利用数据分析工具，了解数据，小心假设大胆求证 。
现代管理学之父彼得•德鲁克曾说过：“如果你不能衡量它，那么你就不能有效增长它。”
在产品迭代速度越来越快的今天，学会使用数据分析工具（如：U-App AI版）实现精细化运营是大势所趋。利用数据分析工具，了解数据，小心假设大胆求证，最终改变现状。
在数据分析这条战舰上，已出现很多产品。他们各有千秋，齐头并进。但无论哪款数据分析产品，「高效」+「优质服务」一定是用户更加青睐的。本文就从效率和服务两个方面，分别举例分析，如何做好数据分析平台。
效率优先
目前，市面上的数据平台能为用户提供的基本功能是：将APP/网站数据接入SDK、采集用户线上行为数据。谁家能提供服务，让分析更有价值更佳高效，谁就有较好的市场先机及用户群。
数据平台需要支持deeplink、UTM、用户分群、用户画像、用户细查...，比如H5活动追踪。通过采集大量数据的方式，为用户提供良好的服务。数据平台提供的数据分析工具，会进行深度、多维度的数据分析，包括：新增、活跃，漏斗等分析模型。
数据运营一般分三步：规划-采集-分析
1. 明确运营目标，找准数据内驱力
2. 采集所需数据，按需梳理元数据
3. 做好数据分析，辅助产品快迭代
我们以「用户增长」为例：
U-APP AI提供了基于用户层面的分析工具，从新手阶段-成长阶段-沉默阶段-流失阶段，都能全面的分析用户对于某一功能的数据反馈。
这种可视化的展示既高效又直观，特别是在做沉默用户召回的策略时，U-APP AI提供的「集成PHSH SDK」可获取卸载数据，为数据分析提供理论依据。我们可以利用「集成PHSH SDK」工具，制定召回策略，譬如：
1. 沉默用户价值分层
通过大数据历史所有沉默用户的RFMB模型得分详情，将用户高中低三类价值的用户。使用U-APP 的U-PUSH「分群推送」模块，圈定人群进行消息推送，做精细化运营。如下图所示：
2. 沉默用户调研（主要分析卸载原因）
监控流失情况，对高价值沉默用户进行调研（为了避免用户的沉默和流失，U-App AI通过AI算法，预警流失，并结合Push等方式做好防沉默策略）。
3. 沉默用户召回活动策划优先点
优先重点引导因客观原因无法进行充值的用户进行补卡、换卡以及特价购买充值宝的路径上，已完成策划。
可见，对于小而美的项目，U-APP AI数据平台对新业务支持到位。快速获取友盟+AppKey,下载并集成SDK，添加测试设备后就可以查看数据。其中值得一提的功能，个人觉得非常便捷。即无埋点的数据分析方式，这种方式能极大的加速推进到决策和分析过程。通过无埋点（即圈选功能）快速检验新功能的上线效果。解决传统埋点方式，产生数据延迟的问题。
服务至上
服务一：提供元数据，做好精细化运营
在服务意识上对比多家产品，U-APP AI是比较不错的一家。因为它能提供学习交流的通道，为用户提供更好的服务。
案例一：通过用户行为数据完成用户聚类，也可以观察一个用户的使用情况。
1. 根据不同维度的用户属性划分用户，投放对应的活动或其他信息；
2. 基于用户实时行为进行精准活动触发，提升用户体验；
3. 完善用户使用反馈，为产品迭代提供数据支撑。
案例二：通过建立用户群，了解用户的行为特征、或者统计用户的一些特征，然后追踪一群用户的使用情况。
用户行为数据的最大价值在于，实现用户的精细化拆分。在产品的探索期，理解用户，及时调整产品策略，快速试错是非常关键的环节。如果数据分析平台能够在这一阶段，提供细分用户的分析，不断聚焦目标用户，小步试验改进迭代产品，满足用户痛点，那就非常有价值。
数据平台能将无序的数据梳理清晰，利用策略「清洗」数据。通过「获取用户」-「理解用户」-「留住用户」的步骤，还原最真实的用户运营及数据增长过程。通过用户数据的清洗，深度的还原用户场景，剖析业务与用户之间的情感连接。
我们知道Push是常见的运营工具，但是在不同业务场景下对Push所设置的运营策略是不同的。譬如在物流领域，我们以推送消息给司机群体为例，看看数据分析对用户行为的支撑能做成什么样？
问题来源：
由上图可见，未点击货源推送弹窗详情的司机主要为未关注到平台推动的货源信息，直接关闭窗口导致未点击查看，占比82.29%；其次为货源类型、车型、路线等不匹配导致未点击查看货源详情，占比较低，分别占比6.86%，4.57%，1.71%。
我们发现：司机对于平台货源推荐关注度极低；智能推荐对司机全体适用性偏低，有待对用户使用习惯培养；
如何改善：还原用户使用场景，描绘群体画像及行为特征。拆分关键行为并结合用户层的特征值交叉分析。那么，通过对点击弹窗及未点击弹窗用户进行拆分对比，我们发现，点击弹窗用户有一个特征，即，在平台找货频繁。
存在疑问：用户在平台找货的原因是什么？产品体验好？缺少货源？还是货源优质？司机在平台找货的频率有多高？一天多次？两天多次？还是...
