運營數(shù)據(jù)分析方法

　　我們以往的咨詢規(guī)劃中，數(shù)據(jù)的收集、診斷與分析往往是一項復(fù)雜且費時費力的工作。為大家提供了關(guān)于運營數(shù)據(jù)的分析方法，希望對大家有幫助！

　　方法1：Link Tag 的流量標記

　　Link tag 標記流量源頭 ，絕對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)站的流量來源，也同樣適用于 app 下載來源的監(jiān)測（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)不僅不會影響鏈接的跳轉(zhuǎn)，而且能夠標明這個鏈接所屬的流量源是什么（理論上能夠標明流量源的屬性數(shù)是無限的）。

　　Link tag 不能單獨起作用，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），這個大家都應(yīng)該很熟悉了。

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

　　漏斗幫助我們解決兩方面的問題，第一、在一個過程中是否發(fā)生泄漏，如果有泄漏，我們能在漏斗中看到，并且能夠通過進一步的分析堵住這個泄漏點；第二、在一個過程中是否出現(xiàn)了其他不應(yīng)該出現(xiàn)的過程，造成轉(zhuǎn)化主進程受到損害。

　　漏斗的構(gòu)建很簡單，無論 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。而且漏斗方法還會和其他方法混合使用，樂趣無窮。我在互聯(lián)網(wǎng)數(shù)據(jù)運營的課程中也會具體講解。

　　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)化過程中的大問題，但大問題總是有限的，這些問題搞定后，你還是需要對你的轉(zhuǎn)化進行持續(xù)優(yōu)化，這個時候必須要用到微轉(zhuǎn)化。

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

　　比如，商品的一些圖片展示，并不是轉(zhuǎn)化過程中必須要看的，但是它們的存在，是否會對用戶的購買決定產(chǎn)生影響？這些圖片就是微轉(zhuǎn)化元素。

　　個人認為，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：合并同類項

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

　　合并同類項就是這樣的方法。舉一個例子，我問你，一個電子商務(wù)網(wǎng)站，所有商品頁的整體表現(xiàn)如何？它們作為一個整體的 bounce rate 怎么樣，停留時間怎么樣，用戶滿意度怎么樣等等，你能夠回答嗎？

　　如果我們查看每一個商品頁的表現(xiàn)，然后再把所有一個一個頁面的數(shù)據(jù)加總起來作分析，就太麻煩了（根本無法實現(xiàn)分析）。這個時候，我們必須要合并同類項。

　　如何合并？利用分析工具的過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，因為這根本不應(yīng)放在增長黑客的專業(yè)裝備箱中。

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

　　方法5：AB 測試

　　增長黑客不談 AB 測試是恥辱。

　　通過數(shù)據(jù)優(yōu)化運營和產(chǎn)品的邏輯很簡單——看到問題，想個主意，做出原型，測試定型。

　　比如，你發(fā)現(xiàn)轉(zhuǎn)化漏斗中間有一個漏洞，于是你想，一定是商品價格不對頭，讓大家不想買了。你看到了問題——漏斗，而且你也想出了主意——改變定價。

　　但是這個主意靠不靠譜，可不是你想出來的，必須得讓真實的用戶用。于是你用 AB 測試，一部分的用戶還是看到老價格，另外一部分用戶看到新價格。若是你的主意真的管用，新價格就應(yīng)該有更好的轉(zhuǎn)化。若真如此，新的價格就被確定下來（定型），開始在新的轉(zhuǎn)化高度上運行，直到你又發(fā)現(xiàn)一個新的需要改進的問題。

　　增長黑客的一個主要思想之一，是不要做一個大而全的東西，而是不斷做出能夠快速驗證的小而精的東西�？焖衮炞C，如何驗證的？主要方法就是 AB 測試。

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

　　在 web 上進行 AB 測試很簡單，在 app 上難度要高很多，但解決方法還是很多的。國外那些經(jīng)典 app，那些賣錢游戲，幾乎天天都在 AB 測試。

　　方法6：熱圖及對比熱圖

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

　　熱圖，對于 web、app 的分析，都非常重要！今天的熱圖相對于過去的熱圖，功能得到了極大的提升。

　　在 web 端，過去一些解決不好的問題，比如只能看鏈接的被點擊情況，點擊位置錯位，對浮層部分點擊的標記，對鏈出鏈接的標記等等，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)容類的 app，對于熱圖的需求較弱；但工具類的 app 對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)容動態(tài)變換，熱圖應(yīng)用價值不高；后者則特別需要通過熱圖反映用戶的使用習(xí)慣，并結(jié)合 app 內(nèi)其他的 engagement 的分析（in-app engagement）來優(yōu)化功能和布局設(shè)計，所以熱圖對它們很重要。

　　要想熱圖用得好，一個很重要的點在于你幾乎不能單獨使用一個熱圖就想解決問題。我常常用集中對比熱圖的方法。

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

　　其二，細分人群的熱圖對比分析，例如不同渠道、新老用戶、不同時段、AB 測試的熱圖對比等等。

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

　　總之，分析很多用戶交互的時候，熱圖簡直是神器，只不過，熱圖真的比你看到的要更強大！

　　方法7：Event Tracking（事件追蹤）

　　互聯(lián)網(wǎng)運營數(shù)據(jù)分析的一個很重要的基礎(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)展起來的。

