起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識獲獎作品｜騰訊移動分析MTA如何破局？以產品運營模型分析為例
本文作者在體驗產品騰訊移動分析MTA后，通過數據優化產品和運營策略分析，?且分享其對產品Redesign的思路，enjoy~
本文目錄如下：
1. 產品介紹
1.1產品簡介
1.2產品功能
1.2.1自定義看板
1.2.2全面應用分析
1.2.3廣告監測
1.2.4開發組件
1.3產品優勢
1.3.1多平臺部署
1.3.2精細分析
1.3.3低耗穩定
2. 通過數據優化產品和運營策略
2.1數據優化產品.
2.1.1多多記賬產品架構與分析
2.1.2多多記賬數據接入與分析
2.1.3數據埋點與創新設計思考
2.1.4設計方案可行性實踐
2.2數據優化運營策略
2.2.1多多記賬運營策略分析
2.2.2多多記賬數據接入與分析
2.2.3營銷數據與創新設計思考
2.2.4設計方案可行性實踐
3. 產品Redesign
3.1更傻瓜式的體驗
3.1.1數據分析的模型準備
3.1.2看板數據存在的缺陷
3.1.3看板數據方案升級
3.1.4頁面分析存在的缺陷
3.1.5頁面分析方案升級
3.2更豐富的數據與格式
3.2.1格式打包現狀
3.2.2多維度格式產出
3.3可視化埋點功能的優化
3.3.1可視化埋點功能用戶體驗
3.3.2埋點設備連接優化
3.4新零售等行業應用場景接入
3.4.1新零售行業
3.4.2金融行業
3.4.3在線教育行業
4. 對標產品分析與改進?
4.1競品對比
4.1.1諸葛IO
4.1.2友盟+
4.1.3神策IO
4.1.4 TalkingData
4.1.5 GrowingIO
4.1.6易觀方舟
4.1.7小結
4.2 SOWT分析
4.2.1優勢
4.2.2劣勢
4.2.3機遇
4.2.4挑戰
5. 結語
1. 產品介紹
1.1 產品簡介
騰訊移動分析（下文均寫作MTA平臺）是一款具有移動應用數據分析能力的產品，能夠提供實時數據統計分析服務，監控版本質量、渠道狀況、用戶畫像屬性及用戶細分行為，通過數據可視化展現，協助產品運營決策。
1.2 產品功能
1.2.1 自定義看板
可拖拽和自定義添加看板數據，多通道數據處理方式，高性能實現關鍵數據的秒級監控；根據實時數據，隨時掌握用戶動態，提升產品能力、調整運營策略。
1.2.2 全面應用分析
可查看實時數據和歷史趨勢，掌握應用運營動態，通過簡易的操作，為APP打造豐富的自定義事件和漏斗模型。使用豐富用戶畫像體系，直接了解到用戶行為特征等，具象了解并定位用戶。深挖用戶行為與畫像，了解用戶生命周期，更有效的精準投放和決策。
1.2.3 廣告監測
渠道概況、版本分析、用戶留存等多種維度數據任意交叉組合，快速定位推廣效果、提升用戶質量，為產品運營及迭代提供數據基礎。同時支持 H5 應用營銷活動、分享鏈接、廣告頁面跳轉統計，更容易掌握渠道投放效果，優化運營質量。
1.2.4 開發組件
及時查看和記錄用戶應用產生異?；蝈e誤的次數。了解影響人數和設備數，智能預警減少用戶不必要損失，降低用戶粘性風險。
1.3 產品優勢
1.3.1 多平臺部署
支持Android、iOS主流平臺，為開發者提供秒級數據監控及統計分析服務，用戶活躍情況一目了然，幫助提高產品質量。
1.3.2 精細分析
多維數據隨意組合，高度自定義事件助推產品精細化運營。數據圖表理解簡單，展現用戶基本屬性、行為特征愛好等，更容易了解用戶愛好，挖掘用戶潛在價值。
1.3.3 低耗穩定
服務器支撐實時發送策略，上報策略精細到每條日志，可以分別設置上報、重試策略，保障重要數據不丟失。同時，極低的CPU和內存消耗，極大降低應用的系統負擔；加強自殺機制，在極端的條件下一旦crash也不影響APP。
2. 通過數據優化產品和運營策略
2.1 數據優化產品
2.1.1 多多記賬產品架構與分析
通過體驗多多記賬，將產品分為側滑欄、主界面和交互設計三大塊，具體架構如圖1所示。多多記賬主要主打輕便智能的語音記賬服務，核心功能在于語音輸入轉化為文字、對輸入信息進行分類。
因此基于KANO模型分析（如圖2所示），基本屬性為語音輸入和自動分類，一維屬性為分類的準確度、語音轉換文字效率、賬本分類精細程度、同步數據等，魅力因素包括外觀設置、從其他平臺的數據導入等。
圖1 多多記賬產品功能結構圖
圖2 KANO模型
2.1.2 多多記賬數據接入與分析
MTA平臺數據以csv格式存儲，本文主要對用戶生命周期中的用戶構成、用戶行為使用時段、用戶挖掘中基本屬性和觀察設備四大數據進行接入和分析。由于多多記賬目前應用只有一個主界面，因此不對頁面訪問量、頁面路徑做進一步分析。本文數據采用為4/26-5/26期間數據。
