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

本文筆者將從數據分析的“三個步驟”、“兩個模型”兩個板塊，以全民K歌為例，來與大家講述：如何用數據分析驅動產品用戶增長？

（純貼數據做分析看著太辛苦了，所以本文會從更方法論的角度來闡釋）

前段時間在看到一個帖子在問：數據分析能驅動用戶快速增長嗎？

先說答案——“能?！?，再說具體怎么做。

因為數據涉密，我不會用我經手過的產品數據來說明，而會選用一個我自己很喜歡使用的產品——全民K歌，來完成這篇文章。因為無法獲得精準的產品數據，所以我會按照自己對產品的理解+部分第三方數據做分析，目的是分享數據分析驅動增長的常見方法，如有不科學的地方，歡迎指出。

以下， enjoy：數據分析常見操作方法是【三個步驟】&【兩個模型】

一、三個步驟

三個步驟為：確定核心目標、列出組成公式、確認元素

在互聯網公司常見的應用方式為：

核心目標（即北極星指標）=A*B*C

拿全民K歌來舉個例子，全民K歌的slogan是：“你其實很會唱歌。”

產品最終價值就是讓大家唱歌，并且讓別人聽到，所以他的北極星指標應該是：【每日原創歌曲播放次數】。在提升這個數據過程中附帶產生的伴奏下載/播放次數，好友消息數等都是衍生數據。

因此，公式是：

每日原創歌曲播放次數=每日原創歌曲數*單曲平均播放次數

這就是核心的數據公式，接下來我們要確定影響公式的元素，公式可以被拆解為：

每日原創歌曲播放次數=（每日活躍用戶數*人均產出歌曲數）*（單曲曝光次數*曝光-點擊率）

這個公式可以無限拆解下去，按照產品的量級和功能復雜度，運營團隊的人力資源做到最大程度的細分，在這里不繼續窮舉，就按照最后的這個公式做分析。

可以發現：影響核心目標的元素有：DAU，人均產出歌曲數，單曲曝光，歌曲曝光-點擊率。

常識可知，在乘法里，每個元素的提升，都能對整體結果帶來提升，運營團隊可以根據這四個元素來做針對性的增長計劃：

1. DAU

根據不同的公式對產品的定義，又可以被拆解出很多元素。

我們簡單的認為，全民k歌的活躍用戶定義為當天登陸過app的注冊用戶，則可以分解為：注冊用戶數*打開頻率。

注冊用戶數可以通過異業合作，好友邀請裂變，應用商店，信息流等很多方法提升，屬于常規操作，本文不做詳細討論（重點：格外注意黑產用戶）。

打開頻率，長期來看可以用設置有效的功能場景（例如：打卡簽到，歌唱教學），合理的渠道推送（消息push提醒等）等方式提升。短期則可以通過一些事件營銷和社區傳播的手段，引起用戶的注意和討論，從而階段性的提升打開頻率。

2. 人均產出歌曲數

首先需要做用戶分層：高質量用戶（產生過內容）的平均水平是多少？普通用戶（從未產生過內容）的水平是多少？

全民k歌一定會有一部分用戶是不唱歌的，產生過內容的可能只占30%，那我們在這里是否只統計產出過內容的用戶的數據呢？

當然不是。

首先，這樣的統計是會影響數據公式的，不能用高質量用戶的平均水平放大到所有用戶來統計，這樣會導致我們對用戶現狀盲目樂觀，甚至做出錯誤決策。

那為什么要分層呢？直接算一個總平均數不就完了？

我簡單做了一個K歌類用戶的漏斗。（真的很簡單……）

艾瑞數據顯示：全民K歌的月活1.6億，假設按照我的邏輯來定義活躍用戶的話（以下數據均為個人假設）：按照4個層級按4:3:2:1的比例劃分，則人均產出數量為0.16首/天

從策略而言，我們要把0.16這個數字提升到0.2甚至0.3。

從執行而言，有兩種方式：

1）讓每一層的用戶向下一層流動。

——即讓沉默用戶開始聽歌，讓只聽歌的用戶開始唱第一首歌，讓偶爾唱歌的用戶活躍起來?；镜倪壿嬍歉淖?321這個結構。

2）提升每個層級的平均產出數量。

例如：讓0變成0.1，讓0.3變成0.5。

基于以上的數據分析和目標拆解，那運營就可以有更加明確，精細化的策略。

例如：目標是讓只聽歌不唱歌的用戶，從人均生產0首歌，到人均生產0.1首歌。

可以對應的策劃【你的第一首歌】活動，通過降低參與門檻（例如：做簡單的搶麥，唱兩句就好了，不用唱4分鐘的完整歌曲，先讓用戶開第一次口），提供激勵因素（無論是情感激勵-組隊搶麥，還是利益激勵-發金幣）都可以。

