作者：許金坤

來(lái)源：GrowingIO（ID：GrowingIO）

本文為作者授權(quán)鳥(niǎo)哥筆記發(fā)布，轉(zhuǎn)載請(qǐng)聯(lián)系作者并注明出處。

數(shù)據(jù)分析作為運(yùn)營(yíng)人員必備的核心技能，對(duì)職業(yè)發(fā)展起著尤為重要的作用。本文將基于基于業(yè)務(wù)場(chǎng)景，分享幾種基礎(chǔ)的數(shù)據(jù)分析框架和方法，系統(tǒng)化的進(jìn)行數(shù)據(jù)分析。

無(wú)論是產(chǎn)品、還是運(yùn)營(yíng)，都需要具備良好的數(shù)據(jù)分析能力，對(duì)用戶行為數(shù)據(jù)和業(yè)務(wù)數(shù)據(jù)，進(jìn)行分析、評(píng)估甚至預(yù)測(cè)。本文通過(guò)分享三種常見(jiàn)的數(shù)據(jù)分析框架，幫助我們更系統(tǒng)的進(jìn)行數(shù)據(jù)分析，發(fā)現(xiàn)并解決產(chǎn)品暴露出的問(wèn)題，從而更高效的完成工作。

一、用戶行為分析

1. 事件分析

事件：通過(guò)埋點(diǎn)，高效追蹤用戶行為或業(yè)務(wù)的過(guò)程。注冊(cè)、啟動(dòng)、登錄、點(diǎn)擊等，都是常見(jiàn)的事件。例如下圖，展示出某日的注冊(cè)事件。

通過(guò)事件分析我們可以準(zhǔn)確了解 App 內(nèi)發(fā)生的事件量，根據(jù)產(chǎn)品特性合理配置追蹤，可以輕松回答關(guān)于變化趨勢(shì)、分維度對(duì)比等問(wèn)題，例如：

• 某個(gè)時(shí)間段推廣頁(yè)面點(diǎn)擊量有多少，對(duì)比昨日有多少提升？

• 某個(gè)渠道的累計(jì)注冊(cè)數(shù)是多少，第一季度排名前十的注冊(cè)渠道有哪些？

• 某個(gè)活動(dòng)頁(yè)的uv分時(shí)走勢(shì)，安卓和 iOS 占比情況如何？

2. 漏斗分析

漏斗模型：分析一個(gè)多步驟過(guò)程中，每一步的轉(zhuǎn)化與流失情況。以互聯(lián)網(wǎng)金融-理財(cái)端為例，新用戶在首次投資會(huì)經(jīng)過(guò)如下步驟過(guò)程：

• 注冊(cè)成功

• 實(shí)名認(rèn)證

• 充值成功

• 投資成功

我們可以通過(guò)漏斗分析整體的轉(zhuǎn)化情況，以及每一步轉(zhuǎn)化量、流失量、轉(zhuǎn)化/流失率。

在漏斗模型中清晰 3 個(gè)基本概念，可以借助強(qiáng)大的篩選和分組功能進(jìn)行深度分析。

• 步驟：指的用戶行為，由事件加篩選條件組成

• 時(shí)間范圍：漏斗第一步驟發(fā)生的時(shí)間范圍

• 轉(zhuǎn)化周期：用戶完成漏斗的時(shí)間限制，漏斗只統(tǒng)計(jì)這個(gè)時(shí)間范圍內(nèi)，用戶從第一步到最后一步的轉(zhuǎn)化。

如上圖表示：2018 年 3 月份，注冊(cè)成功的 27 萬(wàn)名用戶，在 7 天內(nèi)投資成功的轉(zhuǎn)化與流失情況。

這里漏斗分析與事件分析不同的地方在于：漏斗分析是基于用戶，或是說(shuō)基于人來(lái)統(tǒng)計(jì)某一批用戶所發(fā)生的行為，不會(huì)受到歷史瀏覽頁(yè)面用戶的事件影響，可以更加準(zhǔn)確的暴露某一時(shí)間段產(chǎn)品存在的問(wèn)題。

通過(guò)漏斗模型及時(shí)發(fā)現(xiàn)問(wèn)題：我們通過(guò)建立了注冊(cè)轉(zhuǎn)化漏斗，度量每一步的轉(zhuǎn)化率和整體的注冊(cè)轉(zhuǎn)化率，通過(guò)時(shí)間維度來(lái)監(jiān)控每一步和整體轉(zhuǎn)化率的趨勢(shì)。

例如：4 月 12 日發(fā)現(xiàn)輸入圖形驗(yàn)證碼這一步轉(zhuǎn)化率有明顯異常，于是緊急通知技術(shù)同事排查，發(fā)現(xiàn)圖形驗(yàn)證碼功能失效，導(dǎo)致大量用戶無(wú)法顯示。緊急修復(fù)后，轉(zhuǎn)化率回到之前的水平。所以，通過(guò)對(duì)每一步漏斗轉(zhuǎn)化率的監(jiān)控分析，可以及時(shí)發(fā)現(xiàn)問(wèn)題，及時(shí)止損。

