作者：騰訊大數據
全文共 6212 字，閱讀需要 12 分鐘
—— BEGIN ——
數據分析對於運營來說是一個數據抽象的過程。
現實情況是連續的、複雜的、互相影響的，而數據抽象的過程，就是將這些複雜多變的現實情況簡化為數字量，搭建數據模型，計算相關因子，推斷事件歸因，並推進自身改進優化。
由於現實的複雜性，我們作為產品、運營或者數據分析師，在實際問題處理時，就需要做歸因分析，需要屏蔽其他因子的干擾，因此我們常常使用用戶分群。
分群后，我們的用戶群可能簡化為：
在每一個分群下，我們可以簡化地對比某個因素對關鍵路徑或者關鍵指標的影響因素。
分群是手段，是工具，簡單來說，分群分析就是通過聚類的方式，把相似的人群合併，考察同一事件或同一指標在不同人群上的表現，以推斷並定位對該事件/指標有明顯影響的因子。
我們將用戶精細分群與用戶畫像結合起來，助力精益化運營的深度與精度。
細分目標人群，結合用戶畫像的實踐
那麼，用戶分群與用戶畫像如何結合使用？
接下來，我們舉個App案例進行說明：
某電商App，現在面臨的問題是用戶成交量較低，與投放推廣的成本相比，ROI較低。
這個問題，我們應該如何分析？
首先，我們想看看成交的這部分用戶與大盤用戶之間有什麼區別。我們在用戶中選出成交的用戶，建立用戶群對比大盤用戶。
這裡，我們需要使用MTA自定義事件。
設置“付款成功”為一個自定義事件，然後使用MTA中的用戶分群功能，將自定義事件中滿足“付款成功”的用戶群篩選出來，命名為“成交用戶”；我們還可以設置一個叫做“高價值用戶”的用戶群，將“付款成功”且付款金額>=100的用戶篩選出來。
此處定義高價值用戶為成交單價>100元的用戶。
1. 用戶分群分析
得到了三個用戶群之後，我們使用數據分析工具，比如騰訊移動分析MTA，對比這三個用戶群特點間的區別。
以下為三個用戶群特徵的對比：
從圖中我們可以發現，大盤用戶中男性較多，但實際成單與高價值用戶中，都是女性偏多，且此部分用戶對購物類App、金融類App的興趣要明顯高於大盤用戶，表現出了較強的消費能力。
現在我們的問題是投放回報率較低，ROI不符合預期。
那麼，我們可以初步判斷，可以優化的有以下兩個方向：
- 用戶引流渠道可能有問題，需要調整渠道引流策略，包括渠道選擇、人群針對性優化等，引入與消費行為匹配的新用戶群，提高銷售量；
- 商品定位的調整：現有產品對男性的吸引力不足，導致大量大盤用戶並沒促成成單，這也是導致ROI較低的另一方面原因，可能需要調整的包括商品品類、商品推薦等；
其中，第一種優化方式的見效週期較短，而第二種調整方式相對影響層面較大、週期較長。我們優先實踐第一種優化方式，以調整渠道引入流量為主，優化引入人群的匹配程度，實現提高ROI的目標。
後續還需要斟酌是否需要優化產品定位，比如打造針對男性的亮點頻道，進行產品改善迭代。
2. 渠道優化策略
那麼，渠道應該如何做改善？我們先對單週渠道引入量的數據，進行初步評估。
- 成交率數值應用的是漏斗模型的渠道篩選功能
- 此處渠道只列了5支較典型的渠道樣本數據，實際渠道分佈更多
從圖表上看，我們當前主要的流量渠道是渠道D與渠道E，而且渠道D的留存率很高，可以認為是我們的優質渠道。
但從成交上看，我們認為渠道A其實有很大的潛力，雖然現在的引入量較小，但與成交人群重合度較高，考慮到A渠道的獲客成本低於渠道D，加大投放之後很可能會有一個不錯的收益，能夠實現我們提高ROI的目標。
3. 渠道人群畫像驗證
我們對渠道人群A進行畫像分析，女性比例高達62.36%，其用戶群對購物類App的興趣也高於大盤用戶，與我們高價值人群特徵匹配度較高。
現在渠道A給我們帶來的流量還比較小，但由於其渠道收益上ROI比例較高，且其群體畫像與我們高價值用戶的畫像吻合度高，表現出了很高的投放潛力。
我們的改善方法是：調整渠道投放的比例，減少渠道B、渠道C的投放，增強渠道A的投放，以周為單位，迭代優化渠道投放效果，並監測ROI的變動。
