分享嘉宾：
- 神策团队
- Acfun张涛
- 馒头商学院
一、利用数据做好精细化运营
1. 什么是数据驱动
- 依据数据统计结果做出决策
- 需求推动的数据驱动（效率低）
- 自助的数据驱动（效率高）
2. 数据处理流程
- 数据采集
- 数据建模（规范、打通、整合数据）
- 数据分析
误区：忽略一二层的规划
2.1 数据采集
-
常见问题：
-
不准确
-
不完备（比如不只要采集客户端数据，还要采集后端数据）
-
不细致（各种数据要采集完整）
-
基本原则：
-
全：多种源（客户端、服务端、数据库等），全量而非抽样，要打通数据
-
细：Who、When、Where、How、What
-
采集的方法：
-
可视化埋点（嵌一个SDK，确定要采集哪些数据）（缺点：不够细）
- 分析UV、PV、点击量等基本指标
- 活动/新功能快速上线迭代时的效果评估
-
代码埋点（客户端、服务端都有SDK，可以进行精细化分析）
- 精细化分析核心转化流程
- 分析不同渠道和不同推广方式的投放效果
-
导入辅助工具
- 客服服务质量的考核
- 不同快递在不同省份运送不同品类产品的速度的比较
2.2 数据建模
对数据进行组织
传统数据库直接拿出来用的缺点：
- 太复杂，产品经理看不懂
- 性能不行，分析不了
解决方法：
- 建数据仓库，抽象一系列的用户行为事件，将不同维度进行组合、过滤
核心模型：
OLAP（Online Analytical Processing）
- 维度（比如城市、操作系统）
- 指标（一个数值，比如销售额、注册用户数）
2.3 数据分析方法
常见的方法：
- 多维事件分析
- 漏斗分析
- 留存分析
- 行为序列分析
- A/B testing
- 用户分群
多维事件分析
-
用户行为事件+多维数据模型
- 事件
- 维度
- 指标
- PS：如果是一个数值型的维度，可以将它分别当作维度和指标组合起来分析
案例：分析订单支付
-
背景：发现成交额一直下跌
- 解决：进行多维事件分析
-
按支付方式进行拆解，发现微信支付下跌，猜想原因是不是接口出了问题等等
漏斗分析
- 分析转化过程数据的最好方法
- PS:注意窗口期（操作从第一步到最后一步的时间）
留存分析
- 用户来了之后的存活情况
行为序列分析
- 针对客单价较高或抽样用户，分析他做了哪些事情，发现他的操作过程哪步出了问题，防止他流失
A/B testing
- 产品改进时有用的方式
用户分群
- 针对不同用户采用不同策略
- 根据用户的属性信息、行为数据、行为序列等进行区分
- 对其进行数据运营后，观察效果
3. 数据分析方法
上文2.3数据分析方法
4. 运营分析实践
案例：SaaS运营分析实践
- 产品发布评估
- 试用客户留存分析
- 流失用户召回
4.1 产品发布（神策数据）
- 发布渠道：朋友圈、微信群、36Kr（埋点分析数据来源）
-
36Kr专门写了一篇文章发布，但从结果发现导来的用户量只占0.9%
- 运营活动的目的是激活用户
-
漏斗分析多种维度分析转化效果
4.2 试用客户留存分析
- 试用后，数据顾问要马上联系用户，挖掘他的需求，看他有没有其他建议
4.3 流失用户召回
- 根据联系方式召回，看不同效果，砍掉后续的拍脑袋决策
-
加个引导流程
5. 创业公司如何构建指标体系
- 为了找准目标，发力往一处打
两种方法：
- One Metric
- Pirate Metrics: AARRR
One Metric —— 第一关键指标法
- 找到最关键的一个指标
- 扩展出其他指标
- 任意指定的时间里，都有那么一个指标
- PS：根据业务情况不断调整
案例：电商
创业阶段
- MVP阶段：定性分析（直接找亲朋好友聊）
- 增长阶段：留存分析、引荐分析等
- 营收阶段：渠道分析、LTV、CAC等
案例：百度知道
- 看情况选择合适的指标重点发力
- 访问量
- 检索量
- 独立IP数
- Session数
- 提问量
- 回答量
- 设置最佳答案