（數(shù)妹按：我們上線了更強(qiáng)大的漏斗功能，還可以直接在漏斗中將未轉(zhuǎn)化成功的用戶下鉆分群，定向推送召回?。?/span>

3. 留存分析

留存用戶：即用戶發(fā)生初始行為一段時(shí)間后，發(fā)生了目標(biāo)行為，即認(rèn)定該用戶為留存用戶。

留存行為：某個(gè)目標(biāo)用戶完成了起始行為之后，在后續(xù)日期完成了特定留存行為，則留存人數(shù) +1

留存率：是指發(fā)生“留存行為用戶”占發(fā)生“初始行為用戶”的比例。常見(jiàn)指標(biāo)有次日留存率、七日留存率、次月留存率等。

留存表：留存表中給出了目標(biāo)用戶的留存詳情，主要包括以下幾個(gè)信息：

• 目標(biāo)用戶：每天完成起始行為的目標(biāo)用戶量，是留存用戶的基數(shù)；

• 留存用戶：發(fā)生留存行為的留存用戶量和留存率

留存曲線圖：留存曲線圖可以觀測(cè)隨著時(shí)間推移，用戶留存率的衰減情況。

以電商為例，我們觀察運(yùn)營(yíng)策略優(yōu)化/產(chǎn)品改版，是否會(huì)影響用戶的購(gòu)買行為。此時(shí)我們可以將用戶行為分為：

• 初始行為：注冊(cè)

• 留存行為：支付訂單

然后根據(jù)客戶注冊(cè)的時(shí)間按周進(jìn)行分組，得到同期群，制作留存曲線圖，觀察該群體用戶發(fā)生購(gòu)買的  30 日留存。通過(guò)比較不同的同期群，可以獲知新用戶購(gòu)買率指標(biāo)是否在提升。

留存行為一般都與我們的目標(biāo)有強(qiáng)相關(guān)性。我們?cè)谶M(jìn)行留存分析時(shí)，一定要根據(jù)自身業(yè)務(wù)的實(shí)際需要，確定高價(jià)值的留存行為才能能對(duì)產(chǎn)品的優(yōu)化提供指導(dǎo)性建議。

二、AARRR 模型

AARRR 模型是一套適用于移動(dòng) App 的分析框架，又稱海盜指標(biāo)，是“增長(zhǎng)黑客”中驅(qū)動(dòng)用戶增長(zhǎng)的核心模型。AARRR 模型把用戶行為指標(biāo)分為了 5 大類，分別為：獲取用戶，激發(fā)活躍，提高留存，增加收入和病毒傳播。

從用戶獲取到病毒傳播，每個(gè)環(huán)節(jié)都有重要的指標(biāo)需要我們?nèi)リP(guān)注，通過(guò) AARRR 模型系統(tǒng)化的拆解 5 大類目用戶行為，可以讓我們更清晰的知道每個(gè)環(huán)節(jié)需要重點(diǎn)關(guān)注的重點(diǎn)指標(biāo)。

以電商業(yè)務(wù)為例，下圖基于 AARRR 模型，構(gòu)建用戶生命周期運(yùn)營(yíng)全脈絡(luò)和每個(gè)節(jié)點(diǎn)需要關(guān)注的重點(diǎn)指標(biāo)：

1. Acquisition 獲取用戶

在獲取用戶階段，我們希望讓更多潛在用戶關(guān)注到我們的產(chǎn)品，通過(guò)以下基礎(chǔ)途徑來(lái)曝光我們的推廣頁(yè)面：

• 付費(fèi)獲?。好襟w廣告、SMS、EDM、流量交易/置換

• 搜索營(yíng)銷：搜索引擎優(yōu)化（SEO），搜索引擎營(yíng)銷（SEM）

• 口碑傳播：用戶間邀請(qǐng)活動(dòng)，病毒 H5 傳播等

用戶訪問(wèn)頁(yè)面后，可以通過(guò)導(dǎo)航、主動(dòng)搜索、算法推薦來(lái)了解到我們的產(chǎn)品。切中當(dāng)下需求的用戶會(huì)進(jìn)行注冊(cè)行為，算是和用戶真正意義上第一次會(huì)面。

這時(shí)就要重點(diǎn)關(guān)注推廣頁(yè) UV，點(diǎn)擊率，注冊(cè)量，注冊(cè)率，獲客成本等重要指標(biāo)。

2. Activation 激發(fā)活躍

用戶注冊(cè)后是否有進(jìn)一步了解我們的產(chǎn)品？這其中涉及到產(chǎn)品的功能，設(shè)計(jì)，文案，激勵(lì)，可信等等。我們需要不斷調(diào)優(yōu)，引導(dǎo)用戶進(jìn)行下一步行為，讓新用戶成為長(zhǎng)期的活躍用戶：

