【必讀】如何從零開始構建業務的數據化體系?

此文是《10周入門資料分析》系列的第27篇

想瞭解學習路線,可以先閱讀 學習計畫 | 10周入門資料分析

當我們對業務有了基本的瞭解,和業務同事聊需求就不會一臉懵。但是數據分析師還要進一步借助數據,以及分析的手段來解決問題。

如果只是解決一個需求一個問題,前面的文章有過例子,無非是假設求證,借助模型視覺化分析一番。但如果是對一項業務系統的盤點分析,梳理資料和指標,就要規範的多,一般流程是:明確業務場景 — — 確定分析目標 — — 構建分析體系 — — 梳理核心指標。

這時候,我們的思維要上一個層次,不單單是給業務拉個資料,做個報告。而是結合數據分析的思想,用資料驅動業務,實現業務的精細化運營,這是數據化的核心思想,也是數據分析的最終價值所在。

整個數據化的迴圈流程如下:資料收集 — -構建數據化運營指標體系 — 資料驅動運營。不過,要明確的是,數據化體系是數據先行的戰略,並不是所有的企業都有這樣的覺悟。大多數企業對數據的利用僅停留在報表、取數。它需要管理者的重視和推動,如果領導不重視,那麼執行者數據用得再好,也是半隻腿走路。

如何構建一項業務的數據體系,這裡以最容易理解的用戶運營來舉例。

使用者資料收集

使用者資料的收集主要收集包括使用者基本資料、使用者行為資料和使用者流量資料資料。

使用者基本資料指的是使用者的靜態資料,包括性別、年齡、地區、工作等,這類資料描述了使用者是誰,主要靠基本資訊填寫來實現。

使用者行為資料是使用者在產品上一系列操作行為的集合,哪個使用者在哪個時間點、哪個地方以哪種方式完成了哪類操作,包括使用者流覽、購買、內容貢獻、邀請傳播、社交等行為,這類資料描述了使用者幹了什麼,主要靠資料埋點來實現。

使用者流量資料是使用者的來源,是基於用戶訪問的網頁端產生的,包括設備、運營商、埠、時間等,這類資料描述了使用者從哪兒來。不過目前的流量資料統計主要來源於GA、百度統計等協力廠商工具,無法記錄在資料庫中,也就是還做不到與上述提到的使用者基本資料、行為數據一一對應。

以上數據都是從產品或協力廠商工具裡得到的原始資料,要實現運營目標還需要在原始資料基礎上做資料採擷和資料分析,結合運營目標和路徑構建數據化運營指標體系。

構建使用者資料化運營指標體系

如果你不能用指標來描述業務,那麼你就不能有效增長它。

那麼在本環節要做的就是將你的業務指標化。資料指標不是恒定不變的,它依託於你產品的業務流程或功能流程,和目標及目標實現路徑密切相關。

使用者運營的目的是最大化提升使用者價值,如果你是電商產品,那你的目的就是讓使用者付費購買商品,如果你是社區產品,那你的目的就是讓使用者貢獻傳播內容。但是產品目標和使用者價值的實現是個循序漸進的過程,也是個動態演變的過程,有的從潛在用戶註冊成為活躍用戶,有的從活躍轉為流失,也有的從流失回流到活躍。

Image for post
Image for post

上圖中橙色是使用者狀態的動態演變,紅色是運營目標。沿著目標 — 途徑 — 效果的運營思路,資料分析就是將你的目標拆分後表現在具體資料指標上作為核心考察指標,利用資料對目標實現途徑的監測來評價效果,對比當初設立的核心考察指標,來判斷、驗證、修正、優化工作途徑,達到更好更快的效果。依照此思想,我們構建如下數據化運營指標體系,每個體系下都包含有一系列相關的指標。指標體系的構建都是在第一部分收集的使用者資料的基礎上透過資料處理、加工來實現的。

Image for post
Image for post

在從潛在用戶變為註冊用戶的拉新環節,我們要做的是對拉新管道及在各管道上採用的推廣策略的分析,透過數據指標評估管道品質,優化管道推廣策略。數據化指標主要包括新增用戶數、用戶獲取成本,新用戶留存率。

