数据驱动运营案例

　　数据分析对于运营来说是一个数据抽象的过程。

　　现实情况是连续的、复杂的、互相影响的，而数据抽象的过程，就是将这些复杂多变的现实情况简化为数字量，搭建数据模型，计算相关因子，推断事件归因，并推进自身改进优化。

　　由于现实的复杂性，我们作为产品、运营或者数据分析师，在实际问题处理时，就需要做归因分析，需要屏蔽其他因子的干扰，因此我们常常使用用户分群。

　　分群后，我们的用户群可能简化为：

　　在每一个分群下，我们可以简化地对比某个因素对关键路径或者关键指标的影响因素。

　　分群是手段，是工具，简单来说，分群分析就是通过聚类的方式，把相似的人群合并，考察同一事件或同一指标在不同人群上的表现，以推断并定位对该事件/指标有明显影响的因子。

　　我们将用户精细分群与用户画像结合起来，助力精益化运营的深度与精度。

　　细分目标人群，结合用户画像的实践

　　那么，用户分群与用户画像如何结合使用？

　　接下来，我们举个App案例进行说明：

　　某电商App，现在面临的问题是用户成交量较低，与投放推广的成本相比，ROI较低。

　　这个问题，我们应该如何分析？

　　首先，我们想看看成交的这部分用户与大盘用户之间有什么区别。我们在用户中选出成交的用户，建立用户群对比大盘用户。

　　这里，我们需要使用MTA自定义事件。

　　设置“付款成功”为一个自定义事件，然后使用MTA中的用户分群功能，将自定义事件中满足“付款成功”的用户群筛选出来，命名为“成交用户”；我们还可以设置一个叫做“高价值用户”的用户群，将“付款成功”且付款金额>=100的用户筛选出来。

    此处定义高价值用户为成交单价>100元的用户。

　　1.用户分群分析

　　得到了三个用户群之后，我们使用数据分析工具，比如腾讯移动分析MTA，对比这三个用户群特点间的区别。

　　以下为三个用户群特征的对比：

　　从图中我们可以发现，大盘用户中男性较多，但实际成单与高价值用户中，都是女性偏多，且此部分用户对购物类App、金融类App的兴趣要明显高于大盘用户，表现出了较强的消费能力。

　　现在我们的问题是投放回报率较低，ROI不符合预期。

　　那么，我们可以初步判断，可以优化的有以下两个方向：

　　用户引流渠道可能有问题，需要调整渠道引流策略，包括渠道选择、人群针对性优化等，引入与消费行为匹配的新用户群，提高销售量；

　　商品定位的调整：现有产品对男性的吸引力不足，导致大量大盘用户并没促成成单，这也是导致ROI较低的另一方面原因，可能需要调整的包括商品品类、商品推荐等；

　　其中，第一种优化方式的见效周期较短，而第二种调整方式相对影响层面较大、周期较长。我们优先实践第一种优化方式，以调整渠道引入流量为主，优化引入人群的匹配程度，实现提高ROI的目标。

　　后续还需要斟酌是否需要优化产品定位，比如打造针对男性的亮点频道，进行产品改善迭代。

　　2.渠道优化策略

　　那么，渠道应该如何做改善？我们先对单周渠道引入量的数据，进行初步评估。

　　成交率数值应用的是漏斗模型的渠道筛选功能

　　此处渠道只列了5支较典型的渠道样本数据，实际渠道分布更多

　　从图表上看，我们当前主要的流量渠道是渠道D与渠道E，而且渠道D的留存率很高，可以认为是我们的优质渠道。

　　但从成交上看，我们认为渠道A其实有很大的潜力，虽然现在的引入量较小，但与成交人群重合度较高，考虑到A渠道的获客成本低于渠道D，加大投放之后很可能会有一个不错的收益，能够实现我们提高ROI的目标。

