在實際的業務中，產品人很少有機會經歷完整的數據體系搭建過程，本文將系統的介紹如何搭建一個完成的數據驅動模型。
在實際的業務中，大多數人可能只會遇到以下一種或幾種常見的場景，並且對於各個細分場景，所需要解決的問題和關注重點都是不一樣的。
場景一：你剛加入一個成熟產品的用戶增長部門，會發現業務當前有非常全面詳實的用戶和業務數據，但由於個人缺少數據分析的經驗，面對一堆數據，除了能簡要了解到產品基本情況，不知如何從數據中挖掘出更有價值的信息。
- 待解決問題：面對大量數據，不知如何入手分析。
- 所需的能力：各種可以從數據分析中找到增長線索的方法論。
場景二：你熟練掌握了基本的數據分析技能，能夠基於現有數據找到增長線索，你想針對某些關鍵指標的異常情況進行分析，但不知道哪些數據相關性高，如何將多維度的數據關聯分析。
- 待解決問題：有明確的問題需求，但不知如何有效拆解數據問題。
- 所需的能力：基於目標行為的拆解用戶路徑的方法。
場景三：拆解完用戶路徑后，發現目標的轉化路徑中有部分數據缺失，無法有效支撐你的分析。
- 待解決問題：如何快捷有效的收集缺失的數據。
- 所需的能力：制定數據採集方案。
場景四：需要的數據採集到位后，發現數據統計混亂，每次查詢和分析數據的效率成本都很高。
- 待解決問題：數據如何高效可視化呈現，降低查詢使用的成本。
- 所需的能力：創建數據儀錶盤。
診斷上述的工作場景，大多數增長人的工作順序可能是：數據分析→用戶路徑拆解→收集數據→搭建儀錶盤。
基於數據驅動用戶增長可以分為以下五個步驟：
對大多數增長從業者來講，最重要的是先掌握一套數據分析方法，從現有數據中快速找到增長線索，取得一些增長業績，再反過來檢查數據埋點、統計等地方有沒有問題。當掌握了數據分析方法，但所在的公司or負責的業務沒有基礎數據也無從下手，才需要思考如何拆解用戶路徑、數據採集。而數據儀錶盤，則是為了提高查詢效率，支持數據分析工作快速、準確開展。
一、分析數據：多維度數據分析
從數據分析中尋找增長機會，可分為「宏觀」和「微觀」兩個角度。
- 宏觀：在基礎數據中，找到較大的增長機會。
- 微觀：對比精細化的用戶數據進行分析，挖掘相對隱蔽的增長線索。
無論所在的公司是否有用戶的精細化數據，都可以通過從整體的角度進行數據分析，找到增長乏力點。然後再考慮要不要分析更精細的數據。
案例：某內容類APP產品
本節將會圍繞北極星指標和全鏈漏增長模型，通過一個案例（數據虛擬）展開關於宏觀數據分析的分享。
- 北極星指標：指導增長工作方向最重要的指標，也可以理為業務現階段的唯一重要的指標。制定北極星指標時，需要在服務於業務的長期健康增長下，同時考慮商業目標和用戶價值。
- 全鏈漏斗增長模型：是把影響北極星指標的主要細分指標梳理梳理出來，並標註轉化率。通過模型，可以將北極星指標細化拆解，從中找到增長的機會點。
案例場景：剛剛入職一家內容類APP，負責用戶增長，公司沒有完善的後台數據系統，無法通過詳細的用戶行為埋點數據，如何找到一些增長的線索。公司現有後台可提高的數據指標：下載量、註冊量、登錄量、平均閱讀時長、基本用戶信息。
第一步：構建全鏈漏斗增長模型
從轉化漏斗可發現：
- 拉新轉化率較高：新用戶下載到註冊的轉化率為70%，新用戶下載轉化率不錯。
- 老用戶活躍度低：當月活躍老用戶佔總註冊用戶數的10%，老用戶活躍較低。活躍用戶主要靠新用戶補充。
