通過用戶數據分析可瞭解真實的用戶需求，通過產品和運營更好地滿足這些需求，從而推動增長。小編接下來將就增長模型的數據分析部分分享一些實用方法論。
用戶數據通常可以分為兩類，一類是用戶屬性數據，另一類是用戶行為數據。
用戶屬性數據代表的是用戶自身基本信息和狀態，包括天然特徵和行為提醒的特徵，一般是較為固定，不會輕易改變的。而用戶行為數據是用戶產品內的行為軌跡，代表了用戶和產品的互動模式，通常可通過各種方式影響數據。
一、用戶分群
用戶分群就是通過屬性和行為數據將類似的用戶歸為一個群組的過程，並針對不同群組的用戶尋找區別對待和精細化運營的機會。
用戶分群驅動增長主要通過設定分群維度和應用分群結果這兩個步驟來實現。
1.1 設定分群維度
在任何產品中都會存在用戶的各種屬性以及行為，如何在這些屬性和行為中選擇最初的分群維度？主要可以按兩類維度類型進行分群。一類是按照用戶屬性進行分類。另一類是按照用戶行為進行分類。
用戶屬性：用戶天然的屬性和特徵，不會輕易的改變。
- 獲客渠道；
- 可推測用戶興趣的屬性：年齡，性別，城市，家庭。
- 可推薦用戶經濟狀態的屬性：設備類，型號，城市，職業。
用戶行為：用戶在產品生命週期的關鍵行為。
- 生命週期的關鍵行為：新老用戶。
- 用戶活躍程度RFM；
- 付費情況：是否付費；
- 功能使用；
增長模型：增長模型中的某個變量在不同人群中差異較大。
- 貸款額度：互金類產品。
- 客單價：滴滴打車。
- 價位：SaaS。
在一些初創團隊的產品，可能會用不分群的方式，雖然數據分析簡單，但對用戶一視同仁，導致很對增長的線索無法被髮掘，錯過增長機會。與這類公司反差明細的是一些巨型企業，會使用千人千面的分群方式。這種方法需要技術和算法的支持。而且分析出的結果需要有對應的運營和產品資源配合，在絕大多數公司並不適用。在大多數公司中，維度分群是從實際業務問題出發，從1-2個維度進行簡單分群。當用戶量達到一定數量級後，可選擇3-5個維度，進行多元組合分群。
1.2 應用分群結果
通過用戶分群得到分群結果，主要可以分為兩種應用方向，以獲取用戶為分隔點，在獲取用戶之前，可以通過結果優化精準拉新的策略。在獲取用戶之後，可以通過結果提高精細化運營的產品體驗。
精準拉新：
- 對現有用戶進行分群，找到高質量的用戶群，從而進一步定位高質量用戶的獲客渠道或者廣告。
- 選擇高質量用戶，將這類用戶特徵上傳渠道平臺，通過算法找到類似的用戶。
精細化產品運營體驗：
- 產品算法支持的千人千面的商品和內容推薦等
- 針對不同群組，進行不同的運營動作。包括Push推送，促銷活動等。
1.3 案例分析
這裡通過一個某潮品電商產品的用戶分群案例，來分享一下如何運用用戶分群進行增長策略的置頂。
選擇重點的屬性和行為維度，進行組合分群：
針對不同的分群，制定對應策略（方案僅供參考，不具有真實性）。
二、用戶行為
行為分析是通過詳實的用戶行為數據描述出用戶在產品中真實的路徑和互動情況。針對用戶行為分析的結果，通過產品或運營的方式引導用戶，改變用戶行為的軌跡和模式，讓用戶更好的從產品中獲得價值。
用戶行為驅動增長主要通過明確分析對象和選擇分析方法這兩個步驟來實現。
2.1 明確分析對象
用戶行為可分為兩類關鍵用戶行為，一類是一次性或低頻行為，另一類是週期性行為。
- 一次性或低頻行為代表著用戶為使用產品打下基礎的重要行為。例如下載App、完成註冊、輸入身份信息、充值等。
- 週期性行為代表著用戶使用產品功能的核心行為。例如下單、點贊、閱讀、觀看視頻等。
在產品中用戶產生的行為很多。準確找到這兩類關鍵用戶行為的方式可分為兩類：
- 從數據中驗證：在實際數據中，通過路徑分析找到關鍵轉化路徑，通過比較行為頻次找到高頻行為，發現任何遺漏的行為。
- 從業務中出發：從關鍵轉化路徑中或高頻的週期性行為中尋找並確認關鍵行為。
2.2 選擇分析方法
通過用戶行為分析解決的本質問題，可以歸納為兩類問題：
- 轉化問題：一般通過分析用戶行為路徑，讓更多的用戶執行某種行為，走上正確的路徑。
- 留存問題：一般通過針對週期性行為的分析，讓用戶更多的更持久的執行某種行為，養成正確的習慣。
2.2.1 用戶行為路徑分析：漏斗分析
漏斗分析是事先設定的若干個關鍵節點的轉化路徑中，簡單直觀的顯示同一群用戶從每一步到下一步的轉化率。通過轉化率的高低，快速判定出大多數用戶是否遵循了產品設定的路徑在行進，並可查出流失最高的關鍵節點是哪個。
