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

本文根據(jù)劉立明在起點(diǎn)學(xué)院線下沙龍分享的課程整理而成，加入起點(diǎn)學(xué)院在線社員（或復(fù)制報名鏈接：http://t.cn/R53OsvD?到瀏覽器中詳細(xì)了解），即可觀看本課程視頻回放及尊享300門視頻課程學(xué)習(xí)特權(quán)。

題圖：劉立明，騰訊大數(shù)據(jù)高級產(chǎn)品經(jīng)理

本文大綱如下：

• 關(guān)于數(shù)據(jù)化管理
• 從0到1搭建數(shù)據(jù)運(yùn)營體系
• 數(shù)據(jù)深度分析
• 用戶管理策略

以下為劉立明演講實(shí)錄，由人人都是產(chǎn)品經(jīng)理@池吉明?依據(jù)嘉賓分享內(nèi)容整理，編輯有修改：

一、數(shù)據(jù)化管理的三點(diǎn)誤區(qū)

最近幾年，隨著移動互聯(lián)網(wǎng)的快速發(fā)展，大數(shù)據(jù)的概念也越來越火，很多公司都在提數(shù)據(jù)化管理。那么，我們今天就聊一下數(shù)據(jù)化管理這個話題。

先來看下數(shù)據(jù)化管理的誤區(qū)：

1、數(shù)據(jù)多，就一定能推驅(qū)動業(yè)務(wù)發(fā)展嗎？

數(shù)據(jù)多并不意味著能驅(qū)動業(yè)務(wù)發(fā)展，因?yàn)榇嬖诤芏嘁蛩貙?dǎo)致數(shù)據(jù)并不能很好地應(yīng)用于業(yè)務(wù)中。

（1）因素一：數(shù)據(jù)質(zhì)量問題

一方面，很多公司在采集數(shù)據(jù)時，會采集到很多臟數(shù)據(jù)，比如模擬器刷量、羊毛黨刷量。如果未做反作弊識別，很難將這部分?jǐn)?shù)據(jù)過濾掉；另外一方面，在采集數(shù)據(jù)時，沒有做到標(biāo)準(zhǔn)化、規(guī)范化上報。那么在做數(shù)據(jù)挖掘分析時，就很難得到有效信息。而數(shù)據(jù)的準(zhǔn)確性和穩(wěn)定性是數(shù)據(jù)科學(xué)管理的基礎(chǔ)，如果無法滿足這兩點(diǎn)，在業(yè)務(wù)決策上就會存在很多問題。

（2）因素二：數(shù)據(jù)跟業(yè)務(wù)關(guān)聯(lián)性不大

數(shù)據(jù)只有跟業(yè)務(wù)有足夠強(qiáng)的關(guān)聯(lián)性，才有價值。我們本身有很多指標(biāo)，大概超過70多個。但是在日常分析時，我們經(jīng)常用到的也就那么幾個，其他的或者訪問非常少，或者會隨著時間推移，慢慢被棄用。

（3）因素三：采集數(shù)據(jù)很容易，用起來難

騰訊做了很多年數(shù)據(jù)分析，積累了很多經(jīng)驗(yàn)，有一整套自己的分析系統(tǒng)，在數(shù)據(jù)應(yīng)用方面自然沒問題。但是很多傳統(tǒng)企業(yè)，像運(yùn)營商移動、聯(lián)通、電信，以及保險公司、銀行對在這塊的困惑就特別多。他們有很多數(shù)據(jù)，但不知道該怎么用。像這樣盲目地采集數(shù)據(jù)，其實(shí)根本沒有多大意義。

2、有了數(shù)據(jù)分析團(tuán)隊(duì)，就一定能找出問題來嗎？

不一定，因?yàn)榉治鰩熗鶎I(yè)務(wù)不了解，只能給出機(jī)械的分析結(jié)果，并不能有效地指導(dǎo)業(yè)務(wù)發(fā)展。

舉個例子，我們之前在業(yè)務(wù)運(yùn)營中引入了分析師團(tuán)隊(duì)，希望可以提供更多思路和指導(dǎo)方向來幫助業(yè)務(wù)發(fā)展。但分析了一段時間后，我們發(fā)現(xiàn)效果并不是很好，原因在于分析師一般會基于報表維度的數(shù)據(jù)給出分析結(jié)果。比如數(shù)據(jù)突然出現(xiàn)波動，分析師可能會認(rèn)為是節(jié)假日導(dǎo)致的，但其實(shí)他可能不清楚我們在整個業(yè)務(wù)運(yùn)營中做了什么樣的活動。所以，這塊數(shù)據(jù)分析和業(yè)務(wù)是割裂的。

