这本书很符合分析中的二八定律,前面20%的内容,蕴含了整本书80%的内容。
在数据的时代,我们希望我们的产品发展和用户增长都是数据驱动的。确保产品服务和营销有依据可寻。依据数据分析和数据挖掘的产品迭代在理论上是不断变优的。
具体的,我们的数据分析结果需要深入,全面,并且最好符合认知才能正确的指导产品发展。
一、什么指标是好的数据指标
衡量一个指标的好坏的重要标准,是指标是可以比较的,并且简单易懂。只有可以比较的指标才是有意义的,如果不能比较,我们就无法判断相对的好坏。比率是一个天然的好指标,因为比率是两个数据的比,按照统计学的角度,比率衡量了两个数据的差异和相关性,比单一数据蕴含了很多的信息。比如一个衡量一个活动效果最重要的KPI是ROI=收入/成本,ROI就是一个比率指标。若单纯的看收入或者成本数据进行分析,分析结果都是不全面的。
在设定指标时,我们可以看考以下5点原则:
- 定性指标与量化指标:定性指标通常是经验性的,难以衡量。量化指标和已通过比较提供较为准确的结果
- 虚荣指标与可付诸行动的指标:虚荣指标看似很好,但实际对业务没有帮助(比如总用户数,一定是在不断增长的),我们应该寻找可付诸行动的指标指导我们的商业行为。
- 探索性指标与报告性指标:探索性指标具有一定的提前性,可使我们在竞争中取得先手。报告性指标是对过去的衡量,可以帮助帮助我们日常运行和管理
- 先见性指标和后见性指标:个人理解有点类似探索性指标与报告性指标。
- 相关性指标和因果性指标:分别衡量相关性和因果性,在数据分析领域,我们更关注变量之间的英国关系
二、市场细分、同期群分析、A/B test测试和多变量分析
市场细分、同期群分析、A/B test测试和多变量分析这几种分析方式,又有利于帮助我们优化的门的营销活动。
市场细分,指的是将用户分群,对不同的用户实行或不实行营销,或者实行不同的营销策略。其中细分的依据可以使用户的目的、用户的属性、用户的行为和用户的渠道等等。
同期群分期是指,同一个群体的行为随着时间的变化。随着产品的迭代,第一期的用户和第二期的迭代对产品拥有不同的体验,通过同期群比较,我们可以衡量我们的迭代和关键性指标是否越来越好。
A/B test是现在营销和产品迭代最经常使用的方法。A/B test通常为同一个目标,设计两种方案,将两种方案随机投放市场中。A/B test让组成成分相同(相似)用户去随机体验两种方案之一,根据观测结果,判断哪个方案效果更好。A/B test在产品的各个流程和层次都可以使用。合理的A/B test可以帮助我们的产品体验不断的增高。
我们还可以将上面几种方式同时组合使用,分析多个变量之间的关系和对产品不同人群的影响。
三、数据分析框架
此处大多是分析问题的框架,而不是具体的分析方法,当谢分析报告时可以参考下面的分析框架分析问题。
1.AARRR——麦克卢尔的海盗指标说
AARRR将产品去要关注的指标分为5大类:
- A(Acquisition)获取用户:产品的第一步都是获取用户,我们可以通过拉新等手段获取用户,此时我们关注的指标有:流量、点击量、每次点击费用、获客成本、搜索量等
- A(Activation)提高用户活跃度:我们去要将获取的用户转化为真正使用产品的用户,此时我们关注的指标有:注册人数、至少使用一次产品用户数、激活人数、订阅量等。
- R(Retention)提高存留:用户激活后,我们希望提高用户的活跃度和黏性,在互联网红海中,这一步现在变得越来越关键。根据二八定律,高黏性的用户往往为我们提供约80%的营收!这一步我们关注的指标有用户参与度、上次登陆时间、流失率等
- R(Revenue)获取营收:假设我们的用户增长营销活动提升了获客、激活、和存留,我们去要在付出成本的同时和产品发展后,获取营收,实现盈利。此时,我们关注的指标有:用户价值(LTV,RFM等),转化率,点击营收
- R(Referral)自传播:产品在有一定规模后,可以实现已有用户对潜在用户的病毒式传播和口碑转播。此时,我们关注的指标有:人均邀请发送量,传播周期等
