作為產(chǎn)品運(yùn)營(yíng)，一定要掌握的這3大用戶增長(zhǎng)數(shù)據(jù)分析法！

無(wú)論是產(chǎn)品、還是運(yùn)營(yíng)，都需要具備良好的數(shù)據(jù)分析能力，用戶行為分析作為運(yùn)營(yíng)人員必備的核心技能，對(duì)職業(yè)發(fā)展起著尤為重要的作用。

本文通過(guò)解析常見(jiàn)的3種用戶行為分析模型，幫助各位運(yùn)營(yíng)更系統(tǒng)的進(jìn)行用戶行為分析，發(fā)現(xiàn)并解決運(yùn)營(yíng)過(guò)程中暴露出的問(wèn)題，從而更高效的完成工作。

行為數(shù)據(jù)分析法

行為事件分析法具有強(qiáng)大的篩選、分組和聚合能力，邏輯清晰且使用簡(jiǎn)單，已被廣泛應(yīng)用。

行為事件分析法用來(lái)研究某行為事件的發(fā)生對(duì)企業(yè)組織價(jià)值的影響以及影響程度。企業(yè)借此來(lái)追蹤或記錄的用戶行為或業(yè)務(wù)過(guò)程，如用戶注冊(cè)、瀏覽產(chǎn)品詳情頁(yè)、成功投資、提現(xiàn)等，通過(guò)研究與事件發(fā)生關(guān)聯(lián)的所有因素來(lái)挖掘用戶行為事件背后的原因、交互影響等。

簡(jiǎn)單的說(shuō)，行為事件分析法一般經(jīng)過(guò)事件定義與選擇、下鉆分析、解釋與結(jié)論等環(huán)節(jié)。

（1）事件定義與選擇

（2）多維度下鉆分析

（3）解釋與結(jié)論

互金行業(yè)常見(jiàn)的行為事件分析：

某互聯(lián)網(wǎng)金融客戶運(yùn)營(yíng)人員發(fā)現(xiàn)，4月10日號(hào)來(lái)自新浪渠道的 PV 數(shù)異常標(biāo)高，因此需要快速排查原因：是異常流量還是虛假流量？

企業(yè)可以先定義事件，通過(guò)“篩選條件”限定廣告系列來(lái)源為“新浪”。再?gòu)钠渌鄠€(gè)維度進(jìn)行細(xì)分下鉆，比如“地理位置”、“時(shí)間”、“廣告系列媒介”、“操作系統(tǒng)”、“瀏覽器”等。當(dāng)進(jìn)行細(xì)分篩查時(shí)，虛假流量無(wú)處遁形。下圖為來(lái)源為“新浪”的各城市瀏覽頁(yè)面的總次數(shù)。

在剔除虛假流量后，運(yùn)營(yíng)人員可進(jìn)行其他用戶行為分析。通過(guò)“投資成功”事件，查看各個(gè)時(shí)段的投資金額。若想知道每個(gè)產(chǎn)品類型的投資金額，此時(shí)再按照“產(chǎn)品類型”進(jìn)行分組查看即可。如圖2。

當(dāng)用戶投資到期后，后續(xù)行為可能是提現(xiàn)或繼續(xù)投資，運(yùn)營(yíng)人員可以實(shí)時(shí)關(guān)注“提現(xiàn)率”的變化趨勢(shì)。

值得強(qiáng)調(diào)的是，行為事件分析方法是多種數(shù)據(jù)分析模型之一，它與其他分析模型存在無(wú)法割裂的關(guān)系。只有各分析模型實(shí)現(xiàn)科學(xué)互動(dòng)和配合，能夠科學(xué)揭示出用戶個(gè)人／群體行為的內(nèi)部規(guī)律，并據(jù)此做出理論推導(dǎo)，不斷在工作實(shí)踐中優(yōu)化商業(yè)決策和產(chǎn)品智能。

用戶留存分析

留存分析是一種用來(lái)分析用戶參與情況/活躍程度的分析模型，考察進(jìn)行初始行為的用戶中，有多少人會(huì)進(jìn)行后續(xù)行為。這是用來(lái)衡量產(chǎn)品對(duì)用戶價(jià)值高低的重要方法。

留存分析可以幫助回答以下問(wèn)題：

• 1、一個(gè)新客戶在未來(lái)的一段時(shí)間內(nèi)是否完成了您期許用戶完成的行為？如支付訂單等；
• 2、某個(gè)社交產(chǎn)品改進(jìn)了新注冊(cè)用戶的引導(dǎo)流程，期待改善用戶注冊(cè)后的參與程度，如何驗(yàn)證？
• 3、想判斷某項(xiàng)產(chǎn)品改動(dòng)是否奏效，如新增了一個(gè)邀請(qǐng)好友的功能，觀察是否有人因新增功能而多使用產(chǎn)品幾個(gè)月？