為了解決這個問題，我們做了一個新的嘗試，將數(shù)據(jù)分析團(tuán)隊(duì)跟業(yè)務(wù)團(tuán)隊(duì)放到一起，并成立聯(lián)合項(xiàng)目組去做試點(diǎn)。后來結(jié)果證明效果不錯，因?yàn)榉治鰩熢谠O(shè)計(jì)每一個指標(biāo)的時候都會去跟一線運(yùn)營同學(xué)溝通：

• 真正的用戶行為是什么樣的？
• 在哪些時段，在哪些場景下會觸發(fā)這些數(shù)據(jù)？

如此一來就能做到有的放矢。

3、分析報表能不能出一個最優(yōu)的解決方案？

相信大家每周或者是每天都在給這樣的分析報表，但是我們的分析結(jié)果真的是一個有針對性的業(yè)務(wù)的最優(yōu)解決方案嗎？結(jié)果往往是否定的。這里邊也存在幾個問題：

（1）問題一： 分析維度單一，不足以支撐結(jié)論

分析維度有很多，比如說版本、渠道、地域，以及設(shè)備屬性和特定行為特征等。目前來看，所有的APP分析,基本上就是從版本和渠道這兩個維度去分析的；還有自定義事件，如果只是基于事件ID去分析，它沒有足夠的參數(shù)去做限定，那么也很難去支撐并決策分析結(jié)果。

（2）問題二：數(shù)據(jù)質(zhì)量干擾分析結(jié)果

分析結(jié)果能否有效地反映業(yè)務(wù)發(fā)展情況，并給出有效優(yōu)化策略的關(guān)鍵因素之一便是數(shù)據(jù)質(zhì)量。如果數(shù)據(jù)質(zhì)量不過關(guān)，那么基于數(shù)據(jù)給出的分析結(jié)果也會大打折扣。我們接觸的很多app，都或多或少有過被刷量的情況。這種數(shù)據(jù)不僅給公司造成財(cái)務(wù)上的浪費(fèi)，同時也會影響正常數(shù)據(jù)，造成數(shù)據(jù)分析的困難。

二、數(shù)據(jù)化管理的思路

在認(rèn)識了這些誤區(qū)之后，如何科學(xué)地進(jìn)行數(shù)據(jù)化管理？

科學(xué)的數(shù)據(jù)化管理不僅要有完備的數(shù)據(jù)分析，更重要的是基于數(shù)據(jù)分析結(jié)果的行動。所以，下面我們將從數(shù)據(jù)采集、數(shù)據(jù)分析、行動策略以及快速執(zhí)行四方面講一下數(shù)據(jù)化管理思路。

1、數(shù)據(jù)采集

目前我們采集的維度包括基礎(chǔ)數(shù)據(jù)統(tǒng)計(jì)、用戶屬性、用戶來源、用戶行為和模型數(shù)據(jù)。

（1）基礎(chǔ)數(shù)據(jù)

基礎(chǔ)數(shù)據(jù)就是我們?nèi)粘Ｔ诳吹囊恍?shù)據(jù)，包括新增、活躍、啟動次數(shù)和留存等。

（2）用戶屬性

基于騰訊移動分析覆蓋的眾多app以及騰訊大數(shù)據(jù)的優(yōu)勢，提煉不同人群的不同標(biāo)簽。

用戶屬性包含基礎(chǔ)的自然人屬性，比如性別、年齡、職業(yè)、學(xué)歷和興趣愛好等；另外也有做設(shè)備屬性分析，比如用戶使用的機(jī)型、品牌、以及聯(lián)網(wǎng)方式等。

（3）用戶來源

這也是非常重要的一個指標(biāo)，可以幫助分析用戶來自哪里。這里的維度可以有很多，比如渠道是一個維度，版本也是一個維度，另外地域和機(jī)型都可以算作不同的維度。