现在除了AARRR模型,还有基于RARRA的增长模型。
2.埃里克·莱斯的增长引擎说
黏性式增长引擎:黏性式增长引擎的重点是让客户持续使用产品,衡量黏性的KPI:存留率、流失率、使用频率。
病毒式增长引擎:病毒式传播的核心是让产品想病毒一样,人传人,知道用户饱和。其关键指标是病毒式转播系数,即一个客户可以带来多少的新客户(现在的PDD经常利用此方式),另一个关键指标是传播周期,只有传播系数足够大,传播周期足够短,才能在一定时间内达到一定的客户量。
付费式增长引擎:核心是让用户付费,获取收入才放过来进行更多的投入获取客户。
通常,我们首先关注的是用户的黏性增长,然后致力于产品的病毒性增长,最后希望用户进行付费获取收入。
3.阿什·莫瑞亚的精益创业画布
就是从各个角度去分析产品,个人感觉不是一种狭义的数据分析方法,更像是一种分析问题的方法:
4.肖恩·埃利斯的精益创业画布
通上上面一样,此方法更像是一种分析产品和问题的方法,不一定非要使用到数据分析的手段(每一步最好使用数据支撑):
5.长漏斗
此方法在判断用户转化路径时非常常用,可使用甘特图将用户再漏斗的每一步转化路径可视化,具体的分析方法可以参考我的另一篇博客数据分析系列:漏斗分析
上图来自数据分析–电商版
四、使用第一关键指标
我们对于一个产品或者一个营销活动,总是会设置一个第一关键指标,来让员工集中更多注意力在关键问题上。首先,第一关键指标可以反映先结算最重要的问题,并让员工树立明确的目标。第一关键指标也是公司整体健康程度的反映。
个人感觉,第一关键指标蕴含的信息要尽可能的多,但是统计尽可能简单,比如在电商领域,我们可以把GMV拆解成多个维度进行分析,在有缺口的地方进行增长。又比如在用户营销增长中,我们可以设置ROI为第一关键指标,ROI涉及到收入和成本,收入有涉及到定价,销量等角度,成本涉及到渠道投放,营销方式,激励手段等角度。
上图来自什么时候觉得,数据分析真的非常有用?
五、六种商业模式
不同的商业模式往往在获取渠道、销售手段、营收来源、产品类型和送达模式等方面存在差异。
- 电子商务
销售不同商品的电子商务往往使用不用的增长引擎。如耐用品的销售考虑使用病毒式增长引擎,而消耗品的电子商务销售可考虑黏性式增长引擎。并且由于电子商务从用户触达到下单,到评价存在固定流程,在电子商务模式中,我们愈发注重漏斗分析。
- SaaS
SaaS服务以月费和年费的形式获取收益,因为SaaS获取新客户的边际成本几乎为零,因此很多SaaS供应商都通过年费增值服务来获取客户。SaaS模式关注的指标有:眼球(网站对客户吸引程度)、参与度(DAU等)、黏性、转化率、客户平均应收、平均获客成本、病毒性、追加销售、产品可靠性、流失率、客户终身价值(客户生命周期总付费)。
- 免费移动应用
比较典型的就是手机游戏,可以通过付费获得优势或通过应用内广告等方式获取营收。此模式下,我们关注的指标有:下载量、客户获取成本(CAC)、激活比例、DAU/MAU、用户平均使用时长、用户活跃率、付费用户率、首次付费时间、用户平均每月营收(ARPU)、点评率、病毒性、流失率、客户终生价值。
- 媒体网站
新闻网站等,收入主要靠出售广告位。我们关注的指标有:PV、UV、流失率、广告价格、光靠库存、点击率(CTR)等。
- 用户生成内容
典型产品有微博、Facebook等,,用户自己就可以生成内容。经常使用参与漏斗分析,与电商模式长漏斗分析模式相似。参与漏斗分析目的是提高用户参与度,让潜水者参与投票、讨论、评价等。我们关注的指标有:活跃访客数、内容生成数量和质量、参与漏斗的变化、病毒性、消息提醒的有效性。
- 双边市场
典型的是淘宝商业模式,促成买家和卖家交易。 此时我们不但关注买家指标,也关注卖家指标。无论是买家和卖家,我们都可以设置响应的漏斗分析。具体我们关注的指标有:买卖双方的人数增长、库存增长、搜索有效性、转化漏斗、评分以及欺诈迹象、定价指标。
六、创业阶段划分
和上面埃里克·莱斯的增长引擎说和AARRR的分析框架思想十分类似,都是按照时间维度分析。这里是阶段的设计方法,而埃里克·莱斯的增长引擎说和AARRR是一种分析框架。
