從誤區到案例到分析，如何從0到1搭建數據化運營體系

題圖：劉立明，騰訊大數據高級產品經理

———— / BEGIN / ————

本文根據劉立明在起點學院線下沙龍分享的課程整理而成，加入起點學院在線社員（或復制報名鏈接：http://t.cn/R53OsvD 到瀏覽器中詳細了解），即可觀看本課程視頻回放及尊享300門視頻課程學習特權。

【上海鄰米網站開發】以下為劉立明演講實錄，由人人都是產品經理@池吉明 依據嘉賓分享內容整理，編輯有修改：

最近幾年，隨著移動互聯網的快速發展，大數據的概念也越來越火，很多公司都在提數據化管理。

那么，我們今天就聊一下數據化管理這個話題。

一、數據化管理的三點誤區

先來看下數據化管理的誤區：

1. 數據多，就一定能推驅動業務發展嗎？

數據多并不意味著能驅動業務發展，因為存在很多因素導致數據并不能很好地應用于業務中。

01 因素一：數據質量問題

一方面，很多公司在采集數據時，會采集到很多臟數據，比如模擬器刷量、羊毛黨刷量。如果未做反作弊識別，很難將這部分數據過濾掉；

另外一方面，在采集數據時，沒有做到標準化、規范化上報；那么在做數據挖掘分析時，就很難得到有效信息。而數據的準確性和穩定性是數據科學管理的基礎，如果無法滿足這兩點，在業務決策上就會存在很多問題。

02 因素二：數據跟業務關聯性不大

數據只有跟業務有足夠強的關聯性，才有價值。

我們本身有很多指標，大概超過70多個。

但是在日常分析時，我們經常用到的也就那么幾個，其他的或者訪問非常少，或者會隨著時間推移，慢慢被棄用。

03 因素三：采集數據很容易，用起來難【上海鄰米網站開發】

騰訊做了很多年數據分析，積累了很多經驗，有一整套自己的分析系統，在數據應用方面自然沒問題。但是很多傳統企業，像運營商移動、聯通、電信，以及保險公司、銀行對在這塊的困惑就特別多：他們有很多數據，但不知道該怎么用。像這樣盲目地采集數據，其實根本沒有多大意義。

2. 有了數據分析團隊，就一定能找出問題來嗎？

不一定，因為分析師往往對業務不了解，只能給出機械的分析結果，并不能有效地指導業務發展。

舉個例子，我們之前在業務運營中引入了分析師團隊，希望可以提供更多思路和指導方向來幫助業務發展。

但分析了一段時間后，我們發現效果并不是很好，原因在于： 分析師一般會基于報表維度的數據給出分析結果。

比如數據突然出現波動，分析師可能會認為是節假日導致的，但其實他可能不清楚我們在整個業務運營中做了什么樣的活動。所以，這塊數據分析和業務是割裂的。

為了解決這個問題，我們做了一個新的嘗試，將數據分析團隊跟業務團隊放到一起，并成立聯合項目組去做試點。

后來結果證明效果不錯，因為分析師在設計每一個指標的時候都會去跟一線運營同學溝通：

真正的用戶行為是什么樣的？

在哪些時段，在哪些場景下會觸發這些數據？

如此一來就能做到有的放矢。

3. 分析報表能不能出一個最優的解決方案？

相信大家每周或者是每天都在給這樣的分析報表，但是我們的分析結果真的是一個有針對性的業務的最優解決方案嗎？

結果往往是否定的。

這里邊也存在幾個問題：

01 問題一： 分析維度單一，不足以支撐結論

分析維度有很多，比如說版本、渠道、地域，以及設備屬性和特定行為特征等。

目前來看，所有的APP分析,基本上就是從版本和渠道這兩個維度去分析的；還有自定義事件，如果只是基于事件ID去分析，它沒有足夠的參數去做限定，那么也很難去支撐并決策分析結果。

