12-数据分析框架
概述
- 电商业务流程图
- 电商数据分析指标概览
数据来源
从数据的来源看，可以分为企业外部数据和内部数据。外部数据主要包括社会人口、宏观经济、新闻舆情和市场调研数据；内部数据包括用户行为数据、服务端日志数据、CRM与交易数据。不同数据的获取途径、分析方法、分析目的都不尽相同，不同行业、不同企业在实际分析中也都各有偏好。
数据分析方法论
- PEST分析法：从政治（Politics）、经济（Economy）、社会（Society）、计数（Technology）四个方面分析内外环境，适用于宏观分析。
- SWOT分析法：从优势（Strength）、劣势（Weakness）、机遇（Opportunity）、威胁（Threat）四个方面分析内外环境，适用于宏观分析。
- 5W2H分析法：从Why、When、Where、What、Who、How、How much 7个常见的维度分析问题。
- 4P理论：经典营销理论，认为产品（Product）、价格（Price）、渠道（Place）和促销（Promote）是影响市场的重要因素。
- AARRR：增长黑客的海盗法则，精益创业的重要框架，从获取（Acquisition）、激活（Activition）、留存（Retention）、变现（Revenue）和推荐（Referral）5个环节提升增长。
KPI
- 不同的分析目的，所需要的KPI数据不一样，对于产品经理来说，一般有三个场景中的数据应用
- 每日观测的产品运行数据
- 为了验证某个想法而做的产品实验数据，如A/B测试
- 发布某个功能后的反馈数据
- 不同的产品类型，所需要关注的KPI数据不一样
- 基础数据：下载量、激活量、新增用户量、活跃用户等
- 社交产品：用户分布、用户留存（次日、3日、7日、次月、3月）等
- 电商：淘宝指数（生意参谋）、转化率、网站流量、跳出率、页面访问深度等
- 内容类：内容转化率（内容下载量/内容浏览量）、留存率、跳出率
- 工具类：功能点击量、应用商城排名
- 其它：竞品数据（下载、激活等）
- 不同的产品阶段，所需要关注的KPI数据不一样
- 网站刚上线，比较关注流量、PV、跳出率
- 网站运营中期，比较关注新注册、转化率、跳出率
- 网站某次市场活动，比较关注新访客比例、跳出率、新访客的注册转化率、目标达到率等
- 具体针对产品目前最需要的KPI数据，需要基于对行业、业务、产品的熟悉
- 了解整个产业链的结构：对行业的上游和下游的经营情况有大致的了解
- 了解企业业务的发展规划：根据业务当前的需要，制定发展计划，归类出需要整理的数据
- 熟悉产品框架，全面定义每个数据指标的运营现状
- 对比同行业数据指标，挖掘隐藏的提升空间。通过对行业、业务、产品的熟悉可以建立一个数据模型，在特定需求下进行KPI数据提取。也可以对核心用户单独进行产品用研与需求挖掘，从而精细化运营
分析指标
- 行业分析
- 行业大盘数据
- 日期、访问数、搜索人数、搜索点击人数、加购人数、收藏人数、支付金额、支付订单数、支付件数、客单价
- 行业品类成交概况
- 品类、支付金额占比、支付金额环比
- 行业热销趋势
- 搜索增长单品分析、搜索增长属性分析
- 行业搜索人群画像
- 性别、职业、购买力、年龄、省市分布、活动偏好、支付偏好、品牌偏好
- 行业买家画像
- 性别、职业、年龄、会员等级、省市分布、搜索词偏好、商品属性偏好、购买力、购买频次
- 行业大盘数据
- 竞品分析
- 竞品品牌维度数据
- 品牌、访客数、转化率、客单价、支付金额、支付商品件数、收藏人数、加购人数、支付价格带、前三支付品类
- 竞品店铺维度数据
- 店铺、流量指数、转化率指数、交易指数、收藏人气、加购人气
- 竞品商品维度数据（价格带、企划主题等等）
- 店铺、品类、商品总数、价格带1商品数、价格带1动销率
- 竞品流量结构对比
- 流量来源、访客数、浏览量、店内跳转人数、跳出本店人数、收藏人数、加购人数、支付买家数、支付转化率
- 竞品流失分析
- 未收藏加购流失、加购后购买同类商品流失、收藏后购买同类商品流失、非购买类目流失为竞品流失的分析重点；
- 流失严重商品分析
