本文由作者?楊三季?于社區(qū)發(fā)布

在實際的業(yè)務中，大多數人可能只會遇到以下一種或幾種常見的場景，并且對于各個細分場景，要解決的問題和關注的重點都是不一樣的。

場景一：

你剛加入一個成熟產品的用戶增長部門，會發(fā)現業(yè)務當前有非常全面詳實的用戶和業(yè)務數據，但由于個人缺少數據分析的經驗，面對一堆數據，除了能簡要了解到產品基本情況，不知如何從數據中挖掘出更有價值的信息。

待解決問題：面對大量數據，不知如何入手分析。

所需的能力：各種可以從數據分析中找到增長線索的方法論。

場景二：

你熟練掌握了基本的數據分析技能，能夠基于現有數據找到增長線索，你想針對某些關鍵指標的異常情況進行分析，但不知道哪些數據相關性高，如何將多維度的數據關聯(lián)分析。

待解決問題：有明確的問題需求，但不知如何有效拆解數據問題。

所需的能力：基于目標行為的拆解用戶路徑的方法。

場景三：

拆解完用戶路徑后，發(fā)現目標的轉化路徑中有部分數據缺失，無法有效支撐你的分析。

待解決問題：如何快捷有效的收集缺失的數據。

所需的能力：制定數據采集方案。

場景四：

需要的數據采集到位后，發(fā)現數據統(tǒng)計混亂，每次查詢和分析數據的效率成本都很高。

待解決問題：數據如何高效可視化呈現，降低查詢使用的成本。

所需的能力：創(chuàng)建數據儀表盤。

診斷上述的工作場景，大多數增長人的工作順序可能是：

數據分析→用戶路徑拆解→收集數據→搭建儀表盤

基于數據驅動用戶增長可以分為以下五個步驟：

對大多數增長從業(yè)者來講，最重要的是先掌握一套數據分析方法，從現有數據中快速找到增長線索，取得一些增長業(yè)績，再反過來檢查數據埋點、統(tǒng)計等地方有沒有問題。

當掌握了數據分析方法，但所在的公司or負責的業(yè)務沒有基礎數據也無從下手，才需要思考如何拆解用戶路徑、數據采集。而數據儀表盤，則是為了提高查詢效率，支持數據分析工作快速、準確開展。

1

分析數據：多維度數據分析

從數據分析中尋找增長機會，可分為“宏觀”和“微觀”兩個角度。

宏觀：在基礎數據中，找到較大的增長機會。

微觀：對比精細化的用戶數據進行分析，挖掘相對隱蔽的增長線索。

無論所在的公司是否有用戶的精細化數據，都可以通過從整體的角度進行數據分析，找到增長乏力點。然后再考慮要不要分析更精細的數據。

案例：某內容類APP產品

本節(jié)將會圍繞北極星指標和全鏈漏增長模型，通過一個案例（數據虛擬）展開關于宏觀數據分析的分享。

*北極星指標：指導增長工作方向最重要的指標，也可以理為業(yè)務現階段的唯一重要的指標。制定北極星指標時，需要在服務于業(yè)務的長期健康增長下，同時考慮商業(yè)目標和用戶價值。

*全鏈漏斗增長模型：是把影響北極星指標的主要細分指標梳理梳理出來，并標注轉化率。通過模型，可以將北極星指標細化拆解，從中找到增長的機會點。

案例場景：剛剛入職一家內容類APP，負責用戶增長，公司沒有完善的后臺數據系統(tǒng)，無法通過詳細的用戶行為埋點數據，如何找到一些增長的線索。

公司現有后臺可提高的數據指標：下載量、注冊量、登錄量、平均閱讀時長、基本用戶信息。?

