運(yùn)營(yíng)數(shù)據(jù)分析方法

　　我們以往的咨詢(xún)規(guī)劃中，數(shù)據(jù)的收集、診斷與分析往往是一項(xiàng)復(fù)雜且費(fèi)時(shí)費(fèi)力的工作。為大家提供了關(guān)于運(yùn)營(yíng)數(shù)據(jù)的分析方法，希望對(duì)大家有幫助！

　　方法1：Link Tag 的流量標(biāo)記

　　Link tag 標(biāo)記流量源頭 ，絕對(duì)是所有方法中最為基本重要的一種。這種方法不僅僅適用于網(wǎng)站的流量來(lái)源，也同樣適用于 app 下載來(lái)源的監(jiān)測(cè)（但后者需要滿足一定的條件）。

　　Link tag 的意思，是在流量源頭的鏈出鏈接上（鏈出 URL 上）加上尾部參數(shù)。這些參數(shù)不僅不會(huì)影響鏈接的跳轉(zhuǎn)，而且能夠標(biāo)明這個(gè)鏈接所屬的流量源是什么（理論上能夠標(biāo)明流量源的屬性數(shù)是無(wú)限的）。

　　Link tag 不能單獨(dú)起作用，必須要在網(wǎng)站分析工具或者 app 分析工具的配合下工作。

　　Link tag 是流量分析的基礎(chǔ)，要嚴(yán)肅地分析流量，不僅僅是常規(guī)分析，還包括歸因分析（attribution analysis），都需要使用 link tag 的方法。

　　方法2：轉(zhuǎn)化漏斗

　　分析轉(zhuǎn)化的基本模型是轉(zhuǎn)化漏斗（conversion funnel），這個(gè)大家都應(yīng)該很熟悉了。

　　轉(zhuǎn)化漏斗最常見(jiàn)的是把最終的轉(zhuǎn)化設(shè)置為某種目的的實(shí)現(xiàn)，最典型的就是實(shí)現(xiàn)銷(xiāo)售，所以大家很多時(shí)候把轉(zhuǎn)化和銷(xiāo)售是混為一談。但轉(zhuǎn)化漏斗的最終轉(zhuǎn)化也可以是其他任何目的的實(shí)現(xiàn)，比如一次使用 app 的時(shí)間超過(guò) 10 分鐘（session duration >10minutes）。對(duì)于增長(zhǎng)黑客而言，構(gòu)建漏斗是最為常見(jiàn)的工作。

　　漏斗幫助我們解決兩方面的問(wèn)題，第一、在一個(gè)過(guò)程中是否發(fā)生泄漏，如果有泄漏，我們能在漏斗中看到，并且能夠通過(guò)進(jìn)一步的分析堵住這個(gè)泄漏點(diǎn)；第二、在一個(gè)過(guò)程中是否出現(xiàn)了其他不應(yīng)該出現(xiàn)的過(guò)程，造成轉(zhuǎn)化主進(jìn)程受到損害。

　　漏斗的構(gòu)建很簡(jiǎn)單，無(wú)論 web 還是 app，都是最好用的方法之一。但漏斗使用的奧秘則很豐富。而且漏斗方法還會(huì)和其他方法混合使用，樂(lè)趣無(wú)窮。我在互聯(lián)網(wǎng)數(shù)據(jù)運(yùn)營(yíng)的課程中也會(huì)具體講解。

　　方法3：微轉(zhuǎn)化

　　人人都懂轉(zhuǎn)化漏斗，但不是所有人都關(guān)注微轉(zhuǎn)化。但是你想指望一個(gè)轉(zhuǎn)化漏斗不斷提升轉(zhuǎn)化率太困難了，而微轉(zhuǎn)化卻可以做到。轉(zhuǎn)化漏斗解決的是轉(zhuǎn)化過(guò)程中的大問(wèn)題，但大問(wèn)題總是有限的，這些問(wèn)題搞定后，你還是需要對(duì)你的轉(zhuǎn)化進(jìn)行持續(xù)優(yōu)化，這個(gè)時(shí)候必須要用到微轉(zhuǎn)化。

　　微轉(zhuǎn)化是指在轉(zhuǎn)化必經(jīng)過(guò)程之外，但同樣會(huì)對(duì)轉(zhuǎn)化產(chǎn)生影響的各種元素。這些元素與用戶(hù)的互動(dòng)，左右了用戶(hù)的感受，也直接或者間接的影響了用戶(hù)的決定。

　　比如，商品的一些圖片展示，并不是轉(zhuǎn)化過(guò)程中必須要看的，但是它們的存在，是否會(huì)對(duì)用戶(hù)的購(gòu)買(mǎi)決定產(chǎn)生影響？這些圖片就是微轉(zhuǎn)化元素。