02 問題二：數據質量干擾分析結果

分析結果能否有效地反映業務發展情況，并給出有效優化策略的關鍵因素之一便是數據質量。如果數據質量不過關，那么基于數據給出的分析結果也會大打折扣。

我們接觸的很多app，都或多或少有過被刷量的情況。這種數據不僅給公司造成財務上的浪費，同時也會影響正常數據，造成數據分析的困難。

二、數據化管理的思路

在認識了這些誤區之后，如何科學地進行數據化管理？【上海鄰米網站開發】

科學的數據化管理不僅要有完備的數據分析，更重要的是基于數據分析結果的行動。

所以，下面我們將從數據采集、數據分析、行動策略以及快速執行四方面講一下數據化管理思路。

1. 數據采集

目前我們采集的維度包括基礎數據統計、用戶屬性、用戶來源、用戶行為和模型數據。

01 基礎數據

基礎數據就是我們日常在看的一些數據，包括新增、活躍、啟動次數和留存等。

02 用戶屬性

基于騰訊移動分析覆蓋的眾多app以及騰訊大數據的優勢，提煉不同人群的不同標簽。

用戶屬性包含基礎的自然人屬性，比如性別、年齡、職業、學歷和興趣愛好等；另外也有做設備屬性分析，比如用戶使用的機型、品牌、以及聯網方式等。

03 用戶來源

這也是非常重要的一個指標，可以幫助分析用戶來自哪里。這里的維度可以有很多，比如渠道是一個維度，版本也是一個維度，另外地域和機型都可以算作不同的維度。

04 用戶來源【上海鄰米網站開發】

用戶來源可以幫助分析產品對于用戶的粘性，并且幫助優化產品路徑。這塊涉及的數據會比較多，比如用戶使用時長，使用頻率和頁面訪問路徑等。

關于行為這塊重點強調一下：要求上報的數據必須是標準的、規范的，這樣有助于后期做分析。否則，最后采集的數據只是臟數據，對于后期分析沒有任何意義。

05 模型數據

模型數據是建立在基礎數據分析上的高級模型，可以針對用戶做更高級的分析。我們會針對用戶生命周期里的每個階段去做模型分析，比如拉新模型、拉活模型和流失模型。

2. 數據分析

數據本身沒有價值，分析才有價值。

在做分析時，主要包括以下幾方面內容：

多維交叉分析

用戶分群分析

產品質量分析

在做數據分析時，多維交叉分析是一個很好的分析手段。

當我們看數據的整體趨勢時，能發現業務發展是否有問題或者機會，但是不能夠發現問題到底出在哪里，或者說機會在哪里。

那我們會主張進行多維下鉆分析，比如渠道、版本、國家、設備屬性和自然屬性，這些都可以作為維度去做交叉分析，最終定位問題出在哪里。

用戶人群分析可以幫助分析不同人群的屬性特征以及行為特征。針對不同的人群特征，制定差異化運營策略，將運營效果最大化。

產品質量分析自然是用于衡量產品質量的數據指標，包括app的crash情況、耗電量、網速等數據。

3. 行動策略

根據數據分析的結果，發現問題或者機會之后，我們要先制定一些行動策略。這一步即是打通數據分析和行動斷層的關鍵一步。

拿生命周期管理常用的策略舉例來說，包括拉新策略、提活策略、流失召回等。

4. 快速執行

策略制定好之后，接下來就是快速執行了。行動是驗證數據分析結果和策略有效性的最后一步。跑得越快，成功的可能性越高，所以優良的執行力非常重要。

在騰訊奉行的也是小步快跑，快速迭代，出錯沒問題，要保證速度。

二、如何從0到1搭建數據運營體系

前面講到了數據化管理的誤區和思路，那么接下來我們就講一下，如何從0到1搭建一套數據運營體系？

第一階段：指標規劃

我接觸過很多開發者，都有數據分析的需求，但是要采集和統計哪些數據，剛開始并不是特別清晰，那這塊的規劃就非常有必要的。