第一步：構建全鏈漏斗增長模型

從轉化漏斗可發(fā)現：

拉新轉化率較高：新用戶下載到注冊的轉化率為70%，新用戶下載轉化率不錯。

老用戶活躍度低：當月活躍老用戶占總注冊用戶數的10%，老用戶活躍較低。活躍用戶主要靠新用戶補充。

用戶感知的產品價值較低：當月人均閱讀時長較低，遠低于行業(yè)均值。

第二步：分析歷史趨勢。觀察趨勢、異常點、拐點。

從歷史數據中發(fā)現：

拐點：2019年11月，下載到注冊完成的轉化率從71%開始大幅度下降，發(fā)送了什么？

趨勢：2019年10月，人均閱讀時長提高了一倍。因為那個時間段增加了內容社區(qū)版塊。

第三步：按獲客渠道分解。

在了解了現狀和歷史數據情況后，可通過獲客渠道對數據進行維度分解。

公眾號的新用戶下載轉化率一直維持在63%-71%左右。

2019年11月份開始抖音廣告，轉化率僅有10%-15%，因此導致了總體轉化率下降。

第四步：了解用戶的基本屬性特征。根據APP收集的用戶信息，畫出分布餅圖。

通過年齡、性別、城市、職業(yè)等發(fā)現：

18-25，25-30的用戶占比最大。

職業(yè)：白領和大學生為主。

第五步：了解用戶的基本活躍度

發(fā)現：

超過80%的活躍用戶每月登錄少于4次

但每月登錄4次以上的用戶，有接近80%的用戶為18-25歲的大學生用戶群體

總結：

• 新用戶下載到活躍的轉化率尚可：

• 老用戶活躍度低：

• 人均閱讀時長低于行業(yè)均值。

• 公眾號轉化率遠高于抖音廣告。

• 18-25歲的大學生用戶群活躍度較高。

通過增長線索制定應用策略的兩個方向：

在通過數據分析得到增長線索后，可以通過取長補短的方式來制定增長策略

取長：強化增長，在已經顯出成功信號的方向上，繼續(xù)加強。

補短：修補漏洞，找到整個業(yè)務漏斗中流失問題最嚴重的環(huán)節(jié)，通過策略降低流失。

繼續(xù)針對上述案例，進行分析。假設發(fā)現：

①公眾號來源的新用戶質量高：

對應策略：取長。增加公眾號的內容數量，提升公眾號的內容質量。

②大學生用戶活躍度高：

對應策略：取長。進一步分析大學生的獲客渠道來源。通過用戶問卷了解大學生感興趣的內容和功能。加強對應的產品體驗。

③來自抖音廣告的新用戶轉化率低：

對應策略：補短。找到漏斗轉化率低的原因，測試提升轉化率。

④老用戶活躍度和留存率低：

對應策略：補短。進一步分析活躍和留存曲線，找到用戶流失最大的問題。

1.1.用戶分群

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(tài)，包括天然特征和行為提醒的特征，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。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。

1.1.1.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征，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(tài)的屬性：設備類，型號，城市，職業(yè)。

用戶行為：用戶在產品生命周期的關鍵行為。

• 生命周期的關鍵行為：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(chuàng)團隊的產品，可能會才用不分群的方式，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發(fā)掘，錯過增長機會。

與這類公司反差明細的是一些巨型企業(yè)，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，在絕大多數公司并不適用。

在大多數公司中，維度分群是從實際業(yè)務問題出發(fā)，從1-2個維度進行簡單分群。當用戶量達到一定數量級后，可選擇3-5個維度，進行多元組合分群。

1.1.2.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(yōu)化精準拉新的策略。在獲取用戶之后，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，將這類用戶特征上傳渠道平臺，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。

1.1.3案例分析：

這里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（方案僅為供參考，不具有真實性）

1.2.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。

1.2.1.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，另一類是周期性行為。

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、完成注冊、輸入身份信息、充值等。

周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(fā)現任何遺漏的行為。

從業(yè)務中出發(fā)：從關鍵轉化路徑中或高頻的周期性行為中尋找并確認關鍵行為。

1.2.2.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(zhí)行某種行為，走上正確的路徑。

留存問題：一般通過針對周期性行為的分析，讓用戶更多的更持久的執(zhí)行某種行為，養(yǎng)成正確的習慣。

1.3.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(jié)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，并可查出流失最高的關鍵節(jié)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：

