用户行为分析-如何用数据驱动增长

用户行为分析-如何用数据驱动增长

2022-11-22
看完书才知道是 GrowingIO 公司出的一本书，干货还是挺多的。

第一章从商业进化的角度认识用户行为数据的重要性，帮助大家了解什么是用户行为数据，以及用户行为数据怎么发挥价值。接着四章详细描述“数据驱动增长金字塔”：数据规划，数据采集，数据分析，数据应用。最后一章，分享了不同类型公司用户行为数据驱动增长的实战案例，看完很有启发。

商业进化：一切向用户靠拢

• 旧品牌：原料-制造-销售（分工）
• 平台品牌：掌控用户数据（平台化）
• 新品牌：直连用户（DirectToConsumer）

什么是用户行为数据

• 用户属性数据，用户行为数据，用户交易数据
• 用户行为数据 "5+1"要素：谁（who），何时（when），在哪里（where），做什么（what），怎么做（how），做了多少（how much）

用户行为数据一个趋势和两个价值

• 趋势：在数字孪生世界下，用户行为数据的迁移
• 价值一：理解用户需求，指导业务升级（描述用户，理解需求，设计业务，重建关系）
• 价值二：预测用户行为，引导业务创新（预测未来，精准营销，评估用户价值）

数据规划

基于用户行为数据，规划指标体系。指标规划体系的三大思路：

• OSM模型：O（object）目标，我们的业务、产品，甚至产品中的小功能存在的目的是什么？S（Strategy）策略，为了达成目标我们要采取什么策略？M（Measure）度量，用于衡量我们的策略是否有效，反应目标的达成情况。

选定目标：切实可行，易于理解，可干预可管理，正向有益。

GMV（成交总额）= 流量 X 转化率 X 客单价

• UJM模型：User Journey Map 用户旅程地图
• 场景化：场景化的作用是推动指标体系快速落地。指标要根据实际情况进行分级，可以帮助更好的进行数据分析。

数据看板

数据看板应用场景：监控，分析和协作。数据看板分类：战略看板、分析看板、实时看板。数据看板特征：聚焦于一个商业目标；数据看板的屏幕必须呈现全貌。数据看板三原则：一屏包含所有需要的信息；具备一定的时效性；定制化。数据看板四要素：可视化、能讲故事、能迅速发现问题、能分析与行动。数据面板搭建的四个步骤：明确需求，需求分析，可视化，评估效果。要避免数据割裂，太多，太慢，布局错误，可视化方式错误，数据衡量方式有误。

数据采集

• 数据采集常见问题：前期业务沟通不明确；采集时机和口径对不齐；采集点没有统一管理；版本迭代更新无法发现数据变化。
• 数据采集方法：埋点和无埋点。埋点：写代码监测指定的行为。适用于“监听与分析式”数据场景。无埋点：不是无代码，是很多用户行为数据会自动采集，例如页面访问，跳转等。适用于“探索式”数据场景。
• 埋点方案四要素：确认事件与变量；明确事件触发的时机；规范命名；明确优先级。埋点团队：业务方，数据规划师，技术团队。协作流程：需求提交，需求评审，埋点方案执行，数据校验，数据使用。
• 数据指标管理：命名，字典（描述），分类，清理。
• 实现客户数据平台的四大原则：客户视角，数据统一，系统开放，业务导向。

数据分析

十大分析模型

• 事件分析：分析特定事件对公司价值的影响。用户，时间，对象，操作。
• 漏斗分析：流程式数据分析模型。通过将用户行为的各个节点作为分析模型节点，来衡量每个节点的转化效果，一般通过横向柱状图呈现。
• 热图分析：基于鼠标点击位置，鼠标移动轨迹，内容点击的热图。留存分析：留存用户，留存行为，留存率。留存魔法师，找到访问产品初期用户的行为和行为的次数，促进用户使用这些功能，提高留存率。明确衡量目标，找到新用户留存较高行为，分别计算用户行为和次周留存率的关系。
• 事件流分析：了解用户在产品内流转的最佳方法，通过桑基图呈现。
• 用户分群分析：归类分析，定位流失原因，精准运营。
• 用户细查：了解这个群体内用户在产品中的轨迹，清晰展现交互过程。
• 分布分析：了解不同区间事件的发生频次，不同事件计算变量加和，以及同页面浏览时长等区间的用户数量分布。
• 归因分析：将销售功劳按照一种或一组销售规则，按劳分配给转化路径中不同接触点的数据分析模型。找到最有价值，最具潜力接触点。首次归因，最终归因，线性归因，位置归因。

渠道分析

• 渠道-承接 投放-售前种草-销售转化
• 高客单：建立社群，高质量活动，提高活跃度。
• 低客单：前置体验权益，优惠券，首单免费。
• 漏斗分析：通过广告转化漏斗，我们可以得到各个渠道投放的流量与落地页的交互关系，从用户量、用户质量和用户行为判断渠道产出。
• 波士顿矩阵：判断渠道投放效果的基本因素有两个：流量质量和流量规模。
• A/B测试
• 打造黄金落地页六要素：价值主张，转化动力等于收益感知减去成本感知。相关性，如何传达产品价值与用户需求关联程度。清晰度，产品的价值传达清晰吗？紧迫，展现时效性，稀缺性，能够立即行动。分散，保持用户关注，减少分散用户注意力的元素。焦虑程度，如何减少用户焦虑与顾虑？

