中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

本文是作者撰寫的知乎Live整理稿，主要和大家分享一下如何通過數據分析驅動用戶增長。

根據經驗以如下幾個問題展開：

• 互聯網用戶增長特點
• 數據分析在其中的作用
• 實驗對產品開發的作用
• A/B 測試的作用和難點
• 數據驅動用戶增長的局限性
• 彩蛋：以知乎為例，一些數據分析的機會

下面就是全文字分享：

行業特點

說到互聯網產品的用戶增長，可能大家都有所耳聞。與傳統行業相比，互聯網相關的產品有幾個不一樣的特點。

一是由于網絡效應，由于互聯網相關產品更容易擴展，更有可能出現爆炸性增長的局面。

二是互聯網行業更容易出現贏者通吃的局面，比如優酷和土豆的合并，攜程和去哪的合并，立馬形成行業壟斷。

三是在行業發展前期一旦有一個好的產品領先，后來者就很難翻盤了，所以互聯網行業會出現前期大量燒錢搶占市場和用戶的局面，比如 Uber 是一個特別典型的例子。

Retention / 用戶留存

對用戶增長來說，什么是最重要的呢?有人說是用戶最重要，有人說是 Acquisition 也就是新用戶獲取最重要。在 Facebook 內部來說，以及很多熱門 Startup 來說，最重要的是 retention，也就是用戶留存。這也是為什么十幾年前，Facebook 剛創立的時候，大家通常用的指標都是注冊用戶。Mark Zuckerberg 從一開始就很明確，注冊用戶并不是最重要的，最重要的應該是活躍用戶。

用戶留存曲線

好的產品和不好的產品用戶留存是什么樣子的呢?有這里就需要提到一個概念 J 曲線。

如下圖所示，橫軸是從注冊開始到現在的天數，縱軸是活躍用戶的比例。這里用的例子是月活用戶，也就是說如果過去一個月之內你用過這個產品，那么你就算是一個 active user。很顯然，注冊開始第一天，大家都是月活，第二天第三天直到30天都是如此，從第31天開始，有一部分人不是月活了，因為他們只在第一天用了，之后就再也沒用過，以此類推第32天33天等等。

一個好的產品，應該是像黑色曲線這樣，隨著時間的推移會有下降，但是到一定程度之后會趨于跟 x 軸平行。如果你看到一條紅線這樣的用戶留存曲線，那就你就需要好好研究一下你的產品了，因為這意味著隨著時間的推移，所有注冊用戶都會放棄你的產品。那么即使你把全世界的人都抓來注冊了，終究月活用戶數也會變成0。

用戶留存 vs. 新產品

推出新產品的時候，用戶留存曲線是非常重要的，以確保有一個足夠好的產品，接下來才是把這個產品推向更多用戶的時候。其它互聯網公司比如 Airbnb 也有類似的策略。當然不同的產品，關注的指標很有可能是不一樣的。比如說微信，假如你看月活的話，那可能意義就不是很大了。一個月用一次微信的用戶，說有不了什么問題，更應該關注的可能是日活，或者發了多少條信息這種。那么對于 Airbnb 來說，月活則是一個比較適用的指標，其它比如每個月有多少房間預訂之類，也是應該關注的指標。

神奇時刻 — magic moment / Ahhhaa moment

假設現在你有一個很好的產品，用戶注冊之后過一了段時間也還是有很多人留下來繼續使用。那么接下來怎么做用戶增長?

很多社交網絡產品都提到一個概念叫 magic moment，直譯過來的話就是神奇時刻。什么算 magic moment 呢?比如對于 Facebook 來說，你注冊之后，在上面看到你現實生活中認識的好友，看到他們的照片，狀態等等。這個時候對新用戶來說，心里想的是啊!原來 Facebook 是干這個用的。比如對于知乎來說，可能是在答了一個題之后，看到小紅點顯示有人點贊，或者是感謝，或者是關注等等。同樣，對于LinkedIn，Twitter，微信，微博也是類似，新用戶或者是找到他們想要聯系的好友，或者是找到他們想要粉的人，這一時刻讓用戶有繼續使用下去的動力。

例子 — 用戶留存率 vs. 好友數

對于很多社交網絡產品 比如說 LinkedIn 來說，一個很簡單便是很有效的分析方法，就是看用戶留存率跟好友數的關系。當你的好友數低于某一個值的時候，用戶留存率會非常的低。當好友數量達到一定數量的時候，再增加好友數對留存率的影響就很小了。那么確定下來這個值之后，工程師們要做的就是以這個為目標進行各種產品改進、優化、新產品開發等等。

有人可能會問了，這里面有個很顯然的問題，就是你只能說明這是相關性，而不是因果性。但是最終解決辦法其實很簡單，不管 Facebook 也好，微信也好，如果你沒有好友的話，肯定是沒有人會繼續用的。所以這里面肯定有因果性在里面。同時肯定也有相關性，很大程度上二者肯定是相互影響的，通常來說好友越多，更有使用產品的動力。產品使用的更好，好友也更多。

A/B 測試

上面一段提到在設定某一個目標之后，工程師們接下來就要通過各種產品改進、優化、新產品開發等，互聯網公司基本上都是通過 A/B 測試來確定是否發布產品，是公司產品開發非常重要的一環。在灣區這邊有一個 meetup 小組就是專門講 A/B 測試的，像 Uber, LinkedIn, Netflix 等等都在這個小組介紹過各個公司是怎么做 A/B 測試的。