通過全鏈漏斗中找尋用戶流失點和增長機會。

通過AARRR各個環(huán)節(jié)的細分漏斗尋找用戶流失點和增長機會。

• 獲客：新用戶注冊漏斗

• 激活：新用戶激活漏斗

• 留存：關鍵周期性行為漏斗。

• 推薦：老帶新用戶轉化漏斗。

• 變現：下單漏斗、投資漏斗等。

1.4.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(fā)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(qū)別點。

確定用戶的實際主流路徑。

發(fā)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么不同？

• 新用戶進入首頁后的實際路徑有哪些？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里，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后，實際走向是什么？

• 用戶到達行為對應的頁面（如商品詳情頁）后，為什么沒有觸發(fā)行為(點擊支付)？

• 用戶去了其他什么路徑？

• 如何避免這類用戶偏離預設的路徑？

這里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(fā)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(fā)現線索：

第一條用戶路徑：用戶提交訂單后，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后直奔“未支付訂單”。

但是第二條路徑中，發(fā)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欲望，這是一批“價格導向”的客戶。

第四步：提出方案：

對此，該電商運營人員采取針對性措施：

“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(yōu)惠券領取。

當該新版本上線后，再次通過用戶路徑分析模型：

發(fā)現由于30分鐘的時間限制，有更多的用戶愿意在提交訂單后，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(yōu)惠券的方式，會刺激對價格敏感的客戶。

1.5.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(guī)律。

常見思考方向：

某類用戶流失了，TA流失前都做了什么事情，有哪些異常？

某個功能的優(yōu)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(jié)中，如下：

1.6.周期性行為分析：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(yōu)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(yè)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。

1.7.周期性行為分析：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(yōu)化增長的思考方向可以從以下幾個問題入手：

觀察使用頻次的分布規(guī)律，優(yōu)化產品和運營策略

甄選高價值用戶，并對應調整資源分配和運營策略。

針對不同渠道，用戶特征的用戶，對比使用頻次分布情況，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，在這里就不做過多的贅述了。

2

理解數據：梳理用戶行為路徑

梳理用戶路徑的意義：新項目開啟時，需要明確北極星指標和增長模型，之后還需要進一步加深對用戶和產品認知的顆粒度。需要快速結合產品功能、業(yè)務邏輯，梳理清楚用戶行為路徑，為后續(xù)的確立指標、數據埋點、數據分析奠定基礎。

2.1.梳理用戶行為路徑的方法：

梳理核心路徑：

根據北極星指標，構建轉化漏斗。轉化漏斗一般為設定的用戶主路徑。

細化核心路徑：

將核心路徑中加入更多的漏斗步驟，理想形態(tài)是拆到不能再細化為止。

加入其他重要路徑：

梳理重要的產品功能和業(yè)務邏輯，描繪主漏斗之外的重要行為路徑。找到路徑之間的關系。

2.2.案例：某電商類APP

小編通過針對電商類的產品，簡要分享一下如何梳理用戶行為路徑。

第一步：梳理核心路徑

第二步：加入其他重要路徑

第三步：輸出用戶行為路徑圖

3

監(jiān)測數據：增長儀表盤

增長儀表盤是指通過數據指標來代表公司的業(yè)務漏斗，并實時監(jiān)測公司的經營狀況。可以通過儀表盤快速掃描各個重要的指標從而知道公司目前的經營狀況的變化。

如果沒有增長儀表盤，每次想要看指標，都要到各個看板去查詢指標。無法及時發(fā)現某些出現異常的數據指標。而有了增長儀表盤不過可以解決上述問題，還可以通過縱觀數據發(fā)現指標之間的相互影響，對比不同維度的關鍵指標。發(fā)現增長機會。

