注册 | 登录
产品经理和运营人的学习社区
从零开始学运营，10年经验运营总监亲授，2天线下集训+1年在线学习，做个有竞争力的运营人。
在微观层面（实战方法论）通过6种转化率分析模型提高产品转化率、用户体验; 大家如果能掌握好增长方法论和提升转化的秘诀，就一定可以通过实现业务快速增长。
本文根据谢荣生在起点学院公开课分享的课程整理而成，加入（或复制报名链接： 到浏览器中详细了解），即可观看本课程视频回放及尊享300门视频课程学习特权。
以下为数极客CEO @谢荣生 在【起点学院公开课】演讲实录，编辑有修改：
1. 为什么转化率越来越重要？
1.1 流量红利渐失，竞争日益激烈
目前新平台、新应用发展起来的难度比十年前要难数十倍，主要有三方面的原因：
增长率下降；
流量集中于BAT等少数大平台；
同行竞争激烈。
根据CNNIC统计报告显示：2006年 网民增长率为23.4%,2015年网民增长率为 6.1%，并且持续在下降。而在增量流量减少的同时，流量集中度在显著提高，以BAT为核心的大型互联网平台占据了行业内80%的流量。 每次互联网应用浪潮来临时，全国都有数千家同类平台进行竞争，经过3－5年竞争落幕时，仅剩下排名前3的平台脱颖而出，惨烈程度可想而知。
1.2 转化率对于企业和产品经理、运营人员的意义
转化率是完成转化目标的用户占总体用户的比例，注册、下单、登录、复购，都可以用转化率进行量化，转化率是互联网平台的增长的基石。高增长的平台基本也是高转化率的平台，而增长水平影响了企业的市场占有率和价值，对于在企业中工作的从业人员来说，高增长的企业也会更快促进个人的成长，获得更丰厚的回报。
2. 如何提升转化率
提升转化率是全员参与的行为，企业中的高管、中层、基层都必须掌握相应的方法，我们可以通过三个层面共同探讨如何提升转化率实现业务增长，这就是：取势、明道、优术。此六字出自老子所著《道德经》，被李嘉诚先生题为长江商学院的校训：
取势+明道=战略
优术=组织能力
企业成功=战略*组织能力=（取势+明道）*优术
取势，远见也；明道，真知也；优术，实效也。取势为要，明道其次，优术第三，以下我们从这三个层面详细解读具体的方法：
2.1 提升转化率方法论之：取势
“势”往往无形，却确定了方向；“取势”重在顺势而为，顺势则事半功倍。也就是说，雷军所说的成为风口上的猪；以下方法论中的鱼塘理论、机会井理论、PMF 帮助我们“取势”。
（1）鱼塘理论
市场规模是决定一家企业规模和最主要的指标之一，很多投资机构只投资具有千亿级以上规模市场中的企业，那么如何选择适合自己的目标市场呢？
市场机会一般可以分成以下三类：
大家都看得到，都可以够得着
比如：美食菜谱网站、宠物主人社交网站、活动聚会网站等，此类机会门槛低，竞争激烈。
大家看得到，大多数人够不着
比如：发送火箭到火星、治愈癌症的药品、自动驾驶等，此类机会门槛高，需要有充足的准备。
大家基本看不到，也够不着，
比如：护理机器人、可视化搜索引擎、终身电池等，此类机会比较长远，大部份人看不到，目前还很难实现。
阿里集团创始人马云曾经说过：任何一次机遇的到来，都必将经历四个阶段:“看不见”、“看不起”、“看不懂”、“来不及”。因此在选择目标市场时，“看不见”和“看不起”的机会更容易进入，形成积累的过程中其他人“看不懂”，而完成积累后，大家已经“来不及”。例如：曾经的互联网和移动互联网，最近风头正劲的区块链经历过大部份人“看不懂”的环节，如果你能通过深入研究“看懂”，也能从中找出适合你的目标市场和客群。
（2）机会井理论
可能你选择的目标市场和客群的规模足够大，但决定商机整体价值的还有一个重要的因素：你所提供的价值的深度。
Opportunity value= X(影响的人群数量)*Y(提供价值的深度)
如果你面向的客群小，但提从的价值深度足够的话，整体价值也会得到极大的提高。作为后入者，不要刻意追求大市场，先集中提供一个最核心的价值，并且是最有深度的价值。
如何衡量你的产品是否找到PMF？
“初创企业的生命周期可以分为两部分：找到产品-市场匹配之前，和找到产品-市场匹配之后”——马克·安德森（阅项目无数的著名连续创业家、风险投资家、硅谷大神），产品-市场匹配(Product-market fit,PMF)，指的是你的产品是否有足够的价值，但这不是由你自己决定的，关键在于是否得到市场和客户的认可。“互联网企业99%创业失败，只是因为没有找准它”，我们可以通过这些问题和用户数据指标两种方式评价产品是否找到PMF。
通过问题或问卷来判断：
你会把我们的产品荐给你的朋友吗？
