在實(shí)際的業(yè)務(wù)中，大多數(shù)人可能只會遇到以下一種或幾種常見的場景，并且對于各個細(xì)分場景，所需要解決的問題和關(guān)注重點(diǎn)都是不一樣的。

場景一：你剛加入一個成熟產(chǎn)品的用戶增長部門，會發(fā)現(xiàn)業(yè)務(wù)當(dāng)前有非常全面詳實(shí)的用戶和業(yè)務(wù)數(shù)據(jù)，但由于個人缺少數(shù)據(jù)分析的經(jīng)驗(yàn)，面對一堆數(shù)據(jù)，除了能簡要了解到產(chǎn)品基本情況，不知如何從數(shù)據(jù)中挖掘出更有價值的信息。

待解決問題：面對大量數(shù)據(jù)，不知如何入手分析。

所需的能力：各種可以從數(shù)據(jù)分析中找到增長線索的方法論。

場景二：你熟練掌握了基本的數(shù)據(jù)分析技能，能夠基于現(xiàn)有數(shù)據(jù)找到增長線索，你想針對某些關(guān)鍵指標(biāo)的異常情況進(jìn)行分析，但不知道哪些數(shù)據(jù)相關(guān)性高，如何將多維度的數(shù)據(jù)關(guān)聯(lián)分析。

待解決問題：有明確的問題需求，但不知如何有效拆解數(shù)據(jù)問題。

所需的能力：基于目標(biāo)行為的拆解用戶路徑的方法。

場景三：拆解完用戶路徑后，發(fā)現(xiàn)目標(biāo)的轉(zhuǎn)化路徑中有部分?jǐn)?shù)據(jù)缺失，無法有效支撐你的分析。

待解決問題：如何快捷有效的收集缺失的數(shù)據(jù)。

所需的能力：制定數(shù)據(jù)采集方案。

場景四：需要的數(shù)據(jù)采集到位后，發(fā)現(xiàn)數(shù)據(jù)統(tǒng)計混亂，每次查詢和分析數(shù)據(jù)的效率成本都很高。

待解決問題：數(shù)據(jù)如何高效可視化呈現(xiàn)，降低查詢使用的成本。

所需的能力：創(chuàng)建數(shù)據(jù)儀表盤。

診斷上述的工作場景，大多數(shù)增長人的工作順序可能是：

數(shù)據(jù)分析→用戶路徑拆解→收集數(shù)據(jù)→搭建儀表盤

基于數(shù)據(jù)驅(qū)動用戶增長可以分為以下五個步驟：

     

對大多數(shù)增長從業(yè)者來講，最重要的是先掌握一套數(shù)據(jù)分析方法，從現(xiàn)有數(shù)據(jù)中快速找到增長線索，取得一些增長業(yè)績，再反過來檢查數(shù)據(jù)埋點(diǎn)、統(tǒng)計等地方有沒有問題。當(dāng)掌握了數(shù)據(jù)分析方法，但所在的公司or負(fù)責(zé)的業(yè)務(wù)沒有基礎(chǔ)數(shù)據(jù)也無從下手，才需要思考如何拆解用戶路徑、數(shù)據(jù)采集。而數(shù)據(jù)儀表盤，則是為了提高查詢效率，支持?jǐn)?shù)據(jù)分析工作快速、準(zhǔn)確開展。

一、分析數(shù)據(jù)：多維度數(shù)據(jù)分析

從數(shù)據(jù)分析中尋找增長機(jī)會，可分為“宏觀”和“微觀”兩個角度。

宏觀：在基礎(chǔ)數(shù)據(jù)中，找到較大的增長機(jī)會。

微觀：對比精細(xì)化的用戶數(shù)據(jù)進(jìn)行分析，挖掘相對隱蔽的增長線索。

案例：某內(nèi)容類APP產(chǎn)品

北極星指標(biāo)：指導(dǎo)增長工作方向最重要的指標(biāo)，也可以理為業(yè)務(wù)現(xiàn)階段的唯一重要的指標(biāo)。制定北極星指標(biāo)時，需要在服務(wù)于業(yè)務(wù)的長期健康增長下，同時考慮商業(yè)目標(biāo)和用戶價值。

全鏈漏斗增長模型：是把影響北極星指標(biāo)的主要細(xì)分指標(biāo)梳理梳理出來，并標(biāo)注轉(zhuǎn)化率。通過模型，可以將北極星指標(biāo)細(xì)化拆解，從中找到增長的機(jī)會點(diǎn)。

案例場景：剛剛?cè)肼氁患覂?nèi)容類APP，負(fù)責(zé)用戶增長，公司沒有完善的后臺數(shù)據(jù)系統(tǒng)，無法通過詳細(xì)的用戶行為埋點(diǎn)數(shù)據(jù)，如何找到一些增長的線索。