在有些公司中，產品可能僅是通過了活躍用戶和新增用戶的趨勢來監(jiān)測產品增長。這種情況可能無法準確的解釋產品的增長態(tài)勢變化情況和原因。

因為新增活躍僅關注產品增長的拉新方面，無法全面監(jiān)測產品增長情況。活躍用戶數僅是一個結果，并不能清晰的顯示新增、留存、流失的用戶數量。

那么如何更全面跟準確的監(jiān)測產品的增長情況呢？這里可以用凈增用戶和凈增指數來衡量產品的增長情況。

凈增用戶儀表盤：觀大盤，評估用戶增長的總體態(tài)勢和健康度。

細分指標儀表盤：品脈絡，監(jiān)測所有對增長有影響的細分指標。

3.1.凈增用戶儀表盤：

凈增用戶儀表盤是通過顯示用戶流入、流出，和凈增的情況，來把控產品的用戶增長的總體態(tài)勢和健康度。凈增用戶儀表盤通過凈增用戶和增長指數這兩個個指標來全面真實的監(jiān)測增長情況。

3.1.1.凈增用戶：計算真正凈增加的活躍用戶數。

3.1.2.增長指數：衡量公司增長是否健康。

增長指數 > 1：用戶流入 > 用戶流出，活躍用戶正凈增長。

增長指數 = 1：用戶流入 = 用戶流出，活躍用戶達到峰值。

增長指數 < 1：用戶流入 < 用戶流出，活躍用戶負凈增長，即凈流失。

3.1.3.搭建和應用凈增用戶儀表盤：

結合凈增用戶和增長指數，就可以搭建一個凈增用戶儀表盤。如下圖所示：

用戶流入：

新增活躍用戶：本周首次活躍。

流失回流用戶：上周不活躍，本周活躍。

用戶流出：

流失用戶：上周活躍，本周不活躍。

通過上圖的凈增用戶儀表盤觀察產品的增長態(tài)勢，可發(fā)現以下問題：

好消息：該產品目前用戶仍處于正凈增長。增長指數月1.25。

壞消息：用戶流失比較嚴重。1.25的增長指數意為著每拉回6個新增或回流用戶，將流失5個老活躍用戶。典型的拆了東墻補西墻的案例。

通過上述問題，制定解決方案的思路如下：

如果用戶留存率低，思考產品是否沒有達到PMF？是否還有提升留存的空間？

如果用戶留存率不低，但流失用戶絕對值大，是否是用戶基數大，進入衰退期？

工作中時常會遇到將多個產品業(yè)務模塊的用戶活躍或新增趨勢對比后，發(fā)現很類似，無法區(qū)分哪個業(yè)務趨勢更好時，也可以通過對比這些業(yè)務模塊的凈增用戶儀表盤的趨勢來判斷增長趨勢。如下圖案例：

在產品業(yè)務一與產品業(yè)務二的活躍用戶新增趨勢基本相同時，通過凈增用戶儀表盤的趨勢對比可發(fā)現：

產品業(yè)務一的增長指數 < 1，已經出現凈流失。

產品業(yè)務二的增長指數為1.2，仍處于正凈增長，好于產品業(yè)務一。

3.2.細分指標儀表盤：

細分指標儀表盤通過是顯示增長模型中所有關鍵細分指標來監(jiān)測所有對增長有影響的細分指標。工作中常常備用與發(fā)現和解釋異常情況、提升對業(yè)務的認知程度、針對目標業(yè)務進行下鉆。

