1、GrowingIO 新一代數據分析產品 【這是一本神奇的書】 產品經理用它來分析數據、拆解指標，實現流程的良性運轉； 市場運營用它來解析數據、確定方法，實現運營效果最大化。 30%注冊率的提升，90%的客戶留存，硅谷數據之神手把手教你實踐增長黑客。 翔實的分析方法，真實案例與心得，GrowingIO 團隊的創業實戰分享都在這里了！ 【團隊介紹】 GrowingIO 是由前 LinkedIn 美國商業分析部高級總監、世界前十位前沿數據科學家之一張溪夢創辦。 團隊成員來自 LinkedIn 、eBay 、Coursera、亞信等國內外頂級互聯網及數據公司。具有強大的商業分析、數據產品、企業軟件研發

2、以及機器學習等專業背景和先進的數據分析技術和豐富的實戰經驗。 已經成為精益運營時代的數據分析領軍企業。 點擊了解更多 【產品介紹】 GrowingIO 新一代數據分析產品，無需埋點即可采集全量、實時用戶行為數據，數據分析更精細，幫助產品經理、市場運營、數據分析師、增長黑客等，提升轉化率、優化網站/APP，實現用戶快速增長和變現。 GrowingIO 新一代數據分析產品 目錄 序 為什么微軟溢價 50%并購 LinkedIn：估值、增長、變現和背后的魔法 第一章 數據概覽 1.1 你有沒有想過，不埋點也可以采集數據，而且更快更全面 1.2 融資 2000 萬美金之后，我們跟他聊了聊怎么做好增長

3、第二章 數據驅動增長 2.1 產品經理：一個優秀的數據產品經理是怎樣煉成的 2.2 產品經理：為什么目標和執行都沒有問題，產品卻越做越差 2.3 打造更好的用戶體驗，需要這四個步驟 2.4 SAAS 企業如何做好用戶體驗 第三章 指標 3.1 走出只關注 PV、UV 的誤區，數據分析這樣做才能解決問題 3.2 老板問的指標都記不住，還想做百萬年薪數據分析師 3.3 從埋點到無埋點 ，是過去和未來的差別 第四章 衡量拉新 4.1 提高渠道 ROI：如何打破用戶“只看不買”魔咒，把流量轉化為注冊和購買 第五章 轉化 5.1 注冊率提升 30%？手把手教你實踐增長黑客 5.2 產品經理如何通過數據分

4、析提升轉化率 第六章 留存 6.1 先度量，再增長：實現 90%客戶留存 6.2 做好用戶留存，產品、市場和運營有這些應對方法 GrowingIO 新一代數據分析產品 第七章 行業實踐 7.1 如何用數據分析推進 SaaS 公司客戶成功 7.2 數據分析如何破解 SaaS 企業客戶留存難題 7.3 數據驅動下的 SaaS 企業客戶成功 7.4 互聯網金融增長寶典：三大步驟提高轉化，搞定用戶運營 7.5 電商精細化運營的五大關鍵指標和三個關鍵思路 后記 為增長而來 GrowingIO 2016 產品發布會張溪夢演講實錄 GrowingIO 新一代數據分析產品 為什么微軟溢價 50%并購 Link

5、edIn：估值、增長、變現和背后的魔法 本文作者張溪夢，GrowingIO 創始人、CEO。前 LinkedIn 美國商業分析部高級總監，美國 Data Science Central 評選其為“世界前十位前沿數據科學家”。 今天可能大家都聽到了 LinkedIn 被微軟 262 億美元收購的消息， 一個接近溢價 50% 的 offer，把世界上第一大職業社交網絡、也是世界上第二大的 SaaS（軟件即服務）的廠商融入到微軟迅速崛起的商業云戰略中。很多朋友會問，為什么 LinkedIn 會有這么高的估值，為什么微軟會溢價 50% 收購 LinkedIn。 很多朋友問我， 一個社交網絡值嗎？ 價格

6、是高了，還是低了？ 其實事物的核心往往很簡單，并購、估值、溢價的本源就是增長 。微軟收購 LinkedIn 在某種程度上說，是通過并購來獲得進一步增長。非常重要的一點，LinkedIn 在過去 6 年間從一個 7000 萬左右年營收的企業，一下子增長至 30 億美元營業額的企業，五年業務增長超過 40 倍。這種增長速度在企業服務領域里面是驚人的。 6 年多以前，我第一次在 LinkedIn 的公司例會上聽到彼得德魯克的一句話，他說：如果一個事情， 你不能衡量它的話， 那么你就不能增長它。 這句話的核心理念沉淀出了 LinkedIn 的企業價值觀。增長帶動數據分析，數據帶動變現，變現進一步促進增

7、長。而且這種文化折射出硅谷里面蔓延的精益創業的文化，即創業公司必須要做三件事Build（建立） 、Measure（衡量） 、Learn（學習） 。這句話在過去的 6 年間不斷得到驗證，不斷通過各種各樣的方式在產品，運營，銷售，市場推廣等各個領域得到大規模的實踐。 很多人曾經懷疑 LinkedIn 的估值過高，實際上華爾街給予 LinkedIn 的估值，基于很多非?；A的指標。其中一個重要的公式就是獲客成本（CAC）和用戶生命周期價值（LTV）之間的關系，LinkedIn 獲取企業客戶的成本遠遠低于普通的 SaaS 競爭對手。比如說我們曾經打造的整個銷售線索數據系統，客戶成功分析系統，市場營銷數

8、據分析系統，產品分析GrowingIO 新一代數據分析產品 系統等等讓各個部門做到完全數據分析驅動。這里的直接結果就是，LinkedIn 對比普通運營良好的 SaaS 企業，她的 CACLTV 比值，一般只有競爭對手的一半左右。銷售和市場的總 cost，比競爭對手或同類型的公司低一倍以上。這就讓整個的公司增長在同等資源支持下要快好幾倍。 圖片來源自 對 LinkedIn 的 S1 分析 因為大量的客戶都是企業級客戶，LinkedIn 的企業級客戶銷售效率是業內最佳公司之一。數據驅動整個的變現團隊（銷售，市場，運營，產品）用超快的速度獲取了客戶，最有效率的減少了用戶的流失，同時在單位時間內，在既

9、有客戶上有效率地變現和增長。這是華爾街一直給予 LinkedIn 較高估值的核心原因。 LinkedIn LinkedIn 早期的變現早期的變現戰爭戰爭 數據是 LinkedIn 增長戰略里面一個很重要的環節，無論在產品設計、業務運營里面，數據都是一個很重要的環節。LinkedIn 是 2002 年底成立的，2003 年業務框架基本上設計完成，成立早期它就已經把用戶數據和變現的框架講得很清楚了。 GrowingIO 新一代數據分析產品 整體戰略就是這三個圓圈， 第一個是用戶的增長、 使用和活躍度， 第二個是產生大量的數據，然后數據變現，進行業務變現和增長，再次促進用戶使用，產生數據，變現，使用

10、，增長，數據變現。 哈弗曼（LinkedIn 創始人&CEO）設計 LinkedIn 戰略的時候，他收集大量的用戶信息，想了三種變現方式： l 第一種，通過用戶的基本信息來變現，比如說公司發布職位。 l 第二種，用戶數量增長到一定程度的時候，有 B2B 企業投廣告。 l 第三種，當有大量人的信息以后，公司的獵頭會用這個平臺來找候選人。 變現的方式他也想得很清楚， 但并沒有在第一天就去做， 他核心關注的是用戶體驗和使用度，是整體的增長，增長產生大量的數據，他從數據里學習，未來才做變現。 LinkedIn 在只有 1 萬用戶的時候就開始用數據驅動業務。早期的時候，第一批用戶獲取就完全靠創始人冷啟動

11、，所有的聯合創始人和最早期的 10 個員工，每個人需要拉 500 個朋友進來，這就是他獲取的第一批 1 萬個用戶。 之后，招來第一個產品經理，開始做下一輪的增長，從 1 萬到 2 萬 5 千，這段時間他們去觀測兩個渠道，一個是電子郵件，一個是搜索： LinkedIn 剛出來創始團隊都有一些光環，所以會有用戶主動搜索 LinkedIn 或者搜索人。我們從數據里發現，從 SEO 的渠道里進來的用戶，比電子郵件邀請進來的人數量差不多，但在產品平臺上的活躍度要高 3 倍。這是之前沒有想到過的，于是做了一個決定：如果要獲取同樣數量的用戶，他們更愿意投入資源在使用頻次更高、更愿意把時間花在這里的，所以，放

12、棄低活躍的用戶，專注活躍的用戶。 我認為，這是他的產品戰略執行層面里面第一個事情正確做的事情。 創業者應該從什么時候開始關注數據？創業者應該從什么時候開始關注數據？ Greylock 也是投資人，以前是 Pinterest 的產品經理。當時增長速度非?？?，每年他們都是幾倍的增長，他總結出來一套框架，在產品整個生命周期里面，創始人在什么時候應該對數據敏感？ GrowingIO 新一代數據分析產品 在產品最早期，不需要太多數據，憑借創始人的直覺，產品經理的直覺，做決策占很大的比例。但是到后來的話，數據化運營就越來越重要了。一個人在賭場里面不可能永遠的贏，一個團隊不斷變大的話， 不可能所有的員工都有

13、直覺決策力， 到未來以后數據來驅動決策能保證效率。 數據會告訴你很多信號，這些信號讓你有一個標準，可促進增長的空間，你帶著假設迅速的驗證。我們現在還在持續的優化，今天我們變成 20% 多的轉化率了。 對數據的敏感度和判斷力是可以通過日積月累培養的。 LinkedIn 的 CEO 每天早晨是五點半、六點就起床，發大量的郵件，為什么搜索效率增加了，為什么昨天廣告營收是這樣的，產品經理就跟著起床，全公司的數據分析就跟著起床，全公司運營人就跟著起床。到后來，我們說全公司最好的分析師是誰，是 CEO，他對所有的數據了若執掌。2014 年，我邀請他去我們組里做一次分享，大家問他，你每天看那么多文件不煩嗎？

14、他說，對他來說不是一個報表，像一張熱力圖一樣，他一看就有感覺了，就知道問題在哪兒。 而且到后來數據已經變成了他的一種感覺， 對數據的直覺和對產品的深入使用，令他很快就定位到問題所在。這也是為什么 LinkedIn 的 Net Income，會比很多虧損的 SaaS 企業在財務報表上面好得多的一個原因。 這又再次推動 LinkedIn 估值的提高。 圖片來源自 對 LinkedIn 的 S1 分析 LinkedIn 每年反復要去問的一個問題是：如果只有一件事全公司要做的話，是什么？得用GrowingIO 新一代數據分析產品 數字來證明的：一星期內加到 5 個聯系人的用戶，他們的留存使用頻度停留時

15、間是那些沒有加到 5 個聯系人的用戶的三倍到五倍，這是他們找到的驅動增長的魔法數字。 但是當時這樣的人非常非常少，于是他們在產品各個入口都增加社交關系。LinkedIn 還有一個上傳地址簿的功能， 還給你推薦哪些人你可能認識， 同時把這些功能點放在各個產品頁面的入口。 LinkedIn 最早的時候并不知道為什么增加社交關系會產生那么大的留存度，我們分析了起碼有兩三百個各種不同的指標，最后沒有任何一個指標能告訴我們，就是因為這個原因。 可是加權以后的結果是這些用戶在上面花了很多時間， 間接就成為變現的可能。 但是產品經理就把非常復雜的問題簡化，讓所有的東西都關注這一個點：關注這個魔法數字，讓更多

16、的用戶在第一周里加到 5 個聯系人。于是，當時增長速度是非?？斓?。 數據數據驅動應該成為企業文化驅動應該成為企業文化 數據驅動首要的第一點是，CEO 要認識到它的價值；第二點，我們需要基本的框架和方法論，框架很簡單，就是三個，有個 idea 迅速落地，進行驗證，進入下一次閉環；第三點，必須要變成一種數據文化。 在 LinkedIn 全公司都有這樣一種數據文化： 產品部門：雖然今天有 4 億用戶，但是從 1 萬到 2 萬 5 千個用戶的時候就開始用數據分析。例如 2004 年發現不同渠道來的用戶活躍度不一樣，決定做更活躍的用戶。 客戶服務：利用用戶的使用數據判斷哪個客戶會流失。例如使用度下降的客

17、戶會流失，客服每天觀察各個客戶公司的指標，及時跟進聯系客戶增加留存。 銷售部門：95% 以上的銷售每個星期都在用用戶行為數據，判斷哪一家公司有購買服務的可能。他們對每一個客戶進行數據應用量的排名，根據使用度高、使用頻次多、上次距離近等各種因素進行排序，銷售團隊客戶服務團隊會有針對性的互動。智能預測客戶流失，客戶需求，為銷售人員，客服人員提供協助。 GrowingIO 新一代數據分析產品 市場部門：用數據每周都會優化廣告投放，價格變動，電子郵件營銷，線下活動效果的衡量來促進營業額的提升。 過去很多年，在美國的生活是很舒服的，我之所以從 LinkedIn 離開，是因為我們親身感受數據驅動的力量。2

18、010 年的時候我們做了銷售分析，把公司按照使用度來排名，讓銷售就盯最活躍的和最不活躍的五個用戶，當時給 LinkedIn 帶來 超過 200% 以上的增長。 數據驅動對變現有多重要？數據驅動對變現有多重要？ 創業時，首先你要有一個很好的概念，讓他迅速地落地，然后我們用數據去證明它是不是有效率?，F在流量越來越貴，所以，我們需要通過迅速循環的方法，用數據來證明我們做的事是有效果的，這種效果可以很快地疊加和堆積，形成未來的增長，這就是精益創業的核心。 舉個例子，網站用戶注冊，大家都在做，但這里面有很多的坑。LinkedIn 優化了好幾年，非常小的改動，就能帶來幾何倍數的變化。 GrowingIO

19、的用戶注冊步驟是三個頁面，有一段時間，我們的最終注冊轉化率是 7.7%，聽上去 8% 和 15% 又能怎么樣呢？但是很多東西要看細節，我們當時把這個注冊轉化率通過瀏覽器做了一個分群，發現用 Chrome 的人注冊成功率是 12%，用 IE 的注冊成功率是 1%。 因為我們用了一套新的 Java 的框架，在老版 windows 瀏覽器里得不到支持。因此我們GrowingIO 新一代數據分析產品 接下來只要提高 IE 的注冊成功率，就可以把整體的成功率提高。 在數據分析之前，我們其實查過很多文獻，普通一個 SaaS 軟件的話，基本上從訪客到最后成功的注冊應該是 5% 左右，我們當時覺得 7% 還挺

20、好，但實際上很多人想進來，想買東西都買不了，因為他根本堵在中間了。 為什么離開為什么離開 LinkedInLinkedIn 出來出來創業創業 GrowingIOGrowingIO 我們在過去十幾年的工作經驗中，親眼見到了，親手實踐了若干的數據分析項目?？吹搅藬祿治鲈诟鞣N企業里面巨大的價值， 這種價值是超過很多人的想象的。 而且這種數據驅動的價值能夠在各種企業里面得到彰顯。 但是我們也看到了， 很多的企業沒有做到最簡單的三件事，錯過了用數據驅動增長的機會： l沒有認識到數據分析帶來的巨大價值。l沒有掌握數據分析的非常簡單的方法論和框架， 企業內部沒有足夠的人才來應用這套框架。l沒有使用正確的，

21、適合現代潮流的分析工具來做到事半功倍。這是我們創業 GrowingIO 的原因。GrowingIO 對很多企業都有好處，他不只是對大的互聯網企業，其實，小的創業企業沒有那么多資源和時間，更需要工具化。今天是工具化的時代，如何很快的用工具來實現價值，是一個核心的競爭力的體現。 返回至目錄GrowingIO 新一代數據分析產品 你有沒有想過，不埋點也可以采集數據，而且更快更全面 本文作者單元明，GrowingIO 聯合創始人，在產品和市場分析方面有多年工作經驗，在成立 GrowingIO 公司之前， 在美國若干知名企業 Coursera， LinkedIn， Rock & Fuel 公司，擔任性能

22、分析、商業分析經理和移動產品分析管理工作。 數據分析和數據驅動業務增長已經被越來越多的企業和員工所認同，大數據漏斗分析分析模型和算法也被很多人津津樂道。但所有的數據分析都有一個基礎，數據獲取。 對于很多互聯網公司而言，數據獲取通常的做法是在 web 網站，或者 app 內不同的頁面里，根據不同產品以及需求在不同位置嵌入的相對應代碼來收集數據，俗稱埋點。對很多互聯網公司的市場營銷，PM，分析師，工程師來說，通過埋點來收集數據都是一個繞不過的坎。 但是埋點數據采集會碰到各種各樣的問題，以做市場營銷為例，可能包含以下情況： l 各種追蹤像素，信號指示或者 JavaScript 片段嵌入在網頁內部 l

23、 用于效果檢測和追蹤 l 用于網頁分析，重定向投放（再營銷） ，個性化廣告，關聯市場營銷，郵件，按點擊付費渠道，或者 SEO 等 l 標簽代碼對于很多數字營銷來說，極其重要。在缺乏功能性標簽代碼的情況下，一個數據分析方案可能完全沒有可用的數據。 大家可能都有這樣的經驗， 一方面， 越來越多的投放渠道需要在網站上行加代碼來收集數據，需要的事件類型數據多，多個不同頁面都需要加代碼，工程量大；另一方面，網站本身也需要加代碼來監測和統計不同渠道的效果。 每加一種代碼，市場部門的同事都要跟 PM，技術磕半天， 代碼審核，需求溝通，需求文檔，排期，非生產環境測試，上線，數據比對。這樣的流程走下來，代碼何年

24、何月加完。 GrowingIO 新一代數據分析產品 從國外 Tag management 的研究報告來看，從需求溝通到代碼加完，平均用時是 3 周 。碰上技術排期，優先級還不夠的，幾個月都有可能。 埋點溝通成本高， 周期長， 這樣的情況下效率大大降低， 這樣的速度促銷活動早都做完了，完全跟不上業務人員的需求。 而 PM 要吐槽的更多，做產品的這年頭不可能不看數據，因為老大們天天追著要。新產品快上線了，PM 追著技術要埋點，磕了半天技術同意幫忙加代碼了。以為勝利在望，但 PM 馬上又犯難了，抓哪些數據，在什么地方埋點？這往往是技術童鞋可能要問的第一個問題。 產品的人不懂技術， 技術的人不熟悉產品

25、童鞋的具體需求， 或者說產品的童鞋也很難說清楚數據的需求， 畢竟他們也不是分析師。 這樣的情況一旦出現， 產品和技術相互溝通成本極高，而且反反復復，最后產品快上線了，得，代碼還沒加完， 老大們如何看數據？ 這也許還不是最悲劇的， 代碼布置了，產品也上線了，最后居然發現數據收錯了。多么痛的領悟，很多人可能都有感覺，活動越做越多，產品更新和調整越來越快。每一件事情，既然做了，都需要數據說話。溝通成本高，埋點周期長，同樣成為產品童鞋碰到的大問題。 最后造成的結果是，阻礙公司內部對產品的分析的追蹤，遲滯業務決策和調整的效率。 另外, 為了快速增長和適應新需求, 產品經常高速迭代，舊的頁面撤下, 新的頁

26、面換上，同時進行的多項 AB 測試, 改功能, 改呈現。 伴隨每一次迭代的則是不停地清理舊的數據標簽, 增加新的標簽, 就算每次工程實現上都準確無誤, 業務方進行分析時也得小心翼翼, 得知道什么時間段什么標簽才是真正有效的, 一不留神用了無效標簽得出的結論就可能是錯的。 以上市場、產品小伙伴碰到的問題是很多企業的實際情況。 盡管硬件和軟件，以及 IT 架構層面的技術進步，讓大數據成為可能，但在很多企業走向數據驅動業務的道路上，數據采集依然是一個很大的障礙。 GrowingIO 新一代數據分析產品 收集哪些數據，數據收集慢，收集錯誤，收集不準確，都成為一個個實際的困難。而目前解決這些困難往往耗費

27、不同崗位同事間大量的溝通成本，需要研發或者技術進行長時間重復而且低價值的勞動。 但不克服這些重重困難，分析師，PM，市場營銷，企業決策層等不同部門，不同層面的分析決策都會受到或大或小的影響，遲滯業務發展速度。 企業需要重視數據驅動的價值， 同時更好的解決數據收集的問題， 因為這是做好數據分析的第一步。找到一種更專業，更準確，更快速的方式解決數據采集的問題，將是業界的福音！ 哦，好吧，最后福音來了！ 今年 5 月， 前 LinkedIn 美國商業分析部高級總監張溪夢從硅谷回國， 帶領來自 LinkedIn 、eBay 、Coursera、亞信等國內外頂級互聯網及數據公司的團隊創辦 Growing

28、IO。 他曾親手建立了 LinkedIn 將近 90 人商業數據分析和數據科學團隊， 支撐了 LinkedIn 公司所有與營收相關業務的高速增長。 作為新一代 GrowingIO 新一代網站和移動端數據分析平臺。運用無埋點采集，迅速生成數據分析結果，提供針對市場推廣、產品體驗、以及客戶成功等精益化運營分析模塊。 在客戶的頁面或者是 APP 自動來埋點， 不再需要手動埋點， 想知道什么， 立刻就可以知道，智能抓取關鍵用戶行為，幾分鐘建立 APP 和網站數據 BI 運營體系，這就是 GrowingIO 開發的技術。 比如說一個網頁，只要圈點它，就能知道轉化率、訪問、點擊和價值，不需要任何埋點?？梢?/p>

29、詳細分析用戶行為，提高用戶活躍度，提升產品體驗；智能解析用戶轉化原因，提高用戶轉化率；預測客戶流失，復雜數據挖掘模型支持客戶成功。市場、產品、數據分析師、還有CTO 們、CEO 們等等所有要用到數據的同學們集體歡呼吧！ 好啦，廣告打完了，歡迎大家注冊，免費試用哦。 返回至目錄GrowingIO 新一代數據分析產品 融資 2000 萬美金之后，我們跟他聊了聊怎么做好增長 本文作者，經緯創投微信公眾號，創始人曰欄目。 今天的“創始人曰”來自于 GrowingIO 創始人張溪夢（Simon Zhang） ，他們是一家專注于數據分析的公司。Simon 曾為領英商業數據部門高級總監，該部門為整個公司的銷

30、售、市場、 運營等工作提供數據分析支持工作， 做出了非常好的成績。 他還有個無比“金光閃閃”的頭銜美國 Data Science Central 曾將他評選為“世界前沿數據科學家 Top 10”。 6 月 28 日，GrowingIO 發布 V2.0 版本，在無埋點技術和全量實時的數據分析功能的基礎上，GrowingIO 全新上線了更精細的漏斗對比、用戶細查、熱力圖等實用功能。同時，GrowingIO 宣布獲得了經緯中國、NEA、Greylock 的 A 輪兩千萬美元的融資，創下同類SaaS 行業同等階段融資額度新高。 借著這個機會，我們與 Simon 聊了聊關于創業者如何高效獲取客戶，以及如

31、何留住他們的話題， 用戶喜歡什么、 討厭什么， 怎么才能留住他們？好在， 隨著科技的發展， 這門看似“只能靠猜”的工作，已經可以通過科學來解決。以下，是來自 Simon 的觀點，Enjoy： 數據分析在國內一些特別大的企業，比如 BAT 里，才能得到重視，當然這得益于他們的長期積累，對數據和運營結合的比較好。這是我回國以后的總體感受，國內企業對數據本身，以及數據所能提供價值的認識程度，沒有美國那邊那么深入，并且差異還蠻大的。 為什么許多公司的數據分析流于形式？主要差異表現在三個層面： 1）價值的認知 許多公司處于瘋狂增長時期，大家一拍腦子做的決定，可能已經產生很多價值了；這種情況下他們很難意識

32、到數據決策能產生比暴力性增長更大的價值。 GrowingIO 新一代數據分析產品 2）基本方法論的認知 意思是核心但簡單的方法論。 目前國內對基礎的方法論沒有太多的認知， 可能因為國內發展時間還比較短，而美國已經開發好幾十年了。 3）實際操作方法的認知 國內一線員工用數據來指導工作運營，比如產品、客戶、銷售等實際操作經驗相對來說少一些。一方面，因為發展時間短，另一方面，數據使用理念積累也相對較少。 不過， 國內公司已在迅速地提升這種認知。 但這個認知， 是分階梯的， 循序漸進的一個過程。在美國， 認知和方法論已經慢慢進行了良好的統一 技術和業務之間， 用數據來融合。 在國內的話，技術和業務的鴻

33、溝巨大。工程師被硬性要求建數據系統，但他并不真正了解業務端；業務端對技術也不是非常熟悉，導致很多需求并不能直接用現有技術手段來實現。彼此的不了解，進一步加劇了數據使用的緩慢。鴨同雞講，造成的就是效率減低，不能看到價值實現。彼此都不能從中獲益，最后就變成了憑感覺來做決策，而不是真正通過數據運營來做決策。 很多公司從頭開始做的時候，大量時間花在建設技術平臺的過程中。技術平臺首先很復雜，需要各種不同的工程人員；第二，很多公司都是從頭摸索，但數據分析體系需要一系列流程和人才， 每個都不能太薄弱， 才能真正串起來。 今天中國的競爭太激烈， 企業發展速度太快。大家沒有足夠的時間成本，像 BAT， Goog

34、le 這樣去重新沉淀一些好東西出來。這也是，為什么很多企業都沒看到數據產生價值的原因。 許多國內的企業家，最開始意識不到數據的價值；等意識到數據的價值時，他的期期望又往往很高。這種大鴻溝，也無法讓價值真正落地，甚至讓人們產生“這個價值是否真能實現”的質疑，缺乏耐心。 什么樣的公司需要注意數據？ 一般來說，目前國內比較重視數據的是高客單價，重轉化的公司，比如互聯網金融、電商、交易平臺、SaaS、在線旅游類的公司。這類客戶客單價高，不是完全拼流量，如此創業者才有提高轉化的動力。 GrowingIO 新一代數據分析產品 宏觀的講，創業者會經歷 4-5 個產品、企業的生命周期。 第一個階段，叫冷啟動。