我們可以通過(guò)界面/文案優(yōu)化，新手引導(dǎo)，優(yōu)惠激勵(lì)等手段， 進(jìn)行用戶激活流程的轉(zhuǎn)化提升。監(jiān)控瀏覽商品頁(yè)面，加入購(gòu)物車，提交訂單，完成訂單的漏斗轉(zhuǎn)化。

這個(gè)過(guò)程中，我們要重點(diǎn)關(guān)注活躍度，若定義加入購(gòu)物車為活躍用戶，那么就要觀察注冊(cè)至加入購(gòu)物車漏斗轉(zhuǎn)化率，按維度拆分，分析優(yōu)質(zhì)轉(zhuǎn)化漏斗的共有特征/運(yùn)營(yíng)策略，提升策略覆蓋率，優(yōu)化整體轉(zhuǎn)化效果。

3. Retention 提高留存

用戶完成初次購(gòu)買流程后，是否會(huì)繼續(xù)使用？流失的用戶能否繼續(xù)回來(lái)使用我們的產(chǎn)品？

產(chǎn)品缺乏粘性會(huì)導(dǎo)致用戶的快速流失，我們可以通過(guò)搭建生命周期節(jié)點(diǎn)營(yíng)銷計(jì)劃，通過(guò) push、短信、訂閱號(hào)、郵件、客服跟進(jìn)等一切適合的方式去提醒用戶持續(xù)使用我們的產(chǎn)品。并且在此基礎(chǔ)上通過(guò)積分/等級(jí)體系，培養(yǎng)用戶忠誠(chéng)度，提升用戶粘性。

重點(diǎn)關(guān)注留存率，復(fù)購(gòu)率，人均購(gòu)買次數(shù)，召回率等指標(biāo)。

4. Revenue 增加收入

我們獲得每位用戶平均需要花費(fèi)多少錢？每位用戶平均能為我們貢獻(xiàn)多少價(jià)值，能是否從用戶的行為，甚至其他方式賺到錢？

電商業(yè)務(wù)的基礎(chǔ)要關(guān)注獲客成本CAC，顧客終身價(jià)值，在此基礎(chǔ)上通過(guò)運(yùn)營(yíng)活動(dòng)激勵(lì)用戶進(jìn)行購(gòu)買，提升用戶單價(jià)、頻次、頻率，最終提升用戶生命周期貢獻(xiàn)價(jià)值。

重點(diǎn)關(guān)注獲客成本，顧客終身價(jià)值，營(yíng)銷活動(dòng)ROI等指標(biāo)。

5. Referral 病毒傳播

用戶是否會(huì)自發(fā)的推廣我們的產(chǎn)品？通過(guò)激勵(lì)是否能讓更多的忠誠(chéng)用戶推廣我們的產(chǎn)品？

在社交網(wǎng)絡(luò)高度發(fā)達(dá)的今天，我們可以通過(guò)各種新奇的方式去進(jìn)行產(chǎn)品傳播：用戶邀請(qǐng)的老帶新活動(dòng)，垂直領(lǐng)域的社群運(yùn)營(yíng)，H5營(yíng)銷傳播，讓老用戶推廣我們的產(chǎn)品，吸引更多的潛在用戶。

重點(diǎn)關(guān)注邀請(qǐng)發(fā)起人數(shù)，每個(gè)病毒傳播周期的新用戶量，邀請(qǐng)轉(zhuǎn)化率，傳播系數(shù)等。

三、3 大增長(zhǎng)引擎

精益創(chuàng)業(yè)提出一個(gè)概念：唯一關(guān)鍵指標(biāo)（one metric that matters, OMTM）。

在任何類型產(chǎn)品的任何一個(gè)階段，都需要找到唯一的一個(gè)數(shù)字，把它放到比其他任何事情都更重要的位置上。在數(shù)據(jù)分析時(shí)，可以抓取許許多多的數(shù)據(jù)，但必須聚焦在最關(guān)鍵的事情上。同時(shí)其也是“增長(zhǎng)黑客”中的關(guān)鍵特質(zhì)：專注目標(biāo)。

1. 粘著式增長(zhǎng)引擎

粘著式增長(zhǎng)引擎以 Retention 留存作為 OMTM 驅(qū)動(dòng)增長(zhǎng)

典型案例是游戲類的 App，F(xiàn)acebook 針對(duì)游戲提出的“40-20-10”法則，即如果你想讓游戲的DAU 超過(guò) 100 萬(wàn)，那么新用戶的次日留存率應(yīng)該大于 40%，7 日留存率大于 20%，30 日留存率大于 10%。