- 商品名称、负面评价数、PC围观人数、手淘围观人数占比、负面评价关键词
- 竞品品牌维度数据
分析方法
- 趋势分析
趋势分析是最简单、最基础，也是最常见的数据监测与数据分析方法。通常我们在数据分析产品中建立一张数据指标的线图或者柱状图，然后持续观察，重点关注异常值。在这个过程中，我们要选定第一关键指标（OMTM，One Metric That Metter），而不要被虚荣指标（Vanity Metrics ）所迷惑。以社交类APP为例，如果我们将下载量作为第一关键指标，可能就会走偏；因为用户下载APP并不代表他使用了你的产品。在这种情况下，建议将DAU（Daily Active Users，日活跃用户）作为第一关键指标，而且是启动并且执行了某个操作的用户才能算上去；这样的指标才有实际意义，运营人员要核心关注这类指标。
- 多维分解
多维分解是指从业务需求出发，将指标从多个维度进行拆分；这里的维度包括但不限于浏览器、访问来源、操作系统、广告内容等等。为什么需要进行多维拆解？有时候一个非常笼统或者最终的指标你是看不出什么问题来的，但是进行拆分之后，很多细节问题就会浮现出来。
- 用户分群
用户分群主要有两种分法：维度和行为组合。第一种根据用户的维度进行分群，比如从地区维度分，有北京、上海、广州、杭州等地的用户；从用户登录平台进行分群，有PC端、平板端和手机移动端用户。第二种根据用户行为组合进行分群，比如说每周在社区签到3次的用户与每周在社区签到少于3次的用户的区别
- 用户细查
正如前面所说的，用户行为数据也是数据的一种，观察用户在你产品内的行为路径是一种非常直观的分析方法。在用户分群的基础上，一般抽取3-5个用户进行细查，即可覆盖分群用户大部分行为规律。
- 事件分析
事件：通过埋点，高效追踪用户行为或业务的过程。注册、启动、登录、点击等，都是常见的事件。通过事件分析我们可以准确了解 App 内发生的事件量，根据产品特性合理配置追踪，可以轻松回答关于变化趋势、分维度对比等问题，例如：某个时间段推广页面点击量有多少，对比昨日有多少提升？某个渠道的累计注册数是多少，第一季度排名前十的注册渠道有哪些？某个活动页的uv分时走势，安卓和 iOS 占比情况如何？
- 漏斗分析
漏斗是用于衡量转化效率的工具，因为从开始到结束的模型类似一个漏斗，因而得名。漏斗分析要注意的两个要点：第一，不但要看总体的转化率，还要关注转化过程每一步的转化率；第二，漏斗分析也需要进行多维度拆解，拆解之后可能会发现不同维度下的转化率也有很大差异。在漏斗模型中清晰 3 个基本概念，可以借助强大的筛选和分组功能进行深度分析。步骤：指的用户行为，由事件加筛选条件组成；时间范围：漏斗第一步骤发生的时间范围；转化周期：用户完成漏斗的时间限制，漏斗只统计这个时间范围内，用户从第一步到最后一步的转化。漏斗分析与事件分析不同的地方在于：漏斗分析是基于用户，或是说基于人来统计某一批用户所发生的行为，不会受到历史浏览页面用户的事件影响，可以更加准确的暴露某一时间段产品存在的问题。某企业的注册流程采用邮箱方式，注册转化率一直很低，才27%；通过漏斗分析发现，主要流失在【提交验证码】的环节。
- 留存分析
留存，顾名思义就是新用户留下来持续使用产品的含义。衡量留存的常见指标有：次日留存率、7日留存率、30日留存率等等。我们可以从两个方面去分析留存，一个是新用户的留存率，另一个是产品功能的留存。留存用户：即用户发生初始行为一段时间后，发生了目标行为，即认定该用户为留存用户。留存行为：某个目标用户完成了起始行为之后，在后续日期完成了特定留存行为，则留存人数 +1。留存率：是指发生“留存行为用户”占发生“初始行为用户”的比例。常见指标有次日留存率、七日留存率、次月留存率等。留存表：留存表中给出了目标用户的留存详情，主要包括以下几个信息：目标用户：每天完成起始行为的目标用户量，是留存用户的基数；留存用户：发生留存行为的留存用户量和留存率。留存曲线图：留存曲线图可以观测随着时间推移，用户留存率的衰减情况。
