search
如何通過數據驅動業務發展

如何通過數據驅動業務發展

本文系人人都是產品經理團隊@池吉明 整理編輯發布。轉載請聯繫人人都是產品經理。

作者:劉立明,騰訊大數據高級產品經理,主要負責騰訊內部數據指標體系構建,以及騰訊移動分析(MTA)產品運營。從事了數據產品運營4年,曾任友盟高級產品運營,在產品運營和數據分析方面有深厚經驗。

本文大綱如下:

  • 關於數據化管理

  • 從0到1搭建數據運營體系

  • 數據深度分析

  • 用戶管理策略

以下為劉立明演講實錄,由人人都是產品經理@池吉明 依據嘉賓分享內容整理,編輯有修改:

一、數據化管理的三點誤區

最近幾年,隨著移動互聯網的快速發展,大數據的概念也越來越火,很多公司都在提數據化管理。那麼,我們今天就聊一下數據化管理這個話題。

先來看下數據化管理的誤區:

1、數據多,就一定能推驅動業務發展嗎?

數據多並不意味著能驅動業務發展,因為存在很多因素導致數據並不能很好地應用於業務中。

(1)因素一:數據質量問題

一方面,很多公司在採集數據時,會採集到很多臟數據,比如模擬器刷量、羊毛黨刷量。如果未做反作弊識別,很難將這部分數據過濾掉;另外一方面,在採集數據時,沒有做到標準化、規範化上報。那麼在做數據挖掘分析時,就很難得到有效信息。而數據的準確性和穩定性是數據科學管理的基礎,如果無法滿足這兩點,在業務決策上就會存在很多問題。

(2)因素二:數據跟業務關聯性不大

數據只有跟業務有足夠強的關聯性,才有價值。我們本身有很多指標,大概超過70多個。但是在日常分析時,我們經常用到的也就那麼幾個,其他的或者訪問非常少,或者會隨著時間推移,慢慢被棄用。

(3)因素三:採集數據很容易,用起來難

騰訊做了很多年數據分析,積累了很多經驗,有一整套自己的分析系統,在數據應用方面自然沒問題。但是很多傳統企業,像運營商移動、聯通、電信,以及保險公司、銀行對在這塊的困惑就特別多。他們有很多數據,但不知道該怎麼用。像這樣盲目地採集數據,其實根本沒有多大意義。

2、有了數據分析團隊,就一定能找出問題來嗎?

不一定,因為分析師往往對業務不了解,只能給出機械的分析結果,並不能有效地指導業務發展。

舉個例子,我們之前在業務運營中引入了分析師團隊,希望可以提供更多思路和指導方向來幫助業務發展。但分析了一段時間后,我們發現效果並不是很好,原因在於分析師一般會基於報表維度的數據給出分析結果。比如數據突然出現波動,分析師可能會認為是節假日導致的,但其實他可能不清楚我們在整個業務運營中做了什麼樣的活動。所以,這塊數據分析和業務是割裂的。

為了解決這個問題,我們做了一個新的嘗試,將數據分析團隊跟業務團隊放到一起,並成立聯合項目組去做試點。後來結果證明效果不錯,因為分析師在設計每一個指標的時候都會去跟一線運營同學溝通:

  • 真正的用戶行為是什麼樣的?

  • 在哪些時段,在哪些場景下會觸發這些數據?

如此一來就能做到有的放矢。

3、分析報表能不能出一個最優的解決方案?

相信大家每周或者是每天都在給這樣的分析報表,但是我們的分析結果真的是一個有針對性的業務的最優解決方案嗎?結果往往是否定的。這裡邊也存在幾個問題:

(1)問題一: 分析維度單一,不足以支撐結論

分析維度有很多,比如說版本、渠道、地域,以及設備屬性和特定行為特徵等。目前來看,所有的APP分析,基本上就是從版本和渠道這兩個維度去分析的;還有自定義事件,如果只是基於事件ID去分析,它沒有足夠的參數去做限定,那麼也很難去支撐並決策分析結果。

(2)問題二:數據質量干擾分析結果

分析結果能否有效地反映業務發展情況,並給出有效優化策略的關鍵因素之一便是數據質量。如果數據質量不過關,那麼基於數據給出的分析結果也會大打折扣。我們接觸的很多app,都或多或少有過被刷量的情況。這種數據不僅給公司造成財務上的浪費,同時也會影響正常數據,造成數據分析的困難。

二、數據化管理的思路

在認識了這些誤區之後,如何科學地進行數據化管理?