　　個(gè)人認(rèn)為，研究微轉(zhuǎn)化比研究轉(zhuǎn)化更好玩。有一些案例，課堂上跟大家講。

　　方法4：合并同類(lèi)項(xiàng)

　　合并同類(lèi)項(xiàng)是大家容易忽視的常用方法。我們往往非常重視細(xì)分，但有的時(shí)候我們卻需要了解更宏觀的表現(xiàn)。

　　合并同類(lèi)項(xiàng)就是這樣的方法。舉一個(gè)例子，我問(wèn)你，一個(gè)電子商務(wù)網(wǎng)站，所有商品頁(yè)的整體表現(xiàn)如何？它們作為一個(gè)整體的 bounce rate 怎么樣，停留時(shí)間怎么樣，用戶(hù)滿意度怎么樣等等，你能夠回答嗎？

　　如果我們查看每一個(gè)商品頁(yè)的表現(xiàn)，然后再把所有一個(gè)一個(gè)頁(yè)面的數(shù)據(jù)加總起來(lái)作分析，就太麻煩了（根本無(wú)法實(shí)現(xiàn)分析）。這個(gè)時(shí)候，我們必須要合并同類(lèi)項(xiàng)。

　　如何合并？利用分析工具的過(guò)濾工具或者查找替換功能。不支持這樣功能的工具你可以考慮扔掉了，因?yàn)檫@根本不應(yīng)放在增長(zhǎng)黑客的專(zhuān)業(yè)裝備箱中。

　　合并同類(lèi)項(xiàng)還有很多用途，比如你要了解 web 或者 app 一個(gè)版塊（頻道）的整體表現(xiàn)，或者你要了解整個(gè)導(dǎo)航體系的使用情況，這都是必須使用的方法。

　　方法5：AB 測(cè)試

　　增長(zhǎng)黑客不談 AB 測(cè)試是恥辱。

　　通過(guò)數(shù)據(jù)優(yōu)化運(yùn)營(yíng)和產(chǎn)品的邏輯很簡(jiǎn)單——看到問(wèn)題，想個(gè)主意，做出原型，測(cè)試定型。

　　比如，你發(fā)現(xiàn)轉(zhuǎn)化漏斗中間有一個(gè)漏洞，于是你想，一定是商品價(jià)格不對(duì)頭，讓大家不想買(mǎi)了。你看到了問(wèn)題——漏斗，而且你也想出了主意——改變定價(jià)。

　　但是這個(gè)主意靠不靠譜，可不是你想出來(lái)的，必須得讓真實(shí)的用戶(hù)用。于是你用 AB 測(cè)試，一部分的用戶(hù)還是看到老價(jià)格，另外一部分用戶(hù)看到新價(jià)格。若是你的主意真的管用，新價(jià)格就應(yīng)該有更好的轉(zhuǎn)化。若真如此，新的價(jià)格就被確定下來(lái)（定型），開(kāi)始在新的轉(zhuǎn)化高度上運(yùn)行，直到你又發(fā)現(xiàn)一個(gè)新的需要改進(jìn)的問(wèn)題。

　　增長(zhǎng)黑客的一個(gè)主要思想之一，是不要做一個(gè)大而全的東西，而是不斷做出能夠快速驗(yàn)證的小而精的東西�？焖衮�(yàn)證，如何驗(yàn)證的？主要方法就是 AB 測(cè)試。

　　今天的互聯(lián)網(wǎng)世界，由于流量紅利時(shí)代的結(jié)束，對(duì)于快速迭代的要求大大提升了，這也使我們更加在意測(cè)試的力量。

　　在 web 上進(jìn)行 AB 測(cè)試很簡(jiǎn)單，在 app 上難度要高很多，但解決方法還是很多的。國(guó)外那些經(jīng)典 app，那些賣(mài)錢(qián)游戲，幾乎天天都在 AB 測(cè)試。

　　方法6：熱圖及對(duì)比熱圖

　　熱圖是一個(gè)大家都喜歡的功能，它是最直觀的記錄用戶(hù)與產(chǎn)品界面交互的工具。不過(guò)真用起來(lái)，可能大家很少真正去深究吧！

　　熱圖，對(duì)于 web、app 的分析，都非常重要！今天的熱圖相對(duì)于過(guò)去的熱圖，功能得到了極大的提升。

　　在 web 端，過(guò)去一些解決不好的問(wèn)題，比如只能看鏈接的被點(diǎn)擊情況，點(diǎn)擊位置錯(cuò)位，對(duì)浮層部分點(diǎn)擊的標(biāo)記，對(duì)鏈出鏈接的標(biāo)記等等，現(xiàn)在已經(jīng)有好的工具能夠提供很多新的辦法去解決。在 app 端則分為兩種情況，內(nèi)容類(lèi)的 app，對(duì)于熱圖的需求較弱；但工具類(lèi)的 app 對(duì)于熱圖的需求則很顯著。前者的 screen 中以并列內(nèi)容為主，且內(nèi)容動(dòng)態(tài)變換，熱圖應(yīng)用價(jià)值不高；后者則特別需要通過(guò)熱圖反映用戶(hù)的使用習(xí)慣，并結(jié)合 app 內(nèi)其他的 engagement 的分析（in-app engagement）來(lái)優(yōu)化功能和布局設(shè)計(jì)，所以熱圖對(duì)它們很重要。

