如何運用數據分析指導增長？

按鈕目前是國內某廠增長產品負責人。他曾負責過千萬級的產品增長，也從零到百萬日活做過APP，因為過往的工作背景，他更多擅長于數據分析導向的產品設計，目前正在努力學習“增長”這個復雜的交叉“學科”。

鑒于很多同學都對“增長”和“數據分析”這兩個話題很感興趣，我們將他在群內分享的內容整理成文字稿，接下來就話不多說，一起來學習吧！

01

各位同學，大家好，我是某某薩，很高興今天可以跟大家分享一些關于如何在增長工作中運用數據分析的經驗和心得。

首先要告訴大家的一個點是，這是一次基于增長產品工作、普及數據分析觀念的分享，不是一個介紹具體場景應用的分享，所有在具體場景上的應用，都是為了便于大家理解數據分析在某個場景的應用。如果大家需要做更多的學習，最后我會推薦幾本相關的數據大家可以閱讀~

接下來進入正題，我們先講講對于增長來說，數據分析是什么？

02

先來說一句我個人在工作中總結出的經驗：增長的一切都基于數據分析，沒有數據的增長都是空談。因為增長產品絕大多數時候是用數據來洞察用戶，沒有數據分析，我們也就沒法開展工作。

如果從我們日常工作的大步驟來看，其實是分為以下五步：

1.從公司戰略層面，拿出一個可行的大指標；

2.根據我們現有的數據，拆解指標到不同的路徑；

3.根據每個路徑的可做的實驗影響程度，判斷設計實驗的優先級；

4.實驗上線以后，先用相關數據來看一下結果；

5.根據多個實驗的結果來決策我們下一個大的實驗方向，再來制定我們下一步的指標。

這中間的每一步過程，都是數據摸索和挖掘的過程，這也是我們增長產品的日常工作，每一步都和數據交織在一起。因此，做增長或增長相關工作的同學一定要學好數據分析，或者說，一定要能對數據分析要有強感知，這樣你的工作才能更高效和有效。

03

了解了增長工作中的數據分析后，我們再來看看，在增長工作中，我們都在用數據分析些什么？

接下來，我將會根據過往的經歷來說明數據分析在增長工作中的實際應用，讓我們來看看百萬級產品是怎么練成的。

首先，我們來看數據分析在具體工作中是如何使用的，這里會分以下幾個點來講。

在App新安裝方面，我們將新裝拆分為付費量與免費量。當然，沒有真正的免費量，免費的量級也是要花其他成本的，不管是人員還是物料等等。

1.付費量

我們的付費量級很大一部分是來自于廣告投放，當然，像趣頭條的用戶裂變模式，我們也認為是一種付費買量的方式，只是費用給了用戶。在這里，我們的數據分析核心工作是兩點：渠道轉化與質量評估。

渠道轉化就是我們常說的某個素材的CTR（Click-Through-Rate，點擊率）、CVR（Click Value Rate，轉化率），通過提升用戶在外部的轉化，來達到降低成本的目的。

而質量評估就是分析每個渠道的質量，以此來判斷一個渠道是否值得繼續投放，這里評估渠道質量的指標較多，有的公司使用收入，有的公司使用功能使用率，有的公司則會綜合考慮設計質量分評估算法，以此來評估用戶的質量。

具體的指標設計，需要考慮到公司的戰略層面的現狀來進行設計，比如公司需要給投資人講DAU的故事，不考慮營收，那更多會使用留存和流失來進行用戶質量的判定。

如果公司需要更正向的資金流，那可能就會使用ROI模式來進行渠道質量的判斷。

另外，采買流量還有一個有意思的數據分析大品類，就是我們常說的反作弊。這個品類在這里我就不多說了，每個公司每個反作弊系統的研發，都有自己單獨的一套反作弊方法。一般我們是使用多重數據指標，來判斷一個渠道的用戶是否是作弊用戶。市面上也有很多第三方投放系統有反作弊機制，感興趣的同學可以去了解一下。