4. 渠道投放優化效果
在投放一週後，對新增用戶有了增長，我們臨時決議再次加大渠道A的投放比例。
這裡是一個月的時間週期內，我們的新增用戶數在渠道上的分佈有了顯著變化。
優化投放渠道前後，購買轉化漏斗轉化率的改變：
由於渠道A的平均客單價約是渠道D的1/2~1/3，我們的投入產出比例得到了優化。這主要依賴於通過數據分析找到了優質低價的渠道，降低了獲客成本。
細分漏斗畫像，改善關鍵節點
通過數據挖掘，我們發現了優質渠道A，其用戶群與我們的高價值用戶比較吻合，同時平均客單價約是原有主要渠道D的1/2~1/3，我們的投入產出比例得到了優化。
這主要依賴於通過數據分析找到了優質低價的渠道，降低了獲客成本。
漏斗改進效果如下圖：
那麼，這個漏斗是否存在其他可以改進的地方呢？
當然有！我們的現實世界並非是簡單的數據邏輯結構，很多結果都是多種原因綜合導致的，我們可以用多種角度去分析同一個問題。
下面我們將結合漏斗分析與用戶分群來做一個深度分析，通過漏斗的細緻拆分和交叉對比，定位問題所在。
1. 漏斗分析
那我們就從這個漏斗開始分析：從上面都是漏斗中，我們可以看到，加入購物車之前的轉化率都較高，但在購物付款的流程中，轉化率急劇降低至14.65%，這裡應該也有改進的空間。
我們再看頁面瀏覽數據，可以發現，用戶在訂單確認頁面停留的時間長達95秒，這與我們平時的認知不相符。
2. 漏斗拆分
為了驗證我們的假設，我們建立兩個小用戶群——“確認要付款的人群”&“成功付款的人群”，即把漏斗中“訂單人群”到“付款人群”進行了拆分，把確認付款的動作獨立出來。
我們能夠發現，在“確認要付款”到“成功付款”確實是損失轉化的主要環節。
3. 分群分析
我們看這群“確認付款”&“未成功付款”的人群：
我們姑且把這個人群叫做“付款失敗”組。
在MTA中你可以通過設置用戶分群設置來實現這一步的處理，如下圖。
通過幾個人群的對比，我們發現“付款失敗”組的人群離線環境陡增約14%，另外，其3G、2G網絡的比例要高於大盤人群（5.68% vs. 1.36%），且設備品牌中，相對機型較小眾、低端。
我們實際測試了品牌1和品牌2的實際幾個機型，主要針對的就是付款頁面的頁面體驗，存在以下問題：
- 機型適配性較差，開發時主要考慮的是現有主流機型適配，對小眾機型的關注度較低；
- 頁面卡頓嚴重，長達40秒以上的空白頁面，嚴重消耗了用戶耐心。
於是我們做了以下改善：
- 緊急修復版本，在小眾機型的主要推廣渠道上升級了版本適配性的App；
- 頁面加載量優化，包括切割、壓縮、刪減圖片，框架優化，預加載等策略，惡劣網絡下加載速度提升至約15秒；
- 加載等待頁面設計，增加了動畫的等待頁面，給用戶賣個萌，增加用戶等待的耐心。
4. 效果驗證
頁面優化後，我們的漏斗轉化流程有明顯改善：
我們針對這群“付款失敗”用戶群所做的改善，為轉化漏斗提高了3%的轉化效率，這是非常大的一個收益。另外，我們在後續的漏斗改進中，還嘗試結合了頁面點擊/頁面流轉的分析，刪去了付款頁面中不必要的信息、按鈕，保證了付款流程的順暢性，對於提升漏斗也有一定的作用。
5. 總結一下
數據運營的優化思路其實就是通過細緻拆分，把複雜的、多因子的事件分析拆分為獨立的、單因子的歸因分析，以確定改進的思路。
用數據說話，從埋點開始
數據只有採集了才能做分析，分析了才能實現價值。
圖1. 數據運營微笑模型
上圖是數據運營解決問題的思路，但相對的，數據運營分析的需求，也驅動著數據埋點的優化。
有時候，我們可能會遇到這樣的尷尬：
- 數到用時方恨少！
- 木有結論腫麼破！
其實，數據埋點比我們想象得有更多挖掘的空間，有針對性的有條理的埋點能夠幫助我們理清用戶行為軌跡、抓住用戶特徵、解析關鍵路徑。
但過多的埋點，可能會給App帶來負擔，也可能對App用戶的流量、網速體驗有影響，這都是我們需要考慮的因素。
全埋點、多采集，並不是數據分析體系構建的辦法，反而是把分析挖掘的工作量後移，給數據分析帶來很多負擔。
