如何通过数据驱动业务发展

4 评论 37511 浏览 302 收藏 30 分钟

本文根据刘立明在起点学院线下沙龙分享的课程整理而成,加入起点学院在线社员(或复制报名链接:http://t.cn/R53OsvD 到浏览器中详细了解),即可观看本课程视频回放及尊享300门视频课程学习特权。

题图:刘立明,腾讯大数据高级产品经理

本文大纲如下:

  • 关于数据化管理
  • 从0到1搭建数据运营体系
  • 数据深度分析
  • 用户管理策略

以下为刘立明演讲实录,由人人都是产品经理@池吉明 依据嘉宾分享内容整理,编辑有修改:

一、数据化管理的三点误区

最近几年,随着移动互联网的快速发展,大数据的概念也越来越火,很多公司都在提数据化管理。那么,我们今天就聊一下数据化管理这个话题。

先来看下数据化管理的误区:

1、数据多,就一定能推驱动业务发展吗?

数据多并不意味着能驱动业务发展,因为存在很多因素导致数据并不能很好地应用于业务中。

(1)因素一:数据质量问题

一方面,很多公司在采集数据时,会采集到很多脏数据,比如模拟器刷量、羊毛党刷量。如果未做反作弊识别,很难将这部分数据过滤掉;另外一方面,在采集数据时,没有做到标准化、规范化上报。那么在做数据挖掘分析时,就很难得到有效信息。而数据的准确性和稳定性是数据科学管理的基础,如果无法满足这两点,在业务决策上就会存在很多问题。

(2)因素二:数据跟业务关联性不大

数据只有跟业务有足够强的关联性,才有价值。我们本身有很多指标,大概超过70多个。但是在日常分析时,我们经常用到的也就那么几个,其他的或者访问非常少,或者会随着时间推移,慢慢被弃用。

(3)因素三:采集数据很容易,用起来难

腾讯做了很多年数据分析,积累了很多经验,有一整套自己的分析系统,在数据应用方面自然没问题。但是很多传统企业,像运营商移动、联通、电信,以及保险公司、银行对在这块的困惑就特别多。他们有很多数据,但不知道该怎么用。像这样盲目地采集数据,其实根本没有多大意义。

2、有了数据分析团队,就一定能找出问题来吗?

不一定,因为分析师往往对业务不了解,只能给出机械的分析结果,并不能有效地指导业务发展。

举个例子,我们之前在业务运营中引入了分析师团队,希望可以提供更多思路和指导方向来帮助业务发展。但分析了一段时间后,我们发现效果并不是很好,原因在于分析师一般会基于报表维度的数据给出分析结果。比如数据突然出现波动,分析师可能会认为是节假日导致的,但其实他可能不清楚我们在整个业务运营中做了什么样的活动。所以,这块数据分析和业务是割裂的。

为了解决这个问题,我们做了一个新的尝试,将数据分析团队跟业务团队放到一起,并成立联合项目组去做试点。后来结果证明效果不错,因为分析师在设计每一个指标的时候都会去跟一线运营同学沟通:

  • 真正的用户行为是什么样的?
  • 在哪些时段,在哪些场景下会触发这些数据?

如此一来就能做到有的放矢。

3、分析报表能不能出一个最优的解决方案?

相信大家每周或者是每天都在给这样的分析报表,但是我们的分析结果真的是一个有针对性的业务的最优解决方案吗?结果往往是否定的。这里边也存在几个问题:

(1)问题一: 分析维度单一,不足以支撑结论

分析维度有很多,比如说版本、渠道、地域,以及设备属性和特定行为特征等。目前来看,所有的APP分析,基本上就是从版本和渠道这两个维度去分析的;还有自定义事件,如果只是基于事件ID去分析,它没有足够的参数去做限定,那么也很难去支撑并决策分析结果。

(2)问题二:数据质量干扰分析结果

分析结果能否有效地反映业务发展情况,并给出有效优化策略的关键因素之一便是数据质量。如果数据质量不过关,那么基于数据给出的分析结果也会大打折扣。我们接触的很多app,都或多或少有过被刷量的情况。这种数据不仅给公司造成财务上的浪费,同时也会影响正常数据,造成数据分析的困难。

二、数据化管理的思路

在认识了这些误区之后,如何科学地进行数据化管理?