（1）用戶構成
在MTA平臺上，用戶構成主要以柱狀圖形式展現（如圖3所示），可直觀得出每周用戶最大的模塊。但是本周新增和本周回流的顏色較為相近，對比分析較為費勁。
圖3 周用戶構成趨勢截圖
導出的CSV文件截圖如圖4所示，相比上圖，按照每周的各個版本的用戶構成進行分層輸出，有助于有一定基礎的運營通過表格對每個版本用戶進行對比，了解每個版本的活動周期，能夠減少不必要的資源浪費和開銷。但是導出的CSV文件標題全都是Array，而需要進入控制臺后臺進行對比才可以清楚每一行每一列所代表的意思，比較繁瑣不便。同時用戶分層支持不同用戶群的分析，能夠有效對于需求的升級進行A/B測試。
圖4 用戶構成CSV文件截圖
（2）使用時段
在MTA平臺上，用戶使用時段主要以折現圖形式展現（如圖5所示），通過斜率變化可以得到每個小時時段內啟動次數、新增用戶首次使用次數、活躍用戶使用次數的增長變化情況。通過圖中可以讀出在12時、18時和20時達到極值，因此多多記賬在產品升級方面可以與午餐晚餐時間事件進行結合。
圖5 使用時段截圖
導出的CSV文件截圖如圖6所示，相比上圖，能夠進一步在通過折線圖大致判斷的基礎上用精確數據來進行深度分析，更有助于準確分析產品功能和需求。
圖6 使用時段CSV文件截圖
（3）基本屬性
在MTA平臺上，用戶基本屬性主要以多種混合形式展現（如圖7所示），很好的展示了男女比例、年齡分布、學歷分布、地域分布。通過本頁可以直觀的得到男女需求比例大約是6：4，且用戶集中在18-29歲之間，學歷以高中、本科為主，廣東、江蘇使用人群較多。通過得到的數據進一步還可以推理出更具體的用戶畫像，有助于進一步對產品人群定位和需求進行分析和擴展。
圖7 基本屬性截圖
導出的CSV文件截圖如圖8所示，相比上圖，作用僅為方便進行表格數據統計和存檔，同時在測試的過程中，學歷的圖中數據與導出的CSV數據不符，應該是未完善系統導致的bug。
圖8 基本屬性CSV文件截圖
（4）觀察設備
在MTA平臺上，用戶基本屬性主要以柱狀圖形式展現（如圖9所示），根據用戶使用進行排序，能夠一目了然的對用戶的手機設備類別、網絡喜好、運營商進行分析，進一步完善用戶畫像。
圖9 觀察設備截圖
導出的CSV文件截圖如圖8所示，相比上圖，作用僅為方便進行表格數據統計和存檔，同時在測試的過程中，筆者認為網絡環境模塊中，若要將4G模塊單獨提出來，對蜂窩網絡（CellNetwork）應該做一定說明，以免讓使用者產生誤導，對用戶畫像的分析有一定的偏差。
圖10 觀察設備CSV文件截圖
2.1.3 數據埋點與創新設計思考
由于字數有限，本文不提及用戶行為畫像分析的評測，結合多多記賬這個demo例子和KANO模型，為了進一步進行幫助產品崗位平臺使用者完成用戶畫像描繪和產品需求挖掘，可以使用MTA平臺的可視化埋點和用戶分群功能來促進數據優化產品。
（1）可視化埋點
在MTA平臺上，通過事件分析進入可視化埋點，如圖11所示進入可視化埋點連接界面。筆者通過小米5S PLUS手機和MIUI系統自帶的掃一掃進行圖中操作后，提示已發送請求，但是控制臺未有反應，使用舊方式依舊沒有反應。
圖11 可視化埋點連接界面
通過幫助文檔我們可以了解到，進入可視化埋點后（如圖12所示），對于所有button類、textChange類、click類均可埋點。埋點區域會產生埋點區的操作日志，同時還有埋點的樹狀列表，可進行相關操作。進一步的，對埋點事件形成漏斗模型，通過轉化率可以有效修復用戶畫像和需求偏差。例如通過對比【語音記賬->手動記賬】和【手動記賬->語音記賬】的轉化率，可以作為用戶在使用過程中對語音記賬的依賴程度。
結合KANO模型，對于必要需求、一維屬性和魅力因素進行埋點，并通過數據量化為喜歡、理應如此、無所謂、能忍受和不喜歡五個層級，有助于對應用產品更好的分析目前的需求和必要性。
圖12 可視化埋點界面
（2）用戶分群
在MTA平臺上，通過用戶挖掘進入用戶分群，如圖13所示進入用戶群列表界面，通過新建用戶群按鈕對用戶畫像進行分類。
圖13 用戶分群界面
通過對用戶的多項屬性進行拼接、對設備屬性進行篩選以及直接使用漏斗模型完成A/B測試，或者對自定義事件響應次數篩選用戶，能夠有效的對用戶群體進行分類。以方便對不同用戶群體細分需求。同時通過人群導出可對數據進行進一步的分析。
用戶分群后，對不同類型的用戶群提供差異化、個性化服務，結合KANO模型，擬合出不同用戶群的需求曲線，進一步細分和迭代用戶需求。
2.1.4 設計方案可行性實踐
由于IOS和Android端版本差別較大，這里僅分析IOS端數據。通過版本分布和用戶構成的數據，1.5.8版本使用的人最多，活躍用戶達到1,512，活躍用戶占比87.3%，其次是1.5.3版本，活躍用戶76，活躍用戶占比4.39%，通過對版本記錄（圖14）的分析，產品的穩定性對用戶的使用需求是第一位。