（4）用戶來源

用戶來源可以幫助分析產(chǎn)品對于用戶的粘性，并且?guī)椭鷥?yōu)化產(chǎn)品路徑。這塊涉及的數(shù)據(jù)會比較多，比如用戶使用時長，使用頻率和頁面訪問路徑等。關(guān)于行為這塊重點(diǎn)強(qiáng)調(diào)一下，要求上報的數(shù)據(jù)必須是標(biāo)準(zhǔn)的、規(guī)范的，這樣有助于后期做分析。否則，最后采集的數(shù)據(jù)只是臟數(shù)據(jù)，對于后期分析沒有任何意義。

（5）模型數(shù)據(jù)

模型數(shù)據(jù)是建立在基礎(chǔ)數(shù)據(jù)分析上的高級模型，可以針對用戶做更高級的分析。我們會針對用戶生命周期里的每個階段去做模型分析，比如拉新模型、拉活模型和流失模型。

2、數(shù)據(jù)分析

數(shù)據(jù)本身沒有價值，分析才有價值。

在做分析時，主要包括以下幾方面內(nèi)容：

• 多維交叉分析
• 用戶分群分析
• 產(chǎn)品質(zhì)量分析

在做數(shù)據(jù)分析時，多維交叉分析是一個很好的分析手段。當(dāng)我們看數(shù)據(jù)的整體趨勢時，能發(fā)現(xiàn)業(yè)務(wù)發(fā)展是否有問題或者機(jī)會，但是不能夠發(fā)現(xiàn)問題到底出在哪里，或者說機(jī)會在哪里。那我們會主張進(jìn)行多維下鉆分析，比如渠道、版本、國家、設(shè)備屬性和自然屬性，這些都可以作為維度去做交叉分析，最終定位問題出在哪里。

用戶人群分析可以幫助分析不同人群的屬性特征以及行為特征。針對不同的人群特征，制定差異化運(yùn)營策略，將運(yùn)營效果最大化。

產(chǎn)品質(zhì)量分析自然是用于衡量產(chǎn)品質(zhì)量的數(shù)據(jù)指標(biāo)，包括app的crash情況、耗電量、網(wǎng)速等數(shù)據(jù)。

3、行動策略

根據(jù)數(shù)據(jù)分析的結(jié)果，發(fā)現(xiàn)問題或者機(jī)會之后，我們要先制定一些行動策略。這一步即是打通數(shù)據(jù)分析和行動斷層的關(guān)鍵一步。拿生命周期管理常用的策略舉例來說，包括拉新策略、提活策略、流失召回等。

4、快速執(zhí)行

策略制定好之后，接下來就是快速執(zhí)行了。行動是驗(yàn)證數(shù)據(jù)分析結(jié)果和策略有效性的最后一步。跑得越快，成功的可能性越高，所以優(yōu)良的執(zhí)行力非常重要。在騰訊奉行的也是小步快跑，快速迭代，出錯沒問題，要保證速度。

二、如何從0到1搭建數(shù)據(jù)運(yùn)營體系

前面講到了數(shù)據(jù)化管理的誤區(qū)和思路，那么接下來我們就講一下，如何從0到1搭建一套數(shù)據(jù)運(yùn)營體系？

第一階段：指標(biāo)規(guī)劃

我接觸過很多開發(fā)者，都有數(shù)據(jù)分析的需求，但是要采集和統(tǒng)計(jì)哪些數(shù)據(jù)，剛開始并不是特別清晰，那這塊的規(guī)劃就非常有必要的。尤其是在數(shù)據(jù)建設(shè)初期，一定要將指標(biāo)的定義明確，不然很容易在后期數(shù)據(jù)分析階段出現(xiàn)扯皮問題。

另外則是維度設(shè)置，除了版本、渠道之外，還可以加上自定義的屬性，比如：地域、機(jī)型、網(wǎng)絡(luò)類型等，這些維度設(shè)計(jì)的越多，越有助于后續(xù)數(shù)據(jù)的精細(xì)化分析。就拿新增來說，可能看到新增有一個過快的下跌，如果只設(shè)計(jì)版本和渠道兩個維度的話，那么只能從這兩個維度分析；如果想做更深的下鉆分析，就無法再繼續(xù)定位了。