為什么要做留存分析，直接看活躍用戶百分比不行嗎？

答案顯然是不行。如果產(chǎn)品目前處于快速增長(zhǎng)階段，很有可能新用戶中的活躍用戶數(shù)增長(zhǎng)掩蓋了老用戶活躍度的變化。按初始行為時(shí)間分組的留存分析可以消除用戶增長(zhǎng)對(duì)用戶參與數(shù)據(jù)帶來(lái)的影響。通過(guò)留存分析，你可以將用戶按照注冊(cè)時(shí)間分段查看，得出類似如下結(jié)論：

“三月份改版前，該月注冊(cè)的用戶 7 天留存只有 15%；但是四月份改版后，該月注冊(cè)的用戶 7 天留存提高到了 20%。”

科學(xué)的留存分析模型具有靈活條件配置——根據(jù)具體需求篩選初始行為或后續(xù)行為的細(xì)分維度，針對(duì)用戶屬性篩選合適的分析對(duì)象的特點(diǎn)。
那么，留存分析有哪些價(jià)值呢？

留存分析應(yīng)用場(chǎng)景

場(chǎng)景一：游戲行業(yè)提升活躍、留存——如何精準(zhǔn)找到玩家“流失點(diǎn)”？

游戲的生命周期的時(shí)長(zhǎng)差異、玩家的游戲粘度，直接體現(xiàn)了游戲的競(jìng)爭(zhēng)能力和盈利能力。玩家對(duì)游戲的直觀感受、游戲難度曲線、游戲節(jié)奏的松弛、游戲福利等游戲內(nèi)涵都能夠?qū)е掠螒蛲婕伊魇АＵ_找到玩家流失原因，是促進(jìn)玩家、活躍挽留玩家的第一步。下面為《迷城物語(yǔ)》在刪檔測(cè)試期間的相關(guān)應(yīng)用情景。（注：以下配圖所涉及的數(shù)據(jù)，均為模擬真實(shí)應(yīng)用場(chǎng)景下的虛擬數(shù)據(jù)）

上圖顯示，100～110級(jí)、80～90級(jí)是玩家流失較多的關(guān)卡。為精準(zhǔn)導(dǎo)致玩家流失的關(guān)鍵因素，需要每個(gè)環(huán)節(jié)、具體場(chǎng)景進(jìn)行深入追蹤與分析，余略。

場(chǎng)景二：了解新用戶的留存

運(yùn)營(yíng)人員想從總體上看用戶留存的情況是否越來(lái)越好了?？筛鶕?jù)新用戶啟動(dòng) APP 的時(shí)間按日或按月進(jìn)行分組，得到同期群，觀察該群體用戶發(fā)生投資的 7 日留存、14 日留存或 30 日留存(可自由選擇)，通過(guò)比較不同的同期群，可以獲知。也可以點(diǎn)擊“曲線標(biāo)識(shí)”按鈕，就可以看到每天留存率的變化趨勢(shì)了。

對(duì)于 7 日或者 30 日仍留下來(lái)做投資的用戶，顯然是一批忠誠(chéng)度非常高的用戶，什么樣的用戶群體有這么高的留存率？以 4 月 10 號(hào)這天的新用戶為例，一共有 1931 個(gè)新用戶，在第 7 天有 68 人留下來(lái)了，點(diǎn)擊“ 68 ”這個(gè)數(shù)字，我們進(jìn)入了用戶列表界面。

這里值得強(qiáng)調(diào)的是，在任何分析模型中都支持人群明細(xì)的查看，將讓用戶行為分析事半功倍，如下圖：

這里我們能夠看到留存下來(lái)的用戶的一些詳細(xì)的基礎(chǔ)信息，比如借款次數(shù)，借款金額、年齡等，通過(guò)總借款次數(shù)以及借款金額，可進(jìn)行用戶質(zhì)量評(píng)估；通過(guò)年齡可以分析到金融平臺(tái)吸引的群體用戶的年齡分布。

若想深度挖掘高留存用戶有哪些共性特征、具體操作流程，以作為后序產(chǎn)品優(yōu)化與改進(jìn)的借鑒，則可使用用戶分群功能，命名為“ 4 – 10 號(hào) 7 日留存用”然后通過(guò)用戶路徑等其他分析模型進(jìn)一步深度分析。

