數據分析作為運營人員必備的核心技能，對職業發展起著尤為重要的作用。本文將基於基於業務場景，分享幾種基礎的數據分析框架和方法，系統化的進行數據分析。
無論是產品、還是運營，都需要具備良好的數據分析能力，對用戶行為數據和業務數據，進行分析、評估甚至預測。本文通過分享三種常見的數據分析框架，幫助我們更系統的進行數據分析，發現並解決產品暴露出的問題，從而更高效的完成工作。
一、用戶行為分析
1. 事件分析事件：通過埋點，高效追蹤用戶行為或業務的過程。註冊、啟動、登錄、點擊等，都是常見的事件。例如下圖，展示出某日的註冊事件。
- 通過事件分析我們可以準確瞭解 App 內發生的事件量，根據產品特性合理配置追蹤，可以輕鬆回答關於變化趨勢、分維度對比等問題，例如：某個時間段推廣頁面點擊量有多少，對比昨日有多少提升？
- 某個渠道的累計註冊數是多少，第一季度排名前十的註冊渠道有哪些？
- 某個活動頁的uv分時走勢，安卓和 iOS 佔比情況如何？
2. 漏斗分析
漏斗模型：分析一個多步驟過程中，每一步的轉化與流失情況。以互聯網金融–理財端為例，新用戶在首次投資會經過如下步驟過程：
- 註冊成功
- 實名認證
- 充值成功
- 投資成功
我們可以通過漏斗分析整體的轉化情況，以及每一步轉化量、流失量、轉化/流失率。
在漏斗模型中清晰 3 個基本概念，可以藉助強大的篩選和分組功能進行深度分析。
- 步驟：指的用戶行為，由事件加篩選條件組成
- 時間範圍：漏斗第一步驟發生的時間範圍
- 轉化週期：用戶完成漏斗的時間限制，漏斗只統計這個時間範圍內，用戶從第一步到最後一步的轉化。
如上圖表示：2018 年 3 月份，註冊成功的 27 萬名用戶，在 7 天內投資成功的轉化與流失情況。這裡漏斗分析與事件分析不同的地方在於：漏斗分析是基於用戶，或是說基於人來統計某一批用戶所發生的行為，不會受到歷史瀏覽頁面用戶的事件影響，可以更加準確的暴露某一時間段產品存在的問題。
通過漏斗模型及時發現問題：我們通過建立了註冊轉化漏斗，度量每一步的轉化率和整體的註冊轉化率，通過時間維度來監控每一步和整體轉化率的趨勢。
例如：4 月 12 日發現輸入圖形驗證碼這一步轉化率有明顯異常，於是緊急通知技術同事排查，發現圖形驗證碼功能失效，導致大量用戶無法顯示。緊急修復後，轉化率回到之前的水平。所以，通過對每一步漏斗轉化率的監控分析，可以及時發現問題，及時止損。
（數妹按：我們上線了更強大的漏斗功能，還可以直接在漏斗中將未轉化成功的用戶下鑽分群，定向推送召回！）
3. 留存分析
留存用戶：即用戶發生初始行為一段時間後，發生了目標行為，即認定該用戶為留存用戶。
留存行為：某個目標用戶完成了起始行為之後，在後續日期完成了特定留存行為，則留存人數 +1
留存率：是指發生“留存行為用戶”佔發生“初始行為用戶”的比例。常見指標有次日留存率、七日留存率、次月留存率等。
留存表：留存表中給出了目標用戶的留存詳情，主要包括以下幾個信息：
- 目標用戶：每天完成起始行為的目標用戶量，是留存用戶的基數；
- 留存用戶：發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隨著時間推移，用戶留存率的衰減情況。以電商為例，我們觀察運營策略優化/產品改版，是否會影響用戶的購買行為。此時我們可以將用戶行為分為：
- 初始行為：註冊
- 留存行為：支付訂單
然後根據客戶註冊的時間按周進行分組，得到同期群，製作留存曲線圖，觀察該群體用戶發生購買的 30 日留存。通過比較不同的同期群，可以獲知新用戶購買率指標是否在提升。