如果你不能继续使用这个产品，你会有多失望？
有多少用户在离开你的产品，有多快？
通过用户数据标准来判断，用户级产品标准：
每周使用天数超过3天
新增日活跃用户DAU超过100
30%新用户次日留存
达到10万用户量
SaaS 产品标准：
5%付费转化率
LTV/CAC&3，即用户终生价值/用户获取成本&3
月流失率&2%
月销售流水达到10万
用户获取成本的回本时间&12月
如何激发用户的动机，吸引用户并快速达到PMF？
Simon Sinek，在《START WITH WHY》书中说到“人们不会购买你所做的，他们购买的是你为什么这么做。 你只需要做什么来证明你的信仰”，他们认同你的“WHY”，其实他们也是为了满足自己的信念。Apple公司的iphone销售的好，不仅是因为他们做了一款更易用，更好看的手机，而是因为认同他们挑战现有产品的现状，Think differen的理念。
通过思考WHY，让产品具备了?格化属性，也形成了?个?户天然的筛选器，与用户精神?度共鸣，让用户发?内?认同你的产品或服务，占据?智?地，建立持久的用户忠诚度。
2.2 提升转化率方法论之：明道
取势务虚，明道求实，虚实结合，方可行事。道者，规律也。明道者，确定思路、寻求路径。 通过 用户决策模型、行为动机模型、北极星指标 可以帮助我们在追求提升转化率的过程“明道”。
（1）用户转化模型
AARRR转化漏斗和市场营销学中的消费决策模型保持高度一致：获客与用户需求对应，了解用户如何找到我们; 激活与用户收集信息的过程对应，这个过程中用户完成首次激活; 留存与评价方案对应，对于好的体验，用户会留下来; 收入和决定购买对应，当用户完成购买，平台也获得了收入; 用户购买完成后有持续良好的体验，则会导致产品的再传播。
（2）行为动机模型Fogg’s Behavior Model
那么用户是如何完成上述的激活、留存、交易转化行为的呢？ 我们需要了解行为背后的原因是哪些？ 斯坦福大学的Fogg提出的行为模型(B＝MAT)显示，三个要素必须在同一时刻收敛才能发生行为：动机，能力和触发器。当行为没有发生时，这三个元素中至少有一个缺失。当动机高时，人们可接受的行为难度也比较高，动机低时，行为难度相应较低，因此在产品设计触发机制时，需要考虑到这几个因素的影响，好的产品拥有足够低的行为门槛。
小结：市场营销学的消费决策模型，让我们明确每个阶段的目标; 动机行为学模型(FBM)，指导我们不断提升动机; 产品化的实现漏斗(AARRR)，知道每一步要做什么。它们不是孤立的，他们的终极目标，都是让用户产生购买行为。三个模型结合起来，分别是why，how，what。
（3）北极星指标
① AHa moment
AHa moment也叫顿悟时刻，在互联网产品中的AHa moment指的是影响用户留存的关键转化行为，Facebook、Twitter等公司的AHa moment如下图：
这些量化指标不能完美的代表你所有的?户，仅简单的代表?多数用户，在发?某个数量的?户为后，真正体会到产品价值的那个时刻，有些?户进?状态的速度快，有些速度慢。（如同有些?慢热，有些??点就燃），AHa moment 应该是?个具体的，可量化的，?且是在转化漏?中偏早期的?为/体验。
那么，如何量化你产品的关键转化行为呢？
以互联网理财平台为例：行为与留存交集的最大化，就是关键转化行为。
② 北极星指标
“North Star Metric” 北极星指标，又叫做“OMTM” One metric that matters, 唯一重要的指标。之所以叫北极星指标，是因为这个指标一旦确立，就像北极星一样，高高闪耀在天空中，指引着公司全体人员，向着同一个方向迈进。北极星指标是一个输出性指标，迟滞性指标，只能代表业务的某一个维度，不为其它指标间的相互牺牲所负责。
如何选择北极星指标：
什么样的一个指标是公司所有人都为之努力的？
所有的策略规划都是为了提升那个指标？
这个指标一定是与你所提供的价值相关联的
是不是所有人都能理解这个指标的含义？
不要轻易的放弃和更改这个指标，一定要坚持一段时间
一个企业的健康运行是受多个维度的指标所影响的，每个维度都会对应一个关键指标，至少每个产品应该包含以下三类:留存度 (Breadth of retention)、产品互动性 (Depth of engagement)、商业化 (Monetization)。
③ 从AHa moment到北极星指标
