2月5日-高效的数据分析方法和工具

分享嘉宾：

• 神策团队
• Acfun张涛
• 馒头商学院

---

一、利用数据做好精细化运营

1. 什么是数据驱动

• 依据数据统计结果做出决策
• 需求推动的数据驱动（效率低）
• 自助的数据驱动（效率高）

2. 数据处理流程

1. 数据采集
2. 数据建模（规范、打通、整合数据）
3. 数据分析

误区：忽略一二层的规划

2.1 数据采集

• 常见问题：

• 不准确

• 不完备（比如不只要采集客户端数据，还要采集后端数据）

• 不细致（各种数据要采集完整）

• 基本原则：

• 全：多种源（客户端、服务端、数据库等），全量而非抽样，要打通数据

• 细：Who、When、Where、How、What

• 采集的方法：

• 可视化埋点（嵌一个SDK，确定要采集哪些数据）（缺点：不够细）

  • 分析UV、PV、点击量等基本指标
  • 活动/新功能快速上线迭代时的效果评估

• 代码埋点（客户端、服务端都有SDK，可以进行精细化分析）

  • 精细化分析核心转化流程
  • 分析不同渠道和不同推广方式的投放效果

• 导入辅助工具

  • 客服服务质量的考核
  • 不同快递在不同省份运送不同品类产品的速度的比较

2.2 数据建模

对数据进行组织

传统数据库直接拿出来用的缺点：

• 太复杂，产品经理看不懂
• 性能不行，分析不了

解决方法：

• 建数据仓库，抽象一系列的用户行为事件，将不同维度进行组合、过滤
  
  

核心模型：

OLAP（Online Analytical Processing）

• 维度（比如城市、操作系统）
• 指标（一个数值，比如销售额、注册用户数）

2.3 数据分析方法

常见的方法：

• 多维事件分析
• 漏斗分析
• 留存分析
• 行为序列分析
• A/B testing
• 用户分群

多维事件分析

• 用户行为事件+多维数据模型

  
  
  
• 事件
• 维度
• 指标

• PS：如果是一个数值型的维度，可以将它分别当作维度和指标组合起来分析

案例：分析订单支付

• 背景：发现成交额一直下跌

  
  
  
• 解决：进行多维事件分析

• 按支付方式进行拆解，发现微信支付下跌，猜想原因是不是接口出了问题等等

  
  
  

漏斗分析

• 分析转化过程数据的最好方法
• PS:注意窗口期（操作从第一步到最后一步的时间）

留存分析

• 用户来了之后的存活情况

行为序列分析

• 针对客单价较高或抽样用户，分析他做了哪些事情，发现他的操作过程哪步出了问题，防止他流失

A/B testing

• 产品改进时有用的方式

用户分群

• 针对不同用户采用不同策略
• 根据用户的属性信息、行为数据、行为序列等进行区分
• 对其进行数据运营后，观察效果

3. 数据分析方法

上文2.3数据分析方法

4. 运营分析实践

案例：SaaS运营分析实践

• 产品发布评估
• 试用客户留存分析
• 流失用户召回

4.1 产品发布（神策数据）

• 发布渠道：朋友圈、微信群、36Kr（埋点分析数据来源）

• 36Kr专门写了一篇文章发布，但从结果发现导来的用户量只占0.9%

  
  
  
• 运营活动的目的是激活用户

• 漏斗分析多种维度分析转化效果

  
  
  
  
  
  

4.2 试用客户留存分析

• 试用后，数据顾问要马上联系用户，挖掘他的需求，看他有没有其他建议

4.3 流失用户召回

• 根据联系方式召回，看不同效果，砍掉后续的拍脑袋决策

• 加个引导流程

  
  
  

5. 创业公司如何构建指标体系

• 为了找准目标，发力往一处打

两种方法：

• One Metric
• Pirate Metrics: AARRR

One Metric —— 第一关键指标法

• 找到最关键的一个指标
• 扩展出其他指标
• 任意指定的时间里，都有那么一个指标
• PS：根据业务情况不断调整

案例：电商

创业阶段

• MVP阶段：定性分析（直接找亲朋好友聊）
• 增长阶段：留存分析、引荐分析等
• 营收阶段：渠道分析、LTV、CAC等

案例：百度知道

• 看情况选择合适的指标重点发力
• 访问量
• 检索量
• 独立IP数
• Session数
• 提问量
• 回答量
• 设置最佳答案

Pirate Metrics: AARRR —— 海盗指标法

• 拉新
• 获取（Acquisition）
• 激活（Activation）：早早让他体验到high点
• 引荐（Referral）
• 留存（Retention）：做一个有用的东西；体验要好
• 提升关键行为的重复频率
• 营收（Revenue）
• 促进商业化
  