細分指標表盤主要有兩個部分組成：

指標：

北極星指標；增長模型中的指標；關鍵細分指標和漏斗：關鍵路徑、關鍵行為。

維度：用戶的關鍵分群維度。

渠道來源；新老用戶；設備類型、地域、性別等。

搭建細分指標儀表盤可以通過以下四個步驟完成：

這里小編通過模擬社交類產品的細分指標儀表盤來具體說明一下。

第一步：梳理用戶路徑

?第二步：制定關鍵指標：

• 多種形式搭配：如數字，比例，變化量，趨勢圖，維度分解

• 選一個合適的時間段

• 將指標和目標進行比較指標

• 指標最好有明確的負責人

第三步：添加分解維度

• 客戶端：iOS, Android，網頁

• 獲客渠道用戶性別

• 年嶺組 ?所在地

第四步：組裝增長儀表盤。

4

收集數據：制定埋點方案

制定數據采集方案是數據驅動用戶增長的第二步。沒有用戶行為數據，數據顆粒度不夠，也就難以發(fā)現業(yè)務指標變化背后的原因，從而難以發(fā)現增長線索。

通過數據埋點追蹤用戶行為，可以用數據描述用戶在產品中的行為軌跡，也構成了指標儀表盤和分析數據的基礎。

增長團隊經常面臨的問題：

沒有詳細用戶行為數據，無法進行比較細致的數據分析。

做過用戶行為的埋點，但不準確，無法使用。不能滿足分析需求。

埋點的目的是追蹤所有的用戶關鍵行為。

4.1.確定埋點數據指標：

常見的兩種需要數據埋點的情況：

• 已有基本埋點，只需進行缺失的數據埋點。

• 如從頭埋點采集用戶行為數據：分級分步，由主到次。

埋點需要記錄的信息：

①行為本身（event）：用戶做了什么操作？

②行為的屬性（property）：

who：誰參與了這個行為（設備ID，用戶ID等）。

when：行為發(fā)生的時間。

where：行為發(fā)生的地點。

how：用戶參與這個行為的方式（設備型號，版本號等）。

what：根據行為類型，細化更多情況（商品名稱、價格、數量、query詞等）。

4.2.制定事件埋點方案：

制定事件埋點方案是產品運營的基本技能之一，這里小編就不做過多的分享了。簡單總結幾點埋制定埋點方案是常見問題：

①思路不清，事無巨細。

問題現象：什么都想埋點，導致上線時間晚，且埋點過多對產品負擔較大，影響用戶體驗。

避免建議：從重點出發(fā)：如從北極星指標，增長模型和重要問題出發(fā)，規(guī)劃埋點計劃。從問題出發(fā)：帶著需要解決的問題和分析目標，通過數據解讀進行埋點規(guī)劃。

②事件命名格式不統(tǒng)一

問題現象：同一個事件，存在多個名字。因為版本迭代導致前后版本命名不同等。

避免建議：統(tǒng)一規(guī)定事件結構和命名規(guī)范，做好文檔管理，定期更新。

③錯過重要的事件或屬性

問題現象：因為突發(fā)情況導致的某路徑或環(huán)節(jié)數據異常，但未針對這個路徑進行埋點。避免建議：埋點前，從問題出發(fā)：想清楚為了回答哪些問題，要追蹤哪些事件，事件需要哪些分支路徑和環(huán)節(jié)。發(fā)現錯漏后，逐漸補齊。

