数据驱动增长之四步进阶法

编辑导语：用户红利消失，获客成本也在逐步攀升，用户数据成为企业增长的新方向。如何用数据驱动增长，助力企业用户增长？作者总结了建设数据分析平台的意义以及如何用数据驱动增长的四步进阶法，一起来看看。

一、现状

背景：

• 用户红利消失，获客成本攀升

• 用户数据资产成为企业增长的新方向

• 企业与用户的交互终端日益多样化

问题：

随着公司的发展，用户量越来越大，每个月花出去营销的费用惊人，却无法准确的评估效果如何。结合网约车案例列举出大概以下问题：

• 用户注册来了平台为什么不下单？下单转化率低。

• 消息推送效率极低，无法精准推送，消息应该发送给谁，ws目前的推送往往是全部推送或者分城市、部分手机号推送消息，采用这种推送方式的弊端是不确定用户是否对消息感兴趣点击阅读消息，不知道有多少用户点击消息了，又有多少用户通过消息推送参与了后续的动作，对用户一连串的操作行为无法追踪，从而判断消息推送的效果如何。

• 对用户的价值、偏好、属性、打车习惯、历史打车痕迹、消费频次等一无所知，更谈不上对用户做用户画像、用户分层、用户会员等级、用户分类、数字化营销。

• 平台用户量虽大，但用户活跃度极低，沉默用户量巨大。

• 用户参加活动，中途跳出应用不玩了，司机注册账号后不完善资料等种种环节跳出率非常高。

• 在活动策划的过程中很难界定要发放多大面值的优惠券，应该发给哪些群体的用户。

目标：

构建用户数据分析平台，助力企业用户增长。

二、建设数据分析平台的意义

对于公司来说每一笔的费用都是有预算且有限的，通过数据分析希望花出去的每一分钱都是能够看得见的效果，每一个进来平台的用户都能留下来，且长期活跃，而且能够反复为平台创造收益，付费转化的。

三、构建数据驱动四步进阶法

从业务的角度上讲，数据分析从理念到落地主要分为四个阶段，分别是有数据、看数据、分析数据、应用数据。

• 有数据：企业数据的多寡、类型等与它可实现的价值存在巨大的弹性发挥空间,需要结合业务实际情况综合考量。

• 看数据：所谓会看数据,是可以看出数据与业务的关联,并为释放价值铺路。

• 分析数据：企业通过分析数据来定位问题点机会点,并在该过程中找到解决方案的启示和方向。

• 应用数据：该阶段的数据分析与业务紧密结合,如个性化推荐、精准营销、产品迭代等。

1. 有数据：要什么数据？怎么采集数据?

数据基础建设不可忽视。数据基础是数据应用的底盘,如果底盘不稳，其上面的建筑根本无法搭建。

（1）采集的数据类型及优先级

不同量级以及类型的数据所蕴含的价值释放空间千差万别，企业需要结合实际业务需求评估数据采集的优先级与内在逻辑。

结合用户行为分析的逻辑，在第一步会聚焦d -Mapping-的打通；第二步进行端内的通用数据和主流程数据采集，收集核心关联的用户数据；第三步采集细粒度及更丰富维度的业务数据，最终使行为数据、业务数据、用户数据形成一个可运转的机制，扩大数据本身的协同效应，如下图，为不同类型数据的价值划分。

2. 看数据：看什么？怎么看?

本质上，看数据可以拆分为两个关键问题：第一，看什么数据？第二，怎么看数据?

看什么数据?

整体上，企业可从上到下折分为目标KPI、业务场景、指标体系三个维度看数据。

（1）目标kPI

目标KPI，一般由企业本身的业务模式与业务发展阶段决定,有的企业称之为第一关键指标或北极星指标，大部分企业的目标KPI是一个综合性的数据，如DAU，其可拆解成新客户拉新、老客户活跃、流失用户回流等。

通常情况下，企业的目标KPI可定为：累计客户数、活跃客户数、交易客户数、交易订单量、交易总额、留存率、复购率。

（2）业务场景

企业达成目标KPI的过程中，需要将其细分为不同业务场景完成。本质上，各个业务场景均具备其运作的业务流与相关影响因子。

通常情况下，企业的业务场景可划分为：推广拉新、产品体验、资源位运营、内容运营、客户运营、活动运营、商户运营等。

（3）指标体系

业务场景进一步可细分为可评估的指标体系。这些细粒度的数据可以辅助企业明确成败的深层次影响因素，并指导优化下一步的动作。

在从业务场景拆到指标体系的过程中，企业需要按照新的业务模式，使其与产品、运营、市场等实际业务及发展阶段建立强相关的业务逻辑。

需要注意的是，不管是哪一种维度下的指标，由于指标应用时涉及到多部门，为了提高指标体系的普适性以及避免歧义，在梳理指标体系之初,指标口径或者定义需要明确清楚。

怎么看数据?

