数据运营

系统化数据分析:三步搭建基础分析框架

无论是产品、还是运营,都需要具备良好的数据分析能力,对用户行为数据和业务数据,进行分析、评估甚至预测,从而更高效的完成工作。
系统化数据分析:三步搭建基础分析框架

数据分析作为运营人员必备的核心技能,对职业发展起着尤为重要的作用。本文将基于基于业务场景,分享几种基础的数据分析框架和方法,系统化的进行数据分析。

 

无论是产品、还是运营,都需要具备良好的数据分析能力,对用户行为数据和业务数据,进行分析、评估甚至预测。本文通过分享三种常见的数据分析框架,帮助我们更系统的进行数据分析,发现并解决产品暴露出的问题,从而更高效的完成工作。


系统化数据分析:三步搭建基础分析框架


一、用户行为分析


1. 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。例如下图,通过“神策分析"展示出某日的注册事件。


系统化数据分析:三步搭建基础分析框架

注册事件分日走势


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?


2. 漏斗分析


漏斗模型:分析一个多步骤过程中,每一步的转化与流失情况。以互联网金融-理财端为例,新用户在首次投资会经过如下步骤过程:


  1. 浏览页面

  2. 实名认证

  3. 充值成功

  4. 投资成功


我们可以通过漏斗分析整体的转化情况,以及每一步转化量、流失量、转化/流失率。


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

  • 窗口期: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。


系统化数据分析:三步搭建基础分析框架

理财购买转化漏斗


如上图表示:“2018年3月份,浏览标的页面的28100名用户,在7天内投资成功的转化与流失情况”。这里漏斗分析与事件分析不同的地方:漏斗分析基于用户,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,更加准确的暴露某一时间段产品存在的问题。


系统化数据分析:三步搭建基础分析框架

通过漏斗模型及时发现问题


我们通过建立了注册转化漏斗,度量每一步的转化率和整体的注册转化率,通过时间维度来监控每一步和整体转化率的趋势。


例如:4月12日发现输入图形验证码这一步转化率在有明显异常,于是紧急通知技术同事排查,发现图形验证码功能失效,导致大量用户无法显示。紧急修复后,转化率回到之前的水平。所以,通过对每一步漏斗转化率的监控分析,可以及时发现问题,及时止损。


3. 留存分析


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;


系统化数据分析:三步搭建基础分析框架

用户留存表


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。

以电商为例,我们观察运营策略优化/产品改版,是否会影响用户的购买行为。此时我们可以将用户行为分为:


  • 初始行为:注册

  • 留存行为:支付订单


然后根据客户注册的时间按周进行分组,得到同期群,制作留存曲线图,观察该群体用户发生购买的 30日留存。通过比较不同的同期群,可以获知新用户购买率指标是否在提升。


系统化数据分析:三步搭建基础分析框架

留存曲线图


留存行为一般都与我们的目标有强相关性。我们在进行留存分析时,一定要根据自身业务的实际需要,确定高价值的留存行为才能能对产品的优化提供指导性建议。



二、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。


系统化数据分析:三步搭建基础分析框架


从用户获取到病毒传播,每个环节都有重要的指标需要我们去关注,通过AARRR模型系统化的拆解5大类目用户行为,可以让我们更清晰的知道每个环节需要重点关注的重点指标。


以电商业务为例,下图基于AARRR模型,构建用户生命周期运营全脉络和每个节点需要关注的重点指标:


系统化数据分析:三步搭建基础分析框架


1. 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。


2. 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,那么我们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。


3. 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。


4. 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。


5. 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。



三、3大增长引擎


精益创业提出一个概念:唯一关键指标(one metric that matters, OMTM)。


在任何类型产品的任何一个阶段,都需要找到唯一的一个数字,把它放到比其他任何事情都更重要的位置上。在数据分析时,可以抓取许许多多的数据,但必须聚焦在最关键的事情上。同时其也是“增长黑客”中的关键特质:专注目标。


1. 粘着式增长引擎


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,


系统化数据分析:三步搭建基础分析框架

登录奖励


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。


2. 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。


系统化数据分析:三步搭建基础分析框架


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(Customer Aqusition 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。


3. 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


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。


系统化数据分析:三步搭建基础分析框架


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 * Conv :


  • I:Invitation,即每个用户发送的邀请数量,反映了分布密度.

  • Conv : Conversion rate,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:


  1. 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。


  2. 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。


  3. 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。



四. 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。


数据分析是互联网产品和运营的基本功,笔者在数据分析方向的还处于不断提升阶段,以上是最近学习工作中的一些案例和心得分享,希望能给在学习中新人带来一些思路!

作者:George

本文为作者原创并投稿网站运营,未经授权谢绝转载。

投稿邮箱:tougao@appcpx.com

相关文章推荐:

分析了2.2W条抖音数据,发现“95后”其实很养生

数据运营的三重门:交易门、交互门、公开市场门

鹅厂分享:App从初创到成熟,都要分析哪些数据?

标签

数据运营 数据分析 框架

(0)
关键词:

最新文章