松果嗨

寻找身边的创业者

腾讯高级产品经理:深耕数据,让数据驱动业务发展

数据本身是没有意义的,要通过数据分析来得到你想要的结果。

随着近几年移动互联网的发展,“大数据”越来越火,我将从这4个方面分享一下如何通过数据驱动业务发展。

01 数据化管理;

02 从0到1搭建数据运营体系;

03 数据深度分析;

04 用户管理策略。

01 数据化管理

1、数据化管理的误区

① 数据多一定能驱动数据发展吗?

大家都谈大数据,我要采集很多很多的数据,但其实这一条是不成立的。

首先是数据质量参差不齐,比如会有刷量这种行为;

其次在采集数据时,如果不够标准,不够规范化,在后面进行数据分析时,就会发现采集的数据都是垃圾数据,对业务分析根本没有实质性的作用。

第三是采数据易,用数据难。腾讯做了这么多年,有自己的一套数据分析体系和方法论。但是刚建立这套系统时,也要长时间的训练、实践、一次次迭代,最终才能达到好的效果。很多像移动、银行以及一些传统企业,他们有很多数据,但是不知道怎么用,这是个大问题。

② 数据分析团队一定会发现问题与机会吗?

很多公司都有数据分析团队,有的认为组建一支数据分析团队就可以解决公司运营的问题,或者可以发现更多机会,其实这也很难成立。

在我接触的很多公司里,数据分析团队和业务团队是割裂的。数据分析团队会提供一些数据分析结果,但仅仅是一些机械的报表分析,比如哪天数据突然增长或者下降,数据分析团队可能会从他理解的维度来分析并给出结论。但是由于独立于业务团队,缺乏对业务的了解,因此很难给出针对性的意见。

举个例子,在我们产品推广初期,我把数据分析团队引入整个团队内部,希望他们对业务增长做出有效分析,但是我发现,如果只把数据扔给数据分析团队,分析的结果对业务并没有产生实质性的增长效果。

随后我进行调整,成立了项目组,运营团队和数据分析团队融合成一个项目组,这样后者就知道前者设计的数据指标,在实际使用过程中是什么样的。这种合作方式,最终确实还是有效果的。

③ 分析报表,一定是最优解决方案吗?

如果是做APP的,应该每天看各种日报,每周看各种周报,但是认真思考一下,这些报表给出的结论是不是符合业务目标?

有时分析的维度过于单一,可能只是简单的从时间、地域、甚至版本的维度来分析。而如果我们做足够深入的分析,那些结论可能就不成立了。

另一方面数据质量对分析结果有干扰,比如数据的稳定性、准确性,都会有影响,另外还有一些无关的数据也值得警惕。

2、数据化管理的思路

我们的数据化管理主要奉行这样的思路:数据采集 – 数据分析 – 行动策略 – 快速执行。

① 数据采集

数据采集要有一个非常清晰的规划,包括基础数据统计、用户属性统计,用户来源统计、用户行为统计,还有模型数据统计。

基础数据统计是日常业务相关的,比如新增活跃、新增次数流程等一些基础数据;用户属性统计包含两个方面——社会属性和设备属性,前者即我们常说的性别、年龄、学历等,后者则是一些机型、操作系统、联网方式这些;用户来源统计就是一些渠道,还有版本;用户行为统计很重要,因为它可以反映用户使用产品的路径、行为习惯,然后根据用户的特征来刻画用户画像,甚至可以做产品迭代。

② 数据分析

数据本身是没有意义的,要通过数据分析来得到你想要的结果。

数据分析第一个是多维交叉分析,从多个维度分析数据表现,比如“新增用户”,不仅要看整体的增长情况,还要看各个地域、各个版本、甚至不同机型的增长情况;

第二是用户人群分析,需要对用户分群,并确立不同群体的特征,到了成熟期,需要针对不同用户做差异化用户策略,才能达到最优效果;