尤其是在數據建設初期，一定要將指標的定義明確，不然很容易在后期數據分析階段出現扯皮問題。

另外則是維度設置，除了版本、渠道之外，還可以加上自定義的屬性，比如：地域、機型、網絡類型等，這些維度設計的越多，越有助于后續數據的精細化分析。

就拿新增來說，可能看到新增有一個過快的下跌，如果只設計版本和渠道兩個維度的話，那么只能從這兩個維度分析；如果想做更深的下鉆分析，就無法再繼續定位了。

最后一個關鍵因素：更新周期。

數據是實時更新的、 每天更新、還是每周更新，都需要提前規劃好。因為數據計算會耗費大量的資源，好鋼用在刀刃上，把資源用在最有價值的地方。

第二階段：數據采集

指標規劃好之后，接下來要做的就是數據采集。數據采集包含三個方面的工作，字段分類、數據埋點和數據上報。

字段分類很重要，越精細越有助于后續的數據分析。【上海鄰米網站開發】

數據埋點，顧名思義，在自己想采集的數據部分，通過打點的方式統計業務發生數據。

第三階段：報表呈現

在數據采集上來之后，我們就需要考慮將數據以報表的形式呈現出來，以幫助分析業務的變化情況。

當我們做完了以上幾步之后，如果最終驗證這套體系是可行的，那么就可以考慮進行整個的數據產品化以及功能迭代。

01 建設方式

接下來，我們聊一下數據分析系統的建設方式。

目前的建設方式無非有兩種，一個是自建，另外則是使用第三方服務。

自建有什么好處？

埋點靈活便捷，可以根據你的需求去埋點，并且也可以跟業務數據打通。因為只有這樣，才能將數據分析真正應用到業務上。

但是，我相信如果是一些目前在起步階段的APP，它是沒有能力去做這個事情。

自建的弊端在于需要投入巨大的成本。首先是人力成本，然后服務器資源維護起來也比較昂貴，另外不能與外部運營工具打通。就拿拉新來說，需要對用戶有一個非常清晰的認識，需要知道用戶群體有哪些屬性特征和行為特征。

如果根據自己統計的標簽去廣告平臺投放廣告，往往匹配起來是不夠精準的。因為很有可能雙方標簽體系并不一致。

02 迭代優化【上海鄰米網站開發】

在整個建設階段，不必一蹴而就，可以按照app發展的不同階段按需建設，逐步迭代。

我們先看一下APP發展生命周期的四個階段：初創期、生長期、成熟期和衰退期。每個階段需要關注的數據指標是不一樣的，所以我們可以分階段來建設：

①初創期關注哪些指標？

增長速度，要看數據增長是不是一個線性，將來有沒有潛力？那么前期做一些新增，活躍，啟動次數，留存這些基本上就夠了；

用戶來源，需要知道哪些渠道推廣效果更好，以方便優化拉新推廣效果。

②成長期不僅要關注用戶增長速度，還需要去關注一下用戶行為數據

到了成長期，不僅要關注用戶增長速度，還需要去關注一下用戶行為數據，因為我需要去識別用戶的質量。

就拿推廣這個事來說，不僅要看數據整體的增長情況，而且要看核心用戶有沒有增長，那我們就需要從用戶行為維度去識別，哪些是我們的核心用戶。

那就需要去建設像使用頻率、使用時長、頁面訪問路徑以及消費行為這些維度的數據。

③ 成熟期對數據的需求增加，需要深度挖掘用戶價值

到了成熟期后，對數據的需求會越來越深入，需要深度挖掘用戶的價值。那么這個階段就需要考慮做一些數據模型。

比如活躍模型，活躍用戶雖然是一個整體，但是活躍用戶的質量是不一樣的。比如活躍超過100天的，超過300天的甚至超過兩年的，對于不同的用戶群體，需要做個性化的運營策略。

另外一個模型就是流失模型。當用戶到了一定規模之后，很難避免流失情況，到了成熟期有些用戶的活躍度會慢慢的下降最終流失。這時就需要對用戶做一些干擾手段，通過消息推送、有效的激勵、短信這幾種形式。【上海鄰米網站開發】