　　3.渠道人群画像验证

　　我们对渠道人群A进行画像分析，女性比例高达62.36%，其用户群对购物类App的兴趣也高于大盘用户，与我们高价值人群特征匹配度较高。

　　现在渠道A给我们带来的流量还比较小，但由于其渠道收益上ROI比例较高，且其群体画像与我们高价值用户的画像吻合度高，表现出了很高的投放潜力。

　　我们的改善方法是：调整渠道投放的比例，减少渠道B、渠道C的投放，增强渠道A的投放，以周为单位，迭代优化渠道投放效果，并监测ROI的变动。

　　4.渠道投放优化效果

　　在投放一周后，对新增用户有了增长，我们临时决议再次加大渠道A的投放比例。

　　这里是一个月的时间周期内，我们的新增用户数在渠道上的分布有了显著变化。

    优化投放渠道前后，购买转化漏斗转化率的改变：

　　由于渠道A的平均客单价约是渠道D的1/2~1/3，我们的投入产出比例得到了优化。这主要依赖于通过数据分析找到了优质低价的渠道，降低了获客成本。

　　细分漏斗画像，改善关键节点

　　通过数据挖掘，我们发现了优质渠道A，其用户群与我们的高价值用户比较吻合，同时平均客单价约是原有主要渠道D的1/2~1/3，我们的投入产出比例得到了优化。

　　这主要依赖于通过数据分析找到了优质低价的渠道，降低了获客成本。

　　漏斗改进效果如下图：

　　那么，这个漏斗是否存在其他可以改进的地方呢？

　　当然有！我们的现实世界并非是简单的数据逻辑结构，很多结果都是多种原因综合导致的，我们可以用多种角度去分析同一个问题。

　　下面我们将结合漏斗分析与用户分群来做一个深度分析，通过漏斗的细致拆分和交叉对比，定位问题所在。

　　1.漏斗分析

　　那我们就从这个漏斗开始分析：从上面都是漏斗中，我们可以看到，加入购物车之前的转化率都较高，但在购物付款的流程中，转化率急剧降低至14.65%，这里应该也有改进的空间。

    我们再看页面浏览数据，可以发现，用户在订单确认页面停留的时间长达95秒，这与我们平时的认知不相符。

　　2.漏斗拆分

　　为了验证我们的假设，我们建立两个小用户群——“确认要付款的人群”&“成功付款的人群”，即把漏斗中“订单人群”到“付款人群”进行了拆分，把确认付款的动作独立出来。

　　我们能够发现，在“确认要付款”到“成功付款”确实是损失转化的主要环节。

    3.分群分析

　　我们看这群“确认付款”&“未成功付款”的人群：

　　我们姑且把这个人群叫做“付款失败”组。

　　在MTA中你可以通过设置用户分群设置来实现这一步的处理，如下图。

    通过几个人群的对比，我们发现“付款失败”组的人群离线环境陡增约14%，另外，其3G、2G网络的比例要高于大盘人群（5.68% vs. 1.36%），且设备品牌中，相对机型较小众、低端。

　　我们实际测试了品牌1和品牌2的实际几个机型，主要针对的就是付款页面的页面体验，存在以下问题：

　　机型适配性较差，开发时主要考虑的是现有主流机型适配，对小众机型的关注度较低；

　　页面卡顿严重，长达40秒以上的空白页面，严重消耗了用户耐心。

　　于是我们做了以下改善：

　　紧急修复版本，在小众机型的主要推广渠道上升级了版本适配性的App；

　　页面加载量优化，包括切割、压缩、删减图片，框架优化，预加载等策略，恶劣网络下加载速度提升至约15秒；

　　加载等待页面设计，增加了动画的等待页面，给用户卖个萌，增加用户等待的耐心。

　　4.效果验证

　　页面优化后，我们的漏斗转化流程有明显改善：

　　我们针对这群“付款失败”用户群所做的改善，为转化漏斗提高了3%的转化效率，这是非常大的一个收益。另外，我们在后续的漏斗改进中，还尝试结合了页面点击/页面流转的分析，删去了付款页面中不必要的信息、按钮，保证了付款流程的顺畅性，对于提升漏斗也有一定的作用。

　　5.总结一下

　　数据运营的优化思路其实就是通过细致拆分，把复杂的、多因子的事件分析拆分为独立的、单因子的归因分析，以确定改进的思路。

　　用数据说话，从埋点开始

　　数据只有采集了才能做分析，分析了才能实现价值。

图1.数据运营微笑模型

　　上图是数据运营解决问题的思路，但相对的，数据运营分析的需求，也驱动着数据埋点的优化。

　　有时候，我们可能会遇到这样的尴尬：

　　数到用时方恨少！

　　木有结论肿么破！

　　其实，数据埋点比我们想象得有更多挖掘的空间，有针对性的有条理的埋点能够帮助我们理清用户行为轨迹、抓住用户特征、解析关键路径。

　　但过多的埋点，可能会给App带来负担，也可能对App用户的流量、网速体验有影响，这都是我们需要考虑的因素。

　　全埋点、多采集，并不是数据分析体系构建的办法，反而是把分析挖掘的工作量后移，给数据分析带来很多负担。

　　较好的做法是：带着我们的分析目标与数据解读思路去埋点。腾讯移动分析MTA在数据埋点上做过多次优化，能确保多次采集一次上传的数据传输过程，减少对用户流量的影响，优化用户体验。