留存行為一般都與我們的目標有強相關性。我們在進行留存分析時，一定要根據自身業務的實際需要，確定高價值的留存行為才能能對產品的優化提供指導性建議。
二、AARRR 模型
AARRR 模型是一套適用於移動 App 的分析框架，又稱海盜指標，是“增長黑客”中驅動用戶增長的核心模型。AARRR 模型把用戶行為指標分為了 5 大類，分別為：獲取用戶，激發活躍，提高留存，增加收入和病毒傳播。
從用戶獲取到病毒傳播，每個環節都有重要的指標需要我們去關注，通過 AARRR 模型系統化的拆解 5 大類目用戶行為，可以讓我們更清晰的知道每個環節需要重點關注的重點指標。以電商業務為例，下圖基於 AARRR 模型，構建用戶生命週期運營全脈絡和每個節點需要關注的重點指標：
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注到我們的產品，通過以下基礎途徑來曝光我們的推廣頁面：
- 付費獲取：媒體廣告、SMS、EDM、流量交易/置換
- 搜索營銷：搜索引擎優化（SEO），搜索引擎營銷（SEM）
- 口碑傳播：用戶間邀請活動，病毒 H5 傳播等
用戶訪問頁面後，可以通過導航、主動搜索、算法推薦來了解到我們的產品。切中當下需求的用戶會進行註冊行為，算是和用戶真正意義上第一次會面。
這時就要重點關注推廣頁 UV，點擊率，註冊量，註冊率，獲客成本等重要指標。
2. Activation 激發活躍
用戶註冊後是否有進一步瞭解我們的產品？這其中涉及到產品的功能，設計，文案，激勵，可信等等。我們需要不斷調優，引導用戶進行下一步行為，讓新用戶成為長期的活躍用戶：
我們可以通過界面/文案優化，新手引導，優惠激勵等手段， 進行用戶激活流程的轉化提升。監控瀏覽商品頁面，加入購物車，提交訂單，完成訂單的漏斗轉化。
這個過程中，我們要重點關注活躍度，若定義加入購物車為活躍用戶，那麼就要觀察註冊至加入購物車漏斗轉化率，按維度拆分，分析優質轉化漏斗的共有特徵/運營策略，提升策略覆蓋率，優化整體轉化效果。
3. Retention 提高留存
用戶完成初次購買流程後，是否會繼續使用？流失的用戶能否繼續回來使用我們的產品？
產品缺乏粘性會導致用戶的快速流失，我們可以通過搭建生命週期節點營銷計劃，通過 push、短信、訂閱號、郵件、客服跟進等一切適合的方式去提醒用戶持續使用我們的產品。並且在此基礎上通過積分/等級體系，培養用戶忠誠度，提升用戶粘性。
重點關注留存率，復購率，人均購買次數，召回率等指標。
4. Revenue 增加收入
我們獲得每位用戶平均需要花費多少錢？每位用戶平均能為我們貢獻多少價值，能是否從用戶的行為，甚至其他方式賺到錢？
電商業務的基礎要關注獲客成本CAC，顧客終身價值，在此基礎上通過運營活動激勵用戶進行購買，提升用戶單價、頻次、頻率，最終提升用戶生命週期貢獻價值。
重點關注獲客成本，顧客終身價值，營銷活動ROI等指標。
5. Referral 病毒傳播
用戶是否會自發的推廣我們的產品？通過激勵是否能讓更多的忠誠用戶推廣我們的產品？
在社交網絡高度發達的今天，我們可以通過各種新奇的方式去進行產品傳播：用戶邀請的老帶新活動，垂直領域的社群運營，H5營銷傳播，讓老用戶推廣我們的產品，吸引更多的潛在用戶。
重點關注邀請發起人數，每個病毒傳播週期的新用戶量，邀請轉化率，傳播係數等。
三、3 大增長引擎
精益創業提出一個概念：唯一關鍵指標（one metric that matters, OMTM）。在任何類型產品的任何一個階段，都需要找到唯一的一個數字，把它放到比其他任何事情都更重要的位置上。在數據分析時，可以抓取許許多多的數據，但必須聚焦在最關鍵的事情上。同時其也是“增長黑客”中的關鍵特質：專注目標。