35、這個時候公司特別早期，天使輪或者 A 輪，甚至融資還未成功。處在這個階段的公司，用大數據驅動是一個偽命題因為客戶數量有限，樣本性不足。他們需要更多地去了解潛在客戶的需求，去“求”客戶來用這個產品。 第二個階段，增長前期。就是冷啟動接近完成。有經驗的創業者，會開始布局和增長有關系的一些核心指標，比如說日/月活躍，留存度。這些指標的目的不是為了衡量產品當前當下的表現，而是為了未來做增長時有可比較的基準。 并且，這些指標能夠告訴我們，什么時候我們應該去做增長。產品本身沒有黏度的話，去燒錢做增長，它不會真正地增長起來。因為流失速度超過增長速度。以前很多燒錢的企業能成功，是因為競爭沒有那么激烈，用戶沒有

36、那么多種選擇。但是今天如果你的產品很差，留存不高，口碑也不好，燒再多的錢也不能獲得真正核心的自然增長。 第三個階段，增長期。這個階段就能看出來好的創業公司，和普通創業公司的巨大差別效率。 無論 PR 還是做活動， 都需要人力和時間成本。 如何在增長中， 找到效率最高的渠道？這個我覺得，是創業公司之間 PK 的核心競爭力。 如果不做數據驅動，靠直覺，一次兩次可以，但沒有人能進賭場連贏一萬次。所以，直覺需要和數據進行結合，這樣企業能迅速優化各個渠道，來提高單位時間的轉化效率。通過單位時間轉化效率的不斷提高和疊加，來變成企業的核心競爭力。一個不用數據驅動的公司，和一個用數據驅動的公司。假設運營策略一

37、樣，資本儲備類似，客戶也一樣，能迅速從數據里學習的企業，一定會勝出。 第四個階段，是變現期。業務變現，要求很高的用戶基數。一般互聯網產品，其中一小部分高活躍、體驗好的用戶，會轉化為付費用戶。類似一個漏斗，不斷地去篩，這里面就是要拼運營的效率了。 比如說，電商用戶的轉化漏斗一般是：訪問注冊搜索瀏覽加入購物車支付，或者到未來的退貨。這是非常非常長的一個漏斗，真正要做好數據化運營，要對漏斗的每個環節持續地進行追蹤。為什么呢？因為不能衡量，就很難去做增長。 GrowingIO 新一代數據分析產品 一個好的企業，特別是以后要做營收的企業，必須要關注各個部門各個環節的轉化效率。這種轉化效率，要達成的手段，

38、可以通過市場營銷的方法、產品改進的方法、甚至客戶運營的方法。而其中每個環節小幅提高，加在一起就是一個倍數的提高。這種倍增，如果沒有做過數據化運營的人，很難體會到會有多大。 比如，以前我們在領英做數據驅動轉化時，要推送某篇 EDM ，同樣發給 10 萬人，拍腦袋決策的轉化是 0.01%，但是經由數據驅動部門做個簡單的數據模型，同樣推送后，轉化率提升到了 0.3%，高出很多。如果每周都那么做的話，這種轉化效果，還是非常非?？捎^的。 每個產業都有自己不同的 KPI。比如 SaaS 行業，用戶注冊能不能成功，多么簡單的問題，但是很多企業可能會忽略；用戶注冊成功以后，你是否有定位自己的核心產品功能點，這

39、個用戶是否使用了你的核心功能？哪些核心產品功能能讓用戶留下?哪些功能不能？這些都應該在產品分析里記錄，但如果沒有數據，怎么去分析？怎么去衡量呢？ 這些東西很多美國公司都總結完了，都已經用了十幾年了。這些經驗，國內很多企業，可以模仿和學習，沒有必要再重新蒙著眼睛走一遍，那是浪費時間和資源。 還有一點，企業應該運營化。什么概念？就是說，數據分析，它不是一個運動式的，而是日常性事務每天、每周、每月、每季度，我們都在看這些東西。不斷調優、學習、促進，這是一個很重要的過程。但是習慣培養蠻痛苦的，因為很多的創業者都很忙，哪有時間去看那些東西。 中國公司對于數據存在哪些共性的迷思？ 我覺得國內公司對數據分析

40、的理解分兩極：一種認為這是純技術，還有一部分是比較迷信，認為只要一上大數據，就變成高大上的公司了。我覺得這兩種方式，都存在一定的誤解。 核心的話，我覺得你做的這個東西能不能有價值，有沒有效果？用效果來衡量是最直接的。另外一些公司想自建平臺，搭建很大的團隊，效率和產出都比較低，這個我建議大家慎重。隨著生態圈的不斷發展，現在很多工具都很好用，你得學會用工具。這是創業者成功的一些很好的輔助不能說因為你會用工具，所以你就創業成功；但是好的創業者，一定能用這些各種工具，達成目標。 GrowingIO 新一代數據分析產品 好的數據分析應該是是怎么樣的？ 好的數據分析，能夠讓公司里所有人都獲益。它不是一種特

41、權，不是只給公司里的一兩個人看，而是能夠讓公司里面各個運營部門，特別是前線打仗的部門，能夠直接得到好處。普通只講戰略，只講大方向，只給 CEO 看，只給 VP 或者運營看這不夠。需要把它給工作在一線的員工，讓他們用起來。這個我覺得是區分一個數據驅動型企業，和非數據驅動型企業一個很大的區別。效率提升，是所有人提升，而不是一兩個人提升。 一個公司要建完整的數據分析機制， 首先應該從業務開始。 所有的數據分析運營或者數據體系，都應該從業務，從客戶開始。這個數據分析體系，不應該只解決非常狹窄的一個或者兩個問題，需要有體系和大局觀。然后，實際上數據分析里面，最難的一個部分是數據搜集和數據整理，這個過程最

42、耗費時間，可能因為剛開始的計劃就做的不夠周全。所以說，在數據采集和數據整理方面，應該很有計劃的重視。 到后面，數據分析，不能只僅僅停留在報表的基礎上，價值還是不夠多。最終還是，那些數字出來以后，告訴別人應該怎么做是對的、有效的。這里面的話，就是有很深學問，需要很強的操作能力。 所以說一個企業，既要有大局觀，又要注重可執行性。我建議一般企業想自建的話，應該先從一個單點突破，找到一個轉化點，看到了價值，通過這一次的實踐，再學習下一次實踐的方法。這也是一個學習的過程。不要上來就建立龐大系統，上來就把 50 個數據圓圈綜合在一起，想建立一套數據科學框架。我覺得一般要這樣干的話，除非你有很多資源，否則一

43、定會失敗的。 如何打破數據無法“物盡其用”的怪圈？ 過去的幾個月，我們跟客戶打交道發現，有的企業用我們的產品用得非常好，有的企業就還好。通常內部有人核心負責數據的企業，會用的就非常好；有的企業沒有核心的人來追這件事情，做得就比較一般。所以，在運營部門里面，至少得有一個人有一定的數據分析概念。就好像我們把一套高級手術儀器搬到公司去，如果沒人會操作也不行。 我認為最好的知識獲取方式，就是實際操作。實際操作的前提，是最好有一個稍微懂一些的人， 能帶著做幾次。 然后轉起來、 學起來了， 這就是獲取數據分析知識最快、 最有效的方式。GrowingIO 新一代數據分析產品 我不覺得純讀書或者讀一些課本，看

44、一些外面的大數據指導類的書籍，能有這種效果。有了這個人，再能從懂這方面的人和公司產品獲取方法論的支持，這種學習機制就建立起來了。這個還是蠻重要的，否則系統雖然強大，但是沒人會操作，就無法物盡其用。 初創公司常見問題 特別早期的公司，它們關注的東西非常標準化。比如說，他們想知道新增用戶、留存用戶、強勢渠道、新用戶使用哪些產品的功能等問題。每個公司優勢和缺點都不一樣，我舉兩個例子吧： 比如說，有一個客戶，他們是 SaaS 公司，做了很多線下活動，然后往線上導流。但他從來就沒有觀測過自己的注冊轉化，結果量來了，但轉化率很低，最后實際注冊還是很低，后來通過對注冊流程的簡單優化，轉化能提升三四倍。 還有

45、比如有電商客戶，以前就看有多少人來交易了，交易額是多少，然后周/月/季度增長率多少。 但早期進來的人一般都是核心用戶， 增長速度比較快。 而后很快就進入了一個平臺期，為什么？ 這就是因為里面很多東西做得不夠細，很多被稀釋掉了。比如像競拍，來了很多用戶，看上去好像很繁榮，但如果品類太多，就會造成每個單品里競拍用戶減少。一少下來以后，價格就會減低，減低完了以后，導致 GMV 下降，增長率下降。 這種情況下，它需要去考慮把更多的用戶，聚焦在相對少的單品里面來，進而提高客單價。這么做的好處是，賣家能提高銷售額，更愿意在你的平臺做銷售；而買家也會有種買到稀缺物品的感覺。 留存是一個創業企業想要成功，最核

46、心，也最需要解決的問題。有了留存率，就基本有了增長率。早期拉來的核心用戶，一般留存度都比較高；后期拉來的用戶相對黏度比較低。比較成功的互聯網產品，一般早期都是關注核心用戶，滿足了核心用戶的需求，再通過這個不斷往下擴散。所以說，留存度還是應該得到更多關注的。 同時，也需要對留存用戶進行分解。留下的用戶，一部分是新用戶，一部分是老用戶，看上去都是用同樣一個時間來衡量的，但實際上是不同的。很多創業公司，有時候沒有把它分來GrowingIO 新一代數據分析產品 來看：比如留存用戶里面，有多少是新用戶，多少是老用戶；老用戶留存率是什么樣的，新用戶留存率又是什么樣的？ Facebook 把用戶分成了七個層

47、次。這七個層次什么意思呢？就是說，這一周每個用戶的活躍度是不同的，有的人來了七天，有的是六天、五天、四天、三天、兩天。它每天用戶的活躍度，分到非常細。然后，它在這個維度上，再繼續拆分成新用戶和老用戶。 拆解完了以后，就可以針對每種不同類型的用戶運營了。比如，它可以去分析一周來五天以上的用戶，使用哪些功能。 我的建議是在產品早期，應該把產品的留存做好了，再去做新增，這樣創始人的精力會更聚焦。因為如果同時做拉新又做留存，就是分兵兩處，你就顧不過來。有了高留存也會對拉新有幫助，找到高留存用戶的獲取渠道，然后可以持續不斷的復制運營。 第二點，你有了好的留存以后，你可以迅速的去做擴張。因為擴張完了，用戶

48、會留下，你的增長速度會加快。 這里實際上有一條非?，F成的方法論， 因為如果你沒有找到很好的留存， 你做的業務就是一個燒錢業務。如果融資環境很差的話，那么這個業務就容易失敗。但如果你用戶黏度很高，你的運營成本就很低，這樣創始人能夠管理整個資源投放。我覺得產品冷啟動之后，就需要有這種基礎的思維方法在里面；在增長期的話，需要極端專注。 早期靠直覺，后期靠科學。 越早做一些數據鋪墊， 我覺得對一個公司越有好處， 它是一個不斷迭代和積累的過程。 但是，不要本末倒置，不要上來剛能啟動就做 AB 測試，沒有必要，因為你還沒有積累足夠的用戶量，由此分析的數據也沒有代表性。 我最后簡單總結一下，數據分析的五個階

49、段： 第一個階段，是什么都沒有的； 第二個階段，需要公司能夠回溯歷史：知道自己產品在發生什么，這是最基礎的、最原始的一個階段； GrowingIO 新一代數據分析產品 第三個階段，內部做產品、做運營、做市場營銷的人，需要問為什么：這個階段，是預測，即預測某種人群，下面會干什么事，這樣能有針對性地，更好地去開發產品； 第四個階段，是要有解決方案：就是我預測到了這組人會這么做，那么我給它一個更好的方案，讓它有更好的轉化、留存，帶來更好的拉新效果； 第五個階段，是優化，多樣產品線如何能找到最好的平衡點：在價格、營銷，產品設計，銷售各個角度有一個平衡點， 這個平衡點是創業者的利益最大化點， 也是用戶最

50、喜歡這個產品的點。 這五個階段，需要花時間來不斷積累的，不要跳躍，跳躍往往失敗，從基礎做起。 返回至目錄GrowingIO 新一代數據分析產品 產品經理：一個優秀的數據產品經理是怎樣煉成的？ 本文作者陳新濤，GrowingIO 產品經理 近些年來，隨著 Growth Hack、精益化運營、數據化運營等概念漸入人心，數據產品這個名字被提及的次數越來越多。 但究竟什么是數據產品？數據產品如何來解決商業問題？如何現在最火的商業概念如Growth hacking 等落地的？如何設計一個能夠滿足用戶需求的數據產品？本文將和大家一起分享這些問題。 什么是數據產品？什么是數據產品？ 簡單來講，就是以數據為主

51、要自動化產出的產品形態。這里強調自動化產出概念，是為了區分像 Gartner 之類的數據研究咨詢公司。跟類似 GrowingIO 這種實時互聯網分析產品相比，顯然，他們的報告也可以理解為以數據為主要產出的產品，但并不具備自動化產出的特性。 明確了概念后，我們就可以對它拆分細化。從用戶群體來區分，可以分為三類： 企業內部使用的數據產品，如自建 BI 和推薦系統； 針對所有企業推出的商業型數據產品，如 Google Analytics 和 GrowingIO； 用戶均可使用的 Google Trends 和淘寶指數等等。 在以上舉的例子里，推薦系統可能會讓人有些費解。其實，同用戶畫像，搜索排序類似

52、的算法一樣，它們本質上是根據用戶數據和相應的數據模型，建立的一套評分標簽體制。因此，在很多企業的劃分里，也是屬于數據產品的范疇，本文暫不涉及此類產品。 GrowingIO 新一代數據分析產品 為什么需要數據產品為什么需要數據產品? ? 來自硅谷的新一代數據分析產品 GrowingIO 創始人張溪夢非常推崇德魯克的一句話：If you cant measure it, you cant improve it（如果你無法衡量，你就無法增長） 。 這與 Growth Hack 核心理念-數據驅動增長，不謀而合。 增長讓企業經營者的念念不忘，而實踐的曲線，就潛藏在數據產品中。 舉例，在 Faceboo

53、k 中，直接匯報給 Mark Zuckerberg 的 Growth Team 就專門下轄了 Data & Analysis 和 Infrastructure 兩個數據團隊做數據的采集計算和展示。他們會對 Facebook 所有的數據進行監控，以及根據效果持續優化。 Facebook 對 Data Driven 重視到了什么程度？一個 VP 帶領的 30 人團隊做了一年的主頁改版，在三個月內灰度上線過程中因數據表現不佳，直接回滾。對比之下，國內的人人網照抄那一次改版后，沿襲至今?？梢赃@么說，Facebook 高速穩定的增長背后，數據產品功不可沒。 Facebook Growth Team（圖來

54、自前 Facebook 工程師、峰瑞資本技術合伙人覃超） 如何設計數據產品如何設計數據產品? ? 對于產品設計來講，一些固定的步驟必不可少。厘清這些內容后，大到系統級的產品規劃，GrowingIO 新一代數據分析產品 小到功能級的產品設計，概念上都會清晰很多，我們將它抽象成了五個步驟： 面向什么用戶和場景 解決什么問題/帶來什么價值 問題的分析思路是什么 需要用到什么樣的指標 這些指標該怎么組合展現 1. 面向什么用戶和場景 任何產品設計均需要明確面向的用戶和場景，因為不同用戶在不同場景下打開你產品的姿勢也大不相同。 l 不同用戶有不同的價值。這個方法主要面向第一類即企業內部產品。這里并不主張

55、職位歧視，只是從數據能產生的價值來看，高層的一個正確的決斷可以節省下面無數的成本。 l 不同層級用戶關心的粒度不一樣，永遠要提供下一個顆粒度的分析以及可細化到最細粒度的入口。數據分析本質上就是不斷細分和追查變化。 l 不同類型的用戶使用數據的場景不一樣，要圍繞這些場景做設計。如 Sales 類型的客戶，他們更多的場景是在見客戶的路上快速看一眼數據，那么移動化和自動化就很關鍵。在設計的時候，原則就是通過手機界面展現關鍵指標，不涉及詳細分析功能。而且在某些指標異動時能及時通過手機通知。 而辦公室的數據分析師， 則必須提供 PC 界面更多細化分析對比的功能。 要了解自己的用戶，必須和他們保持長期有效

56、的溝通。如 GrowingIO 的 PM，每周都會有和銷售和客戶溝通的習慣，而且每位 PM 入職后，必須兼職一段時間的客服。只有這樣，PM 才能更好的了解用戶以及他們的使用場景，設計出更好用的產品。 2. 解決什么問題/帶來什么價值 這本質上是要明確產品滿足了用戶的什么需求。但凡需求，均有價值和優先級。 GrowingIO 新一代數據分析產品 l 首先判斷核心需求是什么，可用 Demand/Want/Need 方法分析。用戶來找你要可樂 (Demand)，如果你沒有可樂就無法滿足用戶。但其實他只是要解渴 (Want)，需要的只是一杯喝的東西就夠了 (Need)。 l 其次判斷需求的價值，可用

57、PST 方法分析。P：x 軸，用戶的痛苦有多大；Y 軸，有多少用戶有這種痛苦；z 軸：用戶愿意為這付出多少多少成本。相乘得出的結果才是這個需求的價值。 以一個利用 GrowingIO 的新功能做出來的漏斗圖為例。 客戶最開始說的是我們要個漏斗分析 (Demand) 的功能， 但核心需求 (Want) 是改善用戶使用產品過程中的流失問題。那么不同來源不同層次的用戶，在不同的使用時間，在不同的環節都需要進行監控和優化，最終設計出來的就是這個可以根據不同緯度不同環節進行對比分析的 GrowingIO 漏斗 (Need) 。 GrowingIO 新推出的漏斗分析功能 3. 問題分析思路是什么 以上兩點

58、其實都還是普通產品經理的范疇，到了這一部分才真正開始數據產品經理的專業課。明確了問題后，應該通過什么樣的思路進行分析？需要明確以下原則： l 數據產品經理一定要有數據分析技能，才能更好創造更大的數據價值 GrowingIO 新一代數據分析產品 l 數據產品設計理念，應從總覽到細分，并且不斷對比 l 總覽應提綱挈領，簡明扼要，讓用戶先了解當前發生了什么事情和問題的大概方向。不要讓用戶一進來就扎進無盡的細節中 l 細分應該提供足夠豐富的維度便于分析。每次細分必須帶著指標下去，所有分析的結果必須可以落實到動作執行，并與業務緊密相關 l 數據本身沒有意義， 數據的對比才有意義。 數據產品的核心就是把這

59、種對比凸顯出來。 這個環節是數據產品經理最核心的區別其他產品經理的部分， 同時也要求甚高。 既需要豐富的產品設計經驗，也需要深刻的業務理解能力和數據分析能力。 4. 確認數據是否準確完備 分析思路需要相應的數據支撐， 數據展示類的產品自不用說， 即使是用戶畫像的算法類產品，也必須有足夠的準確數據做支撐。在確認的過程要注意以下兩點: l 數據的完備性：提前明確所有需要的數據是否已經準備完全。數據就像水面上的冰山，展示出來的只是很小的一部分，它的采集，清洗和聚合才是水面下 98% 的部分。所以如果需要的數據沒有采集或沒有經過清洗的話，會讓整個工期增加了極大的不穩定因素。 l 數據的準確性：在埋點采

60、集的時代里，這絕對是個遇神坑神的大坑。很多時候臨到使用，才發現這個埋點的方式一直都是錯誤的?；蛘甙l現這個指標計算的方法沒有把某種因素排除掉。這種情況在企業內部類產品比較常見。因為部門眾多口徑繁雜，一不小心掉進去了，就別想爬出來了。 所以，一個優秀的產品經理想要跟 Facebook 一樣做到 Data Driven ，必須首先做到數據的完備和準確， 埋點是必須要解決的痛點。 國內很多公司開始使用來自硅谷的新一代數據分析產品 GrowingIO，它們采取的無埋點采集數據的方案，便可以解決在數據準備上遇到的很多問題。數據所見即所得，完備性準確性迎刃而解。 GrowingIO 新一代數據分析產品 5.

61、 選擇什么樣的產品形態 以上四步最終確定完成之后，就可以選擇相應的產品形態了。常見的數據產品形態有：著重于數據呈現的有郵件報表類，可視化報表類，預警預測類，決策分析類等；著重于算法類的用戶標簽，匹配規則等等。篇幅所限，這里挑可視化報表類跟大家分享下： 5.15.1 指標的設計指標的設計 首先需要明確什么類型的產品適用什么樣的指標，如電商最核心的是訂單轉化率，訂單數，訂單金額等，對于社交網站來講則是日活躍用戶數，互動數等： l 逐層拆分，不重不漏。即 MECE 原則 (Mutuallyexclusive,collectively exhaustive)。如將訂單金額拆成訂單數單均價，訂單數也可以

62、往下細分出用戶數人均訂單數，不同的用戶還會擁有不同的人均訂單數，一層層往下分拆 l 確保指標能明確表達含義，為上層的分析思路提供依據 l 明確指標定義，統計口徑和維度 5.25.2 指標的呈現指標的呈現 指標的呈現說白了，就是數據可視化。這對數據產品經理來說極為重要。它并不只是 UI 設計師的工作， 因為它涉及到別人怎么去理解你的產品和使用你的數據。 一方面需要閱讀相關專業的書籍，另一方面，是要去觀察足夠多的產品，看他們是如何實現的。 這里有一些通用的規則可以和大家分享： l 同時著重展示指標不超過 7 個，5 個比較合適 l 在設計指標的展現時，要明確指標之間的主次關系 l 幾種圖表形式的使

63、用建議：趨勢用曲線圖，占比趨勢用堆積圖，完成率用柱狀圖，完成率對比用條形圖，多個指標交叉作用散點圖。為合適的指標選擇合適的形式很重要。 GrowingIO 新一代數據分析產品 圖片來自于網易云課堂 結語結語 數據產品學問太深，我們也只是窺得冰山一角。一個優秀的數據產品經理必須要具備各種技能， 要了解自己的用戶，要和他們保持長期有效的溝通；明晰用戶的核心需求，而非停留在表面；而最重要的是一定要掌握數據分析技能、會用數據分析工具，時刻有 Data Driven 的意識。 返回至目錄GrowingIO 新一代數據分析產品 產品經理：為什么目標和執行都沒有問題，產品卻越做越差？ 本文作者王柳， Gro

64、wingIO 產品經理。 對于很多產品經理來說， 用戶體驗是一個重要的考量標準，因此產品經理往往把自己放在用戶的角度來思考問題。但是這里其實有一個悖論因為產品經理永遠無法真正成為用戶，假裝對自己親手創造的產品一無所知，是根本不可能的。因此如果產品經理僅僅憑自己的直覺經驗和理解來設計產品， 自以為懂得用戶所想， 反而會離用戶的真實需求越來越遠。 所以，在產品經理的工作中不能僅僅依靠產品Sense來作為決策的依據，于是，反映用戶行為的指標和數據就成為了重要的決策依據。 作為用戶體驗的原生反饋， 指標越來越受到互聯網公司的重視，那么指標是如何幫助我們進行決策？有哪些重要指標還沒有被重視起來？產品經理

65、用指標做分析的基本思路又是什么呢？ 業務需求執行得很好，產品卻越做越差業務需求執行得很好，產品卻越做越差 我之前在一家 to B 的公司做產品，根據業務需求設計了用戶群組，為了更完整的用戶體驗，還做了很多后續的高級功能：用戶在創建群組后，可以建立組內項目，進行組內分享以及協同開發等高級功能。 新建組織的數量和總體用戶數都還不錯， 但是接下里用戶卻并沒有按照我們預計地活躍起來，甚至還在流失?？墒钱敃r沒有認識到這個問題的嚴重性，還在繼續搭建后續的高級功能。 我們既沒有用多種指標衡量產品結構是否合理的意識， 也沒有實時關注產品數據的習慣，因此完全找不到原因。 GrowingIO 新一代數據分析產品

66、很長一段時間之后，我們才發現用戶創建群組后，沒有得到有效的引導，導致無法邀請其他成員進來，因此很多用戶就走到新建群組為止了，后面的高級功能根本沒有用到，相當于用戶的使用流程在早期就完全斷裂了。 如果我們把每一步的流程和轉化效率直觀化， 即時看到各個步驟的轉化率和使用度，就可以及時調整產品戰略，減少用戶的流失。后面我們會講具體的思路和方法。 這些指標與產品健康度息息相關這些指標與產品健康度息息相關 既然數據對產品的設計和優化很重要，那么我們需要關注哪些數據和指標呢？ 1.簡單指標 對于產品經理來說， 最簡單的指標就是頁面瀏覽量、 登錄用戶數和訪問用戶數這樣的的數據了： 每天關注這些指標的變化和趨

67、勢， 可以快速了解產品的整體情況， 但是只有這些是遠遠不夠的，產品經理需要更多的關心反應產品健康度的指標。 GrowingIO 新一代數據分析產品 2.復合指標 基礎指標/用戶數量 & 基礎指標/訪問數量 將基礎指標平均在每個用戶身上，或者每個訪問（Session）上，就可以獲得產品的平均訪問深度、平均訪問時長、平均每周購買數量等復合指標。 相比于簡單的基礎指標， 分攤在每個用戶身上的指標通常能夠更好地幫助產品經理了解用戶的真實使用情況。 拿 PV 相關的數據舉例， 即使 PV 升高， 但平均訪問深度 （每個 Session 的 PV 數量）下降了，就不是一個很好的征兆，這代表用戶的使用情況可