　　下面我们分几个层次来讨论埋点问题：

　　1.用户行为分析

　　通过埋点可以追踪用户的行为，即对App内的关键路径进行监测，这无疑是最常见也是最重要的应用场景。不同的App可能关注的埋点事件有很大不同。

　　例如，电商类App多关注的是订单成交；社区类App可能关注UGC内容的产生；阅读类App则需要关注内容的阅读。

　　用户埋点的场景很灵活，埋点可以统计的事件数据能和业务数据进行打通。

　　比如在新闻阅读的App中，将阅读新闻作为自定义事件，每一篇报道都带有不同的参数，可以得到阅读的大盘整合数据，也可以分析每篇报道的价值，甚至可以方便的实现阅读量排行榜等功能。

　　埋点是因业务场景需要而定的。

　　比如第二篇时讲到的漏斗细分中，有一个金融用户案例。在绑卡流程转化流失率过高的时候，需要定位每一个输入框的填写方式是否存在问题，这时埋点的密度会比一般情况要高很多。

图2.定位问题时的埋点示意

　　上述埋点是基于我们想要定位“为什么绑卡页面转化率低”的需求。埋点之后，在绑卡流程漏斗中，MTA会生成一个详细填写页面的漏斗，从中我们或许能知道用户是在哪一步停止操作的，是否有改进的空间。

图3.漏斗拆解（由于业务数据敏感性，以上数据已做模糊处理）

　　但如果之后我们修复了问题，我们可能就不需要这么细致的埋点了，或者我们只需要对可能出问题的地方进行埋点监控。

图4.稳定后的埋点示意图

　　因此，业界所说的全埋点是一种未充分理解自身业务时采用的策略，很多时候也无法满足详细漏斗的追溯要求。而不必要的埋点带来了过量的数据上报，一方面加重了用户的流量负担，另一方面也不利于后期的复盘分析。

　　当然如果真的是业务上线了，点还没埋上，腾讯移动分析MTA新近推出了可视化埋点功能，可以由产品、运营同学通过web端配置埋点，云端下发至App中，随时调整App内的埋点策略，也是机智而有效的救急措施。

　　开发GG再也不用担心我漏埋点啦~~

　　2.用户人群分析

　　根据用户事件、来源渠道、同期群，甚至年龄、性别、地域等，我们可以把自己的App用户切割为很多小群体。

　　比如在订单购买的业务中，将订单金额作为参数上报，能够更好的分析用户的价值。

　　下图是一种消费用户分群的方式，以消费金额Monetary、消费频率Frequency和最近一次消费时间Recency，得到8个象限的用户，可以对不同的用户进行不同的运营推广策略。

图5. 消费用户分群模型

　　还是看这个电商App，当用于活动运营分析的时候，可能数据分析的视角和方式就不太一样了。

　　举个例子：618活动时间新注册（同期群）且完成过一次订单的这群用户，他们在活动期结束之后，会有哪些表现？

　　购买VIP会员的转化率高于平均活动水平→某个新的广告渠道带来了优质的新客户，该渠道可以继续投入，持续关注效果；

　　继续参与七夕节的活动→人群可能对活动信息比较敏感，适合推荐促销信息；

　　流失曲线&再次开启时间的关系是：2周内不再开启App的客户，87%都流失了→我们如果在新用户注册后1周左右的时间通过Push、短信、邮箱等手段唤醒用户，能够大幅提高留存。

　　通过把人群切分，去分析业务特性，能够加深对用户的理解，结合你的App触达手段，能够让你更好的与用户交流互动，实现业务运营的目标。

　　而这里的人群切分方式，就需要通过埋点定义出自定义事件，通过事件与其他条件的叠加、筛选，与不同事件、报表做交叉分析，就能够凸显核心用户群体的价值，精细化运营不同用户群体。