1. 粘著式增長引擎
粘著式增長引擎以 Retention 留存作為 OMTM 驅動增長
典型案例是遊戲類的 App，Facebook 針對遊戲提出的“40-20-10”法則，即如果你想讓遊戲的DAU 超過 100 萬，那麼新用戶的次日留存率應該大於 40%，7 日留存率大於 20%，30 日留存率大於 10%。
不使用任何運營激勵手段與使用留存激勵相比，次日留存相差甚遠。
例如遊戲中常見的：簽到活動，登錄獎勵，時長獎勵等玩法都是基於提升用戶留存的目的。
通過提供目的性的目標，制定規則和反饋系統，為玩家帶來創造性成就和能力的提高帶來的滿足感和愉快感，從而提升用戶的遊戲頻率，遊戲時長，最終提升用戶留存。好的留存率對於不同的產品而言是不同的，在這裡不展開對用戶留存率的劃分，針對不同類型的產品與用戶粘性尋找最適合的留存指標才是正確的。
2. 付費式增長引擎
付費式增長引擎以 Revenue 營收作為 OMTM 驅動增長。
簡單來說，從顧客在產品上貢獻的價值大於獲取付費客戶的成本，就可以一直驅動營收增長。
- 互聯網金融是付費式增長引擎的典型例子，由於產品類型不像遊戲和視頻資訊類應用，有強大高頻使用需求。互金運營考核的核心目標就是促成交易，從用戶每一次投資/借貸行為中獲得收入，覆蓋營銷的投入，不斷驅動引擎的轉動。這裡我們要重點關注2個指標：CAC（Customer Aqusition Cost）客戶獲取成本
- CLV (Customer Lifetime Value) 客戶終生價值
例如：某次月在營銷上投入成本 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 萬元，利潤率 2%，客戶終身價值 CLV=1000 元/人。
當 CLV>CAC ，不計其它成本的基礎上，已驅動引擎正常運轉了，接下來就要思考如何提供更多曝光，擴大頂端的漏斗，以及儘可能縮短客戶盈虧平衡時間。
3. 爆發式增長引擎
爆發式增長引擎以 Referral 傳播作為 OMTM 驅動增長
典型案例：基於社交場景的分享，通過瓜分紅包，砍價、拼團、秒殺等玩法，不斷觸達潛在用戶。
用戶分享到社交網絡，即可降低付出的成本，通過為用戶省錢的策略，提升用戶感知價值，不斷刺激價格敏感用戶，貢獻大量的分享量，點擊量，引導潛在用戶進行體驗/註冊。在爆發式增長引擎中，我們需要關注病毒係數 K = I x Conv :
- I：Invitation，即每個用戶發送的邀請數量，反映了分佈密度.
- Conv ： Conversion rate，即每個邀請成功的概率，反映了感染強度.
那麼如何提升讓病毒傳播係數，上面活動中常見的 3 種方案：
- 重點提高接受率：降低接受門檻，且儘量將接受步驟控制在社交場景中，避免二跳降低轉化。
- 縮短單次邀請流程的生命週期：通過限定時間的方法，加快增長進程的同時，提升緊迫感。
- 試圖說服用戶去邀請更多的人：頭幾位受邀用戶在砍價中可以砍掉很多金額，讓用戶初嘗甜頭後會激勵更多的轉發量。
四. 總結
結合多種業務場景，梳理如何通過用戶行為進行事件分析、漏斗分析和留存分析，基於 AARRR 模型如何獲取用戶、激發活躍、提高留存、獲取收入和病毒傳播，最後通過三大引擎，聚焦 OMTM 驅動增長。每當產生新的業務問題的時候，通過框架去進行系統化的思考，對問題的解決起著尤為重要的作用。
數據分析是互聯網產品和運營的基本功，筆者在數據分析方向的還處於不斷提升階段，以上是最近學習工作中的一些案例和心得分享，希望能給在學習中新人帶來一些思路！
來源：GrowingIO（ID：GrowingIO）
文末福利
閱讀更多 媒介匣日記 的文章