68、能出現了問題，每個訪問進行的操作和打開的頁面數正在變少，甚至有可能直接導致流失。 因此，產品經理應該更多地關注這類指標，并且嘗試去提高平均訪問時長，平均訪問深度，平均每周購買數量等指標等， 這樣可以有效地消除基礎指標帶來的虛榮效應， 保持對產品現狀以及產品目標的清晰認識。 轉化率指標 在衡量產品的使用流程時， 轉化率指標是至關重要的。 轉化率指標能幫助你真正了解產品流程的健康度。拿注冊流做一個簡單的例子，注冊成功的用戶數量正在不斷增加，但這并不能代表注冊流程正在變得更好（有可能是拉新來的流量基數變大了），只有注冊轉化率（注冊成功人數所占百分比）有所提高，才能說明注冊流的優化是行之有效的。 Gr

69、owingIO 新一代數據分析產品 3.留存指標 在這些指標中，留存指標越來越受到產品經理的重視。從前大家更偏向于下載量，注冊數這樣代表拉新效果的指標， 但是一個人在什么時候才真正成為你產品的用戶呢？其實是在他留存下來的時候。 因此在AARRR模型中，留存是最重要的一環，獲?。?Acquisition）和激活（Activation）的用戶愿意持續地使用產品，就實現了用戶留存，留存下來的用戶才能實現后續的變現（Revenue），甚至自發進行傳播和推薦（Referral）。 如果留存率不夠理想， 所有在用戶獲取方面的努力都都將白費， 進而也不可能激發用戶的付費和推薦意愿了。 產品經理怎樣用數據分析

70、的思路優化產品？產品經理怎樣用數據分析的思路優化產品？ 對于沒有數據分析意識的產品經理來說，在完成產品規劃，功能開發，以及測試上線之后，就認為自己在這一階段的工作結束了，這樣是無法做出優秀產品的。在產品發布上線之時，數據分析的工作才剛剛開始， 只有對上線的功能進行不斷的調整和優化， 才能打磨出真正體驗優秀的產品。 那么對于產品經理來說，怎樣用數據分析的思路驅動產品優化呢？ 1.建立業務目標和產品期望 認真思考用戶故事，明確產品成功的目標是怎么樣的，比如什么樣的使用量，使用頻度，達到怎樣的留存率才算是成功； GrowingIO 新一代數據分析產品 2. 將產品抽象化、邏輯化和結構化 只有對產品的

71、結構和邏輯足夠了解， 才知道哪些是需要關注的數據和指標， 以及怎樣通過對這些指標的監控實現最終的目標。因此這時我們需要將產品功能抽象化、邏輯化和結構化，拆分成具體的邏輯層次。 包括用戶的預期操作可以分為幾個部分， 業務邏輯分為幾個部分等等在理清產品邏輯之后，才可以按照每一個部分去進行分析和優化，比如在電商應用中，就可以將用戶的購買行為抽象為如下的邏輯結構 A.打開商品詳情頁 B.進入購物車頁面 C.確認訂單頁面 D.進入支付頁面 E.付款成功； 3.進行數據的準備和收集 產品經理需要確定出具體的分析計劃，并且整理出數據需求。在一段時間的數據采集之后，形成相應的數據樣本（時間上很短，或者用戶很少

72、的數據是沒有意義的）。 但很多產品經理常常就敗在這一步， 因為傳統的數據收集工作必須要提前埋點， 而埋點最常發生的事情就是漏埋和錯埋，產品上線了才發現“沒埋點，沒有數”，因此，一些聰明的產品經理開始用不需要埋點的工具 GrowingIO 來解決這個問題。 4.多種手段進行數據分析，衡量用戶的使用情況 在新功能上線之后， 我通常會利用多種分析手段了解用戶的真實使用情況， 并驗證是否符合在第一步中設定的業務目標和產品期望。 比如， 在驗證產品每一個步驟的邏輯和轉化時， 我會使用漏斗功能對用戶的核心路徑進行分析，在之前的電商例子中就形成了一個A.打開商品詳情頁-B.進入購物車頁面-C.確認訂單頁面-

73、D.進入支付頁面-E.付款成功的漏斗（如下圖）。 GrowingIO 新一代數據分析產品 GrowingIO 漏斗實時進行數據分析 在這個漏斗中，可以發現從收貨信息頁面，到支付頁面的轉化率不太理想，已經產生購買意愿并確認訂單的用戶只有 50.2% 到達了支付頁面， 為什么這一步流失了一半的用戶呢？在這里我們就可以針對確認訂單頁面到支付頁面的流程，對這個現象的成因進行相應的分析了。 5提出猜想并驗證 通過上面的數據分析， 針對為什么確認訂單到支付這步的轉化率這么低？我們就會有一個初步的猜想，可能是用戶無法在確認訂單頁面查看商品細則，為了返回上一頁，因此放棄了付款，也可能是用戶想修改商品數量和樣式

74、，但是確認訂單頁面不能修改，因此放棄了付款，當然也有可能是單純的提交支付按鈕存在 Bug 或者理解的偏差。 接下來就要用數據分析來驗證我們的猜想。 例如： 我懷疑一個按鈕的樣式以及文案不夠符合用戶的期待，就可以查看這個按鈕的點擊率是否存在問題，以及設計新的按鈕樣式進行A/B測試。有了這樣實時的數據分析圖，我們就可以隨時看到用戶行為以及每一步的轉化行為，及時調整產品策略，以獲得更好的結果。 驗證猜想后， 我們就會得到具有相應論據的結論， 產品經理就能夠以此為依據進行產品的優化，以提升產品的用戶體驗，更好的實現業務目標了。在優化上線之后，產品經理就要開始新的數據分析輪回，對改版的數據進行分析提煉，

75、以檢驗改版帶來的效果是否是有效的，不斷用數據驅動產品優化和業務增長，形成良性的循環。 返回至目錄GrowingIO 新一代數據分析產品 打造更好的用戶體驗，需要這四個步驟 本文作者張溪夢，GrowingIO 創始人、CEO。前 LinkedIn 美國商業分析部高級總監，美國 Data Science Central 評選其為“世界前十位前沿數據科學家”。 SaaS企業服務產品有別于消費者產品，功能點多，流程復雜等問題都會成為用戶使用過程中的障礙。如何解決這些長久存在，并且影響用戶轉化率的問題呢？如何依靠數據驅動打磨出更加符合用戶習慣的產品，實現更好的用戶體驗，最終實現用戶和營收的雙增長呢？ L

76、inkedIn是世界上最大的職業社交網站，同時也是世界上第二大的企業服務軟件提供商。我之前在linkedIn負責整個的數據分析部門，支持運營。2015年LinkedIn全球年收入大約在30億美元左右，而五年以前LinkedIn的年收入是小于8000萬美元的。他們是如何獲得每年超過60%的增長率？ 這其中有兩個核心的因素： l 一是LinkedIn是最早用數據來驅動用戶和產品體驗的公司； l 二是LinkedIn用極低的成本增加了大量的銷售線索，它獲取客戶的成本是普通SaaS企業的50%。 LinkedIn內部的數據分析系統都是以支持全公司內部所有運營人員為核心目標的。數據分析團隊支撐所有和運營

77、有關系的部門，包括產品、市場、銷售、運營、客戶服務、敏感控制，這是整個公司全流程的支持，內部生產系統、數據分析系統，支撐將近6000個LinkedIn的員工。 GrowingIO 新一代數據分析產品 如何提升企業精細化運營的如何提升企業精細化運營的效益？效益？ 其實數據化運營很簡單，就是給“采金礦的車子”裝上輪子。核心就是4個字“提高效率”。 今天互聯網流量還會有價值，但中國互聯網企業粗放的流量經營時代已經過去。針對SaaS 企業來說，流量的獲取成本很高。當下所有互聯網企業的重心都應該從粗放型流量經營，向著客戶運營轉化。 也就是說一切圍繞用戶，做到： 第一，品牌認知，口碑； 第二，市場運營，獲

78、??； 第三，產品交互，體驗； 第四，銷售線索，轉化； 第五，客戶忠誠、留存。 這五個環從商業生命周期開始到結束，不斷演化，不斷進步，最后結出果實。 GrowingIO 新一代數據分析產品 但是核心的是口碑、獲取、體驗、轉化、留存。這些都是圍繞著客戶來進行的，我們要專注客戶的口碑，獲取更多的客戶，增加客戶的體驗。轉化更多的客戶為付費的客戶，存留更多的客戶。 如何通過產品分析實現用戶成功如何通過產品分析實現用戶成功 1提高轉化率 我們需要激活用戶，如何激活，營銷手段、電子郵件、廣告把客戶重新激活，為什么？因為激活一個客戶成本遠遠低于獲得新的客戶的成本，基本貫穿所有行業。 2用戶活躍度 用戶是否經常

79、使用你的產品？是否使用你產品中的主要功能？你的產品體驗好不好？是否能夠滿足客戶的需求？只有活躍的客戶才有可能轉變成付費客戶。 3用戶存留度 用戶存留大家都聽說過，保留一個客戶的價值遠遠超過獲取新客戶所獲得的商業價值。這一點來說的話我們在上市企業里面有很深刻的體會。一般來說，如果平均每個客戶的生命周期價值（LTV）小于3倍的平均客戶獲取成本，這個商業模式就很難成功。 GrowingIO 新一代數據分析產品 怎樣通過用戶行為分析，提升用戶體驗？怎樣通過用戶行為分析，提升用戶體驗？ 1用戶使用“是否流暢”？ 產品，最重要的是讓用戶在你網站或者APP上使用非常流暢。對此，我們需要知道用戶，在你網站中或

80、者在你的移動應用當中，其每一個操作，每一次交互。對應的，應該都有一條記錄在那里，這就是我之前所提到的“時間、地點、人物、內容和交互”方法。 2用戶畫像 對于用戶畫像，例如：用戶的性別、年齡、收入等，這些是用戶的基本畫像，數據預測能力是比較低的。 有一些更深層次的，比如：用戶的行為。他最近一段時間登陸了你的網站多少次？使用了你的移動應用多少次？最近這段時間購買了多少服務？或者他在你的移動APP網站中搜索了多少次？這些都是用戶自發的行為，是他主動的行為。 用戶行為是不會欺騙你的。 必須從海量的歷史記錄當中把數據提煉出來，才能知道該用戶真正的傾向性和喜好是什么，然后大數據才會正確的給用戶推送其喜歡的

81、內容。 今日頭條在推送方面就做得非常好，如果我們能夠在了解客戶所有行為之后，快速制定這些核心KPI，能夠知道我們企業的健康度。因此，可以說數據在本質上反映了用戶的行為，而用戶的行為是用戶體驗的最直接表現。 GrowingIO 新一代數據分析產品 互聯網產品如何進行精益化運營 1 1過去過去，流量是互聯網產品的關注點流量是互聯網產品的關注點 大家認為只要有了流量就能獲取用戶，試錯的成本非常低。 但是流量渠道也可能出現問題，一般的問題在于：哪些渠道可能好，哪些渠道不好？渠道涉及到數量和質量，同時還涉及到成本，我們現在投放各種各樣的渠道都是要花錢的。 2 2今天，用戶體驗以及產品設計愈發重要今天，用

82、戶體驗以及產品設計愈發重要 以GrowingIO的注冊頁面為例，我們此前的注冊頁面設計需要用戶在第一步填寫手機號碼、郵件地址還有密碼，大量的用戶看到需要提供這些信息后就離開了。很多進站的訪客流量就白白浪費。當時的注冊轉化率在7.5%左右，90%以上的客戶沒有完成注冊。 因此我們做了一個修正，首頁只保留電子郵件地址，其他的功能挪到后面的步驟中。 GrowingIO 新一代數據分析產品 效果如何呢？我們在今年1月11日做出了這個改動，工程師一共只用了3個小時的時間。在分析完整個注冊流程以及重要轉化路徑后，我們在新的注冊頁設計中只需要用戶填寫郵件地址，同時將手機號碼和密碼的填寫步驟后置，簡化用戶的注

83、冊流程，并讓用戶聚焦整個注冊流程。 最終的結果是，在設計改版后注冊的轉化率提高了近50%。 一個產品的小改動能夠立刻帶來效果，而且可以迅速驗證產品經理、工程業務人員或者創始人腦子里的“假設”，這也是數據分析對于產品的重要意義之一。返回至目錄GrowingIO 新一代數據分析產品 saas 企業如何做好用戶體驗 本文作者張溪夢，GrowingIO 創始人、CEO。前 LinkedIn 美國商業分析部高級總監，美國 Data Science Central 評選其為“世界前十位前沿數據科學家”。 首先，我們來講一講SaaS運營分析的指標中，最重要的指標之一訪問時長。之所以說“訪問時長”這一指標非常

84、重要，是因為它間接反映了產品的“黏度”黏度越高，流失率就相對越低。 然而，SaaS企業服務產品有別于消費者產品。功能點多，流程復雜的問題都會成為用戶使用過程中的障礙。 因此了解用戶的使用行為，對于我們增加用戶的“黏度”就更加重要。其中我們可以將之分解成5個小的方面：視覺，界面，文案，交互，操作方法。 GrowingIO 新一代數據分析產品 用戶留存度用戶留存度是是 SaaSSaaS 企業企業的生命的生命？ SaaS運營分析核心指標之一是留存度，這也是一個老生常談的問題。一個MRR流失率3%的公司和一個MRR增長率3%的公司，在5年后營收會差36.6倍。這個現象，我們在LinkedIn工作的時候

85、感同身受。他們在過去五年把年度Churn Rate（顧客流失率）從50%以上，做到了接近11%。 世界上知名的SaaS企業，例如：Salesforce,、LinkedIn、 Box以及Workday等都緊密地追蹤新開賬戶，以及持續衡量現有客戶對產品的使用。這種持續追蹤用戶各種使用行為，監測對現有及各種新產品功能的使用頻率和各種模塊細節使用情況的做法，核心目的主要有三個： 1. 衡量客戶忠誠度，減低潛在流失率。 2. 預測客戶復購率、增加潛在增購可能性。 3. 增強產品設計體驗和使用流暢度，提高客戶體驗，減低產品摩擦。 注意是減低潛在流失率、增加增購可能性，而不是流失率、增購可能性。 為什么要強

86、調“潛在”的流失率？因為有數據分析。數據分析可以使得客戶經理或銷售經理，在客戶流失的苗頭出現之前，就能及時采取行動，阻止客戶流失，把潛在的可能性消滅在搖籃里。 流失率減低有四個好處，它們非常直接而且長期的影響經常性營收，分別是： l 更好的客戶口碑和營銷效應； l 更長的客戶付費生命周期； l 更多的機會做交叉銷售； l 更低的CAC/LTV比率。 GrowingIO 新一代數據分析產品 因此，我們應該如何改進產品設計，來提高用戶留存率呢？ l 了解現在的用戶留存比例是第一步 l 帶著假設去看不同功能點的使用者在存留上有什么差異 l 關鍵在于導引并且教育低留存用戶使用那些核心功能 l 不斷追蹤

87、優化 作為作為 SaaSSaaS 企業級服務的公司，該關注什么？企業級服務的公司，該關注什么？ 第一步，就是要理解用戶留存，而且每天必須關注這個指標，下面兩個存留數據的圖或許有些復雜，但是只要比較兩個隔日的存留比例就能夠知道一個事實使用“創建新指標”功能的用戶隔日留存率在30%左右，不使用的只有10%左右的存留度： 由此，我們應該盡全力地把“不使用”這個功能的用戶，變成“使用”這個功能的用戶。 比如我們想要著重引導用戶使用新建圈選功能，因此立刻把“新建”按鈕作為獨立的功能標記了出來，提供給了客戶。 GrowingIO 新一代數據分析產品 這其中的道理是相同的：SaaS產品只關注流量性的指標是遠

88、遠不夠的，必須要關注具體到用戶級別的體驗。這也是精細運營的核心，這就是說，我們要盡可能詳細了解我們的“每一個”用戶的使用行為。 究其原因，因為我們服務的對象都是公司，一個基礎的流量指標不能反映每一個細分公司的活躍度，不同的公司應該有不同的方案。宏觀的留存率是不夠的，必須衡量公司級別的健康度和使用度，因為這是衡量流失率的核心早期指標。 更深入的，我們甚至應該分析每一個“用戶”的使用度，來評判級別，從而提高效率，增加留存，最終獲得更大的增長和營收！ 最后，我認為，只要有信念，每一個企業都能做到數據驅動的精細化運營。 返回至目錄GrowingIO 新一代數據分析產品 走出只關注 PV、UV 的誤區，

89、數據分析這樣做才能解決問題 本文作者葉玎玎，GrowingIO 的聯合創始人，他也是連續創業者，是企業協作工具風車的聯合創始人，十多年的工程開發經歷和多年的項目管理經驗，現在負責核心工程開發和技術實施。本文是他對于互聯網創業公司數據采集和分析的一些思索和心得。 過去的六七年我一直在企業服務領域創業，使用過不少分析工具：GA、Mixpanel、Heap 等等，功能很強大，但是總感覺少了點什么。我們看到了PV/UV這樣的概覽性指標，但是它們沒法指導我們做的更好。在通過這些粗糙的數據得到用戶做了什么后，還要看到他們是怎么做的，明白他們為什么做。我們需要實時、全量的用戶行為數據，通過對用戶行為整體流程

90、的分析，找到轉化的關鍵節點以及用戶流失的核心原因，以此幫助我們對癥下藥，找到可執行的指標，落實為優化行動。 今天，我想分享的就是我們在這方面的一些探索與解決方案。 一一. . 用戶行為分析的巨大需求用戶行為分析的巨大需求 純從數據組成的角度來說，一個完善的閉環數據源主要是分成三大塊：第一塊是用戶行為數據，第二塊是服務端日志數據，第三塊是交易 Transaction 數據。其中，除了交易數據會經常被存儲在離線數據庫中，通過 ETL 來獲取分析以外，行為數據和日志數據很多時候都是近似的，完備的用戶行為數據基本能覆蓋絕大多數的服務端日志數據，同時里面包含著很多日志數據里面所缺乏的信息。 從技術發展角

91、度來說，最近幾年發展最快的可以說是前端，每個月都會有很多新的東西出現，整體趨勢是往單頁應用發展，追求用戶體驗。同時，還有移動端應用，也產生著大量的行為數據，這些都不會跟服務端有過多交互。 GrowingIO 新一代數據分析產品 所以，從應用提供商來說，我們需要知道屏幕前的人是怎么使用我們的產品的，洞悉用戶行為背后的價值。 GrowingIO 從去年 12 月 8 號發布到現在已經過去幾個月了，目前有幾百家客戶在使用。我總結了一下客戶經常問我們的分析需求，大致可以分成三個場景： l 第一個場景是：我做了一次活動，我寫了一篇文章，我想知道到底效果如何，有沒有給我帶來足夠的流量，也就是市場營銷效果衡

92、量。我們有些客戶，每年有上百萬的市場預算在 SEM 上，但是卻完全不知道這些錢花出去到底帶來了多少回報。 l 第二個場景是用戶激活流程是否合理，辛辛苦苦導入了流量，這些流量有沒有轉化為用戶，注冊流里面每一步轉化了多少，流逝了多少，沒有轉化的去了哪里。在這個基礎上，我們應該怎么優化，優化后的效果是怎樣的，這周的轉化率比起上周是否有進步，差別是怎么引起的等等。 l 第三個場景是這些注冊的用戶，有沒有留下來成為一個忠誠用戶甚至付費用戶。留下來的用戶，是因為什么留下來的。是否存在一個魔法數字，可以去極大的提高用戶留存，比如： LinkedIn 發現在第一周增加 5 個社交關系的用戶留存度很高；Face

93、book 發現在第一周增加 10 個好友的用戶留存度很高； Twitter 發現在第一周有 30 個 followers 的用戶留存度很高； Dropbox 發現在第一周安裝兩個以上操作系統的用戶留存度很高。這些都是在留存分析中發現的魔法數字。 二二. . 復雜而易錯的傳統分析方法復雜而易錯的傳統分析方法 歸根結底，所有的分析最終都是為了商業服務，而商業是為人服務的。所以，用戶行為分析就是我們需要建立一套基于用戶的行為的分析體系，在了解用戶“誰”做了“什么”，“怎么”做的之外，進而明白是“為什么”做，對癥下藥，轉化成為優化行動。 GrowingIO 新一代數據分析產品 分析是一個長時間優化的過

94、程，需要我們持續監控數據的變化。而數據指標除了行為數據指標外還有一類，我們稱之為虛榮指標，比如 PV、UV 之類流量概覽性數據，這些指標看到了也就看到了，沒法指導我們做的更好。 用戶行為數據指標則是另外一類，比如我們上面介紹的用戶獲取、用戶激活、用戶留存之類，了解這些行為后面都會對應到一個優化流程，所以也叫做 Actionable Metric，可執行指標，這也是用戶行為數據的魅力。 那么接下來，我們要開始跟蹤用戶行為了，我們要怎么開始呢。一般可以分成以下七個步驟： 1.確定分析場景或目標 確定一個場景，或者一個目標。比如，我們發現很多用戶訪問了注冊頁面，但是最終完成注冊的很少，那么我們的目標

95、就是提高注冊轉化率，了解為什么用戶沒有完成注冊，是哪一個步驟擋住用戶了。 2.思考需要了解哪些數據 思考哪些數據我們需要了解，幫助我們實現這個目標。比如對于之前的目標，我們需要拆解從進入注冊頁面到完成注冊的每一個步驟的數據，每一次輸入的數據，同時，完成或者未成為這些步驟的人的特征數據。 GrowingIO 新一代數據分析產品 3.確定誰來負責收集數據？ 誰負責收集這些數據，一般是我們工程師出馬。 4.什么時候評估和分析？ 收集上來的數據如何分析，什么時候來評估采集到的數據。 5.如何給出優化解決方案？ 發現問題后，怎么來出解決方案。比如，是否在設計上改進，或者是否是工程上的 bug。 6.誰負

96、責實現解決方案。 確定方案的實施責任人。 7.如何評估解決方案的效果？ 下一輪數據采集和分析，回到第一步繼續迭代。 知易行難。這整個流程里，第 2 步到第 4 步是關鍵。目前傳統的服務商比如 GA、Mixpanel、友盟所采用的方式我稱之為 Capture 模式。通過在客戶端埋下確定的點，采集相關數據到云端，最終在云端做呈現。比如圖中這個示例，相信在座的各位應該都有寫過類似的代碼。 Capture 模式對于非探索式分析來說，是一個非常行之有效的方法。然而，同時對參與整個流程的人也提出了非常高的要求： 缺點1：依賴經驗導向 GrowingIO 新一代數據分析產品 Capture 模式非常依賴人的

97、經驗和直覺，不是說經驗和直覺不好，而是有時我們自己也不知道到底什么是好的，經驗反而會成為一個先入為主的負擔，我們需要用數據來測試來證明。 缺點2：溝通成本高 另外，一個有效的分析結果，依賴于數據的完整性和完備性。跟不少企業溝通后，不少的吐槽都是“連日志格式都統一不了”，更別提后續分析了。這不是具體人的問題，更多是協作溝通的問題。參與人越多，產品經理、分析師、工程師、運營等等，每個人的專業領域又各不相同，出現誤解太正常了。曾經跟我們的 CEO Simon 交流過，他在 LinkedIn 帶領數據分析部門的時候，LinkedIn 專門組建了一個多達 27 人的埋點團隊，每天開會，就是為了統一埋點的

98、格式和位置，經常一開就是幾個星期。 缺點3：大量時間數據清洗和數據分析代碼侵入 另外，由于需求的多變性，埋點分成多次加入，缺乏統籌設計和統一管理，結果自然是無比骯臟。所以我們數據工程師還有個很大的工作是數據清洗，手動跑 ETL 出報表。根據統計，絕大多數分析工作，百分之七十到八十的時間是在做數據清洗和手動 ETL，只有百分之二十左右在做真正有業務價值的事情。另外一方面，作為一個有潔癖的工程師，最恨的就是大量的分析代碼侵入了我的業務代碼，刪不敢刪，改不敢改，日積月累，最終代碼庫整個就混亂了。 缺點4：數據漏采錯踩 以上都還是好的，最最讓人抓狂的是，上線了，發現數據采集錯了或者漏了，修正后，又得重

99、新跑一遍流程，一個星期兩個星期有過去了。這也是為啥，數據分析工作是如此耗時一般以月計的原因，非常低效。 GrowingIO 新一代數據分析產品 三三. . 無需埋點的數據分析原理無需埋點的數據分析原理 在經歷了無數個痛苦的夜晚以后，我們決定要換個思路思考了，希望能最大限度的降低人為的錯誤，我們稱之為 Record 模式。區別于 Capture 模式，Record 模式是用機器來替代人的經驗，自動地采集用戶在網站或者應用里的全量行為數據。因為自動化，我們從分析流程的源頭開始就控制了數據的格式。 所有數據，從業務角度出發，劃分為 5 種維度： Who，行為背后的人，具有哪些屬性；When，什么時候

100、觸發的這個行為；Where，城市地區瀏覽器甚至 GPS 等；What，也就是內容；How，是怎樣完成的?；趯π畔⒌慕鈽?，保證了數據從源頭就是干凈的，再在此基礎上面，我們完全可以把 ETL 自動化，需要什么數據可以隨時回溯。 回到之前流程的第二步到第四步，我們已經把參與人從多方減少到基本就一方了，無論是產品經理、分析師還是運營人員，都可以使用可視化工具來查詢和分析數據，真正做到所見即所得。不僅是 PC，還支持 iOS、Android 和 Hybrid，可以進行跨屏的用戶分析。 作為一家用戶行為分析工具提供商，GrowingIO要做的并不只是用于內部，還需要適應外部成千上萬的網站和應用，所以在實

