一遍 第一个版本中, 我们并没有把用户 保存常用搜索条件 和 订阅提醒 两者有效承接起来, 用户可能直接直接关掉弹窗提示 第二个版本中, 我们告诉用户有小欧帮买这样一款产品 ; 你订阅当前的搜索条件的话, 小欧帮买可以自动帮你抢货而且抢货更快一步 你需要做的事情就是去完善信息, 去下一个页面给它做完就好 通过这样一个文案引导, 转化率有了一些提升, 但是还不能满足我们的要求 我们又迭代了第三个版本, 直接告诉用户我们是小欧机器人, 每十分钟帮您自动搜索一遍 抢货快人一步 经过几个版本的迭代以后, 整体的转化率提升了 50% 以上 2 场景 2: 搜索优化 在这个过程中, 我们发现用户留下来的求购信息千奇百怪 我们就在想 : 难道这就是用户找货的惯用描述吗? 171

180 GrowingIO 实战指南 用户在现货商城里面又是怎么找货的? 留了这么多的求购, 是因为我们平台没有货还是因为货藏的太 深了? 我们的搜索引擎是否足够强大, 会不会导致用户找不到货? 在这个背景下, 我们做了几件事情 第一步, 搜集搜索框输入值进行分析 GrowingIO 提供了这个功能, 我可以把搜索输入框的修改值作为一个时间, 然后按照这个元素内容去进行维度拆分 这个图就是我得到的用户在我们搜索框里面输入的词 第二步, 下载表格逐个分析用户搜索习惯 我们把搜索数据表格下载下来, 然后逐个分析, 看看用户的搜索习 惯 比如用户写的 0.75X1500 无花无油 是什么意思呢? 举一个洗 发水的例子, 商场里面对洗发水的布置顺序可能是 洗发水 - 宝洁 - 海飞 172

181 用户行为数据分析 丝 但是用户在搜索的时候, 他直接要的就是 无硅油, 他不在意品牌名称, 他要的就是无硅油洗发水就可以了 类似这种的搜索习惯, 我们之前的搜索引擎里面是没法满足的 很多资源我们商城都是有的, 但是因为语义我们没有识别出来, 导致搜索失败 第三步, 整体判断搜索无结果率 当用户每一次搜索的时候, 我们平台的主搜索页都会有一次更新, 他的 PV 就会增加一, 所以我们把搜索页面的 PV 作为搜索效率的分母 同时, 无结果的时候结果页会出现一张图片, 我们把这张图的 PV 作为分子 分子 / 分母, 就得到了我们的搜索无结果率这样一个指标, 这可以用来判断我们整体的搜索效率 第四步, 优化搜索逻辑 这一步非常重要, 做完诊断后需要把问题转给相应产品经理进行搜索 逻辑的优化, 这也是我们增长机制的重要一环, 即完成闭环 173

182 GrowingIO 实战指南 3 小结 在上面两个案例中, 其实有一个非常重要的点, 就是增长闭环 如果你是产品经理的话, 你自身就可以实现这样一个闭环 ; 如果你不是产品经理的话, 你需要找一个好的合作伙伴来优化产品, 把增长方案落地实现 所以, 我们认为没有增长机制保障的数据运营是驱动不了产品发展的 打一个比方, 病人体检的时候医生会看到检验指标报告, 不同医生看到同样的指标报告给出的治疗方案可能会不一样 有了治疗方案以后, 我们会定期复查, 跟踪这个指标有没有变好 其实, 做用户增长也是一样的 数据驱动以后, 增长经理要去看相应的指标, 并且协调资源把方案落地上线 同时, 在这个过程中我们要尊重一题多解, 需要有一个试错机制去尝试增长经理提出的不同方案, 这个时候就需要 A/B 测试了 174

183 用户行为数据分析 15.4 精细化的会员体系 在做会员体系之前, 我们需要回答的一个问题就是 怎么样去度量会 员的价值 1 会员管理体系 度量会员价值的时候, 我们首先要思考的就是平台的价值主张是什 么? 有哪些指标能够反映出平台上用户价值的差异? 针对这些指标我们要建立一套模型, 挨个对用户进行会员价值 度量 度量完会员价值后, 我们的会员权益如何策划? 策划的会员权益需要基于用户的细分, 找到对权益敏感的人 群, 针对性设计客户成功手段 衡量不同手段的敏感度 最后, 催化不同用户群体价值的提升 我们将会员体系归纳成如下的模型, 横坐标代表会员价值的度量 ( 一 星到五星 ), 纵坐标代表不同的细分群体, 不同的圆圈代表不同的用 户群体 175

184 GrowingIO 实战指南 以群 3-1 为例, 这个群体是三星用户, 同时他对融资有非常旺盛的需求 针对这类用户, 我的运营方式就是说再获得 10 分积分就可以获得 50 W 的融资额度 把这样一个策略运营到这个群体上, 我就可以去跟踪三星到四星的迁移率有没有提升? 融资产品的使用人数有没有上升? 如果我们的目前是降低平台的负面行为 优化平台生态, 我现在可以 使用那些方法和手段? 176

185 用户行为数据分析 我会把用户的负面行为记录下来, 直接扣分, 然后扣分会直接影响到搜索排名 同时, 没有负面行为可能会获得平台的诚信勋章, 勋章可以提高搜索排名 当我们把这些运营手段用到对应的群体上以后, 我们需要跟踪指标 负面行为发生率 有没有下降 如果我们希望鼓励更多的用户, 通过平台认证成为会员价值体系的一员, 我就需要设计手段引导用户去维护会员资料 同时展示相应的权益 这个时候, 跟踪指标就是 认证会员占比 在探索整个会员价值体系的路径上, 我们遵循的就是先度量再细分, 然后针对不同分群采取不同的手段 通过强交互的方式引导用户对一款产品的认知, 最后关注这款产品的关注度指标是否有变化 2 会员管理案例 下面的案例展示了我们在会员管理上的一些实践 首先左边的图片展示了用户的会员分数, 将原来的一星二星三星四星 五星变成了一个百分之的分数, 让用户觉得更加敏感 然后再分数下 面有相应的引导, 这个引导入口有对应的点击率和引导流程转化率 177

186 GrowingIO 实战指南 如果用户获得了平台的一些权益, 登录时有一个弹框告诉用户你获得 了对应权益 ; 通过这种产品交互, 让用户觉得平台更加有价值 上述产品上线后 辅之以相应的运营手段, 我们关注的第一个指标 产品关注度 直线上升 我们也通过 GrowingIO 建立了一个漏斗, 监测会员认证流程的转化率, 我们可以看到转化率其实是非常高的 用户他其实并不反对平台的认证, 只是我们以前没有提供相应的引导 然后, 负面行为发生率 直线下降, 半年时间下降了 50% 左右 最后, 认证会员数量持续稳定增长, 说明会员体系的影响面越来越大 15.5 B2B 用户增长总结 综合上述案例, 可以看到我们用的手段是非常轻的, 这是基于商城基 建已经搭好了的基础 做增长的人, 必须权衡增长黑客之轻和核心价 值之重 178

187 用户行为数据分析 我们在策划一些拉新 转化的手段时, 我们必须思考整个钢铁行业未被满足的需求是什么? 整个行业的分销体系 游戏规则是怎样的? 这其实是整个产业互联网的难点, 它不仅仅是互联网, 更需要对产业痛点的深度把握, 这一块也是欧冶云商在孜孜不倦在做的一个探索 数据能做的事情只是度量, 增长机制的建立依赖手段 ; 数据驱动, 就是 有监督 地增长 To B 端的手段更多的是线下供应链的整合能力, 而不是轻的套路 增长的职能, 在于 Connecting ( 连接 ) 而非能创造价值 平台的发展达到了精细化的阶段, 才需要通过线上行为的监控做转化提升, 否则请继续不停尝试 做 B2B 增长, 找好产品 尊重其所处阶段, 切不可舍本逐末 16.MatchU: 留存破局, 后流量时代的用 户增长 3 本文跟大家分享的主题是 后流量时代的用户增长 流量红利的衰减在当下已经是不可逆的现状了 在这样的现状下, 如何定义新阶段的用户增长, 以及如何在微信小程序生态下做用户增长, 是本文想跟大家分享的关键点 3 本文作者 : 蔚馨,90 后创业者,MatchU 联合创始人 179

188 GrowingIO 实战指南 16.1 MatchU 的发展历程 4 我们和传统定制不一样的地方在于, 传统定制一般需要人工测量用户身体尺寸, 而我们只需要用户输入身高 体重 肩型 腹型等身体特征就可以计算出适合用户的 20 多项成衣尺寸, 并发放给联合工厂一人一板进行定制, 在 7 个工作日内发至用户手里 我们联合了上游面料供应商以及下游服装定制工厂, 打造高效率的柔性供应链, 力求用更快的速度给到用户更满意的产品 中小型的加工厂商可以用我们的输出的信息定制个性化的流水线, 生产更高价值的产品 我们还和鲁泰上市公司合作, 输出管理系统, 提高生产流的信息化效率 科技因素与柔性供应链的结合, 让我们能以 199 元的价格, 给到用户与现在市面上四五百的衬衫品质差不多的产品 从 2017 年 3 月上线到现在, 我们增长速度还是非常快的 2017 年我们全年营收 4 MatchU 码尚, 一家利用线上 AI 在线量体技术完成智能男装定制的服装品牌 180

189 用户行为数据分析 800 万,2018 年的营收将近 2 个亿, 今年我们预期营收达成会更高, 现在增长速度也是比较可观的 我们同时踩中了个性化定制以及产业互联网两个热点, 所以去年就完成了三轮融资, 现在已经达到了 B 轮, 累计融资 2 个亿 在整个发展过程当中有几个时间点跟大家分享一下 : 其实我们在 2017 年上线的时候就踩中了今日头条的流量红利, 当时我们用信息流推广把 MatchU 推向了大众市场 到 2017 年 9 月, 我们开始把战场转向微信生态, 上线了当时非常少见广告形式, 用户能在广告界面直接完成支付, 并且很快把这套 H5 的支付流程搬到小程序上 现在, 小程序的微信入口从 30 多个变成 60 多个, 很多政策和流量都对小程序倾斜, 验证了我们当时的策略非常准 到 2018 年 4 月, 我们发现流量有点不对劲了 哪怕我们在同行业里, 流量转化效率和资金利用效率还是非常高, 但是我们的 ROI 还是难以抑制往下掉 181

190 GrowingIO 实战指南 于是, 我们开始转向用户增长 但我们的增长引擎到底是什么? 下面 将为大家展开分享 16.2 流量增长的现状与困境 回到流量本身, 流量增长的现状有三个比较大的问题 : 1 流量入口分散 我这里列举了付费推广 品牌投放 内容分发 线下获取等主要渠 道 前三种渠道主要还是在手机端, 线下端是另外一个战场 真正做好每一个渠道都需要一个非常专业的运营团队, 不然同质化品牌及产品非常多的情况下, 很难保证用户的忠诚度 而且这还只是现状,5G 时代来临之后, 用户信息接收会从手机屏变成更多屏, 比如电饭煲, 电冰箱, 烤箱等也会变成流量入口, 也可以打广告 182