对于这些疑问，我们需要通过数据交叉分析（如：客户端+时间+渠道）将用户拆分，梳理用户场景，对于新增用户，怎样的使用路径能产生对多的交易？什么样的货源展示能提高曝光率及付费转化率？
解决方案：
1. 完美破冰：新产品用户使用指导手册的上线，帮助用户快捷学习操作使用，同时增强人力对于用户使用习惯的培养，加速用户对弹窗推送是非常重要的观点的理解。
2. 深度挖掘：首先建立用户分组，选定新增时间，分析有效用户，设置筛选条件“在一天内在平台找货次数大于等于3次”，通过漏斗进行交叉分析，得出一个结论：符合这样条件的用户在进入找货列表，“点击推荐弹窗”与“关闭推荐弹窗”比例大概是5倍。
3. 基于这个结论制定如下运营策略：针对一天内进入货源列表找货的用户群，推送优质货源，预估能将付费转化率提升近20%。
（以上数据并非实际，仅为此文举例说明逻辑思路而展示）
案例三：分析某项收费策略造成的流失率，并制定降低流失率的运营方案
数据来源（通过运营后台对接U-APP AI）：
初步分析：
1. 头部用户复购率(xx%)和接受度(yy%)和忠诚度(zz%)最高
2. 尝鲜用户复购率(xx%)和接受度(yy%)和忠诚度(zz%)最低
运营方案：
1. 降低流失率
a) 监控用户全生命周期管理，精准预测用户价值，预警流失（对接U-APP AI ）
b) 策划运营活动（如充值送券等），刺激用户消费，提高复购率（通过用户购买行为做专项埋点，然后通过购买频率将用户分层）；
2. 提高拉新率
a) 通过智能推荐，挖掘头部和忠诚用户的特征，提升拉新效果（对接U-APP AI ）
b) U-App可以通过机器学习的算法，预测所有的“低价值用户中”最可能成为“超级用户”的群体。将尝鲜用户转化为头部用户或者忠诚用户。
服务二：提供售后支持，跟进用户问题
售后支持可以提高客户满意度，建立客户忠诚。数据平台需要建立好的售后服务体系。
对于提供服务类的平台型产品，通过售后服务可以提高企业的信誉，扩大产品的市场占有率，提高推销工作的效率与效益。同时，售后服务本身也是一种促销手段。在与用户接触的过程中，一方面能收集用户的诉求，另一方能快速验证产品的可行性。
体验过国内GA、BA、U-APP、GIO...以及多款国外产品后，发现数据平台的通病就是：售后完全跟不上。相对而言，售后支持这一块儿U-APP AI的机器人客服，体验还不错。用户在使用过程中遇到任何问题，U-APP AI提供较为精准的标签，用户可以快速找到答案。对于无法解决的问题，U-APP AI平台会有在3-7日内专门的人跟进解决。如图：
写在最后
产品经理要想做好数据分析，应该有一套完整的思维体系，在价值观、方法论和工具三个层面上储备相关知识。确认运营目的，分析核心指标，指标系统分解，数据采集，数据分析及决策支持同时立足于产品和用户，用数据来打磨产品，用数据来检验迭代，不断提升用户体验。
任何一个业务的进行，必然会产生大量数据。如何整合数据并挖掘出商业价值，为用户提供好的服务？这是做数据分析平台最重要的目标。拿到数据做好精细化运营，其目的最终也是为业务赋能，为用户提供高效服务。
单一的数据是无法体现价值的，整合数据，让数据服务于业务本身才是最好的发展。
数据分析平台的未来，一定是基于业务驱动，为用户提供丰富灵活的功能场景以及高效优质的服务。监控用户在产品上的生命全周期，智能且高效的分析用户行为，帮助客户获得专业体贴的数据服务。
作者：权莉
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
网友评论