如何從0到1搭建數據運營體系（下）

文摘自騰訊移動分析MTA/騰訊移動推送(信鴿)高級產品經理劉立明2017年8月在「人人都是產品經理」北京沙龍上的內容分享。若想回顧上篇，請戳>>如何從0到1搭建數據運營體系（上）

上期我們討論了

從0到1搭建數據運營體系的幾個步驟：

?數據化管理的常見誤區

?數據化管理的思路

接下來我們討論

如何進行深度的數據運營：

數據深度分析

用戶管理策略

數據深度分析

做了一套數據分析系統之後，難點在於數據分析；做一套東西很容易，但真的要用起來卻很難。所以我們首先就來講一下數據深度分析部分。

第一點， 多維度下鑽分析

多維度下鑽分析的好處就在於，可以去從整個趨勢里發現問題，最終通過更細粒度的分析去定位到問題所在，再制定相應的執行策略。分析的維度其實很多，例如：渠道、版本、地域、頁面、標籤、用戶群這些都可以作維度去分析我們的用戶。

接下來我們看一下日常經常用到的漏斗模型：

漏斗模型是一個很重要的手段，漏斗不僅可以幫助分析關鍵路徑從第一步到最終的轉換結果，還可以幫助分析每一步之間的轉化率。漏斗的每一步轉化中基本上都會存在流失，所以沒有百分百的漏斗。

那漏斗如何去使用呢？單一的漏斗分析是沒有意義的。只有通過趨勢觀察、維度對比和維度細分才能體現漏斗分析的意義。

接下來我們舉例說明。使用騰訊移動分析大概分為三個步驟，註冊-測試-上線。我們看一下圖表數據。

第一步是從註冊到測試的一個轉化，第二步是從測試到上線的一個轉化，第三步是從測試到上線的轉化。分析數據發現五六月份的轉化都是OK的，但是看七月份的數據，從註冊到測試，轉化率只有21.7%，但是從測試到上線是22.6%，這個沒有什麼變化，整體的轉化率是4.9%。與5月、6月相比，數據有所下降。

產生這個問題的原因是什麼，我們拿這個漏斗相關的數據做一下分析。

第一個數據是新增，第二個是我們的測試，第三個是最終上線的應用數，我們發現7月份的新增只有一個很大的增幅，但是它並沒有給我們帶來一個好的測試的一個數據，測試的應用只有1300個，沒有明顯增長，我們最終上線的也只有294個。

說明新增有增長，但是這部分用戶轉化率並不是很高。整體來看，應該是新增暴漲的原因，那麼我們又針對渠道這個維度做了一輪下鑽分析，發現來自官網的新增特別多。

在分析相關的推廣活動時，發現這個月做了有獎問答活動，導致很多用戶來註冊賬號並創建了應用，而這些用戶都是奔著獎品而來，並非我們的用戶，因此轉化非常差。最終定位到數據轉化降低的原因。

數據分析是制定用管理策略的基礎，那麼講完分析後，我們來聊一下策略相關的內容。

用戶管理策略

用戶生命周期管理可分為六個階段：潛在用戶階段、新手階段、有效活躍階段、活躍下降階段、即將流失階段、流失階段。

在用戶的不同生命周期，我們需要進行差異化運營策略，才能將用戶價值最大化。

比如：潛在用戶階段，需結合用戶特徵制定拉新策略；新手階段，需要給用戶提供實時的用戶關懷，制定合適的新手任務系統；有效活躍階段，提供別緻的產品探索引導和正向激勵；活躍下降階段進行防流失干預；即將流失階段進行流失預警；流失階段發起流失關懷。