191 用户行为数据分析 在这样的趋势下, 流量入口越来越分散, 品牌需要照顾的入口越来越多 对企业来说, 如何针对自己的产品形态及用户特性寻找合适的渠道, 将是一个非常重要的问题 在用户和渠道关系上, 我们也总结出三个阶段 : 第一阶段, 在渠道里找用户 这是我们在 2017 年上线初期的思路, 我们在今日头条和微信里找我们的用户 但一旦流量入口分散后, 这种渠道获客方式会变得非常困难 第二阶段, 用户所在即渠道 这是我们现在在做的方式, 把我们的视野从渠道收回到用户本身 用户在哪里, 会和哪些应用进行交互, 我们的渠道就应该在那些地方 举个例子, 我们的用户调研显示, 现在有小孩的用户比较多, 并且经常出入电影院, 所以我们现在也做线下电影院等场景投放 第三阶段, 叫做用户即渠道 这是我们正在探索的方式, 社交电商在这块做得比较好 我们的用户主要是 岁的男性, 但现在这群用户在市面上面并没有一个非常好的裂变传播方式 我们也在探索用如何让这群用户成为他们自己圈子里的小 KOL, 由他们拓展出新的渠道带来新的流量 我相信这是之后做男性希望消费品需要探索的重要命题 2 人均承载广告费用增多 这是艾瑞的报告, 从 2012 到 2018 年互联网单用户承载的网络广告 成本一直往上增加 就我们自己而言, 我们能非常明显感觉到 ROI 不 断往上涨, 而且很难再把它降下来 183

192 GrowingIO 实战指南 3 虚假流量泛滥 在虚假流量泛滥的情况下, 我们搞不清楚现在的流量哪些是真实用 户, 哪些是机器人 这也导致了我们现在对于流量获取海盗模型的调 整 基于这三个流量困境, 我们不妨想想这时的用户增长会有什么变化? 现在用户增长是一个市场行为, 还是其他类型的行为? 184

193 用户行为数据分析 16.3 定义用户增长 以往用户增长可能只是市场或运营团队的工作, 但未来将是需要公司 打通所有部门, 整体协作完成的命题 1 用户增长的演进 以下是我们对用户增长演进的分析 : 单点突破 在早期硅谷式的用户增长阶段, 比如 Dropbox 和 Facebook, 大多是通过局部交互优化带来增长 像优化页面内某个按纽的颜色 大小或文案, 提升某个目标行为的转化, 都属于单点突破 平台导流 用户补贴 用户增长理念引入中国之后, 玩法形式开始越来越多样化 有像网易严选这种, 由大平台孵化导流到子品牌或子平台的形式, 也有像美团 滴滴 饿了么常用的用户补贴, 现在瑞幸咖啡虽然说品销合一, 但它在品牌营销下也带着花样发券的本质 185

194 GrowingIO 实战指南 内容营销 社交传播 再往后就是内容营销和社交传播, 提出了现在比较流行的分层精准化 运营的概念, 通过微信等平台的社交属性进行裂变 超级会员 去年出现了类似 88 会员卡这种超级会员的形式 我一直觉得超级会员最终目标应该是增加用户对于品牌和平台的归属感, 但目前还仅仅停留在营销工具的层面 在超级会员这个阶段还出现了一个非常热门的方向, 游戏化设计 比如用激励性非常强的任务体系引导新用户完成目标行为 这是现在我们公司觉得能提高用户群传播效果的重要抓手 2 用户增长的认知误区 我这里提到的用户增长认知误区, 应该是用户增长形式的演变过程 中, 我们认知上的变化 以往用户增长更多以拉新为重点, 会追求 PV UV 等前端的局部 ROI, 用单一维度, 比如说是否完成购买, 来衡量用户的价值, 想尽办 186

195 用户行为数据分析 法吸引用户和产品发生第一次接触 这是用户增长限于局部的思维方式 但现在, 对用户增长的认知已经从局部开始往整体性发展了 具体有以下几点变化 : 制定更加商业化的指标 类似 PV UV 这些指标只能反映用户流过, 而不是留住 要做到留住用户, 就需要整个公司制定的指标更商业化 更有价值 举个例子, 成本回收周期, 它能反映用户获取的成本, 需要多长时间回收 这一指标不管对运营机制和资本使用情况的评判都更高效, 更商业化 建立多维度标签衡量用户价值 其实就是打用户标签, 相信在座很多人知道, 但不一定都有做 因为 它技术门槛较高, 我也非常期待有第三方能给到更多支持 用户思维 增长团队的思维要从流量思维转变为用户思维 流量思维更多是从用户获取角度出发, 而用户思维是清楚了解用户从获取到活跃到购买转化的整体路径 用户这一系列行为与运营 市场 产品 客服等各职能都息息相关 这样的公司可能会考虑整合各部门资源, 把服务整体打包给到客户 这当中体现了两个要点, 一致性和持续性 一致性指的是, 用户在每个触点看到的, 都是公司一致的面貌 持续性指的是, 根据用户在每个触点不同的反馈, 给到定制化服务, 不能一刀切 3 拆解用户增长的指标 基于以上认知, 我们公司对用户增长的指标更多是有效用户增长 : 187

196 GrowingIO 实战指南 有效用户增长 = 用户数量增长 x 用户留存率 x 用户变现率 我们认为用户增长的逻辑应该围绕产品和服务展开, 结合数据洞察, 维持触点舒适度并带动增长 这里面有几个关键词 : 围绕产品和服务 我们认为现在的用户增长不再是一个市场行为, 而是一个结合数据洞察的服务行为 我们的市场和运营行为, 不再是靠一群人的脑暴和灵感, 而是看真实数据的情况 触点的舒适度 现在我们做用户增长不再是觉得某个点好, 就拼命往这个点投入 我们需要耐下心来描绘用户触点地图 比如用户看到广告 收到小程序推送或在公众号留言咨询等, 都属于用户触点, 每个触点稍有不慎都可能造成用户流失 我们公司把整个用户增长拆分成几个详细的指标 : 188

197 用户行为数据分析 首先是留存率 我们在微信环境里面主要有两个留存的地方, 一个是公众号, 一个是个人号 个人号就是最近比较火的私域流量池, 我们会把高净值用户留存到个人号里, 和我们的用户交朋友 其次是首单转化率和首单复购转化率 我们通过数据分析发现, 购买两次并评价一次的用户会成为我们的忠诚客户 这种行为是有迹可循的, 大家可以观察下, 你们的用户发展为长期用户之前, 大概率会发生什么行为 如果能够找出来, 后面用户运营的时候, 只需要把用户往这个行为上引导就可以了 最后是 VIP 客单以及稳定的复购间隔, 这块工作我们交给了私域流量的运营团队来进行完成, 他们会通过自己的服务以及专业的态度, 根据每一个用户不同的需求给到用户更定制化的服务 16.4 微信环境的留存路径搭建 之前的增长模型是以获客 激活 留存 营收 推荐的顺序排下来的, 但在这样的情况下, 很多人都会陷入流量思维, 过多关注获客而没办法留住客户 有增长思维的公司会把留存放在第一位 要在微信里完成用户留存路径搭建, 就现阶段而言, 小程序毋庸置疑是我们的抓手 小程序是微信的超级流量入口, 从上线沉寂期到野蛮生长再到现在正规军时期, 就是很多公司已经在微信里面搭建小程序矩阵 和 APP 或微信公众号相比, 小程序有非常多先天优势, 比如使用门槛低 受众用户广 交互触达准 涟漪传播块 189

198 GrowingIO 实战指南 但是, 小程序有一个非常大的特点 用完即走 当下场景用过小程序的用户是不是真正的用户? 之后能不能创造第二个场景触达他们? 只凭一个小程序其实是非常难的, 那么应该怎么做呢? 我们认为应该搭建基于微信生态, 以小程序为中心的矩阵 小程序不能当 APP 用 有的公司会把小程序做得像 APP 一样, 把所 有功能都塞在一个小程序里面 先不说这样对用户来说是不是太累 190

199 用户行为数据分析 了, 微信更新之后, 小程序入口界面就像桌面一样 如果你的小程序只有一个, 相当于在抢占桌面战役里面你们只占了一个入口 如果产品生态或符合用户的场景够丰富, 我们可以把各种不同的场景拆分成不同的小程序, 那就意味着用户桌面会有多个小程序, 这是小程序要做成矩阵式的重要原因 就拉新而言, 小程序的裂变是得天独厚的, 就看怎么能够抓住目标用户产生裂变行为的利益点 除此之外, 还有生态类的广告曝光和线下二维码引流 线下二维码引流是零售业的优势点, 因为我们会在包装物料里加入一些小程序的二维码, 扫描进去是可以直接关注公众号 小程序的活跃与服务号 个人号 订阅号有密切关系 它们的关系有点像动脉 静脉和毛细血管 服务号发布品牌主要信息, 订阅号承接不同用户, 推送不同的信息内容 像我们公司有十几个订阅号, 一来是分散风险, 二来我们的用户年龄跨度比较大, 那 岁用户关注的东西和 岁的不一样, 后续如果我们拓展年轻或女性用户关注的内容又不一样, 这是我们为什么要做多个订阅号的原因 另外, 我们现在会把购买三次及以上的用户全部导到个人号里面, 个人号的运营小姐姐们跟用户完全是朋友关系 她们会跟用户聊天, 了解用户的需求, 做购买回访, 也会在朋友圈里面发布品牌内容或相关咨询, 这种方式非常有效 值得推广 巧用微信生态里面的各种推送体系, 比如说服务通知, 模板消息, 这些推送体系可以让用户从小程序流转到你想流到的任何地方 具体操作我分成了四步 : 1 触点全占 191

200 GrowingIO 实战指南 小程序有非常多入口, 用户在交互过程中也有非常多触点, 我们都要想办法把它们占住 比如说用户完成支付后, 我们会引导他去到公众号 关注小程序, 还有小程序刚上的购物单, 可以引导用户把购买或收藏的东西加入到好物圈 这些都是用户可以看到的入口, 这些触点都需要排查, 做成地图, 并且挨个铺满 另外, 每一个触点我们都要想清楚它们归属于刚刚提到的微信矩阵中的哪一块 案例 : 之前我们的支付完成页面有两个引导, 查看订单和关注公众号 查看订单其实是让用户跳到我们另一个小程序里 但我们发现这个场景下, 用户往往在等待收货的时间会慢慢遗忘我们 后来我们把前面所有入口都砍掉, 换成专属顾问的形式, 通过聊天页面完成用户留存到公众号及个人号的操作 192

201 用户行为数据分析 2) 矩阵互跳 下图列了三个小程序, 第一个是做广告推广的, 第二个是主商城, 第 三个是做运营活动和游戏化的东西 千万不要让用户只限在矩阵的一个功能点里, 矩阵的每一个功能和产品都需要有互跳的入口 比如从推广订单可以跳到主商场, 参加活动可以跳到活动小程序, 参加完活动之后还可以跳回订单小程序, 甚至可以打通小程序和公众号 总之就是让用户在生态矩阵里活起来 193

