优秀产品人必懂的数据驱动增长模型

5 评论 1.7万 浏览 110 收藏 17 分钟

在实际的业务中,产品人很少有机会经历完整的数据体系搭建过程,本文将系统的介绍如何搭建一个完成的数据驱动模型。

在实际的业务中,大多数人可能只会遇到以下一种或几种常见的场景,并且对于各个细分场景,所需要解决的问题和关注重点都是不一样的。

场景一:你刚加入一个成熟产品的用户增长部门,会发现业务当前有非常全面详实的用户和业务数据,但由于个人缺少数据分析的经验,面对一堆数据,除了能简要了解到产品基本情况,不知如何从数据中挖掘出更有价值的信息。

  • 待解决问题:面对大量数据,不知如何入手分析。
  • 所需的能力:各种可以从数据分析中找到增长线索的方法论。

场景二:你熟练掌握了基本的数据分析技能,能够基于现有数据找到增长线索,你想针对某些关键指标的异常情况进行分析,但不知道哪些数据相关性高,如何将多维度的数据关联分析。

  • 待解决问题:有明确的问题需求,但不知如何有效拆解数据问题。
  • 所需的能力:基于目标行为的拆解用户路径的方法。

场景三:拆解完用户路径后,发现目标的转化路径中有部分数据缺失,无法有效支撑你的分析。

  • 待解决问题:如何快捷有效的收集缺失的数据。
  • 所需的能力:制定数据采集方案。

场景四:需要的数据采集到位后,发现数据统计混乱,每次查询和分析数据的效率成本都很高。

  • 待解决问题:数据如何高效可视化呈现,降低查询使用的成本。
  • 所需的能力:创建数据仪表盘。

诊断上述的工作场景,大多数增长人的工作顺序可能是:数据分析→用户路径拆解→收集数据→搭建仪表盘。

基于数据驱动用户增长可以分为以下五个步骤:

对大多数增长从业者来讲,最重要的是先掌握一套数据分析方法,从现有数据中快速找到增长线索,取得一些增长业绩,再反过来检查数据埋点、统计等地方有没有问题。当掌握了数据分析方法,但所在的公司or负责的业务没有基础数据也无从下手,才需要思考如何拆解用户路径、数据采集。而数据仪表盘,则是为了提高查询效率,支持数据分析工作快速、准确开展。

一、分析数据:多维度数据分析

从数据分析中寻找增长机会,可分为“宏观”和“微观”两个角度。

  • 宏观:在基础数据中,找到较大的增长机会。
  • 微观:对比精细化的用户数据进行分析,挖掘相对隐蔽的增长线索。

无论所在的公司是否有用户的精细化数据,都可以通过从整体的角度进行数据分析,找到增长乏力点。然后再考虑要不要分析更精细的数据。

案例:某内容类APP产品

本节将会围绕北极星指标和全链漏增长模型,通过一个案例(数据虚拟)展开关于宏观数据分析的分享。

  • 北极星指标:指导增长工作方向最重要的指标,也可以理为业务现阶段的唯一重要的指标。制定北极星指标时,需要在服务于业务的长期健康增长下,同时考虑商业目标和用户价值。
  • 全链漏斗增长模型:是把影响北极星指标的主要细分指标梳理梳理出来,并标注转化率。通过模型,可以将北极星指标细化拆解,从中找到增长的机会点。

案例场景:刚刚入职一家内容类APP,负责用户增长,公司没有完善的后台数据系统,无法通过详细的用户行为埋点数据,如何找到一些增长的线索。公司现有后台可提高的数据指标:下载量、注册量、登录量、平均阅读时长、基本用户信息。

第一步:构建全链漏斗增长模型

从转化漏斗可发现:

  • 拉新转化率较高:新用户下载到注册的转化率为70%,新用户下载转化率不错。
  • 老用户活跃度低:当月活跃老用户占总注册用户数的10%,老用户活跃较低。活跃用户主要靠新用户补充。
  • 用户感知的产品价值较低:当月人均阅读时长较低,远低于行业均值。