圖14 app store 版本記錄截圖
通過對用戶畫像的分析，IOS端使用男女占比為男54.69%、女45.31%，年齡分布方面，25-29歲占40%、18-24歲占36.92%，學歷以高中72.31%為主，地域分布方面以廣東18.75%、江蘇17.19%、上海12.5%位居前三。因此我們可以總結用戶畫像是以青年為主，且多居住在沿海城市。所以通過用戶分群，將18-29歲、沿海作為選定條件，作為主要用戶對象。結合KANO模型，主打“用完即走”，同時針對青年，基于騰訊社交基因推出游戲化手段，集卡游戲、與他人組建家庭共享賬本等功能作為魅力因素，并對新功能進行埋埋點，通過一個月的數據分析了解用戶喜好。
在MTA平臺上，數據看板模塊可以新建看板對產品新功能進行實時查看。因此對于MTA平臺，可以增加對工具類產品、用戶服務類產品的大類分析，以及可以添加的精細化領域分析，幫助MTA平臺使用者更好的上手和分析。
2.2 數據優化運營策略
2.2.1多多記賬運營策略分析
多多記賬作為典型的工具類互聯網產品，在這里我們采用運營漏斗模型，基于AARRR模型改進，如圖15所示。
圖15 運營漏斗模型
核心目標主要包括用戶增長、留存增長和轉化增長，核心動作包括關注、興趣、渴望、記憶、購買和分享。核心指標就包括各個階段的轉化率、功能使用頻率、用戶活躍度、留存率、付費商品轉化率、用戶分享數等。
由于多多記賬產品功能中，僅包括用戶增長和留存增長，因此運營的關注點更多的應該放在用戶拉新能力和用戶活躍指數。
2.2.2 多多記賬數據接入與分析
MTA平臺數據以csv格式存儲，本文主要從用戶行為、流量訪問、用戶生命周期、用戶分群四大塊為中心，結合現有MTA平臺，分析數據的接入。
（1）以用戶行為為中心
在MTA平臺上，用戶基本屬性主要以折現圖形式展現（如圖16所示），根據趨勢圖可以得出一段時間內的人均時長的均值，還可以得到使用時長的分布。
圖16 用戶使用頻率趨勢圖截圖
導出的CSV文件截圖如圖17所示，相比上圖，數據體現更加具體，通過對數據的求平均等處理，可以得到可視化界面得不到的平均值等結果。
圖17 使用時長CSV文件截圖
（2）以流量訪問為中心
由于多多記賬僅存在主頁面、側滑欄以及總賬單查看，不具備頁面行為分析的價值。同時筆者在使用MTA平臺過程中，頁面訪問、頁面路徑、頁面來源三個子模塊沒有任何使用提示，用戶體驗差，頁面名稱管理界面也未直接漏出。
通過頁面訪問模塊可以得到人均訪問時長、訪問次數、訪問人數和跳出率。頁面路徑和頁面來源的訪問流具有極大的參考價值，但是在MTA平臺上未能夠完美體現。
（3）以用戶生命周期為中心
在MTA平臺上，用戶基本屬性主要以折線圖形式展現（如圖18所示），通過活躍度、留存率和流失回流對用戶生命周期進行建模，對比新用戶、激活用戶、活躍用戶、衰退用戶、流失用戶，分析各個人群數量，進而分析對應的關于產品、用戶行為、轉換、留存、注冊相關等分析。
圖18 用戶活躍度截圖
（4）以用戶分群為中心
用戶分群主要按照年齡、地域、消費能力、習慣進行分群，按照新用戶、使用用戶、活躍用戶、付費用戶、高價值貢獻用戶分層。分析個人群數量，尋找KOL領袖，對不同分群用戶精準投放活動和廣告。在上述已對用戶分群做了相關評測，這里就不再贅述。
2.2.3 營銷數據與創新設計思考
區分前文中的產品數據挖掘，運營數據挖掘更關注活動的轉化率、分享次數和用戶留存率。所以運營更需要去挖掘用戶價值，尋找爆點傳播途徑、針對用戶痛點基于用戶調研制作活動策劃。因此可以使用MTA平臺的版本/渠道分析以及安裝來源分析的推廣計劃來促進數據優化運營策略。
（1）版本分布
在MTA平臺上，通過版本/渠道分析進入版本分布，如圖19所示。版本分布提供了包括新增用戶、新增賬號、升級用戶、活躍用戶、活躍賬號、啟動次數、次均時長、MAU、累計用戶、新增用戶等多項數據展示。
圖19 版本分布截圖
結合運營漏斗模型，可以計算關注、興趣、渴望、記憶、購買和分享核心動作的轉化率，配合版本分布分析用戶痛點、癢點。
（2）推廣計劃
在MTA平臺上，通過安裝來源分析進入推廣計劃，如圖20所示。通過添加推廣計劃，選定投放時間，進一步的，配置推廣渠道。
通過推廣渠道配置，需要進行增值服務申請，在這里我們可以感受到MTA平臺的to B商業模式。申請好和配置完成后，點擊投放效果進入投放效果和渠道效果頁面。
圖20 推廣計劃截圖
圖21 推廣活動內測申請截圖
通過對投放和渠道的趨勢圖搜集，可以得出哪段時間內數據出現極值，對于極值進行進一步監控，確定是在哪個渠道、哪個KOL意見領袖推廣下得到的，邀請其前來舉辦活動，進一步引爆爆點拉動用戶增長。
2.2.4設計方案可行性實踐