202 GrowingIO 实战指南 3 关注体验 绘制用户体验地图, 简单来说就是拆解用户在整个产品生命周期里面 每个环节, 理解用户为什么来, 经历了什么, 带着什么心情离开 举一个用户在 MatchU 选择不同的领型定制项的案例 : 我们发现很多用户是小白用户, 根本不知道选择这个领型或者袖型是否匹配, 给他选项的时候会很茫然 我们当时模拟了用户心理, 决定开放简单的小白功能, 比如直接下单模特款 虽然这一功能违背了我们这项产品的初衷, 但我们还是尊重用户本身的需求, 功能优化后, 产品加购和直购的成功转化率都提升了 150% 4 分层召回 在小程序里产生表单提交的行为后, 会有 7 天一次的服务通知 利用服务通知可以引导用户再次进入小程序或关注公众号和个人号 另外, 用户支付完之后, 还有三次推送机会 只要我们把握好内容, 这些都是非常好的召回渠道 194

203 用户行为数据分析 最后, 希望大家在流量越来越贵的大环境下, 转变对用户增长的认 知, 抓住每个用户跟产品的每个触点好好进行设计, 仔细耐心耕耘 195

204 GrowingIO 实战指南 第五章 产品迭代和增长 本章将和大家分享如何借助用户行为数据分析来进行产品设计 迭代优化, 从产品层面驱动用户增长 本章会先介绍产品迭代分析 产品留存分析两大方法论, 然后依次介绍热拉 App 考试星 Camera360 等三个实战案例 196

205 用户行为数据分析 17. 产品迭代 :6 大要素帮你量化 评估产品迭代效果 量化 评估产品迭代效果的终极目的, 是不断提高产品用户体验 促进用户增长 在系统介绍用户体验衡量方式之前, 我以手机银行为例和大家交流一下 在智能手机出现之前, 我们只能用 Windows 电脑的 IE 浏览器来访问电子银行, 而且必须要插入 U 盾 下载安装安全控件, 才能访问电子银行 这个过程中, 你的 IE 浏览器还必须是老版本的, 最新版本的 IE 浏览器因为安全问题经常不支持 所以, 电子银行的客户满意度非常低, 用户体验极差 随着智能手机和移动互联网的普及, 现在大部分银行都有手机银行, 手机银行用户数量的年度增长率超 20% 现在用手机银行可以进行转账 余额查询 理财等操作, 使用频次是以前的 10 倍及以上 那么, 手机银行应该注重哪些用户体验呢? 我把它分为了三类, 分别是 上手体验 核心功能 和 安全保障 197

206 GrowingIO 实战指南 以 上手体验 为例, 登录过程是不是简单? 是可以用手机号登录, 还是只能用银行卡号登录? 如果一定要用银行卡号登录的话, 那就太麻烦了 再说说 核心功能 里面的转账, 大额转账的话可不可以在手机上实现, 还是要到营业厅排队? 排队的体验是非常差的, 现在很多手机银行可以通过人脸识别技术来验证身份, 这就非常安全 对于手机银行来说, 上手体验 核心功能 和 安全保障, 这里面的每一个细节都需要关注 做好这些, 可以极大地提升产品用户体验和满意度 当然, 这些也需要数据来衡量 17.1 如何衡量用户体验? 以前, 我们用 PULSE 模型来衡量用户体验 PULSE 是 Page view ( 页面浏览量 ) Uptime( 响应时间 ) Latency( 延迟 ) Seven days active user(7 天活跃用户数 ) 和 Earning( 收益 ) 的英文首字母组合 举个例子 : 响应时间, 用户修改密码是不是能很快响应和生效 ; 延迟, 系统转账能否实时到账, 如果迟迟不到账的话用户就会很担心 198

207 用户行为数据分析 当然, 这些都是很宏观的指标, 我们还需要更加微观 具体的指标来衡量我们的用户体验, 这就是我们下面的 HEART 模型 HEART 模型是 5 个英文单词的首字母的组合,HEART 也是心脏的意思, 蕴含着以用户为中心的思想 Happiness 代表用户满意度, 即用户的态度和满意度 我们常用 NPS 调研问卷来完成, 问用户 你是否愿意把我们的产品推荐给朋友, 我们可以用这种方式来完成我们的调研 Engagement 代表用户的活跃度和参与度, 比如用户的使用频次 粘度 访问深度 用户访问深度 我们可以用数据来监测, 即用户在一个会话中浏览了多少个页面 Adoption 是指用户接受产品各个版本 各个功能的情况 我们常用产品 / 版本 / 功能使用人数占比来衡量用户的接受程度 以上面的手机银行为例, 它里面有转账 理财 修改密码 查询余额 智能投顾等等功能 只有产品体验越来越好, 用户才有可能接触 199

208 GrowingIO 实战指南 更多的功能 ; 用户使用的产品功能越多, 说明他的体验越好, 产品 / 版本 / 功能的 adoption 越强 Retention 是指产品的留存, 分析用户是不是持续地 反复地使用你的产品 最后一个 T 是指 Task Success, 衡量关键任务的完成状况 比如修改密码, 我们希望用户尽可能简单地完成, 产品的摩擦越小, 转化率越高 我们可以通过转化漏斗来监测和分析这个动作 17.2 产品迭代需要关注哪些要素? 前面介绍了衡量用户体验的两个模型,PULSE 模型和 HEART 模型 那么, 在实际的产品迭代中我们需要注意什么呢? 第一, 明确改版的先决条件 不是改版后马上就可以进行分析的, 这 里面有很多前提条件, 需要观察一些时, 后面我会结合案例进行阐 述 200

209 用户行为数据分析 第二, 监测绝对指标和相对指标的趋势 绝对指标是指对绝对数量额的指标, 比如用户量 ; 相对指标更多是指转化率等比率指标 第三, 观察关键路径转化率 产品改版前后关键路径可能发生变化, 需要重点观察各个路径的转化率 第四, 观察新功能使用占比 一种情况是出现了一个新功能, 另一种是一个新功能替代了原来老功能 : 这都需要观察各个功能使用占比的变化趋势 第五, 观察产品新功能错误率 能不能复现 bug 是一回事, 量化 bug 的影响范围和出现频率又是另外一回事 如果产品经理可以拿到 bug 错误率, 那你找工程师修复的时候就有理有据 第六, 观察功能留存变化趋势 功能改版是不是有助于提升这个功能的留存率? 它对其他功能的留存率和整体用户留存率是否有影响? 这都需要我们关注 17.3 案例 : 某 O2O App 首页迭代分析 这是一个 O2O App 首页迭代的案例, 左边是改版前, 右边是改版后 的界面 ( 界面和数据进行了脱敏处理 ) 201

210 GrowingIO 实战指南 第一处改动的地方, 左边 12 个 icon 改成了右边 18 个 icon 按钮,icon 由圆形改成了正方形 ( 由于截图长度限制, 无法显示完整下拉页面 ) 第二处改动的地方, 左边是平铺式广告 banner, 右边是轮播式广告 banner 第三处改动的地方, 右边新增了一个简单的 千人千面 首页推荐 1 评估前的数据检验 改版大概是 9 月初上线, 因为 ios 和安卓需要发版, 发版后用户逐 渐更新版本 所以, 我们需要等待一段时间, 等更新到最新版的数量 到达一定水平后才能进行改版分析 202

211 用户行为数据分析 我们分别对 ios 和安卓应用的版本进行检测,iOS 发版 3 天后就有 80% 的用户更新至最新版本, 安卓也有 60% 无论是从数量还是比 率的角度看, 分析的样本量都符合改版分析的要求 203

212 GrowingIO 实战指南 还要观测一下绝对的用户量趋势, 看他们是不是处于一个稳定的水平, 最好是在没有强烈市场活动的前提下进行产品改版 举个例子,618 就要来了, 很多平时都不来的用户会因为促销活动涌入你的产品, 你的访问量会有 100% 200% 甚至更多的增长 这时候, 外部活动和产品改版叠加在一起, 你难分清楚到底是产品改版还是外部活动造成的相关指标提升 上图中, 无论是 ios 还是安卓用户数量都处于一个稳定的状态 最后我们要关心一下新老用户比率的问题 上面这张图中蓝色是老用户, 黄色是新用户, 可以看到,iOS 和安卓的新用户比率都处于一个比较稳定的水平 总结一下 : 无论是 ios 还是安卓, 新用户样本量符合要求 总体用户数量稳定 新用户比率稳定 排除了外部干扰后, 我们就可以开始进行首页改版分析了 那具体分析什么呢? 首先, 我们把首页 icon 入口从 12 个增加到 16 个, 还新增了推荐, 那么我想分析一下 首页吸引力是否增长 其次, 我新增加了这么多流量入口, 那么 首页导流能力是否增强 接下来, 我们就一一分析 204

213 用户行为数据分析 2 评估 : 新版首页的吸引力增强了吗? 如何评价吸引力是否增强? 我们可以通过下面这些指标来衡量, 把这 些指标扫一遍, 看看改版效果 A. 页面停留时长 B. 人均启动次数 C. 次日留存 D. 活跃天数 E. 访问时长 F. 跳出率 G. 我们先分析一下人均启动次数, 上图展示了 ios 和安卓的人均启动次 数, 我们是 9 月初改版的, 可以看到前后没有太大的变化 205

214 GrowingIO 实战指南 再观察一下新登录用户的次日留存, 改版前后也没有太大的变化 同 时, 留存是一个长期指标, 也需要我们长期监测 在这里, 目前不能 说明改版对次日留存有提升 以安卓为例,9 月 5 日 - 6 日期间, 虽然首页平均停留时长略有增 长, 但是增幅太小 这个数据也无法显著证明改版提升了停留时长 206

215 用户行为数据分析 再分析一下 看完首页的用户比率, 通过上面这张图我们不难发现, 新版本 看完首页的用户比率显著高于老版本 这说明我们做的首页推荐功能是有效的, 让更多的用户拉到页面底部看完了首页, 提升了首页的吸引力 3 评估 : 新版首页的导流能力增强了吗? 评估完新版首页的吸引力, 我们再来看看新版首页的导流能力有何变 化 前面我们说到, 从 12 个 icon 按钮到 16 个 icon 按钮 ; 那 么, 首页的导流转化效果如何? 我们以安卓为例, 分析一下导航栏点击率如何 上图第一个表是 3.7 版本的导航栏点击率, 第二个表是 3.6 版本的导航点击率 对比起来, 你会发现, 新版本的导航栏点击率有两段是提升的, 有两段的下降的 207

216 GrowingIO 实战指南 那么, 我们新增的 icon 是增加了用户的点击兴趣还是分散点击了呢? 上面这张图可以很好地回答这个问题 蓝色曲线是新版 16 个 icon 汇总的点击率, 黄色曲线是旧版的点击率, 不难发现, 新版首页的点击率大幅度提升, 导流能力是增强的 前面我们提到, 新版首页采用轮播式 banner 替换之前的平铺式广告 banner 但是, 上图显示新版的 banner 点击率显著不如老版本 所以可以得出结论, 新版本轮播式广告导流能力下降, 我们建议回滚这个功能 208