  

Growth Hacking（增长黑客）

• 传统营销只关注用户获取
• Growth Hacking关注用户的整个生命周期，通过产品改进，获得自增长。常用的方法是社会化媒体和病毒式传播（结合产品特征和当前热点、手段）

Growth Hacking 与数据分析

• 拉新：渠道转化分析、用户数、A/B testing
• 留存：留存分析、用户分群
• 营收：交易额、利润率、用户分群

作业一：数据采集在大数据分析中的作用

二、深度剖析5大数据分析工具

1. 流量统计工具

• CNZZ、百度统计、谷歌分析、友盟
• 服务自身业务
• 商业模式
• 强调标准化
• 前端采集
• 满足最基本需求

2. 神策

【案例：华润万家】

• 背景：做互联网+，有PC、App、公众号
• 需求：
• 三端采集和监控
• 用户跨屏识别
• 强烈的行为和业务数据贯通分析

【案例：融360】

• 业务流程：[渠道获客 → 用户访问 → 浏览贷款 → 提交申请]（线上行为） → [线下核实 → 贷款成功]（线下行为）
• 需求：
• 线下实际成交量反推线上该渠道的ROI，即打通线上线下行为数据打通

【案例：自定义指标】

1. 电商客户

• 不关心UV，只关心每天有多少购买，以及这个比值是否上升

2. 互金客户

• 不同于传统的流失定义，只要用户清空了账户金额，即视为流失

3. 分享经济

• 需要非常灵活的指标定义和查询，业务同学可以自主完成，比如交易放弃率这样的指标

【案例：Keep】

• 需求：
• 提高日活跃占比
• 提高日活跃参与度
• 解决方法：
• 基于用户行为进行分群，然后进行推送
• 构建“用户行为 → 推送系统 → 报表系统 → 用户画像 → 个性推荐”这个闭环

3. 一款理想的用户行为分析工具

数据驱动的要点：快速、高效

• 用户识别
• 精准识别
• 跨屏追踪
• 还原场景（采集用户行为数据）
• 线上线下打通
• 行为业务
• 还原行为
• 自助分析
• 灵活指标
• 分析模型
• 多维细分
• 二次开发
• 私有数据
• 开放平台

作业二：百度统计、友盟等工具可以统计或分析什么样的数据？什么需求或场景是这些工具做不到的？

三、利用数据提升渠道营销效果

1. 案例：不高兴的市场/运营经理

• 公司：某大型电商平台
• 人物：市场/运营经理
• 背景：
• 元旦即将到来，为了能在元旦期间有一个比较高的销售额，需要在多渠道进行营销推广预热。
• 在拿到营销推广经费后，开始在各大合作渠道进行投放。
• 投放前告诉开发进行相应的渠道数据埋点，便于跟踪渠道效果。
• 问题：真的说清楚了嘛？
• 结果：
• 渠道投放后，获取数据往往要等1-2天，拿到数据后发现想要看的数据不全或没有标记
• 关键是Paid Search的流量效果让人着急，自己觉得很冤枉，认为数据并没有反映真实的情况
• 案例原因：
• 不知道该标记哪些信息
• 不知道如何采集这些信息（转述给开发的过程中交流出错）
• 不知道如何评估渠道的效果
• 不知道如何及时获取信息
• 目的：如何花较低的成本获得高质量的用户

2. 如何对渠道进行精细化标记和区分

2.1 精确流量识别技术LinkTag

• 链接如何生成

1. 找到一个构建工具的表单
2. 输入网站地址，即推广落地页的地址

3. 填写其他字段区分来源，自动生成

   
   
   

营销渠道标记的解释

2.2 DSP、Affiliate（CPS联盟）等流量渠道如何准确标识

• 还是使用UTM代码，代码格式如下
• http://www.yoursite.com/page.html?utm_medium=DSP&utm_campaign=new-product
• 将媒介形式改成了DSP的方法

• 如何查看效果：筛选出DSP的渠道

  
  
  

