用户行为分析-如何用数据驱动增长

2022-11-22
看完书才知道是 GrowingIO 公司出的一本书，干货还是挺多的。
在这里插入图片描述

第一章从商业进化的角度认识用户行为数据的重要性，帮助大家了解什么是用户行为数据，以及用户行为数据怎么发挥价值。接着四章详细描述“数据驱动增长金字塔”：数据规划，数据采集，数据分析，数据应用。最后一章，分享了不同类型公司用户行为数据驱动增长的实战案例，看完很有启发。

商业进化：一切向用户靠拢

旧品牌：原料-制造-销售（分工）
平台品牌：掌控用户数据（平台化）
新品牌：直连用户（DirectToConsumer）

什么是用户行为数据

用户属性数据，用户行为数据，用户交易数据
用户行为数据 "5+1"要素：谁（who），何时（when），在哪里（where），做什么（what），怎么做（how），做了多少（how much）

用户行为数据一个趋势和两个价值

趋势：在数字孪生世界下，用户行为数据的迁移
价值一：理解用户需求，指导业务升级（描述用户，理解需求，设计业务，重建关系）
价值二：预测用户行为，引导业务创新（预测未来，精准营销，评估用户价值）

数据规划

基于用户行为数据，规划指标体系。指标规划体系的三大思路：

OSM模型：O（object）目标，我们的业务、产品，甚至产品中的小功能存在的目的是什么？S（Strategy）策略，为了达成目标我们要采取什么策略？M（Measure）度量，用于衡量我们的策略是否有效，反应目标的达成情况。

选定目标：切实可行，易于理解，可干预可管理，正向有益。

GMV（成交总额）= 流量 X 转化率 X 客单价

UJM模型：User Journey Map 用户旅程地图
场景化：场景化的作用是推动指标体系快速落地。指标要根据实际情况进行分级，可以帮助更好的进行数据分析。

数据看板

数据看板应用场景：监控，分析和协作。数据看板分类：战略看板、分析看板、实时看板。数据看板特征：聚焦于一个商业目标；数据看板的屏幕必须呈现全貌。数据看板三原则：一屏包含所有需要的信息；具备一定的时效性；定制化。数据看板四要素：可视化、能讲故事、能迅速发现问题、能分析与行动。数据面板搭建的四个步骤：明确需求，需求分析，可视化，评估效果。要避免数据割裂，太多，太慢，布局错误，可视化方式错误，数据衡量方式有误。

数据采集

数据采集常见问题：前期业务沟通不明确；采集时机和口径对不齐；采集点没有统一管理；版本迭代更新无法发现数据变化。
数据采集方法：埋点和无埋点。埋点：写代码监测指定的行为。适用于“监听与分析式”数据场景。无埋点：不是无代码，是很多用户行为数据会自动采集，例如页面访问，跳转等。适用于“探索式”数据场景。
埋点方案四要素：确认事件与变量；明确事件触发的时机；规范命名；明确优先级。埋点团队：业务方，数据规划师，技术团队。协作流程：需求提交，需求评审，埋点方案执行，数据校验，数据使用。
数据指标管理：命名，字典（描述），分类，清理。
实现客户数据平台的四大原则：客户视角，数据统一，系统开放，业务导向。

数据分析

十大分析模型

事件分析：分析特定事件对公司价值的影响。用户，时间，对象，操作。
漏斗分析：流程式数据分析模型。通过将用户行为的各个节点作为分析模型节点，来衡量每个节点的转化效果，一般通过横向柱状图呈现。
热图分析：基于鼠标点击位置，鼠标移动轨迹，内容点击的热图。留存分析：留存用户，留存行为，留存率。留存魔法师，找到访问产品初期用户的行为和行为的次数，促进用户使用这些功能，提高留存率。明确衡量目标，找到新用户留存较高行为，分别计算用户行为和次周留存率的关系。
事件流分析：了解用户在产品内流转的最佳方法，通过桑基图呈现。
用户分群分析：归类分析，定位流失原因，精准运营。
用户细查：了解这个群体内用户在产品中的轨迹，清晰展现交互过程。
分布分析：了解不同区间事件的发生频次，不同事件计算变量加和，以及同页面浏览时长等区间的用户数量分布。
归因分析：将销售功劳按照一种或一组销售规则，按劳分配给转化路径中不同接触点的数据分析模型。找到最有价值，最具潜力接触点。首次归因，最终归因，线性归因，位置归因。

