不论是什么形态的互联网产品，用户是产品存活的最基础指标，其余的指标存在的前提就是“有用户存在”。而获客也是最直接最快速的积累用户数量的方法。
综述
数据驱动，作为目前互联网新业态下被重点关注的细分领域，越来越被大家所熟知和认可。虽然在互联网初期开始就一直关注各类基础数据（pv、uv、注册人数等），但是却一直没有成系统的全面认知，当然也有很大一部分原因是历史大环境造成的，彼时互联网兴起发展迅速，似乎并不用太过在意数据带来的“结论”就能够顺势“增长”。在野蛮发展的时期过后，越来越精细化的时期到来，流量成本的攀升，用户习惯的变动，用户属性的迁移等等条目繁杂的考量范围进入到了互联网人的视野，如何利用数据来驱动增长，成为了现今从业者的关键能力之一。
第一章 导论
第一节 数据驱动的背景
一、数据驱动的大环境
其实在一直以来的互联网发展中，人们已经凭借一些经验与结论，形成了数据驱动增长的雏形，各种模型的基础形态都已经被大家熟练运用，经过不断的改良优化，其实到目前我们能够使用到的数据分析类工具，都能够直接的完成我们日常大部分的分析工作。我接触到比较“系统”的数据驱动内容，其实是“增长黑客”这一概念传入国内互联网的时点，也算是比较晚才有了这些概念，故也不在这里妄议数据驱动的发展史，只是以我个人对于这一块的感知去阐述，难免有偏颇之处，还望海涵。
目前市面上既存的数据分析工具种类繁多，其中我也用过部分，例如神策、growing io，以及友盟的Dplus，在整体使用观感中，大方向似乎相差不过，细节方面则各有千秋。本次试用了友盟+U-APP产品的DEMO，对于数据分析的需求基本能够满足，下面也将结合U-APP产品来做内容的输出。
第二节 文章内容主要方向
一、文章主要内容与输出重点
文章主要从用户增长的“AARRR”模型出发，主要从“获客、激活、留存、转化”几个项目，结合U-APP进行数据驱动增长的内容输出，同时可能也不仅局限于U-APP能够提供的功能进行阐述，也可作为一些产品可参考的优化点，如有部分数据或图表，在不影响文章阅读的前提下，可能会进行脱敏或其他操作进行处理，还望海涵。
由于U-APP产品也是专注于移动端产品的数据监测与分析工具，所以下文也将着重倾向于移动端内容的输出，这里我将普遍认可的“AARRR”模型做一些自己的定义和分解，以前文所述的4个关键点进行分别的阐述。
第二章 数据驱动增长
第一节 获客
不论是什么形态的互联网产品，用户是产品存活的最基础指标，其余的指标存在的前提就是“有用户存在”。而获客也是最直接最快速的积累用户数量的方法。
一、获客流量的来源
一般目前对于APP的获客流量来源监测，较为准确的方式有：UTM （Urchin Tracking Module）标记与分包两种方式，两种方式各有优势，均支持渠道的定义与区分，不过一般在我工作中大都采取分包的方式。通过对于下载APP来源的数据查看，则可以最直观的获取最初的分析，此处一般使用的方式为：
获客成本=投入金额/下载次数
另外在此插一句题外话，其实对于部分APP而言，还有其他的非付费下载渠道（其实对于每一项动作而言，都有它的成本，这里所谓的非付费只是相较投放或者ASO优化这类需要付出较大成本的方式，成本较少），比如有PC端或M站成熟的整套闭环页面，用户将会在这些页面中的引导进行APP的下载，而在这些页面中可以更加细致的去优化和引导用户。这里可以用到UTM标记和APP分包双管齐下，达到理想的效果，不过需要整套PC端及M站页面有相应的数据采集与监测工具，通过UTM标记+事件监测的方式计算第一步转化率，从点击事件到下载APP计算第二步转化率，从而优化自身页面带来的APP下载效果。在实际操作中，这类优化因为成本可控，反而可能带来意想不到的效果。
实际案例：
在我们M站引导APP下载的优化中，发现同一组页面中，不同放置的几处引导下载APP的位置，其中明显有一处位置的点击事件与点击-下载的转化率要高出其他位置许多，在全面尝试后下载量同比环比增量超过50%。
二、获客流量的质量