最后一個關(guān)鍵因素：更新周期。數(shù)據(jù)是實(shí)時更新的、 每天更新、還是每周更新，都需要提前規(guī)劃好。因?yàn)閿?shù)據(jù)計(jì)算會耗費(fèi)大量的資源，好鋼用在刀刃上，把資源用在最有價值的地方。

第二階段：數(shù)據(jù)采集

指標(biāo)規(guī)劃好之后，接下來要做的就是數(shù)據(jù)采集。數(shù)據(jù)采集包含三個方面的工作，字段分類、數(shù)據(jù)埋點(diǎn)和數(shù)據(jù)上報。字段分類很重要，越精細(xì)越有助于后續(xù)的數(shù)據(jù)分析。數(shù)據(jù)埋點(diǎn)，顧名思義，在自己想采集的數(shù)據(jù)部分，通過打點(diǎn)的方式統(tǒng)計(jì)業(yè)務(wù)發(fā)生數(shù)據(jù)。

第三階段：報表呈現(xiàn)

在數(shù)據(jù)采集上來之后，我們就需要考慮將數(shù)據(jù)以報表的形式呈現(xiàn)出來，以幫助分析業(yè)務(wù)的變化情況。

當(dāng)我們做完了以上幾步之后，如果最終驗(yàn)證這套體系是可行的，那么就可以考慮進(jìn)行整個的數(shù)據(jù)產(chǎn)品化以及功能迭代。

（1）建設(shè)方式

接下來，我們聊一下數(shù)據(jù)分析系統(tǒng)的建設(shè)方式。

目前的建設(shè)方式無非有兩種，一個是自建，另外則是使用第三方服務(wù)。

自建有什么好處？埋點(diǎn)靈活便捷，可以根據(jù)你的需求去埋點(diǎn)，并且也可以跟業(yè)務(wù)數(shù)據(jù)打通。因?yàn)橹挥羞@樣，才能將數(shù)據(jù)分析真正應(yīng)用到業(yè)務(wù)上。但是，我相信如果是一些目前在起步階段的APP，它是沒有能力去做這個事情。

自建的弊端在于需要投入巨大的成本。首先是人力成本，然后服務(wù)器資源維護(hù)起來也比較昂貴，另外不能與外部運(yùn)營工具打通。就拿拉新來說，需要對用戶有一個非常清晰的認(rèn)識，需要知道用戶群體有哪些屬性特征和行為特征。如果根據(jù)自己統(tǒng)計(jì)的標(biāo)簽去廣告平臺投放廣告，往往匹配起來是不夠精準(zhǔn)的。因?yàn)楹苡锌赡茈p方標(biāo)簽體系并不一致。

（2）迭代優(yōu)化

在整個建設(shè)階段，不必一蹴而就，可以按照app發(fā)展的不同階段按需建設(shè)，逐步迭代。

我們先看一下APP發(fā)展生命周期的四個階段：初創(chuàng)期、生長期、成熟期和衰退期。每個階段需要關(guān)注的數(shù)據(jù)指標(biāo)是不一樣的，所以我們可以分階段來建設(shè)：

① 初創(chuàng)期關(guān)注哪些指標(biāo)？

• 一是增長速度，要看數(shù)據(jù)增長是不是一個線性，將來有沒有潛力？那么前期做一些新增，活躍，啟動次數(shù)，留存這些基本上就夠了；
• 二是用戶來源，需要知道哪些渠道推廣效果更好，以方便優(yōu)化拉新推廣效果。

②成長期不僅要關(guān)注用戶增長速度，還需要去關(guān)注一下用戶行為數(shù)據(jù)

到了成長期，不僅要關(guān)注用戶增長速度，還需要去關(guān)注一下用戶行為數(shù)據(jù)，因?yàn)槲倚枰プR別用戶的質(zhì)量。就拿推廣這個事來說，不僅要看數(shù)據(jù)整體的增長情況，而且要看核心用戶有沒有增長，那我們就需要從用戶行為維度去識別，哪些是我們的核心用戶。那就需要去建設(shè)像使用頻率、使用時長、頁面訪問路徑以及消費(fèi)行為這些維度的數(shù)據(jù)。