AHa moment 关键转化行为就是北极星指标的输入性指标，如果用户体会到A-HA moment, 那么它一定能提升你的北极星指标，尽快推动用户体验到A-HA moment，让他们对你的产品上瘾。
2.3 提升转化率方法论之：优术
“术”是能力，能力是知识、方法、策略和经验的集合体，很多企业在势和道方面有优势，但最后失败在术的层面，“术”是可解决实际问题的流程和策略，是可以提高效果和效率的技巧。 漏斗分析、微转化分析等6种转化率提升秘诀帮助我们“优术”。
（1）基础分析方法
① 细分分析
细分分析是一切分析方法的本源，因为单一维度下的指标数据的信息价值很低，细分几乎帮助我们解决所有问题。比如转化漏斗，实际上就是把转化过程按照步骤进行细分。所谓下钻，就是在分析指标的变化时，按一定的维度不断的分解。比如，按地区维度，从大区到省份，从省份到城市，从省市到区。所谓上卷就是反过来。随着维度的下钻和上卷，数据会不断细分和汇总，在这个过程中，我们往往能找到问题的根源。
流量渠道的分析和评估也需要大量用到维度交叉细分的方法，比如我们将渠道的数量和质量交叉分析，就能找出优质渠道。第一象限
渠道质量又高流量又大，应该继续保持渠道的投放策略和投放力度; 第二象限 渠道的质量比较高但流量比较小。应该加大渠道的投放，并持续关注渠道质量变化; 第三象限 这个象限里渠道质量又差，带来流量又小，应该谨慎调整逐步优化掉这个渠道; 第四象限 渠道质量比较差，但是流量较大，应该分析渠道数据做更精准的投放，提高渠道质量。
② 对比分析法
对比分析法，是将两个相互联系的指标数据进行比较，从数量上展示和说明研究对象的规模大小、水平高低、速度快慢等相对数值，通过相同维度下的指标对比，发现和找出业务在不同阶段的问题。
对比分析的方法：
1）对比类型包括绝对数对比与相对数对比，两种数据需要结合起来进行对比。
2）对比标准分为以下4种：
时间标准：同比、环比、定基比。通过这三种方式，可以分析业务增长水平、速度等信息。
空间标准：分为三类：与相似空间比较、与领先空间比较、与扩大空间比较
经验或理论标准：例如，恩格尔系数、活跃度;
计划完成标准：例如：KPI。
3）对比分析原则：
指标的内涵和外延可比
指标的时间范围可比
指标的计算方法可比;
总体性质可比。
③ 聚类分析
聚类分析就是根据事物彼此不同的属性进行辨认，将具有相似属性的事物聚为一类，使得同一类的事物具有高度的相似性。聚类分析具有简单、直观的特征聚类分析在网站分析的应用：用户分群、用户标签法; 来源聚类主要包括渠道、关键词等; 页面聚类，相似/相关页面分组法，例如：在页面分析中，经常存在带?参数的页面，比如：资讯详情页面、商品页面、店铺页面等，都是属于同一类页面
3. 提升转化率的六大秘诀
3.1 转化率提升法则
转化率的提升是一个持续和长期的过程，在某个阶段通过数据分析和优化方法提升指标，但经过一段时间后，因为环境的变化、用户习惯的变化等各种原因，有些方法和措施需要进行调整才能持续保持高转化率。因此，我们需要掌握转化率提升的闭环，持续进行改进。
转化率提升的过程就像飞机起飞的过程一样，动力就是用户感知的好处(动机)减去感知的成本(行为难度)，而良好的用户体验(触发机制)能让转化率提升更快。 我们所有的分析方法都是为了优化这个等式：提升体验、降低门槛。
3.2 漏斗分析法
转化分析常用的工具是转化漏斗，简称漏斗（funnel）。新用户在注册流程中不断流失，最终形成一个类似漏斗的形状。用户行为数据分析的过程中，我们不仅看最终的转化率，也关心转化的每一步的转化率。
（1）如何科学地构建漏斗
以往我们会通过产品和运营的经验去构建漏斗，但这个漏斗是否具有代表性，优化这个漏斗对于整体转化率的提升有多大作用，心里没有底气，这时我们可以通过用户流向分析去了解用户的主流路径。
图：用户流向分析
用户流向分析，非常直观，但需要分析人员有一定的经验和判断能力。为了解决这个问题，数极客研发了智能路径分析功能，只需要选择转化目标后，一键就能分析出用户转化的主流路径。将创建漏斗的效率缩短到了几秒钟。
图：智能转化分析
（2）漏斗对比分析法
转化分析仅用普通的漏斗是不够的，需要分析影响转化的细节因素，能否进行细分和对比分析非常关键。例如：转化漏斗按用户来源渠道对比，可以掌握不同渠道的转化差异用于优化渠道; 而按用户设备对比，则可以了解不同设备的用户的转化差异(例如：一款价格较高的产品，从下单到支付转化率，使用iphone的用户比android的用户明显要高)。
图：漏斗对比分析
（3）漏斗与用户流向结合分析法