2.免費量

再談談免費的量級，在大多數時候，我們說的免費量是來自于用戶的分享。那么在什么時機去引導用戶分享？什么樣的動力最能刺激到用戶分享？這是我們需要設計大量實驗，才能有結論的一個過程。

這一塊更多用到的是心理學和行為經濟學上面的一些知識，這個模塊的用戶分享數據分析相對來說較簡單，主要是看用戶的漏斗和轉化率就能夠完成。

當然大廠的同學也是可以玩的復雜的，通過用戶的聚類分析，看不同人群的用戶在不同時機下分別的分享意愿有多強，再為不同的人群設計不同的分享場景。

以上這些都需要大量的實驗以及數據以外的交叉學科的知識，這也是增長最有魅力和意思的一部分，可能你這是找到了一個不起眼的場景，卻能為產品帶來大規模的增量。

免費量除了用戶分享以外，我們也可以嘗試更多的方式，比如抖音和微信等社交媒體、外部換量等等，這些也都屬于免費量的一部分。每一部分要做的數據分析都略有不同，這里也就不過多贅述了。

3.用戶激活

說完了再來談談用戶激活，不知道大家對用戶激活都是怎么理解的，在我們看來，用戶激活其實某種程度上就是用戶首次完成了你的“北極星指標”（North Star Metric，?多指公司制定的唯一重要的指標），或者是完成了你的群星指標中較為重要的一部分，我們認為是用戶成功激活。

所以，在做用戶激活時，我們首先要通過數據定義出用戶激活，這里的用戶激活需要是新用戶完成以后，對你的產品有極大價值，才能算作是用戶激活。比如Facebook的aha?moment定義，就是通過用戶行為的整體拆解，再看每個行為對后續長期行為的影響，以此來界定aha?moment。

當用戶激活以后，就進入到了留存的步驟里，這是我們在增長過程中最重要的部分。當然，我們現在在談的留存，更多傾向于是長期留存，而做用戶激活是為了短期比如次日或是7日留存。

在留存的數據分析中，我們重點會放在用戶在某個時間段做了某些行為與用戶的短期和長期留存的關系，以此來判斷我們要引導做什么樣的行為，才能讓用戶在我們的APP中真正的留存下來。本質上，還是找到影響留存的關鍵點，并且設計實驗進行優化。

另外，留存的部分還涉及到用戶召回，這里就有觸達用戶渠道的選擇、不同召回用戶的方案設計及數據分析等等。舉一個用戶召回中應用數據分析的例子，我們一般在使用App?push時，大多是通過全面發送的方式觸達用戶，但，用戶的點擊率在這樣的普通發送中就會比較差，這時，我們就要考慮如何才能提高用戶的點擊率，通過數據分析來進行優化。

優化過程中很重要的一點就是對用戶進行分群，分群的方式有很多，不止是常用的用戶標簽+內容標簽雙標簽匹配的方式（當然這也是比較好的一個分群方式），如果沒有這樣精確雙端標簽的同學，可以結合用戶的功能使用情況進行分群，比如定義以前使用過某個功能，但是近3天沒有用過該功能的用戶為一個群體，再結合功能的具體內容來進行推送，這樣的點擊率，就會比推一條普通消息的點擊率高很多。

當然，這只是push優化中的一個點，用戶召回也有大量的坑，我們在這里就不細展開了。

說了這么多，我想大家可能更感興趣的點是，怎么樣才能找到影響留存的關鍵點？這里想跟大家分享的就是，沒有別的技巧，就是八個字，大膽假設，小心求證。只有深入的去研究自己產品的數據，你才能知道自己的產品留存到底是被什么影響的。

4.?最后，收入這部分，就不多談了，如果這部分細說的話，又是很大的一個模塊。商業產品經理也是一個很有意思的崗位，對廣告有興趣的同學可以看一看《計算廣告學》，如果對用戶付費感興趣的話，那就多研究研究用戶付費的產品吧～

