Google Analytics在移動app運營與產品設計中的應用——以“今夜酒店特價”為例

0 評論 4948 瀏覽 15 收藏 10 分鐘

在傳統的互聯網中,如何收集與分析數據,進行數據化營銷以及數據化運營,都已經有較成熟的解決方案,市場上有很多第三方提供這樣的服務,有商業的,也有免費的。很多公司內部開發的BI與日志分析系統功能也很強大。而對于移動互聯網來說,大家都還處于摸索的階段。我們“今夜酒店特價”也不例外,這里希望能跟大家交流一下這幾個月來我們利用Google?Analytics來進行數據化運營與產品設計的一些感受與心得體會。

如何獲得數據

第一個問題,就是如何獲得移動APP的數據。這就涉及使用什么工具來獲得想要的數據。相信很多跟我們一樣處于初創階段的公司或個人,都沒有過多的精力來自行開發數據的收集與分析系統。這時候,我們就把目光投向了第三方免費的工具。相信大家都知道大名鼎鼎的Flurry,以及國產的友盟。還有一個就是免費的Google?Analytics,在收集和分析移動APP數據方面,它非常強大。

經過綜合分析與對比,我們最終還是決定使用Google?Analytics來作為我們的數據分析工具。

選擇好數據分析工具之后,第二步是如何正確地實施與部署Google?Analytics。在這個過程當中,我們的體會就是,要用好Google?Analytics來收集與分析移動APP的數據,最重要的是利用好它的五個自定義變量以及事件追蹤。比如可以把APP的版本號作為自定義變量傳回,這樣你就可以很好地來細分不同的版本在轉化漏斗上是否有明顯的改進。而對于事件追蹤(event),我們把每個按鈕的點擊都作為一個事件發送回來。我們的產品經理可以明確地知道每個按鈕每天有多少用戶在點擊,對于我們的產品改進也有非常大的幫助。

對于管理者而言,可以在Google?Analytics里自定義一個常用數據的報表儀表板(Dashboard),從而一目了然地知道很多最重要的數據。如以“今夜酒店特價”這個應用為例,見圖1。

數據指導產品與運營

獲得以上關鍵數據后,第一步,分析與研究最重要的漏斗,即轉化漏斗,即圖1中左側前四個數據。用戶從打開APP到最后完成購買的流程可大致分為四步:打開APP→查看酒店詳細信息→填寫訂單→完成訂單。

在圖中,有50%的用戶打開APP之后查看了酒店的詳細信息,然后只有10%的人開始填寫訂單。從中我們可以得到的分析結論有四個方面:第一個是可能我們的酒店數量對于用戶來說是遠遠不夠的,因此用戶都沒有進一步進入查看酒店信息的欲望。第二個結論是酒店列表(打開“今夜酒店特價”應用即顯示酒店列表)的信息已經比較足夠用戶選擇酒店,因此當用戶看到列表當中的酒店之后,不需要查看酒店的詳細信息。第三個結論是可能我們的APP產品設計不夠良好,用戶用“今夜酒店特價”不容易找到自己需求的酒店,因而有50%的人不進入到酒店的頁面。第四個結論是“今夜酒店特價”上的酒店不夠好(性價比不夠好,或是酒店描述太糟糕),所以當用戶看完酒店的具體信息之后,只有10%的人愿意開始預訂。

這四種結論對于運營和產品的方向來說,是完全不相同的。這時候,更多的是需要運用行業的知識以及用戶的調研與反饋,來判斷究竟需要在哪個方面做出努力。

而當用戶開始填寫訂單之后,成功完成并提交訂單的用戶比例是75%。我們可以從一個更長的時間段去觀察這個比例的發展趨勢,來分析購買流程對于用戶來說是否很流暢。不斷地改善預訂流程,從而提高這個比率。

第二步,我們可以分析“今夜酒店特價”新老用戶的比例,即用戶黏度。以上圖中的數據為例,老用戶占比接近60%。這個數據如果只看一天,其實不能幫助我們做出決策。我們需要從更多的時間段去看,分析不同月份用戶的回訪比例與回訪次數,再結合用戶訪談與調研,了解用戶對“今夜酒店特價”最不滿意的地方。此外,新老用戶的比例還可以結合不同的營銷推廣渠道,來看不同渠道用戶的忠誠度,這對于市場運營來說是非常有幫助的。

再舉一個數據來幫助運營決策的小例子。在“今夜酒店特價”的酒店列表頁中,為了更方便用戶尋找酒店,我們設計了按各種方式排序的功能,比如按星級由高到低,按距離由近到遠,按價格由低到高等。我們現在來看看用戶點擊最多的按鈕是哪個,這里就用到了我前面說到的事件追蹤的功能,見圖2。

從圖中我們可以看到,下載了“今夜酒店特價”應用的用戶,最關心的是有沒有高星級的酒店,其次是價格,最后才是距離是否合適。而這與一般訂酒店的用戶習慣是不一樣的,在一般的酒店預訂過程當中,用戶更為關心的是酒店的位置與距離。通過這個數據,我們的產品人員可以將性價比最高的高星級酒店放在酒店列表的頂部,從而節約用戶查找酒店的時間。另外,我們的運營人員也可以有針對性地去開發一些更高性價比的高星級酒店。

從Google?Analytics獲得的數據,在幫助“今夜酒店特價”的運營團隊做一些決策的同時,也能幫助我們的產品經理來更好地改進我們的產品。比如在我們最近的1.3.0版本中,我們的酒店篩選功能包括了選擇商圈、酒店星級、寬帶早餐、酒店是需要到店付款還是立即支付等。我們拿到的各個按鈕的點擊數據如圖3所示。

從上面的數據中,我們發現用戶點擊“取消篩選”這個按鈕的數量竟然是最大的,其次才是點擊“顯示結果”按鈕。設置“取消篩選”這個按鈕是為了讓用戶在不想進行篩選的時候,可以點擊它回到酒店列表;如果用戶想看篩選結果,需要點擊的是“顯示結果”按鈕。從數據來看,用戶明顯習慣性地將“取消篩選”這個按鈕誤認為是“顯示結果”按鈕了。為什么會造成這個情況呢?因為用戶從酒店列表進入到篩選功能時,那個點擊按鈕恰好就在“取消篩選”這個位置(見圖4)。在智能機上,用戶的操作更多憑借的是手指的習慣,而不是你的按鈕上面所寫的文案。

上面幾個例子,是數據指導產品與運營中比較普通的例子,在實際工作中,其實有更多更為復雜的情況。數據化運營與產品設計說起來很簡單,就是用數據來分析判斷、幫助決策,但做起來很難?!敖褚咕频晏貎r”在這方面也僅僅剛起步,但是我們希望用這樣一種方式,不斷改進用戶體驗。

來源:wachina

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 目前還沒評論,等你發揮!