- 用戶感知的產品價值較低：當月人均閱讀時長較低，遠低於行業均值。
第二步：分析歷史趨勢，觀察趨勢、異常點、拐點
從歷史數據中發現：
- 拐點：2019年11月，下載到註冊完成的轉化率從71%開始大幅度下降，發送了什麼？
- 趨勢：2019年10月，人均閱讀時長提高了一倍。因為那個時間段增加了內容社區版塊。
第三步：按獲客渠道分解
在了解了現狀和歷史數據情況后，可通過獲客渠道對數據進行維度分解。
- 公眾號的新用戶下載轉化率一直維持在63%-71%左右。
- 2019年11月份開始抖音廣告，轉化率僅有10%-15%，因此導致了總體轉化率下降。
第四步：了解用戶的基本屬性特徵，根據APP收集的用戶信息，畫出分佈餅圖
通過年齡、性別、城市、職業等發現：
- 18-25，25-30的用戶佔比最大。
- 職業：白領和大學生為主。
第五步：了解用戶的基本活躍度
發現：
- 超過80%的活躍用戶每月登錄少於4次；
- 但每月登錄4次以上的用戶，有接近80%的用戶為18-25歲的大學生用戶群體。
總結：
- 新用戶下載到活躍的轉化率尚可。
- 老用戶活躍度低。
- 人均閱讀時長低於行業均值。
- 公眾號轉化率遠高於抖音廣告。
- 18-25歲的大學生用戶群活躍度較高。
通過增長線索的制定應用策略的兩個方向
在通過數據分析得到增長線索后，可以通過取長補短的方式來制定增長策略。
- 取長：強化增長，在已經顯出成功信號的方向上，繼續加強。
- 補短：修補漏洞，找到整個業務漏斗中流失問題最嚴重的環節，通過策略降低流失。
繼續針對上述案例，進行分析，假設發現：
（1）公眾號來源的新用戶質量高
對應策略：取長。增加公眾號的內容數量，提升公眾號的內容質量。
（2）大學生用戶活躍度高
對應策略：取長。進一步分析大學生的獲客渠道來源，通過用戶問卷了解大學生感興趣的內容和功能，加強對應的產品體驗。
（3）來自抖音廣告的新用戶轉化率低
對應策略：補短。找到漏斗轉化率低的原因，測試提升轉化率。
（4）老用戶活躍度和留存率低
對應策略：補短。進一步分析活躍和留存曲線，找到用戶流失最大的問題。
二、理解數據：梳理用戶行為路徑
梳理用戶路徑的意義：新項目開啟時，需要明確北極星指標和增長模型，之後還需要進一步加深對用戶和產品認知的顆粒度。需要快速結合產品功能、業務邏輯，梳理清楚用戶行為路徑，為後續的確立指標、數據埋點、數據分析奠定基礎。
梳理用戶行為路徑的方法
（1）梳理核心路徑：根據北極星指標，構建轉化漏斗。轉化漏斗一般為設定的用戶主路徑。
（2）細化核心路徑：將核心路徑中加入更多的漏斗步驟，理想形態是拆到不能再細化為止。
（3）加入其他重要路徑：梳理重要的產品功能和業務邏輯，描繪主漏斗之外的重要行為路徑，找到路徑之間的關係。
案例：某電商類APP
小編通過針對電商類的產品，簡要分享一下如何梳理用戶行為路徑。
第一步：梳理核心路徑
第二步：加入其他重要路徑
第三步：輸出用戶行為路徑圖
三、收集數據：制定埋點方案
制定數據採集方案是數據驅動用戶增長的第二步。沒有用戶行為數據，數據顆粒度不夠，也就難以發現業務指標變化背後的原因，從而難以發現增長線索。通過數據埋點追蹤用戶行為，可以用數據描述用戶在產品中的行為軌跡，也構成了指標儀錶盤和分析數據的基礎。
增長團隊經常面臨的問題：
- 沒有詳細用戶行為數據，無法進行比較細緻的數據分析。