埋點方案常常分為前端（客戶端）埋點和后端（服務器端）埋點兩類方向。

前端埋點：

主要是記錄用戶端操作行為，如點擊事件，頁面打開事件等。

埋點方法：通過客戶端代碼進行埋點。

優(yōu)點：真實記錄產品內用戶行為和路徑，不需要請求服務器數據。

缺點：不能記錄業(yè)務結果，網絡加載慢時，可能導致數據不完整，更新埋點時需要進行版本更新，界面視覺交互修改時，可能需要更新對應埋點。

后端埋點：

主要記錄用戶特征變化及前端操作導致的業(yè)務結果，如付款成功，交易失敗等。

埋點方法：通過從接口調用后端數據。

優(yōu)點：實時性好，產品界面改變不需更新埋點。能夠收集不在APP內發(fā)送的行為，記錄最終的結果，數據相對更準確。

缺點：不能收集不需調用接口請求服務器的數據。例如用戶的按鈕點擊事件。

4.3.埋點案例：

小編在此通過一個攜程的登錄頁面埋點來簡要說明一下如何埋點。

因對登錄功能進行埋點，所以需要記錄如下信息：

行為（event）：

注冊流程各個節(jié)點的轉化率。

第三方登錄流程各個節(jié)點的轉化率。

驗證碼登錄流程各個節(jié)點的轉化率。

密碼登錄流程各個節(jié)點的轉化率。

密碼找回流程各個節(jié)點的轉化率。

用戶從登錄頁面直接退出的點擊次數

行為的屬性（property）：

who：用戶設備ID，用戶ID，用戶使用的產品版本號，用戶手機號的國家號段(國內，國外)。

when：用戶操作各個流程的服務器時間，用戶登錄成功的服務器時間。

how：用戶登錄時的產品版本號。

what：根據行為類型，細化更多情況（商品名稱、價格、數量、query詞等）。

?

5

綜合案例分析

小編通過攜程的特價酒店這個業(yè)務模塊來分享一下如果通過增長儀表盤找到業(yè)務增長機會。首先將參考數據（案例數據）進行可視化處理，得到特價酒店模塊的轉化指標細分儀表盤，如下圖：

用戶行為路徑圖：

將攜程的特價酒店模塊進行用戶行為路徑梳理可以得到以下路徑。

5.1.尋找增長線索：

通過細分指標儀表盤的數據情況，可以發(fā)現一些數據異常的地方。具體如下：

①搜索功能用戶路徑：

搜索結果頁->酒店詳情頁轉化率僅為21%，低；

②banner位用戶路徑：

酒店詳情頁->點擊酒店預訂按鈕轉化率為38%，較低；

開始結賬->付款成功轉化率為8%，很低。

③猜你想去用戶路徑：

酒店詳情頁->點擊酒店預訂按鈕轉化率為30%，較低；

開始結賬->付款成功轉化率為20%，低。

④路徑轉化對比：

banner位用戶路徑的酒店詳情頁->付款成功的轉化率最低。

⑤業(yè)務路徑占比：

業(yè)務滲透占比從高到底排序為：首頁搜索 > 城市地標> banner位。

⑥是否登錄用戶轉化率對比：

未登錄與已登錄用戶在【點擊酒店預訂按鈕->開始結賬】的轉化率為53%和75%，差值22個百分點。根據路徑分析，在用戶點擊酒店預訂按鈕時，判斷該用戶是否登錄。

根據上述問題，總結可能的增長線索如下：

①在搜索路徑中，搜索結果頁->酒店詳情頁轉化率僅為21%。流失了14200人，流失巨大。

②總轉化中后，開始結賬->付款成功轉化率為31%，流失了2200位付費意向高的高價值用戶，流失巨大。

在banner路徑中，開始結賬->付款成功轉化率為8%。流失了920位高價值用戶，占該階段總流失的42%。

在猜你想去路徑中。開始結賬->付款成功轉化率為22%。流失了780位高價值用戶，占該階段總流失的32%。

③在猜你想去的路徑中，酒店詳情頁->點擊酒店預訂按鈕轉化率為30%。流失了3500位有明確訂房意義的用戶。

④用戶點擊酒店預訂按鈕觸發(fā)開始結賬的轉化率，需完成登錄操作的用戶比不需要完成登錄的用戶低22個百分點。

5.2.制定增長策略：

5.2.1.搜索路徑優(yōu)化策略：

搜索結果轉化率的低的原因可能是：

產品功能策略：

搜索結果并未滿足用戶的需求。

• 搜索query詞分詞算法不精確。

• 搜索結果排序算法不精確。

• 攜程的酒店物料庫內容不夠豐富。

鑒于攜程目前的產品階段，優(yōu)化難度：搜索結果排序優(yōu)化 > 搜索詞算法優(yōu)化 > 酒店物料庫豐富優(yōu)化。因而這部分策略為優(yōu)化搜索結果酒店列表排序算法。