第一步：構(gòu)建全鏈漏斗增長模型

從轉(zhuǎn)化漏斗可發(fā)現(xiàn)：

拉新轉(zhuǎn)化率較高：新用戶下載到注冊的轉(zhuǎn)化率為70%，新用戶下載轉(zhuǎn)化率不錯。

老用戶活躍度低：當(dāng)月活躍老用戶占總注冊用戶數(shù)的10%，老用戶活躍較低。活躍用戶主要靠新用戶補(bǔ)充。

用戶感知的產(chǎn)品價值較低：當(dāng)月人均閱讀時長較低，遠(yuǎn)低于行業(yè)均值。

第二步：分析歷史趨勢。觀察趨勢、異常點(diǎn)、拐點(diǎn)。

從歷史數(shù)據(jù)中發(fā)現(xiàn)：

拐點(diǎn)：2019年11月，下載到注冊完成的轉(zhuǎn)化率從71%開始大幅度下降，發(fā)送了什么？

趨勢：2019年10月，人均閱讀時長提高了一倍。因?yàn)槟莻€時間段增加了內(nèi)容社區(qū)版塊。

第三步：按獲客渠道分解。

在了解了現(xiàn)狀和歷史數(shù)據(jù)情況后，可通過獲客渠道對數(shù)據(jù)進(jìn)行維度分解。

公眾號的新用戶下載轉(zhuǎn)化率一直維持在63%-71%左右。

2019年11月份開始抖音廣告，轉(zhuǎn)化率僅有10%-15%，因此導(dǎo)致了總體轉(zhuǎn)化率下降。

第四步：了解用戶的基本屬性特征。根據(jù)APP收集的用戶信息，畫出分布餅圖。

通過年齡、性別、城市、職業(yè)等發(fā)現(xiàn)：

18-25，25-30的用戶占比最大。

職業(yè)：白領(lǐng)和大學(xué)生為主。

第五步：了解用戶的基本活躍度

發(fā)現(xiàn)：

超過80%的活躍用戶每月登錄少于4次

但每月登錄4次以上的用戶，有接近80%的用戶為18-25歲的大學(xué)生用戶群體

總結(jié)：

新用戶下載到活躍的轉(zhuǎn)化率尚可：

老用戶活躍度低：

人均閱讀時長低于行業(yè)均值。

公眾號轉(zhuǎn)化率遠(yuǎn)高于抖音廣告。

18-25歲的大學(xué)生用戶群活躍度較高。

通過增長線索的制定應(yīng)用策略的兩個方向

取長：強(qiáng)化增長，在已經(jīng)顯出成功信號的方向上，繼續(xù)加強(qiáng)。

補(bǔ)短：修補(bǔ)漏洞，找到整個業(yè)務(wù)漏斗中流失問題最嚴(yán)重的環(huán)節(jié)，通過策略降低流失。

繼續(xù)針對上述案例，進(jìn)行分析：

公眾號來源的新用戶質(zhì)量高：

對應(yīng)策略：取長。增加公眾號的內(nèi)容數(shù)量，提升公眾號的內(nèi)容質(zhì)量。

大學(xué)生用戶活躍度高：

對應(yīng)策略：取長。進(jìn)一步分析大學(xué)生的獲客渠道來源。通過用戶問卷了解大學(xué)生感興趣的內(nèi)容和功能。加強(qiáng)對應(yīng)的產(chǎn)品體驗(yàn)。

來自抖音廣告的新用戶轉(zhuǎn)化率低：

對應(yīng)策略：補(bǔ)短。找到漏斗轉(zhuǎn)化率低的原因，測試提升轉(zhuǎn)化率。

老用戶活躍度和留存率低：

對應(yīng)策略：補(bǔ)短。進(jìn)一步分析活躍和留存曲線，找到用戶流失最大的問題。

1.1.用戶分群

用戶數(shù)據(jù)通?？梢苑譃閮深悾活愂怯脩魧傩詳?shù)據(jù)，另一類是用戶行為數(shù)據(jù)。用戶屬性數(shù)據(jù)代表的是用戶自身基本信息和狀態(tài)，包括天然特征和行為提醒的特征，一般是較為固定，不會輕易改變的。而用戶行為數(shù)據(jù)是用戶產(chǎn)品內(nèi)的行為軌跡，代表了用戶和產(chǎn)品的互動模式，通常可通過各種方式影響數(shù)據(jù)。用戶分群驅(qū)動增長主要通過設(shè)定分群維度和應(yīng)用分群結(jié)果這兩個步驟來實(shí)現(xiàn)。