科学的数据化管理不仅要有完备的数据分析,更重要的是基于数据分析结果的行动。所以,下面我们将从数据采集、数据分析、行动策略以及快速执行四方面讲一下数据化管理思路。

1、数据采集

目前我们采集的维度包括基础数据统计、用户属性、用户来源、用户行为和模型数据。

(1)基础数据

基础数据就是我们日常在看的一些数据,包括新增、活跃、启动次数和留存等。

(2)用户属性

基于腾讯移动分析覆盖的众多app以及腾讯大数据的优势,提炼不同人群的不同标签。

用户属性包含基础的自然人属性,比如性别、年龄、职业、学历和兴趣爱好等;另外也有做设备属性分析,比如用户使用的机型、品牌、以及联网方式等。

(3)用户来源

这也是非常重要的一个指标,可以帮助分析用户来自哪里。这里的维度可以有很多,比如渠道是一个维度,版本也是一个维度,另外地域和机型都可以算作不同的维度。

(4)用户来源

用户来源可以帮助分析产品对于用户的粘性,并且帮助优化产品路径。这块涉及的数据会比较多,比如用户使用时长,使用频率和页面访问路径等。关于行为这块重点强调一下,要求上报的数据必须是标准的、规范的,这样有助于后期做分析。否则,最后采集的数据只是脏数据,对于后期分析没有任何意义。

(5)模型数据

模型数据是建立在基础数据分析上的高级模型,可以针对用户做更高级的分析。我们会针对用户生命周期里的每个阶段去做模型分析,比如拉新模型、拉活模型和流失模型。

2、数据分析

数据本身没有价值,分析才有价值。

在做分析时,主要包括以下几方面内容:

  • 多维交叉分析
  • 用户分群分析
  • 产品质量分析

在做数据分析时,多维交叉分析是一个很好的分析手段。当我们看数据的整体趋势时,能发现业务发展是否有问题或者机会,但是不能够发现问题到底出在哪里,或者说机会在哪里。那我们会主张进行多维下钻分析,比如渠道、版本、国家、设备属性和自然属性,这些都可以作为维度去做交叉分析,最终定位问题出在哪里。

用户人群分析可以帮助分析不同人群的属性特征以及行为特征。针对不同的人群特征,制定差异化运营策略,将运营效果最大化。

产品质量分析自然是用于衡量产品质量的数据指标,包括app的crash情况、耗电量、网速等数据。

3、行动策略

根据数据分析的结果,发现问题或者机会之后,我们要先制定一些行动策略。这一步即是打通数据分析和行动断层的关键一步。拿生命周期管理常用的策略举例来说,包括拉新策略、提活策略、流失召回等。

4、快速执行

策略制定好之后,接下来就是快速执行了。行动是验证数据分析结果和策略有效性的最后一步。跑得越快,成功的可能性越高,所以优良的执行力非常重要。在腾讯奉行的也是小步快跑,快速迭代,出错没问题,要保证速度。

二、如何从0到1搭建数据运营体系

前面讲到了数据化管理的误区和思路,那么接下来我们就讲一下,如何从0到1搭建一套数据运营体系?

第一阶段:指标规划

我接触过很多开发者,都有数据分析的需求,但是要采集和统计哪些数据,刚开始并不是特别清晰,那这块的规划就非常有必要的。尤其是在数据建设初期,一定要将指标的定义明确,不然很容易在后期数据分析阶段出现扯皮问题。

另外则是维度设置,除了版本、渠道之外,还可以加上自定义的属性,比如:地域、机型、网络类型等,这些维度设计的越多,越有助于后续数据的精细化分析。就拿新增来说,可能看到新增有一个过快的下跌,如果只设计版本和渠道两个维度的话,那么只能从这两个维度分析;如果想做更深的下钻分析,就无法再继续定位了。