217 用户行为数据分析 接下来是分析 推荐商品点击率, 这个和我们上面分析的结果是相呼应的 上面我们分析发现, 新版本导流能力增强, 新增加的推荐让更多的用户看完首页, 自然就会带来更多的商店点击 ( 上图蓝色曲线 ) 改版之后, 如何评估新功能的效果? 新的功能使用度一开始可能会很靠后面, 但是后来可能逐渐提升 我建议使用面积百分比图来分析新功能的接受程度 如果上面绿色模块的面积在逐渐变大, 那么可以说明改版后新功能的吸引力在逐渐变大, 新功能受到了大家的喜欢和认可 209

218 GrowingIO 实战指南 首页改版可能会对用户的关键转化路径产生影响, 这在个案例中用户转化路径不变, 但是各个转化节点的转化率有变化 尤其是在改版的第三步, 新版转化率有原来的 14.7% 提升到 18.1% 如果改版前后的关键转化路径发生了变化, 这个时候你就需要重新建一个漏斗进行分析 任何一个新功能上线后, 都可能存在 bug, 网页端可能出现 各类报错 对于错误率, 我们可以通过埋点的方式, 或者看 Web log Server log 分析失效的次数有多少 如果你能给工程师一张图表, 告诉他新功能上线后错误率暴增 35%, 这是一个很大的问题 这样你就可以和工程师沟通, 让工程师更快的去修复 bug 210

219 用户行为数据分析 最后, 我们要长期监测各个功能的留存率 评估一个产品 / 功能是否有价值, 核心就是看产品的粘性 ; 那评估一个产品的粘性, 最核心的工具就是留存曲线 如果新功能留存曲线非常好, 超过老功能的留存率, 那么我们就可以把新功能留下来, 推荐到更靠前的位置, 让更多的人感受到产品的价值 17.4 方法论总结 1 利用 PULSE 和 HEART 模型衡量产品用户体验 产品迭代的终极目标是不断提升用户体验和满意度,PULSE 和 HEART 模型提供了宏观和微观两个层面的衡量标准 2 用数据分析支撑产品迭代 在产品迭代的过程中, 要持续关注 6 大要素 : 改版前后比较, 绝对指标和相对指标趋势, 关键路径转化率, 功能和其他主要功能的使用占比, 错误率, 功能留存 3 小步快跑, 快速迭代 211

220 GrowingIO 实战指南 在本次课程的 App 首页改版案例中, 一个月迭代一次, 速度比较快 我们看到首页推荐的效果很好, 很多人看, 这个功能要保留 首页的轮播式 banner 没人点, 那这个功能就回滚到原来的平铺式广告 通过这种小幅度迅速地迭代, 我们不断学习改进 不断迭代进步, 促进用户增长 18. 产品留存分析 进入互联网下半场, 互联网流量竞争愈发激烈 如何才能突出重围, 实现用户和收入增长? 这个过程中, 留存至关重要 本文主要通过一些具体的用户案例, 来教大家如何解读留存数据, 构建留存分析框架, 有效地做到用户运营, 提高用户留存率 18.1 为什么要关注留存? 留存, 顾名思义, 就是用户在你的网站 / App 中留下来, 持续使用的意思 如果产品不能留住用户, 我们的产品就像一个镂空的篮子, 倒入的水越多流失的也越多, 这意味着我们的产品是无法实现可持续增长的 想要实现产品的可持续增长, 用户的留存就是非常重要的一个指标 212

221 用户行为数据分析 留存对活跃用户增长有长期影响, 在这里我们具体模拟一个产品增长状况 假设一个产品每周获取一百个新用户, 新用户的次周留存率在 60% 上面左边这张图, 每周用户的次周留存率的绝对值减少 3%, 即本周留存率 60%, 下周留存率为 57%, 以此类推 而右边这张图, 留存率绝对值减少 1% 每周的活跃用户构成是本周新用户和之前每周留存下来的老用户 经过 29 周后, 左图中的之前留存老用户基本上就衰减为 0, 而右图中可以看到最早获取的用户仍有部分能在 29 周后留下来 对比两种情况, 它们的拉新量一致, 留存率仅有 2% 绝对值的区别, 但是 29 周之后, 用户的量的比例为 1:2 这个图就比较为形象的说明了, 留存率对于活跃用户量增长的重要性 18.2 留存分析框架 213

222 GrowingIO 实战指南 在进行留存分析的时候, 我们更多时候要学会做问题拆解, 把 提升 留存 这样一个大目标拆解为一个个小的可执行的目标, 我们就可以 通过产品优化 运营调整等等方式来实现用户留存提升 在我们常见的留存曲线中, 通常会根据用户的旅程划分出不同的留存阶段 短期阶段, 我们主要关注用户激活, 在这个阶段中, 我们需要让用户迅速低成本地感受到产品的核心价值, 快速达到 "Aha Moment"( 惊喜时刻 ) 中期阶段, 我们关注老用户的留存提升, 这个阶段我们需要打造好产品的核心功能, 培养用户对产品的使用习惯 长期阶段, 我们就要思考产品对用户的长期价值是什么, 如何才能让用户反复体验到产品的价值 进行留存优化时, 只有做好每个阶段的留存分析和提升, 留存曲线才能整体改善 下面我们就通过两个具体案例的分析, 来讲讲在不同的应用场景下, 我们应该如何解读留存数据, 提升用户留存 214

223 用户行为数据分析 18.3 案例一 : 降低新用户上手成本, 提升新用户留存 有一个泛娱乐类的 App, 主要是给用户提供内容消费, 而且带有一定的社交属性, 因此用户的日活跃人数和留存人数就十分重要 根据这个产品目前的留存数据, 产品团队认为他们的新用户留存还有很大的提升空间, 想要通过数据分析的方式找到增长着力点 1 了解新用户留存现状 首先, 我们需要了解新用户的留存现状进行分析, 因为对于产品经理 来说, 评估一个产品的状态, 都是进行产品优化之前不可回避的环 节 通过对新访问用户和全部访问用户的留存曲线对比分析, 我们会发现新用户的留存明显低于全部用户, 那么从这个角度来说, 新用户的留存就是很大的一个增长点 刚刚我们讲到, 对于新用户来说,Onboarding 上手激活的环节非常重要 能否让用户在第一次使用产品时就能迅速低成本地感知到产品价值, 决定了新用户的激活率 2 确定激活目标 215

224 GrowingIO 实战指南 谈到激活, 我们常常会讲到 Aha Moment, 即用户体验产品时发现核心价值并产生重复使用动力的惊喜时刻 不同产品的 Aha Moment 也有所不同, 比如 LinkedIn 是一周添加 5 个社交关系, Facebook 是 10 天内添加 7 个好友 产品经理需要根据自己的产品, 来找到用户的 Aha Moment, 帮助用户尽可能快地触达产品价值 首先我们需要知道哪些功能可能使新用户感受到产品价值, 可以利用 GrowingIO 的留存分析功能, 对使用过不同功能的用户留存率进行分析对比, 找到留存率最高的产品功能 通过对比不同功能的留存率, 找到新用户使用后留存率有明显提升的功能, 再结合新用户上手功能成本的高低, 来进一步缩小范围确定新用户的激活目标 3 评估新用户激活状况 确定好激活目标后, 我们可以开始评估新用户的激活状况, 有针对性 地对不同的用户进行运营 在这个案例中, 新访客有 30% 未激活, 216

225 用户行为数据分析 对于这部分用户我们要做的事情就是提升激活率 ; 其余已激活的新访客, 和老访客优化的方向有点类似, 就是如何去提升留存, 让他们持续使用产品 渠道是用户旅途的起点, 不同渠道过来的新用户会有一定的差异, 他们访问意图或者目标都可能不一致 因此, 我们可以看看不同渠道的新用户激活状况 这里我们可以从新用户激活比例和留存率来看下不同渠道用户的差异 可以发现, 有的渠道激活率和留存率都低, 那么就可能是渠道人群对产品的需求匹配度低, 这部分情况更多的是需要对渠道进行调整 ; 有的渠道, 可能是激活率低但激活留存率略高于整体, 那则可能渠道用户较为精准, 这需要进一步研究业务数据 4 激活时间与留存影响 对于未激活的新用户, 什么激活时机比较重要, 未激活的用户对留存 有怎样的影响? 217

226 GrowingIO 实战指南 从上面这张图里我们会发现, 新用户的激活时机应该越快越好 绿色的曲线是当天来了被激活的新用户, 下面这条红色的线是当天来了没有被激活的新用户 可以发现红色这条线的留存是非常非常低的, 也就是说, 如果一个新用户没有在使用产品的第一天完成激活行为, 那么他流失的可能性会非常的高, 基本上默认为流失 所以在说到新用户的激活时, 基本上指的都是在用户进入产品的当天, 就能完成核心行为, 认识到产品的核心价值 5 新用户激活功能分析 如何在产品内提升新用户的激活? 在问这个问题之前, 我们可以思考 一下, 为什么新用户没有被激活, 他们是在哪里流失掉的? 这样我们 才能找到用户流失的关键步骤进行优化 218

227 用户行为数据分析 我们可以根据新用户激活的主要路径构建漏斗, 通过漏斗的每一步转化数据可以定位到新用户激活的主要流失环节, 并结合用户分群与细查等工具进一步剖析流失原因 在第一个主要流失环节, 我们通过用户分群筛选出这个环节没有被激活的新用户, 通过用户细查来查看这些新用户的行为轨迹, 可以发现一半以上的访客都是在注册登录的环节流失的 从典型的用户行为轨迹可以发现很多用户都卡在了登录注册这个步骤, 他们根本就没有去接触到实际的激活环节 那么对于这部分用户的激活优化, 我们就可以将激活步骤提前, 不需要注册 / 登录, 进来就可以看到内容 在第二个主要流失环节中, 我们发现小部分用户已经到达了列表页, 也就是说触达到了实际的激活步骤, 但他们却没有点击具体内容, 是不是列表内容对用户的吸引力不够? 这个列表是由用户关注 产品推荐等多个内容组成的, 可能是列表中用户关注产生的内容较少, 那么我们需要对关注行为进行更好的引导, 提升内容对用户的吸引力 针对这样的流失情况, 我们对产品进行了一个调整将激活步骤提前, 可以发现新用户留存有明显提升 但具体来说, 原来没有接触到实际激活步骤的访客中有一半都已经成功被激活, 上线后新用户的留存率也有明显提高 18.4 案例二 : 评估产品功能价值, 寻找留存提升空间 有一个垂直资讯类的产品, 为不同用户群体提供免费或付费内容和交 互三大模块的功能 产品的细分的功能很多, 整体用户的留存还有提 219

228 GrowingIO 实战指南 升空间, 因此需要想通过数据分析来了解主要功能的价值, 找到各个 功能的提升空间, 通过功能优化来整体提升用户留存 1 产品功能留存矩阵 为了洞察产品全局的模块角色, 探索各功能的价值定位, 了解哪些功 能模块需求高频, 哪些功能模块渗透率高, 我们需要构建一个产品功 能留存矩阵 矩阵的横轴是功能留存率, 表示当前功能的用户黏性 ; 纵轴是活跃用户占比, 表示某周期内使用当前功能的用户量 / 该周期的活跃用户量 做出这样一个矩阵后, 我们就可以看到不同的功能在矩阵中的位置分布 成功的产品功能应该具备 2 个特点 : 被更多的用户使用, 该功能的用户黏度高 也就是位于矩阵的右上方的位置 但做过这个矩阵的人就应该能发现, 大多数功能会位于左上方 右下方的位置, 有一部分功能甚至会在左下方的位置 位于左上方的功能活跃用户占比高但功能留存低, 这些功能可能没有满足用户需求或者没有让用户认识到价值, 位于右下方的功能则使用用户太少, 因此提升留存的一个简单策略就是提升高渗透低频功能的 220

