运营迁跃：通过高质量数据找到解决方案

2018-01-04 14:21:00

在上两节文章中，我跟大家依次分享了新手如何做好运营工作和工作上要养成用数据驱动思考的习惯，今天按例，和大家聊聊怎么把数据用的有价值从而解决问题。希望大家能前后串起来，举一反三；形成一个完成的闭环体系。

一、找到工作任务的行动指标

运营的工作，往宏观上说，是希望产品能与市场达成匹配，围绕着这一点，我们要构建多个部门，分配多个岗位协调工作，需要定性地学习和校验用户的行为，以此反哺产品，抓住用户上瘾；所以，运营核心上是围着产品、用户转；更需要行动指标来帮助认识和评估用户生命周期的各个环节。
行动指标指的是衡量行动结果的数据，它能明确反映具体可重复的行动和观测结果之间的关系。和行动指标相对的是虚荣指标，比如网站点击量或者APP下载量。这样的指标只能反映产品目前的状况，但是只看这些指标的话，你无法知道不知道下一步该做什么。
如果有一个指标每个月都会增长的话，那可能这个指标就是虚荣指标。像点击量或者下载量这样的指标；要想把指标变成行动指标，你必须要把数据清洗成可见的（用简单的报表）、可分析（即能挖掘出数据代表的意义）。指标有三个 A：Actionable（可行动）、Accessible（可见）、Auditable(可分析)

二、指标需要深入解读

在运营推出新活动或者新功能的时候，会出现各种各样的问题。基础的转化数据可以告诉你哪个环节出了问题，但是不会告诉你为什么。哪个数据指标才是影响的关键？
简单数据分析触达不了核心
通常我们上线一个活动或者功能，漏斗报表可能是一种非常好用的分析工具。它很容易看懂，而且又很适合用来展示转换率信息。不过，漏斗报表更适合用来做微观层面的转换率分析（比如某节点转换率），而不适合做宏观层面的转换率分析（比如客户生命整个周期）。
微观层面上的转换周期比较短，一般只有几分钟，而宏观层面的转换周期则比较长，会以天或者月来计算。简单的漏斗报表需要有起止时间，然后计算发生的次数，并把这些数据展示出来。如果事件与事件之间的间隔超出了设定的起止时间，那这种报表就计算不了。
举个例子，假设我们有一个软件，当天“点击”和“注册”的时间间隔都比较短，而“付费”的周期则会很长，所以，这个简单的漏斗报表存在下面这些问题。

1.得不出准确的转换率

报表中的收入不会算上七月份的收入，但很可能算上了五月注册用户在六月份的付费情况，而这就会导致总体转换率产生误差。

2.无法处理流量波动

如果某月访问下载量出现波动，也会造成误差。例如六月份的注册量下滑的话，那么转换率就会上涨，但实际事实可能并非如此。

3.无法把产品的开发进程也纳入考虑

这种报表还有一个问题，它无法把产品开发进程也考虑进去。你的产品不断在变化，所以，虽然你你有后台观测数据，但却很难分析这些数据到底是由之前采取的哪个行动造成的，比如是产品新功能的影响还是受活动的影响呢？

三、解决方案：按目标群体归类制作漏斗报表

随着产品生命线时间的推移，你可能会做一些分离测试，为不同的目标群体制作不同的漏斗报表，像上面这种简单的漏斗报表是无法做到这一点。要想发挥出漏斗报表的作用，就必须把它和群组分析一起搭配使用。
群组分析是医药界常用的研究方法，主要用来研究药物和疫苗的长期作用。群组分析里的“群组”指的是一群有相同特征，或者在同一时期内有相同经历的人（比如同一时期出生，同一时期服药或者注射疫苗）。举例来说，如果一群人都是在 1948 年的某一天或者某一段时间范围内出生的话，那他们就是一个“出生群组”。研究人员可以把用药群组和该群组所在的普通人群进行比较，也可以找和当前群组比较相似、只接触少量或者没有接触过药品的人组成群组来进行比较。此外，群组内还可以分组进行相互比较。
其实，在互联网产品、运营界上也有群组分析这个概念，但实操的不多，把这个用在用户身上，然后跟踪他们的整个生存周期。就会发现有价值的数据信息，
在上面，你可能已经发现了，点击和注册的转换率很接近，但收入的转换率则变动很大。下面，我们制作一个按周注册-收入的群组报告，来解决普通漏斗报表的问题。

这样看起来，问题似乎就跟清楚了，访问量波动问题，所有的节点都能和执行动作的用户联系起来，所以，群组报表解决了访问量波动的问题。产品开发进程问题，每周群组报表可以清晰地展现某些指标所经历的大幅变动，而且我们也可以追溯其来源，查找具体行为及其发生的时间段。按目标群体归类的问题；群组报表本身就是针对不同的客户群体来做的，而你也可以自行决定群组标准。

四、制作动态群组分析报表

每周做一份群组报表，挖掘出子流程中每个步骤的数据，并把所有步骤的数据都可视化，这样才能更好地排查问题。

这里，我以跟踪留存率的指标，作为分析对象简要说明一下。
留存率是分析在一段时间内用户重复使用产品的情况。第一步先确定怎样才算是使用：定义活跃用户，定义活跃用户的方法很多。最基本的定义就是看登录次数（即用户是否回来过）。
如果要以产品/市场匹配为目标的话，那我们就需要一个更有意义的定义，不能只评估客户的使用情况，还要看他是否属于“典型用户”。比如说，对于博客网站来说，写博客就是其核心指标。电商网站付款才是核心指标，每个产品都应该有一套核心的用户指标判断其是否属于持续典型用户。要注意的是，激活率对应的核心活动和留存率对应的核心指标并不一定相同。
美国互联网业界有一套先进的方法来评估典型用户的产品粘度，称为“客户满意指数”（作者：达迈什·沙提），简称CHI。这种理念使用一个公式，通过计算不同的使用频率、范围和所使用的功能深度来为不同的活动分配1到100的分数。

例如，我们是一款充值类产品，我在一开始的时候将活跃用户简单地定义为任何在注册后（7天）至少有过一次消费的用户。如果要算典型活跃用户的话，就可以按照上图加权公式来计算。

我们可以用这些分数来将用户分类，然后把活跃用户定义为任何CHI>80的用户。清楚定义了活跃用户之后，就可以把用户分成不同的类别，有针对性地做营销、排查问题。
留存率若是按照“活跃”用户的数量来计算的。就和其他宏观指标一样，深入探索留存率也应该有一套详细的报表。不过，这次不再用漏斗图了，而是用一个表格来展示不同时间的留存率数据变化

横竖两个时间轴最好都能修改，让你能够按照每天、每周或者每月来呈现数据。

作者：貓力，目前从事互联网消费金融项目，岗位运营负责人一枚