2.3 线下广告怎么追踪

• 二维码：utm_source=utm_medium=二维码
• 目前最好的解决方案
• 在微信中打开成为最常见的场景，需解决监测问题
• 优惠券码
• 国内不常用
• 区隔性较好，但并不精确
• 搜索引擎
• 营销上应创造独特的可供搜索的区隔内容
• 区隔投放
• 宏观效果评价较为容易且置信度较好
• 微观不具备操作性

3. 如何采集渠道信息？（采集的上报时机）

用户行为发生在多端

• Web端
• Android端
• iOS端
• 二维码

3.1 Web端渠道采集

事件名称：浏览页面

维度：

• 前向地址（和前向域名区分自然流量，但包含站内站外来源）
• 前向域名
• 广告系列来源
• 广告系列媒介
• 广告系列关键词
• 广告系列内容
• 广告系列名称
• 最近一次站外地址（解决第一点的问题）
• 最近一次站外域名

3.2 Android端渠道采集

事件名称：激活App

维度：

• 广告系列来源
• 广告系列媒介
• 广告系列关键词
• 广告系列内容
• 广告系列名称

3.3 iOS端渠道采集

事件名称：激活App

关键是进入AppStore前的渠道来源

维度：

• 广告系列来源
• 广告系列媒介
• 广告系列关键词
• 广告系列内容
• 广告系列名称

3.4 二维码端渠道采集

事件名称：扫描二维码

采集扫描二维码后打开的页面

维度：

• 广告系列来源
• 广告系列媒介
• 广告系列关键词
• 广告系列内容
• 广告系列名称

4. 如何评估营销渠道效果？

4.1 首先要明确的是：互联网营销的用户点击流

• 点击前阶段（用户获取阶段）
• 点击后阶段

• 购买后阶段

  
  
  

4.2 流量渠道的评估方法一：直接解读

• 只看转化（最好是实时获得）

• ROI存在缺陷：大流量渠道成本高导致ROI低，但不可能放弃

  
  
  

• 只看Engagement

  
  
  
• 用户参与度，用户和你产品的交互程度
• 纵轴平均停留时长，横轴平均访问深度，圆圈大小代表访问量

• 延伸方法：ROI结合Engagement

  
  
  
• 纵轴Engagement，即Engagement Index（手工核算的值），横轴ROI
• Engagement高、ROI低代表是新用户
• ROI高、Engagement低代表是老用户，做用户行为路径回放，是否对其他用户有指导意义

4.3 流量渠道的高阶评估方法：渠道归因

用户选择购买的最终渠道不一定是购买行为转化的真正渠道，可能受到了其他渠道的影响

4.3.1 首次归因模型（用户第一次来到网站的渠道来源）

• 用户属性表（看用户各个行为的转化情况）
• 首次前向地址
• 首次前向域名
• 首次广告系列来源
• 首次广告系列媒介
• 首次广告系列关键词
• 首次广告系列内容
• 首次广告系列名称

4.3.2 末次归因模型（用户最后一次来到网站的渠道来源）

• 浏览页面
• 最近一次前向地址
• 最近一次前向域名
• 最近一次广告系列来源
• 最近一次广告系列媒介
• 最近一次广告系列关键词
• 最近一次广告系列内容
• 最近一次广告系列名称

4.3.3 如何分析

• 首次 VS 末次

4.4 流量渠道的转化率评估

• 背景：营销活动带来注册量，要区分渠道质量
• 解决方法：

• 按首次注册渠道进行细分

  
  
  

4.4.1 总结：转化指标和消费四象限

• 第一象限：用户向二迁移
• 第二象限：保持
• 第三象限：渠道归因发生在这个渠道，不要轻易砍掉，用户向二迁移
• 第四象限：用户向一迁移

4.5 流量渠道的留存率评估

• 按渠道来源、付费广告的媒介形式进行查看
• 查看留存下来的用户的详细信息，促活（插图20）

• 查看单个、整体留存用户的行为序列，引导其他用户（插图21）

  
  
  
  
  
  
  
  
  

4.6 总结

1. LinkTag打标签
2. 渠道采集上报时机
3. 渠道效果评估的方法
4. 渠道效果获取的及时性（投放时机很短，没有回溯的机会）

作业三：尝试分析某个特定渠道的营销效果，比如sem的营销效果？

四、漏斗分析提升产品优化

1. 漏斗分析的定义

• 一种用来分析目标转化情况的最基础模型
• 了解目标转化现状
• 发现泄露点：技术/产品/运营谁的问题

2. 漏斗思维

2.1 广义的漏斗

• AARRR模型

2.2 狭义的漏斗

3. 漏斗组成

1. 目标行为（确定目标行为是什么成功，比如电商是最终购买成功）
2. 步骤行为（到达目标的步骤，比如浏览商品详情、添加购物车、选择地址、支付等）
3. 进入退出（找出流失点，用户从哪个步骤进来或退出的，找出原因对产品提出优化）