還有就是畫像洞察，到了成熟期，相信各個數據都會考慮做變現的行為，變現首先要知道用戶是什么樣子的，那么畫像洞察的建設就可以提上日程。

③ 衰退期用戶流失嚴重

到了衰退期，基本上APP已經開始出現用戶大面積流失的情況，想要將用戶拉回來是非常困難的，所以需要去關注興趣轉移，尋找新的業務增長點就好了。

03 MTA指標體系

這是MTA的指標體系，分成了基礎指標、用戶屬性、用戶來源、用戶行為、模型數據。

新增、活躍、流失這些，前文已經提過，這里就不再說了，重點提一下質量監控，質量監控主要是統計用戶使用app的crash情況，還有網速監控情況、接口調用情況。

三、數據深度分析

做了一套數據分析系統之后，難點在于數據分析；搭一套東西很容易，但真的要用起來卻很難。

接下來，我們就講一下數據深度分析部分。

1. 多維度下鉆分析【上海鄰米網站開發】

多維度下鉆分析的好處就在于，可以去從整個趨勢里發現問題，最終通過更細粒度的分析去定位到問題所在，再制定相應的執行策略。

分析的維度其實很多，例如：渠道、版本、地域、頁面、標簽、用戶群這些都可以作維度去分析我們的用戶。

2. 漏斗轉化分析

接下來我們看一下日常經常用到的漏斗模型。

漏斗模型是一個很重要的手段，漏斗不僅可以幫助分析關鍵路徑從第一步到最終的轉換結果，還可以幫助分析每一步之間的轉化率。漏斗的每一步轉化中基本上都會存在流失，所以沒有百分百的漏斗。

那漏斗如何去使用呢？單一的漏斗分析是沒有意義的。只有通過趨勢觀察、維度對比和維度細分才能體現漏斗分析的意義。

接下來我們舉例說明。

使用騰訊移動分析大概分為三個步驟，注冊-測試-上線。

第一步是從注冊到測試的一個轉化，第二步是從測試到上線的一個轉化，第三步是從測試到上線的轉化。

分析數據發現：五六月份的轉化都是OK的，但是看七月份的數據，從注冊到測試，轉化率只有21.7%，但是從測試到上線是22.6%，這個沒有什么變化，整體的轉化率是4.9%。與5月、6月相比，數據有所下降。

產生這個問題的原因是什么？

我們拿這個漏斗相關的數據做一下分析。

第一個數據是新增，第二個是我們的測試，第三個是最終上線的應用數。

我們發現7月份的新增只有一個很大的增幅，但是它并沒有給我們帶來一個好的測試的一個數據，測試的應用只有1300個，沒有明顯增長，我們最終上線的也只有294個。說明新增有增長，但是這部分用戶轉化率并不是很高。

整體來看，應該是新增暴漲的原因，那么我們又針對渠道這個維度做了一輪下鉆分析，發現來自官網的新增特別多。

在分析相關的推廣活動時，發現這個月做了有獎問答活動，導致很多用戶來注冊賬號并創建了應用，而這些用戶都是奔著獎品而來，并非我們的用戶，因此轉化非常差。

最終定位到數據轉化降低的原因。

數據分析是制定用戶管理策略的基礎，那么講完分析后，我們來聊一下策略相關的內容。【上海鄰米網站開發】

四、用戶管理策略

1. 用戶生命周期管理

用戶生命周期管理可分為六個階段：

潛在用戶階段

新手階段

有效活躍階段

活躍下降階段

即將流失階段

流失階段

在不同的用戶生命周期，我們需要進行差異化運營策略，才能將用戶價值最大化。

比如：

潛在用戶階段，需結合用戶特征制定拉新策略；

新手階段，需要給用戶提供實時的用戶關懷，制定合適的新手任務系統；

有效活躍階段，提供別致的產品探索引導和正向激勵；

活躍下降階段進行防流失干預；即將流失階段進行流失預警；

流失階段發起流失關懷。

接下來，我們結合案例進行說明。

01 精準拉新

潛在用戶階段，在做拉新時，根據歷史數據梳理相關字段，以歷史玩家為樣本數據制定對應的拉新模型。

通過對比實驗組與大盤的推廣效果，對拉新效果進行評估。

其實在經過這樣的分析之后，拉新效果會有一個比較好的提升，最終實驗組相比于隨機組，有百分之30%到60%的一個提高。

其實這個模型在開始階段，效果不是很明顯，也是需要經過不斷訓練才能達到這樣一個效果，所以數據分析是需要一步一步迭代升級的，而不是能一蹴而就達到一個好的效果。

02 新手關懷【上海鄰米網站開發】

合適的新手關懷手段可以讓用戶更好的留下來。比如可以根據用戶的興趣偏好設定個性化的新手任務體系，個性化的關卡獎勵；比如根據用戶性別，贈送不同的禮物，設計不同的任務難度等。