3. 單曲曝光次數

原創歌曲的曝光，通常通過以下3種方式：

1. 社交關系鏈——關注/好友等
2. 機器算法推薦——附近/推薦，猜你喜歡等
3. 固定曝光位——發現-各類榜單，點歌-各種榜單/各種分類，廣告位等

運營可以圍繞不同形式，設定不同的數據目標，策劃對應的運營活動，從而提升在不同的板塊里的歌曲曝光次數。

舉個?，社交關系鏈，關鍵的數據目標就是關注/好友數，好友越多，理論上歌曲被曝光的幾率和次數就越多。

當然這里涉及到用戶活躍和分層的定義，一個人的好友從50變成100，并不代表歌曲曝光次數會翻倍。但總的來說，社交關系得到拓展后，發出的原創歌曲一定能在關注/好友兩個板塊得到更高的曝光幾率。

因此運營的目的就從【提升歌曲曝光】這個不知道咋下手的目標，變成了【提升平均好友數】這個更具體可執行的目標

接下來就是策劃具體的活動了，是通過組團搶麥，還是隔空互動，或者是陌生人社交側的情感互動匹配，在運營機制中注意強化【互加好友】這個關鍵動作即可，在此不做贅述。

說白了，在這里數據分析的關鍵作用之一就是：通過數據分析拆解，找到在運營側更具體可執行的方向。

4. 曝光-點擊率

提高曝光-點擊率，有兩個方法：

1）找到對歌曲更匹配，更感興趣的人，讓曝光的效率最大化。

例如：給周杰倫的粉絲，推薦普通用戶翻唱的 [七里香]，絕對比推送給五月天粉的效率更高，這個需要運營人員做的就是做用戶標簽，分群，算法推薦，不做贅述。

2）提高用戶點擊播放的欲望。簡單的說就是提升歌曲的吸引力。

這涉及到對內容的優化，比如：推送封面（頭圖的大小，形狀，視覺等），標題，文案（例如：70%的好友都聽過/得分超過85%的人之類的）等等。

高品質的內容能夠有效的提升曝光-點擊轉化率，那運營人員需要做的就是大量的AB test，哪種形式的內容最能吸引到用戶點擊，看數據說話就完事兒了。

總而言之，數據分析的【三個步驟】，主要的作用是：讓運營團隊找到增長的方向，并通過合理的拆解找到運營的切入點。

二、兩個模型

兩個模型分別是：漏斗模型，坐標模型

1. 漏斗模型

最典型的就是AARRR模型，不懂的同學自行百度，不做贅述。

除了用戶獲取的整個流程外，漏斗模型還可以用于單個case的分析，漏斗從上到下基本代表的是用戶旅程地圖（說人話就是：用戶在產品上的一個完整的互動）。主要用于跳出/流失分析，用于發現問題——用戶在哪里流失？

還拿全民K歌來舉例子，我們的目標是：讓更多從不唱歌的人，開口唱第一首歌

基于這個目標，運營設置了一個H5活動——測測你的歌星含量（文案可能還要再改改……）

大致玩法可能是：選擇你喜歡的歌曲，系統出歌詞，放一遍原唱，長按錄音，得出結果，分享到動態。

如果只告訴你，活動頁面UV超過100萬，但是最后分享到動態的數據只有500個，你知道問題出在哪里嘛？

這個時候基于對H5每個頁面的流量漏斗分析，我們就可以發現問題并改善。

比如：

1）我們發現，活動頁面UV100萬，但是完成選擇歌曲的人數只有1萬，只有1%，為什么？

這是一個非常不合理而且遠低于預期的數據?；诖?，我們有一個猜測，是歌曲庫不夠豐富，還是用戶懶得自行選擇？

因此，我會對頁面埋點數據再做一次分析，比如：有50%的用戶點擊了搜索歌曲，但是最終沒有進行下一步，可能意味著音樂庫豐富度或者搜索匹配出現了問題。又比如：大部分用戶在頁面點來點去，就是沒有點擊搜索框？他可能很懶，在找系統推薦罷了。