漏斗分析

漏斗分析模型已經(jīng)廣泛應(yīng)用于流量監(jiān)控、產(chǎn)品目標(biāo)轉(zhuǎn)化等日常數(shù)據(jù)運(yùn)營(yíng)與數(shù)據(jù)分析的工作中。例如在一款產(chǎn)品服務(wù)平臺(tái)中，直播用戶從激活A(yù)PP開(kāi)始到花費(fèi)，一般的用戶購(gòu)物路徑為激活A(yù)PP、注冊(cè)賬號(hào)、進(jìn)入直播間、互動(dòng)行為、禮物花費(fèi)五大階段，漏斗能夠展現(xiàn)出各個(gè)階段的轉(zhuǎn)化率，通過(guò)漏斗各環(huán)節(jié)相關(guān)數(shù)據(jù)的比較,能夠直觀地發(fā)現(xiàn)和說(shuō)明問(wèn)題所在，從而找到優(yōu)化方向。

漏斗分析模型的特點(diǎn)與價(jià)值

對(duì)于業(yè)務(wù)流程相對(duì)規(guī)范、周期較長(zhǎng)、環(huán)節(jié)較多的流程分析,能夠直觀地發(fā)現(xiàn)和說(shuō)明問(wèn)題所在。值得強(qiáng)調(diào)的是，漏斗分析模型并非只是簡(jiǎn)單的轉(zhuǎn)化率的呈現(xiàn)，科學(xué)的漏斗分析模型能夠?qū)崿F(xiàn)以下價(jià)值：

降低流失是運(yùn)營(yíng)人員的重要目標(biāo)，通過(guò)不同層級(jí)的轉(zhuǎn)情況，迅速定位流失環(huán)節(jié)，針對(duì)性持續(xù)分析找到可優(yōu)化點(diǎn)，如此提升用戶留存率。

多維度切分與呈現(xiàn)用戶轉(zhuǎn)化情況，成單瓶頸無(wú)處遁形。

在漏斗分析模型中，科學(xué)歸因、屬性關(guān)聯(lián)的重要性

先談歸因

在科學(xué)的漏斗分析中，需要科學(xué)歸因設(shè)置。每一次轉(zhuǎn)化節(jié)點(diǎn)應(yīng)根據(jù)事件功勞差異（事件對(duì)轉(zhuǎn)化的功勞大?。┒茖W(xué)設(shè)置。企業(yè)一直致力定義最佳用戶購(gòu)買(mǎi)路徑，并將資源高效集中于此。而在企業(yè)真實(shí)的漏斗分析中，業(yè)務(wù)流程轉(zhuǎn)化并非理想中那么簡(jiǎn)單。

以市場(chǎng)營(yíng)銷為例，市場(chǎng)活動(dòng)、線上運(yùn)營(yíng)、郵件營(yíng)銷都可能觸發(fā)用戶購(gòu)買(mǎi)。A 欲選購(gòu)一款化妝品，通過(guò)市場(chǎng)活動(dòng)了解 M 產(chǎn)品，后來(lái)在百度貼吧了解更多信息，但是始終沒(méi)有下定決心購(gòu)買(mǎi)。后來(lái)收到 M 公司的營(yíng)銷郵件，A 被打折信息及詳實(shí)的客戶評(píng)價(jià)所吸引，直接郵件內(nèi)跳轉(zhuǎn)至網(wǎng)站購(gòu)買(mǎi)了該商品。

那么，在漏斗設(shè)置時(shí)，轉(zhuǎn)化歸因應(yīng)該“歸”哪一個(gè)渠道呢？在這個(gè)案例中，運(yùn)營(yíng)人員愿意以實(shí)際轉(zhuǎn)化的事件的屬性為準(zhǔn)。郵件營(yíng)銷的渠道在用戶購(gòu)買(mǎi)決策的全流程中對(duì)用戶影響的“功勞”最大、權(quán)重較大，直接促進(jìn)用戶轉(zhuǎn)化。在科學(xué)的漏斗分析模型中，用戶群體篩選和分組時(shí)，以實(shí)際轉(zhuǎn)化事件——郵件營(yíng)銷來(lái)源的用戶群體的屬性為準(zhǔn)，則大大增大了漏斗分析的科學(xué)性。

再一起看屬性關(guān)聯(lián)

在進(jìn)行漏斗分析時(shí)，尤其電商行業(yè)的數(shù)據(jù)分析場(chǎng)景中，運(yùn)營(yíng)人員在定義“轉(zhuǎn)化”時(shí)，會(huì)要求漏斗轉(zhuǎn)化的前后步驟有相同的屬性值。比如同一 ID（包括品類 ID、商品 ID）才能作為轉(zhuǎn)化條件——瀏覽 iphone6，購(gòu)買(mǎi)同一款 iphone6 才能被定義為一次轉(zhuǎn)化。因此，“屬性關(guān)聯(lián)”的設(shè)置功能是科學(xué)漏斗分析不可或缺的內(nèi)容。