101、現過程中我們做了很多探索： l 自動用戶行為采集 目前我們所接觸的 GUI 程序，無論是 Web App、iOS App 還是 Android App，都是基于兩個原則，樹形結構和事件驅動模型。無論是 Web 上的 DOM 結點結構，還是 App 上的 UI 控件結構，都是構建好的一顆完整的樹形結構渲染在頁面或者屏幕上。所以通過對樹結構的監控和檢測，我們就可以非常方便地知道哪些結點發生了變化，何時發生了變化，發生了什么變化。同時，當用戶做了某個操作，比如鼠標點擊、屏幕觸控，都會觸發一個事件，綁定了該事件的回調函數就會被觸發開始執行?；诖藘牲c認識，在 SDK 里面如何實現無埋點就比較清楚了。只

102、要能在結點變化或者事件發生的時候觸發我們定義的函數，那么我就知道事件發生的多重信息。 GrowingIO 新一代數據分析產品 l 數據可視化 如何把采集到的數據和業務目標匹配在一起。我們的解決方案就是我們的可視化工具。剛才已經提到任何一個原子數據，都被拆解成了 5 種不同分類的維度。所以，當我們在可視化工具里面做匹配時，也就是對于不同維度信息的匹配。比如一個鏈接的點擊，會匹配到內容或者跳轉地址也就是 What，點擊行為也就是 How。還有其在頁面的定位信息，比如在樹形結構中的層次位置，是否帶一些 id、class 或者 tag，都是用來做數據匹配的信息。我們開發了一套智能匹配系統，通過對用戶真

103、實行為的學習，建立了一套規則引擎，用于元素匹配。也正因為采集到的是全量數據，整個匹配系統有如基因進化一般，既有對過去歷史的記憶，也有順應新結構的演進變化。 l BI 商業分析 我們在系統設計過程中，整個 Data Pipeline 過程中，數據進過處理后，會根據優先級不同，首先通過 Spark Streaming 實時的處理已定義數據，然后每過一段時間對匹配到的數據做離線預聚合，多維分析非常靈活。 GrowingIO 新一代數據分析產品 用戶行為數據采集的目的是通過了解用戶過去做的行為，用來預測未來發生的事情，無需埋點，隨時回溯數據，讓產品經理一個人就可以搞定用戶行為分析的全部流程。 Grow

104、ingIO 希望能提供一個簡單、迅速和規?；臄祿治霎a品，能極大地簡化分析流程，提交效率，直達業務。而這一切的基礎，就是我們從第一天開始就一直在研發的無埋點智能全量數據采集，基于此優化產品體驗，實現精細化運營，用數據驅動用戶和營收的增長。 返回至目錄GrowingIO 新一代數據分析產品 老板問的指標都記不住，還想做百萬年薪數據分析師？ 本文作者單元明，GrowingIO 聯合創始人，在產品和市場分析方面有多年工作經驗，在成立 GrowingIO 公司之前， 在美國若干知名企業 Coursera， LinkedIn， Rock & Fuel 公司，擔任性能分析、商業分析經理和移動產品分析管理

105、工作。 作為一個數據分析師，你有沒有經常遇到過這種情況，老板開會常常問你，今天的UV、PV、注冊轉化率、購買率是多少？一般情況下，普通數據分析師會說，“老板等一下，我看下報表?！钡莾炐愕臄祿治鰩熁卮鹨欢ㄊ?，“老板，昨天我們的轉化率是80%，今天是70%，昨天上線了一個新流程，我們可能要優化下產品設計?！?看，這就是學渣和學霸的區別。老板問的指標都記不住，還想做百萬年薪數據分析師？ 但是公司有那么多指標，需要全部記住嗎?怎么才能游刃有余地應對老板的問題？怎么才能在實際的業務中，通過熟記指標增加對業務的熟悉程度，提供更有效的數據支持，幫助公司更好的規劃戰略定位產品。 GrowingIO 新一代

106、數據分析產品 一一哪些關鍵指標哪些關鍵指標需要關注需要關注？ 做分析除了需要各種軟硬通用的能力，比如統計，編程，算法，忽悠等，還得對公司的業務非常熟需。從分析的角度看，增加業務的熟悉程度最直接有效的辦法就是記指標。如果不看報表，下面這些問題能立即回答出來嗎: 公司平均每天每周每月營業額，活躍量，流量大小 周末和周中一般差別 早上，中午，晚上用戶關鍵差別，活躍數，流量 北京和上海，各主要地域的市場份額，消費能力，平均每用戶營業額 公司下個季度預期增長率，預期今年的營業額 桌面和移動的活躍比例，收入比 web和app的比例 免費用戶和付費用戶比例、主要差異、80%的營業額由前百分之幾的用戶提供 主

107、要漏斗，如注冊，登錄，付費，提交等，每一步的轉化率，流失率 主要產品的客戶留存。獲取用戶的成本，用戶的生命周期價值 公司平均每天每周每月營業額，活躍量，流量大小 周末和周中一般差別 上述這些指標，很多互聯網公司都有，但能不能記住，是區別一個分析師水平的重要方面。好的分析師，這些都爛熟于心，幾乎成為了第二本能。 二二 熟記關鍵熟記關鍵指標，有哪些好處？指標，有哪些好處？ 熟記關鍵的指標，在看到異常波動時，才會敏感的察覺有地方不對，也就是我們通常說的“感覺”。這一點在公司人與人交互中尤其有效，因為交互是實時性的，需要有立即的反應。 比如開會中討論新的方案，需要立即指出可能存在的問題，并給出質疑的原

108、因和證據，引導會議成員的思路并提出解決方案。而如果對業務指標不熟悉，很難有這種感覺，或者就算有所察覺，但因為不夠熟悉不夠自信，就需要去翻看報表，找到相應的關鍵指標，前前后后可能需要十幾分鐘。這在一個人做分析時，沒有太大問題，但在會議，討論等實時性很強的互動中，顯然是不合適的. GrowingIO 新一代數據分析產品 熟記指標另一個巨大優勢是能給分析師帶來巨大的可信度。 分析師相比其他職位最大的優勢是能接觸到數據，海量的數據。在規劃戰略，定位產品時，很多觀點都是基于邏輯推理，行業經驗，類比假定，而分析師就有機會提供更加量化的指標，為合理的觀點提供強有力的支撐。 所謂事實勝于雄辯，“我們隨機抽樣，

109、90%用戶支持現在的定價”就要比 “一般大家都這個價位” 要有說服力的多。長期進行以量化事實為依據的交互，分析師能贏得很多的信任，從而更有效的領導跨組合作。 三三 如何才能記住指標？如何才能記住指標？ 那么，如何才能記住指標呢？ 別小看指標的數量，雖然是大數據綜合提煉而成的統計表征，但指標自身可能也是“大數據”。拿活躍用戶這一個指標舉例，看過去7天按每天整合，就有7個數據點。如果再按地點北京上海等分類，可能又有10個點，然后再加上設備，渠道，付費級別，參與程度，訪問來源等維度，以及互相之前的環比，同比等等，那一個指標變成幾千或者幾萬個數據點輕而易舉。 但如果要把這些全記下來，那基本不用干別的活

110、了。比較有效的方法就是抓大放?。?首先，要得是那種大致的感覺，不是銀行出納分厘不差的精確。如果日活是1234567人，那么后面那些具體數字基本上沒有太大意義，記一個120萬人就可以了。 其次，各種維度記幾個主要值就行，比如地區就記北京，上海，廣州等。而設備就是安卓，蘋果，桌面等，不需要背黑莓，win phone等各種小眾移動的份額。 最后，優先記整體情況，只有一個維度時的聚合, 如果有時間再看多維度的交叉細分。比如, N天前,北京、 蘋果、 付費用戶, 這4個維度交叉后的指標可能也有價值，但把不交叉GrowingIO 新一代數據分析產品 時的主要時間, 地點, 平臺, 用戶類別的指標記清楚,

111、覆蓋范圍要廣的多, 記的數量也要小得多。 返回至目錄GrowingIO 新一代數據分析產品 從埋點到無埋點 ，是過去和未來的差別本文作者葉玎玎，GrowingIO 聯合創始人、CTO，Teahour 主播，風車聯合創始人，十多年的工程開發經歷和多年的項目管理經驗，目前負責工程技術團隊。 自從我們去年發布無埋點方案以后，就獲得外部很多的關注，一方面感覺到很神奇，只加了一段 SDK 就能實時地，全量地，自動地收到用戶的行為數據了，另一方面數據開始沉淀，這樣業務人員就可以在任何時候都回溯，很多人在問這是怎么實現的。 的確，這里面有很多我們稱之為黑科技的東西在里面，有在運行時的操作，也有在編譯期做修改

112、的， 同時又要求能站在用戶分析的角度去思考 SDK 的應用場景和數據邏輯， 對于 SDK 開發團隊來說有非常高的要求。 無埋點采集技術原理說起來很簡單， 主要是基于樹形結構和事件驅動模型， 有興趣的可以看看我之前寫的一篇文章： 無需埋點的數據分析原理 https:/ 。 就我所知，類似的無埋點方案，阿里做過，百度做過，騰訊也做過。之前就有阿里杭州的小伙伴們專門來北京跟我們做這一塊的技術交流， 都是非常優秀的小伙伴。 但是只有當你真正去嘗試解決并且產品化的時候， 你才會發現這想起來簡單的事情做起來是多么的困難， 這里面的水有多深。沒有什么比 Ninety-Ninety Rule 能更形象的表達這

113、個事情了。 GrowingIO 新一代數據分析產品 今天，我想借這篇文章跟大家介紹一下我們是如何思考這個事情的。 一、無埋點更適應當下的互聯網公司 當下的時代是一個大前端時代，Web、手機 APP 的使用時間越來越長，以前的應用程序，前端的代碼量并不大，但是如今隨著 JavaScript 的發展，移動端 APP 的飛速發展，同時大家使用手機 APP 和網站的時間越來越碎片化，很多行為不一定要提交到服務器，用戶只是做了和前端的一些交互操作， 很多關于用戶體驗的代碼都在前端實現。 比如在一個旅游網站上面，用戶對起點和目的地的條件選擇，對酒店的房型的選擇，下拉菜單的內容點擊，只要用戶不提交這個請求，

114、后端的服務器，就無法記錄用戶的這些行為。 這也是為什么大趨勢發展下，后端埋點（也就是俗稱的打點、埋點）越來越不再適用，后端能采集到的數據是片面并且有限的， 一方面后端與前端之間往往是缺乏數據交互的， 大量操作都是預加載或者延遲加載， 另一方面當用戶出現網絡故障或者環境問題時， 后端再也沒有機會知道用戶在那些時間點上的操作。比如 Mixpanel 就會直接把數據扔掉。一般我們在說無埋點的時候，都說的是前端 SDK 全量數據采集，在前端盡可能做異步操作，盡量讓用戶感覺不到任何延時， 不僅在客戶端能抓取到用戶全量的行為數據， 同時也會先把數據緩存到本地，等網絡正常后再次上傳，盡可能保證用戶數據的完整

115、性。 分析的目的是為了驅動業務增長，我們需要的是從用戶做了什么中找到趨勢，找到轉化率。精益分析書中第一章提到：一個好的指標，首先應該是穩定的，其次應該是可比較的。我們的重心就是從數據中找到那些變化點，為什么今天的數據比昨天漲了，或者跌了，今天發生了什么事情，哪個渠道帶來的流量，這是不是可持續的，如何才能保持增長。 基于數據和指標去思考為什么、我能做什么、我要做什么以及效果如何，這才是數據驅動。 GrowingIO 新一代數據分析產品 二、無埋點能夠更好地解決業務需求 很多人對于無埋點的理解誤區在于認為無埋點只是看一下某個元素的瀏覽量和點擊量，缺乏業務場景，這其實是非常片面的。 一切都是起源于商

116、業問題。 我們做無埋點的初衷是為了減少溝通提高效率， 快速得到結果輔助決策。無埋點不等于不寫代碼，除了那些本身可以在前端采集到的業務數據，我們同時還提供了一系列的高級功能， 讓用戶在集成時花費很輕的成本， 就可以采集到更多的業務數據，比如： l我們有用戶屬性的集成，用于構建用戶畫像，從多維度分析一個用戶的方方面面；l我們有頁面屬性的集成，可以基于業務場景劃分一個應用為多個不同的頁面組，每個組可以根據業務需求進行各自自己的多維分析；l我們還有行為屬性的集成，可以讓你在用戶具體行為上集成業務屬性；這些就如 Google 一樣，一方面在數據處理和自然語言處理上不斷精進，但是同樣會有一套 Semant

117、ic Web 的規范，讓搜索引擎能夠更理解業務。 而后端埋點，有個非常嚴重的硬傷是，行為數據和后端數據無法很好的關聯，后端數據只是個結果，但是卻無法歸因。比如當我們去分析注冊轉化率時，我們會發現因為缺乏很多前端行為交互數據，而不知道有多少人放棄注冊了，放棄注冊是因為什么，我們應該如何去改進等等。 而在無埋點方案下， 我們非常清楚的從用戶細查里查看到用戶的每一步操作， 幫助我們快速定位問題： GrowingIO 新一代數據分析產品 同時，我們提供了熱圖讓你對群體行為更加一目了然。 任何的分析都是基于業務需求場景化的，是一個發現問題、思考原因、提出方案、驗證論證的循環過程，如何在用戶盡可能少的參與

118、下，能理解和分析出用戶的業務場景，是我們一直在努力的方向。 這并不是一個人一個團隊孤獨地在戰斗， 是一個基于群體的智慧學習的過程。我們會繼續深入研究和挖掘這部分，讓業務需求能更快更直接的呈現在用戶面前。 三、無埋點是否只是一個宣傳的點？ 像很多改變現在的新科技能力剛面世一樣，也有些人會問無埋點到底能產生什么業務價值。 很難想象， 如果 3 年后 5 年后， 業務端還要不停地和產品經理、 分析師、 工程師溝通埋點，極其浪費時間和資源?；钤诋斚?，立足未來，站在我們今天的成果上來說，我們能很清楚地感覺到，未來在哪里，有多遠，如何才能給用戶提供最大的價值。 Nothing Is Impossible.

119、 這是我們在招聘時非?？粗氐囊稽c。世界上所有做不了的事情，并不是因為真正做不了，而是我們自己認為這個做不了。我們不會因為別人不會做、告訴我們做不了， 就不去思考接受認為自己也做不了。 總是有那么一群可愛的人， 他們就是比較傻，每天想著如何自己能多做一點，讓我們客戶能更快更方便的直接得到價值。 今天，我們已經將完成一個分析的時間，從原來的幾周，縮短到了幾小時，節約了大量的跨部門溝通成本和工程師的開發成本。明天，我們還會再從幾小時縮短到幾秒鐘，深入挖掘商業洞察。 任何以 難 為借口而讓客戶遷就于你、 浪費大量無謂時間的解決方案都是耍流氓，我們一直有這個信念。越困難的事情，解決了就能帶來越大的價值，

120、我們做的越多，客戶獲取的價值就越高，而這就是為什么今天我們在這里的意義。一切緣起于商業！我的朋友奇點金融的聯合創始人海舟說的一句話，我非常喜歡： GrowingIO 新一代數據分析產品 最后， 感興趣的可以了解下我們的幫助文檔 (https:/)， 看看我們的實現邏輯，明白了的話可以約我聊聊，歡迎一起來做一件非常有技術挑戰的事情。 從 0 到 1，是守舊和改進的區別，是過去和未來的差別。而有這群愿意不斷挑戰、自我時刻以客戶價值為第一位的伙伴一起，是我們走向未來的堅實保障。 返回至目錄GrowingIO 新一代數據分析產品 提高渠道 ROI：如何打破用戶“只看不買”魔咒，把流量轉化為注冊和購買？

121、 本文作者趙瀟，GrowingIO高級數據分析師。 互聯網從業者對轉化率這個指標肯定不陌生，我們經常會關注到轉化率，如注冊轉化率、購買轉化率等，這些轉化率指標和網站運營息息相關。注冊轉化率可以衡量我們網站獲取用戶的能力；購買轉化率可以衡量我們網站營收的能力，直接影響我們的營收。那么該如何提升注冊轉化率呢？ 影響轉化率的三大因素其實是外部（渠道流量）、內部（用戶營銷）和內部（網站/APP體驗）。 渠道流量是我們從網站外部獲取的。用戶營銷是我們對于網站已有用戶進行運營和營銷工作。網站/APP體驗是可以通過內部產品、設計、工程等部門來優化的，也屬于內部因素。 一、渠道流量一、渠道流量 第一個因素是渠

122、道流量，主要分優選渠道和量化分配兩個步驟，以此來解析如何提升轉化率。 什么是“優選渠道”？ GrowingIO 新一代數據分析產品 我們在營銷或運營的時候會選擇多個渠道，這些渠道有好的也有差的。渠道質量直接體現在轉化率上，最終影響網站的營收?！皟灮馈本褪俏覀儜摫M量選擇質量好的渠道，放棄差的渠道，將投放預算發揮最大效果。 什么是”量化分配”？ 在完成了第一步渠道優選后，假如你得到了10個質量比較好的渠道。那么問題來了：在預算一定的情況下，10個渠道該如何進行資源的分配？以往，我們更多的是憑借經驗或者業務上的理解，非常主觀的進行渠道資源分配。如今，我們更加傾向從量化或者數學的角度，結合業務的

123、理解，考慮如何精準進行不同渠道的資源分配。 案例：某電商網站購買轉化率 這是一個電商網站全站購買轉化率的情況，用GrowingIO的漏斗分析功能得到該網站每一步的購買轉化情況，用戶從首頁到列表頁，再到詳情頁，再到購物車，直到最終支付成功。在紅色方框內，有一個總的購買轉化率1.5%，很低。 讓我們通過漏斗分析的維度對比，比較不同渠道過來的用戶的轉化情況。如下圖： GrowingIO 新一代數據分析產品 我們可以看到，紅框里訪問來源1和2，這兩個渠道的總體轉化率都是非常低的。但是訪問來源1的流量卻遠遠高于來源2。依靠我們對業務的判斷，可能會有兩種情況： l 第一種情況：這個渠道它本身質量比較差。

124、l 第二種情況：可能它是一個輔助渠道。這個渠道的投入，可能并不是很多，但是這個量卻特別大。 針對這兩種情況分類解決問題，如果這個渠道質量本來就比較差，但是量很大，我們能否考慮去優化這個渠道的投放，比如廣告內容、關鍵字、落地頁設計等等，并且觀察一段時間。如果這個渠道質量并不差，但是只是一個輔助渠道，那么這個時候我們可以采取觀望策略，觀看其發展趨勢以便后期優化。 當我們篩選完渠道后，剩下10個比較優質的渠道，那么這10個渠道該如何分配資源呢？ 下面是用GrowingIO采集到的該網站從不同渠道來的流量情況： 結合業務經驗，我們會知道搜索引擎渠道百度SEO和SEM的客戶匹配精度是比較好的，我們應該多

125、投放一點。 上圖是渠道投放前后效果對比。左邊是不同渠道的資源分配，右邊是最終的轉化率。2014年的所有渠道的投放組合（左邊藍色）的最終轉化率（右邊綠色）偏低；經過新一輪的渠GrowingIO 新一代數據分析產品 道優化后，大幅度提高了SEM的投放后，2015年所有渠道的投放組合（左邊黃色）的最終轉化率（右邊橙色）大幅度上升。 我們可以看到，即使是在資源有限的情況下，通過渠道優選和量化分配，也可以有效提升轉化率： 二、用戶營銷二、用戶營銷 什么是用戶營銷？ 對產品里的用戶做的一系列運營的活動，包括拉新、激活或者喚醒等，通過這些活動，使用戶反復進行購買。這樣的運營或營銷才是精準的，最后才能達到提高

126、整體購買轉化率的目的。 如何進行用戶營銷？ 步驟一：確定業務場景，通過繪制用戶畫像，來找準我們的目標用戶。 步驟二：在第一條的基礎上，我們找到了目標用戶之后，就要精準營銷，就是所謂的激活或者喚醒，使得這部分目標用戶，在我們的網站上進行購買，從而提高最終的轉化率。 業內比較經驗的一個用法，就是對這個用戶價值度的分級。我們提到用戶價值度的話，這個詞實際上是比較含糊的，我們如何精準的去為這個價值度做一個分級？ 業內常用的RFM模型：R是Recency，就是最近一次購買距現在的時間；F是Frequency指的是用戶的購買頻次；M是Monetary，指的是用戶的購買金額。 GrowingIO 新一代數據

127、分析產品 我們可以從這三個維度，對用戶進行一個分級，我們可以把它分成8類，這8類可以涵蓋我們想要說明的這個用戶的價值。比如說，近期有購買或者有使用的這樣高頻次使用，同時高金額消費這樣的用戶，我們可以把它定義為我們網站，或者我們平臺、APP的高價值用戶： 通過這個劃分，我們可以把自己的整體用戶，分成不同的等級。 假設我們是一個電商類的網站，在促銷比較貴的數碼產品。這時候我們就要找到高價值用戶，做活動推送，而不是全部用戶。因為高價值的用戶購買數碼產品的可能性更高，實現精準推送。 除了RFM模型分類，還有其他分類方法： 1）根據會員屬性進行分類，如用戶的性別、城市、設備、登陸次數等。 2）根據用戶的

128、活躍度進行分類，把用戶分為未轉化會員、新會員、活躍會員和沉寂會員。什么是未轉化會員？就是指那些注冊了，但是從來沒有購買的用戶。 3）根據用戶的購買偏好，結合實際購買的場景，給他做一個分類。同時也可以根據用戶的預定平臺和推廣渠道的敏感來給他分。 4）也有通過注冊來源，比如說PC/APP/H5。假如說我們的網站中大多數會員通過APP端注冊來的。那我們做一些激活活動的話，應該著重發力在APP，而不是選擇在PC或者H5這樣的端口。 GrowingIO 新一代數據分析產品 三三、優化優化網站網站/APP/APP 體驗體驗 無論是O2O、P2P還是內容社區等網站，一些常見而又重要的體驗問題都會嚴重影響購買

129、轉化率，比如：支付環節的流暢性、頁面是否簡潔和操作是否容易、圖片質量是否清晰、搜索是否精準匹配. 1）支付環節的流暢性，假如支環節體驗流暢的話，用戶流失可能性會大幅降低； 2）頁面簡潔和操作容易，如像阿里巴巴、京東或攜程這些大網站，頁面按鈕會非常多，但事實上，它們有時候反而會影響最終轉化流程，因為這整個轉化流程中，有太多點擊按鈕和出口，導致用戶很容易流失； 3）圖片質量，比如我們在購買時很容易因為圖片分辨率太低、打有水印、光線較差等因素影響我們的判斷，影響最終的購買轉化； 4）搜索的精確匹配，比如用戶搜索的是芒果，最終出來的卻是芒果干或芒果糖等，實際上并沒有精確匹配用戶的需求，結果就是嚴重影響

130、用戶體驗，導致用戶需求沒有得到滿足而流失。 案例：某電商網站轉化率 我們可以從轉化漏斗中看到，點擊購物車到點擊支付的轉化率特別低，為什么呢？ 用戶是有購買意向的，但是卻最終并沒有支付成功。這很可惜。 GrowingIO 新一代數據分析產品 普通的數據分析產品、粗糙的漏斗是找不到原因的，只能看到這步轉化低，但是不知道為什么。因此產品經理也不知道如何做優化，市場運營人員不知道該從什么地方著手做調整。 通過GrowingIO用戶分群功能，把所有“進入購物車但并沒有點擊支付“的用戶做個分群， 同時通過用戶細查，看看這一步流失的人群，到底經歷了一些什么事情，用戶細查可以精準查看每一位用戶在網站上的瀏覽、

131、點擊、停留、輸入等行為。 我們發現這個分群里有一個用戶打開了商品頁面，并在購物車欄點擊了購買1，然后進入到結算環節。這時他發現自己沒有登錄、輸入登錄信息又沒有成功，再點擊忘記密碼，進入找回密碼頁面。 關鍵問題是，按正常理解，在找回密碼的頁面上設置完密碼后，就可以正常登錄了。但這個用戶又彈回來繼續到忘記密碼、找回密碼。為什么會這樣？我們親自體驗了一下，發現在修改密碼這頁有個BUG，就是沒法修改密碼，等于用戶來來回回無法完成這一步，當然最終會導致用戶的流失。 通過漏斗對比、用戶分群、用戶細查，一步步做數據追蹤，終于準確定位了問題原因，這樣產品經理才能知道在哪里修改，否則，產品經理只能不停各種試錯、

132、各種猜測，不停浪費時間和精力做無用功。 五、總結 GrowingIO 新一代數據分析產品 從三個大維度（渠道流量、用戶營銷、網站/APP體驗）去思考如何提高購買轉化率，然后再通過不同維度去細分，做更深入的分析，這一切的前提是用數據不停驅動業務增長、增長再增長。 本篇文章整理自GrowingIO數據增長公開課第六期，公開課報名及資料請關注GrowingIO官方微信（微信號：GrowingIO）。 返回至目錄GrowingIO 新一代數據分析產品 注冊率提升 30%？手把手教你實踐增長黑客 本文作者張溪夢，GrowingIO 創始人、CEO。前 LinkedIn 美國商業分析部高級總監，美國 Da

133、ta Science Central 評選其為“世界前十位前沿數據科學家”。 數據驅動是一個時髦的詞匯。 很多互聯網公司都在談論增長，特別是來自硅谷的高速成長的企業，高速的增長是互聯網公司估值上升的核心驅動因素，所有的估值核心都建立在“增長”上面，這也是為什么有的互聯網企業有很高的估值的原因。在“增長“的背后是一系列的用戶體驗，活躍度，留存率以及變現的有機結合，增長黑客的核心就是產品化，數據化，運營化。 分析思維和技術實現能力是科技產品的核心：分析思維的內在形式是工程產品的思維，外在形式是數字營銷的思維。也就是說我們可以用工程產品的方法加上數據分析的方法來促進用戶和業務的增長。 這種工程和分析