04

接下來，給大家分享一下我是怎么在日常工作中用數據分析的。

1.第一個講講我們可以如何制定自己的OKR

可能有很多同學不知道什么是OKR，這里簡單解釋一下。OKR：Objectives?and?Key?Results，即目標與關鍵成果法，是一套明確和跟蹤目標及其完成情況的管理工具和方法。OKR的主要目標是明確公司和團隊的“目標”以及明確每個目標達成的可衡量的“關鍵結果”，目前很多公司都會用OKR的方式來制定和管理年度/季度等目標。

如上圖所示，整體路徑共有四步：

1）接收老板們的目標，一般公司或是大產品，會有一個戰略層面上的規劃，決定下一階段要做什么方向，再根據方向會定下一個大的指標，比如DAU（Daily Active User，日活躍用戶數量）、GMV（Gross Merchandise Volume，成交總額）等等。這個指標會下達到你們部門的頭上，也就是你們整個部門要扛起的指標。

知道了大指標之后，一般情況下，你的老板或相關負責人會把這個指標拆解到可以執行的小指標上，比如DAU可以考慮拆解到新增、留存，再通過模型推算，要達到某個DAU，分別新增和留存要做到什么程度，才能夠達成我們的大指標。（DAU預估模型這里因為涉密我就不細說了，大家可以在網上搜索看看DAU預估是怎么做的）

2）把大指標拆解到不同的小指標以后，我們再對小指標進行路徑分析，看要提升某一點的留存，我們可以做的事情有哪些。

3）在上一步中，你可能會拆解出十幾條可以達成目標的路徑，這時候就需要來判斷一下優先級了。你需要用當前的數據來對不同的路徑進行判斷，每個路徑對你的目標有多少的幫助，哪個目標的幫助是最大的，這個路徑又需要多久才能夠完成。

4）當你計算完成這些以后，你就能夠從中選擇1個或數個對你的目標幫助最大的路徑，再去看你能夠爭取到的資源是否能夠完成這個目標。算完這些以后，一個基礎的OKR就制定完成啦！

2.第二個實際應用小案例，講一下如何用數據分析定義和優化用戶激活

如上圖所示，一共有五步：

1）拆解產品的關鍵行為。這里可以使用的方法是：先用腦圖列出產品的所有功能點以及可能會影響到核心指標的功能使用情況，如功能使用頻次、功能使用時長等，再列出我們的關鍵指標比如留存/用戶付費率/二購率等等。

2）有了分析的路徑以后，我們就用數據來說明問題，分析不同行為對核心指標的影響。這里判斷一個功能或一種行為的方法就有很多了，詳細的方法大家可以看一些留存分析的方法論來進行借鑒。

3）確定不同行為對核心指標的影響以后，開始拆解優化該行為的路徑，再用數據來進行判斷什么實驗該做，什么實驗可以延期。

4）確定要做什么實驗以后，開始設計方案。如果目前只是一個數據和想法上猜測的話，一定要注意先設計MVP來驗證你的猜測是不是對的，再來設計大的方案進一步的優化指標。很多時候我們對用戶激活的定義不一定是正確的，也是要一步一步的嘗試，最終才能找到一個正確的用戶激活定義。

5）實驗上線以后，你的工作沒有結束，反而正是開始，這也就是我們要說的第五步——總結上一次的實驗結論，再回去看與實驗設計初心是否相符，與預期是否相符，是否還有更多的提升空間，如果繼續下一步優化這個指標應該要怎么做，這是做完一個實驗以后要繼續去做的事情。

最后想說的是，今天給大家分享的主要還是數據分析在增長工作中的一些小應用，如果真的要學習數據分析，大家還需要花更多的時間在各種專業技能上的學習。

根據我個人的學習以及工作經驗總結來說，數據分析需要具備以下三塊能力：

簡單的工具包括Excel、SQL、PPT，是大家一定要掌握的；在理論上，統計學的基本分析知識也是必不可少的；如果想往更精通的數據產品方向發展，那要學的就更多了，數據倉庫、數據建模、數據挖掘等等都是基礎知識。

再給大家推薦兩本入門書，一本是《精益數據分析》，一本是《游戲數據分析的藝術》，都屬于數據分析的入門讀物；以及，在專業系統的學習上。