三个步骤、两个模型,数据分析驱动产品用户增长

本文笔者将从数据分析的“三个步骤”、“两个模型”两个板块,以全民K歌为例,来与大家讲述:如何用数据分析驱动产品用户增长?

三个步骤、两个模型,数据分析驱动产品用户增长

(纯贴数据做分析看着太辛苦了,所以本文会从更方法论的角度来阐释)

前段时间在看到一个帖子在问:数据分析能驱动用户快速增长吗?

先说答案——“能。”,再说具体怎么做。

因为数据涉密,我不会用我经手过的产品数据来说明,而会选用一个我自己很喜欢使用的产品——全民K歌,来完成这篇文章。因为无法获得精准的产品数据,所以我会按照自己对产品的理解+部分第三方数据做分析,目的是分享数据分析驱动增长的常见方法,如有不科学的地方,欢迎指出。

以下, enjoy:数据分析常见操作方法是【三个步骤】&【两个模型】

一、三个步骤

三个步骤为:确定核心目标、列出组成公式、确认元素

在互联网公司常见的应用方式为:

核心目标(即北极星指标)=A*B*C

拿全民K歌来举个例子,全民K歌的slogan是:“你其实很会唱歌。”

三个步骤、两个模型,数据分析驱动产品用户增长

产品最终价值就是让大家唱歌,并且让别人听到,所以他的北极星指标应该是:【每日原创歌曲播放次数】。在提升这个数据过程中附带产生的伴奏下载/播放次数,好友消息数等都是衍生数据。

因此,公式是:

每日原创歌曲播放次数=每日原创歌曲数*单曲平均播放次数

这就是核心的数据公式,接下来我们要确定影响公式的元素,公式可以被拆解为:

每日原创歌曲播放次数=(每日活跃用户数*人均产出歌曲数)*(单曲曝光次数*曝光-点击率)

这个公式可以无限拆解下去,按照产品的量级和功能复杂度,运营团队的人力资源做到最大程度的细分,在这里不继续穷举,就按照最后的这个公式做分析。

可以发现:影响核心目标的元素有:DAU,人均产出歌曲数,单曲曝光,歌曲曝光-点击率。

常识可知,在乘法里,每个元素的提升,都能对整体结果带来提升,运营团队可以根据这四个元素来做针对性的增长计划:

1. DAU

根据不同的公式对产品的定义,又可以被拆解出很多元素。

我们简单的认为,全民k歌的活跃用户定义为当天登陆过app的注册用户,则可以分解为:注册用户数*打开频率。

注册用户数可以通过异业合作,好友邀请裂变,应用商店,信息流等很多方法提升,属于常规操作,本文不做详细讨论(重点:格外注意黑产用户)。

打开频率,长期来看可以用设置有效的功能场景(例如:打卡签到,歌唱教学),合理的渠道推送(消息push提醒等)等方式提升。短期则可以通过一些事件营销和社区传播的手段,引起用户的注意和讨论,从而阶段性的提升打开频率。

2. 人均产出歌曲数

首先需要做用户分层:高质量用户(产生过内容)的平均水平是多少?普通用户(从未产生过内容)的水平是多少?

全民k歌一定会有一部分用户是不唱歌的,产生过内容的可能只占30%,那我们在这里是否只统计产出过内容的用户的数据呢?

当然不是。

首先,这样的统计是会影响数据公式的,不能用高质量用户的平均水平放大到所有用户来统计,这样会导致我们对用户现状盲目乐观,甚至做出错误决策。

那为什么要分层呢?直接算一个总平均数不就完了?

我简单做了一个K歌类用户的漏斗。(真的很简单……)

三个步骤、两个模型,数据分析驱动产品用户增长

艾瑞数据显示:全民K歌的月活1.6亿,假设按照我的逻辑来定义活跃用户的话(以下数据均为个人假设):按照4个层级按4:3:2:1的比例划分,则人均产出数量为0.16首/天

从策略而言,我们要把0.16这个数字提升到0.2甚至0.3。

从执行而言,有两种方式:

1)让每一层的用户向下一层流动。

——即让沉默用户开始听歌,让只听歌的用户开始唱第一首歌,让偶尔唱歌的用户活跃起来。基本的逻辑是改变4321这个结构。

2)提升每个层级的平均产出数量。

例如:让0变成0.1,让0.3变成0.5。

基于以上的数据分析和目标拆解,那运营就可以有更加明确,精细化的策略。

例如:目标是让只听歌不唱歌的用户,从人均生产0首歌,到人均生产0.1首歌。

可以对应的策划【你的第一首歌】活动,通过降低参与门槛(例如:做简单的抢麦,唱两句就好了,不用唱4分钟的完整歌曲,先让用户开第一次口),提供激励因素(无论是情感激励-组队抢麦,还是利益激励-发金币)都可以。

3. 单曲曝光次数

原创歌曲的曝光,通常通过以下3种方式:

  1. 社交关系链——关注/好友等
  2. 机器算法推荐——附近/推荐,猜你喜欢等
  3. 固定曝光位——发现-各类榜单,点歌-各种榜单/各种分类,广告位等

运营可以围绕不同形式,设定不同的数据目标,策划对应的运营活动,从而提升在不同的板块里的歌曲曝光次数。

举个🌰,社交关系链,关键的数据目标就是关注/好友数,好友越多,理论上歌曲被曝光的几率和次数就越多。

当然这里涉及到用户活跃和分层的定义,一个人的好友从50变成100,并不代表歌曲曝光次数会翻倍。但总的来说,社交关系得到拓展后,发出的原创歌曲一定能在关注/好友两个板块得到更高的曝光几率。

因此运营的目的就从【提升歌曲曝光】这个不知道咋下手的目标,变成了【提升平均好友数】这个更具体可执行的目标

接下来就是策划具体的活动了,是通过组团抢麦,还是隔空互动,或者是陌生人社交侧的情感互动匹配,在运营机制中注意强化【互加好友】这个关键动作即可,在此不做赘述。

说白了,在这里数据分析的关键作用之一就是:通过数据分析拆解,找到在运营侧更具体可执行的方向。

4. 曝光-点击率

提高曝光-点击率,有两个方法:

1)找到对歌曲更匹配,更感兴趣的人,让曝光的效率最大化。

例如:给周杰伦的粉丝,推荐普通用户翻唱的 [七里香],绝对比推送给五月天粉的效率更高,这个需要运营人员做的就是做用户标签,分群,算法推荐,不做赘述。

2)提高用户点击播放的欲望。简单的说就是提升歌曲的吸引力。

这涉及到对内容的优化,比如:推送封面(头图的大小,形状,视觉等),标题,文案(例如:70%的好友都听过/得分超过85%的人之类的)等等。

高品质的内容能够有效的提升曝光-点击转化率,那运营人员需要做的就是大量的AB test,哪种形式的内容最能吸引到用户点击,看数据说话就完事儿了。

总而言之,数据分析的【三个步骤】,主要的作用是:让运营团队找到增长的方向,并通过合理的拆解找到运营的切入点。

二、两个模型

两个模型分别是:漏斗模型,坐标模型

1. 漏斗模型

最典型的就是AARRR模型,不懂的同学自行百度,不做赘述。

除了用户获取的整个流程外,漏斗模型还可以用于单个case的分析,漏斗从上到下基本代表的是用户旅程地图(说人话就是:用户在产品上的一个完整的互动)。主要用于跳出/流失分析,用于发现问题——用户在哪里流失?

三个步骤、两个模型,数据分析驱动产品用户增长

还拿全民K歌来举例子,我们的目标是:让更多从不唱歌的人,开口唱第一首歌

基于这个目标,运营设置了一个H5活动——测测你的歌星含量(文案可能还要再改改……)

大致玩法可能是:选择你喜欢的歌曲,系统出歌词,放一遍原唱,长按录音,得出结果,分享到动态。

如果只告诉你,活动页面UV超过100万,但是最后分享到动态的数据只有500个,你知道问题出在哪里嘛?

这个时候基于对H5每个页面的流量漏斗分析,我们就可以发现问题并改善。

比如:

1)我们发现,活动页面UV100万,但是完成选择歌曲的人数只有1万,只有1%,为什么?

这是一个非常不合理而且远低于预期的数据。基于此,我们有一个猜测,是歌曲库不够丰富,还是用户懒得自行选择?