03 活躍成長

好的內容推薦以及成長體系都可以提高用戶的活躍度，可以通過對用戶畫像進行刻畫，推薦合適的內容。

比如在游戲中，加入社交屬性可以提高用戶的活躍度。那么就可以根據用戶屬性和行為特征推薦合適的戰隊信息，一旦用戶加入戰隊，活躍度便可得到有效提升。

04 防流失預警

通過一些行為數據可以判斷出用戶有沒有流失風險。比如活躍度的下降，使用時間間隔的增長，都是典型特征。那么，在圈定這部分用戶之后，就可以使用一些運營工具進行流失用戶召回。

比如以消息推送，短信或者廣告平臺等手段觸達用戶，如果活躍度下降就給它送更多的道具，或者推出更多好玩的玩法，以防止用戶流失。

05 流失回流

根據經驗來看，用戶一旦流失就很難回來。所以把精力花費在流失挽回上，不如去分析下用戶的興趣轉移，尋找新的業務增長點。

2. 用戶分群管理

用戶群分析是個非常好的手段，通過用戶群分析，除了可以幫助進行人群分析和問題定位，有時候會發現用戶自己都不清楚的需求。【上海鄰米網站開發】

那我們應該如何創建分群呢？

一是根據用戶屬性，二是根據用戶行為特征。

比如ppt中列的年齡、性別啊，或者未付費用戶、多次付費用戶等。

有了不同的人群，我們可以做些什么呢？

除了分析不同人群的特征，還可以針對不同用戶做一些差異化的運營方案以及精準拉新等。

接下來我們看一個案例。

這是一個電商類的APP，在用我們的服務，用戶增長還不錯，但是成交量一直萎靡，就過來問，應該怎么去用數據驅動業務發展？

那我們就以這個為案例做了一輪分析。

首先我們通過建立分群分析成交用戶和高價值用戶的特征；然后與大盤用戶進行對比，發現整個大盤中男性比較多，然而成交用戶與高價值人群中女性比例較高，那說明女性成交的可能更高。

另外，我們針對這三個用戶群做了一下人群偏好對比。

相比于大盤用戶，成交用戶和高價值用戶對購物與金融類會更感興趣，這是我們得到的一個分析結論。

然后再回到它的問題，成交量不符合預期。第一可能是渠道用戶的質量問題，第二可能是在商品定位上有問題。整個大盤中男性用戶較多，那是不是男性的商品推薦做的不夠，或者男性的商品品類比較少，這些都有可能。

相比于兩個原因，第一個的驗證周期會更短一些，那我們就先拿第一個去做一個分析。

如上圖，這是我們拿到的幾個渠道，可以看到D和E是流量的主要來源，而且D的周留存也不錯。

但是從成交來看，A的數據也不錯，所以可能A也是一個優質渠道。【上海鄰米網站開發】

這是我們的一個分析結果。那接下來需要驗證一下，A渠道是否符合成交人群和高價值人群的特征。

從數據來看，A渠道的女性比例是62%，對購物的興趣也高于大盤，這個符合我們的成交用戶跟高價值用戶群體特征。

根據這個分析結果，我們建議開發者進行了投放渠道的策略調整，增加A的投放比例，降低B跟C的投放。策略實施一周之后，對數據做了一下追蹤。

這個圖是一個整體的轉化，前面的圖是優化之前的，后邊的圖是優化之后的，整個的轉化率提高了百分之十幾。這就是整個分析過程，希望能對大家有所啟發。

以上就是我的分享，大家如果有其他問題，可隨時與我溝通。【上海鄰米網站開發】

———— / END / ————

作者：劉立明，騰訊大數據高級產品經理，主要負責騰訊內部數據指標體系構建，以及騰訊移動分析（MTA）產品運營。從事了數據產品運營4年，曾任友盟高級產品運營，在產品運營和數據分析方面有深厚經驗。