科學的數據化管理不僅要有完備的數據分析,更重要的是基於數據分析結果的行動。所以,下面我們將從數據採集、數據分析、行動策略以及快速執行四方面講一下數據化管理思路。

1、數據採集

目前我們採集的維度包括基礎數據統計、用戶屬性、用戶來源、用戶行為和模型數據。

(1)基礎數據

基礎數據就是我們日常在看的一些數據,包括新增、活躍、啟動次數和留存等。

(2)用戶屬性

基於騰訊移動分析覆蓋的眾多app以及騰訊大數據的優勢,提煉不同人群的不同標籤。

用戶屬性包含基礎的自然人屬性,比如性別、年齡、職業、學歷和興趣愛好等;另外也有做設備屬性分析,比如用戶使用的機型、品牌、以及聯網方式等。

(3)用戶來源

這也是非常重要的一個指標,可以幫助分析用戶來自哪裡。這裡的維度可以有很多,比如渠道是一個維度,版本也是一個維度,另外地域和機型都可以算作不同的維度。

(4)用戶來源

用戶來源可以幫助分析產品對於用戶的粘性,並且幫助優化產品路徑。這塊涉及的數據會比較多,比如用戶使用時長,使用頻率和頁面訪問路徑等。關於行為這塊重點強調一下,要求上報的數據必須是標準的、規範的,這樣有助於後期做分析。否則,最後採集的數據只是臟數據,對於後期分析沒有任何意義。

(5)模型數據

模型數據是建立在基礎數據分析上的高級模型,可以針對用戶做更高級的分析。我們會針對用戶生命周期里的每個階段去做模型分析,比如拉新模型、拉活模型和流失模型。

2、數據分析

數據本身沒有價值,分析才有價值。

在做分析時,主要包括以下幾方面內容:

  • 多維交叉分析

  • 用戶分群分析

  • 產品質量分析

在做數據分析時,多維交叉分析是一個很好的分析手段。當我們看數據的整體趨勢時,能發現業務發展是否有問題或者機會,但是不能夠發現問題到底出在哪裡,或者說機會在哪裡。那我們會主張進行多維下鑽分析,比如渠道、版本、國家、設備屬性和自然屬性,這些都可以作為維度去做交叉分析,最終定位問題出在哪裡。

用戶人群分析可以幫助分析不同人群的屬性特徵以及行為特徵。針對不同的人群特徵,制定差異化運營策略,將運營效果最大化。

產品質量分析自然是用于衡量產品質量的數據指標,包括app的crash情況、耗電量、網速等數據。

3、行動策略

根據數據分析的結果,發現問題或者機會之後,我們要先制定一些行動策略。這一步即是打通數據分析和行動斷層的關鍵一步。拿生命周期管理常用的策略舉例來說,包括拉新策略、提活策略、流失召回等。

4、快速執行

策略制定好之後,接下來就是快速執行了。行動是驗證數據分析結果和策略有效性的最後一步。跑得越快,成功的可能性越高,所以優良的執行力非常重要。在騰訊奉行的也是小步快跑,快速迭代,出錯沒問題,要保證速度。

三、如何從0到1搭建數據運營體系

前面講到了數據化管理的誤區和思路,那麼接下來我們就講一下,如何從0到1搭建一套數據運營體系?