一般的转化漏斗只有主干流程，而没有每个步骤流入流出的详细信息，当我们在分析用户注册转化时，如果能知道没有转化到下一步的用户去了哪，我们就能更有效的规划好用户的转化路径。例如下图中的转化路径，没有进入第二步的用户，有88%是直接离开了，而还有10%的用户是注册用户选择直接登录，只有2％的用户绕过了落地页去网站首页了; 而没有从第二步转化至第三步的用户100％都离开了。这是比较典型的封闭式落地页，因此只需要优化第三步的转化率即可提升整体转化率。
3.3 微转化分析法
很多行为分析产品只能分析到功能层级和事件层级的转化，但在用户交互细节分析方面存在严重的缺失， 比如：在上图的漏斗中我们分析出最后一步是影响转化的关键，但最后一步是注册表单，因此对于填写表单的细节行为分析就至关重要， 这种行为我们称为微转化。
例如：填写表单所花费的时长，填写但没有提交表单的用户在填哪个字段时流失，表单字段空白率等表单填写行为。
图：表单填写转化漏斗
图：表单填写时长
通过上述表单填写的微转化分析，用户从开始填写到注册成功转化率达85％，而流量到填写只有8%，可以得出影响转化的最大泄漏点就是填写率，那么如何提高填写率就是我们提升注册转化的核心。有效的内容和精准的渠道是影响填写的核心因素，渠道因素我们在获客分析中已经讲过，这就引出我们微转化分析的第4种工具：用户注意力分析。
3.4 热力图分析法
用户在页面上的点击、浏览、在页面元素上的停留时长、滚动屏幕等用户与页面内容的交互行为，这些都代表用户对产品要展示的信息的关注程度，是否能吸引用户的眼球。
业务数据可以可视化，那么行为数据如何可视化呢？
数极客把上述行为转化成了分屏触达率热图、链接点击图、页面点击图、浏览热图、注意力热图这5种热图，通过5种热图的交叉分析，可以有效的分析出用户最关注的内容。
图：注意力热图
只有能掌握微转化的交互行为分析，才能更有效的提高转化率。而一切不能有效提高平台转化率的分析工具都在浪费企业的人力和时间资源，这也是众多企业没有从用户行为分析中获益的根本原因。
3.5 定性分析法
用户体验是企业的头等大事，在产品设计、用户研究、研发、运营、营销、客户服务等众多环节，都需要掌握用户的真实体验过程。但如何优化用户体验向来是内部争议较多，主要原因还是通过定量数据分析难以具体和形象的描述。通过行为分析分现异常用户行为时，能否重现用户使用你的产品时的具体场景，这对于优化产品的体验至关重要。
以前我在淘宝时，用户体验部门会通过邀请用户到公司进行访谈，做可用性实验的方式来进行体验优化，但这种方式需要化费比较多的时间和费用投入，样本不一定具有代表性。为了解决这个难题，数极客研发了用户行为录屏工具，无需邀请用户到公司实地录制节省成本，直观高效的以视频形式还原用户的真实操作，使得企业各岗位均能掌握用户体验一手信息，帮助产品研发提高用户体验。
图：用户行为录屏播放界面
3.6 A/B测试
（1）什么是A/B 测试？
A/B 测试是一种通过数据分析科学优化产品的方法，为同一个优化目标制定两个或多个方案，随机选择两部分用户，让一部分用户使用 A 方案，另一部分用户使用 B 方案，统计并对比不同方案的点击率、转化率、活跃留存等指标，找到最优的产品决策方案。在精益创业思想中，不要做一个大而全的东西，而是不断做出能够快速验证的小而精的东西。快速验证，如何验证的？主要方法就是A/B测试。
需要注意的是，A/B 测试 不是简单的对比测试，国内99%的企业都会误认为仅仅是对比测试，通过简单的比例指标，选择表现较好的一组方法上线后，发现这一组方法反而导致了整体指标的下降。 原因就是A/B 测试的方法不正确，没有使用统计学的方法从流量的随机分配到测试结果进行科学的解读。
（2）A/B测试的价值
避免风险： “后验”主义产品验证，如未达到预期，回滚导致开发成本高，客户流失风险高；
科学决策：大部分产品经理依靠直觉去决策，但实际情况是我们想的不一定是用户想的；再厉害的PM也跑不过一半的A/B测试；
低成本高效：传统的开发流程，上线需要排期，开发迭代效率低，AB测试不需要发版，直接可以快速验证方案。
（3）A/B测试的应用场景
新页面能否提升停留时间，提升关键行为的转化率？
button样式调整，能否带来更多的点击，提升转化率？
新流程是否流畅，比旧流程更好的用户体验？
新算法是否能有效提高产品转化率？
（4）如何做好A/B测试
制定清晰的测试计划(时间、数量、目标、成功标准)
定义可衡量的转化标准
找出测试元素、发布测试方案、分配流量
跟踪数据表现，调整测试要素，找到最优方案
不应犯的错误：
无清晰测试计划
流量太少、分配不一致、时间太长
没有评价标准