③ 成熟期對數(shù)據(jù)的需求增加，需要深度挖掘用戶價值

到了成熟期后，對數(shù)據(jù)的需求會越來越深入，需要深度挖掘用戶的價值。那么這個階段就需要考慮做一些數(shù)據(jù)模型。

比如活躍模型，活躍用戶雖然是一個整體，但是活躍用戶的質(zhì)量是不一樣的。比如活躍超過100天的，超過300天的甚至超過兩年的，對于不同的用戶群體，需要做個性化的運(yùn)營策略。

另外一個模型就是流失模型。當(dāng)用戶到了一定規(guī)模之后，很難避免流失情況，到了成熟期有些用戶的活躍度會慢慢的下降最終流失。這時就需要對用戶做一些干擾手段，通過消息推送、有效的激勵、短信這幾種形式。

還有就是畫像洞察，到了成熟期，相信各個數(shù)據(jù)都會考慮做變現(xiàn)的行為，變現(xiàn)首先要知道用戶是什么樣子的，那么畫像洞察的建設(shè)就可以提上日程。

③ 衰退期用戶流失嚴(yán)重

到了衰退期，基本上APP已經(jīng)開始出現(xiàn)用戶大面積流失的情況，想要將用戶拉回來是非常困難的，所以需要去關(guān)注興趣轉(zhuǎn)移，尋找新的業(yè)務(wù)增長點(diǎn)就好了。

（3）MTA指標(biāo)體系

這是MTA的指標(biāo)體系，分成了基礎(chǔ)指標(biāo)、用戶屬性、用戶來源、用戶行為、模型數(shù)據(jù)。新增、活躍、流失這些，前文已經(jīng)提過，這里就不再說了，重點(diǎn)提一下質(zhì)量監(jiān)控，質(zhì)量監(jiān)控主要是統(tǒng)計(jì)用戶使用app的crash情況，還有網(wǎng)速監(jiān)控情況、接口調(diào)用情況。

三、數(shù)據(jù)深度分析

“做了一套數(shù)據(jù)分析系統(tǒng)之后，難點(diǎn)在于數(shù)據(jù)分析；搭一套東西很容易，但真的要用起來卻很難?！?/p>

接下來，我們就講一下數(shù)據(jù)深度分析部分。

1、多維度下鉆分析

多維度下鉆分析的好處就在于，可以去從整個趨勢里發(fā)現(xiàn)問題，最終通過更細(xì)粒度的分析去定位到問題所在，再制定相應(yīng)的執(zhí)行策略。分析的維度其實(shí)很多，例如：渠道、版本、地域、頁面、標(biāo)簽、用戶群這些都可以作維度去分析我們的用戶。

2、漏斗轉(zhuǎn)化分析

接下來我們看一下日常經(jīng)常用到的漏斗模型。

漏斗模型是一個很重要的手段，漏斗不僅可以幫助分析關(guān)鍵路徑從第一步到最終的轉(zhuǎn)換結(jié)果，還可以幫助分析每一步之間的轉(zhuǎn)化率。漏斗的每一步轉(zhuǎn)化中基本上都會存在流失，所以沒有百分百的漏斗。

那漏斗如何去使用呢？單一的漏斗分析是沒有意義的。只有通過趨勢觀察、維度對比和維度細(xì)分才能體現(xiàn)漏斗分析的意義。

接下來我們舉例說明。

使用騰訊移動分析大概分為三個步驟，注冊-測試-上線。

第一步是從注冊到測試的一個轉(zhuǎn)化，第二步是從測試到上線的一個轉(zhuǎn)化，第三步是從測試到上線的轉(zhuǎn)化。分析數(shù)據(jù)發(fā)現(xiàn)五六月份的轉(zhuǎn)化都是OK的，但是看七月份的數(shù)據(jù)，從注冊到測試，轉(zhuǎn)化率只有21.7%，但是從測試到上線是22.6%，這個沒有什么變化，整體的轉(zhuǎn)化率是4.9%。與5月、6月相比，數(shù)據(jù)有所下降。