第三个产品质量主要是看产品的表现,比如结果调用的情况、产品是否耗流量、是否耗电等。

③ 行动策略

比较偏向于用户周期管理,主要包括拉新、提活、流失挽回、回流关怀,下文会详细讲。

④ 快速执行

最后是快速执行,如果有了数据分析、行动策略,但是不能执行的话,前面的工作都没有什么意义,最终一定要落地,才能看到结果。要有精准触达用户的分层管理,要有执行结果的反馈,然后根据用户反馈做持续的迭代计划。

02 从0到1搭建数据运营体系

1、搭建思路

① 指标规划

要想采集好哪些数据,就是制定采集的指标规划,包括指标定义、维度设置、更新周期,其中更新周期会涉及到资源的分配,是时时更新,还是每周、每月更新。

② 数据采集

数据采集是基于主要规划之后要做的,比如字段分类、数据埋点、数据上报。采集什么数据,以什么形式上报,这些都要考虑清楚。

③ 报表呈现

数据采集上来之后,我们可以做报表呈现。这里有很多坑,比如要做报表的趋势图,是用柱状图还是折线图?列表就是一个用户的详细类似表;筛选控件,如果要做到可视化,你需要考虑将来在实际运用时需要从哪些维度去筛选,比如国家、版本、渠道这些;最后是有效性、准确性的验证,我们做了数据上报之后,如果是一堆垃圾数据,或是不准确的数据,对后续的运营就没有什么帮助。

④ 数据产品

基础的数据采集都OK了,就可以考虑做数据产品的建设,比如做数据可视化展现,迭代优化,并增加新功能。

2、建设方式

建设方式有两种,一种是自建,另一种是采用第三方服务。

自建有利有弊,优点第一个是埋点灵活便捷,想埋哪里埋哪里,第二个是可以跟业务数据打通,这一点也很重要。因为在采用第三方数据统计时,大家平常用的只是基础指标,在没有打通给自己的销售数据时,这种付费数据往往是和业务割裂的。

缺点一个是自建一套数据分析系统的成本很高,二是自建的系统不能跟运营工具(指广告平台)打通。

举个例子。在自建某个数据分析系统时,产品有自己的用户体系或标签体系,假如我想针对对阅读感兴趣的用户投放,很可能最终的投放效果不是特别理想,因为自建体系和其他平台在匹配时会有比较大的偏差。腾讯自己也会做一些投放,比如在今日头条等渠道,发现我们拿自己的数据包去投放,可能不是效果很好。我们投了六千多元,一个用户的成本居然飚到了六百多元,这个就是很大的问题。

第二种是第三方服务,很多都是免费的,他们的产品也比较专业,展示友好,支持运营工具打通,提高运营的效率,最大的缺点就是不够灵活,可能不能跟自己的业务数据打通。

3、迭代优化,逐步完善

数据运营体系也不是一蹴而就的,在人力资源有限的情况下,我们可以根据当前所处的阶段做选择性建设,我把 App 的整个生命周期分为四个时期,初创期、成长期、成熟期、衰退期。

在初创期大家都会关注整个产品的增长速度,我觉得还要关注新增活跃和用户来源。这些对产品初创期实现业务增长有帮助。产品质量也很重要,App如果耗电量很大,或者网络连接特别慢,那么产品还没推广可能就已经死掉了。

成长期,应该关注用户增长速度和用户行为数据,此时产品有一定的规模了,我们就需要去关注用户在整个产品里的一些行为。比如启动的次数是不是够多,停留的时间是不是够长,使用深度是不是够深等。

成熟期基本上产品已经稳定了,这个时期做拉新效果应该不会特别好,所以你看所有大型App,腾讯系的像爱奇艺、唯品会,内部的QQ、微信等,到了一定规模就不再追求更大规模的用户量,而是把存量用户活跃起来,这很重要。

所以这个阶段要更深层次挖掘活跃用户,预防流失。我们需要做一个用户流失监测,比如流失预警,我们需要做一个模型来监测,通过用户的哪些行为可以判断某用户基本上要流失了。