Pirate Metrics: AARRR —— 海盗指标法
- 拉新
- 获取（Acquisition）
- 激活（Activation）：早早让他体验到high点
- 引荐（Referral）
- 留存（Retention）：做一个有用的东西；体验要好
- 提升关键行为的重复频率
- 营收（Revenue）
-
促进商业化
Growth Hacking（增长黑客）
- 传统营销只关注用户获取
- Growth Hacking关注用户的整个生命周期，通过产品改进，获得自增长。常用的方法是社会化媒体和病毒式传播（结合产品特征和当前热点、手段）
Growth Hacking 与数据分析
- 拉新：渠道转化分析、用户数、A/B testing
- 留存：留存分析、用户分群
- 营收：交易额、利润率、用户分群
作业一：数据采集在大数据分析中的作用
二、深度剖析5大数据分析工具
1. 流量统计工具
- CNZZ、百度统计、谷歌分析、友盟
- 服务自身业务
- 商业模式
- 强调标准化
- 前端采集
- 满足最基本需求
2. 神策
【案例：华润万家】
- 背景：做互联网+，有PC、App、公众号
- 需求：
- 三端采集和监控
- 用户跨屏识别
- 强烈的行为和业务数据贯通分析
【案例：融360】
- 业务流程：[渠道获客 → 用户访问 → 浏览贷款 → 提交申请]（线上行为） → [线下核实 → 贷款成功]（线下行为）
- 需求：
- 线下实际成交量反推线上该渠道的ROI，即打通线上线下行为数据打通
【案例：自定义指标】
- 电商客户
- 不关心UV，只关心每天有多少购买，以及这个比值是否上升
- 互金客户
- 不同于传统的流失定义，只要用户清空了账户金额，即视为流失
- 分享经济
- 需要非常灵活的指标定义和查询，业务同学可以自主完成，比如交易放弃率这样的指标
【案例：Keep】
- 需求：
- 提高日活跃占比
- 提高日活跃参与度
- 解决方法：
- 基于用户行为进行分群，然后进行推送
- 构建“用户行为 → 推送系统 → 报表系统 → 用户画像 → 个性推荐”这个闭环
3. 一款理想的用户行为分析工具
数据驱动的要点：快速、高效
- 用户识别
- 精准识别
- 跨屏追踪
- 还原场景（采集用户行为数据）
- 线上线下打通
- 行为业务
- 还原行为
- 自助分析
- 灵活指标
- 分析模型
- 多维细分
- 二次开发
- 私有数据
- 开放平台
作业二：百度统计、友盟等工具可以统计或分析什么样的数据？什么需求或场景是这些工具做不到的？
三、利用数据提升渠道营销效果
1. 案例：不高兴的市场/运营经理
- 公司：某大型电商平台
- 人物：市场/运营经理
- 背景：
- 元旦即将到来，为了能在元旦期间有一个比较高的销售额，需要在多渠道进行营销推广预热。
- 在拿到营销推广经费后，开始在各大合作渠道进行投放。
- 投放前告诉开发进行相应的渠道数据埋点，便于跟踪渠道效果。
- 问题：真的说清楚了嘛？
- 结果：
- 渠道投放后，获取数据往往要等1-2天，拿到数据后发现想要看的数据不全或没有标记
- 关键是Paid Search的流量效果让人着急，自己觉得很冤枉，认为数据并没有反映真实的情况
- 案例原因：
- 不知道该标记哪些信息
- 不知道如何采集这些信息（转述给开发的过程中交流出错）
- 不知道如何评估渠道的效果
- 不知道如何及时获取信息
- 目的：如何花较低的成本获得高质量的用户
2. 如何对渠道进行精细化标记和区分
2.1 精确流量识别技术LinkTag
- 链接如何生成
- 找到一个构建工具的表单
- 输入网站地址，即推广落地页的地址
-
填写其他字段区分来源，自动生成
营销渠道标记的解释
2.2 DSP、Affiliate（CPS联盟）等流量渠道如何准确标识
- 还是使用UTM代码，代码格式如下
- http://www.yoursite.com/page.html?utm_medium=DSP&utm_campaign=new-product