最后一个关键因素:更新周期。数据是实时更新的、 每天更新、还是每周更新,都需要提前规划好。因为数据计算会耗费大量的资源,好钢用在刀刃上,把资源用在最有价值的地方。

第二阶段:数据采集

指标规划好之后,接下来要做的就是数据采集。数据采集包含三个方面的工作,字段分类、数据埋点和数据上报。字段分类很重要,越精细越有助于后续的数据分析。数据埋点,顾名思义,在自己想采集的数据部分,通过打点的方式统计业务发生数据。

第三阶段:报表呈现

在数据采集上来之后,我们就需要考虑将数据以报表的形式呈现出来,以帮助分析业务的变化情况。

当我们做完了以上几步之后,如果最终验证这套体系是可行的,那么就可以考虑进行整个的数据产品化以及功能迭代。

(1)建设方式

接下来,我们聊一下数据分析系统的建设方式。

目前的建设方式无非有两种,一个是自建,另外则是使用第三方服务。

自建有什么好处?埋点灵活便捷,可以根据你的需求去埋点,并且也可以跟业务数据打通。因为只有这样,才能将数据分析真正应用到业务上。但是,我相信如果是一些目前在起步阶段的APP,它是没有能力去做这个事情。

自建的弊端在于需要投入巨大的成本。首先是人力成本,然后服务器资源维护起来也比较昂贵,另外不能与外部运营工具打通。就拿拉新来说,需要对用户有一个非常清晰的认识,需要知道用户群体有哪些属性特征和行为特征。如果根据自己统计的标签去广告平台投放广告,往往匹配起来是不够精准的。因为很有可能双方标签体系并不一致。

(2)迭代优化

在整个建设阶段,不必一蹴而就,可以按照app发展的不同阶段按需建设,逐步迭代。

我们先看一下APP发展生命周期的四个阶段:初创期、生长期、成熟期和衰退期。每个阶段需要关注的数据指标是不一样的,所以我们可以分阶段来建设:

① 初创期关注哪些指标?

  • 一是增长速度,要看数据增长是不是一个线性,将来有没有潜力?那么前期做一些新增,活跃,启动次数,留存这些基本上就够了;
  • 二是用户来源,需要知道哪些渠道推广效果更好,以方便优化拉新推广效果。

②成长期不仅要关注用户增长速度,还需要去关注一下用户行为数据

到了成长期不仅要关注用户增长速度,还需要去关注一下用户行为数据,因为我需要去识别用户的质量。就拿推广这个事来说,不仅要看数据整体的增长情况,而且要看核心用户有没有增长,那我们就需要从用户行为维度去识别,哪些是我们的核心用户。那就需要去建设像使用频率、使用时长、页面访问路径以及消费行为这些维度的数据。

③ 成熟期对数据的需求增加,需要深度挖掘用户价值

到了成熟期后,对数据的需求会越来越深入,需要深度挖掘用户的价值。那么这个阶段就需要考虑做一些数据模型。

比如活跃模型,活跃用户虽然是一个整体,但是活跃用户的质量是不一样的。比如活跃超过100天的,超过300天的甚至超过两年的,对于不同的用户群体,需要做个性化的运营策略。

另外一个模型就是流失模型。当用户到了一定规模之后,很难避免流失情况,到了成熟期有些用户的活跃度会慢慢的下降最终流失。这时就需要对用户做一些干扰手段,通过消息推送、有效的激励、短信这几种形式。

还有就是画像洞察,到了成熟期,相信各个数据都会考虑做变现的行为,变现首先要知道用户是什么样子的,那么画像洞察的建设就可以提上日程。

③ 衰退期用户流失严重

到了衰退期,基本上APP已经开始出现用户大面积流失的情况,想要将用户拉回来是非常困难的,所以需要去关注兴趣转移,寻找新的业务增长点就好了。

(3)MTA指标体系

这是MTA的指标体系,分成了基础指标、用户属性、用户来源、用户行为、模型数据。新增、活跃、流失这些,前文已经提过,这里就不再说了,重点提一下质量监控,质量监控主要是统计用户使用app的crash情况,还有网速监控情况、接口调用情况。