產(chǎn)生這個問題的原因是什么？我們拿這個漏斗相關(guān)的數(shù)據(jù)做一下分析。第一個數(shù)據(jù)是新增，第二個是我們的測試，第三個是最終上線的應(yīng)用數(shù)。我們發(fā)現(xiàn)7月份的新增只有一個很大的增幅，但是它并沒有給我們帶來一個好的測試的一個數(shù)據(jù)，測試的應(yīng)用只有1300個，沒有明顯增長，我們最終上線的也只有294個。說明新增有增長，但是這部分用戶轉(zhuǎn)化率并不是很高。整體來看，應(yīng)該是新增暴漲的原因，那么我們又針對渠道這個維度做了一輪下鉆分析，發(fā)現(xiàn)來自官網(wǎng)的新增特別多。在分析相關(guān)的推廣活動時，發(fā)現(xiàn)這個月做了有獎問答活動，導(dǎo)致很多用戶來注冊賬號并創(chuàng)建了應(yīng)用，而這些用戶都是奔著獎品而來，并非我們的用戶，因此轉(zhuǎn)化非常差。最終定位到數(shù)據(jù)轉(zhuǎn)化降低的原因。

數(shù)據(jù)分析是制定用戶管理策略的基礎(chǔ)，那么講完分析后，我們來聊一下策略相關(guān)的內(nèi)容。

四、用戶管理策略

1、用戶生命周期管理

用戶生命周期管理可分為六個階段：

1. 潛在用戶階段
2. 新手階段
3. 有效活躍階段
4. 活躍下降階段
5. 即將流失階段
6. 流失階段

在不同的用戶生命周期，我們需要進(jìn)行差異化運(yùn)營策略，才能將用戶價值最大化。比如，潛在用戶階段，需結(jié)合用戶特征制定拉新策略；新手階段，需要給用戶提供實(shí)時的用戶關(guān)懷，制定合適的新手任務(wù)系統(tǒng)；有效活躍階段，提供別致的產(chǎn)品探索引導(dǎo)和正向激勵；活躍下降階段進(jìn)行防流失干預(yù)；即將流失階段進(jìn)行流失預(yù)警；流失階段發(fā)起流失關(guān)懷。接下來，我們結(jié)合案例進(jìn)行說明。

（1）精準(zhǔn)拉新

潛在用戶階段，在做拉新時，根據(jù)歷史數(shù)據(jù)梳理相關(guān)字段，以歷史玩家為樣本數(shù)據(jù)制定對應(yīng)的拉新模型。通過對比實(shí)驗(yàn)組與大盤的推廣效果，對拉新效果進(jìn)行評估。

其實(shí)在經(jīng)過這樣的分析之后，拉新效果會有一個比較好的提升，最終實(shí)驗(yàn)組相比于隨機(jī)組，有百分之30%到60%的一個提高。其實(shí)這個模型在開始階段，效果不是很明顯，也是需要經(jīng)過不斷訓(xùn)練才能達(dá)到這樣一個效果，所以數(shù)據(jù)分析是需要一步一步迭代升級的，而不是能一蹴而就達(dá)到一個好的效果。

（2）新手關(guān)懷

合適的新手關(guān)懷手段可以讓用戶更好的留下來。比如可以根據(jù)用戶的興趣偏好設(shè)定個性化的新手任務(wù)體系，個性化的關(guān)卡獎勵；比如根據(jù)用戶性別，贈送不同的禮物，設(shè)計(jì)不同的任務(wù)難度等。

（3）活躍成長

好的內(nèi)容推薦以及成長體系都可以提高用戶的活躍度，可以通過對用戶畫像進(jìn)行刻畫，推薦合適的內(nèi)容。比如在游戲中，加入社交屬性可以提高用戶的活躍度。那么就可以根據(jù)用戶屬性和行為特征推薦合適的戰(zhàn)隊(duì)信息，一旦用戶加入戰(zhàn)隊(duì)，活躍度便可得到有效提升。

（4）防流失預(yù)警

通過一些行為數(shù)據(jù)可以判斷出用戶有沒有流失風(fēng)險。比如活躍度的下降，使用時間間隔的增長，都是典型特征。那么，在圈定這部分用戶之后，就可以使用一些運(yùn)營工具進(jìn)行流失用戶召回。比如以消息推送，短信或者廣告平臺等手段觸達(dá)用戶，如果活躍度下降就給它送更多的道具，或者推出更多好玩的玩法，以防止用戶流失。