渠道分析

渠道-承接投放-售前种草-销售转化
高客单：建立社群，高质量活动，提高活跃度。
低客单：前置体验权益，优惠券，首单免费。
漏斗分析：通过广告转化漏斗，我们可以得到各个渠道投放的流量与落地页的交互关系，从用户量、用户质量和用户行为判断渠道产出。
波士顿矩阵：判断渠道投放效果的基本因素有两个：流量质量和流量规模。
A/B测试
打造黄金落地页六要素：价值主张，转化动力等于收益感知减去成本感知。相关性，如何传达产品价值与用户需求关联程度。清晰度，产品的价值传达清晰吗？紧迫，展现时效性，稀缺性，能够立即行动。分散，保持用户关注，减少分散用户注意力的元素。焦虑程度，如何减少用户焦虑与顾虑？

运营分析

被低估的搜索框。提升消费行为的转化率；提高用户体验，产生Aha时刻；精细化运营流量入口。
活动迭代分析。

产品健康度分析

用户体验的体检；构建项目体检项目清单；部署产品体检指标；产品健康报告解读。
异常对比：行业对比，时间对比，功能间对比。
使用矩阵分析：用户使用频率和使用人数分别为纵坐标和横坐标。
功能留存矩阵：功能使用率和次日留存率。

数据应用

A/B测试

A/B测试策略制定（策略提出，打分，确定）。ICE模型：Important Confidence Effort。
测试目标（评估指标）选定。OSM模型（目标，策略，指标）。预估样本量和试验周期。
科学分流
A/A测试，用来对比A/B测试，增加A/B实验的可信度。
策略投放
数据监控
策略结果分析和执行

产品迭代

3个阶段，8个步骤
产品上线前：产品需求数据分析与评估，产品定义，交互和视觉设计，技术评审，研发
产品上线中：测试，上线
上线后：跟踪数据及总结
量化和评估产品迭代效果的终极目的，是不断提升产品的用户体验，促进用户增长。
HEART模型：Happiness 用户满意度；Engagement 活跃度和参与度，使用频次，粘度深度。Adoption 各个版本和功能的情况。Retention 产品的留存。TaskSuccess 衡量关键任务的完成情况。
PLUSE模型：PageView 页面浏览量；Uptime 响应时间；Latency 延迟；Seven days active user 7天活跃用户数；Earning 收益。

精细化运营

规范化-精细化-个性化

规范化就是把原来非标准化的产品做成标准化，是产品能服务更大规模的用户。
精细化运营意味着为不同的用户群提供更细致的标准化产品。
个性化是在细分用户群的基础上，洞察个体间的差异，并提供有针对性的标准产品。
精细化运营中的三种运营对象：人，产品或服务，时间节点。
规划用户全生命周期分为两个阶段：明确用户全生命周期；描绘用户状态。
标签规划流程：需求评估，设计标签，技术评审，开发上线。
用户分层就是“在特定维度或指标下按照特定规则标准，划分处不同的行为特征的用户类型。”
用户分层模型:RFM 模型（Recency 最近一次消费时间间隔天数；Frequency 一段时间内的消费频次；Monetary 一段时间内消费金额。）；基于传统用户生命周期分层；AARRR 模型（Acquisition 用户获取，Activation 用户激活，Retention 用户留存；Revenue 用户变现，Refer 用户推荐）；其他模型。
用户分层一定要围绕用户运营的目的进行，不能为了制造用户分层的标签，刻意制定无用的分层规则。