第一个案例：以社区网站为例，“每周签到3次”的用户留存率明显高于“每周签到少于3次”的用户。签到这一功能在无形中提升了社区的用户的粘性和留存率，这也是很多社群或者社区主推这个功能的原因。第二个案例：首次注册微博，微博会向你推荐关注10个大V；首次注册LinkedIn，LinkedIn会向你推荐5个同事；申请信用卡时，发卡方会说信用卡消费满4笔即可抽取【无人机】大奖；很多社交产品规定，每周签到5次，用户可以获得双重积分或者虚拟货币。在这里面“关注10个大V”、“关注5个同事”、“消费4笔”、“签到5次”就是我想说的Magic Number，这些数字都是通过长期的数据分析或者机器学习的方式发现的。实践证明，符合这些特征的用户留存度是最高的；运营人员需要不断去push，激励用户达到这个标准，从而提升留存率。
- A/B测试与A/A测试
A/B测试是为了达到一个目标，采取了两套方案，一组用户采用A方案，一组用户采用B方案。通过实验观察两组方案的数据效果，判断两组方案的好坏。在A/B测试方面，谷歌是不遗余力地尝试；对于搜索结果的显示，谷歌会制定多种不同的方案（包括文案标题，字体大小，颜色等等），不断来优化搜索结果中广告的点击率。这里需要注意的一点，A/B测试之前最好有A/A测试或者类似准备。什么是A/A测试？A/A测试是评估两个实验组是否是处于相同的水平，这样A/B测试才有意义。其实这和学校里面的控制变量法、实验组与对照组、双盲试验本质一样的。
搭建数据分析体系思路
- 内容定位
运营需要明确知道自己的目标或者KPI，然后选择一个核心关键指标（OMTM）进行监测。如果是创业公司，初期可能需要拉新，那么核心指标是注册用户数或者新访问用户数。如果是资讯媒体，注重影响力和覆盖面，那么核心指标应该是微信阅读数或者网页PV。
- 用户画像
无论是哪一种运营岗位，都需要明确知道自己的（目标）用户是那些人？这些人都有哪些特征，他们的关注点和痛点是什么？如果你的用户是产品经理，那么可以尝试爬虫抓取产品经理网站上有关的问题，然后做文本分析：这是定量层面的分析。同时，通过调查访问和问卷调研，获取更加深入的用户特征信息：这是从定性层面的分析。
- 持续监测
借助数据分析工具，对核心关键指标（OMTM）进行持续监测。对于指标异常情况，我们需要及时分析和改进。
- 数据分析
统计和分析过往内容的数据，找出哪些内容、哪些标题、哪些形式、哪些渠道的效果更好，然后朝这方面不断优化。
AARRR模型
AARRR 模型是一套适用于移动 App 的分析框架，又称海盗指标，是“增长黑客”中驱动用户增长的核心模型。AARRR 模型把用户行为指标分为了 5 大类，分别为：获取用户，激发活跃，提高留存，增加收入和病毒传播。
- Acquisition 获取用户
在获取用户阶段，我们希望让更多潜在用户关注到我们的产品，通过以下基础途径来曝光我们的推广页面：付费获取：媒体广告、SMS、EDM、流量交易/置换；搜索营销：搜索引擎优化（SEO），搜索引擎营销（SEM）；口碑传播：用户间邀请活动，病毒 H5 传播等。用户访问页面后，可以通过导航、主动搜索、算法推荐来了解到我们的产品。切中当下需求的用户会进行注册行为，算是和用户真正意义上第一次会面。这时就要重点关注推广页 UV，点击率，注册量，注册率，获客成本等重要指标。
- Activation 激发活跃
用户注册后是否有进一步了解我们的产品？这其中涉及到产品的功能，设计，文案，激励，可信等等。我们需要不断调优，引导用户进行下一步行为，让新用户成为长期的活跃用户：我们可以通过界面/文案优化，新手引导，优惠激励等手段， 进行用户激活流程的转化提升。监控浏览商品页面，加入购物车，提交订单，完成订单的漏斗转化。这个过程中，我们要重点关注活跃度，若定义加入购物车为活跃用户，那么就要观察注册至加入购物车漏斗转化率，按维度拆分，分析优质转化漏斗的共有特征/运营策略，提升策略覆盖率，优化整体转化效果。
- Retention 提高留存
用户完成初次购买流程后，是否会继续使用？流失的用户能否继续回来使用我们的产品？产品缺乏粘性会导致用户的快速流失，我们可以通过搭建生命周期节点营销计划，通过 push、短信、订阅号、邮件、客服跟进等一切适合的方式去提醒用户持续使用我们的产品。并且在此基础上通过积分/等级体系，培养用户忠诚度，提升用户粘性。重点关注留存率，复购率，人均购买次数，召回率等指标。
- Revenue 增加收入
