如何通過數據找到產品增長的點？附案例

數字時代到來之後，通過數據採集，企業獲取到多維度的數據，包括產品銷售數據、用戶消費數據、用戶行為數據、業務運營數據等，採集數據是基礎，數據的真正價值在於應用，一方面提升效率，幫助企業提升數據處理效率，降低數據存儲成本；另一方面是對業務作出指導，例如精準營銷，業務提升以及風險管理。本文通過實戰案例，分享

1、對用戶增長建立正確認知

2、客觀衡量尋找產品突破點

3、基於數據的運營增長方案

本文整理自諸葛io 增長團隊負責人邱千秋在數據巡展·上海站上的題為《數據應用建設的思路、方法與工具實踐》的發言。

一、圍繞用戶構成做衡量

首先，建立真實的用戶增長認知，從無序呈現到趨勢判斷，一方面，通過細分、聚焦、理解用戶，另一方面，不斷迭代驗證滿足用戶需求，逐步尋找產品與市場的契合點，進而實現增長。正所謂「不細分，不分析」，如果拆分得不夠細，那麼你將無法獲知真實的狀態，因此，當我們分析數據時，首先明確分析什麼，活躍用戶數很重要，但是影響你業務增長的關鍵數據是什麼？是整體用戶？還是付費轉化用戶？

1、新、老用戶拆開細分，也許你得到的信息會更多

以活躍用戶（由新增用戶+普通用戶+忠誠用戶組成的）為例，下圖中藍色代表新增用戶，青色代表普通成長期的用戶，黃色代表忠誠用戶，如果每天只關注活躍用戶，那麼很可能無法獲知產品的真實狀態。

5月29日，活躍用戶達到一個高點，但如果細緻拆分的話，只是一次活動帶來了大量流量，將活躍用戶拉高了，而產品中最核心的付費用戶當天的活躍依然沒有提升，如果藍色（新增用戶）穩定下來也可認為是一個好的活動，起碼解決了拉新問題，但實際效果如上圖藍色部分的數據上去又下來了；

6月5日，這天的流量特別好，新用戶、成長期的用戶、付費轉化的用戶均有所提升，這樣的活動才是我們期待的。

因此，細分是數據分析的基本原則，在工作中，可將用戶按照生命周期階段進行拆分，分享一個我們經實踐積累得出的「判斷」經驗：遇到業務問題時，如果將新增用戶與老用戶拆分開來，那麼可能會得到一些啟示。比如一個指標，突然發生變化，那麼你可以觀察這個指標是由新用戶帶來的變化，還是老用戶帶來的變化，往往問題就找到了。

2、帶來指標波動的2個維度

帶來數據指標波動的無非2個維度：一個是流量，流量維度分2類，一類是新增的，一類是活躍的，運營和市場都會影響到流量；另外一個維度是產品，也許是產品迭代引起的。還有一個是外界競爭的維度，比如：視頻類網站忽然發現用戶停留時間變長了，但是最近他們什麼都沒做，後來發現運營商現在套餐流量免費了，這就是外界的影響。

一旦將用戶的狀態區分清楚，我們即可進行流量評估了，哪些是拉新的流量，哪些是活動促活的流量。對於轉化來說，需要定義真正轉化的人群，優惠活動中有些是為了拉新，但實際很多「拉新」券被老用戶使用了，勢必降低了拉新效率，所以，需要找到對的人群。

除了上文提到的用戶生命周期細分外，還可按照用戶價值層級細分，以理財產品為例，可分為3層：註冊評估用戶、新手和已投資用戶。如何定義註冊評估用戶呢？用戶沒有提現且個人賬戶資產為零，意味著沒有完成充值和投資行為，但是最近10天查看理財項目大於等於10次，那麼，即可定義該用戶可能是一個註冊評估用戶。

總結下第一部分，建立真實的用戶增長認知，第一，數據是用來衡量的，幫助我們認知用戶；第二，數據是需要拆分的，拆得越細，離目標越近，數據對你來說越有價值。

二、客觀衡量尋找產品突破點

1、多平台打通，還原真實用戶

真實的前提是數據採集的準確性和完整性，基於目前的產品大都是跨平台的（PC端官網，有移動端app，有微信小程序，有微站等），將各平台的數據關聯起來構建唯一的賬號體系是第一步。比如電商有一個特別典型的分析場景就是大家往往是通過H5網頁，甚至小程序作為一個流量推廣的入口，H5/微站端即可完成產品的推廣、活動引流，並且希望將這樣的用戶沉澱到移動端app，那麼在評估引流策略是否成功時，便需要進行跨平台的分析，通過實名用戶才能將其進行唯一的關聯。

2、圍繞商業模式，梳理核心指標

首先，不同的商業模式有不同的核心指標，需要圍繞自身業務構建指標體系。此外，指標一定要清晰可知，比如：「活躍用戶」這個指標可以幫助我們了解產品的狀態，但是不夠清晰，因為即使知道這一指標有問題了也不知道誰可以解決這個問題，所以第一步一定要清晰。

舉個例子，上圖中標紅的兩個指標。有效用戶新增佔比，即，流量帶來的用戶，在新增當天他有沒有查看過理財產品。通過新增客戶當天的行為特點，來判斷他是不是高質量的用戶。如果新增當天只在個人中心瞄了一眼就離開了，可能他就不是高質量目標用戶，因此將新增用戶與所有用戶佔比作為一個指標，一旦這一指標出現問題，可立刻鎖定問題源頭，即推廣環節。如果已經獲取到有效新用戶了，有效新用戶中的一次性用戶佔比還比較高，那麼即可排除推廣環節，問題可能出在，產品最近做過的活動或者產品改版後調整了新手指導等。

