数据运营：5步实现数据指标增长

增长是一款产品或者一家公司从出生到死亡一直在经历的过程，产品从0-1的过程是业务增长、用户增长的关键时期，这决定了它最终能不能活下来；产品从1-N的过程是持续业务、用户、商业持续增长的时期，这决定了它能不能活的更好，是在互联网世界中默默无闻还是成长为独角兽。
这里介绍一个在产品工作中常见的驱动数据指标增长的方法论：当老板给你一个增长指标时，掌握如何分析指标背后的增长因子、以及如何针对这些因素采取策略并通过数据不断验证优化的增长闭环。
增长实践的方法：

1. 明确增长指标，分析目标本质
2. 基于本质拆解增长因子
3. 评估增长策略的优先级
4. 策略落地及数据验证
5. 数据、策略、数据迭代闭环
   相信很多产品同学都经历过这样的一个阶段，老板指派给你一个任务，某某指标在这个季度结束前提升至X%，并且会在最后加一句这个指标的完成情况就是你这个季度的KPI或OKR。作为被动接受的你，可能第一反应是抗拒的，但是当你应用上述的增长方法去对指标进行分析并实践，相信增长这件事对你来说不会很难。
   01 明确增长指标，分析目标本质
   拿到一个增长目标后，首先去分析，为什么要增长这个指标，对于一个产品或者对于一个公司来说，增长的目标无外乎两个方向：为了用户、为了公司。这里的用户指用户价值及用户体验，通过驱动指标增长，提升用户体验及用户价值，带动整体的用户增长；为了公司则是为了商业价值的提升，没有一家公司是为了公益而做产品的，只有商业的增长才能带动产品的不断提升和延展。
   举例来说，提升APP下载用户量这个指标，本质来说这个目标的背后是为了带来更多的目标用户，让更多用户使用产品并成为产品的忠诚用户。如果单纯去提升这个指标有很多方式，可以去买流量提升也可以通过优化产品体验，通过提升产品口碑、用户传播带来更多用户下载及使用。虽然这两种方式都可以提升指标，但是其实现的价值是不同的，购买流量实现的是短期价值提升，可能短期内是带来了指标提升，但是用户并没有留住，下载后可能都没有打开使用，成为了僵尸应用。而通过产品体验优化、口碑及传播方式的提升，也许前期提升效果缓慢，但带来的是长期价值的提升，最终实现的是用户间的自增长。
   所以，不要为了指标增长而做增长，在明确策略前一定要想清楚为什么要做增长，增长所带来的短期价值和长期价值是什么，明确增长背后的本质目的，才能对增长的策略做取舍。
   02 基于本质拆解增长因子
   所谓增长因子，就是可以为指标增长提供贡献的突破点或切入点。单纯看着一个增长的指标，没有人可以凭空想出如何进行增长，需要对指标进行拆解，最终找到提升的方式和方法。
6. 比较快捷也是比较常见的一种方式是对标竞品，在做一个指标的增长时，可以看一看竞争对手的指标是不是很高，是通过什么方式提升到这样一个高度的，了解竞争对手的策略，可以在你没思路的时候作为一个切入点。
7. 结合自身产品数据对影响指标的因素进行拆分，拆解成不同的影响因子。
   这里可以通过将指标写成公式，然后结合影响公式每一个因素细化拆解。比如你要提升的是订单的有效率，那么订单有效率=有效订单/总订单；结合这个公式，影响有效率的因素分别是有效单和总订单，那么就可以对有效单和总订单分别进行拆解：如何提升有效订单的转化、以及如何较少无效订单的产生。
   03 评估增长策略的优先级
   通过上面的拆解，可能会找到多个增长的突破口，即可以通过不同的方法去驱动数据增长。但是不管大公司也好、小公司也好，资源和时间都是有限的，要在有限的资源和有限的时间内达到数据的快速增长，就要评估不同增长因子的ROI，也就是投入产出比。
   评估方法也很简单，只要计算一下，实现每一种增长策略需要投入的开发、运营成本，以及带来的指标贡献价值，就可以对不同的增长策略进行优先级排序，按照优先级实现。
   04 策略落地及数据验证
   在敏捷开发、MVP实践的互联网节奏下，任何的策略都力争用最小的成本去实现去验证，用最小的代价实现，然后快速验证效果，如果效果无效或效果较差，则分析原因，要么换策略要么优化策略。禁忌不要在效果不明确前投入大量的人力、物力成本。
   数据验证，在增长策略方案确认时，就需要提前规划好如何做数据验证，数据验证决定了策略是否继续执行以及是否需要优化。可以通过埋点、AB测试、数据汇总统计等多种方法去做数据监控、验证。
   这里要注意的一个关键点，可能通过某个策略带动指标数据提升的同时，造成了另一个当前比较好的数据指标的下降，这时就要谨慎评估是否要继续你的策略了，因为有可能另一个指标的重要程度远高于你当前正在增长的指标。
   05 数据、策略、数据迭代闭环
   很少有一个策略在执行后就可以取得显著效果的，每一个优秀的增长策略都是通过对数据的分析、对策略的优化，通过迭代再迭代去实现的数据指标的快速增长。所以策略生效并不是工作的终点，反而是工作的起点，通过不断的数据验证、策略的调整，最终得到数据的增长。
   06 实战案例
   背景：OTA住宿行业，针对于住宿订单有效率指标，对标竞争对手，提升有效率指标。
8. 明确指标
   有效率即有效单/总订单，提升有效率的本质是提升有效订单的转化，降低无效订单造成的资源浪费。提升有效率的转化，从用户价值层面可以带来用户体验的提升，从商业价值层面可以带来公司整体的收益提升。
9. 拆解增长因子
   基于指标公式拆解，主要是提升有效单、降低无效单；那么结合OTA特殊行业的背景，订单有效率主要取决于供应端和需求端，即酒店/供应商和客人两个方向。
   这里用思维导图的方式将这两个方向可以导致有效单下降、无效单提升的因素拆解出来作为提升的方向：
   
   这里只是将因子进行拆解，真实案例中对于不同因子结合用户行为数据和订单数据做了数据分析和验证，验证了每一类因素是否真实存在，以及当前的影响程度。
10. 评估策略优先级
    基于上面进行的因子拆解，通过数据分析每一种因子可能提升的指标贡献价值，计算每一个策略可以提升的有效率指标，并对每一个策略需要开发的成本进行评估，最终按照优先级进行策略的排期。
11. 策略落地及数据验证
    在策略上线前，做了AB测试的埋点，通过AB版本的验证去分析策略上线对有效率是否有显著的提升或改善。
    在这个过程中，就遇到了上面提到的问题，在执行A策略时，虽然对订单有效率指标提升非常明显，但是却造成了订单产量的下降，这个时候，对于这个策略是否要大范围应用，就提出了挑战。因为有效率的提升本质目标是提升整体收益，如果指标提升了但是造成了产量的下降，最终还是没有带来整体收益的提升，这种数据增长没有任何意义也没有任何价值。
    后续在策略的优化上，通过调整策略因子，去找到有效率提升和产量下降的平衡点。
12. 迭代优化
    在策略上线后，通过周期性观察上线前和上线后的数据变化，通过观察AB测试的数据结果，对策略进行调整和优化，最终实现数据指标的显著增长。
    因为数据、策略的保密性，在上述案例实践中只是阐述了如何应用增长的方法论，并没有对数据分析过程和策略制定过程进行详细阐述。
    资讯-新媒之家