由于IOS和Android端版本差別較大，這里僅分析IOS端數據。通過版本分布和用戶生命周期的數據，我們可以得到近一個月回流用戶和流失用戶的差值為負，標志著產品這段時間內用戶體驗不好，運營情況較差，通過計算DAU、MAU以及DAU/MAU比值，得到用戶的活躍度，通過平均可以得出DAU在1973名左右，MAU在6539左右，用戶粘性為0.3025，因此有必要在近期內開展活動來喚醒用戶。通過對比留存率，用戶在次日、2天后、3天后留存為39.35%、30.06%、27.33%，后續也成線性變化，因此，如何在前三天提高粘性是運營要做的第一件事情。
通過MTA平臺的推廣活動功能，對主流平臺進行精準投放，通過實踐和數據對比，給不同的平臺更改不同的權重，同時通過平臺對異常數據進行探究，進一步的，結合運營漏斗模型，對低轉化率的環節進一步開展相關活動。
3. 產品Redesign
騰訊移動分析MTA平臺具有專業的移動應用數據分析能力，為應用提供實時數據統計分析服務，監控版本質量、渠道狀況、用戶畫像屬性及用戶細分行為，通過數據可視化展現，協助產品運營決策。
MTA平臺的功能結構如圖22所示。根據功能結構圖可以總結MTA平臺主要分為五個功能：自定義看板功能、營銷分析功能、運維分析功能、用戶數據分析功能、通用配置功能。
- 自定義看板功能：用戶通過新建看板自定義設置想要看的指標。
- 營銷分析功能：用戶通過對推廣單元管理，對推廣活動進行監測。
圖22 騰訊移動分析MTA結構圖
- 運維分析功能：用戶通過查看用戶反饋、接口反饋和crash明細提升對APP的穩定性。
- 用戶數據分析功能：用戶通過對事件、用戶畫像、用戶生命周期等進行分析，對原始數據可以進行導出。
- 通用配置功能：用戶可以對數據進行訂閱、對數據的上報進行策略調整等。
在利用數據做好精細化產品需求挖掘和運營的同時，常見數據不準確、不完備、不細致三大問題。為了解決這三大問題，一個就要做到細（4W1H）：Who、When、Where、How、What以及多源（客戶端、服務端、數據庫等）全量而非抽樣，要打通數據。除了可視化埋點和代碼埋點采集方法外，對數據建模、數據分析也十分重要。在數據建模方面，傳統數據庫存在經驗性、性能差等特點，需要采用OLAP模型建立數據倉庫，抽象用戶行為事件，在不同維度組合、過濾。在數據分析方面，常用的方法包括多維事件分析（事件、維度、指標）、漏斗分析、留存分析、時間序列分析、A/B分析、用戶分群等等。針對不同用戶要采用不同的策略，根據用戶的屬性信息、行為數據、行為序列等進行區分，通過數據運營，觀察效果。
因此本文通過深度使用騰訊移動分析MTA平臺，對本產品提出以下功能的重設計——包括對數據看板、頁面分析的重設計、數據格式的重設計、可視化埋點事件分析的重設計，以更好的產品帶個客戶更好的決策意義，幫助客戶完成付費轉化。
3.1 更傻瓜式的體驗
3.1.1 數據分析的模型準備
在進行數據分析前，無論是產品本身還是用戶本身，都應該明白使用MTA平臺的目的是為了進行精細化運營。在前文中，已經通過運營漏斗模型和KANO模型用作對產品和運營的分析，在這里引入數據雙引擎模型，如圖23所示，通過精細化運營需要解決的其實是如何實現數據、算法和產品之間的閉環，并將工作交給平臺手動/自動完成。
圖23 雙引擎模型圖
相比于諸葛IO提出的事件模型、神策IO提出的“事件+用戶”模型、GrowingIO提出的四可數實體模型，雙引擎模型更注重事件的閉環，用數據驅動高效、個性化的產品運營和需求更新。
雙引擎模型簡單來說，將數據看做汽油，驅動算法引擎，算法引擎實現自身閉環，對算法進行迭代優化，同時將優化算法和模型傳入“云+端”的產品中，由云提供數據聚合、模型計算，端實現用戶需求和數據增殖，最終數據再次接入算法引擎，形成引擎閉環。
3.1.2 看板數據存在的缺陷
目前的默認看板可以顯示出新增用戶、DAU、用戶趨勢、設備分析和Crash分析，但如果不是具有一定實踐經驗的用戶，那么只能夠看最淺的趨勢，不能夠深層的挖掘和分析。對平臺使用的用戶可能是公司CEO、可能是產品、運營、技術或者是市場，對于每個職務的業務都不盡相同，所以看板也應該不相同，對此針對這個缺陷可以增加默認看板。
3.1.3 看板數據方案升級
CEO關注總體用戶表現、營收相關指標；產品經理關注用戶使用路徑、轉化漏斗、關鍵功能使用等數據；運營人員關注用戶活躍度和用戶生命周期；技術人員關注產品的報錯次數和出錯原因；而市場推廣人員關注不同渠道的質量。因此針對五個業務需求默認五大看板，同時可以提供多種展現方式（柱狀圖、折線圖、餅狀圖等），以方便使用者更高效的完成業務初級分析。
3.1.4 頁面分析存在的缺陷