　　点击不同按钮、关注不同板块、甚至不同注册时间的人群都有不同的特性。

　　精细化的分析运营需要对业务的深入理解，需要学会切入分析的角度，解析你的用户的特征，了解你的用户，再由数据的需求去驱动埋点的配置。

　　3.解析核心路径

　　第三点是基于第二点的应用。通过切割用户人群，再回到业务关键路径上，去发现吸引用户、留住用户的奥秘。

　　举一个比较知名的例子：

　　在某知名社交App的数据分析运营分享中，通过不同的事件对比，可以发现10天内添加7个好友的留存率大大提高。

　　我们回溯一下，如果我们想要分析什么才是这个App留存率的关键，我们需要罗列很多的可能性，比如在平台上浏览100条新闻、引荐3名新用户加入、产生UGC内容或者是上传3张照片、玩过平台游戏。那么，我们需要对比这些人群，寻找在这些事件中哪些才是与留存率强相关的？

　　如果是添加好友的这件事，那么这个时间限是：注册时关注3人，还是一周内关注5人？

　　或者如果我们发现，引荐5名新用户，留存率非常高，但实际上，真的能引荐5名新用户的人群少之又少，那么这件事也不适宜我们去重点关注，因为给我们带来的成本太高了。

图6.自定义事件与留存相关度的分析实例

　　从这些关键事件中，我们要通过数据分析找到其中的核心路径，然后倾斜我们的资源去支持它。

　　4.总结一下

　　总的来说，埋点与数据统计，都是为业务服务的。关注哪些事件、为他们埋点是由于App自身的业务特性所决定。

　　埋点需要有的放矢，分析才能得到结论，迭代增长也将有迹可循。

　　似是而非的数据悖论

　　精细化运营能够帮助我们在数据的指导下进行产品路线、战略的调整，让产品改进的过程有章可循。

　　但有时候，我们也会遇到一些看起来有些诡异的数据陷阱。

　　1.案例数据

　　我们先看问题的描述：

    在产品A和产品B中，男性的购买成交率都是男性>女性，可在合计中，却是女性>男性。那么，这就有点懵了。

　　所以，到底应该拓展男性用户，还是女性用户呢？

    可能我们的第一反应都是：是不是数据不准确啊？于是我们就有了这个案例……

    2.原因定位

　　我们来追溯一下问题的来源

* 此处数据已做了模糊处理，非真实数据

　　从数据上我们可以看到，实际上，在产品A和产品B上，确实都是男性转化率高于女性，但由于产品B的转化率明显低于A，且男性群体大量被引导去了产品B，所以整体数据的转化率反而要低于A。

　　这在统计学上称为：辛普森悖论（Simpson’sParadox）

　　在分组比较中都占优势的一方，在总评中有時反而是失势的一方。该现象于20世纪初就有人讨论，但一直到1951年，E.H.辛普森在他发表的论文中阐述这一现象后，该现象才算正式被描述解释。后来就以他的名字命名此悖论，即辛普森悖论。

　　3.优化方案

　　回到这里的题目中，数据向我们展现了两个结论：

　　对于产品A和产品B，男性的购买成交率都大于女性；

　　产品B的平均成交率要明显低于产品A。

　　那么对于投放决策来说，我们还是偏好男性用户。在引流成本相同的条件下，男性的购买转化率较高。而针对产品A和产品B的分流推荐方式，可能还需要考虑两个产品的客单价与利润率。

    从上图中可以看出，产品A属于低单价、低利润、成交率高的产品，产品B属于高单价、高利润、成交率低的产品。

　　那么如果在电商开拓期，希望引入更多用户，我们可能会侧重于推广产品A；如果平台已经有一定规模，希望能够提高人均利润率，降低百元成交量的获客成本，我们可能可以考虑多推广产品B。

（大概就是像这样的两个产品↑）

　　当然，这些的前提是在，引流成本相同的情况下。而往往实际问题的考虑中，我们还会需要考虑投放成本、投放效果、转化效果等问题，

　　4.案例总结

　　在数据运营的实战中，可能常常会遇到一些让我们觉得有点别扭的数据。

　　而在这些数据背后，其实蕴藏着很多的细节与能量。因此，建立详细的数据分析运营体系，理解用户群分离与归并的思路，让数据为你所用，这是很重要的。

　　回顾我们讲过的数据运营微笑模型~

　　这一期我们讲的是在定位原因的过程中，对用户群拆分解析之后发现了其中的运营价值。

　　我们可以先通过自定义事件埋点，监测购买事件，同时上报购买商品的参数；然后通过用户分群设置筛选出购买事件中，购买参数等于产品A的人群，来得到我们想要的细分用户群体：

    然后通过用户群体的计算与分析，得到该群体的人群特征，展开我们的数据分析工作。