因此,我会对页面埋点数据再做一次分析,比如:有50%的用户点击了搜索歌曲,但是最终没有进行下一步,可能意味着音乐库丰富度或者搜索匹配出现了问题。又比如:大部分用户在页面点来点去,就是没有点击搜索框?他可能很懒,在找系统推荐罢了。

基于猜测,我们可以再做测试,或者是用户调研,去验证想法是否正确,从而发现问题到底出现在哪里。

当然,内容的测试,应该是上线前就做好优化的。

那我们再来看实际环境中更多出现的,另一种情况:

2)我们发现完成录制,得出结果页的用户有10万,但是最后选择把结果页分享到动态的用户只有500,为什么?

通过漏斗模型,我们明确的发现:主要的流失出现在“结果页-分享”这一环节。还是一样,先基于数据做猜测,再出解决方案去验证想法。

首先10万用户产出结果页,之前的环节应该是没有太大问题的,那有什么原因会让用户“哪怕产出了分享页也不愿意分享到动态”呢?

可能1:结果页太丑,令人十动然拒。

美与丑不是绝对的,活动上线前可能已经做过测试,但是最后选用的页面就是不被大部分用户认可并愿意分享(就好像男生和女生,一二线和下沉市场用户的喜好都是不同的),那怎么办?

解决方案:众口难调,要么就做线上测试,找出大部分用户喜欢的样式,要么就多做几个不同的分享页版式,让用户自由选。

可能2:没有明确的分享引导

用户看完结果页,说哦好的,然后就关闭离开了。活动方没有明确的引导——例如:分享获得XXX(利益诱导),分享到动态让朋友看看(社交货币/塑造人设)。大部分用户是懒惰的,他们需要更明确的引导,让用户自由发散的决定做什么,最后用户大概率决定什么都不做。

还有很多可能,不穷举了,主要说明的还是漏斗模型能有效的找到问题。

2. 坐标模型

最经典的是RFM模型,用于基于行为数据的用户价值分层,从而实现精细化运营,在产品的整体运营增长中使用较多,在单个活动中运用较少。

常见的RFM模型如下:

三个步骤、两个模型,数据分析驱动产品用户增长

基本上会基于以下三个数据建模型,划分出不同价值的用户区间:

  • R=最近一次行为(Recency)
  • F=行为频率(Frequency)
  • M=行为量级(Monetary)

RFM常见于电商平台,我们还是拿【全民K歌】来举例,首先选定几个数据纬度,我会选择:

  • R=最近一次互动(基于上文的分析,我选用互动而不是登录,互动的定义可能是播放一次歌曲之类的)
  • F=互动行为频率
  • T=单次使用时长(为了简单易懂,其实也是行为量级的含义)

接下来是统计数据,建模分析,然后我没有具体的产品数据(提的这几个维度,也很难通过第三方数据拿到)。嗯,那就先这样吧。

大概是这个意思:

三个步骤、两个模型,数据分析驱动产品用户增长

  • 最近在app上有互动的(定义可能是48小时内),互动频率很频繁的(可能一个月登陆10次以上),单次使用时长也很长(单次在线时长30min?),定义为重要价值客户,丢掉谁都不能丢掉他们。
  • 最近有互动,但是整体来看互动频率不高,使用时长很长的,代表他最近打开了app而且单次使用时长很长,只是互动频率不高。那就证明用户是对产品很感兴趣的,非常有潜力,是重点发展的对象,应该策划更多的活动让他们提高互动频率。
  • 最近不互动,互动频率低,但是从历史来看单次使用时长很长的用户,他们可能曾经很爱全民K歌,但现在已经处于流失的边缘了,是要重点挽回的对象。

通过RFT数据模型能有效的对全民K歌的用户做价值分层,对不同价值级别的用户做精细化的运营,运营的资源和精力是有限的,当然要做更重要的事情啊。

除了用户价值分层,还是基于生命周期的分层,这个解释起来太长了,不在本文举例了,下次有空再写吧。

简而言之,数据分析驱动用户增长,主要就是在两方面:

  1. 通过目标公式和拆分出来的具体数据元素,得出可执行的具体运营策略;
  2. 通过数据模型的分析,发现问题,实现对用户的精细化运营。

本文的分析比较基础,欢迎各位大佬在评论区说下对数据分析的见解鸭!

本文由@谢晓阳 发布

题图来自Unsplash, 基于CC0协议。

本文由 新媒体运营 作者:王子变青蛙 发表,其版权均为 新媒体运营 所有,文章内容系作者个人观点,不代表 新媒体运营 对观点赞同或支持。如需转载,请注明文章来源。
1

发表评论