第二步:分析历史趋势,观察趋势、异常点、拐点

从历史数据中发现:

  • 拐点:2019年11月,下载到注册完成的转化率从71%开始大幅度下降,发送了什么?
  • 趋势:2019年10月,人均阅读时长提高了一倍。因为那个时间段增加了内容社区版块。

第三步:按获客渠道分解

在了解了现状和历史数据情况后,可通过获客渠道对数据进行维度分解。

  • 公众号的新用户下载转化率一直维持在63%-71%左右。
  • 2019年11月份开始抖音广告,转化率仅有10%-15%,因此导致了总体转化率下降。

第四步:了解用户的基本属性特征,根据APP收集的用户信息,画出分布饼图

通过年龄、性别、城市、职业等发现:

  • 18-25,25-30的用户占比最大。
  • 职业:白领和大学生为主。

第五步:了解用户的基本活跃度

发现:

  • 超过80%的活跃用户每月登录少于4次;
  • 但每月登录4次以上的用户,有接近80%的用户为18-25岁的大学生用户群体。

总结:

  • 新用户下载到活跃的转化率尚可。
  • 老用户活跃度低。
  • 人均阅读时长低于行业均值。
  • 公众号转化率远高于抖音广告。
  • 18-25岁的大学生用户群活跃度较高。

通过增长线索的制定应用策略的两个方向

在通过数据分析得到增长线索后,可以通过取长补短的方式来制定增长策略。

  • 取长:强化增长,在已经显出成功信号的方向上,继续加强。
  • 补短:修补漏洞,找到整个业务漏斗中流失问题最严重的环节,通过策略降低流失。

继续针对上述案例,进行分析,假设发现:

(1)公众号来源的新用户质量高

对应策略:取长。增加公众号的内容数量,提升公众号的内容质量。

(2)大学生用户活跃度高

对应策略:取长。进一步分析大学生的获客渠道来源,通过用户问卷了解大学生感兴趣的内容和功能,加强对应的产品体验。

(3)来自抖音广告的新用户转化率低

对应策略:补短。找到漏斗转化率低的原因,测试提升转化率。

(4)老用户活跃度和留存率低

对应策略:补短。进一步分析活跃和留存曲线,找到用户流失最大的问题。

二、理解数据:梳理用户行为路径

梳理用户路径的意义:新项目开启时,需要明确北极星指标和增长模型,之后还需要进一步加深对用户和产品认知的颗粒度。需要快速结合产品功能、业务逻辑,梳理清楚用户行为路径,为后续的确立指标、数据埋点、数据分析奠定基础。

梳理用户行为路径的方法

(1)梳理核心路径:根据北极星指标,构建转化漏斗。转化漏斗一般为设定的用户主路径。

(2)细化核心路径:将核心路径中加入更多的漏斗步骤,理想形态是拆到不能再细化为止。

(3)加入其他重要路径:梳理重要的产品功能和业务逻辑,描绘主漏斗之外的重要行为路径,找到路径之间的关系。

案例:某电商类APP

小编通过针对电商类的产品,简要分享一下如何梳理用户行为路径。

第一步:梳理核心路径

第二步:加入其他重要路径

第三步:输出用户行为路径图

三、收集数据:制定埋点方案

制定数据采集方案是数据驱动用户增长的第二步。没有用户行为数据,数据颗粒度不够,也就难以发现业务指标变化背后的原因,从而难以发现增长线索。通过数据埋点追踪用户行为,可以用数据描述用户在产品中的行为轨迹,也构成了指标仪表盘和分析数据的基础。

增长团队经常面临的问题:

  • 没有详细用户行为数据,无法进行比较细致的数据分析。
  • 做过用户行为的埋点,但不准确,无法使用,不能满足分析需求。

埋点的目的是追踪所有的用户关键行为。

确定埋点数据指标

常见的两种需要数据埋点的情况:

  • 已有基本埋点,只需进行缺失的数据埋点。
  • 如从头埋点采集用户行为数据:分级分步,由主到次。

埋点需要记录的信息:

行为本身(event):用户做了什么操作?