1.1.1.設(shè)定分群維度：

用戶屬性：用戶天然的屬性和特征，不會輕易的改變。

獲客渠道；

可推測用戶興趣的屬性：年齡，性別，城市，家庭。

可推薦用戶經(jīng)濟(jì)狀態(tài)的屬性：設(shè)備類，型號，城市，職業(yè)。

用戶行為：用戶在產(chǎn)品生命周期的關(guān)鍵行為。

生命周期的關(guān)鍵行為：新老用戶。

用戶活躍程度RFM；

付費(fèi)情況：是否付費(fèi)；

功能使用；

增長模型：增長模型中的某個變量在不同人群中差異較大。

貸款額度：互金類產(chǎn)品。

客單價：滴滴打車。

價位：SaaS。

1.1.2.應(yīng)用分群結(jié)果：

通過用戶分群得到分群結(jié)果，主要可以分為兩種應(yīng)用方向，以獲取用戶為分隔點(diǎn)，在獲取用戶之前，可以通過結(jié)果優(yōu)化精準(zhǔn)拉新的策略。在獲取用戶之后，可以通過結(jié)果提高精細(xì)化運(yùn)營的產(chǎn)品體驗(yàn)。

選擇高質(zhì)量用戶，將這類用戶特征上傳渠道平臺，通過算法找到類似的用戶。

針對不同群組，進(jìn)行不同的運(yùn)營動作。包括Push推送，促銷活動等。

1.1.3案例分析：

選擇重點(diǎn)的屬性和行為維度，進(jìn)行組合分群：

針對不同的分群，制定對應(yīng)策略（方案僅為供參考，不具有真實(shí)性）

1.2.用戶行為

1.2.1.明確分析對象：

周期性行為代表著用戶使用產(chǎn)品功能的核心行為。例如下單、點(diǎn)贊、閱讀、觀看視頻等。

從業(yè)務(wù)中出發(fā)：從關(guān)鍵轉(zhuǎn)化路徑中或高頻的周期性行為中尋找并確認(rèn)關(guān)鍵行為。

1.2.2.選擇分析方法：

留存問題：一般通過針對周期性行為的分析，讓用戶更多的更持久的執(zhí)行某種行為，養(yǎng)成正確的習(xí)慣。

1.3.用戶行為路徑分析：漏斗分析

通過AARRR各個環(huán)節(jié)的細(xì)分漏斗尋找用戶流失點(diǎn)和增長機(jī)會。

獲客：新用戶注冊漏斗

激活：新用戶激活漏斗

留存：關(guān)鍵周期性行為漏斗。

推薦：老帶新用戶轉(zhuǎn)化漏斗。

變現(xiàn)：下單漏斗、投資漏斗等。

1.4.用戶行為路徑分析：路徑分析

確定用戶在產(chǎn)品內(nèi)實(shí)際路徑和走向與產(chǎn)品期望的主路徑的區(qū)別點(diǎn)。

確定用戶的實(shí)際主流路徑。

發(fā)現(xiàn)一些事先不為人知的路徑。

新用戶進(jìn)入首頁后的實(shí)際路徑有哪些？最喜歡去哪些頁面？

如何引導(dǎo)用戶回到主流路徑，迅速到底核心功能？

以某個行為為終點(diǎn)的路徑：到達(dá)某個功能的路徑里，哪條最主流？

用戶哪些路徑可觸達(dá)該行為？

如果想提升觸達(dá)該行為的轉(zhuǎn)化率，先從哪條路徑入手最容易提升？

以某個行為為終點(diǎn)的路徑：用戶偏離預(yù)設(shè)的路徑后，實(shí)際走向是什么？

用戶到達(dá)行為對應(yīng)的頁面（如商品詳情頁）后，為什么沒有觸發(fā)行為(點(diǎn)擊支付)？

用戶去了其他什么路徑？

如何避免這類用戶偏離預(yù)設(shè)的路徑？

第一步：明確目標(biāo)：提高銷售額。

第二步：假設(shè)根據(jù)用戶路徑分析，發(fā)現(xiàn)有兩條主要路徑：

啟動App->搜索商品->提交訂單->支付訂單

啟動App->未支付訂單->搜索相似商品->取消訂單

第三步：分析數(shù)據(jù)，發(fā)現(xiàn)線索：

第一條用戶路徑：用戶提交訂單后，大約75%的用戶會完成支付，而 25%的用戶未支付。