　　但是，早期的網(wǎng)站分析有一個特點，就是對于用戶在頁面上互動行為的記錄，只能記錄下來一種，就是點擊 http 鏈接（點擊 URL）。不過隨著技術(shù)的發(fā)展，頁面上不僅僅只有 http 鏈接，頁面上還有很多 flash（現(xiàn)在 flash 都要被淘汰了）、JavaScript 的互動鏈接、視頻播放、鏈接到其他的 web 或者 app 的鏈接等等，用戶點擊這些東西就都無法被老方法記錄下來了。

　　不過，有問題就一定有方法，人們發(fā)明了 event tracking 來解決上面的問題。event tracking 本質(zhì)上是對這些特殊互動的定制化監(jiān)測，而由于是定制化，所以反而有了更多附加的好處，即可以額外添加對于這個活動的更多的說明（以 event tracking 這個方法的附件屬性的方式）。結(jié)果，這個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)測屬性說明。

　　隨著 app 的出現(xiàn)，由于 app 的特殊性（屏幕小，更強調(diào)在一個屏幕中完成互動），分析 app 的 page（實際上應(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 上的點擊行為的重要性則十分巨大，這就使我們分析 in-app engagement 的時候，必須大量依賴 event，而相對較少使用 screen。這就是說，在 app 端，event 反而是主，page（更準確應(yīng)該是 screen）反而是輔！

　　這也是為什么，這個方法你必須要掌握的原因。

　　方法8：Cohort 分析

　　Cohort 分析還沒有一個所有人都統(tǒng)一使用的翻譯。有的說是隊列分析，有的說是世代分析，有的說是隊列時間序列分析。大家可以參考維基百科：隊列研究，找找自己覺得合適的譯名。

　　無論哪種叫法，Cohort 分析在有數(shù)據(jù)運營領(lǐng)域都變得十分重要。原因在于，隨著流量經(jīng)濟的退卻，精耕細作的互聯(lián)網(wǎng)運營特別需要仔細洞察留存情況。Cohort 分析最大的價值也正在于此。Cohort 分析通過對性質(zhì)完全一樣的可對比群體的留存情況的比較，來發(fā)現(xiàn)哪些因素影響短、中、長期的留存。

　　Cohort 分析受到歡迎的另一個原因是它用起來十分簡單，但卻十分直觀。相較于比較繁瑣的流失（churn）分析，RFM 或者用戶聚類等，Cohort 只用簡單的一個圖表，甚至連四則運算都不用，就直接描述了用戶在一段時間周期（甚至是整個 LTV）的留存（或流失）變化情況。甚至，Cohort 還能幫你做預(yù)測。

　　我總覺得 Cohort 分析是最能體現(xiàn)簡單即美的一個典型方法。

　　方法9：Attribution（歸因）

　　歸因不是人人都聽說過，用好的更是寥寥無幾。 不過，考慮到人們購買某一樣?xùn)|西的決策，可能受到多種因素（數(shù)字營銷媒體）的影響，比如看到廣告了解到這個商品的存在，利用搜索，進一步了解這個商品，然后在 social 渠道上看到這個商品的公眾號等等。這些因素的綜合，讓一個人下定了決心購買。

　　因此，很多時候，單一的廣告渠道并不是你打開客戶閘門的閥門，而是多種渠道共同作用的結(jié)果。

　　如何了解數(shù)字營銷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)字營銷渠道的策略以促進這種關(guān)系？在評價一個渠道的時候，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)營銷的負責(zé)人，歸因分析是必不可少的分析方法。在我的課堂上，會特別多的篇幅講解這個方法。

　　方法10：細分

　　嚴格說，細分不是一種方法，它是一切分析的本源。所以它當(dāng)之無愧要排名第一。

　　我經(jīng)常的口頭禪是，無細分、毋寧死。沒有細分你做什么分析呀。

　　細分有兩類，一類是一定條件下的區(qū)隔。如：在頁面中停留 30 秒以上的 visit（session）；或者只要北京地區(qū)的訪客等。其實就是過濾。另一類是維度（dimension）之間的交叉。如：北京地區(qū)的新訪問者。即分群（segmentation）。

　　細分幾乎幫助我們解決所有問題。比如，我們前面講的構(gòu)建轉(zhuǎn)化漏斗，實際上就是把轉(zhuǎn)化過程按照步驟進行細分。流量渠道的分析和評估也需要大量用到細分的方法。

　　維度之間的交叉是比較體現(xiàn)一個人分析水平的細分方法。比如，我的朋友他將用戶的反饋作為 event tracking 的屬性（放在了 event action 屬性中），提交給 GA，然后在自定義的報告中，將用戶反饋和用戶的其他行為交叉起來，從而看到有某一類反饋的用戶，他們的行為軌跡是什么，從而推測發(fā)生了什么問題。

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

　　無細分，毋寧死。