新增用戶數:新增用戶是指安裝應用後,首次啟動應用的用戶。按照統計時間跨度不同分為日、周、月新增用戶。新增用戶量指標主要是衡量行銷推廣管道效果的最基礎指標。

用戶獲取成本:對於付費管道反應管道的轉化率;

新用戶留存率:反應新增使用者的品質,與目標使用者的契合度。另外對於成熟版本的產品,如果使用者留存率有明顯變化,則說明用戶品質有明顯變化,很可能是因為推廣管道品質的變化所引起的。

管道A:SEM

Image for post
Image for post

管道B:Facebook

Image for post
Image for post

針對註冊用戶和活躍用戶的促活留存環節是運營人員的最主要工作之一,我們日常所做的用戶分層分類、用戶成長激勵體系等都是在這個環節做的,體現在資料上我們可以設立的指標體系包括瞭解使用者規模和品質的體系,瞭解用戶參與度(使用深度)的體系和瞭解使用者屬性的使用者畫像體系。

(1)使用者規模和品質

活躍用戶指標:活躍用戶指在某統計週期內啟動過應用(APP)的設備數。活躍使用者是衡量應用使用者規模的指標。通常,一個產品是否成功,如果只看一個指標,麼這個指標一定是活躍用戶數。活躍使用者數根據不同統計週期可以分為日活躍數(DAU)、周活躍數(WAU)、月活躍數(MAU),產品類別不同統計週期也不一樣。

新增用戶指標:新增用戶量指標在前面說過是衡量推廣管道效果的主要指標;另外新增用戶占活躍用戶的比例也可以用來用於衡量產品健康度。比例過高時要特別關注留存率。

用戶留存率指標:用戶留存率是指在某一統計時段內的新增用戶數中再經過一段時間後仍啟動該應用的用戶比例。用戶留存率可重點關注次日、7日、14日以及30日留存率。留存率一方面反映使用者品質,一方面也反映產品吸引力。留存率出現異常時可在這兩方面查找原因。

用戶構成指標:用戶構成是對統計週期內活躍用戶的構成進行分析,以周活躍用戶為例,周活躍用戶包括本周回流用戶、連續活躍n周用戶、忠誠用戶等,有助於透過新老使用者結構瞭解活躍使用者健康度。

單用戶活躍天數指標:是在統計週期內,平均每個用戶在應用的活躍天

數。如果統計週期比較長,如統計週期一年以上,郡麼,每個用戶的總活躍天數基本可以反映用戶在流失之前在APP上耗費的天數,這是反映用戶品質尤其是用戶活躍度很重要的指標。

(2)用戶參與度

用戶參與度體系是衡量用戶活躍度的重要指標體系。活躍在不同的產品中的定義不同,如電商產品中的活躍可以定義為購買,社區產品中的活躍可以定義為內容貢獻。因此下面的三個指標在不同的產品中可以做不同演化。

啟動次數=購買次數=內容貢獻次數最近一次使用=最近一次消費=最近一次內容貢獻使用時長=消費額=內容貢獻量使用時間間隔=購買頻率=內容貢獻頻率

啟動次數:指在某統計週期內用戶啟動應用的次數。在進行資料分析時,一方面要關注啟動次數的總量走勢,另一方面,則需要關注人均啟動次數,即同一統計週期的啟動次數與活躍用戶數的比值,如人均日啟動次數,則為日啟動次數與日活躍用戶數的比值,反映的是每天每用戶平均啟動次數。

最近一次使用:用戶最近一次使用距離現在的時間,通過維度和分佈的分析,也可在一定程度上反應活躍度。

使用時長:指在某一統計統計週期內所有從APP啟動到結束使用的總計時長。使用時長還可以從人均使用時長(使用總時長和活躍用戶數的比值)、單次使用時長(使用總時長和啟動次數)等角度進行分析,是衡量產品活躍度、產品品質的重要指標。

使用時間間隔:使用時間間隔是指同用戶相鄰兩次啟動的時間間隔。我們通常要分析使用時間間隔分佈,一般統計一個月內應用的用戶使用時間間隔的活躍用戶數分佈。也可以通過不同統計週期(時間點不同,但跨度相同)的使用時間間隔分佈的差異,以發現用戶體驗的問題。