- 将媒介形式改成了DSP的方法
-
如何查看效果：筛选出DSP的渠道
2.3 线下广告怎么追踪
- 二维码：utm_source=utm_medium=二维码
- 目前最好的解决方案
- 在微信中打开成为最常见的场景，需解决监测问题
- 优惠券码
- 国内不常用
- 区隔性较好，但并不精确
- 搜索引擎
- 营销上应创造独特的可供搜索的区隔内容
- 区隔投放
- 宏观效果评价较为容易且置信度较好
- 微观不具备操作性
3. 如何采集渠道信息？（采集的上报时机）
用户行为发生在多端
- Web端
- Android端
- iOS端
- 二维码
3.1 Web端渠道采集
事件名称：浏览页面
维度：
- 前向地址（和前向域名区分自然流量，但包含站内站外来源）
- 前向域名
- 广告系列来源
- 广告系列媒介
- 广告系列关键词
- 广告系列内容
- 广告系列名称
- 最近一次站外地址（解决第一点的问题）
- 最近一次站外域名
3.2 Android端渠道采集
事件名称：激活App
维度：
- 广告系列来源
- 广告系列媒介
- 广告系列关键词
- 广告系列内容
- 广告系列名称
3.3 iOS端渠道采集
事件名称：激活App
关键是进入AppStore前的渠道来源
维度：
- 广告系列来源
- 广告系列媒介
- 广告系列关键词
- 广告系列内容
- 广告系列名称
3.4 二维码端渠道采集
事件名称：扫描二维码
采集扫描二维码后打开的页面
维度：
- 广告系列来源
- 广告系列媒介
- 广告系列关键词
- 广告系列内容
- 广告系列名称
4. 如何评估营销渠道效果？
4.1 首先要明确的是：互联网营销的用户点击流
- 点击前阶段（用户获取阶段）
- 点击后阶段
-
购买后阶段
4.2 流量渠道的评估方法一：直接解读
- 只看转化（最好是实时获得）
-
ROI存在缺陷：大流量渠道成本高导致ROI低，但不可能放弃
-
只看Engagement
- 用户参与度，用户和你产品的交互程度
- 纵轴平均停留时长，横轴平均访问深度，圆圈大小代表访问量
-
延伸方法：ROI结合Engagement
- 纵轴Engagement，即Engagement Index（手工核算的值），横轴ROI
- Engagement高、ROI低代表是新用户
- ROI高、Engagement低代表是老用户，做用户行为路径回放，是否对其他用户有指导意义
4.3 流量渠道的高阶评估方法：渠道归因
用户选择购买的最终渠道不一定是购买行为转化的真正渠道，可能受到了其他渠道的影响
4.3.1 首次归因模型（用户第一次来到网站的渠道来源）
- 用户属性表（看用户各个行为的转化情况）
- 首次前向地址
- 首次前向域名
- 首次广告系列来源
- 首次广告系列媒介
- 首次广告系列关键词
- 首次广告系列内容
- 首次广告系列名称
4.3.2 末次归因模型（用户最后一次来到网站的渠道来源）
- 浏览页面
- 最近一次前向地址
- 最近一次前向域名
- 最近一次广告系列来源
- 最近一次广告系列媒介
- 最近一次广告系列关键词
- 最近一次广告系列内容
- 最近一次广告系列名称
4.3.3 如何分析
- 首次 VS 末次
4.4 流量渠道的转化率评估
- 背景：营销活动带来注册量，要区分渠道质量
- 解决方法：
-
按首次注册渠道进行细分
4.4.1 总结：转化指标和消费四象限
- 第一象限：用户向二迁移
- 第二象限：保持
- 第三象限：渠道归因发生在这个渠道，不要轻易砍掉，用户向二迁移
- 第四象限：用户向一迁移
4.5 流量渠道的留存率评估
- 按渠道来源、付费广告的媒介形式进行查看
- 查看留存下来的用户的详细信息，促活（插图20）
-
查看单个、整体留存用户的行为序列，引导其他用户（插图21）
4.6 总结
- LinkTag打标签
- 渠道采集上报时机
- 渠道效果评估的方法
- 渠道效果获取的及时性（投放时机很短，没有回溯的机会）
作业三：尝试分析某个特定渠道的营销效果，比如sem的营销效果？