第一階段:指標規劃

我接觸過很多開發者,都有數據分析的需求,但是要採集和統計哪些數據,剛開始並不是特別清晰,那這塊的規劃就非常有必要的。尤其是在數據建設初期,一定要將指標的定義明確,不然很容易在後期數據分析階段出現扯皮問題。

另外則是維度設置,除了版本、渠道之外,還可以加上自定義的屬性,比如:地域、機型、網路類型等,這些維度設計的越多,越有助於後續數據的精細化分析。就拿新增來說,可能看到新增有一個過快的下跌,如果只設計版本和渠道兩個維度的話,那麼只能從這兩個維度分析;如果想做更深的下鑽分析,就無法再繼續定位了。

最後一個關鍵因素:更新周期。數據是實時更新的、 每天更新、還是每周更新,都需要提前規劃好。因為數據計算會耗費大量的資源,好鋼用在刀刃上,把資源用在最有價值的地方。

第二階段:數據採集

指標規劃好之後,接下來要做的就是數據採集。數據採集包含三個方面的工作,欄位分類、數據埋點和數據上報。欄位分類很重要,越精細越有助於後續的數據分析。數據埋點,顧名思義,在自己想採集的數據部分,通過打點的方式統計業務發生數據。

第三階段:報表呈現

在數據採集上來之後,我們就需要考慮將數據以報表的形式呈現出來,以幫助分析業務的變化情況。

當我們做完了以上幾步之後,如果最終驗證這套體系是可行的,那麼就可以考慮進行整個的數據產品化以及功能迭代。

(1)建設方式

接下來,我們聊一下數據分析系統的建設方式。

目前的建設方式無非有兩種,一個是自建,另外則是使用第三方服務。

自建有什麼好處?埋點靈活便捷,可以根據你的需求去埋點,並且也可以跟業務數據打通。因為只有這樣,才能將數據分析真正應用到業務上。但是,我相信如果是一些目前在起步階段的APP,它是沒有能力去做這個事情。

自建的弊端在於需要投入巨大的成本。首先是人力成本,然後伺服器資源維護起來也比較昂貴,另外不能與外部運營工具打通。就拿拉新來說,需要對用戶有一個非常清晰的認識,需要知道用戶群體有哪些屬性特徵和行為特徵。如果根據自己統計的標籤去廣告平台投放廣告,往往匹配起來是不夠精準的。因為很有可能雙方標籤體系並不一致。

(2)迭代優化

在整個建設階段,不必一蹴而就,可以按照app發展的不同階段按需建設,逐步迭代。

我們先看一下APP發展生命周期的四個階段:初創期、生長期、成熟期和衰退期。每個階段需要關注的數據指標是不一樣的,所以我們可以分階段來建設:

① 初創期關注哪些指標?

  • 一是增長速度,要看數據增長是不是一個線性,將來有沒有潛力?那麼前期做一些新增,活躍,啟動次數,留存這些基本上就夠了;

  • 二是用戶來源,需要知道哪些渠道推廣效果更好,以方便優化拉新推廣效果。

②成長期不僅要關注用戶增長速度,還需要去關注一下用戶行為數據

到了成長期,不僅要關注用戶增長速度,還需要去關注一下用戶行為數據,因為我需要去識別用戶的質量。就拿推廣這個事來說,不僅要看數據整體的增長情況,而且要看核心用戶有沒有增長,那我們就需要從用戶行為維度去識別,哪些是我們的核心用戶。那就需要去建設像使用頻率、使用時長、頁面訪問路徑以及消費行為這些維度的數據。

③ 成熟期對數據的需求增加,需要深度挖掘用戶價值

到了成熟期后,對數據的需求會越來越深入,需要深度挖掘用戶的價值。那麼這個階段就需要考慮做一些數據模型。

比如活躍模型,活躍用戶雖然是一個整體,但是活躍用戶的質量是不一樣的。比如活躍超過100天的,超過300天的甚至超過兩年的,對於不同的用戶群體,需要做個性化的運營策略。

另外一個模型就是流失模型。當用戶到了一定規模之後,很難避免流失情況,到了成熟期有些用戶的活躍度會慢慢的下降最終流失。這時就需要對用戶做一些干擾手段,通過消息推送、有效的激勵、簡訊這幾種形式。

還有就是畫像洞察,到了成熟期,相信各個數據都會考慮做變現的行為,變現首先要知道用戶是什麼樣子的,那麼畫像洞察的建設就可以提上日程。

③ 衰退期用戶流失嚴重

到了衰退期,基本上APP已經開始出現用戶大面積流失的情況,想要將用戶拉回來是非常困難的,所以需要去關注興趣轉移,尋找新的業務增長點就好了。

(3)MTA指標體系

這是MTA的指標體系,分成了基礎指標、用戶屬性、用戶來源、用戶行為、模型數據。新增、活躍、流失這些,前文已經提過,這裡就不再說了,重點提一下質量監控,質量監控主要是統計用戶使用app的crash情況,還有網速監控情況、介面調用情況。