漏斗分析場(chǎng)景

場(chǎng)景一：電商行業(yè)不同客戶群體的轉(zhuǎn)化情況

某電商企業(yè)客戶根據(jù)客戶的消費(fèi)能力，將客戶劃分為普通會(huì)員、黃金會(huì)員、鉆石會(huì)員。為加強(qiáng)對(duì)用戶的轉(zhuǎn)化引導(dǎo)，F(xiàn) 欲針對(duì)不同用戶群體采用不同的運(yùn)營(yíng)方式。

通過(guò)對(duì)比，可明顯看出，普通會(huì)員從“提交訂單”到“支付訂單”的轉(zhuǎn)化率明顯低于鉆石會(huì)員。為找到“支付訂單”階段轉(zhuǎn)化率變低的原因，F(xiàn)公司運(yùn)營(yíng)人員應(yīng)深度分析普通會(huì)員轉(zhuǎn)化率情況，如對(duì)比不同付費(fèi)渠道（PC 端、手機(jī)端等）的轉(zhuǎn)化情況，找到優(yōu)化的短板。另外，可以嘗試支付訂單流程的新手引導(dǎo)，幫助新手順利完成購(gòu)買(mǎi)。

場(chǎng)景二：零售行業(yè)——中商惠民科學(xué)評(píng)估站內(nèi)推廣位的效果

首頁(yè)推廣位的效果監(jiān)控是站內(nèi)運(yùn)營(yíng)重要一環(huán)，數(shù)據(jù)的監(jiān)測(cè)與分析是重要工作，它為站內(nèi)優(yōu)化、頁(yè)面體驗(yàn)提升作出指導(dǎo)。運(yùn)營(yíng)人員可以通過(guò)用戶的點(diǎn)擊轉(zhuǎn)化率與購(gòu)買(mǎi)轉(zhuǎn)化率可以判斷頁(yè)面不同推廣位置效果。下圖是中商惠民首頁(yè)推廣位“一元促銷”、“清潔專場(chǎng)”兩個(gè)Banner轉(zhuǎn)化率情況對(duì)比。（注：為涉嫌商業(yè)機(jī)密，以下場(chǎng)景模擬真實(shí)應(yīng)用場(chǎng)景而設(shè)，數(shù)據(jù)均為虛擬。）

除此之外，漏斗分析模型已經(jīng)廣泛應(yīng)用于各行業(yè)的數(shù)據(jù)分析工作中，用以評(píng)估總體轉(zhuǎn)化率、各個(gè)環(huán)節(jié)的轉(zhuǎn)化率，以科學(xué)評(píng)估促銷專題活動(dòng)效果等，通過(guò)與其他數(shù)據(jù)分析模型結(jié)合進(jìn)行深度用戶行為分析，從而找到用戶流失的原因，以提升用戶量、活躍度、留存率，并提升數(shù)據(jù)分析與決策的科學(xué)性等。

3大運(yùn)營(yíng)數(shù)據(jù)分析法，有著不同的功能以及用處，掌握了這3個(gè)數(shù)據(jù)分析法，可以精確獲得用戶行為數(shù)據(jù)，針對(duì)數(shù)據(jù)做出營(yíng)銷策略調(diào)整，讓運(yùn)營(yíng)轉(zhuǎn)化成倍增長(zhǎng)。

文：Aimee@辦辦學(xué)苑（banbanxueyuan）

增長(zhǎng)黑客CGO薦讀產(chǎn)品運(yùn)營(yíng)：

• 《從《增長(zhǎng)黑客》的5個(gè)問(wèn)題，看優(yōu)秀運(yùn)營(yíng)需要具備哪些能力？》
• 《產(chǎn)品邀請(qǐng)碼機(jī)制上線后，需要查看哪些數(shù)據(jù)，怎么看？》
• 《青藤文化聯(lián)合創(chuàng)始人袁海：抖音如同嗑瓜子，沉迷抖音不如打造爆款》

GrowthHK（Growth Hacker）：雙創(chuàng)環(huán)境下，創(chuàng)業(yè)者需要將想法落地為產(chǎn)品，通過(guò)市場(chǎng)驗(yàn)證出該商業(yè)模式的可行性，并以此吸引投資加速渠道擴(kuò)展，從而實(shí)現(xiàn)產(chǎn)品的大范圍推廣；增長(zhǎng)是創(chuàng)投環(huán)境中對(duì)各階段數(shù)據(jù)的考量，而增長(zhǎng)黑客就是要你成為一個(gè)懂產(chǎn)品運(yùn)營(yíng)、市場(chǎng)營(yíng)銷、渠道推廣、商業(yè)模式的全方位增長(zhǎng)型人才；