在本文第二部分的數據驅動分析中，筆者需要通過基礎數據的羅列后，對數據進行二次對比、分析才可以得到一定效果的用戶畫像、用戶行為和產品需求。結合雙引擎模型，可以對頁面分析的數據通過較少的成本完成精細化的策略制定。對于用戶和決策者，并不是希望得到一堆羅列的數據，而是希望將羅列的數據進行分析變成信息，通過信息完成產品和用戶的升級。
3.1.5 頁面分析方案升級
在這里可以借鑒友商的方法，對用戶畫像描述分為設備id、用戶id和平臺id，結合雙引擎模型，對每個id都采集一份數據，再進行匹配，多維度對用戶的行為、所在領域、興趣偏好等標簽進行定義。對原始數據生成標簽后，通過聚類、主成分分析等算法對標簽進一步提取特征，通過機器學習、深度學習的方法進行數據的建模和算法的迭代，緊接著對數據模型進行用戶分群方便產品和運營深度掌握用戶情況，最終將用戶分群在應用場景中復現，通過“云+端”來實現，進一步洞察和堤防用戶流失、挖掘潛在用戶和監控欺詐行為。
因此在頁面上，不僅僅是數據的累積呈現，同時在應用分析還應該專門開辟一個模塊，對數據進行深度分析。通過機器學習自助生成標簽，并且提供基礎模型和算法供用戶選擇，隨著標簽和原始數據的導入，形成個性化模型和算法。同理，在轉化路徑的選擇上，也可以通過標簽對最優化、最有價值的路徑進行智能篩選。
3.2 更豐富的數據與格式
3.2.1 格式打包現狀
目前在應用分析中，對事件、渠道分布、版本分布、用戶生命周期、用戶行為和用戶畫像均可以導出CSV格式，但在本文第二部分的使用中，就出現了CSV格式錯位、無法查看出關聯性等問題。但其高效的傳輸性能、簡單易懂的格式確實是數據分析首選。
3.2.2 多維度格式產出
在數據結構中，還可以以XML格式、JSON格式作為對CSV格式的補充，XML格式完美的解決了CSV格式的痛點問題，但是僅用作數據分析，還是相對復雜的。因此也可以選擇JSON格式，將文本特性進行打包，方便用戶調取。當然相比CSV文件，XML格式、JSON格式文件也是一種補充和替代
3.3 可視化埋點功能的優化
3.3.1 可視化埋點功能用戶體驗
由于本次沒有開放可視化埋點功能，因此不能全面的體驗性能和產品功能，但筆者嘗試可視化埋點的設備連接過程時，用戶體驗效果不佳。主要體現在設備的連接方式上過于繁瑣，無論是新版本的掃一掃定位設備還是原本的四指定位設備，因此筆者希望可以在設備連接上做優化。
3.3.2 埋點設備連接優化
基于花費最少資源開銷完成設備匹配的思想，可在埋點后臺開啟設備連接時設置六位臨時密鑰，再在移動端通過特定網址頁面輸入臨時密鑰完成設備id上傳和配對，最終在埋點控制臺對發送申請的設備進行審核和確定。至此優化連接過程，并且避免了多次匹配的問題。
3.4 新零售等行業應用場景接入
3.4.1 新零售行業
對新零售這個行業風口，其定義為以消費者體驗為中心的數據驅動的泛零售狀態，其核心為人及是數據。因此非常適合進行數據分析，相比移動數據，更注重描繪用戶畫像和用戶行為。
因此可以開辟專門的板塊對新零售行業定制解決方案，對日銷售額、實名用戶增長量、商品銷售預測、購買分析等場景做分析。
3.4.2 金融行業
金融行業需要數據作為支撐，對成交金額、成單數、用戶增長、銀行卡綁定過人數、活躍用戶等進行分析。在MTA平臺上，針對借貸業務進行了場景分析，比較詳盡的將借貸畫像和數據進行存儲和分析，并形成標簽化。但借貸業務也屬于金融行業的一個部分，因此對整個金融行業可以做整體的方案，同時再做更小顆粒度的行業細分。
3.4.3 在線教育行業
在線教育行業需要通過數據了解課程的銷售趨勢，通過控制課程價格、用戶趨勢來保證課程業務的開展和銷售。因此需要在用戶增長趨勢、用戶留存、課程銷售趨勢、渠道用戶增長等方面進行分析。
4. 對標產品分析與改進
4.1 競品對比
目前數據分析存在的痛點包括：過于簡單、過于復雜、效率太低三個因素。而要用數據運營好一個產品，不僅要還原業務全貌，還需要對團隊產生價值，最終達到快速、高效。因此本文從數據采集、數據建模、數據分析三個方面對競品進行分析。
目前互聯網比較主流的數據分析驅動增長的AARRR模型已經比較成熟，貫穿整個產品生命周期。AARRR增長模型是一套工具方法論，但是我們不能忘記我們的數據分析的起點和初衷：產品/市場，業務持續增長（商業價值的持續變現以及客戶價值的平衡）。
在產品成長初期，重點關注用戶激活率、和留存率，求質量；在產品成長爆發期，重點關注用戶獲取率和留存率，求高效增長；在產品口碑爆發期，重點關注傳播推薦，嘗試病毒式增長；最終在產品成熟收割期，重點關注用戶增加收入 和 留存率，求客戶價值和商業價值變現的平衡。
4.1.1 諸葛IO
諸葛IO是一款基于用戶洞察的精細化運營管理工具。以用戶跟蹤技術和簡單易用的集成開發方法，幫助移動應用的運營者們挖掘用戶的真實行為與屬性。諸葛IO主要解決的痛點問題是精細化運營，主要包括數據概要、數據報表、漏斗轉化、用戶留存、通知推送、用戶檔案、用戶分組和自定義設置等模塊，幫助使用用戶從概要到精細化數據分析，進一步完成決策。