（5）流失回流

根據(jù)經(jīng)驗(yàn)來看，用戶一旦流失就很難回來。所以把精力花費(fèi)在流失挽回上，不如去分析下用戶的興趣轉(zhuǎn)移，尋找新的業(yè)務(wù)增長點(diǎn)。

2、用戶分群管理

用戶群分析是個非常好的手段，通過用戶群分析，除了可以幫助進(jìn)行人群分析和問題定位，有時候會發(fā)現(xiàn)用戶自己都不清楚的需求。

那我們應(yīng)該如何創(chuàng)建分群呢？一是根據(jù)用戶屬性，二是根據(jù)用戶行為特征。比如ppt中列的年齡、性別啊，或者未付費(fèi)用戶、多次付費(fèi)用戶等。

有了不同的人群，我們可以做些什么呢？除了分析不同人群的特征，還可以針對不同用戶做一些差異化的運(yùn)營方案以及精準(zhǔn)拉新等。

接下來我們看一個案例。

這是一個電商類的APP，在用我們的服務(wù)，用戶增長還不錯，但是成交量一直萎靡，就過來問，應(yīng)該怎么去用數(shù)據(jù)驅(qū)動業(yè)務(wù)發(fā)展？

那我們就以這個為案例做了一輪分析。首先我們通過建立分群分析成交用戶和高價值用戶的特征；然后與大盤用戶進(jìn)行對比，發(fā)現(xiàn)整個大盤中男性比較多，然而成交用戶與高價值人群中女性比例較高，那說明女性成交的可能更高。

另外，我們針對這三個用戶群做了一下人群偏好對比。相比于大盤用戶，成交用戶和高價值用戶對購物與金融類會更感興趣，這是我們得到的一個分析結(jié)論。

然后再回到它的問題，成交量不符合預(yù)期。第一可能是渠道用戶的質(zhì)量問題，第二可能是在商品定位上有問題。整個大盤中男性用戶較多，那是不是男性的商品推薦做的不夠，或者男性的商品品類比較少，這些都有可能。

相比于兩個原因，第一個的驗(yàn)證周期會更短一些，那我們就先拿第一個去做一個分析。如上圖，這是我們拿到的幾個渠道，可以看到D和E是流量的主要來源，而且D的周留存也不錯。但是從成交來看，A的數(shù)據(jù)也不錯，所以可能A也是一個優(yōu)質(zhì)渠道。

這是我們的一個分析結(jié)果。那接下來需要驗(yàn)證一下，A渠道是否符合成交人群和高價值人群的特征。從數(shù)據(jù)來看，A渠道的女性比例是62%，對購物的興趣也高于大盤，這個符合我們的成交用戶跟高價值用戶群體特征。

根據(jù)這個分析結(jié)果，我們建議開發(fā)者進(jìn)行了投放渠道的策略調(diào)整，增加A的投放比例，降低B跟C的投放。策略實(shí)施一周之后，對數(shù)據(jù)做了一下追蹤。這個圖是一個整體的轉(zhuǎn)化，前面的圖是優(yōu)化之前的，后邊的圖是優(yōu)化之后的，整個的轉(zhuǎn)化率提高了百分之十幾。這就是整個分析過程，希望能對大家有所啟發(fā)。

以上就是我的分享，大家如果有其他問題，可隨時與我溝通。

作者：劉立明，騰訊大數(shù)據(jù)高級產(chǎn)品經(jīng)理，主要負(fù)責(zé)騰訊內(nèi)部數(shù)據(jù)指標(biāo)體系構(gòu)建，以及騰訊移動分析（MTA）產(chǎn)品運(yùn)營。從事了數(shù)據(jù)產(chǎn)品運(yùn)營4年，曾任友盟高級產(chǎn)品運(yùn)營，在產(chǎn)品運(yùn)營和數(shù)據(jù)分析方面有深厚經(jīng)驗(yàn)。

本文系人人都是產(chǎn)品經(jīng)理團(tuán)隊(duì)@池吉明 ?整理編輯發(fā)布，未經(jīng)許可，不得轉(zhuǎn)載。