接下來就以 Airbnb 為例子來說明 A/B 測試為什么重要，如何做 A/B 測試，以及中間可能遇到的問題。

例子來源：http://nerds.airbnb.com/experiments-at-airbnb/

為什么要做實驗

實驗是最有效的證明因果關系而非相關性的工具。以 NBA 為例，數據顯示，當科比出手10-19次時，湖人的勝率是71.5%;當科比出手20-29次時，湖人的勝率驟降到60.8%;而當科比出手30次或者更多時，湖人的勝率只有41.7%。

根據這組數據，為了贏球，科比應該少出手?并不一定如此。有可能科比出手少的時候是因為隊友狀態好，并不需要他出手太多。也有可能是因為球隊早早領先，垃圾時間太多。而出手太多的比賽是因為比賽艱難或者隊友狀態不好，需要他挺身而出。當然，以上也只是可能之一，具體是什么情況光靠這組數據并不能得出任何結論。

A/B 測試的用處

對 Airbnb 來說，很多時候一個新產品的發布，是很難說明結果到底是新產品的呢，還是別的因素。

如下圖所示，紅色部分是新產品發布和撤回的時間段，這期間的變化到底是因為產品呢，還是別的因素?有可能用戶受到時間的影響，比如周中和周末的區別，是否假期，天氣等等。對于 Airbnb 這種旅行相關的公司來說，這些外在影響尤其大。通過實驗則可以把產品的影響跟別的外在因素的影響區分開，產品做一個小的改變，跟對照組進行對比，這就是 A/B 測試。

實驗需要跑多久?

A/B 測試的老大難問題：實驗跑多久最合適?結束太早可能產品的真正效果還沒有足夠時間體現出來，實驗拖太長會影響產品迭代改進的效率，這對諸如 Airbnb 這樣的初創公司還是 Facebook 這樣講究 move fast 的公司來說，都是很麻煩的事情。

例子 — 搜索價格范圍

Airbnb 曾經測試過把價格選擇范圍從最高的$300改成$1000。一周之后，根據下圖的紅線顯示，實驗效果顯著 (p<0.05)，也就是說改成$1000之后預訂會增加。但是事實上實驗繼續進行下去的話，你就發現這個改變其實是沒有效果的，最終也沒有統計顯著 (p>0.05)。

不過雖然這個測試的結果是中性的，考慮到有一部分用戶的確需有查找高端房源的需要，Airbnb 還是決定把最高搜索價格從$300改成了$1000。那么到底實驗應該進行多久呢?通過各種復雜的統計分析，Airbnb 總結出了一套動態決定邊界(Dynamic decision boundary)，綜合考慮p值和實驗進行的天數。

全面理解實驗結果

通常來說，選定一個或幾個指標(metrics)來分析實驗結果，以免主觀挑選實驗結果(cherry picking)。但是僅僅看一個指標也是不行的，很容易就錯過全局，一葉瞕目。比如 Airbnb 做過一個非常大的改動，在用戶搜索的結果顯示里，更加強調房源的照片和在地圖上顯示的地點。項目非常大，大家都認為結果會很好，用戶調研顯示也是如此。

盡管如此，Airbnb 還是決定如常做一下 A/B 測試，然后發現了問題：結果基本是中性的。幸好 Airbnb 的數據科學家們并沒有就此結束，相反，他們看了看不同的方面，包括在不同瀏覽器的效果，發現 IE 是最大問題所在。很快進一步發現，新產品在某些老版本的 IE 上會有 bug，以至于預訂率了超過3%。修復了在 IE 上的 bug之后，立馬預訂率就變成提高超過2%，與其它瀏覽器上效果類似了。這是一個非常典型的例子。很多時候看到中性的實驗效果，不妨根據不同的維度進行細分，比如瀏覽器、同家、用戶類型等等。

問題： Twitter 2015 年用戶增長為 11%，這是否存在增長的危機?為什么?

結果 too good to be true

不管是自己打造的 A/B 測試系統，還是使用第三方的系統，都是有可能出問題的。

如果默認系統都是有效的話，有時候麻煩就來了。有時候可能是使用過程中出了問題，有時候可能是系統本身的問題。最簡單的辦法是跑個 A/A 測試，也就是實驗組和對照組都是一樣的產品，然后看系統結果怎么說。

Airbnb 做過一系列 A/A 測試，發現在實驗組和對照組的用戶數量基本一致的時候，系統是正常工作的，顯示中性的結果。但是當對照組的用戶遠超實驗組(75% vs. 25%)的時候，結果顯示高達-15%的偏差。最后發現原因在于對用戶的追蹤問題，很大一部分用戶沒有正常的記錄到實驗組里去。未必每一個公司都會碰到完全一樣的問題，不過適當的進行 A/A 測試，確保系統正常工作是非常重要的。

據驅動用戶增長的前提

首先需要有一個好的產品。其次在創業初期，所有人都需要有這個概念。最后需要要 infrastructure 的支持，諸如 logging，dashboard，A/B 測試系統等的建立。例如：Uber 的 A/B 測試系統

作者：鄒昕，07 年從清華生物系本科畢業，之后又學了五年生物，之后轉行念了數據分析專業的碩士，畢業之后在 Discover 做信用卡風險控制，包括模型和數據分析方面的工作，今年年初跳槽到 Facebook 做數據分析。

來源：http://www.36dsj.com/archives/55758

本文來源于人人都是產品經理合作媒體@36大數據，作者@鄒昕