优秀产品人必懂的数据驱动增长模型

在实际的业务中，产品人很少有机**经历完整的数据体系搭建过程，本文将系统的介绍如何搭建一个完成的数据驱动模型。

在实际的业务中，大多数人可能只**遇到以下一种或几种常见的场景，并且对于各个细分场景，所需要解决的问题和关注重点都是不一样的。

场景一：你刚加入一个成熟产品的用户增长部门，**发现业务当前有非常全面详实的用户和业务数据，但由于个人缺少数据分析的经验，面对一堆数据，除了能简要了解到产品基本情况，不知如何从数据中挖掘出更有价值的信息。

• 待解决问题：面对大量数据，不知如何入手分析。
• 所需的能力：各种可以从数据分析中找到增长线索的方法论。

场景二：你熟练掌握了基本的数据分析技能，能够基于现有数据找到增长线索，你想针对某些关键指标的异常情况进行分析，但不知道哪些数据相关性高，如何将多维度的数据关联分析。

• 待解决问题：有明确的问题需求，但不知如何有效拆解数据问题。
• 所需的能力：基于目标行为的拆解用户路径的方法。

场景三：拆解完用户路径后，发现目标的转化路径中有部分数据缺失，无法有效支撑你的分析。

• 待解决问题：如何快捷有效的收集缺失的数据。
• 所需的能力：制定数据采集方案。

场景四：需要的数据采集到位后，发现数据统计混乱，每次查询和分析数据的效率成本都很高。

• 待解决问题：数据如何高效可视化呈现，降低查询使用的成本。
• 所需的能力：创建数据仪表**。

诊断上述的工作场景，大多数增长人的工作顺序可能是：数据分析→用户路径拆解→收集数据→搭建仪表**。

基于数据驱动用户增长可以分为以下五个步骤：

对大多数增长从业者来讲，最重要的是先掌握一套数据分析方法，从现有数据中快速找到增长线索，取得一些增长业绩，再反过来检查数据埋点、统计等地方有没有问题。当掌握了数据分析方法，但所在的公司or负责的业务没有基础数据也无从下手，才需要思考如何拆解用户路径、数据采集。而数据仪表**，则是为了提高查询效率，支持数据分析工作快速、准确开展。

一、分析数据：多维度数据分析

从数据分析中寻找增长机**，可分为“宏观”和“微观”两个角度。

• 宏观：在基础数据中，找到较大的增长机**。
• 微观：对比精细化的用户数据进行分析，挖掘相对隐蔽的增长线索。

无论所在的公司是否有用户的精细化数据，都可以通过从整体的角度进行数据分析，找到增长乏力点。然后再考虑要不要分析更精细的数据。

案例：某内容类APP产品

本节将**围绕北极星指标和全链漏增长模型，通过一个案例（数据虚拟）展开关于宏观数据分析的分享。

• 北极星指标：指导增长工作方向最重要的指标，也可以理为业务现阶段的唯一重要的指标。制定北极星指标时，需要在服务于业务的长期健康增长下，同时考虑商业目标和用户价值。
• 全链漏斗增长模型：是把影响北极星指标的主要细分指标梳理梳理出来，并标注转化率。通过模型，可以将北极星指标细化拆解，从中找到增长的机**点。

案例场景：刚刚入职一家内容类APP，负责用户增长，公司没有完善的后台数据系统，无法通过详细的用户行为埋点数据，如何找到一些增长的线索。公司现有后台可提高的数据指标：下载量、注册量、登录量、平均阅读时长、基本用户信息。

第一步：构建全链漏斗增长模型

从转化漏斗可发现：

• 拉新转化率较高：新用户下载到注册的转化率为70%，新用户下载转化率不错。
• 老用户活跃度低：当月活跃老用户占总注册用户数的10%，老用户活跃较低。活跃用户主要靠新用户补充。
• 用户感知的产品价值较低：当月人均阅读时长较低，远低于行业均值。

第二步：分析历史趋势，观察趋势、异常点、拐点

从历史数据中发现：

• 拐点：2019年11月，下载到注册完成的转化率从71%开始大幅度下降，发送了什么？
• 趋势：2019年10月，人均阅读时长提高了一倍。因为那个时间段增加了内容社区版块。

第三步：按获客渠道分解

在了解了现状和历史数据情况后，可通过获客渠道对数据进行维度分解。

• 公众号的新用户下载转化率一直维持在63%-71%左右。
• 2019年11月份开始抖音广告，转化率仅有10%-15%，因此导致了总体转化率下降。

第四步：了解用户的基本属性特征，根据APP收集的用户信息，画出分布饼图

通过年龄、性别、城市、职业等发现：

• 18-25，25-30的用户占比最大。
• 职业：白领和大学生为主。

第五步：了解用户的基本活跃度

发现：

• **过80%的活跃用户每月登录少于4次；
• 但每月登录4次以上的用户，有接近80%的用户为18-25岁的大学生用户群体。

总结：

• 新用户下载到活跃的转化率尚可。
• 老用户活跃度低。
• 人均阅读时长低于行业均值。
• 公众号转化率远高于抖音广告。
• 18-25岁的大学生用户群活跃度较高。