第二條用戶路徑：目標(biāo)商品已經(jīng)加入訂單，但未最終敲定，因此在打開App后直奔“未支付訂單”。

但是第二條路徑中，發(fā)現(xiàn)部分用戶會再次“搜索相似商品”，根據(jù)這一行為可判斷客戶可能存在比價行為。

表明價格一定程度上影響了這部分用戶的支付欲望，這是一批“價格導(dǎo)向”的客戶。

第四步：提出方案：

將支付頁面附近放置優(yōu)惠券領(lǐng)取。

同時未支付訂單大大降低，說明在支付頁面附近放置優(yōu)惠券的方式，會刺激對價格敏感的客戶。

1.5.用戶行為路徑分析：軌跡細(xì)查

軌跡細(xì)查是按時間排列一系列行為，展示單個用戶的實(shí)際行為路徑。通過聚焦性分析，尋找單個用戶的實(shí)際行為路徑中的異常或者規(guī)律。

某個功能的優(yōu)化或Bug是否影響了用戶軌跡，出現(xiàn)了哪些異常？

1.6.周期性行為分析：留存分析

首次登陸的用戶，有多少會留存下來。

哪個時間段年內(nèi)留存最嚴(yán)重？

產(chǎn)品的留存率和行業(yè)平均值相比如何？

產(chǎn)品內(nèi)的留存率是否有差異？

不同產(chǎn)品功能的用戶留存率的差異。

不同獲客渠道的用戶留存率的差異

不同用戶屬性的用戶留存率的差異。

1.7.周期性行為分析：頻次分析

甄選高價值用戶，并對應(yīng)調(diào)整資源分配和運(yùn)營策略。

針對不同渠道，用戶特征的用戶，對比使用頻次分布情況，實(shí)時調(diào)整運(yùn)營策略。

二、理解數(shù)據(jù)：梳理用戶行為路徑

梳理用戶路徑的意義：新項(xiàng)目開啟時，需要明確北極星指標(biāo)和增長模型，之后還需要進(jìn)一步加深對用戶和產(chǎn)品認(rèn)知的顆粒度。需要快速結(jié)合產(chǎn)品功能、業(yè)務(wù)邏輯，梳理清楚用戶行為路徑，為后續(xù)的確立指標(biāo)、數(shù)據(jù)埋點(diǎn)、數(shù)據(jù)分析奠定基礎(chǔ)。

2.1.梳理用戶行為路徑的方法：

根據(jù)北極星指標(biāo)，構(gòu)建轉(zhuǎn)化漏斗。轉(zhuǎn)化漏斗一般為設(shè)定的用戶主路徑。

將核心路徑中加入更多的漏斗步驟，理想形態(tài)是拆到不能再細(xì)化為止。

2.2.案例：某電商類APP

小編通過針對電商類的產(chǎn)品，簡要分享一下如何梳理用戶行為路徑。

第一步：梳理核心路徑

第二步：加入其他重要路徑

第三步：輸出用戶行為路徑圖

三、監(jiān)測數(shù)據(jù)：增長儀表盤

增長儀表盤是指通過數(shù)據(jù)指標(biāo)來代表公司的業(yè)務(wù)漏斗，并實(shí)時監(jiān)測公司的經(jīng)營狀況?？梢酝ㄟ^儀表盤快速掃描各個重要的指標(biāo)從而知道公司目前的經(jīng)營狀況的變化。

如果沒有增長儀表盤，每次想要看指標(biāo)，都要到各個看板去查詢指標(biāo)。無法及時發(fā)現(xiàn)某些出現(xiàn)異常的數(shù)據(jù)指標(biāo)。而有了增長儀表盤不過可以解決上述問題，還可以通過縱觀數(shù)據(jù)發(fā)現(xiàn)指標(biāo)之間的相互影響，對比不同維度的關(guān)鍵指標(biāo)。發(fā)現(xiàn)增長機(jī)會。

細(xì)分指標(biāo)儀表盤：品脈絡(luò)，監(jiān)測所有對增長有影響的細(xì)分指標(biāo)。

3.1.凈增用戶儀表盤：

凈增用戶儀表盤是通過顯示用戶流入、流出，和凈增的情況，來把控產(chǎn)品的用戶增長的總體態(tài)勢和健康度。凈增用戶儀表盤通過凈增用戶和增長指數(shù)這兩個個指標(biāo)來全面真實(shí)的監(jiān)測增長情況。

