时间: 2021-07-30 09:17:40 人气: 14 评论: 0
本文根据刘立明在起点学院线下沙龙分享的课程整理而成，加入起点学院在线社员（或复制报名链接：http://t.cn/R53OsvD 到浏览器中详细了解），即可观看本课程视频回放及尊享300门视频课程学习特权。
题图：刘立明，**大数据高级产品经理
本文大纲如下：
以下为刘立明演讲实录，由人人都是产品经理@池吉明 依据嘉宾分享内容整理，编辑有修改：
最近几年，随着移动互联网的快速发展，大数据的概念也越来越火，很多公司都在提数据化管理。那么，我们今天就聊一下数据化管理这个话题。
先来看下数据化管理的误区：
数据多并不意味着能驱动业务发展，因为存在很多因素导致数据并不能很好地应用于业务中。
（1）因素一：数据质量问题
一方面，很多公司在采集数据时，**采集到很多脏数据，比如模拟器**量、羊毛党**量。如果未做反作弊识别，很难将这部分数据过滤掉；另外一方面，在采集数据时，没有做到标准化、规范化上报。那么在做数据挖掘分析时，就很难得到有效信息。而数据的准确性和稳定性是数据科学管理的基础，如果无法满足这两点，在业务决策上就**存在很多问题。
（2）因素二：数据跟业务关联性不大
数据只有跟业务有足够强的关联性，才有价值。我们本身有很多指标，大概**过70多个。但是在日常分析时，我们经常用到的也就那么几个，其他的或者访问非常少，或者**随着时间推移，慢慢被弃用。
（3）因素三：采集数据很容易，用起来难
**做了很多年数据分析，积累了很多经验，有一整套自己的分析系统，在数据应用方面自然没问题。但是很多传统企业，像运营商移动、联通、电信，以及保险公司、银行对在这块的困惑就特别多。他们有很多数据，但不知道该怎么用。像这样盲目地采集数据，其实根本没有多大意义。
不一定，因为分析师往往对业务不了解，只能给出机械的分析结果，并不能有效地指导业务发展。
举个例子，我们之前在业务运营中引入了分析师团队，希望可以提供更多思路和指导方向来帮助业务发展。但分析了一段时间后，我们发现效果并不是很好，原因在于分析师一般**基于报表维度的数据给出分析结果。比如数据突然出现波动，分析师可能**认为是节假日导致的，但其实他可能不清楚我们在整个业务运营中做了什么样的活动。所以，这块数据分析和业务是割裂的。
为了解决这个问题，我们做了一个新的尝试，将数据分析团队跟业务团队放到一起，并成立联合项目组去做试点。后来结果证明效果不错，因为分析师在设计每一个指标的时候都**去跟一线运营同学沟通：
如此一来就能做到有的放矢。
相信大家每周或者是每天都在给这样的分析报表，但是我们的分析结果真的是一个有针对性的业务的最优解决方案吗？结果往往是否定的。这里边也存在几个问题：
（1）问题一： 分析维度单一，不足以支撑结论
分析维度有很多，比如说版本、渠道、地域，以及设备属性和特定行为特征等。目前来看，所有的APP分析,基本上就是从版本和渠道这两个维度去分析的；还有自定义事件，如果只是基于事件ID去分析，它没有足够的参数去做限定，那么也很难去支撑并决策分析结果。
（2）问题二：数据质量干扰分析结果
分析结果能否有效地反映业务发展情况，并给出有效优化策略的关键因素之一便是数据质量。如果数据质量不过关，那么基于数据给出的分析结果也**大打折扣。我们接触的很多app，都或多或少有过被**量的情况。这种数据不仅给公司造成财务上的浪费，同时也**影响正常数据，造成数据分析的困难。
在认识了这些误区之后，如何科学地进行数据化管理？
科学的数据化管理不仅要有完备的数据分析，更重要的是基于数据分析结果的行动。所以，下面我们将从数据采集、数据分析、行动策略以及快速执行四方面讲一下数据化管理思路。
目前我们采集的维度包括基础数据统计、用户属性、用户来源、用户行为和模型数据。
（1）基础数据
基础数据就是我们日常在看的一些数据，包括新增、活跃、启动次数和留存等。
（2）用户属性
基于**移动分析覆盖的众多app以及**大数据的优势，提炼不同人群的不同标签。
用户属性包含基础的自然人属性，比如性别、年龄、职业、学历和兴趣爱好等；另外也有做设备属性分析，比如用户使用的机型、品牌、以及联网方式等。