我们获得每位用户平均需要花费多少钱？每位用户平均能为我们贡献多少价值，能是否从用户的行为，甚至其他方式赚到钱？电商业务的基础要关注获客成本CAC，顾客终身价值，在此基础上通过运营活动激励用户进行购买，提升用户单价、频次、频率，最终提升用户生命周期贡献价值。重点关注获客成本，顾客终身价值，营销活动ROI等指标。
- Referral 病毒传播
用户是否会自发的推广我们的产品？通过激励是否能让更多的忠诚用户推广我们的产品？在社交网络高度发达的今天，我们可以通过各种新奇的方式去进行产品传播：用户邀请的老带新活动，垂直领域的社群运营，H5营销传播，让老用户推广我们的产品，吸引更多的潜在用户。重点关注邀请发起人数，每个病毒传播周期的新用户量，邀请转化率，传播系数等。
3 大增长引擎
- 粘着式增长引
粘着式增长引擎以 Retention 留存作为 OMTM 驱动增长。典型案例是游戏类的 App，Facebook 针对游戏提出的“40-20-10”法则，即如果你想让游戏的DAU超过 100 万，那么新用户的次日留存率应该大于 40%，7 日留存率大于 20%，30 日留存率大于 10%。不使用任何运营激励手段与使用留存激励相比，次日留存相差甚远。例如游戏中常见的：签到活动，登录奖励，时长奖励等玩法都是基于提升用户留存的目的。通过提供目的性的目标，制定规则和反馈系统，为玩家带来创造性成就和能力的提高带来的满足感和愉快感，从而提升用户的游戏频率，游戏时长，最终提升用户留存。好的留存率对于不同的产品而言是不同的，在这里不展开对用户留存率的划分，针对不同类型的产品与用户粘性寻找最适合的留存指标才是正确的。
- 付费式增长引擎
付费式增长引擎以 Revenue 营收作为 OMTM 驱动增长。简单来说，从顾客在产品上贡献的价值大于获取付费客户的成本，就可以一直驱动营收增长。互联网金融是付费式增长引擎的典型例子，由于产品类型不像游戏和视频资讯类应用，有强大高频使用需求。互金运营考核的核心目标就是促成交易，从用户每一次投资/借贷行为中获得收入，覆盖营销的投入，不断驱动引擎的转动。这里我们要重点关注2个指标：CAC（CustomerAqusition Cost）客户获取成本，CLV(Customer Lifetime Value) 客户终生价值。例如：某次月在营销上投入成本 20000 元，新增投资用户 100 人，则获取每位投资用户的成本是 200 元。若人均投资 5 万元，利润率 2%，客户终身价值 CLV=1000 元/人。当 CLV>CAC ，不计其它成本的基础上，已驱动引擎正常运转了，接下来就要思考如何提供更多曝光，扩大顶端的漏斗，以及尽可能缩短客户盈亏平衡时间。
- 爆发式增长引擎
爆发式增长引擎以 Referral 传播作为 OMTM 驱动增长。指标：曝光量：影响多少用户；点击量：有多少用户尝试了解；参与量：有多少用户参与；转发量：有多少用户转发、传播；新增流量：带来多少新增。典型案例：基于社交场景的分享，通过瓜分红包，砍价、拼团、秒杀等玩法，不断触达潜在用户。用户分享到社交网络，即可降低付出的成本，通过为用户省钱的策略，提升用户感知价值，不断刺激价格敏感用户，贡献大量的分享量，点击量，引导潜在用户进行体验/注册。在爆发式增长引擎中，我们需要关注病毒系数K = I x Conv :I：Invitation，即每个用户发送的邀请数量，反映了分布密度。Conv ： Conversionrate，即每个邀请成功的概率，反映了感染强度。那么如何提升让病毒传播系数，上面活动中常见的 3 种方案：重点提高接受率：降低接受门槛，且尽量将接受步骤控制在社交场景中，避免二跳降低转化。缩短单次邀请流程的生命周期：通过限定时间的方法，加快增长进程的同时，提升紧迫感。试图说服用户去邀请更多的人：头几位受邀用户在砍价中可以砍掉很多金额，让用户初尝甜头后会激励更多的转发量。
- 总结
结合多种业务场景，梳理如何通过用户行为进行事件分析、漏斗分析和留存分析，基于 AARRR 模型如何获取用户、激发活跃、提高留存、获取收入和病毒传播，最后通过三大引擎，聚焦 OMTM 驱动增长。每当产生新的业务问题的时候，通过框架去进行系统化的思考，对问题的解决起着尤为重要的作用。