（1）數據采集能力
采用SDK埋點，精細化分析核心轉化流程, 分析不同渠道和不同推廣方式的投放效果。
（2）數據建模能力
在諸葛IO中，區別于傳統的基于PV、UV等指標的數據統計方法，采用“事件模型”（如圖24所示）來描述用戶在產品上的各種行為。每個設備都會記錄三個id，設備id、設備上的用戶id、諸葛id，保證用戶數據的準確性。
圖24 事件模型概念圖
（3）數據分析能力
諸葛IO擁有三大解決方案：廣告監測、獲取分析和智能觸達。廣告監測包括行為打通、實時監測、效果衡量、數據開放四個核心優勢；由于不同企業業務不同，衡量效果的行為也不同，所以諸葛IO支持自定義轉化目標來進行獲取分析；智能觸達依托諸葛IO分析產品的數據采集框架和基礎功能，能夠自動/手動向滿足條件用戶進行推送，描繪精準用戶畫像。
4.1.2 友盟+
友盟+以移動應用統計分析為產品起點，發展成為提供從基礎設置搭建-開發-運營服務的整合服務平臺，致力于為移動開發者提供專業的數據統計分析、開發和運營組件及推廣服務。友盟從2010年成立，具有較老資質。由于友盟+是由友盟和CNZZ合并而來的，不僅僅可以對APP進行分析，還可以對WEB端進行分析，進行消息推送和社會化分享，同時還對電商、移動、新零售場景進行廣告監測。
（1）數據采集能力
采用SDK埋點，精細化分析核心轉化流程, 分析不同渠道和不同推廣方式的投放效果。
（2）數據建模能力
友盟+依舊采用的是傳統的基于PV、UV分析方式，統計用戶參與度，包括使用時長、使用頻率、訪問頁面、使用間隔。對于模型主要采用單維度分析，包括渠道分析、留存分析、錯誤分析、漏斗模型等。
（3）數據分析能力
友盟+在基礎分析的功能上，對用戶分群和用戶畫像進行商業化增值付費使用。主要包括分群推送、用戶分群和用戶畫像三大板塊。分群推送主要是對選定人群進行推送，分群用戶按照用戶在APP中的行為分析，用戶畫像包含基礎屬性、偏好信息、手機行業、汽車行業這四大類標簽。
4.1.3 神策IO
神策IO為企業提供可視化數據分析，實現企業數據驅動。核心競爭優勢在于私有化部署與可視化埋點。神策提供可以私有化部署的數據分析工具，采用 SaaS + PaaS 的模式，解決了市場上的三大痛點：一是數據安全和客戶數據資產積累；二是PaaS模式的靈活擴展，企業可以自行整合CRM系統、個性化推薦等系統；三是多維分析模型、漏斗、留存、用戶分群、回訪等功能相比上一代分析工具更為強大，比如漏斗、留存可以對歷史數據立即定義立即查詢，客戶可以基于此靈活組合、自定義相關指標。
（1）數據采集能力
采用SDK埋點，精細化分析核心轉化流程, 分析不同渠道和不同推廣方式的投放效果。通過調用API將數據發送到 Sensors Analytics。
（2）數據建模能力
在 Sensors Analytics 中，采用“事件模型（Event 模型）”來描述用戶在產品上的各種行為。事件模型包括事件（Event）和用戶（User）兩個核心實體，在 Sensors Analytics 中，分別提供了接口供使用者上傳和修改這兩類相應的數據，在使用產品的各個功能時，這兩類數據也可以分別或者貫通起來參與具體的分析和查詢。
事件（Event）采用4W1H（Who、When、Where、How、What）五要素描述，而用戶（User）則對應一個真實的用戶，與事件進行關聯。
（3）數據分析能力
基于事件模型，在事件分析時，需要通過限制條件來查看PV、UV、渠道效果和計算精度等屬性。除此外，還有漏斗分析、留存分析、分布分析、用戶路徑分析、用戶行為序列、用戶分群、網頁熱力分析、用戶屬性分析等分析途徑。通過漏斗分析對完成轉化/確認流失用戶進行二次篩選；留存分析可以消除用戶增長對用戶參與數據帶來的影響；分布分析可以查看用戶DAU、MAU，注重用戶粘性；用戶路徑分析能夠了解用戶在使用產品時的路徑分布情況。用戶分群方面，被分為普通分群和預測分群，普通分群是依據用戶的屬性特征和行為特征將用戶群體進行分類，預測分群是根據用戶以往的行為屬性特征，運用機器學習算法來預測他們將來會發生某些事件的概率。
4.1.4 TalkingData
TalkingData是一家專注于移動互聯網綜合數據服務的創業公司。服務內容從基本的數據統計，到深入的數據分析、挖掘，可以為移動互聯網企業提供全方位的大數據解決方案。
（1）數據采集能力
無埋點技術，直接植入SDK，業務人員根據業務需求定制數據采集規則。
（2）數據建模能力
依舊采用的是傳統的基于PV、UV分析方式，統計用戶參與度，包括使用時長、使用頻率、訪問頁面、使用間隔。對于模型主要采用單維度分析，包括渠道分析、留存分析、錯誤分析、漏斗模型等。
（3）數據分析能力