3.1.1.凈增用戶：計算真正凈增加的活躍用戶數(shù)。

3.1.2.增長指數(shù)：衡量公司增長是否健康。

增長指數(shù) > 1：用戶流入 > 用戶流出，活躍用戶正凈增長。

增長指數(shù) = 1：用戶流入 = 用戶流出，活躍用戶達(dá)到峰值。

增長指數(shù) < 1：用戶流入 < 用戶流出，活躍用戶負(fù)凈增長，即凈流失。

3.1.3.搭建和應(yīng)用凈增用戶儀表盤：

結(jié)合凈增用戶和增長指數(shù)，就可以搭建一個凈增用戶儀表盤。如下圖所示：

新增活躍用戶：本周首次活躍。

流失回流用戶：上周不活躍，本周活躍。

用戶流出：

流失用戶：上周活躍，本周不活躍。

壞消息：用戶流失比較嚴(yán)重。1.25的增長指數(shù)意為著每拉回6個新增或回流用戶，將流失5個老活躍用戶。典型的拆了東墻補(bǔ)西墻的案例。

如果用戶留存率不低，但流失用戶絕對值大，是否是用戶基數(shù)大，進(jìn)入衰退期？

工作中時常會遇到將多個產(chǎn)品業(yè)務(wù)模塊的用戶活躍或新增趨勢對比后，發(fā)現(xiàn)很類似，無法區(qū)分哪個業(yè)務(wù)趨勢更好時，也可以通過對比這些業(yè)務(wù)模塊的凈增用戶儀表盤的趨勢來判斷增長趨勢。如下圖案例：

在產(chǎn)品業(yè)務(wù)一與產(chǎn)品業(yè)務(wù)二的活躍用戶新增趨勢基本相同時，通過凈增用戶儀表盤的趨勢對比可發(fā)現(xiàn)：

產(chǎn)品業(yè)務(wù)一的增長指數(shù) < 1，已經(jīng)出現(xiàn)凈流失。

產(chǎn)品業(yè)務(wù)二的增長指數(shù)為1.2，仍處于正凈增長，好于產(chǎn)品業(yè)務(wù)一。

3.2.細(xì)分指標(biāo)儀表盤：

細(xì)分指標(biāo)儀表盤通過是顯示增長模型中所有關(guān)鍵細(xì)分指標(biāo)來監(jiān)測所有對增長有影響的細(xì)分指標(biāo)。工作中常常備用與發(fā)現(xiàn)和解釋異常情況、提升對業(yè)務(wù)的認(rèn)知程度、針對目標(biāo)業(yè)務(wù)進(jìn)行下鉆。

細(xì)分指標(biāo)表盤主要有兩個部分組成：

指標(biāo)：

北極星指標(biāo)；

增長模型中的指標(biāo)；

關(guān)鍵細(xì)分指標(biāo)和漏斗：關(guān)鍵路徑、關(guān)鍵行為。

維度：用戶的關(guān)鍵分群維度。

渠道來源；

新老用戶；

設(shè)備類型、地域、性別等。

搭建細(xì)分指標(biāo)儀表盤可以通過以下四個步驟完成：

這里小編通過模擬社交類產(chǎn)品的細(xì)分指標(biāo)儀表盤來具體說明一下。

第一步：梳理用戶路徑

第二步：制定關(guān)鍵指標(biāo)：

多種形式搭配：如數(shù)字，比例，變化量，趨勢圖，維度分解后

選一個合適的時間段

將指標(biāo)和目標(biāo)進(jìn)行比較指標(biāo)

指標(biāo)最好有明確的負(fù)責(zé)人

第三步：添加分解維度

客戶端：iOS, Android，網(wǎng)頁

獲客渠道用戶性別

年嶺組 ?所在地

第四步：組裝增長儀表盤。

四、收集數(shù)據(jù)：制定埋點(diǎn)方案

制定數(shù)據(jù)采集方案是數(shù)據(jù)驅(qū)動用戶增長的第二步。沒有用戶行為數(shù)據(jù)，數(shù)據(jù)顆粒度不夠，也就難以發(fā)現(xiàn)業(yè)務(wù)指標(biāo)變化背后的原因，從而難以發(fā)現(xiàn)增長線索。通過數(shù)據(jù)埋點(diǎn)追蹤用戶行為，可以用數(shù)據(jù)描述用戶在產(chǎn)品中的行為軌跡，也構(gòu)成了指標(biāo)儀表盤和分析數(shù)據(jù)的基礎(chǔ)。