通过增长线索的制定应用策略的两个方向

在通过数据分析得到增长线索后，可以通过取长补短的方式来制定增长策略。

• 取长：强化增长，在已经显出成功信号的方向上，继续加强。
• 补短：修补漏洞，找到整个业务漏斗中流失问题最严重的环节，通过策略降低流失。

继续针对上述案例，进行分析，假设发现：

（1）公众号来源的新用户质量高

对应策略：取长。增加公众号的内容数量，提升公众号的内容质量。

（2）大学生用户活跃度高

对应策略：取长。进一步分析大学生的获客渠道来源，通过用户问卷了解大学生感兴趣的内容和功能，加强对应的产品体验。

（3）来自抖音广告的新用户转化率低

对应策略：补短。找到漏斗转化率低的原因，测试提升转化率。

（4）老用户活跃度和留存率低

对应策略：补短。进一步分析活跃和留存曲线，找到用户流失最大的问题。

二、理解数据：梳理用户行为路径

梳理用户路径的意义：新项目开启时，需要明确北极星指标和增长模型，之后还需要进一步加深对用户和产品认知的颗粒度。需要快速结合产品功能、业务逻辑，梳理清楚用户行为路径，为后续的确立指标、数据埋点、数据分析奠定基础。

梳理用户行为路径的方法

（1）梳理核心路径：根据北极星指标，构建转化漏斗。转化漏斗一般为设定的用户主路径。

（2）细化核心路径：将核心路径中加入更多的漏斗步骤，理想形态是拆到不能再细化为止。

（3）加入其他重要路径：梳理重要的产品功能和业务逻辑，描绘主漏斗之外的重要行为路径，找到路径之间的关系。

案例：某电商类APP

小编通过针对电商类的产品，简要分享一下如何梳理用户行为路径。

第一步：梳理核心路径

第二步：加入其他重要路径

第三步：输出用户行为路径图

三、收集数据：制定埋点方案

制定数据采集方案是数据驱动用户增长的第二步。没有用户行为数据，数据颗粒度不够，也就难以发现业务指标变化背后的原因，从而难以发现增长线索。通过数据埋点追踪用户行为，可以用数据描述用户在产品中的行为轨迹，也构成了指标仪表**和分析数据的基础。

增长团队经常面临的问题：

• 没有详细用户行为数据，无法进行比较细致的数据分析。
• 做过用户行为的埋点，但不准确，无法使用，不能满足分析需求。

埋点的目的是追踪所有的用户关键行为。

确定埋点数据指标

常见的两种需要数据埋点的情况：

• 已有基本埋点，只需进行缺失的数据埋点。
• 如从头埋点采集用户行为数据：分级分步，由主到次。

埋点需要记录的信息：

行为本身（event）：用户做了什么操作？

行为的属性（property）：

• who：谁参与了这个行为（设备ID，用户ID等）。
• when：行为发生的时间。
• where：行为发生的地点。
• how：用户参与这个行为的方式（设备型号，版本号等）。
• what：根据行为类型，细化更多情况（商品名称、价格、数量、query词等）。

制定事件埋点方案

制定事件埋点方案是产品运营的基本技能之一，这里小编就不做过多的分享了。

简单总结几点埋制定埋点方案是常见问题：

埋点的常见问题一：思路不清，事无巨细。

问题现象：什么都想埋点，导致上线时间晚，且埋点过多对产品负担较大，影响用户体验。

避免建议：

• 从重点出发：如从北极星指标，增长模型和重要问题出发，规划埋点计划。
• 从问题出发：带着需要解决的问题和分析目标，通过数据解读进行埋点规划。

埋点的常见问题二：事件命名格式不统一

• 问题现象：同一个事件，存在多个名字。因为版本迭代导致前后版本命名不同等。
• 避免建议：统一规定事件结构和命名规范，做好文档管理，定期更新。

埋点的常见问题三：错过重要的事件或属性

• 问题现象：因为突发情况导致的某路径或环节数据异常，但未针对这个路径进行埋点。
• 避免建议：埋点前，从问题出发：想清楚为了回答哪些问题，要追踪哪些事件，事件需要哪些分支路径和环节。发现错漏后，逐渐补齐。

埋点方案常常分为前端（客户端）埋点和后端（服务器端）埋点两类方向。

前端埋点：主要是记录用户端操作行为，如点击事件，页面打开事件等。

• 埋点方法：通过客户端代码进行埋点。
• 优点：真实记录产品内用户行为和路径，不需要请求服务器数据。
• 缺点：不能记录业务结果，网络加载慢时，可能导致数据不完整，更新埋点时需要进行版本更新，界面视觉交互修改时，可能需要更新对应埋点。

后端埋点：主要记录用户特征变化及前端操作导致的业务结果，如付款成功，交易失败等。

• 埋点方法：通过从接口调用后端数据。
• 优点：实时性好，产品界面改变不需更新埋点。能够收集不在APP内发送的行为，记录最终的结果，数据相对更准确。
• 缺点：不能收集不需调用接口请求服务器的数据。例如用户的按钮点击事件。

埋点案例

小编在此通过一个携程的登录页面埋点来简要说明一下如何埋点。

因对登录功能进行埋点，所以需要记录如下信息：

行为（event）：

• 注册流程各个节点的转化率。
• 第三方登录流程各个节点的转化率。
• 验证码登录流程各个节点的转化率。
• 密码登录流程各个节点的转化率。
• 密码找回流程各个节点的转化率。
• 用户从登录页面直接退出的点击次数

行为的属性（property）：

• who：用户设备ID，用户ID，用户使用的产品版本号，用户手机号的国家号段(国内，国外)。
• when：用户操作各个流程的服务器时间，用户登录成功的服务器时间。
• how：用户登录时的产品版本号。
• what：根据行为类型，细化更多情况（商品名称、价格、数量、query词等）。

作者&公众号：杨三季

本文由 @杨三季 原创发布于人人都是产品经理，未经许可，禁止转载

题图来自 Unsplash，基于 CC0 协议