134、的思維就是把一個大的問題細化成一系列小的問題，然后針對每一個小的問題進行迅速改進，很多小的迭代累積而成大幅度的改進產品整體體驗，并最終產生大幅度的商業效果。 注冊激活用戶是增長的開始，今天我們就以“注冊”為例，聊一聊如何從數據驅動產品的角度，進行注冊環節的研發和迭代。 有效地獲得注冊過程中每一步的轉化率有效地獲得注冊過程中每一步的轉化率 首先，如果要了解注冊率，首先需要監測注冊過程中每一步的轉化率，怎么制定計劃呢？ GrowingIO 新一代數據分析產品 這個方法，會幫助你制作初級的增長模型把產品想象成一個一步步轉化的漏斗。同時從用戶的角度去思考，而非產品信息結構。 很多產品經理考慮產品設計，

135、都是從產品功能和信息框架開始，這樣往往會產生很多和用戶真實體驗不一致的設計思路，最后失去對真正用戶體驗的把握。 因此產品運營和產品經理考慮注冊流，也不應該僅僅是從注冊開始思考，而是想象用戶一般會從哪個渠道來，從他們的入口體驗開始。比如說如果新訪客來到你的注冊或者app下載頁面，他會看到什么等等。 從一個簡單的報表，變成對未來的預測和預判從一個簡單的報表，變成對未來的預測和預判 把“時間”指標加入運營分析報表，立刻可以看到每一個步驟的轉化率。建立基本的轉化漏斗后，你就會了解整個注冊流的轉化情況。但是每一步驟的轉化率并不能告訴你該如何做，接下來我們就要把這個模型變得有預測力，而且可以把未來的目標進

136、行定量的追蹤，從而模擬不同的決策場景下，可以看到的效果。 比如說如果第二步注冊效果提高5%，就能獲得多少增長，第三步增加20%能獲得多少增長，這樣就可以決定優化哪一個步驟是效果最好的，最大化的。 GrowingIO 新一代數據分析產品 以上面的轉化率為例，第一步的轉化率16%， 第二步的轉化率39%，第三步的轉化率92%。 如果我們要對其中的步驟進行優化，一個性價比高的方法就是對衰減最高的部分進行優化，也就是第一步，而不是已經很完善的最后一步。 這樣就向前走了一大步，從一個不知道在發生什么的狀態，了解了歷史發生了什么，還可以預測將來的新增用戶的增長可能。 因為多種因素會影響用戶的獲取，所以要持

137、續地觀測每天的注冊轉化率，一旦發現注冊率突然增加或者減少，可以第一時間找到核心原因，從而幫助下一次產品迭代。 舉個例子，某企業服務網站，有兩個注冊流，一個是每步需要填的很少，但是有很多步驟；另外一個有極簡的步驟，但是每一個頁面里面需要填寫更多的信息。產品經理想知道哪一個的轉化率會更高？ 假設這個SaaS產品有4個注冊頁面： GrowingIO 新一代數據分析產品 在確認完視覺上的虛擬注冊流以后，下一步就是要衡量產品在每一步之間的轉化率。 這里需要使用數據分析產品，例如GrowingIO、Google Analytics、Mixpanel等精細化運營的工具，或者在自己的數據庫里面建立這些指標。

138、在上表中判斷出衰減最多的一步，接下來就是減少衰減，比如說盡可能縮短整個注冊流程。 要了解模型如何發揮效用，讓我們從注冊流中刪除第3個頁面，把那些必須填寫的信息放在第2個頁面上面，改變之后它看起來是這樣的： 接下來就要印證這樣的調整是否可以提高注冊的轉化率： GrowingIO 新一代數據分析產品 第一步第一步：做出簡化注冊流程的草稿模型，繼續完善報表來衡量每一步：做出簡化注冊流程的草稿模型，繼續完善報表來衡量每一步的轉化。的轉化。 這里最主要的改變是將原來需要兩個頁面填寫完的信息變成了一個頁面。模型中就有一個三個頁面功能之間的跳轉率，比如說將5.83%的注冊率提高到8%左右 （一個30%左右的

139、提升）。在執行前，需要迅速思考是否這個改變是值得的？是否還有更好的方法從而取得更大的改進？最重要的一點，是要做好準備用數據分析工具衡量實際的轉化效果。 第二步：把這些設計上的改變通過工程師來實現。第二步：把這些設計上的改變通過工程師來實現。 第三步：進行快速的數據分析。第三步：進行快速的數據分析。 1.1 通過觀測數據結果來查看是否這次改動符合預期，是否提高了整體轉化率。 1.2 對轉化的漏斗進行拆解，在不同維度下進行分析，比如說我們把轉化率用瀏覽器的維度分拆，看到了Chrome的轉化率是12%，而IE的轉化率是1.4，相差接近十倍，然而IE的瀏覽量也很大，接近總量的20%。因此我們下一個優化

140、目標，就是要看為什么IE產生的轉化率低，找到原因集中修復。修復的結果我們預期IE的用戶會有提升，從而進入下一個產品迭代循環。 1.3 不是所有的改動都是符合預期的，很多情況下會證明改動有問題，例如我們看到了轉化率的降低，那么就要立刻取消這次改動。 GrowingIO 新一代數據分析產品 產品迭代很重要的一點就是：從產品改動里獲得重要的數據，這些數據來自于產品和用戶，用于和你的預期進行比較。這會讓你的產品直覺越來越熟練，而且很重要的一點，它不會浪費很多時間和資源就能驗證一個產品改進的好壞。 數據驅動的最核心結論是幫助產品經理系統性地思考若干產品決策。同時能夠迅速驗證一個個產品假設。雖然設計本身永

141、遠沒有最好或者最壞，你也永遠不會得到非黑即白的答案，但是相比基于情感和直覺（拍腦子）所產生的產品改動，數據驅動毫無疑問是更好的選擇。因為增長就是一個系統性持續性的過程，一個科學和系統的方法將為持續的增長帶來確定性和可衡量性，而可衡量性是產生持續性必要的條件。 很多互聯網企業家在采購了數據分析產品以后，需要“立刻”看到效果，這是不現實的。因為數據驅動下的增長是每一天， 每一星期， 每一個月， 每一年都要關注并且持續執行的工作。 只要持續的執行和優化，就一定能夠看到幾何倍數的效果。成功的硅谷互聯網企業比如說Facebook，LinkedIn， Twitter，Airbnb，Uber 以及國內的成功

142、互聯網企業都驗證了這套框架的效果。 返回至目錄GrowingIO 新一代數據分析產品 產品經理如何通過數據分析提升轉化率？ 本文作者陳明，GrowingIO 聯合創始人，畢業于斯坦福大學，前 LinkedIn 商業分析部高級經理，帶領團隊負責“人才解決方案”產品和營銷等數據分析與挖掘。曾就職于 eBay、LinkedIn 等，8 年多產品和市場數據分析經驗。 過去中國互聯網企業往往是流量驅動的運營模式，通過大規模投放、地推等方式獲取用戶，但近幾年隨著市場成本的提高，這種粗放式的流量模式已不再奏效，尤其是對于創業公司來說。 因而越來越多的創業公司逐漸轉向以產品設計、產品運營為王的思路，這種精益運

143、營的方法應該怎樣實踐呢？這其中又有哪些常見的誤區呢？怎樣提高轉化率最有效呢？ 在美國硅谷非常流行的 Growth Hacker 概念就是海盜法則AARRR 模型，該模型就是以產品設計和運營為核心：獲取用戶，迅速轉化，提高留存，然后變現和傳播，這些都是以產品設計和運營為核心的： 當然，無論是之前的流量為王，還是現在的產品設計和運營為王，其核心都在轉化上。 l 對于市場部門來說，需要關注不同渠道流量的轉化和注冊； l 對于工程部門來說，優化創新產品也是為了更好的用戶體驗，從而幫助用戶完成核心的轉化； l 至于銷售就更加直接了，用戶的留存本身就是服務于營業額的。 因此轉化是一個非常重要的點，幫助企業

144、和團隊去優化和排優相應的產品和服務。 GrowingIO 新一代數據分析產品 一一、你是不是走、你是不是走進進了了轉轉化思化思維維的的誤誤區里？區里？ 通過上面的分析，大家對轉化與業務決策間的聯系肯定有更深的理解了。但是仍然有一些值得注意的思維誤區，這也是我們 GrowingIO 與客戶溝通的過程中常見的問題，在這里和大家分享一下。 誤區一：高流量=高轉化？ 我們經常聽見這樣的論證：某某渠道的流量非常大，所以需要更多的預算資源投入，真的是這樣嗎？ 上圖是某網站注冊流程的轉化漏斗，分為兩步。左側是直接訪問來源，轉化率是 5.47%；右側是百度訪問來源，轉化率是 19.2%?？梢钥闯?，百度訪問來源

145、的轉化率是前者近 4倍。 從流量大小來看，直接訪問近 9000 人，百度來源訪問不到 3000 人，最終的轉化卻是百度高于直接訪問。 上面的案例告訴我們，流量大小和轉化效果之間的關系微乎其微，高流量高轉化。我們在關注流量大小的同學，更要關注其轉化效果，這樣評價渠道的效果才比較合理。 GrowingIO 新一代數據分析產品 誤區二：只關心總體轉化率？ 我們經常只關心一個渠道的總體轉化率，例如下圖的轉化漏斗，左側是谷歌渠道，轉化率為 10.1%；右側是微信渠道，轉化率為 9.57%。如果只看總體的轉化率，在資源分配上就沒有太大差異。 實際上我們將每個步驟的轉化率算出來，可以發現很多細節問題。假如我

146、們的注冊流程有4 個步驟，中間存在 3 個轉化率。如上圖，我們發現谷歌渠道的第一步轉化率（10.1）明顯低于微信的第一步轉化率（42.9%），但是谷歌渠道的最后一步轉化率（93%）明顯高于微信渠道的最后一步轉化率（53.7%）?？此撇畈欢嗟目傮w轉化率，如果具體分析每一步，看到的是完全不一樣的原因。 對于產品或者運營來說，谷歌渠道我就要針對性優化注冊的第一步轉化，而對于微信我們就需要針對性地優化最后一步。 細節往往是我們容易忽略的，在這差異之中卻是巨大的提升的空間。在注冊轉化，或者訂單轉化中，我們需要深究用戶轉化路徑中的每一個步驟，分析其中有無可以改進的點。 誤區三：轉化率的提升=用戶體驗的改善

147、？ 轉化率與用戶體驗之間是有一些微弱的聯系的。一般來說，用戶體驗改善了，用戶就會經常使用我們的產品；這個時候我們通過提供完善的信息和較大的注冊購買按鈕，用戶就很容易去點擊，對應的轉化率勢必跟著提升。但是兩者不是完全關聯的。 GrowingIO 新一代數據分析產品 舉一個 GrowingIO 的例子，有一段時間我們的注冊轉化率大幅度提升，我們非常高興，但是當時我們并沒有做特別的改進。于是我們就想分析為什么這些人的轉化率突然提升。我們使用 GrowingIO 的“用戶細查”功能，仔細觀察這些人的行為軌跡。 點擊圖片查看大圖 上圖是某用戶的操作軌跡：他先進入我們的網站點擊了右上角的登錄，然后在登陸頁

148、面反復幾次輸入密碼都失敗了。最后用戶放棄登陸，直接重新免費注冊了一個賬戶。這就在某種程度上提高了注冊轉化率，但是并不意味著用戶體驗的改善，反而是惡化。 看起來是好事，實際上是很差的體驗。這告訴我們，在了解轉化的同時，更要了解用戶的行為軌跡，幫助我們更佳精準地定位客戶體驗中的問題。 二、提升二、提升轉轉化的基本步化的基本步驟驟 針對不同的行業、不同產品的移動端和網頁端、不同的場景下，我們都有對應的不同分析框架去思考這個問題；下面和大家分享的是一個普適的思維方式。這個分析框架的主要目的是將看似復雜的轉化問題拆解成不同的模塊，然后一一擊破： 提升轉化的基本步驟 GrowingIO 新一代數據分析產品

149、 1.定位正確的用戶 什么是正確的用戶，不同的部門對此有不同的理解： l 市場同學在各個渠道進行投放，通過產品、服務、內容去吸引用戶，但是不同渠道來源用戶有一定的差別。針對不同渠道的用戶，市場需要制定不同的推送和不同的落地頁，以提高針對性。 l 產品同學也要關心用戶的分類，通過用戶在產品上的使用行為對不同用戶群體制定不同的運營策略，優化不同的產品特性。 l 對于銷售的同學來說，根據與用戶溝通的結果來找到正確的受眾和決策者，這也是一個尋找正確用戶的過程。 以 GrowingIO 的注冊轉化為例，最近我們通過很多渠道推送了一些活動，吸引了很多用戶，這其中很多用戶是通過移動端來關注我們的，于是我們借

150、助【用戶分群】功能，分別篩選來自 iOS 和安卓來源用戶，有區分地研究這些人群的特點，以便做針對性的產品改進和內容優化： 2.提升產品的體驗與流暢性 定義好用戶人群后，我們需要認真關注轉化流程的用戶體驗。改善用戶體驗的方法很多，如調配按鈕位置、界面的顏色，或者進行整體的改版、產品交互等等，這里面細節決定成敗。 GrowingIO 新一代數據分析產品 互聯網企業需要迅速迭代、改進產品，不斷提升產品的用戶體驗，這是一個不斷試錯的過程。 在這個過程中需要一些工具來搜集和分析用戶的行為數據，GrowingIO 本身就提供這個功能。我們經常會提到，GrowingIO 是無埋點數據采集，那么無埋點數據采集

151、和分析的優勢在哪里呢？以前運動員在操場上比賽，需要設立很多機位定點一張一張拍攝運動員的狀況，那么我們現在是一個全量的數據采集，將整個運動場攝影下來，每個運動員的每一步、他的呼吸都記錄下來。這個全量采集的數據就可以幫助我們去優化一個產品或者改進運營流程，這對互聯網企業是很重要的過程。 3.優化轉化路徑 我們常說的轉化路徑或者漏斗分析其實是一個東西，但是不同行業有不同的轉化路徑： 電商、OTA、O2O 行業：最終的下單量是視為轉化的。 SaaS、社交類產品：往往將注冊人數作為一個轉化點。 我們需要了解一個用戶經歷了哪些步驟，最終完成了這些轉化。轉化的過程中給予了用戶足夠的決策信息，過長的轉化路徑，

152、會導致用戶的流失，但也不是越短越好。 以 GrowingIO 的技術博客為例，我們想了解一個用戶在經歷了哪些步驟后完成轉化。下圖展示了一個博客瀏覽者的轉化過程：看到我們的博客文章，感興趣點擊了注冊填寫手機號并驗證補充基本信息注冊成功。 我們借助漏斗轉化分析的思路，分析了用戶每一步的轉化率，以幫助更好的優化注冊流程，提升轉化率。 GrowingIO 新一代數據分析產品 了解了轉化流程后，我們也可以進一步拆分這些步驟，了解不同用戶群體之間的差異。在這個過程中我們會發現很多的轉化點、分析點，這些分析點都會幫助我們很好地提升轉化。 以上面的注冊轉化為例，我們通過【用戶分群】功能分析不同類型瀏覽器用戶的

153、轉化差異。我們發現總體的轉化率是 11%，但是其中 safari 僅為 1.59%。 這是一個非常嚴重的問題，做產品的同學一看就知道轉化點在哪里，我們需要從哪里著手。我們借助我們 GrowingIO 自己的產品也來分析反復應用和分析，根據不同的分析結果去優化轉化路徑。 4.關注復購與增購 對于電商類平臺，用戶的回訪、復購和增購是非常重要的指標。像淘寶、京東這樣，用戶可能幾天就復購一次；而像 OTA(在線旅游)這樣平臺上的用戶的復購周期就會比較長，可能幾個月半年才一次。 復購是一個非常重要的指標，其本質就是留存，我們需要關注并優化它，有利于提升整體的轉化率。但是復購這東西并不是對對所有平臺都那么

154、重要，比如 SaaS 產品，注冊一次就夠了，我們線下去和客戶溝通就好。 GrowingIO 新一代數據分析產品 另外，復購和留存問題，我們知道它是可以直接影響轉化本身的。新用戶的獲取成本比較高，而老用戶的留存和復購成本遠遠低于新用戶，所以從成本的角度考慮也是一個非常劃算的事情。 三、三、總結總結分析分析 首先，對于業務本身和用戶的了解，是我們進行轉化的核心。只有針對性的了解用戶，針對不同的業務，我們才可能制定出不同的優化方案。 第二，在轉化分析的過程中要發現問題。在我們轉化的流程、路徑中，找到那些可以證明這個流程有問題的數據，接下來才能制定出不同的優化方案。 第三，提出假設，迭代試驗，檢驗假設

155、。在這個過程中，產品、運營和市場同學需要更加靈活的思維，借助一定的工具去迅速嘗試不同的內容。 本篇文章整理自 GrowingIO 數據增長公開課第十一期，公開課報名及資料請關注GrowingIO 官方微信（微信號：GrowingIO） 。 返回至目錄GrowingIO 新一代數據分析產品 先度量，再增長：90%客戶是這樣留下來的 本文作者張溪夢，GrowingIO 創始人、CEO。前 LinkedIn 美國商業分析部高級總監，美國 Data Science Central 評選其為“世界前十位前沿數據科學家”。 很多人都玩過憤怒的小鳥 ，有一只鳥，以拋物線的姿態飛到半空中，這條拋物線可以分成四

156、個點，起飛點、平衡點、快要降落點、降落點，是不是和客戶的生命周期有類似之處，從消費開始、 成長、 穩定、 下降， 最后離網。 我們想讓這只小鳥飛得遠一點， 不要立刻落地，落地就相當于客戶流失了，應該怎樣做呢？ 一、一、什么時候開始留住用戶什么時候開始留住用戶？ 還有一個有意思的故事， Linkedin 是個企業級的服務商， 也是世界上第二大的 SAAS 公司，我們在 LinkedIn 最早做客戶流失模型時發現，每次檢測到用戶快流失時，就給他發 E-Mail（美國一般都用 E-mail 營銷） ，比如給客戶 50%的折扣、或者這個月可免費等促銷手段，但客戶卻立馬關了服務。啟動營銷方案了，用戶流失

157、的可能性反而加大了。為什么？ 我們發現，很多付費用戶都忘了自己在付費，等到我們檢測他會流失，用郵件發了 50%折扣促銷，反而等于提醒了他還在付費，他立刻把賬戶關了。 于是我們開始反省用戶流失模型怎么會產生負面影響？用戶不使用我們的產品，產品沒有價值，應該怎么做呢： 把助推點提前，把用戶生命周期往前推，不是在他流失的時候，才對他進行照顧，而是把郵件或者營銷方法提前，提前到小鳥飛行中間節點，這樣會好很多。后來甚至推到極致，在他剛剛開始注冊賬戶，LinkedIn 負責客戶關系的部門就介入培訓客戶。 在我們負責推廣這套客戶關系系統管理后，LinkedIn 用戶的流失率從最早的時候 51%、變成 30%

158、到了今天低于 20%，估計明年的流失率是 10%以內。 GrowingIO 新一代數據分析產品 流失率從 50%降到 10%，每年有 90%的付費用戶留存，這意味著什么？中間 Revenue 是在以幾何倍數的增長。 所有數據和業務是完全強關聯， 管理客戶流失在早期就要進行行動。 但和產品接洽時間不一樣，每個客戶流失時間也不一樣。以前把所有用戶加起來報一個數，這是錯誤的。 鳥飛得遠，不是同時發出去，是按照時間點發的，每個用戶精確管理它的生命周期。也就是今天我們講的行動和數據緊密結合。 二、怎二、怎樣樣精確精確管理每個客戶？管理每個客戶？ LinkedIn 有 3.5 億左右的用戶，5000 名銷

159、售，我們怎么可能能精確管理到每個客戶的生命周期呢？ 彼德德魯克說，如果一個事物無法度量的話，那么我們就沒法管理它。說的是，定下目標以后，必須要可衡量、可度量，我們才能對它進行管理和成長。 我們怎么能做到可衡量、可度量每一個客戶的生命周期？ 我們當時分析了每一位用戶的行為，每個公司的獵頭人員，或者每個賣家、買家很細微的點擊、看、發信。 把這些細微的行為，算出來一個積分，定期地對用戶進行打分，每天、每星期、每月，打完分以后對整個數據庫進行排序， 每天只把這種最有可能流失的客戶， 及時地通知負責客戶管GrowingIO 新一代數據分析產品 理的客戶關系經理。 而在以往，還是每個季度才能做一次這樣的分

160、析，為什么？因為慢。 現在 Linkedin 變成實時地在計算著這種東西，每天都能看到最重要客戶的排名，最可能流失的客戶排名。這樣，客戶關系經理的效率極速提高。以前，他拍腦子都不會知道，這 300個客戶里面張三、李四都在干什么，但今天，僅僅通過一張積分表，他就能夠很精準地預測一個用戶的流失。 這實際上就是自動化。 這是一個高緯度自動化的模型在后面猛烈計算， 它算出來一個非常簡單的數字值。 以前在 Linkedin 產品里面，我們當時大約有 200-300 個不同 KPI。后來通過這個抽象出來以后，只有兩個值，銷售或者客戶關系經理只看兩個數值，溫度和健康度： 使用并不表示他要付費，付費并不等于他

161、要使用，但是這兩個東西放在一起以后，所有的人員就都被這些數據帶動起來了。 比如說一個客戶非常健康卻不購買， 那么客戶關系經理就要追賣東西； 有的客戶只付費不使用，這些客戶一定會流失，客戶關系經理就要開始培訓客戶如何使用付費功能 這樣， 每天都在帶動客戶越來越和這個平臺有更多的互動， 這套東西后來就形成了整個客戶成功的服務體系。 到今天， Linkedin 的員工 90%的銷售每天都在用這套系統， 99%的人每周都在用這套系統，每天會用多少次？平均每天每個人用 10 次左右。 GrowingIO 新一代數據分析產品 而在以前，他一年才能做兩個數據驅動決策，現在他每天基本平均接觸 10 個數據決策

162、。這樣他的效率是呈幾何倍數在升高。 結果就是，流失率從 50%降到 10%，每年 90%的付費用戶留存。 所以，為什么要做數據驅動下的精細運營，其實數據驅動的核心就是要提高效率，真正做數據驅動就是為拉十列車裝上輪子。返回至目錄GrowingIO 新一代數據分析產品 做好用戶留存，產品、市場和運營有這些應對方法本文作者，檀潤洋，GrowingIO 高級分析師。 在討論留存之前，我們先要清楚什么是留存，為什么要進行留存分析？ 在互聯網行業里， 通常我們會通過拉新把客戶引過來， 但是經過一段時間可能就會有一部分客戶逐漸流失了。那些留下來的人或者是經?；卦L我們公司網站App 的人就稱為留存。 現在大家

163、經常會用到所謂的“日活”（日活躍用戶量，DAU）“周活”（周活躍用戶量，WAU）來監測我們的網站，有的時候會看到我們的“日活”在一段時期內都是逐漸地增加的，以為是非常好的現象，但是如果沒有做留存分析的話，這個結果很可能是一個錯誤。 比如某公司做了很多拉新活動，人是帶來了很多，活躍用戶數在不斷上升，但是就代表客戶在不斷增長嗎？也許這只是拉新人數太多掩蓋了流失率居高不下的問題，實際上客戶的留存是在逐漸降低的。 下面帶大家深刻認識增長和留存的關系。 第一張，看似增長的活躍人數： GrowingIO 新一代數據分析產品 橫軸代表時間，縱軸代表周活躍量的總人數。最外面的曲線代表總人數的不斷增長，尤其是在

164、初期。再看圖形里面的每一個顏色，隨著時間的變化而不斷變細。這些不同顏色代表每周進來的用戶，他們隨著時間的變化慢慢流逝，最后只有一小部分群體留存下來；而最外面的曲線代表的就是留存的總人數。 這其實是一個留存的堆積圖， 把每一天的留存都堆積起來形成了周活躍用戶； 同時這里面有進有出，總的就是周的活躍量。 第二張，真正增長的活躍人數： 隨著時間的變化，我們可以看到不同層級的顏色，經過一段時間變成平穩的一條線，這說明我們的客戶有一部分留存下來。這時，我們不僅有拉新拉來的新用戶，也有之前留存下來的老用戶，這些用戶數加起來才是真正的用戶增長。 分析上面的兩條曲線，我們能發現表面上用戶都在增長。但是透過現象

165、看本質，第一張圖的用戶留存是在不斷減少的，而第二張用戶留存在后期趨于穩定，所以總用戶數在不斷增長。要想實現持續的真正的增長，就要設法讓用戶留下來。 從業務角度來看，我們為什么要關注留存呢？留存的分析意義何在？ 像 SaaS 企業，獲得一個客戶無論在時間上還是在金錢上成本都是非常巨大的，也許要花掉兩到三個月的時間才能獲得一個客戶。以下面左邊的圖為例，剛開始這個客戶，我們花了6000 多美元的成本才把這個客戶得到。得到了以后一般情況下客戶對咱們這些企業可能就是按照一定的現金流給我們付錢，比如說付 500 美金，就這樣一直地付下去。這樣你就會發現前期成本很高，也許我們只有通過客戶使用產品一年或者兩年

166、的時候我們才能收回成GrowingIO 新一代數據分析產品 本。 如果這個客戶在之前就流失掉了， 流失掉就意味著咱們的產品虧本了， 連本都沒有返回。 再來看右邊的這張圖， 這張圖講的是每位客戶成本的應收的現金流。 第一個月得到這個客戶我們花了 6000 刀，然后這個客戶就每個月給我們付費，比如說每個月付 500 刀，他要到第 13 個月的時候我們才能達到所謂的收支平衡，從 14 個月以后才開始逐漸地賺錢，如果我們的留存沒有做好，客戶在用了兩個月以后就走掉了，那這部分錢我們就流失了。 所以說留存有一個非常重要的意義，客戶使用咱們公司的產品，時間越長越好，越長帶來的現金流或者利潤越高，這就是留存的