增長團(tuán)隊(duì)經(jīng)常面臨的問題：

沒有詳細(xì)用戶行為數(shù)據(jù)，無法進(jìn)行比較細(xì)致的數(shù)據(jù)分析。

做過用戶行為的埋點(diǎn)，但不準(zhǔn)確，無法使用。不能滿足分析需求。

埋點(diǎn)的目的是追蹤所有的用戶關(guān)鍵行為。

4.1.確定埋點(diǎn)數(shù)據(jù)指標(biāo)：

常見的兩種需要數(shù)據(jù)埋點(diǎn)的情況：

已有基本埋點(diǎn)，只需進(jìn)行缺失的數(shù)據(jù)埋點(diǎn)。

如從頭埋點(diǎn)采集用戶行為數(shù)據(jù)：分級分步，由主到次。

埋點(diǎn)需要記錄的信息：

行為本身（event）：用戶做了什么操作？

行為的屬性（property）：

who：誰參與了這個行為（設(shè)備ID，用戶ID等）。

when：行為發(fā)生的時間。

where：行為發(fā)生的地點(diǎn)。

how：用戶參與這個行為的方式（設(shè)備型號，版本號等）。

what：根據(jù)行為類型，細(xì)化更多情況（商品名稱、價格、數(shù)量、query詞等）。

4.2.制定事件埋點(diǎn)方案：

制定事件埋點(diǎn)方案是產(chǎn)品運(yùn)營的基本技能之一，這里小編就不做過多的分享了。簡單總結(jié)幾點(diǎn)埋制定埋點(diǎn)方案是常見問題：

埋點(diǎn)的常見問題一：思路不清，事無巨細(xì)。

問題現(xiàn)象：什么都想埋點(diǎn)，導(dǎo)致上線時間晚，且埋點(diǎn)過多對產(chǎn)品負(fù)擔(dān)較大，影響用戶體驗(yàn)。

避免建議：

從重點(diǎn)出發(fā)：如從北極星指標(biāo)，增長模型和重要問題出發(fā)，規(guī)劃埋點(diǎn)計劃。

從問題出發(fā)：帶著需要解決的問題和分析目標(biāo)，通過數(shù)據(jù)解讀進(jìn)行埋點(diǎn)規(guī)劃。

埋點(diǎn)的常見問題二：事件命名格式不統(tǒng)一

問題現(xiàn)象：同一個事件，存在多個名字。因?yàn)榘姹镜鷮?dǎo)致前后版本命名不同等。

避免建議：統(tǒng)一規(guī)定事件結(jié)構(gòu)和命名規(guī)范，做好文檔管理，定期更新。

埋點(diǎn)的常見問題三：錯過重要的事件或?qū)傩?/p>

問題現(xiàn)象：因?yàn)橥话l(fā)情況導(dǎo)致的某路徑或環(huán)節(jié)數(shù)據(jù)異常，但未針對這個路徑進(jìn)行埋點(diǎn)。

避免建議：埋點(diǎn)前，從問題出發(fā)：想清楚為了回答哪些問題，要追蹤哪些事件，事件需要哪些分支路徑和環(huán)節(jié)。發(fā)現(xiàn)錯漏后，逐漸補(bǔ)齊。

埋點(diǎn)方案常常分為前端（客戶端）埋點(diǎn)和后端（服務(wù)器端）埋點(diǎn)兩類方向。

前端埋點(diǎn)：主要是記錄用戶端操作行為，如點(diǎn)擊事件，頁面打開事件等。

埋點(diǎn)方法：通過客戶端代碼進(jìn)行埋點(diǎn)。

優(yōu)點(diǎn)：真實(shí)記錄產(chǎn)品內(nèi)用戶行為和路徑，不需要請求服務(wù)器數(shù)據(jù)。

缺點(diǎn)：不能記錄業(yè)務(wù)結(jié)果，網(wǎng)絡(luò)加載慢時，可能導(dǎo)致數(shù)據(jù)不完整，更新埋點(diǎn)時需要進(jìn)行版本更新，界面視覺交互修改時，可能需要更新對應(yīng)埋點(diǎn)。

后端埋點(diǎn)：主要記錄用戶特征變化及前端操作導(dǎo)致的業(yè)務(wù)結(jié)果，如付款成功，交易失敗等。

埋點(diǎn)方法：通過從接口調(diào)用后端數(shù)據(jù)。

優(yōu)點(diǎn)：實(shí)時性好，產(chǎn)品界面改變不需更新埋點(diǎn)。能夠收集不在APP內(nèi)發(fā)送的行為，記錄最終的結(jié)果，數(shù)據(jù)相對更準(zhǔn)確。

缺點(diǎn)：不能收集不需調(diào)用接口請求服務(wù)器的數(shù)據(jù)。例如用戶的按鈕點(diǎn)擊事件。

4.3.埋點(diǎn)案例：

小編在此通過一個攜程的登錄頁面埋點(diǎn)來簡要說明一下如何埋點(diǎn)。

因?qū)Φ卿浌δ苓M(jìn)行埋點(diǎn)，所以需要記錄如下信息：

行為（event）：

注冊流程各個節(jié)點(diǎn)的轉(zhuǎn)化率。

第三方登錄流程各個節(jié)點(diǎn)的轉(zhuǎn)化率。

驗(yàn)證碼登錄流程各個節(jié)點(diǎn)的轉(zhuǎn)化率。

密碼登錄流程各個節(jié)點(diǎn)的轉(zhuǎn)化率。

密碼找回流程各個節(jié)點(diǎn)的轉(zhuǎn)化率。

用戶從登錄頁面直接退出的點(diǎn)擊次數(shù)