三、数据深度分析

“做了一套数据分析系统之后,难点在于数据分析;搭一套东西很容易,但真的要用起来却很难。”

接下来,我们就讲一下数据深度分析部分。

1、多维度下钻分析

多维度下钻分析的好处就在于,可以去从整个趋势里发现问题,最终通过更细粒度的分析去定位到问题所在,再制定相应的执行策略。分析的维度其实很多,例如:渠道、版本、地域、页面、标签、用户群这些都可以作维度去分析我们的用户。

2、漏斗转化分析

接下来我们看一下日常经常用到的漏斗模型。

漏斗模型是一个很重要的手段,漏斗不仅可以帮助分析关键路径从第一步到最终的转换结果,还可以帮助分析每一步之间的转化率。漏斗的每一步转化中基本上都会存在流失,所以没有百分百的漏斗。

那漏斗如何去使用呢?单一的漏斗分析是没有意义的。只有通过趋势观察、维度对比和维度细分才能体现漏斗分析的意义。

接下来我们举例说明。

使用腾讯移动分析大概分为三个步骤,注册-测试-上线

第一步是从注册到测试的一个转化,第二步是从测试到上线的一个转化,第三步是从测试到上线的转化。分析数据发现五六月份的转化都是OK的,但是看七月份的数据,从注册到测试,转化率只有21.7%,但是从测试到上线是22.6%,这个没有什么变化,整体的转化率是4.9%。与5月、6月相比,数据有所下降。

产生这个问题的原因是什么?我们拿这个漏斗相关的数据做一下分析。第一个数据是新增,第二个是我们的测试,第三个是最终上线的应用数。我们发现7月份的新增只有一个很大的增幅,但是它并没有给我们带来一个好的测试的一个数据,测试的应用只有1300个,没有明显增长,我们最终上线的也只有294个。说明新增有增长,但是这部分用户转化率并不是很高。整体来看,应该是新增暴涨的原因,那么我们又针对渠道这个维度做了一轮下钻分析,发现来自官网的新增特别多。在分析相关的推广活动时,发现这个月做了有奖问答活动,导致很多用户来注册账号并创建了应用,而这些用户都是奔着奖品而来,并非我们的用户,因此转化非常差。最终定位到数据转化降低的原因。

数据分析是制定用户管理策略的基础,那么讲完分析后,我们来聊一下策略相关的内容。

四、用户管理策略

1、用户生命周期管理

用户生命周期管理可分为六个阶段:

  1. 潜在用户阶段
  2. 新手阶段
  3. 有效活跃阶段
  4. 活跃下降阶段
  5. 即将流失阶段
  6. 流失阶段

在不同的用户生命周期,我们需要进行差异化运营策略,才能将用户价值最大化。比如,潜在用户阶段,需结合用户特征制定拉新策略;新手阶段,需要给用户提供实时的用户关怀,制定合适的新手任务系统;有效活跃阶段,提供别致的产品探索引导和正向激励;活跃下降阶段进行防流失干预;即将流失阶段进行流失预警;流失阶段发起流失关怀。接下来,我们结合案例进行说明。

(1)精准拉新

潜在用户阶段,在做拉新时,根据历史数据梳理相关字段,以历史玩家为样本数据制定对应的拉新模型。通过对比实验组与大盘的推广效果,对拉新效果进行评估。

其实在经过这样的分析之后,拉新效果会有一个比较好的提升,最终实验组相比于随机组,有百分之30%到60%的一个提高。其实这个模型在开始阶段,效果不是很明显,也是需要经过不断训练才能达到这样一个效果,所以数据分析是需要一步一步迭代升级的,而不是能一蹴而就达到一个好的效果。

(2)新手关怀

合适的新手关怀手段可以让用户更好的留下来。比如可以根据用户的兴趣偏好设定个性化的新手任务体系,个性化的关卡奖励;比如根据用户性别,赠送不同的礼物,设计不同的任务难度等。