在宏观层面(战略和规划)通过增长方法论中的鱼塘理论、机会井理论帮助规划企业的目标市场、客户群体，明确企业提供的核心价值深度，用AARRR、消费决策模型、行为动机模型完成PMF(产品-市场匹配)，找出Aha moment(留存关键行为) 快速转化为北极星指标;。
在微观层面（实战方法论）通过6种转化率分析模型 提高产品转化率、用户体验; 大家如果能掌握好增长方法论和提升转化的秘诀，就一定可以通过实现业务快速增长。
作者：谢荣生 ，数极客CEO。对外经济贸易大学MBA，拥有16年互联网行业成功经验。曾任国美金融创始团队成员&产品总监、百合网婚礼联合创始人，先后负责产品、运营、营销团队；曾任淘宝网高级产品经理，负责淘宝千亿级交易产品（家具、生活服务）；曾帮助多家知名平台成功实现数据驱动业务增长。
本文系人人都是产品经理社区媒体运营团队@Ella 整理编辑发布，未经本站许可，不得转载。
题图来自 Pixabay，基于 CC0 协议
收藏已收藏 | 74赞已赞 | 19
产品经理和运营人的学习社区
产品经理群
运营交流群
品牌营销群
文案交流群
Axure交流群
关注微信公众号
大家都在问
6个回答4人关注
3个回答2人关注
7个回答3人关注
6个回答3人关注
8个回答5人关注
4个回答2人关注7000字深度总结：运营必备的几个数据分析方法 - 大数据_CIO时代网 - CIO时代—数字化课堂与资源库
7000字深度总结：运营必备的几个数据分析方法
7000字深度总结：运营必备的几个数据分析方法
09:58:01&&来源：GrowingIO
09:58:01&&来源：GrowingIO
摘要：提起数据分析，大家往往会联想到一些密密麻麻的数字表格，或是高级的数据建模手法，再或是华丽的数据报表。其实，“ 分析 ”本身是每个人都具备的能力;比如根据股票的走势决定购买还是抛出，依照每日的时间和以往经验选择行车路线;购买机票、预订酒店时，比对多家的价格后做出最终选择。
　　提起数据分析，大家往往会联想到一些密密麻麻的数字表格，或是高级的数据建模手法，再或是华丽的数据报表。其实，& 分析 &本身是每个人都具备的能力;比如根据股票的走势决定购买还是抛出，依照每日的时间和以往经验选择行车路线;购买机票、预订酒店时，比对多家的价格后做出最终选择。
　　这些小型决策，其实都是依照我们脑海中的数据点作出判断，这就是简单分析的过程。对于业务决策者而言，则需要掌握一套系统的、科学的、符合商业规律的数据分析知识。
　　1.数据分析的战略思维
　　无论是产品、市场、运营还是管理者，你必须反思：数据本质的价值，究竟在哪里?从这些数据中，你和你的团队都可以学习到什么?
　　1.1 数据分析的目标
　　对于企业来讲，数据分析的可以辅助企业优化流程，降低成本，提高营业额，往往我们把这类数据分析定义为商业数据分析。商业数据分析的目标是利用大数据为所有职场人员做出迅捷、高质、高效的决策，提供可规模化的解决方案。商业数据分析的本质在于创造商业价值 ，驱动企业业务增长。
　　1.2 数据分析的作用
　　我们常常讲的企业增长模式中，往往以某个业务平台为核心。这其中，数据和数据分析，是不可或缺的环节。
　　通过企业或者平台为目标用户群提供产品或服务，而用户在使用产品或服务过程中产生的交互、交易，都可以作为数据采集下来。根据这些数据洞察，通过分析的手段反推客户的需求，创造更多符合需求的增值产品和服务，重新投入用户的使用，从而形成形成一个完整的业务闭环。这样的完整业务逻辑，可以真正意义上驱动业务的增长。
　　1.3 数据分析进化论
　　我们常常以商业回报比来定位数据分析的不同阶段，因此我们将其分为四个阶段。
　　阶段 1：观察数据当前发生了什么?
　　首先，基本的数据展示，可以告诉我们发生了什么。例如，公司上周投放了新的搜索引擎 A 的广告，想要比对一周下来，新渠道 A 比现有渠道 B 情况如何，A、B 各自带来了多少流量，转化效果如何? 又比如，新上线的产品有多少用户喜欢，新注册流中注册的人数有多少。这些都需要通过数据来展示结果，都是基于数据本身提供的&发生了什么&。
　　阶段 2：理解为什么发生?
　　如果看到了渠道 A 为什么比渠道 B 带来更多的流量，这时候我们就要结合商业来进一步判断这种现象的原因。这时候我们可以进一步通过数据信息进行深度拆分， 也许某个关键字带来的流量，也许是该渠道更多的获取了移动端的用户。这种数据深度分析判断，成为了商业分析第二个进阶，也同时能够提供更多商业价值上的体现。
　　阶段 3：预测未来会发生什么?