四、數據深度分析

「做了一套數據分析系統之後,難點在於數據分析;搭一套東西很容易,但真的要用起來卻很難。」

接下來,我們就講一下數據深度分析部分。

1、多維度下鑽分析

多維度下鑽分析的好處就在於,可以去從整個趨勢里發現問題,最終通過更細粒度的分析去定位到問題所在,再制定相應的執行策略。分析的維度其實很多,例如:渠道、版本、地域、頁面、標籤、用戶群這些都可以作維度去分析我們的用戶。

2、漏斗轉化分析

接下來我們看一下日常經常用到的漏斗模型。

漏斗模型是一個很重要的手段,漏斗不僅可以幫助分析關鍵路徑從第一步到最終的轉換結果,還可以幫助分析每一步之間的轉化率。漏斗的每一步轉化中基本上都會存在流失,所以沒有百分百的漏斗。

那漏斗如何去使用呢?單一的漏斗分析是沒有意義的。只有通過趨勢觀察、維度對比和維度細分才能體現漏斗分析的意義。

接下來我們舉例說明。

使用騰訊移動分析大概分為三個步驟,註冊-測試-上線。

第一步是從註冊到測試的一個轉化,第二步是從測試到上線的一個轉化,第三步是從測試到上線的轉化。分析數據發現五六月份的轉化都是OK的,但是看七月份的數據,從註冊到測試,轉化率只有21.7%,但是從測試到上線是22.6%,這個沒有什麼變化,整體的轉化率是4.9%。與5月、6月相比,數據有所下降。

產生這個問題的原因是什麼?我們拿這個漏斗相關的數據做一下分析。第一個數據是新增,第二個是我們的測試,第三個是最終上線的應用數。我們發現7月份的新增只有一個很大的增幅,但是它並沒有給我們帶來一個好的測試的一個數據,測試的應用只有1300個,沒有明顯增長,我們最終上線的也只有294個。說明新增有增長,但是這部分用戶轉化率並不是很高。整體來看,應該是新增暴漲的原因,那麼我們又針對渠道這個維度做了一輪下鑽分析,發現來自官網的新增特別多。在分析相關的推廣活動時,發現這個月做了有獎問答活動,導致很多用戶來註冊賬號並創建了應用,而這些用戶都是奔著獎品而來,並非我們的用戶,因此轉化非常差。最終定位到數據轉化降低的原因。

數據分析是制定用戶管理策略的基礎,那麼講完分析后,我們來聊一下策略相關的內容。

五、用戶管理策略

1、用戶生命周期管理

用戶生命周期管理可分為六個階段:

  • 潛在用戶階段

  • 新手階段

  • 有效活躍階段

  • 活躍下降階段

  • 即將流失階段

  • 流失階段

在不同的用戶生命周期,我們需要進行差異化運營策略,才能將用戶價值最大化。比如,潛在用戶階段,需結合用戶特徵制定拉新策略;新手階段,需要給用戶提供實時的用戶關懷,制定合適的新手任務系統;有效活躍階段,提供別緻的產品探索引導和正向激勵;活躍下降階段進行防流失干預;即將流失階段進行流失預警;流失階段發起流失關懷。接下來,我們結合案例進行說明。

(1)精準拉新

潛在用戶階段,在做拉新時,根據歷史數據梳理相關欄位,以歷史玩家為樣本數據制定對應的拉新模型。通過對比實驗組與大盤的推廣效果,對拉新效果進行評估。

其實在經過這樣的分析之後,拉新效果會有一個比較好的提升,最終實驗組相比於隨機組,有百分之30%到60%的一個提高。其實這個模型在開始階段,效果不是很明顯,也是需要經過不斷訓練才能達到這樣一個效果,所以數據分析是需要一步一步迭代升級的,而不是能一蹴而就達到一個好的效果。

