美文网首页
所谓数据驱动,到底是怎样的?

所谓数据驱动,到底是怎样的?

作者: 人人都是产品经理社区 | 来源:发表于2019-07-16 15:38 被阅读0次

    了解用户最好的途径就是看数据反馈。

    2017年底,抖音小到不足以被巨头重视,只是头条短视频战略的其中一步棋。但负责该项目的团队就放言,只要加权推广,压过快手不是问题。

    当时抖音DAU不足3000万,快手早已过亿。内部的反馈是质疑声,“还这么小,就敢吹这么大的牛。”底气来自后台的数据。抖音的留存已经相当可观,说明用户黏性足够高。留存决定新产品能否获得流量分配,只有这样,才是被验证过的。

    下一步,就是放大。是时候拉新了。

    ——蓝洞商业《张一鸣的APP工厂》

    字节跳动作为一家依靠算法起家的公司,对数据有着近乎痴迷的信任。抖音不只是个例,抖音之后还有轻颜相机、今日头条极速版、皮皮虾,以及刚刚上榜的番茄小说。

    这些产品上线后无不经过短暂的排名“震荡”后快速冲到榜首,其背后的基础是产品和运营团队对用户的深刻了解。

    了解用户最好的途径就是看数据反馈。

    很多产品都建有专门的数据后台,即便没有自己的数据后台,也大都购买了类似第三方数据的数据后台。但是大多数时候,很多PM只会关注活跃和留存。

    这是两个非常重要的指标,甚至是你KPI的重要组成部分,但他们并不能帮你了解用户,也就不是真正的数据驱动。

    所以真正的数据驱动,应该是怎样的?我们以友盟+移动统计(U-App AI版)的后台数据为例,看一看产品的数据指标可以如何帮我们了解用户。

    一、“数据归因”比“数据增长”更重要

    友盟的基础数据面板板块下给出了用户增长、用户留存、用户行为、增长渠道及基础的用户画像数据。这些数据清晰的向我们展示了用户的概貌,但他们终究只是表象数据。

    我们可以用这些数据来完成KPI表格的填写,但仅停留在表象数据并不能给我们带来驱动力。

    我们更应该关注对这些指标的解读。

    以活跃用户为例,从近一个月的活跃趋势看,活跃人数稳定在2200-2400之前,是一个非常稳定的数据。

    但是,当你打开“活跃构成”,你会发现我们的“稳定”不在了:

    活跃用户中,新增用户占到60%以上!也就是说,我们的产品用户一直在“来了——活跃——走了”的循环中。

    除非这款产品想像微信小程序一样“用完即走”,否则这是一个非常可怕的增长成果。

    直接问责运营同学是归因的一种方法,但它是最差的一个,友盟为我们提供了多种维度的数据指标,它们可以帮我们更准确的找到原因。

    比如主流应用市场贡献了大部分新增用户,但只有来自“其他渠道”和“悦动圈”的用户留了下来。

    比如平均0.3%的次日留存主要来自v1.7版本用户,v0.9版本的用户全部流失了。我们是否应该快速比对v0.9版本和v1.7的差异,找到用户流失的核心原因。或许能通过继续优化让更多的用户在1.7版本留下来。

    二、像交朋友一样给你的用户增加一个备注

    “参差多态乃幸福的本源。”

    每个人都是多面的,每一个“面貌”后面我们都有一群不同的朋友,有的朋友会给我们发来“早安”问候,有的朋友会在深夜孤独时陪在我们身边。如果我们的产品想做用户的朋友,就需要清楚的知道用户在什么时候需要我们。

    友盟后台提供了一个非常细节的功能,它把用户的活跃时间拆分到了每个小时。活跃用户的颗粒度越细,越有助于我们了解用户的习惯。

    以健身类APP为例,有的用户喜欢在早上健身、有的喜欢在晚上。有了分时活跃用户这个维度,你就可以快速的把他们区分开来,比如最简单的区分推送时间。

    除了用户行为,用户的基本属性同样重要,比如iOS手机和安卓手机、比如地域差异、比如APP下载渠道和APP版本。我们可以通过查看这些不同基本属性用户的活跃、留存行为,给他们打上更详细的标签。

    每个用户都有“生命周期”,从“满眼新鲜”到“轻车熟路”到“冷战”到“一脸嫌弃”,每个阶段的用户有不同的需求和习惯。针对不用阶段的用户,我们应该拿出不同的运营策略,以实现用户活跃和留存的最大化。

    友盟基于AI给出了初始的分类,你可以根据产品的实际情况去自定义分类的标准。他们甚至直接给出了从“新手阶段”直接进入“流失阶段”的风险提示。

    三、一些细节,可能是“翻盘”的机会

    前面提到了活跃用户的分时数据,它除了帮助我们给用户“打标签”以外,还可以结合push、站内活动,查看运营效果。

    新增用户同样,当我们把统计周期限定在天以后,可以查看当天各小时段的用户增长情况。对于生命周期只有一天的裂变类活动而言,这样的细节数据可以给我们提供更细分的归因研究。

    此外,我们还可以对比不同天数的分时新增情况,如果出现下图的情况,显然我们可以得出“29日这一天用户增长出了问题”这一结论。

    在用户参与度板块的使用率数据面板下,我们发现大部分用户打开次数在1-2次,但我们也发现有52个用户打开了超过50次。

    这些用户在做什么?崩坏?羊毛党?

    在使用间隔数据下也有同样的情况,最近一个月有2000+用户每隔8-15天使用一次APP。往前看几个月,这个人群数量更大。这是什么样的人群?8-15天使用一次在解决他们什么样的需求?

    有些时候,我们要考虑大多数人的需求,比如某些规则的制定;但有时候,小众人群却可以帮我们发现未知的市场。

    很多时候,决定成败的是细节。

    作者:张佳(喜新)

    本文为「人人都是产品经理」社区和友盟+联合举办的“2019「友盟杯」数据分析大赛”中参赛作品,未经作者及平台许可,禁止转载

    本文部分数据有脱敏处理,非全部真实数据

    有关产品测评大赛合作事宜,请联系邮箱:denis@woshipm.com

    相关文章

      网友评论

          本文标题:所谓数据驱动,到底是怎样的?

          本文链接:https://www.haomeiwen.com/subject/bxfokctx.html