　　要想熱圖用得好，一個(gè)很重要的點(diǎn)在于你幾乎不能單獨(dú)使用一個(gè)熱圖就想解決問(wèn)題。我常常用集中對(duì)比熱圖的方法。

　　其一，多種熱圖的對(duì)比分析，尤其是點(diǎn)擊熱圖（觸摸熱圖）、閱讀線熱圖、停屏熱圖的對(duì)比分析；

　　其二，細(xì)分人群的熱圖對(duì)比分析，例如不同渠道、新老用戶(hù)、不同時(shí)段、AB 測(cè)試的熱圖對(duì)比等等。

　　其三，深度不同的互動(dòng)，所反映的熱圖也是不同的。這種情況也值得利用熱圖對(duì)比功能。例如點(diǎn)擊熱圖與轉(zhuǎn)化熱圖的對(duì)比分析等。

　　總之，分析很多用戶(hù)交互的時(shí)候，熱圖簡(jiǎn)直是神器，只不過(guò)，熱圖真的比你看到的要更強(qiáng)大！

　　方法7：Event Tracking（事件追蹤）

　　互聯(lián)網(wǎng)運(yùn)營(yíng)數(shù)據(jù)分析的一個(gè)很重要的基礎(chǔ)是網(wǎng)站分析。今天的 app 分析、流量分析、渠道分析，還有后面要講到的歸因分析等等，都是在網(wǎng)站分析的基礎(chǔ)之上發(fā)展起來(lái)的。

　　但是，早期的網(wǎng)站分析有一個(gè)特點(diǎn)，就是對(duì)于用戶(hù)在頁(yè)面上互動(dòng)行為的記錄，只能記錄下來(lái)一種，就是點(diǎn)擊 http 鏈接（點(diǎn)擊 URL）。不過(guò)隨著技術(shù)的發(fā)展，頁(yè)面上不僅僅只有 http 鏈接，頁(yè)面上還有很多 flash（現(xiàn)在 flash 都要被淘汰了）、JavaScript 的互動(dòng)鏈接、視頻播放、鏈接到其他的 web 或者 app 的鏈接等等，用戶(hù)點(diǎn)擊這些東西就都無(wú)法被老方法記錄下來(lái)了。

　　不過(guò)，有問(wèn)題就一定有方法，人們發(fā)明了 event tracking 來(lái)解決上面的問(wèn)題。event tracking 本質(zhì)上是對(duì)這些特殊互動(dòng)的定制化監(jiān)測(cè)，而由于是定制化，所以反而有了更多附加的好處，即可以額外添加對(duì)于這個(gè)活動(dòng)的更多的說(shuō)明（以 event tracking 這個(gè)方法的附件屬性的方式）。結(jié)果，這個(gè)方法甚至有些反客為主，即使是一些 http 鏈接，很多分析老手也喜歡把它們加上 event tracking（技術(shù)上完全可行），以獲得更多的額外監(jiān)測(cè)屬性說(shuō)明。

　　隨著 app 的出現(xiàn)，由于 app 的特殊性（屏幕小，更強(qiáng)調(diào)在一個(gè)屏幕中完成互動(dòng)），分析 app 的 page（實(shí)際上應(yīng)該是 app 的 screen）間跳轉(zhuǎn)的重要性完全不如 web 上的 page 之間的跳轉(zhuǎn)，但分析 app 上的點(diǎn)擊行為的重要性則十分巨大，這就使我們分析 in-app engagement 的時(shí)候，必須大量依賴(lài) event，而相對(duì)較少使用 screen。這就是說(shuō)，在 app 端，event 反而是主，page（更準(zhǔn)確應(yīng)該是 screen）反而是輔！

　　這也是為什么，這個(gè)方法你必須要掌握的原因。

　　方法8：Cohort 分析

　　Cohort 分析還沒(méi)有一個(gè)所有人都統(tǒng)一使用的翻譯。有的說(shuō)是隊(duì)列分析，有的說(shuō)是世代分析，有的說(shuō)是隊(duì)列時(shí)間序列分析。大家可以參考維基百科：隊(duì)列研究，找找自己覺(jué)得合適的譯名。