漏斗分析是大家非常熟悉的一種分析方法，常用的漏斗分析方法有以下兩種：
（1）通過全鏈漏斗中找尋用戶流失點和增長機會。
（2）通過AARRR各個環節的細分漏斗尋找用戶流失點和增長機會。
- 獲客：新用戶註冊漏斗
- 激活：新用戶激活漏斗
- 留存：關鍵週期性行為漏斗。
- 推薦：老帶新用戶轉化漏斗。
- 變現：下單漏斗、投資漏斗等。
2.2.2 用戶行為路徑分析：路徑分析
路徑分析是顯示用戶從每一步到下一步的轉化率。通過發散性分析方式，確定大多數用戶的實際行為路徑。通過路徑分析可得到：
- 確定用戶在產品內實際路徑和走向與產品期望的主路徑的區別點。
- 確定用戶的實際主流路徑。
- 發現一些事先不為人知的路徑。
常見的思考方向：
用戶實際路徑和產品設計期望的路徑有什麼不同？
- 新用戶進入首頁後的實際路徑有哪些？最喜歡去哪些頁面？
- 如何引導用戶回到主流路徑，迅速到底核心功能？
以某個行為為終點的路徑：到達某個功能的路徑裡，哪條最主流？
- 用戶哪些路徑可觸達該行為？
- 如果想提升觸達該行為的轉化率，先從哪條路徑入手最容易提升？
以某個行為為終點的路徑：用戶偏離預設的路徑後，實際走向是什麼？
- 用戶到達行為對應的頁面（如商品詳情頁）後，為什麼沒有觸發行為(點擊支付)？
- 用戶去了其他什麼路徑？
- 如何避免這類用戶偏離預設的路徑？
這裡小編根據一個模擬的案例（某二手車交易平臺）來簡述一下如何運用用戶路徑分析找到增長線索。
第一步：明確目標：提高銷售額。
第二步：假設根據用戶路徑分析，發現有兩條主要路徑：
- 啟動App → 搜索商品 → 提交訂單 → 支付訂單
- 啟動App → 未支付訂單 → 搜索相似商品 → 取消訂單
第三步：分析數據，發現線索：
- 第一條用戶路徑：用戶提交訂單後，大約75%的用戶會完成支付，而 25%的用戶未支付。
- 第二條用戶路徑：目標商品已經加入訂單，但未最終敲定，因此在打開App後直奔“未支付訂單”。
- 但是第二條路徑中，發現部分用戶會再次“搜索相似商品”，根據這一行為可判斷客戶可能存在比價行為。
- 表明價格一定程度上影響了這部分用戶的支付慾望，這是一批“價格導向”的客戶。
第四步：提出方案：
對此，該電商運營人員採取針對性措施：
- “未支付訂單”“超過 30 分鐘則自動取消。
- 將支付頁面附近放置優惠券領取。
當該新版本上線後，再次通過用戶路徑分析模型：
- 發現由於30分鐘的時間限制，有更多的用戶願意在提交訂單後，立即支付訂。
- 同時未支付訂單大大降低，說明在支付頁面附近放置優惠券的方式，會刺激對價格敏感的客戶。
2.2.3 用戶行為路徑分析：軌跡細查
軌跡細查是按時間排列一系列行為，展示單個用戶的實際行為路徑。通過聚焦性分析，尋找單個用戶的實際行為路徑中的異常或者規律。
常見思考方向：
- 某類用戶流失了，TA流失前都做了什麼事情，有哪些異常？
- 某個功能的優化或Bug是否影響了用戶軌跡，出現了哪些異常？
將2.2.2.的二手車交易平臺案例場景沿用到本節中，如下：
2.2.4 週期性行為分析：留存分析
留存分析是通過用戶留存數據分析，確定產品的留存健康程度。對比不同用戶組的留存率，找到改善留存的增長線索。
通過留存分析來優化增長的思考方向可以從以下幾個問題入手：
產品的留存能力如何
- 首次登陸的用戶，有多少會留存下來。
- 哪個時間段年內留存最嚴重？
- 產品的留存率和行業平均值相比如何？
產品內的留存率是否有差異？
- 不同產品功能的用戶留存率的差異。
- 不同獲客渠道的用戶留存率的差異
- 不同用戶屬性的用戶留存率的差異。
2.2.5 週期性行為分析：頻次分析
頻次分析是通過用戶使用產品或某個功能的頻次分析，確定用戶習慣的健康程度。
通過頻次分析來優化增長的思考方向可以從以下幾個問題入手：
- 觀察使用頻次的分佈規律，優化產品和運營策略
- 甄選高價值用戶，並對應調整資源分配和運營策略。
- 針對不同渠道，用戶特徵的用戶，對比使用頻次分佈情況，實時調整運營策略。
留存分析和頻次分析，小編在之前的文章都有分享，在這裡就不做過多的贅述了。祝大家五一快樂。歡迎訂閱本人或關注個人公眾號（楊三季），每週末分享實用產品運營幹貨。
作者&公眾號：楊三季
本文由 @楊三季 原創發佈於人人都是產品經理，未經許可，禁止轉載
題圖來自 Unsplash，基於 CC0 協議