不使用任何運(yùn)營(yíng)激勵(lì)手段與使用留存激勵(lì)相比，次日留存相差甚遠(yuǎn)。

例如游戲中常見(jiàn)的：簽到活動(dòng)，登錄獎(jiǎng)勵(lì)，時(shí)長(zhǎng)獎(jiǎng)勵(lì)等玩法都是基于提升用戶留存的目的。

通過(guò)提供目的性的目標(biāo)，制定規(guī)則和反饋系統(tǒng)，為玩家?guī)?lái)創(chuàng)造性成就和能力的提高帶來(lái)的滿足感和愉快感，從而提升用戶的游戲頻率，游戲時(shí)長(zhǎng)，最終提升用戶留存。

好的留存率對(duì)于不同的產(chǎn)品而言是不同的，在這里不展開(kāi)對(duì)用戶留存率的劃分，針對(duì)不同類型的產(chǎn)品與用戶粘性尋找最適合的留存指標(biāo)才是正確的。

2. 付費(fèi)式增長(zhǎng)引擎

付費(fèi)式增長(zhǎng)引擎以 Revenue 營(yíng)收作為 OMTM 驅(qū)動(dòng)增長(zhǎng)。

簡(jiǎn)單來(lái)說(shuō)，從顧客在產(chǎn)品上貢獻(xiàn)的價(jià)值大于獲取付費(fèi)客戶的成本，就可以一直驅(qū)動(dòng)營(yíng)收增長(zhǎng)。

互聯(lián)網(wǎng)金融是付費(fèi)式增長(zhǎng)引擎的典型例子，由于產(chǎn)品類型不像游戲和視頻資訊類應(yīng)用，有強(qiáng)大高頻使用需求?；ソ疬\(yùn)營(yíng)考核的核心目標(biāo)就是促成交易，從用戶每一次投資/借貸行為中獲得收入，覆蓋營(yíng)銷的投入，不斷驅(qū)動(dòng)引擎的轉(zhuǎn)動(dòng)。這里我們要重點(diǎn)關(guān)注2個(gè)指標(biāo)：

• CAC（Customer Aqusition Cost）客戶獲取成本

• CLV (Customer Lifetime Value) 客戶終生價(jià)值

例如：某次月在營(yíng)銷上投入成本 20000 元，新增投資用戶 100 人，則獲取每位投資用戶的成本是 200 元。若人均投資 5 萬(wàn)元，利潤(rùn)率 2%，客戶終身價(jià)值 CLV=1000 元/人。

當(dāng) CLV>CAC ，不計(jì)其它成本的基礎(chǔ)上，已驅(qū)動(dòng)引擎正常運(yùn)轉(zhuǎn)了，接下來(lái)就要思考如何提供更多曝光，擴(kuò)大頂端的漏斗，以及盡可能縮短客戶盈虧平衡時(shí)間。

3. 爆發(fā)式增長(zhǎng)引擎

爆發(fā)式增長(zhǎng)引擎以 Referral 傳播作為 OMTM 驅(qū)動(dòng)增長(zhǎng)

典型案例：基于社交場(chǎng)景的分享，通過(guò)瓜分紅包，砍價(jià)、拼團(tuán)、秒殺等玩法，不斷觸達(dá)潛在用戶。

用戶分享到社交網(wǎng)絡(luò)，即可降低付出的成本，通過(guò)為用戶省錢的策略，提升用戶感知價(jià)值，不斷刺激價(jià)格敏感用戶，貢獻(xiàn)大量的分享量，點(diǎn)擊量，引導(dǎo)潛在用戶進(jìn)行體驗(yàn)/注冊(cè)。

在爆發(fā)式增長(zhǎng)引擎中，我們需要關(guān)注病毒系數(shù) K = I x Conv :

• I：Invitation，即每個(gè)用戶發(fā)送的邀請(qǐng)數(shù)量，反映了分布密度.

• Conv ： Conversion rate，即每個(gè)邀請(qǐng)成功的概率，反映了感染強(qiáng)度.

那么如何提升讓病毒傳播系數(shù)，上面活動(dòng)中常見(jiàn)的 3 種方案：

• 重點(diǎn)提高接受率：降低接受門(mén)檻，且盡量將接受步驟控制在社交場(chǎng)景中，避免二跳降低轉(zhuǎn)化。

   

• 縮短單次邀請(qǐng)流程的生命周期：通過(guò)限定時(shí)間的方法，加快增長(zhǎng)進(jìn)程的同時(shí)，提升緊迫感。

   

• 試圖說(shuō)服用戶去邀請(qǐng)更多的人：頭幾位受邀用戶在砍價(jià)中可以砍掉很多金額，讓用戶初嘗甜頭后會(huì)激勵(lì)更多的轉(zhuǎn)發(fā)量。