运营分析

• 被低估的搜索框。提升消费行为的转化率；提高用户体验，产生Aha时刻；精细化运营流量入口。
• 活动迭代分析。

产品健康度分析

• 用户体验的体检；构建项目体检项目清单；部署产品体检指标；产品健康报告解读。
• 异常对比：行业对比，时间对比，功能间对比。
• 使用矩阵分析：用户使用频率和使用人数分别为纵坐标和横坐标。
• 功能留存矩阵：功能使用率和次日留存率。

数据应用

A/B测试

• A/B测试策略制定（策略提出，打分，确定）。ICE模型：Important Confidence Effort。
• 测试目标（评估指标）选定。OSM模型（目标，策略，指标）。预估样本量和试验周期。
• 科学分流
• A/A测试，用来对比A/B测试，增加A/B实验的可信度。
• 策略投放
• 数据监控
• 策略结果分析和执行

产品迭代

• 3个阶段，8个步骤
• 产品上线前：产品需求数据分析与评估，产品定义，交互和视觉设计，技术评审，研发
• 产品上线中：测试，上线
• 上线后：跟踪数据及总结
• 量化和评估产品迭代效果的终极目的，是不断提升产品的用户体验，促进用户增长。
• HEART模型：Happiness 用户满意度；Engagement 活跃度和参与度，使用频次，粘度深度。Adoption 各个版本和功能的情况。Retention 产品的留存。TaskSuccess 衡量关键任务的完成情况。
• PLUSE模型：PageView 页面浏览量；Uptime 响应时间；Latency 延迟；Seven days active user 7天活跃用户数；Earning 收益。

精细化运营

规范化-精细化-个性化

• 规范化就是把原来非标准化的产品做成标准化，是产品能服务更大规模的用户。
• 精细化运营意味着为不同的用户群提供更细致的标准化产品。
• 个性化是在细分用户群的基础上，洞察个体间的差异，并提供有针对性的标准产品。
• 精细化运营中的三种运营对象：人，产品或服务，时间节点。
• 规划用户全生命周期分为两个阶段：明确用户全生命周期；描绘用户状态。
• 标签规划流程：需求评估，设计标签，技术评审，开发上线。
• 用户分层就是“在特定维度或指标下按照特定规则标准，划分处不同的行为特征的用户类型。”
• 用户分层模型:RFM 模型（Recency 最近一次消费时间间隔天数；Frequency 一段时间内的消费频次；Monetary 一段时间内消费金额。）；基于传统用户生命周期分层；AARRR 模型（Acquisition 用户获取，Activation 用户激活，Retention 用户留存；Revenue 用户变现，Refer 用户推荐）；其他模型。
• 用户分层一定要围绕用户运营的目的进行，不能为了制造用户分层的标签，刻意制定无用的分层规则。

机器学习

数据挖掘的目的是从海量的数据中挖掘出有用的信息，核心是找到变量之间的关系，找到隐藏模式。机器学习的目的是设计算法模型让其能够自动从经验中学习新知识。

• 数据挖掘流程：数据分析，数据预处理，特征工程，构建模型，模型验证与部署。
• 机器学习步骤：收集数据，数据准备，选择模型，训练模型，评估模型，参数调整，模型上线，模型监控，模型调优。
• 常见的推荐场景：个性化推荐，热门推荐，相关推荐。
• 数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。
• 推荐算法调优两个方向：基于商品标签的推荐；基于客户标签的推荐。

用户行为数据驱动增长实践

书中分享了欧冶云商，好好住，中原地产，酷开网络四家增长企业的案例。看完欧冶云商的分享，对我有些启发就记录分享下文中的内容。

• 欧冶云商，是钢铁行业的 B2B 产业互联网平台。
• 数据驱动 = 度量（指标） + 增长机制（方法）
• B2B 增长很难做的原因：精细化程度不同，信息化阶段不同，增长机制不同，商业定位不同。
• C端有一个非常大的发展背景，导致C端正从流量为主的时代想精细化运营时代转变。而B端目前还处于一个从线下交易到线上过渡的阶段。
• C端整个行业已经从IT（信息时代）过渡到DT（数据技术）时代，而B端的信息化程度远远没有达到这个阶段的要求。
• 目前C端有很多的增长手段，比如：分销，微信裂变，拼团等。在B2B 行业这些方法基本没用，因为消费端的互联网模式很难适用于生产端的电子商务。
• 以消费端轻的思维方式很难构建生产端重的模式。
• 增长要做的核心，是去做一个连接，连接的是产品的核心价值。在已有的核心价值的基础上，增长可以让核心价值连接到更多的人。
• 我们需要思考：我们的目标用户是谁？他当前的需求是否被满足？
• 做B2B增长，应找好产品；尊重其所处的阶段，切不可舍本逐末。

这本书也是一年前开看，今年才彻底看完，我没有实践经验，当初买这本书也是要了解相关的知识。给我的启发是：在实践中，不能不经过思考的随便选择一种网络上或者书上的数据分析方法使用到项目中，表面上紧跟时代，其实有可能完全不适合项目当下的状态。做了一堆数据分析，结果没有得到想要的增长效果。