訪問頁面:訪問頁面數指使用者一次啟動訪問的頁面數。我們通常要分析訪問頁面數分佈,即統計一定週期內(如1天、7天或30天)應用的訪問頁面數的活躍使用者數分佈,如訪問1–2頁的活躍用戶數、3–5頁的活躍用戶數、6–9頁的活躍用戶數、10–29頁的活躍用戶數、30–50頁的活躍用戶數,以及50頁以上的活躍用戶數。同時,我們可以通過不同統計週期(但統計跨度相同,如都為7天)的訪問頁面分佈的差異,以便於發現用戶體驗的問題。

在以上用戶參與度指標中,我們可以選取一個可以反映主運營目標的指標,如消費額,搭建使用者等級模型(使用者分層),也可以選取多個相關指標,如最近一次消費時間R,消費頻率F,消費額M搭建常用的RFM使用者模型。

作用在於可以根據構建出的模型中的不同等級(使用者分層)或不同區域(RFM模型)的使用者的特徵制定針對性的運營策略或制定層級間轉化的用戶激勵體系。

以問答社區為例,主要KPI是內容數量和品質,體現在使用者所貢獻內容獲取的認可數上,通過資料收集整理得出使用者認可數分佈如下,我們以用戶認可數為指標建立用戶分層。

Image for post
Image for post

可以看出分佈近似於對數正太分佈,通過類似分佈長條圖定義第一,第二,第三四分位點作為臨界值,將用戶劃分為普通使用者、內容生產者、內容貢獻者和大V四個等級使用者。

Image for post
Image for post

當使用者量足夠大時,每一層使用者等級裡的使用者特徵也表現出很大差異性,比如內容貢獻者一層裡,有人以發表文章為主,頻率低,單篇認可數高;有人以問答為主,頻率高,單篇認可數低;這就結合RFM模型對每一層內使用者再做細分。

再比如有人是3年以下,有人是5年以上,有人喜歡社交類內容,有人喜歡電商類內容,這就就可以結合下文介紹的用戶畫像對使用者做更精細屬性描述,做到更精細化運營的效果。

Image for post
Image for post
RFM模型

(3)用戶畫像

使用者畫像就是通過各種資料勾勒出使用者的輪廓,凡是可以定義出使用者屬性的指標都可以放在用戶畫像裡,包括性別、年齡、學歷、收入、支出、職業、行業、個人興趣愛好、商業興趣、社交關係等等,資料越多,使用者的輪廓就越清晰,相應的制定運營策略的時候就越有針對性。

3.我們每天手機上會收到各種短信、PUSH、陌生電話,郵箱裡經常收到廣告郵件,且越來越精准的戳中你的點,促使你再次啟動app,如果你很久沒有使用這個app了,那這很可能就是運營人員基於資料分析採取的召回措施,試圖挽回流失的用戶。

這一階段主要是對流失原因的分析以相應召回方案的制定,資料指標用來衡量工作效果。體現在資料指標上為流失和召回體系,包括流失率、到達率、打開率、打開點擊率、回流率。

流失率:流失率和留存率是互為此消彼長的一對概念,某個統計時間後不再使用產品的使用者比率,兩個指標一般都是採用同期群的計算方式,但因為流失率有一定的滯後性,所以通常是通過查詢留存率來預計流失率。

  • 到達率:推送到達用戶手機或郵箱的比率。
  • 打開率:用戶看到推送打開的比率。
  • 打開點擊率:使用者打開後點擊內容/連結的比率。
  • 回流率:回流用戶數與統計週期內流失用戶的比率。

我們的目標是讓流失使用者回流,但卻不是一蹴而就的,後面四個指標層層遞進,形成一個轉化漏斗。推送的形式、推送發送時間、推送標題、寄件者是否官方、發送物件是否精准、實際內容與標題是否一致甚至頁面排版都會影響到每一層的轉化。

資料驅動使用者運營

有了結構化的資料指標體系,但這還不能算是完整的運營體系。資料本身是沒有價值的,變成策略才有價值。我們構建出來的資料指標都是為決策來服務的,幫我們制定和優化運營策略。