（1）看数据的5大角度

与常见的汇报数据不同，看数据需要多维深入全面的看，可从量级、趋势、异常、结构、细分五个维度综合分析，具体如下:

其一，看量级,即数据的多寡；

其二看趋势，即通过数据的升降，判断企业业务健康度走向；

其三看异常，即看数据骤然的升降，定位机会点或问题点；

其四看结构，即了解数据的组成、组成占比、优先级等；

其五看细分，即通过细分维度的数据，结合产品的具体形态，推敲数据背后可能存在的具体含义，如查看A中安卓和iOS操作系统的占比，分析用户的特征或偏好，若使用华为手机系统多，则商务人士用户占比高，若使用OPPO、vvO系列手机多，则娱乐发烧友用户占比高等。

（2）评估数据体系的四个维度

其一，看企业的源数据结构如何，是否具备一个合理、有结构、有秩序的源数据体系，以及源数据管理是否在持续更新代;

其二，概览体系建设如何，是否已建成一个相对有逻辑体系的概览，该概览是否能帮助企业看大盘数据和看实时数据；

其三，各业务线的数据看板建设如何，如产品、运营、市场各个不同的职能线是否有相应的数据看板，甚至不同业务线的子团队，有无对应看板;

其四，数据权限的体系建设如何，权限划分是否明确、科学和安全等。

3. 分析数据：为什么？怎么做？

分析数据的目的与终点都是业务，因此数据和分析能力只是分析数据的一个小环，而对业务的理解与判断能力对分析价值的贡献和影响占比更多从分析者能力与业务结合的角度来说，第一阶的数据分析师可以明确分析出问题的原因；第二阶的数据分析师可以提出一些针对性的可行建议；第三阶的数据分析师可将优化建议抽象为一个常规运作机制，并使该机制自动化与流程化。

结合业务的数据分析，基本上可概括为3个较常见的场景。

场景一：异常情况找原因

异常情况找原因是常见的分析场景，主要是确认数据变化受什么影响，大体可分为2个分析方向：有头绪和没头绪。

（1）有头绪—验证式

有头绪的数据分析，一般为验证式，依靠业务和分析经验，效率高，但可能忽略其他因素，分析逻辑如下图：

一般情况下，有头绪的数据分析已关联了23种原因假设，其中的1个关键影响因素可能影响数据下降或上升70%-80%，通过原因假设的数据表现及对应的数据细分维度层层分析，会非常高效的找到问题答案。

（2）没头绪—探索式

没头绪的数据分析，一般为探索式,要基于数据可能性做试探，效率低，容易上手，分析逻辑如下图：

没头绪的数据分析要像技术排查一样做穷举，进行探索式分析,此时，企业数据采集的完备性对分析的效率和结果具有重要影响。

探索式分析方法比较低效，因此数据分析师需要培养自己的业务感知，积累自身经验提高判断力，尽量采用验证式分析方法。

场景二：业务迭代的效果评估

业务选代评估效果的分析逻辑相对固定，一般为了解业务原始状态，采取的改动措施及采集的相关衡量指标数据，再根据指标变化趋势分析优化效果。以下，为业务选代评估效果的三个评估诊断原则：

其一，指标准确全面，即业务意义准确，核心维度全面；

其二，数据可比性强，即保证两组分析的数据本身具备可比较性，如用户结构相同，外部环境不变，保证两组数据之间唯一的干预因子为实验方案；

其三，分析逻辑清晰，即分析思路清晰、分析模型科学。

（1）数据驱动的选代全景图

企业不仅要通过数据分析明确数据变化的成因，还有从中找到破局点因此，企业首先要明确业务的增长目标，再聚焦目标做全方位分析诊断，从中发现解决方案或思路，进行优化选代，最后形成开发上线、效果评估、优化方案的闭环，如下为数据驱动的选代全景图：

（2）如何寻找增长点？

企业寻找业务增长点分为三步：打蛇打七寸，明确第一关键指标；构建增长模型，定位增长点；结合业务场景，确定具体动作方案。

① 明确第一关键指标

企业可以从两个维度找到第一关键指标：

其一，业务模式企业首先需要洞察产品或业务给用户提供的真正价值，以此构建价值模型，明确量化指标，同时，还需要明确企业的主要业务在频率与价格上现的特征趋势，因为这很大程度上决定了数据运作的上限。

比如，关于企业提升用户留存，如果企业本身产品的使用频次，与其能够为用户提供的价值受到限制，不管企业付出多少努力，也很难实现长期留存。因此，数据表现由业务模式决定，不同的业务模式存在不同的天花板。