-
移情
关键是站在客户角度考虑问题,找到当前需要解决的问题。分析需要解决的问题可以分三步理解:问题足矣让人困扰(用户是否会因为困扰使用);有足够多的人感到困扰(使用有足够规模的人使用我们的服务);他们已经在试图解决这一问题(了解当前的解决方案)。每一步都可以使用相应的统计数据和分析方法支撑,从而发现我们的机遇。 -
黏性
保持黏性的第一要务是打造一组核心功能,以保证用户的频繁使用(用户活跃度)。为了保证用户的频繁使用,我们需要考虑两件事:首先,人品是否如你所料的使用者产品,其次是人们是否从你的的产品中得到了他们需要的价值。
如果无法保持用户黏性,再多的用户获取到后期也是会流失的。因此在前期,我们更加关注用户的存留,而不用过早追求用户获取和病毒性。实际上,现在才有AARRR到RARRA的转变。
为了提高存留,我们应该在开发新功能前搞清楚以下几个个问题:这个功能有什么帮助;是否可以衡量这一功能的效果;开发功能要多久;这一新功能是否会让使用流程更复杂;新功能带来的风险;该功能是否具有创新性。 -
病毒式
在我们有一定的忠诚用户后,可进入病毒性阶段,在病毒性阶段,我们的主要关注点在用户增长上,但同时也不能忽略产品的用户存留。病毒性传播的投入会导致存留投入的较少。同时,大量引入新用户,很多新用户在早期流失会很快。需要把握好这两两者的关系。
具体,病毒性传播可以分为以下三种方式:
(1)原生病毒性:具体表现为一个产品功能,例如短视频的分享功能等
(2)人工病毒性:一种迫于外力的存在,往往根植于一套奖励系统,例如pdd的领红包。。。
(3)口碑病毒性:源自于满意较高用户的对外界的传播,好产品是根本。
为了实现增长目标,我们需要一定的数据目标指导。具体,需要计算我们产品的病毒传播系数(病毒传播系数=人均邀请人数*邀请接受率),如果我们的病毒传播系数>1,那证明一个存量用户可以带来一个以上的新用户,那么通过病毒性传播,我们的用户量是呈现指数增长的。当病毒传播系数<1时,我们的病毒性增长会减缓,并逐渐到达饱和。
只关心病毒传播系数也是不够的,如果一个用户带来其他新用户的时间过长,在一定时间内,我们也无法达到目标增长,因此我们还需要关注传播周期。一个典型例子是pdd的红包提现,必须要分享到一定人数后才能到达一定金额,才可以进行提现。同时为了控制周期,对提现任务设置了有效时间,用户必须在规定时间完成传播任务才能进行提现。课件传播系数与传播周期,缺一不可。
- 营收
当用户到存在黏性,达一定规模后,说明我们的产品前期没有白白投入,已经可以进行创造营收环节。对于营收的衡量,我们可以采取每位用户生命周期带来的价值等方式衡量。对于营收的分析,我们可以使用漏斗分析,用户行为全路径分析等方式,找到创造营收过程中的摩擦阻力,并尝试改进。比如,我们再进行增值服务时,用户可能会因为收费的功能并没有带来相应的价值而流失。此时,转化漏斗中的妆化率会下降,我们需要仔细考虑,我们的收费方式或定价是否合理,我们的收费功能是否是用户的核心需求等。为了持续盈利,我们要保证客户生命周期价值>客户获取成本 - 规模化
假设,我们已经有了一定的用户基础,并且已经达到了收支平衡。我们需要对我们的运营模式进行优化,即规模化运行。一方面使我们要使公司运行更加具有效率,更一方面我们可以利用现有优势创造更大的商业生态,或占有更多的市场份额。
在规模化阶段,我们需要关注的是不同渠道、地域和营销活动的相关指标,比如某个渠道内,每一用户带来的价值。具体的我们可以使用,归因分析绩效评价等数据分析模型进行分析。归因分析可以分析出每个渠道的贡献,绩效评价可以分析出每个渠道的效率和其中遇到的阻力。关于归因分析方法可以参考我的博客数据分析系列:归因分析原理、案例和python代码。关于绩效评价,可以参考我的博客数据分析系列:绩效(效率)评价与python实现(层析分析、topsis、DEA)。其他的数据分析模型也可以灵活的再规模化阶段进行应用,主要是我们用的分析方法与我们要处理的问题匹配。