对于流量来源的第一步初步分析基本结束，但是对于获客的流量而言，还有一个重要的监测指标，即为用户的质量。用户质量根据行业不同，可能细分定义有一定的差异，不过几个重要指标应该是泛用性比较强的：单次打开APP的平均停留时长；打开APP之间的平均间隔；APP使用时长；浏览深度；互动深度等等。而对于一些APP而言，可能也只会取某一关键指标来评价用户质量（如加购物车人数，领取体验产品人数等），有时也会有化繁为简的效果。目前对于这类事件都可以用U-APP中的用户洞察-事件分析来完成。将用户质量量化之后（根据自身业务来定义，可以随时调整，也可多条件一起考虑，加上权重即可），这样就可以简单的进行可视化分析报表的输出，维度分别为：用户质量，获客流量大小。一般会出现以下两种可优化情况：
获客流量高，用户质量较低
获客流量低，用户质量较高
这样就可以根据不同的结果，对应不同的优化策略，以达到较好的效果。
另外还有在一般场景（不仅限于APP，多出现在PC和H5）中出现的几类情况和分析，在这里稍作补充。一般在搜索引擎或信息流投放的情况，都会有ROI作为重要参考指标，在这种情况下，其实也可以和上文中提到的用户质量与获客流量一起分析。另外在一些场景下的用户转化路径会很复杂，可能需要用到“归因分析”，从而判断出用户达到最终结果中间各个路径（流程）所做的贡献，在此仅稍作笔墨，不再展开。
第二节 激活与留存
一、激活的定义、监测与分析
因为APP的特殊性，内部的交互可能多为JS之类的互动，所以对于APP的数据监测需要进行埋点后进行事件监测，而一些关键事件的交互动作，我们就可以称之为“激活”。
对于通常情况而言，激活的情况会直接影响到下一步“留存”，普遍的，用户经过激活（每个业务形态都可以有自己的激活动作）动作后，留存率会有比较明显的提高，而留存率的情况，又能反过来反映激活动作的设定和引导是否合理，所以这两步动作可谓相辅相成，故在此放在一起来阐述。
实际演示
例如在APP中，我们定义了以下几个动作为关键激活动作：加购物车、加收藏、关注某人、发表评论，这时即可根据目前U-APP中的自定义留存功能进行分析：
我在这里定义了“加购物车”这一动作的留存情况，在实际操作的过程中将尽可能细致的各激活动作的留存建立好后，可以直观的看到各动作对于留存的影响。
以上案例为激活动作对于留存的影响建立，后续分析将在下一项中继续完成。除此之外，对于激活动作的事件监测，也能够获悉用户的访问流程或者路径，用以分析用户是否按照既定的产品设计路线进行浏览，在U-APP的页面访问路径中可以快速的得到可视化数据展示（目前并没有完整数据，应该最后会形成桑基图一样的展现），这样可以快速得出用户自己的浏览路径，同时在一些节点处发生的数据异常也能快速反馈，例如某项非完结互动功能之后没有后续动作，则可能该动作出现了问题。同时针对于这些动作的埋点，也能够再进一步的完成用户属性的区分，方便进行更进一步的用户运营。
实际案例
在APP中，针对做过不同动作的用户进行细分，则能更好的促进用户激活，以push为例，作为APP中最重要的触达用户手段，人群颗粒度越细，则push效果会更好，例如我在人群细分中定义以下人群：
加过购物车但是还未付款的用户分类，这时如果push一条商品打折或者系统发放优惠券的信息，可能会直接形成购买。
二、留存的定义、与激活的共同分析
留存的普遍定义仍旧为Facebook的适用模板，分别是7日、14日、30日留存，对应4-2-1，即三个时间段的留存分别需要达到40%、20%h和10%，APP则有可能健康增长下去，不过这个数据指标也只是一个参考范围，一些APP如果生搬，效果反而并不会好。
继续上文所讲，在建立了不同激活动作定义的留存后，则可以根据输出的留存情况来判断激活动作的质量。假设某单一动作对于留存的贡献最高，则该激活动作可以考虑进行重点的用户引导。
实际案例
在某次进行分析中，我们发现新增用户在关注了4个KOL及以上的情况时，留存率有比较明显的上升，所以我们上线了两个尝试：关注引导以及新用户一键关注功能。在关注引导上线后，添加关注的用户数量短期提升比例在10%以上，此时留存情况略有下降，但是仍在合理范围；直至上线了一键关注这个偏强制引导的功能，虽然关注用户数上升很快（短期再次上升30%），但是留存率却产生了十分明显的下跌。所以在分析得出结论时，仍需根据实际情况来规划优化方向，不然极有可能出现此类拔苗助长的情况。