229 用户行为数据分析 使用频率, 提升高频率低渗透功能的渗透率 让各个功能可以在这个矩阵中挪到合适的位置 当然每个功能的设计之初都应该对它的使用场景有所设想, 在这个案例中我们结合具体的产品功能, 将矩阵中的功能划分为四类 大众功能 : 曝光量大, 使用率高, 比如类似很多产品中的搜索功能, 对于这类功能, 我们需要了解用户的使用状况, 寻找提升的空间 核心功能 : 与传递用户产品价值相关, 用户使用率低, 功能留存率比大众功能要高 ; 我们在核心功能中应该寻找是否存在高价值功能, 我们推广这个功能的使用率来提升用户留存, 探索增长突破口 小众功能 : 功能留存适中但用户使用率低, 可以寻找可能有潜力的功能优化 其他功能 : 可以根据我们的资源现状对这些 低质量 功能进行适当优化 优化时, 除了关注核心功能外, 我们进一步的是去留意那些比核心功能有更高活跃更高留存的功能, 在这些功能中寻找新的提升机会 在我们日常的工作中, 经过一定的时间或是产品功能上有较大的改变时, 我们都可以来做这样一个矩阵, 来了解用户使用产品功能的转移情况, 或者是观察新功能在产品中的表现 当然我们也可以看不同用户群的产品功能矩阵情况, 一般新老用户群或不同属性用户群都会有不同的表现, 我们可以定位到不同用户群体的运营更应该关注哪些东西 2 案例分析 221

230 GrowingIO 实战指南 有了这样一个矩阵, 下面要做的就是对每类功能各个击破, 找到留存可优化的空间 下面我们就这个案例中的四类功能分别选取其中可以关注的一些例子进行举例分析 1) 大众功能 : 每日资讯 大众功能模块中有一个每日资讯, 我们从数据上能有一些发现 : 首页点击每日资讯功能的用户次日留存率比所有用户的低, 两者留存率的差值可以认为是这个功能可能提升的空间 从页面来看, 排版越靠前 越靠上的区域用户浏览量越高, 点击率也越高 每日资讯模块, 次日留存率随当天浏览资讯个数提升呈线性增加 我们可以发现大多数用户当天浏览个数较少, 但用户浏览个数越多, 次日留存才会越好 基于这样几个发现, 我们可以做一些测试, 比如缩小页面头部区域面积, 加大每日资讯曝光位置 希望通过这样的调整来提升每日资讯的点击率且扩大资讯阅读覆盖率, 从而提升用户次日留存率 222

231 用户行为数据分析 2) 核心功能 : 记录内容 核心功能模块中有一个 记录内容 从矩阵中可以知道记录功能的功能留存率较高 ; 同时从留存曲线来看, 记录功能 次日留存率显著高于 每日资讯 那么我们可能要思考这个功能的核心价值是什么? 可以做一个漏斗来了解用户使用的过程, 在这个漏斗中两个环节需要关注 : 一个是如何让更多的人能进入到这个功能 ; 另一个是如何让进入该功能的用户能真正参与使用 对于用户进入功能的渗透, 从功能留存率的角度来考虑, 可能需要调整功能推广的时机, 比如是否可以在用户登录后就推广该功能, 让用户能进入? 对于用户进入功能后的使用完成, 需要进一步细拆哪个环节在影响用户完成这个功能? 是功能认同还是流程体验的问题 我们需要找到薄弱环节然后进行针对性的优化 因此针对这个功能, 我们可以做一些测试, 比如提前该功能推广时机, 加强功能引导 ; 有针对性的优化功能使用的薄弱环节, 从而提升这个功能的使用用户量 3) 其他功能 : 付费内容 223

232 GrowingIO 实战指南 其他功能模块中有一个付费内容, 这个功能的用户使用率和功能留存率都不高 付费内容用户可以从首页和发现两个部分点击进入, 我们从左侧的柱状图可以看出大部分用户是从首页点击进入的 那么不同入口用户点击付费内容的留存是否有差异? 有的话我们是否可以相应的调整不同位置内容的比例? 付费内容也有不同的类型区分, 在右侧的留存图中, 可以看到点击过不同类型的付费内容的用户留存也会有差异, 用户的覆盖范围也有大小差别, 部分付费内容对用户的吸引力可能会大一些, 因此我们也可以对付费内容类型上的配比进行一些调整 4) 小众功能 : 精选专题 小众功能模块中有一个精选专题, 与整体留存率相比, 各精选专题的 用户留存率都略低, 但功能留存率略高 是否由于需求群体较少, 但 对于需求用户该功能黏性较高? 224

233 用户行为数据分析 精选专题使用人数比 大众功能 每日资讯要少很多, 但次日留存率和其无显著差别, 属于正常数据波动 我们可以对这个留存率进行长期监控, 看是否会出现异常情况? 同时, 不同的专题内容是否会有差异, 可以对有潜力的功能或内容深入探索, 进行适当优化 第二个案例主要通过产品功能矩阵了解功能定位, 然后针对每个类型的功能寻找它可能提升的空间 回顾一下, 提升用户留存主要有两大方法 : 一是提升新用户的留存率, 二是提升不同产品功能的留存 只有通过不断的优化和测试, 才能达到提升留存的目标 225

234 GrowingIO 实战指南 19. 热拉 App: 专注每一个 1% 的提升, 驱动用户增长 1 热拉是一款什么样的产品呢? 热拉 (Rela) 是一个女性聚集的社区, 核心用户都是积极向上 自信独立 才华横溢 高颜值的女性 我们现在有 1200 万多用户, 次周留存率高达 80% 及以上 从增长的角度来说, 用户留存 使用时长 打开频次, 这些指标都是我们优化的方向 我和很多企业不同团队沟通下来发现, 大家对增长的理解各式各样 在过去三年多的时间里面, 我们在增长方面踩了很多坑, 也有很多收获 所以, 本文想和大家分享一下我们在组建增长团队方面的经验 具体包括 : 初创公司为什么需要增长团队 ; 1 本文作者 : 鲁磊 Ansonr, 热拉 CEO 本文根据鲁磊在 GrowingIO 2018 增长大 会上海站 上的演讲内容整理编辑, 授权 GrowingIO 发布 226

235 用户行为数据分析 初创公司如何搭建增长团队 ; 热拉的两个增长实践案例 19.1 初创公司为什么需要增长团队 1 所有的大公司都由小团队发展而来 初创公司为什么需要增长团队呢? 因为所有的大公司 所有的独角兽 所有的超级巨头, 都是由一个小公司或小团队增长而来的 生物学上我们常常听到两个词 : 裂变 进化 其实在互联网领域中, 在座的几百个团队, 你们都希望你们的用户能够快速裂变, 一带十 十带百, 产生快速的用户增长 你们也希望在产品迭代当中让产品进化地越来越好, 能够更明白 更了解用户的需求, 能够产生更多的营收 所以说 : 裂变和进化放在现在的互联网创业领域中, 其实就是一种增长 (Growth) 的概念 2 增长的概念已经不局限于互联网产品 但是, 增长的概念已经不再局限于互联网产品中 最近我发现很多聪明的行业, 比如消费升级 内容产业 新零售, 都在讲增长 他们灵活地运用 AARRR 模型, 在非常激烈的竞争当中用增长的思维快速脱颖而出, 在市场中快速地成为新星 我最近被一款酸奶品牌圈粉了 如果你去超市 便利店甚至访问一个生鲜平台, 会发现酸奶是一个非常红海的市场 ; 很多国内巨头有大量资金 有很多大明星代言, 他们几乎垄断了所有的渠道 这个市场一 227

236 GrowingIO 实战指南 般来说很少有人敢进来, 但是这个团队很厉害, 在很短的时间之内就 脱颖而出了 一款互联网产品和一款酸奶看起来好像毫无关系, 但是实际上是一模一样的 比如说对于我们的产品而言, 在获取用户阶段, 我们可能通过社交网络, 通过内容 营销 跨界, 最后把用户引到软件商店当中, 希望用户下载 而酸奶也是用这些渠道, 让用户感知到, 然后引到线下商店 唯一的落脚点不同是互联网产品和酸奶最大的区别 激活方面, 互联网产品需要用户下载注册, 对于酸奶而言可能就是购买 在留存阶段, 希望我们的产品迭代, 希望我们的运营激活用户, 产生更多的留存 这款酸奶一样通过社群运营 自媒体, 让用户生命周期更长, 一直重复购买成为忠实用户 在获取价值方面, 热拉目前主要通过会员 直播 广告等方式获取商业收益 但是这款酸奶通过零售 会员订阅制, 持续获取收益 228

237 用户行为数据分析 传播方面, 有一个好的产品, 可以让你的用户大量的为你传播, 在线 下 线上分享, 然后让社交关系里的朋友都的成为你的用户 这样看 起来, 一款 App 和一款酸奶在增长方面没有什么本质不同 对于我们来说, 如果想提升下载转化和注册转化, 我们可能会专注于完善我们的落地页, 让更多的用户点击下载 ; 可能会提升商店宣传图片的品质, 让用户明显感知到这是一个什么样的产品 有什么样的功能 对于酸奶而言, 在线下商店里的宣传, 单品包装和一整叠包装产生不一样的引导力都是一样的原理 之后注册页需要关注注册 UI, 我的按纽摆放 注册页的视频, 都有可能影响转化率的提升 由此整个文案的落地 交互 宣传, 给用户带来了一个整体定位和品牌感知, 最终都引导到激活环节 ; 对于酸奶来说, 激活就是一次购买 所以说, 各行各业都在用增长这个思维来做事 3 使用有限的资源获得增长 229

238 GrowingIO 实战指南 几年前, 增长这个概念不是特别流行, 这时一个聪明的团队和一个普通的团队的区别就是是否有增长的思维 如果你有增长思维的话, 你可能就跑的更快 现在整个行业都在用增长思维做事, 一方面可以吸取更多的经验教训, 另外一个方面会加剧整个行业的竞争 在过去三年中, 为了让我们的用户增长 营收增长, 我们几乎试遍了所有的市场手段 我们通过各种付费渠道去吸引用户下载, 但是有一个弊端就是不知道商店的质量怎么样 有可能花了很多钱进来了一部分用户, 但是这些人的 LTV 可能很短 我们需要花很多时间和精力判断这个应用商店质量如何, 对于你来说是不是好的渠道 我们过去在微博上做了很多次千万级阅读量的营销事件, 但问题是根本不知道你的核心用户在哪 虽然数据看起来很漂亮, 但是对于团队而言, 我们称之为虚假繁荣 我们称之为无的放矢的阶段, 根本找不到用户 230