較好的做法是：帶著我們的分析目標與數據解讀思路去埋點。騰訊移動分析MTA在數據埋點上做過多次優化，能確保多次採集一次上傳的數據傳輸過程，減少對用戶流量的影響，優化用戶體驗。
下面我們分幾個層次來討論埋點問題：
1. 用戶行為分析
通過埋點可以追蹤用戶的行為，即對App內的關鍵路徑進行監測，這無疑是最常見也是最重要的應用場景。不同的App可能關注的埋點事件有很大不同。
例如，電商類App多關注的是訂單成交；社區類App可能關注UGC內容的產生；閱讀類App則需要關注內容的閱讀。
用戶埋點的場景很靈活，埋點可以統計的事件數據能和業務數據進行打通。
比如在新聞閱讀的App中，將閱讀新聞作為自定義事件，每一篇報道都帶有不同的參數，可以得到閱讀的大盤整合數據，也可以分析每篇報道的價值，甚至可以方便的實現閱讀量排行榜等功能。
埋點是因業務場景需要而定的。
比如第二篇時講到的漏斗細分中，有一個金融用戶案例。在綁卡流程轉化流失率過高的時候，需要定位每一個輸入框的填寫方式是否存在問題，這時埋點的密度會比一般情況要高很多。
圖2. 定位問題時的埋點示意
上述埋點是基於我們想要定位“為什麼綁卡頁面轉化率低”的需求。埋點之後，在綁卡流程漏斗中，MTA會生成一個詳細填寫頁面的漏斗，從中我們或許能知道用戶是在哪一步停止操作的，是否有改進的空間。
圖3.漏斗拆解（由於業務數據敏感性，以上數據已做模糊處理）
但如果之後我們修復了問題，我們可能就不需要這麼細緻的埋點了，或者我們只需要對可能出問題的地方進行埋點監控。
圖4.穩定後的埋點示意圖
因此，業界所說的全埋點是一種未充分理解自身業務時採用的策略，很多時候也無法滿足詳細漏斗的追溯要求。而不必要的埋點帶來了過量的數據上報，一方面加重了用戶的流量負擔，另一方面也不利於後期的覆盤分析。
當然如果真的是業務上線了，點還沒埋上，騰訊移動分析MTA新近推出了可視化埋點功能，可以由產品、運營同學通過web端配置埋點，雲端下發至App中，隨時調整App內的埋點策略，也是機智而有效的救急措施。
開發GG再也不用擔心我漏埋點啦~~
2. 用戶人群分析
根據用戶事件、來源渠道、同期群，甚至年齡、性別、地域等，我們可以把自己的App用戶切割為很多小群體。
比如在訂單購買的業務中，將訂單金額作為參數上報，能夠更好的分析用戶的價值。
下圖是一種消費用戶分群的方式，以消費金額Monetary、消費頻率Frequency和最近一次消費時間Recency，得到8個象限的用戶，可以對不同的用戶進行不同的運營推廣策略。
圖5. 消費用戶分群模型
還是看這個電商App，當用於活動運營分析的時候，可能數據分析的視角和方式就不太一樣了。
舉個例子：618活動時間新註冊（同期群）且完成過一次訂單的這群用戶，他們在活動期結束之後，會有哪些表現？
- 購買VIP會員的轉化率高於平均活動水平→某個新的廣告渠道帶來了優質的新客戶，該渠道可以繼續投入，持續關注效果；
- 繼續參與七夕節的活動→人群可能對活動信息比較敏感，適合推薦促銷信息；
- 流失曲線&再次開啟時間的關係是：2周內不再開啟App的客戶，87%都流失了→我們如果在新用戶註冊後1周左右的時間通過Push、短信、郵箱等手段喚醒用戶，能夠大幅提高留存。
通過把人群切分，去分析業務特性，能夠加深對用戶的理解，結合你的App觸達手段，能夠讓你更好的與用戶交流互動，實現業務運營的目標。
而這裡的人群切分方式，就需要通過埋點定義出自定義事件，通過事件與其他條件的疊加、篩選，與不同事件、報表做交叉分析，就能夠凸顯核心用戶群體的價值，精細化運營不同用戶群體。
點擊不同按鈕、關注不同板塊、甚至不同註冊時間的人群都有不同的特性。
精細化的分析運營需要對業務的深入理解，需要學會切入分析的角度，解析你的用戶的特徵，瞭解你的用戶，再由數據的需求去驅動埋點的配置。
3. 解析核心路徑
第三點是基於第二點的應用。通過切割用戶人群，再回到業務關鍵路徑上，去發現吸引用戶、留住用戶的奧秘。