用户在经过反复激活这个过程中，会自然对于产品产生认知，保证激活的引导优化，就可以在一定程度上保证用户的留存率，配合之前的获客，则可以在用户数量增长上有比较良性的发展。
第三节 转化
一、转化和购买
对于一些属性的互联网业态而言，转化是必不可少的用户路径之一，而在有需要用户购买转化的APP中，形态也不尽相同，大概也可以分为买断制（一次购买，终身享用）、会员制（周期续费）、货架制（有需求随时购买，根据购买内容付费），但是不论何种付费转化情况，前期的运营流程必不可少，而关键的“首次购买”则将会是用户对于这类APP是否认可的重要标志之一。所以在转化步骤中，将会继续用到U-APP提供的数据监测结果，而我们则需要根据这些不同的数据结果，来优化整体的路径，促进用户转化。
二、常用优化方式
1）漏斗分析
漏斗作为用户转化中最常用的分析方式，已经成为了最直观的方式之一。对于用户的路径进行定义后，则根据U-APP中对于各个节点所给出的监测数据，计算出相应的流程漏斗，根据不同步骤的转化率与实际情况进行优化分析。由于泛用程度很广，这里仅作简单说明：例如对于首次购买的新用户，路径可能为，打开APP-某关键动作引导-体验重要内容-购买。
2）热力图分析
这个功能目前没有在U-APP中找到，不过热力图作为产品页、引导页、活动页等和转化强相关的页面参考时，会有较为良好的效果。因为移动端的操作方式不同于其他场景，会存在一些误触，支付难易度，返回难易度等情况，这时热力图就能够发挥比较好的作用。
实际案例
在某次转化活动中，活动页设计时在热力图的反馈上出现了几个比较严重的问题，其中之一就是页面最上方有两个“方块”状的说明文案，其实是不可点击的，但是热力图中发现用户点击这两块区域的情况非常多，所以在短时间内就做了紧急的优化，将此两个位置加上了锚点定位。
3）A/B测试
A/B测试的适用范围和前面所说的热力图差不多，也是重点作为页面的优化。这也通常需要和热力图，漏斗等分析手段一起进行，来检测效果的优劣，在此也不多做赘述，不过在U-APP中暂时无法实现。
4）跳出率分析
跳出率同样作为页面优化的重要指标，在U-APP中目前没有找到明确的跳出定义，但是可以用一些其他的方法来实现。
实际案例
在实际操作中，有些工具可能没法明确的进行跳出率的定义，一般我采取的办法是，定义所需查询页面作为“来路页面”，查询该页面的流量和作为“来路页面”跳出的流量，用这两个指标算出“二跳率”，则其他情况则为“跳出”，可在一定程度上做参考。
5）RFM模型
RFM模型通常是用户复购时候使用的模型，其实当中的三个维度可以根据自身的业务形态来自定义，其实这也可以算是前文在“激活与留存”中所述的用户细分的一种直观化细分方式，也不进行过多叙述。
第三章 总结与其他
第一节 对一些数据的认识
一、运营拟RFM模型的建立
曾经有朋友对我说过一句话：互联网的工作就是一个拆分的过程，能够把颗粒度拆分的越细，工作就越得心应手。其实数据也是如此，需要借助工具和个人经验将大量的数据进行拆分与清洗，才能找到最希望得到的内容。
在对于营销RFM模型的分析中，我觉得运营其实也可以建立相似的模型，这里简要说一下建立的逻辑，根据用户的动作事件发生的时间，动作的发生次数与动作的发生深度三个维度建立了“拟RFM模型”，将每一个维度的用户细分后进行半自动化的运营触发，在投入运营后效果还说的过去，模型的三维图如下（数据已脱敏）：
二、总结
其实不论多么完善的数据采集与监测工具，也仅仅是作为工具而已，从这些工具中能够找到适合自己产品的用户增长与产品优化，才是工具类产品存在的意义，不过对于一些业务形态而言，目前大家似乎都陷入了“用户增长”这一怪圈中。但是这也无可厚非，资本对于产品的认可，也是建立在“用户数量”这一基础数据上，但是是否所有的业务形态都一味的追求增长，就是一个好的形态，也不尽然。
希望大家都能找到适合自己互联网业务形态的增长。
作者：王淼
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