接下來，我們結合案例進行說明。

潛在用戶階段：在做拉新時，根據歷史數據梳理相關欄位，以歷史玩家為樣本數據制定對應的拉新模型。通過對比實驗組與大盤的推廣效果，對拉新效果進行評估。

其實在經過這樣的分析之後，拉新效果會有一個比較好的提升，最終實驗組相比於隨機組，有百分之30%到60%的一個提高。

其實這個模型在開始階段，效果不是很明顯，也是需要經過不斷訓練才能達到這樣一個效果，所以數據分析是需要一步一步迭代升級的，而不是能一蹴而就達到一個好的效果。

新手關懷，合適的新手關懷手段可以讓用戶更好的留下來。比如說可以根據用戶的興趣偏好設定個性化的新手任務體系，個性化的關卡獎勵；比如說根據用戶性別，贈送不同的禮物，設計不同的任務難度等。

活躍成長，好的內容推薦以及成長體系都可以提高用戶的活躍度。可以通過對用戶畫像進行刻畫，推薦合適的內容。比如說，在遊戲中，加入社交屬性可以提高用戶的活躍度。那麼就可以根據用戶屬性和行為特徵推薦合適的戰隊信息，一旦用戶加入戰隊，活躍度便可得到有效提升。

防流失預警這塊，通過一些行為數據可以判斷出用戶有沒有流失風險。比如活躍度的下降，使用時間間隔的增長，都是典型特徵。

那麼，在圈定這部分用戶之後，就可以使用一些運營工具進行流失用戶召回。比如以消息推送，簡訊或者廣告平台等手段觸達用戶，如果活躍度下降就給它送更多的道具，或者推出更多好玩的玩法，以防止用戶流失。

流失迴流，根據經驗來看，用戶一旦流失就很難回來，所以把精力花費在流失挽回上，不如去分析下用戶的興趣轉移，尋找新的業務增長點。

接下來我們講一下用戶分群管理。

用戶群分析是個非常好的手段，通過用戶群分析，除了可以幫助進行人群分析和問題定位，有時候會發現用戶自己都不清楚的需求。

那我們應該如何創建分群呢，一是根據用戶屬性，二是根據用戶行為特徵。比如ppt中列的年齡、性別啊，或者未付費用戶、多次付費用戶等。

有了不同的人群，我們可以做些什麼呢。除了分析不同人群的特徵，還可以針對不同用戶做一些差異化的運營方案以及精準拉新等。接下來我們看一個案例。

這是一個電商類的APP，在用我們的服務，用戶增長還不錯，但是成交量一直萎靡，就過來問，應該怎麼去用數據驅動業務發展。那我們就以這個為案例做了一輪分析。

首先我們通過建立分群分析成交用戶和高價值用戶的特徵，然後與大盤用戶進行對比，發現整個大盤中男性比較多，然而成交用戶與高價值人群中女性比例較高，那說明女性成交的可能更高。

另外，我們針對這三個用戶群做了一下人群偏好對比，相比於大盤用戶，成交用戶和高價值用戶對購物與金融類會更感興趣，這是我們得到的一個分析結論。

然後再回到它的問題，成交量不符合預期。

第一可能是渠道用戶的質量問題。第二可能是在商品定位上有問題。整個大盤中男性用戶是吧？那是不是男性的商品推薦做的不夠，或者男性的商品品類比較少，這些都有可能。

相比於兩個原因，第一個的驗證周期會更短一些，那我們就先拿第一個去做一個分析。這是我們拿到的幾個渠道，可以看到D和E是流量的主要來源，而且D的周留存也不錯。

但是從成交來看，A的數據也不錯，所以可能A也是一個優質渠道。

這是我們的一個分析結果。那接下來需要驗證一下，A渠道是否符合成交人群和高價值人群的特徵。

從數據來看，A渠道的女性比例是62%，對購物的興趣也高於大盤，這個符合我們的成交用戶跟高價值用戶群體特徵。

根據這個分析結果，我們建議開發者進行了投放渠道的策略調整，增加A的投放比例，降低B跟C的投放。

策略實施一周之後，對數據做了一下追蹤。這個圖是一個整體的轉化，前面的圖是優化之前的，後邊的圖是優化之後的，整個的轉化率提高了百分之十幾，其實這就是一個整個的一個分析過程，希望能對大家有所啟發。

推薦閱讀：