（3）用户来源
这也是非常重要的一个指标，可以帮助分析用户来自哪里。这里的维度可以有很多，比如渠道是一个维度，版本也是一个维度，另外地域和机型都可以算作不同的维度。
（4）用户来源
用户来源可以帮助分析产品对于用户的粘性，并且帮助优化产品路径。这块涉及的数据**比较多，比如用户使用时长，使用频率和页面访问路径等。关于行为这块重点强调一下，要求上报的数据必须是标准的、规范的，这样有助于后期做分析。否则，最后采集的数据只是脏数据，对于后期分析没有任何意义。
（5）模型数据
模型数据是建立在基础数据分析上的高级模型，可以针对用户做更高级的分析。我们**针对用户生命周期里的每个阶段去做模型分析，比如拉新模型、拉活模型和流失模型。
数据本身没有价值，分析才有价值。
在做分析时，主要包括以下几方面内容：
在做数据分析时，多维交叉分析是一个很好的分析手段。当我们看数据的整体趋势时，能发现业务发展是否有问题或者机**，但是不能够发现问题到底出在哪里，或者说机**在哪里。那我们**主张进行多维下**分析，比如渠道、版本、国家、设备属性和自然属性，这些都可以作为维度去做交叉分析，最终定位问题出在哪里。
用户人群分析可以帮助分析不同人群的属性特征以及行为特征。针对不同的人群特征，制定差异化运营策略，将运营效果最大化。
产品质量分析自然是用于衡量产品质量的数据指标，包括app的crash情况、耗电量、网速等数据。
根据数据分析的结果，发现问题或者机**之后，我们要先制定一些行动策略。这一步即是打通数据分析和行动断层的关键一步。拿生命周期管理常用的策略举例来说，包括拉新策略、提活策略、流失召回等。
策略制定好之后，接下来就是快速执行了。行动是验证数据分析结果和策略有效性的最后一步。跑得越快，成功的可能性越高，所以优良的执行力非常重要。在**奉行的也是小步快跑，快速迭代，出错没问题，要保证速度。
前面讲到了数据化管理的误区和思路，那么接下来我们就讲一下，如何从0到1搭建一套数据运营体系？
我接触过很多开发者，都有数据分析的需求，但是要采集和统计哪些数据，刚开始并不是特别清晰，那这块的规划就非常有必要的。尤其是在数据建设初期，一定要将指标的定义明确，不然很容易在后期数据分析阶段出现扯皮问题。
另外则是维度设置，除了版本、渠道之外，还可以加上自定义的属性，比如：地域、机型、网络类型等，这些维度设计的越多，越有助于后续数据的精细化分析。就拿新增来说，可能看到新增有一个过快的下跌，如果只设计版本和渠道两个维度的话，那么只能从这两个维度分析；如果想做更深的下**分析，就无法再继续定位了。
最后一个关键因素：更新周期。数据是实时更新的、 每天更新、还是每周更新，都需要提前规划好。因为数据计算**耗费大量的资源，好钢用在刀刃上，把资源用在最有价值的地方。
指标规划好之后，接下来要做的就是数据采集。数据采集包含三个方面的工作，字段分类、数据埋点和数据上报。字段分类很重要，越精细越有助于后续的数据分析。数据埋点，顾名思义，在自己想采集的数据部分，通过打点的方式统计业务发生数据。
在数据采集上来之后，我们就需要考虑将数据以报表的形式呈现出来，以帮助分析业务的变化情况。
当我们做完了以上几步之后，如果最终验证这套体系是可行的，那么就可以考虑进行整个的数据产品化以及功能迭代。
（1）建设方式
接下来，我们聊一下数据分析系统的建设方式。
目前的建设方式无非有两种，一个是自建，另外则是使用第三方服务。
自建有什么好处？埋点灵活便捷，可以根据你的需求去埋点，并且也可以跟业务数据打通。因为只有这样，才能将数据分析真正应用到业务上。但是，我相信如果是一些目前在起步阶段的APP，它是没有能力去做这个事情。
自建的弊端在于需要投入巨大的成本。首先是人力成本，然后服务器资源维护起来也比较昂贵，另外不能与外部运营工具打通。就拿拉新来说，需要对用户有一个非常清晰的认识，需要知道用户群体有哪些属性特征和行为特征。如果根据自己统计的标签去广告平台投放广告，往往匹配起来是不够精准的。因为很有可能双方标签体系并不一致。
（2）迭代优化
在整个建设阶段，不必一蹴而就，可以按照app发展的不同阶段按需建设，逐步迭代。