4. 实际应用

4.1 如何创建漏斗

• 设置目标和设置步骤（目标要区分宏观和微观，以便清晰设置）
• 原则：建议设置的步骤为必经步骤
• 因为漏斗模型适合封闭型的场景，一个非常明确的，以到达某个目标而设立的某种产品的转化流程，比如注册流程

4.2 如何解读漏斗

• 看步骤转化率、整体转化率是否达到行业基准值/竞争对手值/历史值

4.3 如何分析漏斗

1. 解读漏斗
2. 确定问题步骤
3. 多维度细分（地域/客户端/品类级别等等）
4. 用户行为轨迹功能（用户异常的行为）
5. 流失用户明细列表
6. 流失用户个人行为序列

5. 漏斗优势

1. 行为粗细（目标、步骤是否够细，细到页面行为还是交互行为）
2. 多维分析（基于用户、行为属性不断下钻找出背后的异常和原因）
3. 还原场景

5.1 行为粗细

• 页面级别
• 行为级别（页面上的行为）

5.2 多维分析

• 前端属性（埋SDK）
• 全端属性（包括前端、后端）

5.3 还原场景

• 查出流失点的用户异常行为路径
• 拉出异常用户行为列表
• 查看用户个人行为序列，找出背后的原因

作业四：

• 漏斗分析主要适应的场景是哪些？
• 如何衡量整体和步骤转化率的合理性？

五、从方法到实践，从0搭建数据分析体系

1. 数据分析的现状（痛点）

• 现状一：过于简单

  
  
  

• 现状二：过于复杂

  
  
  

• 现状三：效率太低

  
  
  

2. 怎么搭建数据分析框架

1. 梳理业务
2. 事件设计（需要采集那些数据）
3. 数据采集
4. 构建指标体系
5. 确定业务目标

6. 数据分析

   
   
   

【案例：广发证券App】

（1） 梳理业务流程：开户/购买理财产品流程

（2）设计事件：推测用户行为，设置好采集点

• 采用event模型，梳理事件及其属性

  
  
  

• 梳理事件每一步的成功率

  
  
  
  
  
  

• 梳理用户属性，通过UID与用户行为进行交叉分析

  
  
  

（3）推动技术做数据采集工作

• 选择何种采集方式，前端或后端SDK

  
  
  

• 采集方式总结

• 采集标准：全、细、准

  
  
  

（4）构建指标体系

• 端到端的用户行为分析：AARRR

  
  
  

• 维度细分

  
  
  

（5）确定业务目标：OMTM

• 能正确反映业务和阶段
• 简单易懂，好理解
• 复合指标一般都好于计数指标
• 去除虚荣指标，好的指标能指导和改变行为
• 形成报表

（6）展开数据分析：产品/运营/市场

• 多个指标综合评估功能
• 留存分析+A/B test（发现问题、建立假设、快速验证、得出结论）
• 用户分群+PaaS平台（极其细致的用户分群，如1天前、2天前的用户，进行精细化运营）

作业五：给自己的产品也做一下事件设计

六、利用数据思维运营好一个产品

1. 数据价值所在？

• 还原业务全貌，让你知道接下来要干嘛
  图1

2. 如何还原业务全貌

2.1 推荐工具：

• Appsee：适合初创、小于1万个用户的团队
• inspectlet：网页版的Appsee，推荐用在网站的关键页面
• Sensors Data：强调事件流

2.2 如何还原：

1. 实时漏斗
2. 用户分布及访问路径
3. 单用户行为序列

3. 如何对团队产生价值

3.1 不同岗位的价值

• 产品：看用过某个新功能的回访表现对比整个大盘的回访表现
• 运营：GA实时监控，上内容点击量最高的
• 渠道：提升运营效率
• 技术：查崩溃前用户操作

3.2 如何放大价值

• Dashboard
• 自动化邮件（提需求之后，自动发邮件，推荐GA）
• 报警
• 与工作流程结合起来

---

声明：本文著作权归讲师所有，仅供学习交流之用。侵删！