四、漏斗分析提升产品优化
1. 漏斗分析的定义
- 一种用来分析目标转化情况的最基础模型
- 了解目标转化现状
- 发现泄露点：技术/产品/运营谁的问题
2. 漏斗思维
2.1 广义的漏斗
- AARRR模型
2.2 狭义的漏斗
3. 漏斗组成
- 目标行为（确定目标行为是什么成功，比如电商是最终购买成功）
- 步骤行为（到达目标的步骤，比如浏览商品详情、添加购物车、选择地址、支付等）
- 进入退出（找出流失点，用户从哪个步骤进来或退出的，找出原因对产品提出优化）
4. 实际应用
4.1 如何创建漏斗
- 设置目标和设置步骤（目标要区分宏观和微观，以便清晰设置）
- 原则：建议设置的步骤为必经步骤
- 因为漏斗模型适合封闭型的场景，一个非常明确的，以到达某个目标而设立的某种产品的转化流程，比如注册流程
4.2 如何解读漏斗
- 看步骤转化率、整体转化率是否达到行业基准值/竞争对手值/历史值
4.3 如何分析漏斗
- 解读漏斗
- 确定问题步骤
- 多维度细分（地域/客户端/品类级别等等）
- 用户行为轨迹功能（用户异常的行为）
- 流失用户明细列表
- 流失用户个人行为序列
5. 漏斗优势
- 行为粗细（目标、步骤是否够细，细到页面行为还是交互行为）
- 多维分析（基于用户、行为属性不断下钻找出背后的异常和原因）
- 还原场景
5.1 行为粗细
- 页面级别
- 行为级别（页面上的行为）
5.2 多维分析
- 前端属性（埋SDK）
- 全端属性（包括前端、后端）
5.3 还原场景
- 查出流失点的用户异常行为路径
- 拉出异常用户行为列表
- 查看用户个人行为序列，找出背后的原因
作业四：
- 漏斗分析主要适应的场景是哪些？
- 如何衡量整体和步骤转化率的合理性？
五、从方法到实践，从0搭建数据分析体系
1. 数据分析的现状（痛点）
-
现状一：过于简单
-
现状二：过于复杂
-
现状三：效率太低
2. 怎么搭建数据分析框架
- 梳理业务
- 事件设计（需要采集那些数据）
- 数据采集
- 构建指标体系
- 确定业务目标
-
数据分析
【案例：广发证券App】
（1） 梳理业务流程：开户/购买理财产品流程
（2）设计事件：推测用户行为，设置好采集点
-
采用event模型，梳理事件及其属性
-
梳理事件每一步的成功率
-
梳理用户属性，通过UID与用户行为进行交叉分析
（3）推动技术做数据采集工作
-
选择何种采集方式，前端或后端SDK
-
采集方式总结
-
采集标准：全、细、准
（4）构建指标体系
-
端到端的用户行为分析：AARRR
-
维度细分
（5）确定业务目标：OMTM
- 能正确反映业务和阶段
- 简单易懂，好理解
- 复合指标一般都好于计数指标
- 去除虚荣指标，好的指标能指导和改变行为
- 形成报表
（6）展开数据分析：产品/运营/市场
- 多个指标综合评估功能
- 留存分析+A/B test（发现问题、建立假设、快速验证、得出结论）
- 用户分群+PaaS平台（极其细致的用户分群，如1天前、2天前的用户，进行精细化运营）
作业五：给自己的产品也做一下事件设计
六、利用数据思维运营好一个产品
1. 数据价值所在？
- 还原业务全貌，让你知道接下来要干嘛
图1
2. 如何还原业务全貌
2.1 推荐工具：
- Appsee：适合初创、小于1万个用户的团队
- inspectlet：网页版的Appsee，推荐用在网站的关键页面
- Sensors Data：强调事件流
2.2 如何还原：
- 实时漏斗
- 用户分布及访问路径
- 单用户行为序列
3. 如何对团队产生价值
3.1 不同岗位的价值
- 产品：看用过某个新功能的回访表现对比整个大盘的回访表现
- 运营：GA实时监控，上内容点击量最高的
- 渠道：提升运营效率
- 技术：查崩溃前用户操作
3.2 如何放大价值
- Dashboard
- 自动化邮件（提需求之后，自动发邮件，推荐GA）
- 报警
- 与工作流程结合起来
声明：本文著作权归讲师所有，仅供学习交流之用。侵删！
网友评论