(3)活跃成长

好的内容推荐以及成长体系都可以提高用户的活跃度,可以通过对用户画像进行刻画,推荐合适的内容。比如在游戏中,加入社交属性可以提高用户的活跃度。那么就可以根据用户属性和行为特征推荐合适的战队信息,一旦用户加入战队,活跃度便可得到有效提升。

(4)防流失预警

通过一些行为数据可以判断出用户有没有流失风险。比如活跃度的下降,使用时间间隔的增长,都是典型特征。那么,在圈定这部分用户之后,就可以使用一些运营工具进行流失用户召回。比如以消息推送,短信或者广告平台等手段触达用户,如果活跃度下降就给它送更多的道具,或者推出更多好玩的玩法,以防止用户流失。

(5)流失回流

根据经验来看,用户一旦流失就很难回来。所以把精力花费在流失挽回上,不如去分析下用户的兴趣转移,寻找新的业务增长点。

2、用户分群管理

用户群分析是个非常好的手段,通过用户群分析,除了可以帮助进行人群分析和问题定位,有时候会发现用户自己都不清楚的需求。

那我们应该如何创建分群呢?一是根据用户属性,二是根据用户行为特征。比如ppt中列的年龄、性别啊,或者未付费用户、多次付费用户等。

有了不同的人群,我们可以做些什么呢?除了分析不同人群的特征,还可以针对不同用户做一些差异化的运营方案以及精准拉新等。

接下来我们看一个案例。

这是一个电商类的APP,在用我们的服务,用户增长还不错,但是成交量一直萎靡,就过来问,应该怎么去用数据驱动业务发展?

那我们就以这个为案例做了一轮分析。首先我们通过建立分群分析成交用户和高价值用户的特征;然后与大盘用户进行对比,发现整个大盘中男性比较多,然而成交用户与高价值人群中女性比例较高,那说明女性成交的可能更高。

另外,我们针对这三个用户群做了一下人群偏好对比。相比于大盘用户,成交用户和高价值用户对购物与金融类会更感兴趣,这是我们得到的一个分析结论。

然后再回到它的问题,成交量不符合预期。第一可能是渠道用户的质量问题,第二可能是在商品定位上有问题。整个大盘中男性用户较多,那是不是男性的商品推荐做的不够,或者男性的商品品类比较少,这些都有可能。

相比于两个原因,第一个的验证周期会更短一些,那我们就先拿第一个去做一个分析。如上图,这是我们拿到的几个渠道,可以看到D和E是流量的主要来源,而且D的周留存也不错。但是从成交来看,A的数据也不错,所以可能A也是一个优质渠道。

这是我们的一个分析结果。那接下来需要验证一下,A渠道是否符合成交人群和高价值人群的特征。从数据来看,A渠道的女性比例是62%,对购物的兴趣也高于大盘,这个符合我们的成交用户跟高价值用户群体特征。

根据这个分析结果,我们建议开发者进行了投放渠道的策略调整,增加A的投放比例,降低B跟C的投放。策略实施一周之后,对数据做了一下追踪。这个图是一个整体的转化,前面的图是优化之前的,后边的图是优化之后的,整个的转化率提高了百分之十几。这就是整个分析过程,希望能对大家有所启发。

以上就是我的分享,大家如果有其他问题,可随时与我沟通。

 

作者:刘立明,腾讯大数据高级产品经理,主要负责腾讯内部数据指标体系构建,以及腾讯移动分析(MTA)产品运营。从事了数据产品运营4年,曾任友盟高级产品运营,在产品运营和数据分析方面有深厚经验。

本文系人人都是产品经理团队@池吉明  整理编辑发布,未经许可,不得转载。

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 干货;
    重点应该有两点;其一,熟练的业务理解和数据融合能力;其二,一套规范标准合理的数据采集规范。

    来自广东 回复
  2. 1\要有深厚的业务基础,或强大行业业务理解,梳理能力,不然面对数据分析架构,工具还是无感,没有针对性的内容输出

    来自四川 回复
  3. 可以的

    来自四川 回复
  4. 这个不错。

    来自江苏 回复