239 用户行为数据分析 我们也试过拍摄很多视频和影视剧的方式来做内容传播, 视频可能在全网上有上千万的播放量, 并吸引部分用户过来, 但是我们并不知道这个视频转化率是怎样的 因为就算在视频当中放入了一个二维码, 大部分人也不可能扫描视频里的二维码下载, 所以渠道是非常模糊的 我们也尝试通过社交网络获取用户, 但是问题是和 KOL 合作的关系也是比较复杂的, 并不知道粉丝受众和目标用户是否重叠 所以经常出现这次合作转化率不错, 下次就不行了, 整体是相当不太稳定的状态 我们也试过合作换量, 和有同类气质的产品做换量, 但是效果不佳, 我们 To C 的产品和 To B 的产品不一样, 不可能同时在全国很多城市举办活动, 线下活动对于我们来说是不成体系的市场行为 就是因为有了这些困惑 这些难题, 所以我们才决定我们要用增长的思路做用户 19.2 初创公司如何搭建增长团队? 1 意识先行 我们是怎么搭建增长团队的呢? 首先, 做所有事情一定是意识先行, 最重要的是要在团队中建立增长意识 231

240 GrowingIO 实战指南 我面试过很多比较高级的增长负责人, 几乎所有人都会问我一个问题 : 做增长这件事情是创始人 CEO 主导的, 还只是在跟风模仿 他们普遍的困惑在于 : 如果增长工作没有得到公司层面有力的支持, 就很容易被边缘化, 或者说工作效果大大打折扣 只有整个公司都有增长意识, 我们建立了一个大家都可以交流的语言, 才能很好协作 目前看来, 让大家都能理解的语言一定是数据 接下来就是建立一个数据目标, 大概什么阶段完成什么样的数据增长 比如说一个月内完成留存率增长 2% 的目标 有目标之后才能建立团队, 团队才能有明确的分工 因此才能去招聘人, 这一定是个需要先想清楚的事情 2 工作方式 第二个是工作方式的问题 我们必须要建立一个数据指标体系, 这个数据指标是所有部门的共同语言 ; 不管产品 运营 市场, 大家都能理解的语言 有了这种共同语言之后, 我们才能高效 默契地配合协作 232

241 用户行为数据分析 在建立数据指标之前, 我们必然需要好的工具 目前我们热拉在使用 GrowingIO 来搭建并数据指标, 发现的确是挺方便的, 后面我们也会和大家分享借助 GrowingIO 做增长的两个案例 建立数据指标之后要建立数据规范, 比如说部门和部门之间数据分析需求, 产品需要完成什么样的数据目标等等 有了这些规范后, 团队才能比较敏捷地协作 在用数据指导业务增长的过程中, 我们需要不断地总结, 做每件事情都要问一下 why 这个想法是否正确? 和同事的协作有成果吗? 到了成果总结阶段, 一定要给团队相应的激励 最后就是数据培训 目前我们不仅对增长团队, 还对运营 产品 市场 技术进行全面的数据培训 我们始终强调 : 要让数据成为团队共同的语言, 这一点是非常重要的 3 组织架构 首先, 在组织构架方面, 我们发现部门和部门之间的界限是逐渐模糊的 不能说我是运营我只负责和用户相关的, 我是市场只负责外部的新增用户, 这样的话永远没有办法实现真正的增长 233

242 GrowingIO 实战指南 过去我们发现一个问题 : 一旦有了部门这个概念, 好像每个人身边都有一个潜在的围墙, 只关心目前手头上的事情, 只关心自己的 KPI, 根本没有办法和其他团队建立更加流畅的协作 所以说部门边界并不是那么重要, 核心还是各个部门一起, 到底想要达成什么样的数据指标 第二, 以目标为导向 这个要非常灵活, 以项目搭团队 ; 项目才是一个团队, 一个部门并不是一个团队 第三, 要对每个项目的人做充分的授权 有了授权之后才能快速地反应, 才能非常敏捷的做预期判断的事情 第四, 人人都是增长黑客 之前有一本书叫 人人都是产品经理, 培养每个人有产品意识 ; 现在团队当中, 我们培养一个 人人都是增长黑客 的概念 在热拉, 我们数据后台开放度是很高的, 并没有说是什么样的层级才能看数据 我们做这一切都是希望搭建一个数据平台, 让大家完全可以共同 平等 快捷地去交流, 这是一个非常重要的核心 234

243 用户行为数据分析 对于一个初创团队而言, 可能有非常多的事情要做, 甚至有的时候会觉得焦头烂额 而我们目前的思路就是希望以一些轻巧 灵活的方式找到一些关键点, 一旦这些关键点打开, 产品的数据就有会有非常明显的增长 下面, 我和大家分享热拉的两个增长案例 19.3 专注每个 1% 的次日留存增长 这是一个非常简单但是效果明显的案例, 和留存有关 通过 GrowingIO 的 留存魔法师 发现, 我们发现了一个和用户留存强相关的行为, 使用过热拉 谁看过我 功能的用户留存度非常高 一个用户访问了另外一个用户, 这是社交行为, 可以激发活跃留存, 确实是强相关, 因此我们在产品迭代当中做了一个很小的改进 当一个用户访问的时候,App 会给你发一条通知, 当然这个功能是你可以自由关闭的 235

244 GrowingIO 实战指南 这个产品改进的工作量非常小, 但是给我们带来的提升非常大 : 这个功能的留存率从 36.4% 提升到了 47.2%, 用户整体的次日留存率提升了 3% 大家都知道每个百分点的留存提升都是非常困难的, 所以这是非常大的一个进步 19.4 专注每个 1% 的注册转化增长 现在流量非常贵, 新用户通过各个环节来到你的 App 下载页面, 成 本非常高 每增加一个转化流程都可能造成用户流失, 做好转化流程 的优化对于增长来说非常必要 236

245 用户行为数据分析 我们通过 GrowingIO 的 用户细查 功能发现很多新用户会卡在一 个地方, 注册的时候输入 ID, 有时候会输入错, 有时候说 ID 无效, 或者被人用过了, 流失率非常高 所以我们取消了这个功能, 当用户注册的时候, 我们会用后台生成一个随机 ID, 用户后续想改可以改掉 这么小的一个改进点, 一下子把注册转化率提升了 10%, 新用户的转化大大提升 237

246 GrowingIO 实战指南 一个是 1% 的次日留存提升, 一个是 1% 的注册转化提升, 这两个点都是容易发现 非常轻巧且并不耗时的产品改进, 但是它们都对产品的核心数据 ( 用户人均启动次数 用户量趋势 ) 产生了重要的提升, 这也是对于我们团队的一种激励 我和很多团队交流后有一个强烈的感觉, 如果你的产品 你的用户 你的营收没有增长, 对于创业而言就举步维艰 从商业层面说, 如果你的用户没有增长, 营收没有增长, 可能产品本身的商业简直就不是那么大 如果你做一个产品, 一路呵护这个产品, 非常疼爱它 溺爱它, 但是当你的产品发展到一定阶段, 老用户说产品感觉和以前不一样了, 调性和以前不一样的, 这个时候需要做一个选择 你是希望孩子是永远天真无邪活在童话世界, 还是在快速增长的世界中拥有重要的地位? 这个问题每个人心里都有一个答案 238

247 用户行为数据分析 20. 考试星 : 成长型企业如何低成本搭建高 效增长体系 2 考试星是一个 B2B 产品, 我们主要解决中大型企业内部在线考试的需求, 具体包括录入试题 组建试卷 发布考试 中大型企业人员庞大 组织流动性高, 有很强的培训和测评的需求, 我们提供了一个很好的工具来解决这个问题 2015 年成立至今, 考试星平台上已经有了 15 万家企业用户, 累计服务超过 1600 万考试人次, 并且能够同时支持超过 5 万考生的测试 因为是 B2B 业务, 所以我们核心关注付费用户的留存率 20.1 考试星的增长理念 我们是从 2015 年底的一次活动正式接触 增长 这个概念的, 也是 那一次之后, 我们开始了对增长的探索 1 如何驱动增长 2 本文作者 : 陈沧, 考试星创始人 & CEO 清华大学硕士,10 年企业产品经验, 技术 + 产品 + 市场背景 3 年时间将考试星做到细分领域 No.1 本文根据作者在 GrowingIO 2019 增长大会 ( 深圳站 ) 上的演讲整理编辑, 授权发布 239

248 GrowingIO 实战指南 首先, 我觉得数据分析可以驱动产品迭代和优化, 比如说漏斗分析 留存分析等等 以手机摄像头为例, 通过问卷调查或者产品分析, 我们可以发现用户非常重视拍照功能 很多智能手机已经从单摄像头 双摄像头发展到现在的四个摄像头, 顺着一个方向越做越深, 是可以通过数据分析来驱动的 但是, 数据分析驱动不了的是什么? 我觉得是战略方向 决定战略方向, 需要对业务 人性 趋势进行深度的洞察和分析 福特做汽车之前进行了用户调研, 用户普遍反馈希望马车能够更快 如果按这个思路, 福特可能需要找汗血宝马, 但是他却洞察到用户需求的本质 更快的速度, 以此出发做出了汽车 240

249 用户行为数据分析 美国宇航局 NASA 是全球非常知名的航空航天机构, 但是在 2015 年却将几亿美金的订单给到一家私人公司 SpaceX 为什么将订单给到一家私人公司, 就是因为这家公司在火箭发射上有突破式创新, 让一级火箭可以回收重复利用, 大幅度颠覆了传统技术, 极大降低了成本 SpaceX 创始人 Elon Musk 有个很经典的理论, 就是 第一性原理 看清事物最本质的东西是什么, 火箭发射最本质的需求就是发射更安全 效率更高 成本更低 他采用颠覆性创新, 打败了传统的发射方式, 这是通过人性 趋势 业务洞察发现的, 而无法通过数据漏斗 Excel 来发现 2 搭建增长体系前要知道的三件事 1) 优先级的确定 - 公司当前最重要的事是什么? 做增长之前, 需要了解公司当前最重要的事情是什么 很多大公司内部孵化创新项目, 最重要的一点在于是否找准了产品的定位, 给目前用户提供了精准的杀手级服务 解决了他的痛点 这个时候, 一些数据分析的工作, 比如提升转化率反而优先级不高 241

250 GrowingIO 实战指南 2) 对增长的认知 - 通过实践不断迭代升级 从 2016 年开始, 我们内部就在不断尝试怎么做增长, 怎么搭建增长团队 但是, 理想和现实之间往往有很大的差距 很多企业都想把增长做的很好, 但是推动这个过程需要付出很大的艰辛 这个过程就像一条曲线, 有涨有跌 刚开始还有一些增长, 但是很快会遇到一些挫折, 可能是转化率很低需要调整, 也可能是团队核心成员离开, 然后你的增长路径就会发生偏离 这条路很漫长, 大家需要有耐心不断探索 3) 增长体系的搭建 - 节奏比速度更重要 罗马不是一天建成的, 搭建增长体系也需要循序渐进的, 如果你一开始就想迅速地搭一个很宏大的架子, 反而会有不好的效果 我建议从一个点慢慢切入, 一步步循序渐进 而且就如我上面讲到的, 团队对增长的认知是通过一个一个案例的收获不断成长的, 你希望一下子达到大而全, 其实是非常困难的 3 考试星增长体系 在 2019 年春节后, 结合 GrowingIO 数据分析产品和服务, 我们搭建了一套相对完善的增长体系 下面这张表, 左侧是我们的七大维度 第一个维度是核心指标, 把各个部门业务线的核心指标进行抽样提取, 主要是管理层看 其他还有渠道监测 官网转化 成单转化 产品使用度 售前客户监控 付费客户监控 242