基于猜測，我們可以再做測試，或者是用戶調研，去驗證想法是否正確，從而發現問題到底出現在哪里。

當然，內容的測試，應該是上線前就做好優化的。

那我們再來看實際環境中更多出現的，另一種情況：

2）我們發現完成錄制，得出結果頁的用戶有10萬，但是最后選擇把結果頁分享到動態的用戶只有500，為什么？

通過漏斗模型，我們明確的發現：主要的流失出現在“結果頁-分享”這一環節。還是一樣，先基于數據做猜測，再出解決方案去驗證想法。

首先10萬用戶產出結果頁，之前的環節應該是沒有太大問題的，那有什么原因會讓用戶“哪怕產出了分享頁也不愿意分享到動態”呢？

可能1：結果頁太丑，令人十動然拒。

美與丑不是絕對的，活動上線前可能已經做過測試，但是最后選用的頁面就是不被大部分用戶認可并愿意分享（就好像男生和女生，一二線和下沉市場用戶的喜好都是不同的），那怎么辦？

解決方案：眾口難調，要么就做線上測試，找出大部分用戶喜歡的樣式，要么就多做幾個不同的分享頁版式，讓用戶自由選。

可能2：沒有明確的分享引導

用戶看完結果頁，說哦好的，然后就關閉離開了?；顒臃經]有明確的引導——例如：分享獲得XXX（利益誘導），分享到動態讓朋友看看（社交貨幣/塑造人設）。大部分用戶是懶惰的，他們需要更明確的引導，讓用戶自由發散的決定做什么，最后用戶大概率決定什么都不做。

還有很多可能，不窮舉了，主要說明的還是漏斗模型能有效的找到問題。

2. 坐標模型

最經典的是RFM模型，用于基于行為數據的用戶價值分層，從而實現精細化運營，在產品的整體運營增長中使用較多，在單個活動中運用較少。

常見的RFM模型如下：

基本上會基于以下三個數據建模型，劃分出不同價值的用戶區間：

• R=最近一次行為（Recency）
• F=行為頻率（Frequency）
• M=行為量級（Monetary）

RFM常見于電商平臺，我們還是拿【全民K歌】來舉例，首先選定幾個數據緯度，我會選擇：

• R=最近一次互動（基于上文的分析，我選用互動而不是登錄，互動的定義可能是播放一次歌曲之類的）
• F=互動行為頻率
• T=單次使用時長（為了簡單易懂，其實也是行為量級的含義）

接下來是統計數據，建模分析，然后我沒有具體的產品數據（提的這幾個維度，也很難通過第三方數據拿到）。嗯，那就先這樣吧。

大概是這個意思：

• 最近在app上有互動的（定義可能是48小時內），互動頻率很頻繁的（可能一個月登陸10次以上），單次使用時長也很長（單次在線時長30min？），定義為重要價值客戶，丟掉誰都不能丟掉他們。
• 最近有互動，但是整體來看互動頻率不高，使用時長很長的，代表他最近打開了app而且單次使用時長很長，只是互動頻率不高。那就證明用戶是對產品很感興趣的，非常有潛力，是重點發展的對象，應該策劃更多的活動讓他們提高互動頻率。
• 最近不互動，互動頻率低，但是從歷史來看單次使用時長很長的用戶，他們可能曾經很愛全民K歌，但現在已經處于流失的邊緣了，是要重點挽回的對象。

通過RFT數據模型能有效的對全民K歌的用戶做價值分層，對不同價值級別的用戶做精細化的運營，運營的資源和精力是有限的，當然要做更重要的事情啊。

除了用戶價值分層，還是基于生命周期的分層，這個解釋起來太長了，不在本文舉例了，下次有空再寫吧。

簡而言之，數據分析驅動用戶增長，主要就是在兩方面：

1. 通過目標公式和拆分出來的具體數據元素，得出可執行的具體運營策略；
2. 通過數據模型的分析，發現問題，實現對用戶的精細化運營。

本文的分析比較基礎，歡迎各位大佬在評論區說下對數據分析的見解鴨！

作者：謝曉陽，專注于互聯網產品用戶增長工作3年。

本文由@謝曉陽 原創發布于人人都是產品經理，未經許可，禁止轉載。

題圖來自Unsplash, 基于CC0協議。