基于傳統PV、UV分析，TalkingData以AARRR模型為基礎，將基本數據按照拉新、留存、轉化進行分析，同時根據不同場景進行場景分析、用戶畫像分析和用戶行為分析。在應用概覽模塊，對7天、30天設備用戶的活躍度、使用時長進行統計分析；在渠道統計模塊，對TOP5的渠道做展示分析；留存模塊和用戶趨勢模塊來源于DAU、MAU的分析；在用戶質量評估模塊，支持情景感知和判別用戶是否進行人機交互，來判斷用戶質量；在場景分析模塊，基于微信小程序提供的場景ID，對小程序分析時進一步了解用戶訪問場景，同時對重點場景二維碼掃碼進行重點場景分析，了解掃碼數量和轉化率，同樣對重點場景頁面分享也進行重點場景分析，了解分享傳播數量和轉化率。
在用戶畫像方面，主要包括性別、年齡、人群特征TGI指數和移動設備偏好，通過共同特征和習慣進行用戶分群，輔助分析用戶在關鍵轉化的差異性。在用戶行為分析方面，采用傳統頁面統計分析、漏斗模型和可視化埋點三種方式結合。同時針對場景，對電商領域專門區分電商業務分析匯總了用戶下單、支付核心指標，描繪用戶支付能力、購買意愿。
4.1.5 GrowingIO
GrowingIO是基于用戶行為的新一代數據分析產品，提供全球領先的數據采集和分析技術。企業無需在網站或app中埋點，即可獲取并分析全面、實時的用戶行為數據，以優化產品體驗，實現精益化運營，用數據驅動用戶和營收的增長。
（1）數據采集能力
無埋點技術，直接植入SDK，業務人員根據業務需求定制數據采集規則。
（2）數據建模能力
GrowingIO提出并應用了四個可數實體（Countable Entity，簡稱Countable）層級的數據模型。在這四個層級上，每一個層級都有一些維度和指標。四個實體包括用戶（Visitor（User））、訪問（Visit（mApp Open））、頁面瀏覽（PageView）和事件（Event）。在頁面級提供包括頁面、域名、頁面來源在內的三個預定義維度，還對四個可數實體提供19個預定義指標，包括訪問用戶量、新訪問用戶量、登錄用戶量、新登錄用戶量、訪問量、訪問用戶人均訪問次數、總訪問時長（分鐘）、每次訪問頁面瀏覽量、進入量、訪問用戶人均進入次數、總進入時長、平均進入時長、每次進入頁面瀏覽量、跳出次數、跳出率、退出次數、退出率和頁面瀏覽量，可以看出GrowingIO是以用戶為數據核心，通過對用戶生命周期來做預定義指標。
（3）數據分析能力
基于無埋點技術，結合四可數實體模型，主要能夠進行事件分析、漏斗分析、留存分析、熱圖分析、用戶活躍分析、用戶分群、智能漏斗和智能留存。
- 在事件分析上，將事件轉化為“操作+對象”，而這里事件主要為傳統PV、UV分析方式，對所有事件提供多圖標展現（1.線圖 2.橫向柱圖 3.縱向柱圖 4.表格 5.數值 6.氣泡圖 7.維度線圖 8.維度柱圖 9.周期對比線圖）；
- 在漏斗分析上，主要展現和衡量轉化效果，通過用戶分群對轉化和未轉化用戶實現分群；
- 在留存分析上，通過自定義目標用戶、起始行為、留存行為對留存情況進行分析，通過對留存的顆粒度以及行為對比進一步完善分析結果；
- 在熱圖分析上，通過頁面本身的熱區來監測頁面內容的熱度；在用戶活躍分析上，用戶被拆解為流失新用戶、流失老用戶、觀察留存用戶、回流用戶和新用戶五類用戶群，通過對DAU、MAU的分析進行拆解；
- 在用戶分群上，通過獨立 Cookie 定義出來的用戶和賬號登陸ID的用戶進行用戶類型劃分，根據指標（首頁訪客數量，點擊按鈕次數，申請注冊轉化率等）和維度（訪問來源，瀏覽器，操作系統，廣告渠道等）對用戶進行分群。
特別的，GrowingIO具有智能漏斗和智能留存分析。智能漏斗是基于全量數據采集，將節點串聯而成的用戶行為軌跡，選定轉化目標，通過機器學習的方式自動分析；智能留存分析是尋找用戶訪問初期的行為、頻次與留存的相關關系，通過機器學習的方式分析出促進增長的最低條件。
4.1.6 易觀方舟
易觀方舟是一款精細化運營分析產品。將應用自身數據結合易觀第三方數據，全景畫像，通過多種模型深度分析用戶行為，多種方式細分用戶群體，洞察人群差異，輔助運營決策，多通道有效觸達用戶，進一步數據分析閉環驗證效果。幫助企業選擇優質渠道、召回用戶、用戶價值提升等等，最終實現增收、節支、提效、避險。
（1）數據采集能力
無埋點技術，直接植入SDK，業務人員根據業務需求定制數據采集規則。
（2）數據建模能力
易觀方舟依舊采用的是傳統的基于PV、UV分析方式，統計用戶參與度，包括使用時長、使用頻率、訪問頁面、使用間隔。對于模型主要采用單維度分析，包括渠道分析、事件分析、留存分析、領域分析、漏斗模型等。
（3）數據分析能力