251 用户行为数据分析 同时, 我们内部有四大部门, 即市场 销售 产品技术和售后, 我们现在可以覆盖客户全生命周期流程, 客户通过渠道访问网站注册然后试用产品并付费, 我们都可以监测到, 并且部门之间是联动的 接下来, 我们重点分享这个增长体系内的两个案例, 一个是市场部做的注册流程优化案例, 另一个是产品迭代案例 20.2 市场增长案例 大部分网站都会有注册页面, 无论是 B2B 还是 B2C, 但是不同领域和行业面临的问题可能不一样 下面是我们市场部最近做的一个优化, 我和大家分享一下 1 发现问题 通过 GrowingIO 数据分析和我们自己业务平台的数据, 我们总结出考试星注册页面两个大的问题 问题 1: 注册中跳出用户较多 243

252 GrowingIO 实战指南 很多用户进入注册页面后, 他不知道要这个页面是干什么的, 然后就 跳出了 问题 2: 个人用户 ( 考生 ) 注册较多 因为我们是 B2B 产品, 所以我们希望注册的主要是企业考试的负责人, 比如 HR, 这才是有效的注册 但是我们发现很多个人用户注册, 比如考生找题目 家长帮孩子注册等等, 这都是无效线索 无效线索太多的话, 会浪费企业的很多精力 2 解决方案 为了解决这些问题, 我们进行了探索, 希望降低注册流失 提高转化 率 第一步, 我们调整了注册页的步骤 之前我们把注册的步骤拆分成两步, 每一步的选项都很简单, 但后来我们发现这并不是很好的方法, 因为注册完第一步后会有一个跳转, 很多用户第二步就流失了 所以我们尝试把两步并成一步, 尽量缩短客户要填写的信息 第二步, 降低考生注册比例 上面提到, 有很多个人用户来注册我们, 这里面很多是无效线索 所以为了减少个人用户和无效用户, 我们在注册页面上进行了优化, 给了一个很强的红色警告 :! 考生请勿在此注册, 请联系考试组织者获得考试链接 第三步, 强化 免费 提示提升注册转化率 244

253 用户行为数据分析 通过之前的运营我们发现, 很多企业最开始没有这方面预算, 只是为了找免费的产品, 但是如果你有机会让他们留下来使用你产品 慢慢感受到产品价值, 他还是有很大机会转化为付费用户的 所以我们强化了免费版本, 通过显著的文案提示 注册成功即可开通 25 人免费版, 希望提升注册转化率 3 增长结果 这是我们通过 GrowingIO 漏斗分析监测到的前后注册转化率的差异 之前整体注册转化率是 26.4%, 通过这前面四步注册页面的优化, 调整注册页面之后转化率是 33.8% 整体转化率提升了 28%, 页面是在不断改善的 20.3 产品增长案例 上面是市场优化的案例, 下面和大家分享一下考试星产品层面的探 索, 包括探索考试星产品的优化和升级迭代 245

254 GrowingIO 实战指南 1 产品功能优化 第一个优化, 缩短创建考试流程 我们把创建考试流程的步骤进行了改变, 之前是 4 步现在缩短为 3 步 因为我们做的流程化录入一个考试, 减少一步, 就可以减少这一步操作导致的流失 第二个优化, 我们优化了录入效率 我们之前是先录入单选题型再录入多选, 现在录入多选题后可以自动 识别, 这次优化后可以一次性大幅度提升试题录入效率 第三个优化, 是优化考试编辑页功能排布 因为企业级客户的需求很多, 产品功能最后会做的很复杂因此之前对 于客户不常用的功能, 我们根据自己的假设做了一个折叠 246

255 用户行为数据分析 但是通过 GrowingIO 的 热图分析 功能我们发现, 我们自认为使用率偏低的功能其实也被很多客户大量点击, 比如人员选择 登录方式 考试次数限制等等 所以后来我们把这些高频使用的功能做了上移, 把低频功能下移 作为一款 B2B 产品, 使用频次不像 2C 产品那么高 用户第一周可能还是试用过程, 试用不满意就流失了, 只能通过提升用户体验让他留存在我们的产品里 2 产品功能迭代 上面给大家介绍了考试星在产品功能优化方面的实践, 下面给大家分享一下考试星在产品功能升级迭代方面的探索 产品需要不断升级迭代, 接下来的产品应该怎样去做? 到底做哪些功能可以给客户带来更大的价值? 上面这张图是通过 GrowingIO 监测到的考试星不同功能的使用率, 不难发现,90% 的蓝色用户只用考试相关功能 但是, 考试星还有学 247

256 GrowingIO 实战指南 习 报名等功能, 从目前数据来看, 这些功能对现在平台上的用户意义不大 但是, 真实的情况是否如此? 我在一开始谈到, 战略的决策是需要对业务 人性 趋势做洞察的, 我们结合数据对客户进行深度访谈来进行趋势判断 通过深度访谈, 我们发现其实客户需要的并不仅仅是考试, 尤其很多中大型的企业 中大型的企业有不同的需求, 会涉及到很多环节, 比如像课程 报名 考试 发证 之前为什么没有相关的功能, 是因为我们之前的功能都是独立的, 操作起来很繁琐的, 完成一个环节后需要 HR 手动往下一个环节推送, 所以当时只有考试功能用的比较多 所以我们就做了 自定义任务 模块, 你可以建一个模型就像搭积木一样, 把你需要的环节按顺序填到这个模型里 一旦填好以后, 后面的动作就可以自动在这个模型里生成, 不需要 HR 做手工做操作, 它可以不断地进行驱动 248

257 用户行为数据分析 做完以后效果怎么样, 可以看到上图红线的部分是我们的自定义任务功能 上线 自定义任务 模块以后, 客户的使用率还是比较高的, 并且明显带动了学习 报名功能 所以用户对学习 报名等模块是有需求的, 只不过之前产品没有给他提供好的形式, 没用起来而已 这也论证了, 战略决策很难通过现有的数据分析得出, 还是要不断跟你的客户沟通 研究你的行业特性, 这样才可能制定出正确的战略决策 20.4 总结 1 选择 GrowingIO 的三点理由 上面我也谈到, 这套增长体系包括上面的两个实战案例, 都是结合 GrowingIO 数据分析产品和服务后落地的 为什么选择 GrowingIO 产品来搭建这套体系, 我们选择的三要素可以和大家分享 249

258 GrowingIO 实战指南 第一, 速度快, 不用自己造轮子 处于快速发展的过程中, 大家肯定希望能够快速落地价值, 通过数据分析指导产品和运营 在这个过程中大家肯定不会自己造轮子,BAT 巨头们现在也在提的中台理论, 就是要通过中台提供更高效的服务 第二, 效果好, 选择成熟的产品 搭建增长体系需要很稳定和高效的数据平台进行支撑, 这个过程中需要选择一个成熟的数据产品 首先, GrowingIO 创始人张溪梦有非常丰富的数据分析经验, 对增长有深刻的理解 其次, 产品一定要有客户群体在使用,GrowingIO 已经通过了初步的验证 最后, 在 SaaS 或者电商领域 GrowingIO 有成功案例, 可以帮助你推动增长 第三, 成本低, 分析师服务性价比高 成长型公司预算是有限的, 希望把钱花在刀刃上 我们当时从 GowingIO 采购了数据分析服务, 通过 3 个月的时间搭建了一个相对 250

259 用户行为数据分析 完善的数据分析体系 如果你从外面招聘的话, 除了招聘成本你还有 新人熟悉业务上手的成本, 这个过程会远远超出 3 个月的周期 2 搭建增长体系的三点建议 最后, 和大家分享搭建增长体系的三点建议 (1) 创始人需要有增长意识, 亲自推动 我们要把增长做好, 首先是自上而下的过程, 最好是创始人或核心团队有很好的增长意识 他不一定很专业, 但是他是希望支持和积极推动这个事的 因为做增长会涉及到公司内部各种资源的衔接, 如果没有创始人或核心高管推动, 想单独靠一个部门的负责人实现是非常困难的 (2) 搭建人需要有全局思维 搭建增长体系的人需要有全局思维, 他不一定很了解细节, 但是要有 全局思维 (3) 以点带面, 逐步推进 以点带面, 逐步推进, 通过一个一个案例不断推进, 反馈能够让更多 人认可增长这件事 并且, 通过这些案例实践也可以得到更多的整 合, 提升大家的认知 251

260 GrowingIO 实战指南 21.Camera 360: 覆盖 200 多个国家 坐拥 7 亿用户 Camera 360 是一个帮助用户美化照片的手机摄影软件 目前, 我们在全球 223 个国家和地区, 拥有 7 亿的用户 从 2010 年 2 月创立到拥有 1 亿用户, 我们用了 32 个月的时间 ; 之后增长的速度在不断加快, 从 6 亿到 7 亿用户, 我们只用了 5 个月的时间 在这 7 亿用户背后, 我们是如何用数据来驱动增长的呢? 21.1 让一切皆可量化 数据驱动的基础, 需要让产品里每一个细节都是可量化的 这并不是 一句废话, 因为它做起来可一点都不简单 作为 App, 大家都知道最基本的量化方式就是埋点 但是埋点这件事 给我们制造了很多麻烦 比如 : 新版本上线了一个新功能, 却发现遗漏了之前的埋点, 需要在 下一个版本才能添加 252

261 用户行为数据分析 分析师发现数据异常, 找不到原因, 最后发现是因为新的埋点 ID 和旧版本中的无法对应 还有一些遗漏埋点的情况, 会导致历史数据无法追溯, 只能从新版本重新开始跟踪这项数据 这是我们实际体会到的血和泪的教训 我认为增长的本质在于效率 数据驱动在效率上起到的作用在于 : 数据能最有效 最及时 最客观的告诉你, 这件事情做的对还是不对 在此基础上, 量化背后的关键词是准确和有效 从第一次接触到 GrowingIO, 第一次和 Simon 沟通时, 我就感觉到,GrowingIO 的无埋点技术可以帮我们解脱之前埋点工作的所有负担和杂乱的东西 让一切可量化, 虽然看起来简单, 但是如何真正做到高效 准确的量化, 却不是那么容易的一件事 21.2 PMF 和 MVP 的动态循环 早期我们凭借移动互联网的人口红利获得了自然增长 如果把前几年的市场格局用玩游戏来比喻的话, 是简单模式, 而现在随着人口红利越来越少 竞争压力越来越大, 已经逐步进入到困难模式 在这样的模式下, 如何保持 PMF 是非常重要的一件事 增长的前提一定是 PMF,PMF 指的是产品与市场匹配 (Product / Market Fit,PMF) 但是 PMF 不是恒定的, 产品刚开始时获得用户的认可, 并不意味着它可以永远被用户认可 因为用户的需求是会不断改变的 253