指標體系搭建好，但並不是公司所有部門都關注整套體系的指標，比如營銷推廣的目標是不斷獲取精準客戶，運營的目標是轉化，產品設計是周期性的，按照版本迭代進行深入分析來不斷調整，因為大目標不同，所以關注的指標也各不相同。上圖中間部分是我們的產品截圖：看板，可將指標數據配置到看板上，將看板設置不同許可權，與相關同事共享相應的數據。

3、以直播產品為例，找到產品突破點

我們知道，直播類產品的用戶需要先充值，然後購買虛擬物品，再去給主播打賞，這個案例中提出了一個「待驗證」的設想：與主播的互動是否能對充值轉化有促進作用？

我們將「充值的」和「沒有充值的」用戶進行了用戶分群，對比他們的行為特徵，發現充值後的用戶，與主播的互動非常多。從解讀數據層面便產生了一個猜想：與主播的互動是否對充值有轉化？但是，到底是用戶充了錢，主播對已充值用戶有好感才發生了更多互動？還是先發生更多互動，用戶覺得爽，主播也不錯，然後再去充值呢？這個因果關係是很難驗證的。

基於靈活且強大的交叉分析功能，我們設計了一個反向驗證想法的方案，首先篩選一些有效的（如果混雜了小白用戶、一次性用戶，相當於有臟數據）高質量用戶，通過漏斗功能探索兩個行為前後之間的關係，最後我們發現：有過互動的人充值人數是4.91%，沒有互動的充值人數的是0.99%。直播中與主播有文字互動的用戶的付費轉化率是沒有互動用戶的近5倍，基於這一分析結果，該產品將「互動提醒」從之前的二級頁面調整到一級頁面，這樣一來，用戶進入產品即可獲得互動提醒。最終，充值轉化率和次日留存的轉化率，環比有了將近一半的提升。

三、基於數據的運營增長方案

發揮數據價值的其中一個場景就是圍繞數據進行推薦引擎：在用戶註冊後的一段時間內，基於用戶行為進行有針對性的精準觸達，效果將非常直接。

我們以某電商類產品的「精準觸達」為例，該產品對所有註冊成功後24小時內沒有創建訂單的用戶發送一條簡訊，簡訊內容大概是：你有價值128元的新手紅包待領取，下載APP立享優惠，經過這一精準觸達行為，有68人成功完成了支付，即，這一條簡訊帶來了核心業務的轉化（變現）。

再來看一個在線教育產品A的例子。我們知道，教育類產品在付費前用戶大多有一個比較長的路徑，為引導客戶儘快完成付費，A產品找了一個關鍵節點，即用戶填寫完資料後，如果20分鐘內沒有付款（30分鐘是付款周期），將自動推送一張30元的優惠券，促使用戶縮短決策周期。這一精準觸達的效果是獲得了8%的轉化，該產品的客單價是2000元，直接帶來核心轉化。

就是這樣一個小小的動作，還沒有對精準用戶進行更精準的篩選，只是在流失風險中將用戶召回進而促成交易。而紅包是有成本的，有預算控制的，當然需要將紅包推送給那些更容易轉化的用戶，比海發紅包效果要好。

上述兩個案例就是一個非常好的基於實時完整數據設計的運營增長方案。通過我們提供的智能觸達平台，找到更精準的用戶，找到最恰當的時機，將個性化的內容，通過簡訊、彈窗等形式精準觸達用戶，整個過程可自動執行，實時衡量。

另一個發揮數據價值的場景是，圍繞核心流程加快用戶決策周期，以電商為例：領券促活躍、潛客促註冊、註冊促下單、洞察習慣促復購，這是電商類產品的核心流程，幫助用戶認可價值、打消顧慮、支付購買，那麼圍繞核心流程，即可針對不同來源的客戶進行有針對性的精準營銷，從整體路徑上加快用戶決策，這樣的方案可先通過自動化的策略進行驗證，然後再固化到產品運營體系中，如此通過多觸點的自動化體系不斷優化用戶體驗。

總之，通過尋找突破點來制定自動化的運營方案，利用數據的價值促進用戶的增長，我們現在的整體架構即可將用戶在產品上的所有行為與業務數據整合在一起，包括第三方客服數據、SEM數據，並且針對不同行業的業務特點提供解決方案。

從應用平台來講，我們首先是數據分析平台，同時也是觸達平台，包括上文提到的自動化運營平台，第三，我們將用戶檔案融入進來，幫助我們更好地運營用戶，滿足日常業務中的應用場景。

關於我們：

諸葛io定位於為企業提供基於用戶行為數據的採集、分析和營銷的整體解決方案。是國內領先的數據智能服務商 www.zhugeio.com

目前我們正在為互金/教育/新零售/保險/汽車等行業提供大數據整體解決方案並提供諮詢服務。服務客戶有：光明隨心訂、食行生鮮；人人貸、陽光保險、眾安保險、平安；寶馬、奧迪、大眾、NEVS；餓了么；東易日盛等

客戶：東易日盛 | 向上金服 | 光明隨心訂 | TutorABC | 麥子學院

指標：病毒傳播係數 | 復購率 | 粘性 | 漏斗 | 太陽圖 | KPI

行業：新零售 | 在線教育 | 科技金融 | 共享單車 | 裝修 | 內容社區

產品：改版評估 | 埋點需求文檔 |

運營：用戶運營 | 跨應用市場追蹤 | 推送策略 | 運營階段

市場：推廣三要素 | 智能觸達 | 精準推送

其他：行為數據基礎篇 | 客戶成功 | 採集模型 | 廣告監測