167、一個非常核心的意義。 如果我們的留存做得好，客戶就會一直使用我們的產品，一直給我們帶來財富。 從上圖中我們可以看到兩點：第一個就是使用的時間，留在我們產品的時間越長越好；第二個，希望利潤越高越好。利潤如何越高越好？就是我希望我的留存率越來越高，這樣利潤的面積也就越來越大。 介紹了留存的概念和意義，我們進入今天的主題：如何通過留存分析提高我們的留存曲線。以下圖為例： GrowingIO 新一代數據分析產品 假如現在我們產品的留存度是上圖最下面那條綠色的線，縱軸是留存的比例，橫軸是時間。一天過后，我們拉新獲得的 100%用戶只留下 35%，第 7 天變成了 20%，然后緩慢下降，到了第 60 天以

168、后達到一個大約 10%的效果。 這個效果我們看看能不能通過某些方面的改進，讓它逐步提升呢？ 假如我們讓綠色的留存度的線上升到橙色的線， 再上升到紅色的線， 那么第一天留存率高達到 70%，七天留存率也有 60%多，到了 60 天、90 天的時候留存率也能高達 60%左右。這就是說我們前面通過市場拉新獲得的百分之百的人數在經過 90 天以后有 60%的人留下來了。 剛開始的時候看綠色的線我們的 90 天的留存率是 10%， 如果通過我們的努力能讓它達到 60%，這會給我們帶來源源不斷的財富和現金流的收入。 以上是 SaaS 行業，但是對于電商，內容社交類行業來說。同是如此。Facebook 上個

169、季度能做到 60 美金的廣告營收，還是因為那龐大的用戶群體。 今天通過留存分析的一些方法來給大家一些思路，看看如何通過優化產品的方式來提高我們的留存率。下面是一個常見的留存曲線，我把它分成了三個部分：第一部分是振蕩期，第二部分是選擇期，第三部分是平穩期。 GrowingIO 新一代數據分析產品 振蕩期，我們可以看到拉新過來進入我們公司網站或者是下載 APP 的人數在前幾天劇烈地減少，由 100%幾天就變成了百分之十幾或者更低，這個期叫振蕩期。 過了振蕩期以后就是選擇期，一般情況下客戶在這段時間之內對我們的產品有了初步的了解，他開始探索我們公司的產品，看看這個產品有沒有滿足客戶的一些核心需求。如

170、果能滿足，顧客很有可能就留下來了；如果沒有滿足，那客戶就要走掉了。 過了選擇期就是平穩期，留存率進入一個相對穩定的階段。 對于不同時期，我們應該有不同策略，總的來說，在振蕩期和選擇期，我們應該關注新用戶的留存，進入平穩期以后，著重關注產品功能留存。 下面，我用兩個實際案例來談一談留存分析。講解之前我們先提一下，留存分析的步驟。當然數據分析的基本步驟都比較相似。 案例 1 我們通過例子來講解，Sidekick 一家做強化 email 功能的 SaaS 公司，可以用它的個性化模板給別人發郵件，還可以監控收郵件的人是否打開了郵件。 下圖這三條留存曲線代表 2014 年 12 月份的第一周、第二周和第

171、三周客戶留存的表現，這就叫數據的監控。留存曲線持續下降，就是從數據監控中發現的問題。 GrowingIO 新一代數據分析產品 具體來說有這樣兩個問題： 第一， 第一周的留存率大幅度下降； 第二， 第二周沒有出現我們非常期望的留存是平的， 我們希望客戶留下來， 但是還是在降低。降低就意味著總有一天我們拉新過來的所有人都會走掉。 這個時候就制定出來兩個目標： 第一， 我們希望第一周的留存升高，不再繼續降低，如果你是一個 2C 的企業，可能就是次日留存率提高。 第二， 希望我們的留存曲線不再下降，進入到一種平坦的樣式。 目標的留存曲線應該是下圖這樣： 這家公司通過不斷實踐和分析，最終將留存率保持在

172、20 以上。那么他們是如何做到的？ 他們已經發現了留存率下降這個問題問題， 但是還不知道問題的原因， 接下來需要探索數據找到留存下降的原因： GrowingIO 新一代數據分析產品 我們先做一個用戶分群， 然后分別對比來看留存和流失人群的行為。 這家專門做郵箱的公司發現，第一周流失的人當中，在第一天發送郵件次數是一次的有 60% ，發送二次的只有 20% 左右，也就是說 60% 的用戶使用了一下產品就走了。 所以接下來我們就要問問這些用戶到底為什么走？于是根據用戶的反饋做了一個餅狀圖統計，很明顯，有兩個大問題： 第一個 30% 沒有感受到價值：代表這款產品沒有產生價值就想把它卸載。 第二個 3

173、0% 不理解產品用途：這款產品我下載了，但是不是我以為那樣的。 這兩部分用戶占了 60%，我們經常說要傾聽用戶的心聲，首先要解決的就是這 60% 人的問題，由此可以假設：用戶沒有很快地發現我們的產品價值。 1. 砍掉使用頻率低的功能 于是他們做的第一點就是， 既然用戶不能很快地發現我們的產品價值， 那我們就把復雜難懂的一些功能先砍掉， 然后看看留存率有沒有提高， 結果發現留存率繼續下降， 沒有任何提高。 GrowingIO 新一代數據分析產品 2. 提示用戶發現產品的價值 接下來第二個嘗試，既然用戶不知道我們的產品核心價值是什么，我給他們提示，結果留存率繼續下降，這個方法也不行。 3.通過視頻

174、引導用戶 第三個嘗試，既然用戶不知道怎么用我們的產品，那么我們就做一個錄像，其實很多公司都在做，最后數據表明還是不行。 4. 只要一句話 他們大概做了 20 多個實驗后才發現一個可行的辦法： 他們在用戶下載安裝完產品后，寫了一句話：你可以去你的郵箱里使用你的 email 了。 GrowingIO 新一代數據分析產品 他們發現產品要從網頁上下載，而用戶使用卻在客戶端使用，用戶可能沒想那么多，覺得既然在網站上下載了一個插件，直接在網站上用就行了，而沒有去回到用戶的客戶端。于是他們就給了一個提示：你現在直接去你的 outlook 用就行了。加了這句話后，留存效果就變了很多。 這個是數據的結果，之前是

175、藍色的，最后提升成黃色： 產品留存分析 新用戶留存提升上來以后，接下來我們來看第 2 個問題，我們的目標是將處于平穩期的留存曲線上移。對于這個問題，很重要一點就是將產品按照功能拆分，查看每個功能的留存。我們稱之為產品留存分析（大家可以用 GrowingIO 進行實踐） 。 我們需要了解這款產品中所有不同功能的留存率，哪些留存率趨勢在降低，哪些在升高。并對留存率降低的功能進行分析找出原因。屬于產品方面的，我們利用上面介紹的方法論，進行產品優化，屬于運營方面的，我們做運營去換回客戶。他們通過不斷試錯，分析，監控，將產品功能留存率降低的部分改進，再優化，進而使留存保持在了一個較高的水平。 無論我們現

176、在做留存還是拉新， 基本上都是一樣的， 剛開始的時候我們把每一個關注的核心功能都監控好，如果發現了異常，就開始分析問題，我們可以： GrowingIO 新一代數據分析產品 l 進行各種各樣數據探索來發現問題。 l 設立一個目標，比如希望半年時間內讓留存曲線升高 10 個點（10 個點是非常厲害的提高了）。 Sidekick 從 12 月份到 5 月份用了半年時間， 在這半年之中不斷地進行假設、 驗證、 分析、觀察才讓留存有了很大的提升。 案例 2 探索你的 Magic Number。以 1 個社交 App 為例子。我們都知道用戶能留下來的核心的原因是還是產品功能設計能否滿足了客戶的核心需求。

177、如果能滿足的話， 我們能不能再進一步，我們這個產品的設計能否比較好的、比較快的、比較方便地滿足客戶的核心需求，這是第二點。 所以我們需要了解新用戶使用過哪些功能，或者說發生過什么行為后，他們留下來了。進一步的，我們需要知道用戶訪問初期在網站/App 的某些行為、頻次可能會讓用戶留下來，并且長久使用，成為忠誠用戶。發現了這些行為和發生次數，優化產品，促進用戶使用這些功能，就可能帶來更高的留存率。 我們希望新用戶在使用 App 的時候能夠盡早的對我們的產品說 “aha！”，希望他們能快速發現產品價值，并且留下來。因此希望能找到我們 APP 的魔法數字 。 現階段我們最關注的是用戶初期留存，所以需要

178、了解用戶在使用 APP 早期（第一周做的事情）和次周留存之間的關系，并且找到那些具有高留存的行為。 為此我們做了如下幾點： 1. 明確衡量的目標：對于我們來說，我們關注的是第一周的留存和次周留存之間的關系。具體來說，我們希望找出用戶的那些次周留存高的行為。 2.確定新用戶早期 On Boarding 時候的行為。比如登錄次數，信息發送個數，關注人數，分享次數，點贊次數等。 3.分別計算在一定時間內這些行為和次周留存的相關關系， 找出在第一周不同行為的次數和次周留存率之間的關系。 GrowingIO 新一代數據分析產品 我們發現新用戶首次訪問 7 天內，以下四個行為、頻次都與次周留存具有很強的正

179、相關關系：發送信息 6 次、點贊 8 次、分享 5 次、關注人 12 人。然后我們根據公司現階段戰略，每個行為的人數占比， 可實現的難易程度， 將“分享5次”和“關注12人”當作我們Magic Number 的候選名單。然后我們使用 A/B 測試，通過產品和運營上的改變，讓兩組用戶分別盡可能多的達到這個兩個指標。然后，我們對這兩組用戶進行了驗證，我們發現促進用戶分享的那組用戶，次周留存并沒有得到太多提升；而關注 12 人的那組用戶，次周留存有大幅提高。最后我們將 7 天內關注 12 人當作我們的 Magic number，并將這個指標當成我們衡量用戶 On Boarding 效果的最重要參考。

180、 （注意：發現公司“魔法數字”的過程可能遠比上述案例復雜，但是一旦找到公司的魔法數字將會給您的公司帶來巨大的增長。 ） 總結 我們的第一個 Case 通過用戶的分群和對比，并加上用戶的調研，結合起來提出問題，找到問題的根本原因，最終找到產品的解決方案。第二個 Case 更側重于找到相關行為的Behavior Cohort 與留存的相關關系。并找到一系列 Magic Number Candidates 。然后去驗證，找到公司最適合的 Magic Number 去驅動用戶留存。這兩個切入角度，其實都是符合我上面講解的用戶留存方法論的。秉持正確的分析方法論，然后不斷去探索，大家就能找到驅動用戶增長的

181、辦法。 一旦留存曲線提升上來后， 我們就可以做用戶的變現甚至其他事情， 這樣我們的用戶才會慢慢地增長，最后實現留存的增加。我們不斷地拉新，讓用戶不斷地增長，留存的用戶慢慢在后來平穩地堆積下來，這些都是我們最重要的用戶，是可以變現的。而那些不平穩的用戶，我們還要做各種各樣的產品的修改、 運營或者是市場方面的操作， 讓他們逐漸地變成留存用戶，然后開始變現，實現企業活躍用戶的真正增長。 返回至目錄 GrowingIO 新一代數據分析產品 如何用數據分析推進 SaaS 公司客戶成功？ 本文作者張溪夢，GrowingIO 創始人、CEO。前 LinkedIn 美國商業分析部高級總監，美國 Data Sc

182、ience Central 評選其為“世界前十位前沿數據科學家”。 數據分析的核心，就是從信息、決策權開始，這也是我作為一個數據分析師，在過去十二年里一點點積累起來的感悟。 一一 SaaSSaaS 公司公司數據分析模型的早期雛形數據分析模型的早期雛形 我之前在美國第二大零售連鎖店做數據分析，服務 EPSON世界上第一個發明 FreeProjuct 的公司，大家都知道 EPSON 打印機價格非常低，幾近免費，但卻通過高價值、高增值的墨水和照片紙來獲取高額利潤。 這很像今天的 SaaS 公司銷售模型，EPSON 通過不同渠道把免費打印機釋放出去，但打印機是有成本的，那就需要用其他方式把錢賺進來。如

183、同今天很多企業軟件服務提供者，每個客戶獲取也有很高的成本，就要像 EPSON 一樣，通過未來新購的墨水，把以前的投入拿回來。 2010年初我從 eBay 離開，加入 LinkedIn。對我來說是非常大的職業轉折點，我從來沒有想過 LinkedIn 會成為今天這么一個偉大的公司。當我加入 LinkedIn 時，其年營業額只有 7000 萬至 8000 萬美元之間，2015 年年初，我離開時，LinkedIn 營業額第四季度末收入已經超過了 25 億美元，年度的增長率達到 60%。 GrowingIO 新一代數據分析產品 也就是四年多時間，LinkedIn 整個增長了將近 30 多倍，這是怎么做到

184、的？ 很多人都認為 LinkedIn 只是一個職業社交網絡。實際上它是世界第二大 SaaS 企業，也是整個企業軟件歷史上，做得最成功的企業之一，有兩個 TOP： 第一，LinkedIn 是世界上最早用 Growth 的公司，在 2003 年就已經開始用各種手段降低成本； 第二，LinkedIn 也是世界上僅有的控制銷售整體成本最低得幾家公司之一。 我不知道大家有沒有聽過一個公式，叫客戶獲取成本。在 SaaS 企業里，客戶獲取成本必須要小于整個企業營業額的 30%，才是一個相對正常、未來能夠發展的企業。 LinkedIn 把這個值控制在了 15% 左右，這就是為什么它能在過去幾年，能實現幾何倍數

185、增長，上市后兩年多估值翻了 7 倍，達到 240-250 美元的原因。 LinkedIn 在 2011 年左右才成立客戶成功部門，之前內部只是叫客戶服務。而 LinkedIn 事實上當時已經有幾百個或者是將近一千個企業客戶，但是只有幾個人對企業做客戶服務和支撐，當時客戶支撐部門非常小。 GrowingIO 新一代數據分析產品 2011 年初，我們做了一個分析，不是銷售或客戶服務經理提出的需求，是當時 LinkedIn核心產品線人力資源和獵頭的產品經理提出，他說我知道你在支撐銷售，能不能幫我做一個分析，分析一下用戶怎么用我們的產品。 LinkedIn 第一個針對企業服務的產品，系統里面有無數個

186、BUG，但上線以后沒人關心這個軟件和產品里面發生了什么，因為他們沒有記錄用戶任何的行為數據。我的工作是支撐150 個銷售，沒有時間去幫產品經理，但還是幫了一把，我們運行了一個報表。制造出了 LinkedIn 第一張產品使用報告。 我一共花了 91 個步驟，間接、直接用了 91 張不同的表，才把一個產品的使用步驟做出來。整個產品要運行 8 個小時，如果運氣不好的話，還可能經常死機。 但就是這張報表，后來就變成整個 LinkedIn 驅動客戶成功、銷售產品經理包括企業一系列銷售部門的核心工具和解決方案。 在某種程度上，91 號報表也促使我們成立了今天這個公司 GrowingIO，打造下一代網頁和移

187、動端數據分析平臺。 因為這個世界上太多好的分析師、運營人員、業務管理人員，把時間花在了無謂的清洗數據、整合質量控制、做各種類似于污水處的工作上，沒有為企業產生很多價值。他們的時間完全應該用在業務決策上，而不是在數據整合和清洗上。 所以我們開發了 GrowingIO，讓很多人能夠非常自然、自動的用我們的解決方案，找到業務增長點。 二二 SaaSSaaS 公司公司怎樣實現客戶成功怎樣實現客戶成功 如何用數據驅動不同客戶的生命周期。這點對 SaaS 企業至關重要，也是衡量一個 SaaS 企業未來能否提供價值最核心的指針。 什么是客戶成功，客戶成功的使命到底是什么？ GrowingIO 新一代數據分析

188、產品 這是美國一個非常成功的企業，它的客戶成功團隊對客戶成功的定義。這句話里面有非常深刻的三個意思： 第一點，給客戶產生價值； 第二點，給企業產生價值； 第三點，我們能證明它。 這是一個客戶成功部門基本的使命。 再細化一下，這張是翻譯自一個美國 SaaS 企業。第一點，在客戶還沒有變成付費客戶，或將要變成付費客戶前，必須要與客戶進行溝通；第二點，在實施的過程中，我們需要非常精準檢測用戶是如何使用我們的產品，同時幫助他們提高使用方法和效能；第三點，在客戶使用中期，我們要不斷通過客戶對產品的使用反饋，為客戶提供進一步的培訓和大規模的 engagement；再下面一點就是客戶支持，比如說他需要復購、

189、增購。 客戶成功部門是一個企業里面連接各種功能的核心部門，他們必須要和產品、工程、技術支持、銷售，包括市場運營，甚至公司的決策層都要有非常好的關系，才能保證企業更有效率，更能成功。 三三 SaaSSaaS 公司公司的核心的核心 KPIKPI 企業服務里面如果我們只關注三個KPI，這三個KPI一定是從這三條里面發展出來的： GrowingIO 新一代數據分析產品 第一點，獲取客戶。 第二點，客戶留存。 第三點，客戶貨幣化。 客戶成功的核心理論基礎是每一個用戶都不一樣，所以每個用戶都要區別對待。不同客戶對 SaaS 企業優先級是完全不一樣的。 客戶成功面板本身需要對核心的轉化和使用進行分析，這種分

190、析應該分層級，分地域、銷售區域、分客戶、分公司、分很多細節的維度，我們以前對 LinkedIn 獵頭產品分析，有 400 個不同的指針、400 個不同的分析。大家想一下哪有時間去看 400 個指針，這是不可能的，于是我們把所有 400 個指針通過類似于模型的方法，把它聚合成了兩個數字，所有的數字 400 個 KPI，聚合成了兩個數字，核心就是： 1. 健康度，這個客戶是否健康。 2. 溫度，是高溫還是低溫客戶。 健康度是用戶使用產品的綜合指標，和錢不是直接正相關，或者不是直接相關的，是一種反向衡量流失的可能性。 高健康的客戶往往流失了有可能會復購，低健康的客戶往往就會潛在的迅速流失，而且這種趨

191、勢是在非常早期就能看出來。 所以核心一點，我們需要了解每個客戶在不同的時間的健康狀況，這個很重要，特別是我們越早知道他的健康狀況，就越能挽留這個客戶。 四四 把客戶留存放在客戶貨幣化把客戶留存放在客戶貨幣化之之上上 在 SaaS 企業，一定要把客戶留存放在客戶貨幣化以上。 這其中就是CAC、留存、LPV之間的關系，你從一個客戶身上獲得的終身客戶價值，這三個數字之間核心的指標，就是留存。 GrowingIO 新一代數據分析產品 很多人認為應該拉新，拉很多的用戶進來，實際上一個 SaaS 企業核心的使命是要讓這個客戶長久地往前延展。 SaaS 企業的收費模式不像傳統的軟件，賣出 100 美金，用戶

192、就回家安裝了，SaaS是按月度、按季度，按年度來收費，很多企業需要通過 18 個月，甚至更長的時間才能收回整體的成本。那么必須讓客戶存留的時間夠長，這是一個企業軟件獲利的關鍵。 每個 SaaS 企業獲取客戶的成本往往占到整個 LPV 的 25% 至 30% 左右。但是如果一個客戶只在我們的平臺上留存一個月、三個月，甚至半年，就完全無法覆蓋投入。 那么企業是如何能盈利呢？就是要不斷延長客戶的生命周期價值，所以客戶留存率是 SaaS 企業最核心的指標，每個 SaaS 企業在第一天建立的時候就要關注這個指針。 美國對 SaaS 企業的研究發現，如果一個 SaaS 企業月度流失率是 3%，另外一個企業

193、月度流失率是 -3%，也就是正購買率。在五年之后，他們的營業額會差 36 倍！ 分享兩個 LinkedIn 的秘密武器： 1. 以非常低的成本來獲取客戶。獲取客戶成本很低，那么你的LPV就很大，這個企業就會是一個非常成功的SAAS企業，要做一個成功的SAAS的企業，必須要控制自己的CAC，盡量地增加LPV。 2. LinkedIn 通過內部的數據分析方法，減低了客戶流失率，增加了客戶成功率。 當LPV增加，CAC減低，就會有一個非常高的Return。 一般SAAS企業內部也是一種關系的銷售， SAAS軟件進入到一個新的企業客戶里面，誰引入這個產品，往往會繼續做決策來買單，但這個買單過程也是需要

194、時間的，不是一個產品賣給了銷售部門，轉天就可以賣給營銷部門，這個可能性是很低的。但只要這個軟件在企業里面存的久，那么他們就能有機會找到第二個機會，繼續賣掉這個產品，增購。 GrowingIO 新一代數據分析產品 五五 客戶成功最大的挑戰是什么？客戶成功最大的挑戰是什么？ 客戶成功部門最大的挑戰，不是和內部之間溝通，不是如何幫客戶解決問題，最大的問題是他們有沒有信息，沒有數據，沒法收集足夠的信息，迅速做判斷，或者是提前做預判，這點是成功最大的痛苦。 同時，溫度是衡量一個SAAS企業的客戶是否會重復購買的核心指標，而所有的這些溫度和健康度都是從用戶如何使用產品的蛛絲馬跡里面抽象出來的。當你的客戶有

195、幾千家、幾萬家時，如何能動態的判斷和管理，這就是核心，這就變成一個如何用數據驅動運營的問題了。 幾百個指標，如何做一個具體的判斷？ 第一， 取決于商業管理的知覺，需要知道用戶使用產品的核心秘密是什么。 第二，需要有高級的分析方法。之前在 LinkedIn，我們用數據模型的方式，計算用戶重復購買的可能性，通過所有用戶使用度抽象出來，變成一個值、一個Bar。 我們把客戶從高到低排序，把最熱的客戶放在上面，把最冷的客戶放在下面，中間是一些中溫度的客戶，然后非常非常簡單，每天只要看在這個區間里面，增多區間、流失區間、中間是留存區間，所以，我們客戶區隔通過這一個指標就能迅速分開。 每天這張圖都是變動的，

196、因為客戶對產品的使用是動態的，所以說我們每天、每星期、每月必須要持續的追蹤。然后很簡單、迅速地判斷追加區間和流失區間。 六六 用客戶區隔的方法來分析客戶用客戶區隔的方法來分析客戶 之前是 400 個 KPI，35M 大小，將近 100 萬的一張報表，今天抽象成了一張圖。這張圖已經把健康度和溫度完全區分開，我們只需要做一個步驟，就是如何用數據。 GrowingIO 新一代數據分析產品 這4個區塊，我們有完全不同的應對策略。 首先最好的情況，這個客戶既健康，買得又多，這是使用度高、復購率高的客戶，一般來說是忠誠的客戶。 右下角的這個區，客戶使用度不是很高，但是購買需求，或者是買的可能性很高。必須要

197、立刻跟進，來問客戶是否需要更多的帳號和服務、不同的產品。 左上角的客戶是很有趣的，頻繁使用你的產品，但是花錢的可能性很低。很多的企業都應該特別關注這個部分的客戶，客戶用很多卻不付費，說明我們的增長點可能有問題，或者他買了很多，但是卻不活躍，這個客戶未來流失可能性很高，需要特別關注，這個區間就是要進行客戶培養。 數據在早期幫助客戶成功是一個非常重要的指針。 在最早的時候， Linkedin當時沒有太多的客戶培訓，很多客戶來了以后都是自生自滅。后來我們發現在早期輔助客戶，特別是在第一個星期，幫助客戶如何使用產品培訓，是讓客戶的忠誠度增加一倍核心指標。 但是，并不是所有客戶都需要客戶成功經理去做培訓

198、，我們客戶分三個階段： GrowingIO 新一代數據分析產品 有些人是遺留客戶，去了某個新公司，他知道如何用這個產品，我們沒有必要把這個人力資源放在這些人的身上，我們需要關注比較生疏的新的客戶。 在成長的階段，是要跟客戶溝通，客戶如何用我們的產品的。每三個月和客戶來交流一下感受。 最后一點就是收集客戶反饋，產品有哪些不足，客戶是否滿意，客戶對哪些有意見，是否需要我們的幫助。 七七 把把數據數據分析分析推廣給企業內部所有員工推廣給企業內部所有員工 數據運營的核心就是決策規?；腕w系化。 數據不能只給老大看、VP 看、經理看，需要通過銷售的體系，或者是客戶成功運營體系，按照結構、管理層級一步一步

199、推廣給公司里所有員工。 最早，我們剛加入 LinkedIn，一年做了大約 500 個項目，支持 155 個 RIM、客戶服務經理。平均起來，每個經理不超過三次用數據，平均一個銷售每年才用 3/4，這是遠遠不夠的。 后來我們幾個人努力，我們開發了一套系統，至少我們離開時，大概 5000 個銷售到 RIM，到 CSM 整個團隊，每天有超過 90% 的，每個星期 99% 的 CSM 客戶成功經理，RIM 都在用這套東西，也就是 4500 人以上在用數據的決策系統做決策。 所以說如何把數據決策這種運營能力， 推廣給企業里面所有的員工， 是一個核心的價值增長點。當時 LinkedIn 業務的增長，就是在

200、慢慢發展這個模型的過程中，把數據決策變得更民主化，很多人來做決策，大家又回到 1% 的增長，變成若干倍的增加。 返回至目錄GrowingIO 新一代數據分析產品 數據分析如何破解 SaaS 企業客戶留存難題？ 本文作者吳繼業，聯合創始人，前 LinkedIn 數據解決方案總監，在數據解決方案、數據倉庫、數據工程方面有十多年的經驗。在 LinkedIn 期間，領導數據分析解決方案團隊并且建立了可視化的端到端的數據分析平臺。 每個人都感受到 2015 年是中國企業級服務 SaaS 元年，無論是融資額、用戶增長還是銷售市場，SaaS 服務從來沒有像今天一樣火熱。 但是眾多 SaaS 服務廠商都面臨同