行為的屬性（property）：

who：用戶設(shè)備ID，用戶ID，用戶使用的產(chǎn)品版本號，用戶手機(jī)號的國家號段(國內(nèi)，國外)。

when：用戶操作各個流程的服務(wù)器時間，用戶登錄成功的服務(wù)器時間。

how：用戶登錄時的產(chǎn)品版本號。

what：根據(jù)行為類型，細(xì)化更多情況（商品名稱、價格、數(shù)量、query詞等）。

五、綜合案例分析

小編通過攜程的特價酒店這個業(yè)務(wù)模塊來分享一下如果通過增長儀表盤找到業(yè)務(wù)增長機(jī)會。首先將參考數(shù)據(jù)（https://shimo.im/sheets/GGDQGQxWjvPThhqg/MODOC/）進(jìn)行可視化處理，得到特價酒店模塊的轉(zhuǎn)化指標(biāo)細(xì)分儀表盤，如下圖：

用戶行為路徑圖：

5.1.尋找增長線索：

通過細(xì)分指標(biāo)儀表盤的數(shù)據(jù)情況，可以發(fā)現(xiàn)一些數(shù)據(jù)異常的地方。具體如下：

搜索功能用戶路徑：

搜索結(jié)果頁->酒店詳情頁轉(zhuǎn)化率僅為21%，低；

banner位用戶路徑：

酒店詳情頁->點(diǎn)擊酒店預(yù)訂按鈕轉(zhuǎn)化率為38%，較低；

開始結(jié)賬->付款成功轉(zhuǎn)化率為8%，很低。

猜你想去用戶路徑：

酒店詳情頁->點(diǎn)擊酒店預(yù)訂按鈕轉(zhuǎn)化率為30%，較低；

開始結(jié)賬->付款成功轉(zhuǎn)化率為20%，低。

路徑轉(zhuǎn)化對比：

banner位用戶路徑的酒店詳情頁->付款成功的轉(zhuǎn)化率最低。

業(yè)務(wù)路徑占比：

業(yè)務(wù)滲透占比從高到底排序?yàn)椋菏醉撍阉?> 城市地標(biāo)> banner位。

是否登錄用戶轉(zhuǎn)化率對比：

未登錄與已登錄用戶在【點(diǎn)擊酒店預(yù)訂按鈕->開始結(jié)賬】的轉(zhuǎn)化率為53%和75%，差值22個百分點(diǎn)。根據(jù)路徑分析，在用戶點(diǎn)擊酒店預(yù)訂按鈕時，判斷該用戶是否登錄。

根據(jù)上述問題，總結(jié)可能的增長線索如下：

1、在搜索路徑中，搜索結(jié)果頁->酒店詳情頁轉(zhuǎn)化率僅為21%。流失了14200人，流失巨大。

2、總轉(zhuǎn)化中后，開始結(jié)賬->付款成功轉(zhuǎn)化率為31%，流失了2200位付費(fèi)意向高的高價值用戶，流失巨大。

3、在banner路徑中，開始結(jié)賬->付款成功轉(zhuǎn)化率為8%。流失了920位高價值用戶，占該階段總流失的42%。

4、在猜你想去路徑中。開始結(jié)賬->付款成功轉(zhuǎn)化率為22%。流失了780位高價值用戶，占該階段總流失的32%。

5、在猜你想去的路徑中，酒店詳情頁->點(diǎn)擊酒店預(yù)訂按鈕轉(zhuǎn)化率為30%。流失了3500位有明確訂房意義的用戶。

6、用戶點(diǎn)擊酒店預(yù)訂按鈕觸發(fā)開始結(jié)賬的轉(zhuǎn)化率，需完成登錄操作的用戶比不需要完成登錄的用戶低22個百分點(diǎn)。

5.2.制定增長策略：

5.2.1.搜索路徑優(yōu)化策略：

產(chǎn)品功能策略：

搜索結(jié)果并未滿足用戶的需求。

搜索query詞分詞算法不精確。

搜索結(jié)果排序算法不精確。

攜程的酒店物料庫內(nèi)容不夠豐富。

鑒于攜程目前的產(chǎn)品階段，優(yōu)化難度：搜索結(jié)果排序優(yōu)化 > 搜索詞算法優(yōu)化 > 酒店物料庫豐富優(yōu)化。因而這部分策略為優(yōu)化搜索結(jié)果酒店列表排序算法。