運營文案策略：

搜索結果的酒店優(yōu)惠價并未達到用戶的心理預期價格。

• 酒店優(yōu)惠價格超出了用戶可承受的最高價格。

• 酒店的優(yōu)惠差值(原價-優(yōu)惠價)并未激起用戶繼續(xù)了解的欲望。

優(yōu)化難度：提高優(yōu)惠差值對用戶的刺激 > 降低酒店優(yōu)惠價格。

優(yōu)化策略：在結果頁顯示酒店原價及優(yōu)惠最大差值，通過視覺交互刺激用戶完成下一步轉化。

5.2.2.結賬路徑優(yōu)化策略：

結賬路徑總體轉化低的原因可分為兩個方向進行分析：

產品功能交互：

①在點擊酒店預訂頁的【去支付】按鈕后，進入該頁面需先選擇支付通道后，再點擊確認支付。

秉承著盡量簡化主流程中的非必要行為的原則，在保障安全合規(guī)性的前提下，可將該操作優(yōu)化為進入該頁面默認選擇上次支付的路徑或推薦路徑，減少用戶流失的可能。

②部分進入該頁面的用戶離開后會瀏覽其他酒店，可能的用戶存在比價行為的心理。

因而可在該頁面加入【限時30分鐘內完成支付】，通過為用戶營造緊迫感的心理狀態(tài)，刺激用戶完成支付流程。

業(yè)務路徑分析：

通過業(yè)務路徑轉化率對比漏斗分析圖可發(fā)現：

①產品功能對完成支付流程的影響小于業(yè)務路徑對其影響。

在酒店預訂頁、訂單確認頁、確定支付頁產品設計完全相同的情況下，節(jié)點轉化率因業(yè)務路徑來源不同而差異較大。

②擁有明確酒店預訂目標的用戶完成支付流程的概率高于其他類型。即

使用搜索功能的用戶完成支付流程的概率遠高于通過banner和猜你想去查閱酒店信息完成支付的用戶。

③通過點擊banner進入觸發(fā)支付流程并完成支付的用戶轉化率最低。可能的原因：

統(tǒng)計點擊banner的用戶特征，對這類用戶根據地域，消費能力，出行次數等進行用戶分群。對不同類的用戶群進行定制化的banner詳情頁展示（即根據用戶群圍繞banner的推廣主題，展示不同的酒店搜索結果）。

5.2.3.猜你想去的訂單轉化優(yōu)化策略：

該功能的產品設計本質是基于酒店搜索功能，通過推薦的城市類query詞引導用戶進行快速搜索。該業(yè)務功能的訂單轉化率低的原因可能是：

①提供的query詞對應搜索結果與用戶的查詢需求不匹配。

②提供的query詞不精確，增加的搜索功能的用戶使用流程，增加用戶行為阻力，造成流失。

如用戶原本需求是查詢北京朝陽大悅城附近酒店。通過”猜你想去“的query詞(北京)進入地標附近酒店頁后，查看多個酒店詳情頁但并未找到滿足需求的酒店，用戶需要下翻頁面或重新搜索才可獲取精準結果。該流程中造成用戶流失。

對應策略：

收集使用進入特價酒店的用戶的用戶屬性和行為數據，對用戶進行更精準的分群分析。并基于攜程網的大數據推薦功能，對用戶進行更精準個性推薦的地標query詞。

因為該功能是搜索功能的延伸功能，而搜索功能的轉化率遠高于該功能，可將使用該功能用戶群引導至使用搜索功能。可先通過A/B測試，對該策略進行測試。對比是否提高了特價酒店的整體訂單轉化率和付費轉化率。

------正文分割線------

點個“在看”吧

總結

以上是生活随笔為你收集整理的万字干货：教新手从0到1搭建完整的增长数据体系（30图）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。