　　無(wú)論哪種叫法，Cohort 分析在有數(shù)據(jù)運(yùn)營(yíng)領(lǐng)域都變得十分重要。原因在于，隨著流量經(jīng)濟(jì)的退卻，精耕細(xì)作的互聯(lián)網(wǎng)運(yùn)營(yíng)特別需要仔細(xì)洞察留存情況。Cohort 分析最大的價(jià)值也正在于此。Cohort 分析通過(guò)對(duì)性質(zhì)完全一樣的可對(duì)比群體的留存情況的比較，來(lái)發(fā)現(xiàn)哪些因素影響短、中、長(zhǎng)期的留存。

　　Cohort 分析受到歡迎的另一個(gè)原因是它用起來(lái)十分簡(jiǎn)單，但卻十分直觀。相較于比較繁瑣的流失（churn）分析，RFM 或者用戶(hù)聚類(lèi)等，Cohort 只用簡(jiǎn)單的一個(gè)圖表，甚至連四則運(yùn)算都不用，就直接描述了用戶(hù)在一段時(shí)間周期（甚至是整個(gè) LTV）的留存（或流失）變化情況。甚至，Cohort 還能幫你做預(yù)測(cè)。

　　我總覺(jué)得 Cohort 分析是最能體現(xiàn)簡(jiǎn)單即美的一個(gè)典型方法。

　　方法9：Attribution（歸因）

　　歸因不是人人都聽(tīng)說(shuō)過(guò)，用好的更是寥寥無(wú)幾。 不過(guò)，考慮到人們購(gòu)買(mǎi)某一樣?xùn)|西的決策，可能受到多種因素（數(shù)字營(yíng)銷(xiāo)媒體）的影響，比如看到廣告了解到這個(gè)商品的存在，利用搜索，進(jìn)一步了解這個(gè)商品，然后在 social 渠道上看到這個(gè)商品的公眾號(hào)等等。這些因素的綜合，讓一個(gè)人下定了決心購(gòu)買(mǎi)。

　　因此，很多時(shí)候，單一的廣告渠道并不是你打開(kāi)客戶(hù)閘門(mén)的閥門(mén)，而是多種渠道共同作用的結(jié)果。

　　如何了解數(shù)字營(yíng)銷(xiāo)渠道之間的這種先后關(guān)系或者相互作用？如何設(shè)置合理的數(shù)字營(yíng)銷(xiāo)渠道的策略以促進(jìn)這種關(guān)系？在評(píng)價(jià)一個(gè)渠道的時(shí)候，如何將歸因考慮在內(nèi)從而能夠更客觀的衡量？這些都需要用到歸因。

　　如果你是互聯(lián)網(wǎng)營(yíng)銷(xiāo)的負(fù)責(zé)人，歸因分析是必不可少的分析方法。在我的課堂上，會(huì)特別多的篇幅講解這個(gè)方法。

　　方法10：細(xì)分

　　嚴(yán)格說(shuō)，細(xì)分不是一種方法，它是一切分析的本源。所以它當(dāng)之無(wú)愧要排名第一。

　　我經(jīng)常的口頭禪是，無(wú)細(xì)分、毋寧死。沒(méi)有細(xì)分你做什么分析呀。

　　細(xì)分有兩類(lèi)，一類(lèi)是一定條件下的區(qū)隔。如：在頁(yè)面中停留 30 秒以上的 visit（session）；或者只要北京地區(qū)的訪客等。其實(shí)就是過(guò)濾。另一類(lèi)是維度（dimension）之間的交叉。如：北京地區(qū)的新訪問(wèn)者。即分群（segmentation）。

　　細(xì)分幾乎幫助我們解決所有問(wèn)題。比如，我們前面講的構(gòu)建轉(zhuǎn)化漏斗，實(shí)際上就是把轉(zhuǎn)化過(guò)程按照步驟進(jìn)行細(xì)分。流量渠道的分析和評(píng)估也需要大量用到細(xì)分的方法。

　　維度之間的交叉是比較體現(xiàn)一個(gè)人分析水平的細(xì)分方法。比如，我的朋友他將用戶(hù)的反饋?zhàn)鳛?event tracking 的屬性（放在了 event action 屬性中），提交給 GA，然后在自定義的報(bào)告中，將用戶(hù)反饋和用戶(hù)的其他行為交叉起來(lái)，從而看到有某一類(lèi)反饋的用戶(hù)，他們的行為軌跡是什么，從而推測(cè)發(fā)生了什么問(wèn)題。

　　分析跳出率時(shí)，我們也會(huì)把 landing page 和它的 traffic source（流量源）進(jìn)行交叉，以檢查高跳出率的表現(xiàn)是由著陸頁(yè)造成，還是由流量造成。這也是典型的維度交叉細(xì)分的應(yīng)用。

　　無(wú)細(xì)分，毋寧死。