用户行为数据分析——实战运营篇

用户行为数据分析篇章终于开始续写了,前两篇由于一些特殊原因中断,但没关系,这篇文章将会是满满的干货篇,我将会在我所认知范围内最为实用的几种有效手段,倾其放出。

用户行为数据分析——实战运营篇

数据分析的惯以准则

我们常常讲的企业增长模式,亦或是业务商业模式,通常来说是以某个业务平台为核心使其正常运转,这其中数据和数据分析,将会是不可或缺的环节。如下图所示:

用户行为数据分析——实战运营篇

再普通不过的一个模式,很清晰地可以看出,也近乎是大部分企业所遵循的一套体系,大致的解读为企业通过搭建平台为目标用户群体提供产品或服务,而这些用户在使用产品或服务过程中产生的交互、交易,则作为数据采集下来。根据这些数据进而洞察、筛查,通过分析的手段去反推用户或客户的需求,创造出更多符合需求的增值产品和服务,重新投入用户的使用,从而形成一个完整的业务闭环。这样的完整业务逻辑,可以算得上是真正意义上数据驱动业务的增长。

01、基本步骤

我们了解了数据分析与商业结果之间关联的重要性,那么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?这是需要斟酌的事情,基于此,通过拆解细分,我将数据分析流程的分为了五个基本步骤。

  • 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。
  • 制定分析计划,如何进行场景拆分,如何推断。
  • 从分析计划中筛查出需要的数据,真正落地分析本身。
  • 从数据结果中,判断提炼出商务洞察。
  • 根据数据结果洞察,最终产出商业决策。

用户行为数据分析——实战运营篇

举个例子,某电商产品,运营或市场部均在百度和360搜索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UC插屏、神马移动搜索信息流渠道获取流量;另外也需要评估是否在各大安卓设备负一屏进行深度广告投放。

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

首先要了解运营部想优化什么,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:对电商类产品来说,不同阶段、不同时间,那么他的侧重点、需求也就不同;刚开始的时候,前期的“流量转化”要远重要于 “复购率、GMV”等 ,所以无论是百度、360还是UC、神马等渠道,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 “流量转化” 为核心转化点(解释一下,前期的流量转化可包含且不限于访客数、访客来源、注册用户数、浏览量、浏览深度、产品的浏览量排行、产品的跳失率、顾客评价指数、相关页面的转化率等等),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。接下来可以持续关注这些人的流量转化情况,进而判断出渠道质量。

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、页面访问深度以及订单、商品等类型数据,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PC和移动端投放后的效果,根据流量和转化两个核心 KPI,观察结果并推测业务含义。如果百度、360搜索效果不好,可以思考是否产品适合移动端的用户群体;或者评比观察落地页的表现,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PC的效果不尽如意时停止百度或360的投放,继续跟进移动端相关渠道进行评估;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,通过举例说明运用该方式希望能够指引各位对该理念理解的更为透彻。

02、内外因素分析法

在数据分析的过程中,常会有很多因素影响到我们的关键指标,那么如何去找到这些因素呢?在此向大家推荐内外因素分解法,也是非常流行的一套体系,内外因素分解法是把问题拆成四部分,这其中包含内/外部因素、可/不可控因素,然后再一步步解决每一个问题。

以当下正如火如荼的招聘产品为例,该类型产品分为求职者端和企业端。其主要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。当业务人员发现,“发布职位” 的数量在某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?

用户行为数据分析——实战运营篇

如上面所说的内外部因素的四个角度,我们去分析可能会涉及的影响。

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IT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,如当下的金三银四。

依照这套体系,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。

数据分析的几种方式

上面两个经典分析思路,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?还是以电商产品为例(原谅我过往项目皆以电商较多),举例举证和大家分析几种常见的方式。

01、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,从而直观地吸收数据信息,这有助于决策的准确性和实时性。

用户行为数据分析——实战运营篇

对于电商类产品来说,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)等指标汇聚到控制页的数据看板(Dashboard),并且实时更新。通过自由设定布局,有这样的一个数据看板,核心数字和趋势一目了然。

02、维度拆解

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。

用户行为数据分析——实战运营篇

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。图中,当天网站的访问用户量显著高于上周,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,不难发现直接访问来源的访问量有非常大的提升,这样问题就进一步得到聚焦。

03、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。 比如访问购物网站、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。

用户行为数据分析——实战运营篇

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。

04、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?

用户行为数据分析——实战运营篇

上图中注册流程分为 3 个步骤,总体转化率为 45%;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 50.7% ,显著低于第一步 89.3% 和注册的转化率95%,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。

05、行为路径

关注行为路径,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,还原用户的行为路径,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。

用户行为数据分析——实战运营篇

上图中展示了新用户在某电商网站上的详细行为轨迹,从进入产品流量商品到详情页,再到提交订单、支付订单,最后再回到商品界面。新用户购买转化率低,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。

06、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,坊间也流传着一句话说“不买量等于找死,持续买量等于等死”,事实也证明我们只有关注留存持续为用户创造价值,才是最为主要的事情,才是做产品的初衷,虽不能确保做实每一个用户,但至少能有着落,能得到归因,当你水龙头只有只有杯口大而出水口却是个洗脸盆的时候,你还在无动于衷,这种产品终究成为市场泡沫。

判定产品的留存有多种途径,最直接的便是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”;以上案例引入肖恩埃利斯的《增长黑客》一书。

用户行为数据分析——实战运营篇

除了需要关注整体用户的留存情况之外,运营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。

07、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。

写在最后

直接滑到底部的朋友可能你要失望了,没有总结,没有盘点,我知道很多新媒体文章都会在底部写出总结,文章的大致内容会分为几个要点一一列出,如果是单点要素较强的文章我会按此章程去写,比如上一篇的竞品分析,但如果是较为理论实例较多文章,我希望各位能够花几分钟时间完整的将文章浏览一遍,哪怕你是以2倍速的阅读速度在流览。

最后要补充的一点是,理论、规则或体系是为了更好的解决我们工作上的两难问题而诞生的,切勿为了解决问题而去解决问题。比如上述所说的五大步骤和内外部因素分析法,关于内外部因素分析法,这是许多产品人员惯用的一个手法,我相信有许多人在点开这篇文章之前就已了解过这套体系,但尤为注意的一点是,我们熟知体系,但更需要感知体系,在实际项目中或因本身的业务架构调整,某个环节缺失,我们仍旧能够做到临危不乱保持自己的节奏运用既定思维去推进项目,这才算是深谙体系。

产品小七,入坑3年,与你共同探讨移动互联网产品中的术与道!(如果你也是我辈之人,欢迎加我V:Wesson127。)

本文由 新媒体之家 作者: 产品小七 发布或转载,其版权均为原作者所有,如稿件涉及版权等问题,请与我们联系删除或处理。稿件内容仅为传递更多信息之目的,不代表本网观点,亦不代表本网站赞同其观点或证实其内容的真实性,更不对您的投资构成建议。未经许可,请勿转载,题图来自Unsplash,基于CC0协议。
8

发表评论