運(yùn)營文案策略：

搜索結(jié)果的酒店優(yōu)惠價并未達(dá)到用戶的心理預(yù)期價格。

酒店優(yōu)惠價格超出了用戶可承受的最高價格。

酒店的優(yōu)惠差值(原價-優(yōu)惠價)并未激起用戶繼續(xù)了解的欲望。

優(yōu)化難度：提高優(yōu)惠差值對用戶的刺激 > 降低酒店優(yōu)惠價格。

優(yōu)化策略：在結(jié)果頁顯示酒店原價及優(yōu)惠最大差值，通過視覺交互刺激用戶完成下一步轉(zhuǎn)化。

5.2.2.結(jié)賬路徑優(yōu)化策略：

結(jié)賬路徑總體轉(zhuǎn)化低的原因可分為兩個方向進(jìn)行分析：

產(chǎn)品功能交互：

1、在點(diǎn)擊酒店預(yù)訂頁的【去支付】按鈕后，進(jìn)入該頁面需先選擇支付通道后，再點(diǎn)擊確認(rèn)支付。

2、秉承著盡量簡化主流程中的非必要行為的原則，在保障安全合規(guī)性的前提下，可將該操作優(yōu)化為進(jìn)入該頁面默認(rèn)選擇上次支付的路徑或推薦路徑，減少用戶流失的可能。

3、部分進(jìn)入該頁面的用戶離開后會瀏覽其他酒店，可能的用戶存在比價行為的心理。

業(yè)務(wù)路徑分析：

通過業(yè)務(wù)路徑轉(zhuǎn)化率對比漏斗分析圖可發(fā)現(xiàn)：

1、產(chǎn)品功能對完成支付流程的影響小于業(yè)務(wù)路徑對其影響。

2、在酒店預(yù)訂頁、訂單確認(rèn)頁、確定支付頁產(chǎn)品設(shè)計完全相同的情況下，節(jié)點(diǎn)轉(zhuǎn)化率因業(yè)務(wù)路徑來源不同而差異較大。

3、擁有明確酒店預(yù)訂目標(biāo)的用戶完成支付流程的概率高于其他類型。即

使用搜索功能的用戶完成支付流程的概率遠(yuǎn)高于通過banner和猜你想去查閱酒店信息完成支付的用戶。

5、通過點(diǎn)擊banner進(jìn)入觸發(fā)支付流程并完成支付的用戶轉(zhuǎn)化率最低。可能的原因：

統(tǒng)計點(diǎn)擊banner的用戶特征，對這類用戶根據(jù)地域，消費(fèi)能力，出行次數(shù)等進(jìn)行用戶分群。對不同類的用戶群進(jìn)行定制化的banner詳情頁展示（即根據(jù)用戶群圍繞banner的推廣主題，展示不同的酒店搜索結(jié)果）。

5.2.3.猜你想去的訂單轉(zhuǎn)化優(yōu)化策略：

該功能的產(chǎn)品設(shè)計本質(zhì)是基于酒店搜索功能，通過推薦的城市類query詞引導(dǎo)用戶進(jìn)行快速搜索。該業(yè)務(wù)功能的訂單轉(zhuǎn)化率低的原因可能是：

提供的query詞對應(yīng)搜索結(jié)果與用戶的查詢需求不匹配。

提供的query詞不精確，增加的搜索功能的用戶使用流程，增加用戶行為阻力，造成流失。

如用戶原本需求是查詢北京朝陽大悅城附近酒店。通過”猜你想去“的query詞(北京)進(jìn)入地標(biāo)附近酒店頁后，查看多個酒店詳情頁但并未找到滿足需求的酒店，用戶需要下翻頁面或重新搜索才可獲取精準(zhǔn)結(jié)果。該流程中造成用戶流失。

對應(yīng)策略：

收集使用進(jìn)入特價酒店的用戶的用戶屬性和行為數(shù)據(jù)，對用戶進(jìn)行更精準(zhǔn)的分群分析。并基于攜程網(wǎng)的大數(shù)據(jù)推薦功能，對用戶進(jìn)行更精準(zhǔn)個性推薦的地標(biāo)query詞。

因?yàn)樵摴δ苁撬阉鞴δ艿难由旃δ?，而搜索功能的轉(zhuǎn)化率遠(yuǎn)高于該功能，可將使用該功能用戶群引導(dǎo)至使用搜索功能?？上韧ㄟ^A/B測試，對該策略進(jìn)行測試。對比是否提高了特價酒店的整體訂單轉(zhuǎn)化率和付費(fèi)轉(zhuǎn)化率。

-END-