　　而当我们理解了渠道 A、B 带来流量的高半年销量不到百万部，苹果要放弃印度市场吗?低，就根据以往的知识预测未来会发生什么。在投放渠道 C、D 的时候，猜测渠道 C 比渠道 D 好，当上线新的注册流、新的优化，可以知道哪一个节点比较容易出问题;我们也可以通过数据挖掘的手段，自动预测判断 C 和 D 渠道之间的差异，这就是数据分析的第三个进阶，预测未来会发生的结果。
　　阶段 4：商业决策
　　所有工作中最有意义的还是商业决策，通过数据来判断应该做什么。而商业数据分析的目的，就是商业结果。当数据分析的产出可以直接转化为决策，或直接利用数据做出决策，那么这才能直接体现出数据分析的价值。
　　1.4 数据分析的 EOI 框架
　　EOI 的架构是包括 LinkedIn、Google 在内的很多公司定义分析型项目的目标的基本方式，也是首席增长官在思考商业数据分析项目中一种基本的、必备的手段。
　　其中，我们先会把公司业务项目分为三类：核心任务，战略任务，风险任务。以谷歌为例，谷歌的核心任务是搜索、SEM、广告，这是已经被证明的商业模型，并已经持续从中获得很多利润。谷歌的战略性任务(在 2010 年左右)是安卓平台，为了避免苹果或其他厂商占领，所以要花时间、花精力去做，但商业模式未必成型。风险任务对于创新来说是十分重要的，比如谷歌眼镜、自动驾驶汽车等等。
　　数据分析项目对这三类任务的目标也不同，对核心任务来讲，数据分析是助力(E)，帮助公司更好的盈利，提高盈利效率; 对战略任务来说是优化(O)，如何能够辅助战略型任务找到方向和盈利点;对于风险任务，则是共同创业(I)，努力验证创新项目的重要性 。首席增长官需要对公司业务及发展趋势有着清晰的认识，合理分配数据分析资源、制定数据分析目标方向。
　　2. 数据分析的 3 大思路
　　而面对海量的数据，很多人都不知道从如何准备、如何开展，如何得出结论。下面为大家介绍做数据分析时的 3 个经典的思路，希望在数据分析的实际应用中能给大家带来帮助。
　　2.1 数据分析的基本步骤
　　上面我们提到了数据分析与商业结果之间关联的重要性，所有商业数据分析都应该以业务场景为起始思考点，以业务决策作为终点。数据分析该先做什么、后做什么?基于此，我们提出了商业数据分析流程的五个基本步骤。
　　第一步，要先挖掘业务含义，理解数据分析的背景、前提以及想要关联的业务场景结果是什么。
　　第二步，需要制定分析计划，如何对场景拆分，如何推断。
　　第三步，从分析计划中拆分出需要的数据，真正落地分析本身。
　　第四步，从数据结果中，判断提炼出商务洞察。
　　第五步，根据数据结果洞察，最终产出商业决策。
　　举个例子：
　　某国内互联网金融理财类网站，市场部在百度和 hao123 上都有持续的广告投放，吸引网页端流量。最近内部同事建议尝试投放神马移动搜索渠道获取流量;另外也需要评估是否加入金山网络联盟进行深度广告投放。
　　在这种多渠道的投放场景下，如何进行深度决策? 我们按照上面商业数据分析流程的五个基本步骤来拆解一下这个问题。
　　第一步：挖掘业务含义。
　　首先要了解市场部想优化什么，并以此为北极星指标去衡量。对于渠道效果评估，重要的是业务转化：对 P2P 类网站来说，是否发起 &投资理财& 要远重要于 &访问用户数量& 。所以无论是神马移动搜索还是金山渠道，重点在于如何通过数据手段衡量转化效果;也可以进一步根据转化效果，优化不同渠道的运营策略。
　　第二步，制定分析计划。
　　以 &投资理财& 为核心转化点，分配一定的预算进行流量测试，观察对比注册数量及最终转化的效果。记下俩可以持续关注这些人重复购买理财产品的次数，进一步判断渠道质量。
　　第三步，拆分查询数据。
　　既然分析计划中需要比对渠道流量，那么我们需要各个渠道追踪流量、落地页停留时间、落地页跳出率、网站访问深度以及订单等类型数据，进行深入的分析和落地。
　　第四步，提炼业务洞察。
　　根据数据结果，比对神马移动搜索和金山网络联盟投放后的效果，根据流量和转化两个核心KPI，观察结果并推测业务含义。如果神马移动搜索效果不好，可以思考是否产品适合移动端的客户群体;或者仔细观察落地页表现是否有可以优化的内容等，需找出业务洞察。
　　第五步，产出商业决策。
　　根据数据洞察，指引渠道的决策制定。比如停止神马渠道的投放，继续跟进金山网络联盟进行评估;或优化移动端落地页，更改用户运营策略等等。
　　以上这些都是商务数据分析拆解和完成推论的基本步骤。在接下来的内容中，我们都会有这个分析思路。
　　2.2 内外因素分解法
　　在数据分析的过程中，会有很多因素影响到我们的北极星指标，那么如何找到这些因素呢?在此向大家推荐内外因素分解法。内外因素分解法是把问题拆成四部分，包括内部因素、外部因素、可控和不可控，然后再一步步解决每一个问题。
　　举个例子：
　　某社交招聘类网站，分为求职者端和企业端。其盈利模式一般是向企业端收费，其中一个收费方式是购买职位的广告位。业务人员发现， &发布职位& 的数量在过去的 6 月中有缓慢下降的趋势。对于这类某一数据指标下降的问题，可以怎么分析呢?