行为的属性(property):

  • who:谁参与了这个行为(设备ID,用户ID等)。
  • when:行为发生的时间。
  • where:行为发生的地点。
  • how:用户参与这个行为的方式(设备型号,版本号等)。
  • what:根据行为类型,细化更多情况(商品名称、价格、数量、query词等)。

制定事件埋点方案

制定事件埋点方案是产品运营的基本技能之一,这里小编就不做过多的分享了。

简单总结几点埋制定埋点方案是常见问题:

埋点的常见问题一:思路不清,事无巨细。

问题现象:什么都想埋点,导致上线时间晚,且埋点过多对产品负担较大,影响用户体验。

避免建议:

  • 从重点出发:如从北极星指标,增长模型和重要问题出发,规划埋点计划。
  • 从问题出发:带着需要解决的问题和分析目标,通过数据解读进行埋点规划。

埋点的常见问题二:事件命名格式不统一

  • 问题现象:同一个事件,存在多个名字。因为版本迭代导致前后版本命名不同等。
  • 避免建议:统一规定事件结构和命名规范,做好文档管理,定期更新。

埋点的常见问题三:错过重要的事件或属性

  • 问题现象:因为突发情况导致的某路径或环节数据异常,但未针对这个路径进行埋点。
  • 避免建议:埋点前,从问题出发:想清楚为了回答哪些问题,要追踪哪些事件,事件需要哪些分支路径和环节。发现错漏后,逐渐补齐。

埋点方案常常分为前端(客户端)埋点和后端(服务器端)埋点两类方向。

前端埋点:主要是记录用户端操作行为,如点击事件,页面打开事件等。

  • 埋点方法:通过客户端代码进行埋点。
  • 优点:真实记录产品内用户行为和路径,不需要请求服务器数据。
  • 缺点:不能记录业务结果,网络加载慢时,可能导致数据不完整,更新埋点时需要进行版本更新,界面视觉交互修改时,可能需要更新对应埋点。

后端埋点:主要记录用户特征变化及前端操作导致的业务结果,如付款成功,交易失败等。

  • 埋点方法:通过从接口调用后端数据。
  • 优点:实时性好,产品界面改变不需更新埋点。能够收集不在APP内发送的行为,记录最终的结果,数据相对更准确。
  • 缺点:不能收集不需调用接口请求服务器的数据。例如用户的按钮点击事件。

埋点案例

小编在此通过一个携程的登录页面埋点来简要说明一下如何埋点。

因对登录功能进行埋点,所以需要记录如下信息:

行为(event):

  • 注册流程各个节点的转化率。
  • 第三方登录流程各个节点的转化率。
  • 验证码登录流程各个节点的转化率。
  • 密码登录流程各个节点的转化率。
  • 密码找回流程各个节点的转化率。
  • 用户从登录页面直接退出的点击次数

行为的属性(property):

  • who:用户设备ID,用户ID,用户使用的产品版本号,用户手机号的国家号段(国内,国外)。
  • when:用户操作各个流程的服务器时间,用户登录成功的服务器时间。
  • how:用户登录时的产品版本号。
  • what:根据行为类型,细化更多情况(商品名称、价格、数量、query词等)。

 

作者&公众号:杨三季

本文由 @杨三季 原创发布于人人都是产品经理,未经许可,禁止转载

题图来自 Unsplash,基于 CC0 协议

给作者打赏,鼓励TA抓紧创作!
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. 你怎么知道用户年龄,性别的

    回复
  2. 三季开课吧:)

    回复
  3. 很棒!我要好好的翻一遍莫的文章了,学习一下哈哈

    回复
  4. 很有启发意义,多谢分享 😉

    回复
    1. 欢迎订阅本人,如果能关注公号就更完美了。 💡

      回复