比如信贷类的App,如果他选择分期借款,然后某一天一次性把借款全部还掉了,很可能他是一个流失用户。当然这只是一个维度,我们要从多个维度去评估,比如说他已经半个月没有使用App,这也是一个维度,所有的模型都要从很多维度判断是不是真的流失了。

到衰退期数据指标不再增加了,我们做过很多测试,用户一旦流失,很难再挽回,所以不如看看用户兴趣转移到哪,然后开拓新的业务。

这是MTA的指标体系,基础指标包含以上这些。

03 数据深度分析

1、多维度向下分析

第一个是多维度向下分析,这是我们经常用的方法,因为在定位问题时,我们看到的是整体数据的变化,但是最终要找准问题,肯定要抽丝剥茧,每个维度都去排查。

常用的一些维度,包括渠道、版本、用户群、标签、页面、地域,然后从这些角度分析,哪些用户下降的很厉害,哪些群体发生大的波动。

2、用户画像洞察

这是我们建设的一整套的标签,包括一级、二级标签,二级下面还有一层更细的。用户画像洞察不仅帮助我们认识用户,还有助于变现。比如了解你的用户群体是哪个类型,有助于分析投哪类广告的效果会更好。

3、漏斗转化分析

这也是一个经常用的分析方法,因为它不仅可以帮你分析从第一步到最终的转化率的情况,还可以分析每步的转化率。对于漏斗,单一的分析没有意义,如果不去对比,很难发现问题所在,所以要通过趋势、比较、细分,做一个更细致的分析。

这个是我们平台的表现(这些数据是经过处理的)。我们的产品是面向开发者的,他们通过集成我们的 SDK 后上报数据,最终在应用商店发布。我们看7月份数据时,发现注册测试波动比较大,5月份40%,6月份40%左右,但是7月份下降到21%,而后两步的数据,基本上和5月6月没有太大差异,于是分析,这个比率的变化可能是分子没有变,但是分母变了。

可以看到,5、6、7月份的新增用户增长数据中,7月份大幅度增长,但是测试用户和上线用户都没有大的波动,那就要去排查到底是哪里出现了问题,所以就要做下钻分析。

下钻分析首先看各个版本的增长情况,然后看各个渠道的增长情况。用户渠道有很多,用户自发官网注册,还有微信、QQ开放平台带来的量,最终我们发现官网增长量很大,地域集中在广东,再排查广东省7月份做了什么活动,我们发现做了一轮有奖答题活动。

只要参加答题就可以获得Q币、腾讯视频会员的福利,吸引了很多不相关用户来注册账号然后答题,导致数据有很大的增长,因此定位到“7月份广东活动中有很多薅毛的用户”这样的一个问题。

04 用户管理策略

1、用户生命周期管理

用户管理策略,就是在数据采集分析之后,基于数据做一些运营活动。

分为6个阶段:潜在用户阶段、新手阶段、有效活跃阶段、活跃下降阶段、即将流失阶段、流失阶段。每个阶段,都依赖于具体的数据的分析,然后再做针对性的运营活动。

这个是腾讯某个枪战游戏案例,看看他们用户管理是怎么做的。

1.先精准拉新。

精准拉新是根据历史玩家取样作分析,根据历史日志梳理了600个拉新字段,判断哪些用户最可能成为用户,不过创业公司,可能不超过20个字段。

以历史玩家为样品建立拉新模型。比如投放时,针对18到20岁喜欢阅读的女性投放,然后做 A/B test。刚开始的时候,这个效果不太好,实验组和普通大盘相比没有明显的提升,这个模型经过了大概10轮训练,整个拉新增长了30%到60%,是相当给力的。

2.然后是新手关怀。

对所有玩家先分析兴趣偏好,在此基础上推送一些产品,比如在新手任务中,针对男用户和女用户有不同的任务,送的礼品也是不一样的。这种个性化的关怀奖励可以提高留存,这也是现在常说的精准推荐,所谓的千人千面是同样的逻辑。