　　根据内外因素分解法，我们可以从四个角度依次去分析可能的影响因素。
　　内部可控因素：产品近期上线更新、市场投放渠道变化、产品粘性、新老用户留存问题、核心目标的转化。
　　外部可控因素：市场竞争对手近期行为、用户使用习惯的变化、招聘需求随时间的变化。
　　内部不可控因素：产品策略(移动端/PC端)、公司整体战略、公司客户群定位(比如只做医疗行业招聘)。
　　外部不可控因素：互联网招聘行业趋势、整体经济形势、季节性变化。
　　有了内外因素分解法，我们就可以较为全面地分析数据指标，避免可能遗失的影响因素并且对症下药。
　　2.3 DOSS 思路
　　DOSS 思路是从一个具体问题拆分到整体影响，从单一的解决方案找到一个规模化解决方案的方式。首席增长官需要快速规模化有效的增长解决方案，DOSS 是一个有效的途径。
　　举个例子：
　　某在线教育平台提供免费课程视频，同时售卖付费会员，为付费会员提供更多高阶课程内容。如果我想将一套计算机技术的付费课程，推送给一群持续在看 C++ 免费课程的用户，那么数据分析应该如何支持呢?
　　我们按 DOSS 思路的四个步骤，分解如下：
　　具体问题：预测是否有可能帮助某一群组客户购买课程。
　　整体影响：首先根据这类人群的免费课程的使用情况进行数据分析、数据挖掘的预测，之后进行延伸，比如对整体的影响，除了计算机类，对其他类型的课程都进行关注。
　　单一回答：针对该群用户进行建模，监控该模型对于最终转化的影响。
　　规模化方案：之后推出规模化的解决方案，对符合某种行为轨迹和特征的行为进行建模，产品化课程推荐模型。
　　3. 数据分析的 8 种方法
　　上面介绍了 3 个经典分析思路，它们可以帮你搭建一个清晰的数据分析思路框架。那么对于具体的业务场景问题，我们又该怎么办呢?我们以一个电子商务网站为例，用数据分析产品 GrowingIO 对该网站进行快速地数据采集、清晰和可视化展示，然后给大家分享这 8 种常见的数据分析方法。
　　3.1 数字和趋势
　　看数字、看趋势是最基础展示数据信息的方式。在数据分析中，我们可以通过直观的数字或趋势图表，迅速了解例如市场的走势、订单的数量、业绩完成的情况等等，从而直观的吸收数据信息，有助于决策的准确性和实时性。
　　对于电子商务网站，流量是非常重要的指标。上图中，我们将网站的访问用户量(UV)和页面浏览量(PV)等指标汇汇聚到统一的数据看板(Dashboard)，并且实时更新。这样的一个数据看板，核心数字和趋势一目了然，对于首席增长官来说一目了然。
　　3.2 维度分解
　　当单一的数字或趋势过于宏观时，我们需要通过不同的维度对于数据进行分解，以获取更加精细的数据洞察。在选择维度时，需要仔细思考其对于分析结果的影响。
　　举个例子，当监测到网站流量异常时，可以通过拆分地区、访问来源、设备、浏览器等等维度，发现问题所在。图 7 中，当天网站的访问用户量显着高于上周，这是什么原因呢?当我们按照访问来源对流量进行维度拆分时(图 9 )，不难发现直接访问来源的访问量有非常大的提升，这样就进一步把问题聚焦了。
　　3.3 用户分群
　　针对符合某种特定行为或背景信息的用户，进行归类处理，是我们常常讲到的用户分群(segmentation )的手段。我们也可以通过提炼某一群用户的特定信息，创建该群体用户的画像。 例如访问购物网站、寄送地址在北京的用户，可以被归类为&北京&用户群体。而针对&北京&用户群体，我们可以进一步观察他们购买产品的频度、类别、时间，这样我们就创建出该用户群体的画像。
　　在数据分析中，我们往往针对特定行为、特定背景的用户进行有针对性的用户运营和产品优化，效果会更加明显。上图中，我们通过 GrowingIO 的用户分群功能将一次促销活动中支付失败的用户挑选出来，然后推送相应的优惠券。这样精准的营销推广，可以大幅度提高用户支付的意愿和销售金额。
　　3.4 转化漏斗
　　绝大部分商业变现的流程，都可以归纳为漏斗。漏斗分析是我们最常见的数据分析手段之一，无论是注册转化漏斗，还是电商下单的漏斗。通过漏斗分析可以从先到后还原用户转化的路径，分析每一个转化节点的效率。
　　其中，我们往往关注三个要点：
　　第一，从开始到结尾，整体的转化效率是多少?