我们先看一下APP发展生命周期的四个阶段：初创期、生长期、成熟期和衰退期。每个阶段需要关注的数据指标是不一样的，所以我们可以分阶段来建设：
① 初创期关注哪些指标？
②成长期不仅要关注用户增长速度，还需要去关注一下用户行为数据
到了成长期，不仅要关注用户增长速度，还需要去关注一下用户行为数据，因为我需要去识别用户的质量。就拿推广这个事来说，不仅要看数据整体的增长情况，而且要看核心用户有没有增长，那我们就需要从用户行为维度去识别，哪些是我们的核心用户。那就需要去建设像使用频率、使用时长、页面访问路径以及消费行为这些维度的数据。
③ 成熟期对数据的需求增加，需要深度挖掘用户价值
到了成熟期后，对数据的需求**越来越深入，需要深度挖掘用户的价值。那么这个阶段就需要考虑做一些数据模型。
比如活跃模型，活跃用户虽然是一个整体，但是活跃用户的质量是不一样的。比如活跃**过100天的，**过300天的甚至**过两年的，对于不同的用户群体，需要做个性化的运营策略。
另外一个模型就是流失模型。当用户到了一定规模之后，很难避免流失情况，到了成熟期有些用户的活跃度**慢慢的下降最终流失。这时就需要对用户做一些干扰手段，通过消息推送、有效的激励、短信这几种形式。
还有就是画像洞察，到了成熟期，相信各个数据都**考虑做变现的行为，变现首先要知道用户是什么样子的，那么画像洞察的建设就可以提上日程。
③ 衰退期用户流失严重
到了衰退期，基本上APP已经开始出现用户大面积流失的情况，想要将用户拉回来是非常困难的，所以需要去关注兴趣转移，寻找新的业务增长点就好了。
（3）MTA指标体系
这是MTA的指标体系，分成了基础指标、用户属性、用户来源、用户行为、模型数据。新增、活跃、流失这些，前文已经提过，这里就不再说了，重点提一下质量监控，质量监控主要是统计用户使用app的crash情况，还有网速监控情况、接口调用情况。
“做了一套数据分析系统之后，难点在于数据分析；搭一套东西很容易，但真的要用起来却很难。”
接下来，我们就讲一下数据深度分析部分。
多维度下**分析的好处就在于，可以去从整个趋势里发现问题，最终通过更细粒度的分析去定位到问题所在，再制定相应的执行策略。分析的维度其实很多，例如：渠道、版本、地域、页面、标签、用户群这些都可以作维度去分析我们的用户。
接下来我们看一下日常经常用到的漏斗模型。
漏斗模型是一个很重要的手段，漏斗不仅可以帮助分析关键路径从第一步到最终的转换结果，还可以帮助分析每一步之间的转化率。漏斗的每一步转化中基本上都**存在流失，所以没有百分百的漏斗。
那漏斗如何去使用呢？单一的漏斗分析是没有意义的。只有通过趋势观察、维度对比和维度细分才能体现漏斗分析的意义。
接下来我们举例说明。
使用**移动分析大概分为三个步骤，注册-测试-上线。
第一步是从注册到测试的一个转化，第二步是从测试到上线的一个转化，第三步是从测试到上线的转化。分析数据发现五六月份的转化都是OK的，但是看七月份的数据，从注册到测试，转化率只有21.7%，但是从测试到上线是22.6%，这个没有什么变化，整体的转化率是4.9%。与5月、6月相比，数据有所下降。
产生这个问题的原因是什么？我们拿这个漏斗相关的数据做一下分析。第一个数据是新增，第二个是我们的测试，第三个是最终上线的应用数。我们发现7月份的新增只有一个很大的增幅，但是它并没有给我们带来一个好的测试的一个数据，测试的应用只有1300个，没有明显增长，我们最终上线的也只有294个。说明新增有增长，但是这部分用户转化率并不是很高。整体来看，应该是新增暴涨的原因，那么我们又针对渠道这个维度做了一轮下**分析，发现来自官网的新增特别多。在分析相关的推广活动时，发现这个月做了有奖问答活动，导致很多用户来注册账号并创建了应用，而这些用户都是奔着奖品而来，并非我们的用户，因此转化非常差。最终定位到数据转化降低的原因。
数据分析是制定用户管理策略的基础，那么讲完分析后，我们来聊一下策略相关的内容。
用户生命周期管理可分为六个阶段：
在不同的用户生命周期，我们需要进行差异化运营策略，才能将用户价值最大化。比如，潜在用户阶段，需结合用户特征制定拉新策略；新手阶段，需要给用户提供实时的用户关怀，制定合适的新手任务系统；有效活跃阶段，提供别致的产品探索引导和正向激励；活跃下降阶段进行防流失干预；即将流失阶段进行流失预警；流失阶段发起流失关怀。接下来，我们结合案例进行说明。
