我的朋友老曹,居然用数据工具搞了这么多事

AI时代,如何更快入行抢占红利得高薪?前阿里巴巴产品专家带你15天入门AI产品经理。了解一下>

在没有数据驱动意识的情况下,产品、运营工作遇到问题没办法用数据做分析比较,做出解决方案的效率很低。而通过数据分析则能很好解决渠道、运营和产品方面的问题,提升业务、提高了获取数据的效率。

老曹刚去的这家互联网电商创业公司,在使用数据方面还处于原始时代,平时看个数据,还要数据分析师频繁地从数据库中拉取数据。由于他们是一个创业公司,没有足够的人力和精力自建大数据分析平台,所以在评估了市面上各种相关产品的接入难易度、产品体验、数据准确性、数据稳定性等方面后,老曹选择了友盟+移动统计(U-App AI版)这款产品作为公司的数据分析平台。

刚来公司的时候,老曹就给大家普及了大数据的重要性以及大数据在业务上的应用,各业务同事都对大数据及数据产品充满了期待和兴趣,一听说老曹通过友盟+移动统计(U-App AI版)建立起了公司的大数据分析平台,都跑过来一瞧究竟,看看能不能解决自己在工作中面临的问题。

负责用户增长的妹子昭君,由于最近背了用户增长的KPI,一直被压得喘不过气来,又不知道如何下手,所以跑到老曹身边,一脸期待地看着老曹。

“老曹啊,这个季度老板给我定了要实现10W的用户增长,可是我现在一点思路都没有,我可怎么办啊?”

“首先,让我们来看一下你每次投放的渠道带来的用户质量是什么样的。”

渠道活跃用户对比

“我们打开基础看板-渠道分析-渠道列表页面,拿新增用户这个指标来看,A渠道的要明显高于B、C、D三个渠道;再依次看一下各个渠道活跃用户、活跃用户启动次数、平均单次使用时长、平均日使用时长、次日留存率等数据,我们发现A渠道带来的用户质量也要明显好于B、C、D三个渠道,这说明A渠道给我们带来了高质量的用户。

而看看D渠道,用户的次日留存仅仅9%左右,单次用户使用时长更是只有60s,说明这个渠道的用户质量太差了。这个渠道是不是在做一些类似积分墙之类的这种形式啊,用户单纯是为了刷积分或者收入来下载使用我们的App……”

“接下来是智能拉新,基于友盟+的全域画像洞察高潜用户特征,智能输出人群策略、媒体策略并基于智能投放系统实时优化,实现对高价值用户的精准拉新。”

友盟+移动统计(U-App AI版)智能拉新

 “简单来讲就是你在U-App AI版圈定一波目标用户,然后可以把这些用户同步到广点通之类的投放平台,然后你可以根据推广计划针对这些人群进行定向投放,是不是很流畅,是不是很方便?”

“我之前都是在广点通拍脑袋选一个标签投放,现在感觉之前的方法简直太粗暴了,那我应该怎么用呢?”

“这个功能需要提前让研发哥哥们帮你把SDK都集成好了,同时现在接入了广点通和今日头条两家媒体,你可以直接使用。”

“老曹,你真是太厉害了,感觉这个月的KPI有希望了。”昭君在一阵惊喜中跑回了自己的工位。

老曹刚坐下喝了一口水,这时候产品经理玉环又跑过来向老曹抱怨。

“老曹,老板总是觉得我们产品的支付转化率太低了,用户进来不买东西,造成收入太低了,这样公司迟早会垮掉的,可是我又不知道是哪里的问题,应该怎样优化产品功能。”

“关系到公司生死存亡的大事,我们可不能轻视啊,既然你不知道哪里有问题,就让数据来说话。用户在我们的App上是会留下足迹的,例如用户会经过“注册->查看商品详情页->加入购物车->支付”这个页面流程,所以分析支付转化率的问题,就变成了分析这个流程中用户在各个环节转化率的情况。而U-App AI版正好提供了这个功能,可以通过基础看板中的功能使用模块下的页面访问路径来查看,让我们先看一下支付环节的用户访问路径。”

用户支付环节相关访问路径

“这个数据是用户在流程的访问路径的数据情况,用户在注册完后选择商品的10%转化率已经很高了,这主要是因为我们是刚起步,要是在大型电商公司,那么大量的商品,千分之一万分之一都是有可能的。第二步到第三步的转化率实在是太低了,用户加入购物车的比率太低了,我来看一下你的产品设计吧。”

用户访问路径优化产品体验

老曹体验了从商品详情页到加入购物车的环节。

“呃,在商品详情页我怎么没找到购物车的入口啊,”

“购物车在最下面……”玉环仿佛意识到了产品的问题。

“难怪,哪有用户会有耐心一直滑到最后啊,如果商品的描述少还好,一屏完全能够展示,可是如果商品描述太长了,要滑好多次才能找到,你应该把它悬浮并固定在屏幕底部啊。”

“我以后一定用数据驱动,有些情况是我根本想不到的。”玉环郑重说到。

“行了,你也别检讨了,知道以后怎么验证规避问题才是最重要的。”

下午,用户运营妹子大乔和小乔两个妹子一起来找老曹,抱怨现在的用户不仅难伺候,还留不住,用户留存率越来越低,问问老曹能不能提供一些解决办法。

老曹根据她们的问题,思考了片刻,作为一名数据产品经理老司机,怎么能没有解决办法呢!他不急不慢对两个运营妹子说:

“一般用户运营关注的核心问题无非是促活跃、降流失。在用户使用App的生命周期中,一般分为新手阶段、成长阶段、沉默阶段和流失阶段。我们需要时刻关注新手阶段、成长阶段和沉默阶段的高流失风险用户、高沉默风险用户,并且尝试召回流失阶段的高召回潜力用户,以达到防止流失和促进活跃的目的。”

用户生命周期流程图

“我们通过U-App AI版里的用户生命周期功能来看一下,通过数据发现,我们的用户在沉默阶段和流失阶段占的比例还是很大的,大概占了60%多,而且环比还有增加的趋势,这也和你们反映用户留存率比较低的事实相匹配。

其中,在沉默阶段,高流失风险用户为2,136人,这部分用户需要我们用运营手段促进其活跃,防止他们流失;而高召回潜力用户为1,491人,这部分用户需要我们采取一定手段给召回回来,从而进一步成为我们的活跃用户。”

用户生命周期概况

两个妹子听完直点头,“但是我怎么知道这批用户的UserID,然后怎样才能针对这些人来制定活动来把他们召回呢?”

“这就要针对用户生命周期每个阶段用户的功能,点击高召回潜力用户,就会跳入到这批用户的日级别的趋势曲线,可以看到高召回潜力用户的数量在逐渐减少,需要我们进一步采取运营活动来刺激他们。上次你们不是申请了一批优惠券嘛,可以把这批用户设置为用户分群的一个群组,然后给他们Push一些优惠券,然后再观察一下回流数据。”

高召回潜力用户数据图表

高召回潜力用户另存为人群分组

大乔小乔相互望了对方一眼,大呼:“就是这样,多谢老曹啊,我们公司百万用户的目标就靠它了。”

帮渠道、运营和产品的同学解决了问题后,老曹突然想起来他引入友盟+的最初目的是帮助数据分析师妹啊,怎么把这个忘了,于是老曹赶紧给数据分析师妹拉了一个小会,帮她们“脱离苦海”。

“我是来把大好时光还给大家的,也就是让大家脱离天天跑数的重复工作中,这样你们就可以有大把时间去约会了。”

数据分析师妹子听到这个好消息,都投来期待的目光。

“老曹,快告诉我们该怎么做啊。”大家异口同声的说。

“今天要给大家介绍的是友盟+移动统计(U-App AI版),大家可以通过自制看板功能实现对于常规需求的报表化,不用再频繁跑数、给数据,直接自动化生成报表,以后让业务同学自己看就行啦。大家可以通过新建看板,把自己要展示的指标勾选上,然后通过设置展现样式和排版,就可以轻松创建一个日常看板,是不是很方便?大家可以自己操作一下试试。”

友盟+移动统计(U-App AI版)自制看板功能

“哇,真的很方便啊,只要我有了数据表,就可以任意创建报表了,这样我的常规分析需求就都可以自动化放在上面了,好棒啊!”数据分析师秋香说。

“嗯,是的,但是友盟+自制看板这个功能还不是特别完善,其实还可以做得更强大一些。

例如,可以实现数据下钻功能,很多业务指标也只是了解到表面的一些核心数据,缺少对数据更深层次的掌握,不能指导用户发现到底是哪些维度、哪些因素影响了业务的发展,没有实现对数据的深度进一步探索。

例如,在做订单数据报表时,突然有一天发现订单量明显低于同期,灵活的自由下钻功能可以帮我们一键洞察深层数据,提高分析效率,更快、更方便地找出造成订单量下跌的‘罪魁祸首’。

利用数据下钻功能,在报表中只需框选数据异常的点,选择‘下钻’便可分析出到底哪些地区的订单量低 。”老曹喝了一口水接着说。

多维度数据下钻功能

“在下钻维度弹窗中选择地区,可以在地区维度查看这天的订单数据情况。

如下图所示,广州在这一天的支付订单量明显低于其他城市,支付订单量日环比也大幅下降,进而找到了问题的根源所在,接下来就可以针对这一问题采取一些业务上的操作,尽快让广州的支付订单量提升。”

对订单数据异常点通过城市维度下钻后的结果

“嗯,是啊,这个会把分析数据问题的权利更多的交给业务同学,不仅方便了他们,也省去了我们的时间。”数据分析师秋香说。

所以啊,我这朋友老曹,确实还是很厉害的!在没有任何数据驱动意识的情况下,变成了全公司同事都会通过U-App AI版来分析使用数据。无论是在渠道、产品,还是运营场景,都给公司业务带来了极大的提升,更是提高了公司获取数据的效率。

说明:文章中的部分数据为脱敏数据或DEMO数据,不具备真实运营参考价值。

相关阅读

万元悬赏数据高手|2019「友盟杯」数据分析大赛报名启动!

你的坚持值得被肯定|2019「友盟杯」数据分析大赛结果公布

一款家居后APP,如何用增长黑客方法实现从0到40万增长?

产品高于需求:低频产品也可以有高用户活跃度

渠道评估怎么做,才能让App假量灰产无处遁形?

针对直播产品的成熟期,重构用户运营体系方案

拆解主要数据,分析社交类产品的数据运营方法

如何利用数据驱动,从0.5到1搭建App积分体系?

场景分析:游戏关卡难度对玩家流失的影响

以抖音和陆金服为例,解构数据分析三个核心原理

用AB实验分析个人中心的首页改版

 

作者:梁旭鹏,人人都是产品经理专栏作家,《数据产品经理修炼手册》作者

本文为「人人都是产品经理」社区和友盟+联合举办的“2019「友盟杯」数据分析大赛”中获奖作品,未经作者及平台许可,禁止转载

本文部分数据有脱敏处理,非全部真实数据

题图来自Unsplash,基于CC0协议

评论
欢迎留言讨论~!