201、一道難題， 如何保持客戶終身價值與客戶獲取成本的最佳平衡？易觀智庫發布的中國企業級 SaaS 市場年度綜合報告 2015 ，也表示這是企業級SaaS 市場發展的難點之一。 一一、持續追蹤客戶行為，預測客戶流失可能性持續追蹤客戶行為，預測客戶流失可能性 許多的 SaaS 公司都在快速地引入和擴展自己的客戶成功， 延展銷售團隊或者客戶關系管理團隊，積極服務于現有的企業級客戶，從而減低客戶流失率，增加客戶黏度。 客戶成功最主要的任務之一， 就是通過數據分析追蹤客戶是如何使用產品的， 從而提高客戶留存率。 世界上知名的 SaaS 企業，比如 Salesforce, LinkedIn, Box 以及 W

202、orkday 等都緊密地追蹤新開賬戶并持續衡量現有客戶對產品的使用。 持續追蹤用戶的各種使用行為， 監測對現有及各種新產品功能的使用頻率和情況的目的， 主要有三個： 1. 衡量客戶忠誠度，減低潛在流失率。 2. 預測客戶復購率、增加潛在增購的可能性。 3. 增強產品設計體驗和使用流暢度，提高客戶體驗，減低產品摩擦。 GrowingIO 新一代數據分析產品 注意是減低潛在流失率、潛增加在增購可能性，而不是流失率、增購可能性，為什么要強調潛在？ 因為數據分析可以讓 SaaS 企業在客戶出現流失苗頭的時候，就能及時采取行動，阻止客戶流失，把潛在的可能性消滅在搖籃里。 數據分析怎樣預測客戶流失？數據分

203、析能夠提供詳盡的客戶分析記錄，以詳細理解客戶的使用行為，從而預測并降低客戶流失的風險：當一個客戶對新產品的功能使用率非常低，我們就需要迅速地聯系客戶，了解他為什么很少使用或者停止使用，以降低流失的風險。 如果分析結果顯示， 客戶已經停止使用產品的核心功能， 往往是因為客戶無法從產品中直接獲得價值，長遠講，客戶會停止使用這個產品，最終造成了營收減低。 二二、SaaS SaaS 企業核心指標企業核心指標 客戶健康度是客戶使用 SaaS 時留下的各種產品行為數據的一種集合， 這個指標涉及到客戶使用產品的頻次、廣度和深度，可根據每一個客戶的使用情況給出預警，是客戶是否會留存的核心指針。即客戶是否會留存

204、就看客戶健康度高不高。 在銷售的時候就應該考慮到續約問題。前瞻性的續約需要在提前獲得客戶使用數據和健康狀況的報告，當客戶還在使用周期內，就應該分析其使用狀況及流失風險，從而可以在早期發現風險，并采取行動挽留他們。 但現在很多 SaaS 企業的客戶關系管理指標，還很原始粗暴，仍按用戶續費日期合同到期日期進行。也就是當距離客戶續約之前的若干周若干月，客戶成功經理、銷售經理等才會去聯系客戶詢問和接洽續約。 這種做法在 SaaS 領域越來越遭到摒棄。 因為這種“交易”型客戶關系管理， 已經越來越不適應當代客戶關系管理系統， 在續約之前才發現客戶已經很少或不使用產品， 他們續約可能性基本已經減低為零。

205、所以越早發現客戶存在流失風險，就可以越快做出反應，來提升客戶健康狀況。 GrowingIO 新一代數據分析產品 數據分析可以提供這種結果：哪些客戶存在流失風險，以及哪些客戶有拓展機會。 精確評分系統的核心是以用戶的行為和使用數據展開，進而結合商業直覺對用戶的潛在續約率進行判斷。 三三、如何使用健康度如何使用健康度指標？指標？ 1. 積極應對高危賬戶 好的客戶關系管理要利用數據分析，找到用戶使用中遇到的問題，并探究根源，優化解決方案。有效的客戶成功分析系統能夠讓你把資源分配到最需要的地方，提供及時的服務，發現服務模式和趨勢。 有效的商業服務不是去扮演救火員，而是提供有戰略意義的反饋。 這里核心的

206、衡量標準是： 要緊密追蹤客戶對產品各種功能的使用度， 從而了解客戶的痛點和使用特點，有針對性地制定培訓和客戶關懷策略。 2. 持續指導每個客戶，并且進行培訓： 入門培訓并不是一個一次性的項目， 而是長期持續的過程， 有效的培訓需要一個系統性的方法，在產品使用周期內，持續指導關鍵客戶。 培訓時需要考慮客戶不同的技能等級，最佳策略是，在培訓過程中，找到并消除客戶間的差距，最終提高所有客戶的能力。 然而并不是所有的客戶都需要培訓，企業需要用數據分析的手段來了解每一個客戶的使用情況，從而判斷哪個客戶需要培訓，哪個客戶不需要培訓。這樣才能最優化地調整客戶指導的策略，有效利用內部銷售和客戶成功各部門的時間

207、和資源。 GrowingIO 新一代數據分析產品 但是通常，每個銷售經理和客戶成功經理手中通常掌握了幾百、甚至幾千名客戶，怎么可能了解每個客戶使用情況。 最近國內興起了一種從硅谷傳過來的， 針對客戶成功的精益化運營分析工具， 如 GrowingIO等， 可以提供接近事實追蹤網站或 APP 內的產品使用行為， 從而直接預測每個客戶健康度，以監控潛在流失可能性。 四四、在不增加客戶獲取成本的情況下如何增加營業額在不增加客戶獲取成本的情況下如何增加營業額 客戶溫度可以理解為用戶使用 SaaS 產品各種產品特性的行為數據， 那些能夠預測其進行復購，增購、或者追加銷售的指針。這個指標涉及到客戶使用產品中

208、貨幣化組件的可能性。也就是 Monetization（貨幣化） ，是客戶是否會增加購買的核心指針。 找到擴大收入機會的核心是：在不增加客戶獲取成本的情況下如何增加營業額。 要想使得占領擴張策略生效，需要一個有預測力前瞻性的方法從當前用戶基礎上擴大收入。 投資回報率數據可以作為擴大服務范圍的基礎。 但要想持續就需要找到收入增長的機遇， 同時滿足客戶需求， 大規模重復的人力工作貌似是必不可少的： 比如說給每一個客戶打電話詢問他們是否需要新的產品和增值服務。 但是這種地推和窮舉的方法需要大量的人力，物力和時間去管理，這是一個成本很高，轉化率很低的方式。 最終導致的是獲取和維護客戶關系的成本大大提高，

209、 但是銷售額卻沒有太多的提升。 而且現實是， 銷售人員和客戶成功經理都直接管理幾十個甚至幾百個客戶， 沒有人能夠在同一時間內關注如此多的用戶。 這就要求我們能夠隨時隨地判斷每一個現有客戶的增購和重復購買的可能性。最簡單的方法就是利用所有用戶的使用行為，找到當天，當周，當月優先級最高的客戶予以關注。 GrowingIO 新一代數據分析產品 GrowingIO 可以采集用戶在 SaaS 云服務網頁或者 App 端各種產品細節的使用和互動，特別是針對客戶消耗和付費功能等使用信號的分析,來對所有使用中的客戶進行排序和調優。找到超級活躍客戶， 也就是“高溫度”客戶。 從而為客戶成功經理以及銷售人員提供最

210、新的客戶動態， 讓企業內的客戶支持部門， 有針對性地對活躍度和重復購買率高的用戶及時跟進。 五五、發現和發展值得信任的推廣大使發現和發展值得信任的推廣大使 滿意的客戶常常會變成熱情的產品推廣者， 他們的使用經歷、 成功故事和推薦非常有說服力和吸引力。因此為了增加他們的人數和有效利用他們的聲音，需要發展一套方法來識別、發展和管理這些客戶或者推廣大使。 因此客戶成功的數據化管理就越發重要， 通過客戶成功分析并及時找到這些忠實的粉絲， 就等于找到了下一次營銷的機會。返回至目錄GrowingIO 新一代數據分析產品 通往億元美金的第一步： 數據驅動下的SaaS 企業客戶成功 本文作者吳繼業，聯合創始人

211、，前 LinkedIn 數據解決方案總監，在數據解決方案、數據倉庫、數據工程方面有十多年的經驗。在 LinkedIn 期間，領導數據分析解決方案團隊并且建立了可視化的端到端的數據分析平臺。 這兩年中國企業服務如雨后春筍般蓬勃發展，在大量資本的追捧下，SaaS 企業迎來了全行業的高潮。但是據不完全統計，中國的企業服務市值目前尚不到 40 億美金，而在美國，僅僅 Saleforce、SAP 和 Oracle 三家巨頭的市值已經超過 3500 億美元。站在企業服務爆發的風口下，國內的 SaaS 企業該怎樣做？跟傳統企業銷售模式相比，SaaS 企業云模式用那些本質的不同，并且作為最關鍵一環，SaaS

212、企業如何實現客戶成功？ 一、一、SaaSSaaS 企業云模式與傳統模式的區別企業云模式與傳統模式的區別 from single deal to saas 這是兩種盈利模式，圖左邊是 Single Deal 模式，傳統銷售 IT 產品的公司，會在前期收高額的費用，之后每年會獲取數據庫升級和維護費用，用戶最初的投入非常高。右邊是 SaaS企業現金流，一開始 y 軸是負的，代表在前期會投入市場成本、教育客戶成本，引導培訓，GrowingIO 新一代數據分析產品 讓客戶習慣 SaaS 服務，等客戶通過培育成為平臺付費客戶后，可以看到負盈利變成正。 SaaS 平臺一般采用云模式，在這個模式下可以快速擴張

213、，服務更多客戶。如果客戶的數量可以規?；鲩L，以及能控制 CAC（獲客成本） ，引導客戶長期使用平臺，那采取這種模式后盈利曲線會非常陡，能夠快速迭代產品、修復系統問題、增長客戶數量。 LTV (life time value) 生命周期總價值，指的是客戶在平臺使用時間的長短。一般 LTV 越長，客戶在平臺貢獻的收益越高。一個成功的 SaaS 模式，LTV 要大于 CAC 三倍。因此客戶在平臺停留時間越長越好。 SaaS 企業的漏斗模式與傳統的不盡相同。漏斗上方都是讓產品的受眾轉化為客戶，從而讓客戶簽單，讓客戶習慣 SaaS 產品的功能。但不同的是，客戶初期使用 SaaS 軟件時付出的費用很少。

214、 因此SaaS軟件盈利方式有兩種， 一是希望客戶在平臺上停留時間更長， 二是促進客戶購買、增購、 復購， 交叉銷售更多產品給客戶， 引導客戶消費。 因此企業需要精細化衡量整個漏斗。 二、二、SaaSSaaS 產品如何提高留存產品如何提高留存 1. 了解 SaaS 產品的留存狀況 首先需要了解 SaaS 產品的留存。留存指的是客戶在第一天使用產品之后，第二三天有沒繼續使用，可以看到圖中兩個產品的留存不同。 兩種不同產品的留存度對比 GrowingIO 新一代數據分析產品 A 產品留存率在 12%-15%左右，B 產品在 30%-40%之間，在后期還有向上的趨勢，說明B 的留存好于 A。留存越高，

215、用戶活躍度越高，LTV 被延長的就越久。 其次要分析每個產品功能對留存的影響，我們對 SaaS 服務的功能進行了統計。下圖列出了SaaS 功能的占比和趨勢，可以看到藍色區域占比比較高。通過計算留存的方式，可以找到留存率最高的功能點，就可以引導客戶使用這些功能點，從而提高用戶留存。 對 SaaS 的產品功能進行用戶使用度統計 2.引導客戶使用高留存的功能 下圖中，功能 A 的留存在六天后是 20%左右，是留存最好的功能，次好功能的留存是 12%到 13%左右。一旦找到 SaaS 中留存最好的功能，就應該盡力在客戶熟悉平臺時，引導客戶使用這個功能，從而提高客戶留存。 兩種不同功能的留存圖 知道留存

216、度高的功能后，也就找到了 product-market-fit，有了 PMF 就可以規?；鲩L。 舉個例子，在 LinkedIn 上，新用戶在第一個星期加入時連接了 5 個用戶，那他的留存度、GrowingIO 新一代數據分析產品 使用度和活躍度會遠遠大于小于 5 個社交關系的人群。這個發現幫助 LinkedIn 從 2003 到2009 年客戶基數飛速增長。 三、三、SaaSSaaS 產品如何防止客戶流失產品如何防止客戶流失 1.防止客戶流失 如何在產品中培養客戶，讓其復購和交叉銷售。我們花了很多時間讓客戶買單，在使用過程中，我們給客戶提供培訓和上門支持，我們投入了非常高的 CAC 獲客成本

217、，這個時候我們不希望看到還沒把之前的投入的成本拿回來的時候用戶就已經流失了。 GrowingIO 用戶行為數據分析-客戶健康度分析 在上圖中我們對客戶的健康度做了分析。這個數據背后有很多東西，比如客戶使用頻次，時長，功能的計算，有了這個模型能對客戶進行排序，藍色是使用的比較好的客戶，紅色是不太好的。在這個圖里我們能進行配置，可以把最好最差的 5 個調成 100 個。對于使用不好的用戶，要么進行培訓，要么進行走訪，理解客戶需求，引導他們使用平臺上留存度高的功能。 2. 建立客戶溫度和健康度模型 有了客戶健康度模型之后還不夠。健康度和溫度之間的關系能幫我們更好銷售。 見下圖，X 軸是健康度，y 軸

218、是溫度，用戶健康度越低，使用頻率越低，用戶溫度越低，購買意愿越低。 GrowingIO 新一代數據分析產品 GrowingIO 用戶行為數據分析-客戶溫度和健康度 我們可以做一個氣泡圖，每個氣泡代表一個公司，把所有客戶分布在四個象限之中： 右上角的客戶， 購買意愿高， 頻次高， 是非常優質的客戶， 我們希望這些客戶嘗試新的產品，推出新功能讓這些客戶先使用。 左下角是購買意愿低頻次低的客戶， 我們就鼓勵客戶使用產品， 引導客戶用留存度高的功能，對客戶進行培訓。 左上角是購買意愿高，使用頻次不高的用戶，我們讓客戶馬上埋單，把用戶變成客戶，先鼓勵用戶購買之后再慢慢像右上角推動。 右下角的區域，購買的

219、意愿不高，使用頻次高，這時候要了解原因，比如一些客戶在平臺上消耗了大量資源，但是付的錢不能覆蓋成本。我們要找一些方法進行溝通，或者了解是不是多個人使用一個賬號。在這上面我們會發現，按賬號來賣的產品，有的用戶經常多人使用一個賬號，我們可以跟客戶交流，給客戶開更多賬號等。 四、從收集用戶行為開始，實現四、從收集用戶行為開始，實現 SaaSSaaS 客戶成功客戶成功 我們的主要目標是讓客戶在平臺使用的時間更長。那實現客戶成功的好處是什么呢？ 實現客戶成功最大的挑戰是收集用戶行為， 有了數據還要進行數據分析， 分析結果指導企業針對用戶行為積極主動地運作。 能指導用戶行為的結果才是好的分析結果， 有了用

220、戶行為數據才知道用戶是怎么使用產品的， 最開始購買是靠這個產品能滿足需求， 持續購買是靠用戶體驗，我們需要知道用戶是怎么使用產品的，從而提高用戶體驗。 GrowingIO 新一代數據分析產品 比如一款團隊協作 SaaS 產品，里面有很多功能模塊，所有功能都要對用戶行為數據進行收集。大家知道傳統統計方法中，收集產品功能用戶數據可以通過埋點來實現。但是實際操作比較復雜，產品經理想知道產品使用情況要通知數據分析師，數據分析師要找到數據報表，找不到的話需要工程師埋點，等代碼上線之后才能得到這些數據。 考慮到整個流程很繁瑣復雜， 回國創業之前， 我們想了一個簡單的方法幫助產品經理收集和分析數據，通過無埋

221、點的方式收集用戶數據，也就是 GrowingIO，不管是網頁端客戶端還是手機 APP， 都能全量采集用戶行為數據， 做出分析報表， 幫助產品經理快速發現用戶行為背后的內容，對產品進行新一輪的迭代，比較之前的結果，來分析我們的結果是正確的還是錯誤的。根據用戶行為數據，判斷用戶行為信號，以及某個模塊使用情況，所有信號都能讓我們把用戶分在不同象限內，采取不同行動。 返回至目錄 GrowingIO 新一代數據分析產品 互聯網金融增長寶典：三大步驟提高轉化，搞定用戶運營 本文作者徐主峰，GrowingIO 業務增長負責人，曾任職 Criteo、Microsoft 等公司，有豐富的電商、互聯網金融客戶解決

222、方案經驗。 這是一篇互聯網金融寶典，我們推薦給所有轉化率只有 1%、總是為誰可能是你的購買用戶而犯愁的互聯網金融的高管、PM、市場運營和銷售們。本文通過實戰案例，手把手教你建立轉化指標、 梳理分析思路、提供分析步驟并最終建立用戶行為分析模型。 大部分的互聯網金融公司最為糾結的一點是，流量這么大，獲客成本這么高，為什么最后的的轉化率和成單量卻這么低？怎樣才能提高用戶運營效率？用戶行為數據分析怎樣把處在不同購買決策階段的用戶挑選出來，幫助互聯網金融公司做到精益化運營？ GrowingIO 的客戶中很大一部分來自互聯網金融，比如人人貸等行業前 5 的互聯網金融公司。在服務客戶的過程中，我們也積累了大

223、量的數據驅動業務的實踐案例，來幫助客戶創造價值。 一一 、互聯網金融用戶四大行為特征、互聯網金融用戶四大行為特征 互聯網金融平臺用戶有四大行為特征： GrowingIO 新一代數據分析產品 第一流量轉化率低，下圖是某互聯網金融公司網站上，新客戶過去 30 天整體購買轉化漏斗，其轉化率只有 0.38%： 而這并非個例，實際上，絕大多數互聯網金融公司，在 web 端購買的轉化率基本都在 1% 以下，APP購買率在 5% 左右，遠遠低于電商或者其他在線交易的購買率。 第二，雖然轉化率低，但是客單價卻很高。一般來說，電商行業客單價在幾十到幾百，而互聯網金融客戶，客單價從幾千到幾萬，某些特殊領域甚至高達

224、幾十萬。而客單價高，就意味著用戶購買決策會更復雜，購買周期也會更長。 第三，用戶購買行為有很強周期性。電商的客戶下次購買時間是不確定的，但是互聯網金融平臺上，真正購買的用戶，是有理財需求的用戶，在資金到期贖回產品后，一定還會進行下一次購買，只不過未必發生在你的平臺上。 下圖是一個典型互聯網金融用戶的交互趨勢圖： 可以看到，每隔一段時間，這個用戶就會有一段集中的、大量的交互行為。當用戶購買完成后，用戶的交互行為又變得很少，可能偶爾來看看產品的收益率，但整體的交互指標不會太高，直到他下一次購買。這個用戶理財需求的周期是一個月左右。 最后一個特點是很強的特征性，主要包括兩個特征： GrowingIO

225、 新一代數據分析產品 A：用戶的購買偏好比較容易識別，理財產品數量和品類都很少，所以用戶購買的需求或者偏好，很容易從其行為數據上識別出來。 B：用戶購買過程中的三個階段特別容易識別： l 用戶在購買決策階段，有大量的交互事件產生，他會看產品，比對不同產品的收益率和風險，比對不同產品的投資期限等等； l 但是一旦他完成了產品的購買，就不會有大量的交互行為產生，他可能僅是回來看一看產品的收益率。 l 當用戶的產品資金贖回之后，又有大量的交互事件產生，實際上他處在下一款產品購買的決策期。 二、互聯網金融用戶運營的三大步驟二、互聯網金融用戶運營的三大步驟 針對互聯網金融用戶行為的四個特征，在用戶運營上

226、有三個比較重要的階段性工作： 1.首先，獲取可能購買的目標用戶，合理配置在渠道上的投放預算，以提高高質量用戶獲取的比例： 渠道工作的核心，主要是做好兩方面的工作：宏觀層面，優化整個渠道的配置；微觀層面，單一渠道角度來說，根據渠道配置的策略，有針對性地實施和調整。 具體渠道的實施，大家都比較熟悉，但是對于整個渠道組合配置的優化，很多人接觸的其實并不多。 GrowingIO 新一代數據分析產品 這張圖是 GrowingIO 整體轉化漏斗，從不同維度可以做對比，比如我們先選出流量前 10 的渠道： 以渠道一為例，總體的轉化率是 0.02%；在過去 30 天站內總體的流量是 18.9K，漏斗第一級到第

227、二級的轉化率是 3.36%，這樣一共是五級，我們看到最終渠道一帶來總體的成交用戶一共是 4 人。 類似的，前 10 的渠道數據都很清晰。不同渠道帶來的流量，不同渠道總體的轉化率，以及不同渠道在整個轉化路徑上每步的轉化率都可以看到。這里面有幾個渠道很有特點： l 渠道一的特點，渠道一帶來的流量是所有 10 個渠道里最大的，但是它的總體轉化率卻是低的； l 渠道二和渠道七，渠道二的量很大，但是轉化率是零。渠道七量比較一般，轉化率也是零；l 渠道九和渠道十，這兩個渠道是所有渠道里轉化率最高的。但是這兩個渠道特點，是帶來流量不是特別大 結合典型渠道特點，可以做一個象限圖： 第一象限（右上角）渠道質量又

228、高，帶來流量又大的，這里面渠道345是符合這個特征的，渠道策略應該是繼續保持和提高渠道的投入。 GrowingIO 新一代數據分析產品 第二象限（左上角）渠道的質量比較高，但帶來的流量比較小，這里面包含的主要渠道就是8910。對應的主要策略是，加大渠道的投放，并且在加大投放的過程中，要持續關注渠道質量的變化。 我們先看第四象限（右下角），渠道質量比較差，但是帶來流量比較大，這里面主要有渠道1/2。相對應的渠道策略，應該在渠道做更加精準的投放，來提高整個渠道的質量。 第三象限（左下角）這個象限里渠道質量又差，帶來流量又小，比如渠道6/7。我們是否要直接砍掉？這里建議是，策略上要比較謹慎一些。所以

229、在具體渠道的策略上，業績保持監測，然后小步調整。 根據上面數據分析得出的結果，做過渠道優化后，就會為我們帶來更多高質量的用戶。 2.把高價值的用戶真正有購買需求，愿意付費、購買的用戶找出來。將資源與精力投入到真正可能購買的用戶上的前提是，我們要能夠識別出，哪些是真正有價值的用戶？哪些是價值偏低的用戶？ 其實對于互聯網金融平臺來說，甚至所有包含在線交易的平臺，用戶的購買意愿，是可以從用戶的行為數據上識別出來的。由于互聯網金融平臺的特殊性，相比于電商平臺來說，商品品類更少，平臺功能也更為簡單。所以用戶的行為數據，也更能反應出互聯網金融平臺上用戶的購買意愿。 把用戶在平臺上的所有行為總結一下，核心的

230、行為其實并不多，具體包括： 用戶查看產品列表頁，說明有一些購買意愿，點擊某個產品，說明用戶希望有進一步的了解。用戶最終確認了支付，完成了購買，購買流程就走完了，他的理財需求已經得到了滿GrowingIO 新一代數據分析產品 足。每一種行為都表示出用戶不同程度的購買意愿，所以獲得用戶在產品里的行為數據就十分重要。 既然用戶行為數據這么重要，那么怎樣獲取呢？GrowingIO 以無埋點的方式，全量采集用戶所有的行為數據，根據我們對業務的需求，配比成不同的權重系數，并按照每個用戶購買意愿的強弱，進一步分群。 這是我們一個客戶制作的用戶購買意愿指標的范例，剛才的前 5 個行為，都是用戶在購買前典型的行

231、為： 每種典型事件的權重系數不一樣，用戶購買意愿是越來越強的：用戶點了投資按紐，甚至點了提交的按鈕，顯然要比他單單看產品列表頁，或者單單看產品頁、詳情頁的意愿強。越能反應用戶購買意愿的事件，你給它分類的權重應該是最大的，這是大的原則，0.05 還是 0.06 影響并不大，所以不必糾結。 這樣通過這種方式，我們就可以按照每個用戶的所有行為，給用戶做購買意愿打分的指標，最終形成用戶購買意愿的指標。 這是我們從高到低截取部分用戶購買意愿打分的情況，第一列是每個用戶的 ID，第二列是按照購買意愿給每個用戶打分的情況。得分高的，就是購買意愿最強烈的用戶。 拿到所有用戶購買意愿之后，我們就可以按照用戶購買

232、意愿的強烈與否，把所有的用戶分成不同的群體，來做針對性的運營。 GrowingIO 新一代數據分析產品 這是在把用戶在過去 14 天內，由其產生的所有行為數據，按照購買意愿打分的權重，把打分大于 5 的用戶找出來，在總體用戶里，這部分用戶購買意愿排名前 20% ，我們給它起個名字，叫購買意愿強烈的用戶。 類似我們還做了購買意愿中等的用戶分群，這是購買意愿排名在 20-60% 之間的用戶；購買意愿排名在最后 40% 的用戶，是購買意愿最弱的用戶分群。 分群之后，點擊任意一個分群，都會以用戶 ID 的形式列出來。因為你要有用戶的 ID ，才能對這些用戶施加運營策略。每個用戶最近 30 天的訪問次數

233、，最近的訪問地點，最后一次訪問時間都可以看到。 3.采取針對性的運營策略，提高高價值用戶的轉化率接下來針對這些購買意愿強烈的用戶，怎樣推動用戶的轉化呢？ 首先我們來看一下購買偏好，互聯網金融平臺商品品類是比較少的，用戶購買的目的性也比較清晰，一般商品的品類有這么幾種： 第一種：債券型理財產品 GrowingIO 新一代數據分析產品 第二種：股票型理財產品 第三種：貨幣型理財產品 第四種：指數型理財產品 第五種：混合型理財產品 我們用 GrowingIO 把用戶在不同品類商品上的訪問時長占比算出來，就能比較好地了解用戶的購買偏好。比如下圖，我們用用戶訪問債券型產品詳情頁的訪問時長，除以用戶在站內