舉一個比較知名的例子：
在某知名社交App的數據分析運營分享中，通過不同的事件對比，可以發現10天內添加7個好友的留存率大大提高。
我們回溯一下，如果我們想要分析什麼才是這個App留存率的關鍵，我們需要羅列很多的可能性，比如在平臺上瀏覽100條新聞、引薦3名新用戶加入、產生UGC內容或者是上傳3張照片、玩過平臺遊戲。那麼，我們需要對比這些人群，尋找在這些事件中哪些才是與留存率強相關的？
如果是添加好友的這件事，那麼這個時間限是：註冊時關注3人，還是一週內關注5人？
或者如果我們發現，引薦5名新用戶，留存率非常高，但實際上，真的能引薦5名新用戶的人群少之又少，那麼這件事也不適宜我們去重點關注，因為給我們帶來的成本太高了。
圖6.自定義事件與留存相關度的分析實例
從這些關鍵事件中，我們要通過數據分析找到其中的核心路徑，然後傾斜我們的資源去支持它。
4. 總結一下
總的來說，埋點與數據統計，都是為業務服務的。關注哪些事件、為他們埋點是由於App自身的業務特性所決定。
埋點需要有的放矢，分析才能得到結論，迭代增長也將有跡可循。
似是而非的數據悖論
精細化運營能夠幫助我們在數據的指導下進行產品路線、戰略的調整，讓產品改進的過程有章可循。
但有時候，我們也會遇到一些看起來有些詭異的數據陷阱。
1. 案例數據
我們先看問題的描述：
在產品A和產品B中，男性的購買成交率都是男性>女性，可在合計中，卻是女性>男性。那麼，這就有點懵了。
所以，到底應該拓展男性用戶，還是女性用戶呢？？
可能我們的第一反應都是：是不是數據不準確啊？於是我們就有了這個案例……
2. 原因定位
我們來追溯一下問題的來源：
* 此處數據已做了模糊處理，非真實數據
從數據上我們可以看到，實際上，在產品A和產品B上，確實都是男性轉化率高於女性，但由於產品B的轉化率明顯低於A，且男性群體大量被引導去了產品B，所以整體數據的轉化率反而要低於A。
這在統計學上稱為：辛普森悖論 （Simpson’s Paradox）
在分組比較中都佔優勢的一方，在總評中有時反而是失勢的一方。該現象於20世紀初就有人討論，但一直到1951年，E.H.辛普森在他發表的論文中闡述這一現象後，該現象才算正式被描述解釋。 後來就以他的名字命名此悖論，即辛普森悖論。
3. 優化方案
回到這裡的題目中，數據向我們展現了兩個結論：
- 對於產品A和產品B，男性的購買成交率都大於女性；
- 產品B的平均成交率要明顯低於產品A。
那麼對於投放決策來說，我們還是偏好男性用戶。在引流成本相同的條件下，男性的購買轉化率較高。而針對產品A和產品B的分流推薦方式，可能還需要考慮兩個產品的客單價與利潤率。
從上圖中可以看出，產品A屬於低單價、低利潤、成交率高的產品，產品B屬於高單價、高利潤、成交率低的產品。
那麼如果在電商開拓期，希望引入更多用戶，我們可能會側重於推廣產品A；如果平臺已經有一定規模，希望能夠提高人均利潤率，降低百元成交量的獲客成本，我們可能可以考慮多推廣產品B。
（大概就是像這樣的兩個產品↑）
當然，這些的前提是在，引流成本相同的情況下。而往往實際問題的考慮中，我們還會需要考慮投放成本、投放效果、轉化效果等問題，
4. 案例總結
在數據運營的實戰中，可能常常會遇到一些讓我們覺得有點彆扭的數據。
而在這些數據背後，其實蘊藏著很多的細節與能量。因此，建立詳細的數據分析運營體系，理解用戶群分離與歸併的思路，讓數據為你所用，這是很重要的。
回顧我們講過的數據運營微笑模型~
這一期我們講的是在定位原因的過程中，對用戶群拆分解析之後發現了其中的運營價值。
我們可以先通過自定義事件埋點，監測購買事件，同時上報購買商品的參數；然後通過用戶分群設置篩選出購買事件中，購買參數等於產品A的人群，來得到我們想要的細分用戶群體：
然後通過用戶群體的計算與分析，得到該群體的人群特徵，展開我們的數據分析工作。
今天的運營實戰分享就先到這裡，客官們有啥建議或意見歡迎在留言區評論哦~
END.
來源：數據科學與人工智能