　　第二，每一步的转化率是多少?
　　第三，哪一步流失最多，原因在什么地方?流失的用户符合哪些特征?
　　上图中注册流程分为 3 个步骤，总体转化率为45.5%;也就是说有 1000 个用户来到注册页面，其中 455 个成功完成了注册。但是我们不难发现第二步的转化率是 56.8% ，显着低于第一步 89.3% 和第三步转化率 89.7%，可以推测第二步注册流程存在问题。显而易见第二步的提升空间是最大的，投入回报比肯定不低;如果要提高注册转化率，我们应该优先解决第二步。
　　3.5 行为轨迹
　　关注行为轨迹，是为了真实了解用户行为。数据指标本身往往只是真实情况的抽象，例如，网站分析如果只看访问用户量(UV)和页面访问量(PV)这类指标，断然是无法全面理解用户如何使用你的产品。
　　通过大数据手段，还原用户的行为轨迹，有助于增长团队关注用户的实际体验、发现具体问题，根据用户使用习惯设计产品、投放内容。
　　上图中展示了一位用户在某电商网站上的详细行为轨迹，从官网到落地页，再到商品详情页，最后又回到官网首页。网站购买转化率低，以往的业务数据无法告诉你具体的原因;通过分析上面的用户行为轨迹，可以发现一些产品和运营的问题(比如是不是商品不匹配等等)，从而为决策提供依据。
　　3.6 留存分析
　　在人口红利逐渐消褪的时代，留住一个老用户的成本要远远低于获取一个新用户。每一款产品，每一项服务，都应该核心关注用户的留存，确保做实每一个客户。我们可以通过数据分析理解留存情况，也可以通过分析用户行为或行为组与回访之间的关联，找到提升留存的方法。
　　在 LinkedIn，增长团队通过数据发现，如果新用户进来后添加 5 个以上的联系人(上图红色线条)，那么他/她在 LinkedIn 上留存要远远高于那些没有添加联系人(上图绿色和紫色的线条)的留存。 这样，添加联系人称为 LinkedIn 留存新用户的最核心手段之一。
　　除了需要关注整体用户的留存情况之外，市场团队可以关注各个渠道获取用户的留存度，或各类内容吸引来的注册用户回访率，产品团队关注每一个新功能对于用户的回访的影响等等，这些都是常见的留存分析场景。
　　3.7 A/B 测试
　　A/B 测试用来对比不同产品设计/算法对结果的影响。产品在上线过程中经常会使用 A/B 测试来测试不同产品或者功能设计的效果，市场和运营可以通过 A/B 测试来完成不同渠道、内容、广告创意的效果评估。
　　举个例子，我们设计了两种不同的产品交互形式，通过比较实验组(A 组)和对照组(B 组)的访问时长和页面浏览量两个衡量指标，来评估哪一种交互形式更佳。
　　要进行 A/B 测试有两个必备因素：第一，有足够的时间进行测试;第二，数据量和数据密度较高。因为当产品流量不够大的时候，做 A/B 测试得到统计结果是很难的。而像 LinkedIn 这样大体量的公司，每天可以同时进行上千个 A/B 测试。所以 A/B 测试往往在公司数据规模较大时使用会更加精准，更快得到统计的结果。
　　3.8 数学建模
　　当一个商业目标与多种行为、画像等信息有关联性时，我们通常会使用数学建模、数据挖掘的手段进行建模，预测该商业结果的产生。
　　作为一家 SaaS 企业，当我们需要预测判断客户的流失时，可以通过用户的行为数据、公司信息、用户画像等数据建立流失模型。利用统计学的方式进行一些组合和权重计算，从而得知用户满足哪些行为之后流失的可能性会更高。
　　我们常常说，不能度量，就无法增长，数据分析对于企业商业价值的提升有着至关重要的作用。当然，仅仅掌握单纯的理论还远远不够，实践出真知。数据分析的方法大家不妨在自己日常工作中，有分析相关项目里尝试使用，相信可以事半功倍，创造更多商业价值。
　　作者信息：陈明，GrowingIO 联合创始人&运营副总裁。陈明毕业于斯坦福大学，先后就职于 eBay、LinkedIn 数据分析部门，有丰富的商务分析经验。
责编：zhangxuefeng}