234、總體的訪問時長，就能夠得到用戶在債券產品上訪問時長占比的指標。 我們還是使用用戶分群的工具，把在債券型產品上的訪問時長占比大于40%的用戶分出來，這是有非常強烈表征的客戶，他購買的偏好就是債券型的產品。 同時我們再設定另外一個指標，比如用戶購買意愿指標，之前我們做過大于5，也就是購買意愿排名在前 20% 的。 通過這兩個條件，我們就可以把購買偏好是債券型產品，同時有強烈購買意愿的用戶找出來，這兩個指標的關系是并（and）的關系。同樣我們可以按照用戶的購買偏好，把關注其他品類的用戶，都做成不同的用戶分群，然后形成不同購買偏好的用戶群體。 針對這些用戶，其實在運營策略上，我們可以從三個層面來展開來

235、進行做： GrowingIO 新一代數據分析產品 從購買階段的角度，首先我們把所有用戶可以分成新客和老客。對于這兩個群體來說，運營策略和運營重點是非常不一樣的。 l新客群體，是從來沒有在平臺上發生過購買的用戶，我們要根據用戶的購買意愿，做進一步的運營。l老客群體，也就是在平臺上已經發生過產品購買的用戶，除了關注用戶的購買意愿之外，用戶的資金狀態（資金是否贖回）也是非常重要的參數。用戶是否購買過產品？購買產品的用戶是否已經贖回資金？這兩個內容，其實是一個用戶當前的屬性。在我們分群的工作里，這有個維度的菜單，通過這個維度菜單，我們就可以把具有某種屬性的用戶找出來： 這里我做了一個分群，我們可以看一

236、下。在維度的菜單里，我們把是否購買過產品的維度值設置成了 1 。把資金是否已經贖回這個維度的值，也設置成了 1 。實際上是把那些資金已經贖回的老用戶找出來；同樣在指標這個菜單里，我們同時也把有強烈購買意愿的用戶找出來，時間是過去 14 天，指標大于 5 。 這樣我們就制作了一個用戶分群，而這個用戶分群里所有用戶，要滿足下面的三個特征： 特征一：購買過產品的老客。 特征二：他們的資金，目前已經贖回了。 特征三：過去 14 天內的行為數據，表明這個用戶有著強烈的購買意愿。 同理我們把所有用戶，整理為下面幾個不同類別，對應不同的運營策略： GrowingIO 新一代數據分析產品 比如新客里，當前有購

237、買意愿的，其實他屬于購買決策期的新用戶。應該根據用戶的購買偏好，推薦這種比較優質的理財產品。并給予一定的購買激勵，來促進這些新客在平臺上的第一次購買，這個對于新客來說是非常重要的，以此類推。 相比于電商或者其他行業，互聯網金融平臺結合行業和用戶的特點，從用戶行為數據分析的角度，驅動產品業務以及提高用戶的轉化率，有更加重要的意義。 本篇文章整理自GrowingIO數據增長公開課第九期，公開課報名及資料請關注GrowingIO官方微信（微信號：GrowingIO）。 返回至目錄 GrowingIO 新一代數據分析產品 電商精細化運營的五大關鍵指標和三個關鍵思路 本文作者，揭發，GrowingIO

238、業務增長負責人，曾任職 Cisco, Criteo 等公司，具有豐富的電商，在線旅游行業數據分析和解決方案經驗。 近幾年電商行業存在明顯的價格戰現象，各大網站紛紛通過降價、促銷等方式來吸引用戶。KPCB 的調查報告顯示，2009 年到 2015 年全球移動端新用戶的增長率持續下滑，可以預計在 2016 年這一增速將繼續放緩。這意味人口增長帶來的流量紅利正在逐漸消退，用戶增長將更加乏力。那么，通過單純的價格戰來吸引新用戶的方式還可行嗎？ 嚴峻的市場市場形勢讓我們思考： 1）通過降價促銷來帶訂單數的增長，但是這樣的活動吸引來的真是你的目標用戶嗎？ 2）現在很多電商運營團隊缺少精細化運營和數據驅動的

239、經驗和意識，依靠價格戰這種野蠻生長的方式，一旦團隊面臨增長困境，又該如何應對？ 一、電商行業需要關注的五大關鍵指標 在眾多的互聯網細分行業中，電商行業起步早，發展時間長，行業特征顯著： 1）商品品類及 SKU 多，用戶覆蓋面廣，運營難度大； 2）總體上客單價低（除旅游、奢侈品等外） ，強調留存與復購； 3）電商產品設計相對成熟，優化運營是重中之重； GrowingIO 新一代數據分析產品 4）電商行業競爭白熱化，精細化運營是沖出重圍的必備技能。 要想實現精細化運營，數據是必不可少的一個環節。電商網站要提高運營效率，至少需要五大關鍵指標：活躍用戶量、轉化率、留存、復購和 GMV 。 1）活躍用戶

240、量是一個基本的指標，有 DAU (日活躍用戶)、WAU (周活躍用戶)和 MAU (月活躍用戶)三個層次； 2）轉化是一個非常重要的指標，電商運營需要關注主路徑、次路徑，甚至精細到每一個品類/ SKU 的轉化率； 3）留存要從不同的時間周期上研究，包括次日留存率、3 日、7 日、30 日留存； 4）復購則要從 3 個角度去看，復購用戶量、復購率和復購金額比； 5）GMV 是最重要的指標，我們的運營最終是圍繞這個來進行的。GMV = UV *轉化率*客單價。 光知道指標是遠遠不夠的，電商行業的精細化運營需要結合業務實際展開。下面，我們從商品運營、用戶運營和產品運營這 3 個關鍵思路展開，聊聊電商

241、網站該如何提高運營效率。 二、商品運營：流量優化和品類優化 前面提到電商行業的一大特點是商品品類或者 SKU 非常多， 那么如此多的商品該如何運營呢？ GrowingIO 新一代數據分析產品 這是三個電商 APP 的首頁界面：前兩個是京東和國美，屬于平臺型的電商；第三個是生鮮水果平臺，屬于垂直型電商。不難發現電商的產品在設計上非常類似，首頁上面呈現的是輪播的 Banner ，下面是活動專區。 在商品運營中，尤其是首頁商品更新速度快，我們要格外重視轉化，甚至要精確到不同時間區間、 不同位置、 不同商品的轉化率。 然后根據轉化率， 結合業務經驗， 不斷調整運營策略。然而目前，即使是大型的電商網站，

242、也沒有很好地做到這一點，對于每個商品品類/SKU 的轉化率的分析仍存在一定的空缺。 商品運營有一個非常大的優勢：投入低，見效快，效果明顯，商品運營的本質是通過不同坑位、不同活動、不同商品的分析來提高我們的轉化率和 GMV 。 下圖展示了一個電商購買流程的主路徑：首頁活動頁商品詳情頁支付完成。從精細化分析的角度出發， 我們關注轉化路徑每一步的轉化率； 通過分析不難發現最后一步“支付完成”的轉化率偏低。 GrowingIO 新一代數據分析產品 我們更需要基于三個關鍵轉化“UV-點擊”、 “點擊-加入購物車”、 “購物車-支付成功”，對不同的商品進行比較分析，從而及時調整運營策略，下圖就是各個步驟的

243、轉化率： 電商網站的運營節奏非?？?，尤其是活動專區的“秒殺”、“搶購”等活動，需要實時監測 SKU 的更新變化。上圖中，某電商平臺進行了一次微信上的促銷活動，通過實時監測到對應的平臺訪問情況，便于運營人員及時調整運營策略。 電商網站上的商品品類非常多， 每一個品類都應該有明確的定位， 不同定位的品類應該有不同的運營策略。根據商品品類的利潤率、轉化率等表現，我們將商品品類分成 4 種：導流型品類、高利潤品類、高轉化品類、未來明星型品類。 1）導流型品類：利潤非常低，但是購買量大、市場需求大，目的在于導流。 2）高利潤型品類：利潤率高，希望用戶更多購買此類商品。 3）高轉化品類：帶量。 4）未來明

244、星型品類：這是電商平臺的潛力股，雖然曝光量很低，但是轉化率極高。 明確了商品的品類后，我們就可以針對性地展開運營。 GrowingIO 新一代數據分析產品 這是新型的波士頓矩陣，橫坐標代表商品的曝光量，縱坐標是商品的轉化率，圖中的每一個圓圈代表一個品類的商品。右上角的商品品類曝光量大、轉化率高，是現金流的重要業務；而左上角的商品雖然曝光率非常低， 但是轉化率極高， 屬于我們上面提到的未來明星型品類，對于這一類商品，我們在后期的運營中可以增加其曝光量。 三、怎樣進行用戶運營？ 正如開頭提到的，隨著互聯網用戶增長速度的放緩，用戶體驗愈發重要，之前無目的的短信推送、APP 通知有可能使用戶厭煩，破壞

245、用戶的體驗；甚至可能導致用戶退訂、卸載。 精細化運營的情況下，做好用戶運營主要從兩個角度出發：一是找到用戶留存的關鍵點；二是采取差異化的運營策略，區分不同的用戶群體，對不同群體采取差異化的運營方式。 1.找到用戶增長的“魔法數字” 留住一個客戶的成本遠遠小于重新獲取一個客戶的成本， 所以留存至關重要， 它關系著一個平臺能否持續健康發展。 留存曲線分成三個周期，開始是震蕩期和選擇期，經過這兩個周期，如果用戶能夠留下來，就會進入一個相對平穩期。 GrowingIO 新一代數據分析產品 在硅谷流向的 growth hacking 中，經常提到 magic number（魔法數字） 。那么作為一個電商

246、平臺，你的平臺的魔法數字是什么？ 以某電商平臺為例， 在該網站上 7 天內完成 3 次購買的用戶的留存度 （紅色） 是一般用戶（綠色）的 4 倍左右，因此在一周內讓用戶完成 3 次購買就是他的魔法數字。 2.差異化的運營策略 不同用戶的活躍度、商品偏好、購買決策階段都各異，我們需要采取差異化的運營策略。差異化的運營策略主要從 3 個角度出發：基于用戶的活躍度、基于用戶對不同商品的偏好、基于用戶所處的決策階段。 基于用戶的活躍程度， 我們可以將用戶大致分成“流失用戶”、 “低頻活躍用戶”和“高頻活躍用戶”。 一般情況下， 一個用戶 30 天甚至更久沒有登錄你的平臺， 我們基本可以認為該用戶流失了

247、。對于流失客戶，是否要考慮采取召回策略。30 天內活躍 10 天以上的高度活躍用戶，我們是否可以向其推薦更多精準的商品。 其次基于用戶對不同商品的偏好，我們采用用戶分群，將用戶區分成“美妝類”、“鞋帽類”、“數碼類”、“書籍類”等不同群體，然后精準推送新品。 最后，基于用戶購買決策的不同階段。一個標準的購買流程，先后經歷“首頁瀏覽/搜索瀏覽商品詳情頁商品對比加入購物車支付成功”等幾個環節，用戶在每一個節點都處于不同的決策階段。我們從維度（屬性數據）和指標（行為數據）出發，對用戶分群，如“領取了優惠券，但是未使用”的用戶，采取精準的推送。 我們從 GrowingIO 提供的 API 導出這些用戶

248、的 ID 和屬性，然后對接企業內容的 CRM 或者 EDM 進行精準的推送和提醒，刺激用戶的轉化。 GrowingIO 新一代數據分析產品 四、優化產品的轉化效率 目前電商產品的設計總體成熟、界面布局類似，我們主要結合用戶的使用情況去優化產品。我們的思路主要是：優化產品不同路徑的轉化率，注重用戶點評的管理。 1.優化產品，從轉化做起 一個購買行為可能有多種轉化路徑： 1. 首頁商品訂單轉化 2. 首頁商品列表詳情頁訂單轉化 3. 首頁搜索商品列表詳情頁訂單轉化 4. 首頁單坑位 Banner活動頁詳情頁訂單轉化 除了不同路徑的轉化率，我們還關注轉化的每一步： 上圖展示了一個用戶的購買流程及每一

249、步的轉化率，我們發現“加入購物車”到“支付成功”的轉化率不到 1/3，偏低，需要排查具體的問題出在哪里。 一旦覺察到問題可能存在， 我們就需要層層下鉆， 直接抵達問題的核心。 我們通過用戶分群，將“提交訂單， 但是未支付完成”的用戶全部篩選出來。 然后抽出 3-5 個符合條件的用戶，借助“用戶細查”仔細觀看每個用戶的操作流程，一般就能發現問題了。 2.用戶評價的重要性 越注重用戶體驗的商品，用戶評價的管理就越重要，例如旅游類商品、生鮮類商品、鞋服類商品等。 GrowingIO 新一代數據分析產品 借助轉化漏斗，我們發現觀看過“商品評價圖片”的用戶的購買轉化率是一般用戶的 4 倍，但是其數量只占

250、總體的 1/10。如果我們能引導用戶參與點評，將優質點評展示給更多的新用戶，那么我們的總體購買轉化率將會有更大的提升。 返回至目錄 GrowingIO 新一代數據分析產品 后記：為增長而來 本文作者張溪夢，GrowingIO 創始人、CEO。前 LinkedIn 美國商業分析部高級總監，美國 Data Science Central 評選其為“世界前十位前沿數據科學家”。 今天我們的主題是為增長而來，增長是企業永恒的使命。大家看一看在過去的幾年，特別是互聯網高速發展的幾年，創造了很多互聯網企業的增長神話。這個過程中很重要的兩個因素，驅動著很多企業增長，第一，人口的紅利推動了很多增長，第二，流量

251、的紅利也推動了很多增長。 今年 KPCE 發表了 2016 年互聯網的報告，2009 年以前，移動手機的新增數量每年增長 30%-35%，2015 年底增長的速度降低到了 6% 左右。KPCE 預測，2016 年的增長率應該是 5% 以下，也就是說人口紅利的增長已經不再能驅動很多企業的高速增長了。 同樣的數據來源，KPCE 的發布報告，大家看到整體每個用戶使用移動互聯網的平均時間每天在 200 分鐘左右，其中前 20 個 APP 占據了所有用戶的 71% 的時間和流量。非常重要的一點也是很多企業都關注的，雖然用戶每天打開 12 個應用，但是 3 個主流應用會消耗掉他們 80% 以上的時間。這個

252、故事告訴我們什么呢？今天剩下的幾百萬家移動網站和移動APP需要分享最后 20%-30% 用戶的時間和流量，流量的窗口期也在慢慢地關閉。 GrowingIO 新一代數據分析產品 曾經的流量為王，造成了很多企業在思維上、方法論上的習慣，以為只要抓住了流量的入口就能獲得高速的增長。因為無論在資源上，在配置上，在社會關系上，以前抓住流量就是能成功，導致很多理論“風口論”、“趨勢論”，甚至豬到風口也能飛起來。今天很多互聯網企業家意識到流量紅利已經結束。假設我們的產品運營是水桶，我們突然發現水桶還在不斷地漏出、遺失用戶，沒有把新來的用戶轉化成活躍的用戶，使他們產生價值。另外，今天中國運營的成本在增加，很多

253、企業家意識到如何提高效率是未來持續增長最重要的手段。 那么，如何才能提高效率呢？主要有兩個方法。 第一個方法，就是大家非常熟悉的，完全通過商業的直覺來做判斷，不需要任何數據，以前流量的紅利非常高，今天因為拍腦子決策，拍胸脯保證，往往產生的效果是拍屁股走人。 另外一個方法，也是在歐美國家運營很多年的一套理論，叫數據化運營理論。增長體系是框架性思維，流量很重要，但是要分析流量來的渠道是否是有效率；新來的用戶如何通過提高產品體驗的方法，轉化成核心的用戶，在平臺留下來，讓平臺有變現能力；通過數據化運營，每一個節點、步驟，包括拉新、轉換、存留、變現都可以用數據來衡量、分析，找到最重要的節點，同時提高各方

254、面的運營效率，整體性、系統性地做到整改。 很多領先的互聯網企業，包括中國的 BAT、美國的谷歌、FaceBook 等都是高級的數據分析方法驅動整體的全公司運營。比如說過去這幾年商業發展的技術、數據倉庫的技術，以及過去五年間蓬勃發展的大數據的技術，云端的可視化、非結構化數據的大規模處理，不但在數據量上處理爆發性的增長，還要在運營體系里面做到精細化運營。 GrowingIO 新一代數據分析產品 但是這其中也有一些問題，首先就是需要各種各樣的科技人才，在數據處理過程中數量有數據的工程師做清洗、整合、運算、存儲、展示，后端需要高端的商業分析師等來指導各個業務的運營。在人才的基礎上，很難雇到年輕的團隊；

255、第二，時間周期，在過去幾年，數據清洗和數據可視化上面，要花費團隊很長時間；第三，投入高，因為我們需要搭建硬件，購買軟件，做系統的整合，整個流程導致公司做數據決策服務高層。而今天的業務需求往往是要求我們的業務端，前線打仗的人員做迅速的決策和決斷。比如說在產品設計和發布的角度，需要做快速的決策，不但需要更快，還需要規模大，覆蓋廣，這就導致很大的矛盾，我們的系統不能滿足我們的需求。 有沒有更好的方法？有沒有更好的手段解決這些問題，提高運營的效率呢？過去的十幾年里，在互聯網公司的這段時間，精細化運營的第一個要素就是收集很多用戶的細節數據。傳統的互聯網公司要在工程師的角度做很多的部署，比如說我需要收集一

256、個用戶在網頁上的瀏覽行為，工程師要加一個代碼，收集這個信息，精細化運營要收集很多的信息。 像以前工作的 LinkedIn 在前端用很多工作做數據的收集，還有 Ebay 部署過億級用戶的代碼以收集數據。埋點需要投入時間，部署 KOA 也需要時間。2014年有一個調研，調研了一千家公司，平均起來每一次埋點收集數據實施的過程，平均消耗公司兩到四周的時間。 在2010年以后，這個痛點被放大，比如說蘋果有一個周期，必須要審核 APP 通過后才能出現在應用商店，這又有兩周的延遲，造成了這種問題變得更加嚴重，因為沒有數據，就沒法知道用戶怎么用的產品，是否用得好，不知道哪個地方改進。 我們今天要做的第一個工作

257、就是找到更好的方法，不要讓企業浪費時間和精力，不用網站和 APP 上布置很多點，所以我們出來一個新的方案，叫全新的無埋點的技術。 GrowingIO 新一代數據分析產品 明道怎么我們的新功能來做的呢？明道是早期的SaaS企業，他們的產品功能非常多，支持功能非常全面，但是有一個很大的痛點，這個團隊有一個負責埋點的團隊，每一次發版都要部署各種埋點代碼收集數據。 今年年初明道安裝了我們的產品，4 月 25 號有一個云端發布，在這之前沒有部署任何的手動端的埋點和代碼，4 月 26 日中午 11 點，CEO 打開了自己的產品，截了一個屏幕，圈了幾個功能點，問了他們運營人員怎么表現的？26 號下午 4 點

258、有一個非常詳細的研究報告展示了 60 個不同的指標，當時他們 CEO 評價自己的工程師做要需要 24 個小時，他敲的屏幕只是一個模塊，有五六百個功能需要分析，以前部署埋點要幾個月，今天我們可以幫助他們幾天之內就能實現。 我們的產品有一個非常強大的功能就是便捷、快速，我們有一套可視化的框架，不但適合PC端，網頁端，通過努力我們自動支持 iOS、安卓等，跨四個平臺，很多今天的 APP 都是用網頁混合式的發布方式建造的，我們的產品能做到 80%-85% 的支持。 除此之外還支持非常靈活的指標組合和快速的商業洞察，明道是一個非常有名的 SaaS 軟件。自從 90 年代末 Salesforce 開始做云

259、端的嵌入軟件以后，所有的注冊都是圍繞電子郵件展開的，但是中國今天的情況是普通用戶向 PC 端和移動端遷移，中國的電子郵件網絡形態導致了很多真正的商務性的郵件被默認為垃圾郵件，在注冊流程中有 40% 的用戶無法得到確認。 于是產品經理提出一個觀點說能不能把郵件這個端去掉，就用手機端來做，他們面對三個大的困擾，第一，就是慣性思維，所有的 SaaS 軟件都需要有辨認郵件的功能。第二，這個產品本身很多用戶提出質疑，以前是電腦看郵件，現在手機看不太適合。第三，最早版本是明道 CEO 帶領工程團隊做出來的，老大做的東西什么人敢去改？這個困擾了團隊很長時間，但是今年他們做了非常大的嘗試，不用管他，數據來說話

260、，迅速開發了一個移動端的版本，經過了三四天的測試發現注冊轉化率提高了20%，數據說明了事實，立刻管理GrowingIO 新一代數據分析產品 層就同意可以上線，這就是數據講一個真實的故事，一個有價值的故事，大家都認可，不會有反駁和辯駁。 為了幫我們的客戶更快地做決策，以前 GrowingIO 的數據是按天來算的。今年 6 月份新的版本里面已經做出按小時來計算的方法，下面我們準備在新版里面按照分鐘甚至秒級的實時的計算方法，這種分析能力能夠幫助前端的運營人員、產品人員、營銷人員更快速地做決策、判斷，根據商業結果做導向，幫你的企業做增長，這是我們產品新的功能在新的版本里面。 以前都講大數據，但是真正的

261、數據本身，大并不是最主要的，而是需要它很細。我們有很多的電商和客戶，他們都有一個非常普遍的問題，為什么很多用戶把產品加入購物車后卻沒有購買？以往老的分析方法就是做頁面流、轉化流、轉化率等粗淺的分析，很難了解用戶為什么不購買，今天 GrowingIO 能夠支持這種功能，迅速地通過漏斗分析的方法，把整個的轉化率很直觀地呈現給用戶。 通過漏斗分析，發現只有 20% 的人成功支付，80% 的人被阻擋在支付成功的上一步。接下來，通過用戶細節查詢，我們找到了這些沒有成功支付的用戶，看看他們是怎么使用這個產品的。前面都很順利，直到驗證碼這一步，用戶點擊了很多次。在我們進行購物的時候，獲取驗證碼是非常重要的驗

262、證步驟，但是并不希望用戶獲取十次、二十次驗證碼，為什么會這樣呢？因為剛開始提示非常模糊，放在下面不顯眼的地方淺灰色的，另外一點在功能上面，因為延遲時間稍微長幾秒，用戶很難抓取正確的驗證碼，沒有轉化。 GrowingIO 新一代數據分析產品 當我們通過用戶細節查詢找到驗證碼后，經過一星期的修復，在產品的設計上做了微調，工程師對系統進行了調整。這是一個真實的案例，所以是有結果的，以前最后的轉化率在 20% 左右，新的結果是 80%。 大家想一想，以往要去做增長，想要提高一兩倍的增長率，就需要加大預算兩三倍才能達到，但是今天找到了漏水的點，就可以非?？斓匦扪a獲得一系列增長。 今天 GrowingIO

263、 的產品不僅關注細節，還想把經驗變得簡單，我們支持產品經理和運營實時觀測用戶，可以實時了解用戶怎么用產品，給予指導。以前都無法看到產品趨勢，現在可以在產品趨勢上看到產品如何轉化，這樣能進一步幫我們的客戶提高轉化率，增加運營效率，做到企業增長。 過去的一年里面，我不得不說，我們有太多太多好的客戶在持續的幫助我們，其中包括幫助我們落地的客戶，每天他們給我們提供很多很多好的建議，支持各種各樣的建設性的需求，這種需求里面充滿了對我們的信任，特別在產品的早期，在服務和運營不完善的情況下，給予我們很多無私的指導和貢獻，我代表整個 GrowingIO 的員工表示對你們真心的感謝。 在過去一年，我們有超過了

264、1000 家的企業在用我們的服務，很多企業變成了付費的客戶，在這個過程中有一個很重要的因素，自從 2015 年 5 月開始，我們從硅谷搬回來，在這個過程中有很多很多的投資人，很多很多的創業者，很多很多的企業家，很多很多的媒體朋友，很多很多各方面行業的專家和好友予以了我們很多的指導和幫助，幫助我們跨越了創業上的坑，給我們介紹了客戶，在這里我真心的表示感謝。 GrowingIO 新一代數據分析產品 團隊在第一天落地的那一刻，我們的投資人，比如經緯就找了很多有才華的人員加入公司，很多小伙伴在體力上、技術上、情感上、精神上都付出了比他們得到回報大得多的努力。很重要的一點就是他們背后的家庭、孩子、父母、

265、丈夫和妻子以及他們背后的朋友和親人都承擔了很多的壓力，如果沒有他們的努力，我們不可能把這個任務變成了可能，沒有他們的努力，也不能滿足客戶的訴求，這里面真心的感謝Growing IO的所有員工和小伙伴謝謝大家。 最后，我需要講一下我們公司最重要的推手，就是我們的投資人。去年在開始創業之初，經緯創投的邵亦波、NEA、還有 Greylock 都與我們財務上、運營戰略上面予以了無限的支持，今天我們非常幸運的跟大家宣布，在今年又非常獲得了以經緯創投領投，NEA 和 Greylock 跟投的 2000 萬美元的投資，這筆資金會被用在繼續創造我們的產品，提供我們的服務為客戶創造更多的價值上面。我們的董事邵亦波先生，邵總不但是一個好的投資人，更重要的一點是在我們創業初期，他在創業上面給我們很無私的指導，超越了別人看不到的格局，他背后企業服務的團隊如左凌燁等對整個企業服務，為我們落地到人才的建設、產品的規劃、未來愿景、運營方面提供了各種各樣的支持，再次表示對你和團隊表示最真摯的感謝。 本文根據張溪夢在 GrowingIO 2016“為增長而來”產品發布會演講整理。 返回至目錄