(2)新手關懷

合適的新手關懷手段可以讓用戶更好的留下來。比如可以根據用戶的興趣偏好設定個性化的新手任務體系,個性化的關卡獎勵;比如根據用戶性別,贈送不同的禮物,設計不同的任務難度等。

(3)活躍成長

好的內容推薦以及成長體系都可以提高用戶的活躍度,可以通過對用戶畫像進行刻畫,推薦合適的內容。比如在遊戲中,加入社交屬性可以提高用戶的活躍度。那麼就可以根據用戶屬性和行為特徵推薦合適的戰隊信息,一旦用戶加入戰隊,活躍度便可得到有效提升。

(4)防流失預警

通過一些行為數據可以判斷出用戶有沒有流失風險。比如活躍度的下降,使用時間間隔的增長,都是典型特徵。那麼,在圈定這部分用戶之後,就可以使用一些運營工具進行流失用戶召回。比如以消息推送,簡訊或者廣告平台等手段觸達用戶,如果活躍度下降就給它送更多的道具,或者推出更多好玩的玩法,以防止用戶流失。

(5)流失迴流

根據經驗來看,用戶一旦流失就很難回來。所以把精力花費在流失挽回上,不如去分析下用戶的興趣轉移,尋找新的業務增長點。

2、用戶分群管理

用戶群分析是個非常好的手段,通過用戶群分析,除了可以幫助進行人群分析和問題定位,有時候會發現用戶自己都不清楚的需求。

那我們應該如何創建分群呢?一是根據用戶屬性,二是根據用戶行為特徵。比如ppt中列的年齡、性別啊,或者未付費用戶、多次付費用戶等。

有了不同的人群,我們可以做些什麼呢?除了分析不同人群的特徵,還可以針對不同用戶做一些差異化的運營方案以及精準拉新等。

接下來我們看一個案例。

這是一個電商類的APP,在用我們的服務,用戶增長還不錯,但是成交量一直萎靡,就過來問,應該怎麼去用數據驅動業務發展?

那我們就以這個為案例做了一輪分析。首先我們通過建立分群分析成交用戶和高價值用戶的特徵;然後與大盤用戶進行對比,發現整個大盤中男性比較多,然而成交用戶與高價值人群中女性比例較高,那說明女性成交的可能更高。

另外,我們針對這三個用戶群做了一下人群偏好對比。相比於大盤用戶,成交用戶和高價值用戶對購物與金融類會更感興趣,這是我們得到的一個分析結論。

然後再回到它的問題,成交量不符合預期。第一可能是渠道用戶的質量問題,第二可能是在商品定位上有問題。整個大盤中男性用戶較多,那是不是男性的商品推薦做的不夠,或者男性的商品品類比較少,這些都有可能。

相比於兩個原因,第一個的驗證周期會更短一些,那我們就先拿第一個去做一個分析。如上圖,這是我們拿到的幾個渠道,可以看到D和E是流量的主要來源,而且D的周留存也不錯。但是從成交來看,A的數據也不錯,所以可能A也是一個優質渠道。

這是我們的一個分析結果。那接下來需要驗證一下,A渠道是否符合成交人群和高價值人群的特徵。從數據來看,A渠道的女性比例是62%,對購物的興趣也高於大盤,這個符合我們的成交用戶跟高價值用戶群體特徵。

根據這個分析結果,我們建議開發者進行了投放渠道的策略調整,增加A的投放比例,降低B跟C的投放。策略實施一周之後,對數據做了一下追蹤。這個圖是一個整體的轉化,前面的圖是優化之前的,後邊的圖是優化之後的,整個的轉化率提高了百分之十幾。這就是整個分析過程,希望能對大家有所啟發。

以上就是我的分享,大家如果有其他問題,可隨時與我溝通。

人人都是產品經理是最大最活躍的產品經理學習、交流、分享社區。集媒體、社區、招聘 、教育、社群活動為一體,全方位服務產品經理。

熱門推薦

本文由 一點資訊 提供 原文連結

一點資訊
寫了5860317篇文章,獲得23256次喜歡
留言回覆
回覆
精彩推薦