3.活跃成长。这是一个枪战类的游戏,在做完数据分析之后,“有战队”的留存率会比“未加入战队”的普通玩家高一些,这和常说的 Facebook 的留存率是一样的,即如果加的好友越多,留存就越高。所以在产品中加入社交关系链是一个很可靠的活跃手段。

4.还有防流失干预。首先要监测用户的活跃度,如果下降,可能就是流失的开始,这时要把这部分用户筛选出来,做一些流失干预,比如送一些关怀——消息推送、短信等。假如用户已经不想打开App,收不到消息是不会回来的,所以可以做一些用户消息类推送。

5.最后流失回流。要监控整个流失人群的增长情况,还可以设计一些回流活动,但是根据经验来看,一旦用户流失之后再想拉回来很难,尤其是当他卸载App之后。所以与其在流失的时候回流,还不如尽早干预,这样效果会更好。

2、用户分群管理

首先是为什么要做分群管理。因为分群可以把具有特别属性、特定行为的用户群圈出来,也为后续的差异化运营提供基础。

第二如何创建分群。

我们根据统计的指标,比如年龄、性别、地域、使用时长(1-2小时的、3-4小时的),还有注册的状态,比如免费、试用、付费用户。还有购买历史、访问位置都是做分群的依据。

最后在哪里应用呢?首先做数据分析,比如不同用户群体的属性、行为特征分析,这个可以用报告或者数据可视化的形式分析。还有差异化的运营,可以做个性化内容、活动推送。还有就是精准拉新,知道哪些用户是高价值的,了解用户的特征后,做更有效的推广。

再看一个案例,这是一个电商APP。

现在的问题是用户推广跟用户订单成交量不成正比,ROI 转化特别低。

针对这个案例,首先建立了3个分群,第一个分群是大盘用户,即所有的活跃用户;第二个分群是成交用户,也就是付费成功的用户;第三个是高价值用户,就是付款金额大于100的用户。

分层建立之后,开始进行人群特征对比。

首先是性别,大盘用户当中,男性比例比较多,成交用户和高价值用户中女性比较多,反映出所有用户中男性用户比较多,但成交比较多的是女性。

我们再看一下,人群偏好对比,相比大盘,成交人群、高价值人群对购物和金融类都比较感兴趣,其实这是一个兴趣标签。

进一步分析,第一个可能是用户引流渠道问题,高价值用户是女性,但是引流来的大盘用户却是男性居多;

第二个是商品定位调整,因为 App 里的商品可能对男性用户吸引力不高,或不符合他们的品味。

对比了两个原因之后,如果针对引流的渠道做优化,见效的时间就比较快;如果调整整个商品定位会比较难。

所以优先选择比较快的第一种优化方式,然后看整个渠道的数据。一共五个渠道,渠道 A、D、E 的成交率都比较高,其中渠道 D 的留存率是27.51%,可以认为渠道 D 是一个优质渠道,渠道 E 也算是一个成交率较好渠道。渠道 A 的成交率很高,但新增用户量很低,这个要多考虑。

要验证渠道 A 用户是不是高价值用户群体,首先要验证 A 渠道用户是否符合上文说的两个策略,发现它的女性比例高达62.36%,而且对购物类 App 兴趣程度较高,符合高价值用户的特征。

做完分析之后,就可以执行策略验证效果,首先调整渠道投放比例,调高渠道A的投放,减少 B 和 C 的投放,然后做五周测试。

在执行完之后观察数据,发现整个新增有一定的增长,可以看到最终的转化率从7.52%提高到9%。这就是一个完整的数据分析、策略制定、行动的案例。

以上。

作者:刘立明

来源:鸟哥笔记(ID:niaoge8)

猜你喜欢

发表评论

电子邮件地址不会被公开。 必填项已用*标注