（1）精准拉新
潜在用户阶段，在做拉新时，根据历史数据梳理相关字段，以历史玩家为样本数据制定对应的拉新模型。通过对比实验组与大**的推广效果，对拉新效果进行评估。
其实在经过这样的分析之后，拉新效果**有一个比较好的提升，最终实验组相比于随机组，有百分之30%到60%的一个提高。其实这个模型在开始阶段，效果不是很明显，也是需要经过不断训练才能达到这样一个效果，所以数据分析是需要一步一步迭代升级的，而不是能一蹴而就达到一个好的效果。
（2）新手关怀
合适的新手关怀手段可以让用户更好的留下来。比如可以根据用户的兴趣偏好设定个性化的新手任务体系，个性化的关卡奖励；比如根据用户性别，赠送不同的礼物，设计不同的任务难度等。
（3）活跃成长
好的内容推荐以及成长体系都可以提高用户的活跃度，可以通过对用户画像进行刻画，推荐合适的内容。比如在游戏中，加入社交属性可以提高用户的活跃度。那么就可以根据用户属性和行为特征推荐合适的战队信息，一旦用户加入战队，活跃度便可得到有效提升。
（4）防流失预警
通过一些行为数据可以判断出用户有没有流失风险。比如活跃度的下降，使用时间间隔的增长，都是典型特征。那么，在圈定这部分用户之后，就可以使用一些运营工具进行流失用户召回。比如以消息推送，短信或者广告平台等手段触达用户，如果活跃度下降就给它送更多的道具，或者推出更多好玩的玩法，以防止用户流失。
（5）流失回流
根据经验来看，用户一旦流失就很难回来。所以把精力花费在流失挽回上，不如去分析下用户的兴趣转移，寻找新的业务增长点。
用户群分析是个非常好的手段，通过用户群分析，除了可以帮助进行人群分析和问题定位，有时候**发现用户自己都不清楚的需求。
那我们应该如何创建分群呢？一是根据用户属性，二是根据用户行为特征。比如ppt中列的年龄、性别啊，或者未付费用户、多次付费用户等。
有了不同的人群，我们可以做些什么呢？除了分析不同人群的特征，还可以针对不同用户做一些差异化的运营方案以及精准拉新等。
接下来我们看一个案例。
这是一个电商类的APP，在用我们的服务，用户增长还不错，但是成交量一直萎靡，就过来问，应该怎么去用数据驱动业务发展？
那我们就以这个为案例做了一轮分析。首先我们通过建立分群分析成交用户和高价值用户的特征；然后与大**用户进行对比，发现整个大**中男性比较多，然而成交用户与高价值人群中女性比例较高，那说明女性成交的可能更高。
另外，我们针对这三个用户群做了一下人群偏好对比。相比于大**用户，成交用户和高价值用户对购物与金融类**更感兴趣，这是我们得到的一个分析结论。
然后再回到它的问题，成交量不符合预期。第一可能是渠道用户的质量问题，第二可能是在商品定位上有问题。整个大**中男性用户较多，那是不是男性的商品推荐做的不够，或者男性的商品品类比较少，这些都有可能。
相比于两个原因，第一个的验证周期**更短一些，那我们就先拿第一个去做一个分析。如上图，这是我们拿到的几个渠道，可以看到D和E是流量的主要来源，而且D的周留存也不错。但是从成交来看，A的数据也不错，所以可能A也是一个优质渠道。
这是我们的一个分析结果。那接下来需要验证一下，A渠道是否符合成交人群和高价值人群的特征。从数据来看，A渠道的女性比例是62%，对购物的兴趣也高于大**，这个符合我们的成交用户跟高价值用户群体特征。
根据这个分析结果，我们建议开发者进行了投放渠道的策略调整，增加A的投放比例，降低B跟C的投放。策略实施一周之后，对数据做了一下追踪。这个图是一个整体的转化，前面的图是优化之前的，后边的图是优化之后的，整个的转化率提高了百分之十几。这就是整个分析过程，希望能对大家有所启发。
以上就是我的分享，大家如果有其他问题，可随时与我沟通。
作者：刘立明，**大数据高级产品经理，主要负责**内部数据指标体系构建，以及**移动分析（MTA）产品运营。从事了数据产品运营4年，曾任友盟高级产品运营，在产品运营和数据分析方面有深厚经验。
本文系人人都是产品经理团队@池吉明 整理编辑发布，未经许可，不得转载。