透過資料我們不僅是要知道“是什麼”和“有多少”的問題,更重要的是要知道“為什麼”?這才是資料能驅動業務的關鍵。資料驅動業務體現在兩個方面:

一是用數據優化運營策略,比如用戶留存率低,而留存率與使用者品質和產品吸引力有關係,通過管道分析發現用戶品質沒有問題,而通過用戶流失分析發現主要流失階段在初始接觸期,這就找到了原因,於是在產品穩定性、易用性和新用戶引導上做優化。

二是數據驗證運營策略,比如你想上線一個新的用戶激勵措施,但不確定和原有方式相比是否會有更好結果,這時候透過合理的AB測試得出的對比數據可以為你提供決策依據。

資料分析查找原因和運營策略優化是互相反復進行的過程,我們以用戶的防流失為例來說明。

防止用戶流失工作的核心是降低用戶流失率或者延長用戶的生命週期(流失無法避免的情況下)。造成用戶流失的原因千差萬別,有的是在推廣過程吸引了大量價值不高的使用者,有的是使用者對產品不感興趣,有的是使用過程中興奮點不斷提高而興趣不斷降低,只有找准用戶流失的原因才能推出有效的防止用戶流失和流失用戶召回策略,而這都需要依賴於透過數據指標體系來說明問題。

1.不同管道使用者流失率分析

管道A:SEM

Image for post
Image for post

管道B:Facebook

Image for post
Image for post

全站使用者

Image for post
Image for post

透過分析不同管道使用者的流失情況,我們會發現不同管道的用戶流失率明顯不同,並且與全棧的用戶流失率也不同。

在第一周,管道A — -透過SEM註冊產品的使用者流失為34%,而管道B — -通過FB註冊產品的使用者流失率為54%。為何管道A的使用者情況會明顯好於管道B?無論是管道A的關鍵字主動搜索也好還是管道B的推廣連結感興趣點擊也好,用戶的需求基本是一致的,否則在註冊階段就會流失了。

再往下分析,因為SEM是付費推廣而微博是免費自然流量,運營為了提高SEM的投入產出比,管道A的使用者進入產品頁面後會有專門的著陸頁介紹產品,而FB直接連結到活動頁,使用者對產品認知較差,導致使用者流失增加。

運營可以通過為FB來的用戶添加新用戶引導功能,繼續觀察FB過來的新使用者的資料>>如此反復不斷優化策略。

2.不同生命週期用戶流失率分析

透過使用時長和使用頻次兩個指標將用戶生命週期劃分為為接觸適應期、探索成長期、成熟穩定期、衰退期,不同時期的用戶人數和流失率統計如下:

Image for post
Image for post

從上表可以看出,在使用者剛開始接觸產品的探索適應期流失率偏高,有很大改進空間。根據我們使用者運營的經驗,在此階段用戶流失的原因一般包括新手引導體驗差、存取速度慢、學習成本高、內容不匹配等,而這些資料上都會有所體現,透過相應資料的分析查找原因,並制定相關的用戶策略,再繼續觀察資料,反復優化策略。

以上以防止用戶流失為例來說明如何利用數據來驅動使用者運營,其它環節大同小異,利用用戶運營的思想,結合數據分析的思路,選定合理的資料指標體系,精准分析原因,制定相應策略,重新觀察數據優化策略。

最後,以上是使用者運營視角的數據化運營體系,可能企業不同,複雜程度同,不過道理大概就是這個道理。接下來我會再簡單梳理下企業常見業務的數據指標體系,大家保持關注喔!

>>>

我是「數據分析那些事」。常年分享數據分析乾貨,不定期分享好用的職場技能工具。按贊我的臉書,期待你與我的互動!

滑鼠一直按,最多50下,你會給努力的小編多少次的clap :XD

>>>

系列文回顧:

更多精彩好文:

更多內容,請點擊小編頭像或數據分析那些事查看!

Written by

這是一個專注於數據分析職場的內容部落格,聚焦一批數據分析愛好者,在這裡,我會分享數據分析相關知識點推送、(工具/書籍)等推薦、職場心得、熱點資訊剖析以及資源大盤點,希望同樣熱愛數據的我們一同進步! 臉書會有更多互動喔:https://www.facebook.com/shujvfenxi/

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store