- 做過用戶行為的埋點，但不準確，無法使用，不能滿足分析需求。
埋點的目的是追蹤所有的用戶關鍵行為。
確定埋點數據指標
常見的兩種需要數據埋點的情況：
- 已有基本埋點，只需進行缺失的數據埋點。
- 如從頭埋點採集用戶行為數據：分級分步，由主到次。
埋點需要記錄的信息：
行為本身（event）：用戶做了什麼操作？
行為的屬性（property）：
- who：誰參與了這個行為（設備ID，用戶ID等）。
- when：行為發生的時間。
- where：行為發生的地點。
- how：用戶參與這個行為的方式（設備型號，版本號等）。
- what：根據行為類型，細化更多情況（商品名稱、價格、數量、query詞等）。
制定事件埋點方案
制定事件埋點方案是產品運營的基本技能之一，這裡小編就不做過多的分享了。
簡單總結幾點埋制定埋點方案是常見問題：
埋點的常見問題一：思路不清，事無巨細。
問題現象：什麼都想埋點，導致上線時間晚，且埋點過多對產品負擔較大，影響用戶體驗。
避免建議：
- 從重點出發：如從北極星指標，增長模型和重要問題出發，規劃埋點計劃。
- 從問題出發：帶著需要解決的問題和分析目標，通過數據解讀進行埋點規劃。
埋點的常見問題二：事件命名格式不統一
- 問題現象：同一個事件，存在多個名字。因為版本迭代導致前後版本命名不同等。
- 避免建議：統一規定事件結構和命名規範，做好文檔管理，定期更新。
埋點的常見問題三：錯過重要的事件或屬性
- 問題現象：因為突發情況導致的某路徑或環節數據異常，但未針對這個路徑進行埋點。
- 避免建議：埋點前，從問題出發：想清楚為了回答哪些問題，要追蹤哪些事件，事件需要哪些分支路徑和環節。發現錯漏后，逐漸補齊。
埋點方案常常分為前端（客戶端）埋點和後端（伺服器端）埋點兩類方向。
前端埋點：主要是記錄用戶端操作行為，如點擊事件，頁面打開事件等。
- 埋點方法：通過客戶端代碼進行埋點。
- 優點：真實記錄產品內用戶行為和路徑，不需要請求伺服器數據。
- 缺點：不能記錄業務結果，網路載入慢時，可能導致數據不完整，更新埋點時需要進行版本更新，界面視覺交互修改時，可能需要更新對應埋點。
後端埋點：主要記錄用戶特徵變化及前端操作導致的業務結果，如付款成功，交易失敗等。
- 埋點方法：通過從介面調用後端數據。
- 優點：實時性好，產品界面改變不需更新埋點。能夠收集不在APP內發送的行為，記錄最終的結果，數據相對更準確。
- 缺點：不能收集不需調用介面請求伺服器的數據。例如用戶的按鈕點擊事件。
埋點案例
小編在此通過一個攜程的登錄頁面埋點來簡要說明一下如何埋點。
因對登錄功能進行埋點，所以需要記錄如下信息：
行為（event）：
- 註冊流程各個節點的轉化率。
- 第三方登錄流程各個節點的轉化率。
- 驗證碼登錄流程各個節點的轉化率。
- 密碼登錄流程各個節點的轉化率。
- 密碼找迴流程各個節點的轉化率。
- 用戶從登錄頁面直接退出的點擊次數
行為的屬性（property）：
- who：用戶設備ID，用戶ID，用戶使用的產品版本號，用戶手機號的國家號段(國內，國外)。
- when：用戶操作各個流程的伺服器時間，用戶登錄成功的伺服器時間。
- how：用戶登錄時的產品版本號。
- what：根據行為類型，細化更多情況（商品名稱、價格、數量、query詞等）。
作者&公眾號：楊三季