易觀方舟對看板進行細分，對老板/產品/運營/市場不同崗位的不同需求、不同場景結合起來，構建多個基礎分析模型。同時，拆解為用戶獲取、了解用戶、用戶轉化和用戶留存四大分析模型，對每個分析模型賦予不同的功能。在用戶獲取上，采用渠道分析分析用戶的來源渠道，以及不同渠道的用戶表現；在了解用戶上，采用事件分析分析用戶在應用上的行為，描繪基礎用戶畫像分析用戶使用設備的分布、地域分布、用戶特征分布等，通過領域偏好、場景偏好和APP偏好深度描繪用戶畫像；在用戶轉化上，采用轉化漏斗通過事件配置關鍵業務路徑分析轉化率、流失情況，采用智能路徑對多轉化路徑進行分析，擇優選擇最小路徑；在用戶留存上，采用留存分析衡量用戶健康度/參與度，深入用戶留存和流失狀況進行分析。
4.1.7 小結
六款競品在接入方式上對比如表1所示，其中TalkingData的兼容能力最強，其次是友盟+，最弱的是易觀方舟。
表1 接入方式對比
六款競品在埋點方式上對比如表2所示，其中GrowingIO主打無埋點。
表2 埋點方式對比
六款競品在用戶行為分析上對比如表3所示，神策IO和GrowingIO基于自身模型，較傳統PV/UV模仿分析效果更優。
表3 用戶行為分析對比
六款競品在用戶畫像分析上對比如表4所示，TalkingData分析最全，各平臺由于自身采集能力、建模方式不同，所以在用戶畫像上側重各有不同。
表4 用戶畫像分析對比
競品對比各有異同，各有自身長處和短板，作為B端產品，更應該突出解決問題的效率和便利程度，同時更全面、更能夠讓用戶覺得用的值得。
4.2 SOWT分析
SWOT分析主要包括對MTA產品的自身優勢、劣勢、機遇和挑戰進行分析。騰訊移動分析MTA平臺基于騰訊基因，能夠與騰訊開放平臺、騰訊分析、騰訊QQ互聯平臺、騰訊廣告平臺等合作；但同時由于風口吸引大量創業者涌入，也會受到來自已有市場友商的威脅；目前正處于大數據時代，將數據進行整合分析無論是在區塊鏈領域、人工智能領域還是物聯網領域都是非常有需要的；但機遇總是伴隨著挑戰，如何細化顆粒度，提高數據價值和意義則是很需要進一步考究的。
4.2.1 優勢
依托騰訊平臺，可以從QQ平臺、微信平臺調用接口，可以與開放平臺、互聯平臺、廣告平臺進行合作，同時可以由騰訊云來提供技術支持。就產品自身而言，適配性兼容能力強，同時具備SDK埋點和可視化埋點，在用戶畫像和行為畫像描述方面，能夠滿足漏斗分析、留存分析等基礎分析，同時提供金融行業的相關資源畫像，整體數據采集能力較強。
4.2.2 劣勢
相比友商為2012年成立、2015年發展來看，騰訊移動分析平臺還是稍有遜色之處。雖然有較為優越的數據采集能力，但在數據建模方面沒有自身模型，數據分析方面與友商產品趨同。而友商在數據建模方面，提出了事件模型、“事件+用戶”模型、四可數實數模型都能在模型的分析上區別傳統的分析模型。
4.2.3 機遇
在互聯網時代下半場，大數據時代來臨之際，數據不僅僅是分析用戶增長的工具，更是打破線下和線上的媒介，模糊邊界將數據歸一化。在這個機遇下，誰能夠將數據分析的更準確，誰就更有話語權。而對于數據分析的準確性的標準也沒有定性規定，因此也需要有人來完成更多人的認同感。
4.2.4 挑戰
藍海越大，所看到的人也就越多。不僅僅要在與友商的逆境中奔跑，還需要面對來自社會的認同。一種新分析模型和方法的提出或者改進，都將會先受到用戶的體驗，緊接著是友商的模仿和超越。只有不斷超越自己才可以在藍海中盤踞較大的一塊位置。
5. 結語
一款好的產品經得起用戶和市場的打磨。騰訊移動分析MTA平臺自身擁有較強的分析、采集能力，同時可以通過多渠道進行產品結合。在以多多記賬為產品分析的過程中，通過MTA平臺對數據優化產品以及數據優化運營策略的分析，通過深層次的抽象，能夠得到優化產品和運營策略的方案，但同時也暴露出目前數據分析平臺的常規痛點——不能完成更深層次的數據挖掘，對此筆者結合雙引擎模型對部分板塊進行重新設計，主要包括對不同崗位業務的分析、對深層挖掘的分析、對數據展現及格式多元化、多場景化分析等。接著對相關競品進行分析，知己知彼才能百戰百勝。
對過于簡單、過于復雜、效率太低這三個行業普遍存在的痛點問題，根據友商競品的分析，結合產品的SWOT分析，筆者認為，無論是哪種數據采集、建模和分析方案，都應該先根據大類分析，緊接著對大類進行行業細分，不斷拆解顆粒度，最終對所有的小顆粒進行標簽化處理。
綜上所述，騰訊移動分析產品能夠在數據分析領域占據一席之地，但如何擴大和站穩，就需要對產品進行不斷迭代，不斷拆分數據的顆粒度以滿足用戶的各類需求。
相關閱讀
作者：阮楨垚（乳酸鈉楨垚），生而產品（ID:PMzeanyon），分享技術、產品和運營的各種好玩的東西
本文為「人人都是產品經理」社區和騰訊移動分析聯合主辦的“騰訊移動分析測評大賽”中的四等獎作品，未經許可，禁止轉載。
題圖來自 Pixabay，基于 CC0 協議
傳統零售行業怎樣實現數字化呢？