262 GrowingIO 实战指南 为了适应市场的变化, 产品也需要跟着转变, 需要通过对产品的不断迭代来满足市场, 这样才能保证 PMF 是持续成立的 做增长其实是和产品 功能密切相关的 如何用增长的思想和理论去制定我们要做的功能, 如何迭代, 迭代是否有效, 这是增长过程中很重要的一个环节 这其中会涉及到 MVP 的概念,MVP 的全称是最小化可行产品 (Minimum Viable Product, MVP) 通常一个增长的迭代不是拍脑袋决定的, 这是很低效的做法 真正的方式应该是 : 先洞察市场的改变, 然后研究和策划产品应该怎么做 产品功能该怎么做, 之后核心的一步应该从 MVP 开始, 通过数据的验证结果指导我们做产品功能 通过这个曲线大家可以看到, 我们从 2015 年开始有意识地做增长, 之后的增长幅度是在不断提升的 这个过程中我们做了很多事情, 其中最重要的就是对产品的迭代 : 比如发布天空系列滤镜 照片挑战 动感贴纸 漫画天空等功能 总的来说就是两点 : PMF 不是恒定不变的, 我们需要进行相应的改变 ; 如何改变才能最有效, 这个环节就是数据驱动最核心的价值 254

263 用户行为数据分析 通过 MVP 验证数据结果, 我们可以知道这个功能是否有效, 能带来 多大价值, 是现在发布还是再修改, 以及发布之后是不是还需要市场 运营的投入, 以及其他额外的工作 21.3 全球市场的多元文化和多元需求 1 全球化市场中面临的挑战 对于全球市场的多元文化和多元需求, 我们会面对更大的挑战 由于我们是一个做图像的公司, 图像是非常个性化的, 不同用户的偏好是不一样的 在日本, 我们 90% 以上都是女性用户, 而且更加集中在 10 岁到 20 岁的初 高中女性中 而在泰国则完全不一样 : 泰国女性用户占 65%, 男性用户占 30%, 还有 5% 的中间地带, 而用户年龄则集中在 20 到 30 岁 市场反映出的差异性很大, 所以我们很难用一个通用的东西让所有人都喜欢 还有一个例子, 我们产品初期的一个核心功能是人像美化 人像美化里最重要和最直观的一点, 不同人种和肤色的人对于 美肤 的需求完全是不一样的 亚洲用户通常喜欢美肤的效果比较强一点 但是欧美白种人的文化中, 他们希望更多的保留自己的特征 比如他们不希望脸上的雀斑被消除, 这是他们认可美的一种方式 255

264 GrowingIO 实战指南 借助 GrowingIO 的留存分析功能, 我们发现上面这个规律 : 这张图展示了几个国家用户的留存情况, 留存率最高的国家 ( 蓝色线 ) 和留存率最低的国家 ( 橙色线 ) 之间相差了近一倍 这是直接从数据层面告诉我们大家的需求是不一样的 这是我们某个功能的渗透率, 即有多少用户会使用这个功能 ; 我们发现渗透率最高的有 50%, 而最低的不到 10% 这里我想和大家重点说明的是, 对我们的产品来说, 全球市场下不同文化的人种, 他们的需求是完全不一样的 所以在 PMF 中, 市场是有很大差异的 这个时候, 我们应该用数据去解决这个问题 256

265 用户行为数据分析 2 全球市场的差异策略 在这种情况下, 我们可以做多维度的用户分群研究, 用户分群可以帮助我们客观的从数据层面洞察用户的特质, 观察哪些用户群喜欢这项功能 用户分群的维度对我们来说, 最基础的维度是国家 还可以继续深挖, 比如用户的一些特性, 用户对某些功能的偏好程度, 都可以作为划分的维度 从中可以发现非常多的差异, 同时也告诉我们其中有巨大的价值 我们可以基于用户分群做 MVP 的深度实验, 比如, 有目的的把美肤程度比较强的功能推给中国用户, 美肤程度没那么强的功能推给欧美用户 在这个实验的基础上, 做个性化的功能投放和运营, 包括产品中给用户呈现的产品特征, 以及市场和运营策略 最后, 当我们发现有些群体, 我们很想要覆盖, 但我们产品很难搞定的时候, 我们可以直接做细分垂直的产品, 去突破在这个群体中的增长瓶颈 257

266 GrowingIO 实战指南 这是我们在日本地区新增用户量的图, 可以看到在 1-2 月区间有很明显的增长, 几乎翻了一倍 当时我们在 1 月份推出了动感贴纸功能, 这个功能可以基于人脸识别, 在用户脸上贴上各种有趣的贴纸 基于用户分群和 MVP 实验, 我们发现这项功能在日本非常受欢迎 得到这样的洞察和结论后, 我们刻意加大了这项功能在日本市场的推广力度, 因此取得了非常好的增长 21.4 漏斗模型的无限解构 我相信大家对漏斗都很熟悉, 我想阐述的是, 对于漏斗, 我们是不是 真正发挥出了它的价值了呢? 1 如何解构漏斗模型 我觉得对于漏斗需要做无限向下的解构, 像显微镜一样不断的调倍 率, 重新寻找解决路径和方法 比如从 A 到 R 这个路径的转化率不 高, 面对这个问题, 我们应该怎么解决? 首先我们要明确用漏斗解决什么问题, 在这基础上充分解构这个漏斗 从 A 到 R 的转化问题, 我们可以把 A 再拆开, 拆成 A1 A2 A3, 再看哪一步是主要问题, 假设是 A2, 再把 A2 拆开, 再看其中的主要问题 258

267 用户行为数据分析 最理想的状态是, 我们能解构到唯一变量的颗粒度 然后我们就能够 精准定位并且解决这个问题, 带来增长 2 App 推送的漏斗模型解构 做移动 App 的同学一定会发 推送 消息, 这是挽回用户最直接的 手段 如果把 推送 的漏斗仅拆解为发送了多少用户, 有多少用户 点击这种程度, 我们很难实际有效地解决问题 这是我们分析一次 推送 的问题解构 : 蓝色部分表示和 推送 服务或机制相关的影响因素 ; 绿色部分更多的是和客户端相关 ; 红色部分表示用户接触到这个 推送 后, 活动策划 运营 物料等是否可以吸引到用户 这三者类别不同, 对应的需要解决的问题也不同 举个例子, 我们之前发现一个问题, 我们筛选了一个目标 推送 的 用户群, 从消息发出到传达用户的手机上, 其中的流失非常大 当我 们把这个漏斗拆开发现, 最大的流失出现在 实际下发 环节 为什么有这样的问题呢? 259

268 GrowingIO 实战指南 我们发现, 一开始我们的 推送 依赖于一家第三方服务商来覆盖全球的推送服务, 很容易出现问题 发现这个问题后, 我们把安卓的 推送 服务换成了混合模式; 海外我们会用谷歌的 推送 服务, 国内则会找可以提供这样服务的大厂商 解决了这个问题后, 我们发现第一个环节的转化率相比之前提高了 50% 从 消息到达 到 消息展示 的过程中也有很大损失 最常见的情况是安卓手机上会有管理手机应用的程序, 会屏蔽 推送 消息 当时我们为了让用户有更好的体验, 做了一个保护 用户在晚上 12 点以后不会收到 推送 消息, 或者用户每天收到的 推送 数量是有限的, 超出的部分会自动被吞掉 但因为我们的保护机制中的漏洞, 系统自动拦截了一些消息, 导致转化率降低 通过上面的消息推送案例, 不难发现 : 如果我们用的漏斗是一个很粗略的漏斗, 是无法解决问题的 需要一步步解构 定位问题, 然后去解决, 这样才能带来有效的增长 21.5 Testing 远不止 A 和 B 做增长就是要做无数的测试, 在测试这方面我们是非常有经验的 在 说法上虽然是 A/B Testing, 但一定不只是 A 和 B 1 扩大测试群的重要 前段时间看到一篇文章, 说 A/B 测试很多时候是产品经理的把戏, 做测试的目的只是为了拿数据去说服老板, 证明我这样做这个功能是对的 但我对这个观念不太认同, 因为大多数情况下, 很难在测试之前就有非常清晰的假设 260

269 用户行为数据分析 而且每一个测试都有海量的变量空间, 哪怕只是一个按钮的设计, 就有大小 颜色 文案等组合, 而且这个变量空间是无限大, 可以无限组合的 在这样的前提下, 如果要把这个测试做到极致, 针对这个按钮, 我们需要做一百种 一千种测试, 才能得到最优的方案 所以做 A/B 测试一定是需要尽可能的扩大测试群, 尽可能的把测试做得极致 完整, 添加更多的变量和因素, 这样能得到更好的效果 这其中最核心的是效率问题, 有些公司可能连支持 A/B 两个方面的测试都很难, 这的确是一个问题, 但可以尽可能的去优化 2 优化测试策略 这里有一个案例和大家分享, 如果有做海外业务或者 App 的公司, 大家一定有 Facebook 广告投放的行为和经验 我们发现 Facebook 是支持无限大测试的能力的, 用户可以通过各种各样的方式筛选你想要的用户 以及广告投放方式 这张图的横轴是成本, 纵轴是收益, 每个气泡圈代表了一个广告主能 获取到的用户量级 其中绿色的气泡反映出我们的广告效果很好, 红 色则代表效果不好 我们会以这样的方式评估我们广告的效果 261

270 GrowingIO 实战指南 我们会根据不同气泡的状态和位置, 执行优化策略 如果在右下角的位置, 我们会停止投放 左上角的位置我们会加大投放力度 中间位置的红色气泡, 我们会想办法让他跨越这条线, 带来更多的价值 在这套机制下, 我们的一个优化师每天大概会优化几十到上百个广告, 这样会降低获客成本 在有些国家, 我们现在可以做到几美分获取一个用户 21.6 数据驱动的必备三件套 最后做个总结, 要去做数据驱动这件事, 有一个必备的三件套 第一点, CEO 驱动 因为数据驱动是全公司的事, 如果大家没有统一这样的思想是没办法 驱动的, 所以最核心的一定是有 CEO 的驱动 第二点, 验证模型 这个模型不是通用的, 因为会关乎我们的 A/B 测试, 所以这个模型需要每次设计, 但这个模型的好坏会直接关系到效率 我们会随时用这个模型去评估, 我们做的这件事是对的还是错的 好的模型不需要等测试结束, 在测试中就能看出很多东西 第三点, 最重要的就是工具 因为为了提升效率, 不可能所有东西都靠自己完成, 所以借助工具的力量是十分有必要的 在这方面 GrowingIO 给了我们非常大的帮助, 也给我们的效率提升带来了非常大的价值 以上就是我的分享, 希望大家能够有所收获 262

271 用户行为数据分析 感谢您阅读 用户行为数据分析 : GrowingIO 实战指南, 您的意见和 反馈对我们至关重要, 我们将持续更新迭代本书内容 您可以选择以下方式提交您的意见和反馈 : 方式一 : 点击链接 : 方式二 : 扫描下方二维码 欢迎通过邮箱 market@growingio.com 或者微信公众号 GrowingIO 与我们进行沟通, 感谢您的支持! I

272