其二，AARRR，即在业务模式既定的情况下，各环节的数据表现与其承接的结构能力，是企业判定第一关键指标或增长目标的重要影响因素。

② 构建增长模型

拆解第一关键指标，可构建出相应的增长模型，如常见的GMV的拆分等。根据增长模型可清晰的定位增长点。

③ 业务场景

企业可从几个关联的业务场景出发设定具体动作方案提升业务场景的数据表现，最终提升增长模型中的核心杠杆率，从而促进第一指标的提升。该寻找业务增长突破点的思路，可概括为下图：

（3）如何寻找解决方案？

寻找解决方案的分析思路共分为5步：明确业务场景；构建指标体系；深入特征挖掘；深层原因分析；确定解决方案。

① 明确业务场景

常见的业务场景有：新用户全流程、核心主流程、页面流量分发、搜索、促销活动老拉新等在数据分析时，首先需明确关键业务场景，如新用户全流程分析，分析师需要确定用户旅程中不同节点的里程碑，再根据里程碑中的激励策略，业务转化能力进行指标体系的设计，来评估整个环节的效果。

② 指标体系

一般指标体系的构建可分为四类，量级指标、效率指标、结构指标、细分维度。

③ 特征挖掘

特征挖掘一般包括规模特征、趋势特征、过程特征、结构特征及异常点的挖掘特征挖掘的分析过程需要看数据全局，再下钻分析各个细分维度，高亮出异常或特殊的数据，再进行原因分析。

④ 原因分析

原因分析可结合模式/阶段、业务大动作、功能流程设计、运营活动上线、营销投放等方面进行分析，这些因素均有可能引起数据的变化。

⑤ 解决方案

在确定业务的解决方案时，往往不是一而就的可以先确定优化方向，再进行进一步的分析，继而确定优化方案，如果需要优化的点较多，还需要确定优化优先级。

如下图，为寻找解决方案的思路概括。

应用数据：怎么用？有什么价值？

从通道、粒度、时效性划分数据应用，可以构建一张数据应用全景图，如下：

• 粒度：指可具体到群体还是精准化个人，如其可决定一个因子是用规则类的分层，还是精细到个人的推荐算法；

• 通道：指在产品内，还是产品外，决定了其对应的应用场景是什么产品内的通道比如广告资源位item栏日列表等；产品外的通道如短信、push、电销、广告等。

• 时效性：包含数据本身和数据分析的时效性等，在数据应用中极其关键，特别是个性化推荐略更需要实时在线、个性化的千人千面展示。

（1）差异化展示：基于分发效率提升体验和业绩

从数据应用的真实场景来看，众多大数据分析产品其逻辑基本上通过业务属性、用户属性或行为特征数据提炼筛选人群分组标签，再根据人群分组标签匹配对应的方案或内容库，继而根据规则进行是否展示和展示顺序的判断进行个性化推荐，以达到提升体验、分发效率、业绩等目标。

不同产品的差别往往只在于实现这套体系时的内容供给类型与时效性，这很大程度决定了实现需求本身的成本大小。

（2）个性化展示：产品内个性化推荐实现原理

推荐系统中数据是非常关键的元素，比如需要组织训练数据进行模型训练；计算用户特征进行用户线上预测；内容元数据进行智能推荐等。

（3）差异化触达营销：精准名单输出，匹配营销渠道，推动目标达成

通过用户行为分析及行为特征进行用户分群，输出精准名单，然后匹配规则策略对接不同的通道/营销系统，进行发短信/发Push，亦或是发券/发红包的触达等，这是产品外的一种营销机制，其最终的结果是目标转化。

在该场景中，对接的系统策略与时效性需结合业务实际需求来评估。比如，很多相对低频的业务可能一个月并未累计几条数据，极少量的数据从算法或规则策略运行上来说，其数据质量很差，根本达不到决定策略更新的层级，其更新时间可做到T+30便已很好。

（4）价值实现和资源投入的矛盾

很多公司花较高的成本做应用数据团队的搭建但最终的产出却相差无几，这是源于价值感知与资源投入不是正比关系，还需结合其他因素考量，如下图。

应用数据，从整个价值感知上来说最直接，也受大多数老板重视。但事实上，存在一些业务的用户差异度并不大时，其应用数据的的价值也相对较弱，如业务非常低频；

分析数据，分析数据的价值释放与分析师的能力息息相关，若企业有较好的数据分析师团队，其释放的价值会比图中所示更大；

看数据，看数据是企业做好数据驱动的第一步，因此其价值感知如图所示进行了放大；

数据生产整合，数据生产整合是投入资源较多，但整体价值感知较小的重要工作。

建议第一步做数据生产整合和看数据；第二步分析数据，需要企业做数据分析人才的培养，先了解业务，熟悉学习分析思路后再应用；第三步是企业具备一定的数据基础和数据分析人才时，再进行应用数据体系的建设。

作者 @灿烂千阳

版权声明

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！