如何运用数据分析指导增长？

按钮目前是国内某厂增长产品负责人。他曾负责过千万级的产品增长，也从零到百万日活做过APP，因为过往的工作背景，他更多擅长于数据分析导向的产品设计，目前正在努力学习“增长”这个复杂的交叉“学科”。

鉴于很多同学都对“增长”和“数据分析”这两个话题很感兴趣，我们将他在群内分享的内容整理成文字稿，接下来就话不多说，一起来学习吧！

01

各位同学，大家好，我是某某萨，很高兴今天可以跟大家分享一些关于如何在增长工作中运用数据分析的经验和心得。

首先要告诉大家的一个点是，这是一次基于增长产品工作、普及数据分析观念的分享，不是一个介绍具体场景应用的分享，所有在具体场景上的应用，都是为了便于大家理解数据分析在某个场景的应用。如果大家需要做更多的学习，最后我会推荐几本相关的数据大家可以阅读~

接下来进入正题，我们先讲讲对于增长来说，数据分析是什么？

02

先来说一句我个人在工作中总结出的经验：增长的一切都基于数据分析，没有数据的增长都是空谈。因为增长产品绝大多数时候是用数据来洞察用户，没有数据分析，我们也就没法开展工作。

如果从我们日常工作的大步骤来看，其实是分为以下五步：

1.从公司战略层面，拿出一个可行的大指标；

2.根据我们现有的数据，拆解指标到不同的路径；

3.根据每个路径的可做的实验影响程度，判断设计实验的优先级；

4.实验上线以后，先用相关数据来看一下结果；

5.根据多个实验的结果来决策我们下一个大的实验方向，再来制定我们下一步的指标。

这中间的每一步过程，都是数据摸索和挖掘的过程，这也是我们增长产品的日常工作，每一步都和数据交织在一起。因此，做增长或增长相关工作的同学一定要学好数据分析，或者说，一定要能对数据分析要有强感知，这样你的工作才能更高效和有效。

03

了解了增长工作中的数据分析后，我们再来看看，在增长工作中，我们都在用数据分析些什么？

接下来，我将会根据过往的经历来说明数据分析在增长工作中的实际应用，让我们来看看百万级产品是怎么练成的。

首先，我们来看数据分析在具体工作中是如何使用的，这里会分以下几个点来讲。

在App新安装方面，我们将新装拆分为付费量与免费量。当然，没有真正的免费量，免费的量级也是要花其他成本的，不管是人员还是物料等等。

1.付费量

我们的付费量级很大一部分是来自于广告投放，当然，像趣头条的用户裂变模式，我们也认为是一种付费买量的方式，只是费用给了用户。在这里，我们的数据分析核心工作是两点：渠道转化与质量评估。

渠道转化就是我们常说的某个素材的CTR（Click-Through-Rate，点击率）、CVR（Click Value Rate，转化率），通过提升用户在外部的转化，来达到降低成本的目的。

而质量评估就是分析每个渠道的质量，以此来判断一个渠道是否值得继续投放，这里评估渠道质量的指标较多，有的公司使用收入，有的公司使用功能使用率，有的公司则会综合考虑设计质量分评估算法，以此来评估用户的质量。

具体的指标设计，需要考虑到公司的战略层面的现状来进行设计，比如公司需要给投资人讲DAU的故事，不考虑营收，那更多会使用留存和流失来进行用户质量的判定。

如果公司需要更正向的资金流，那可能就会使用ROI模式来进行渠道质量的判断。

另外，采买流量还有一个有意思的数据分析大品类，就是我们常说的反作弊。这个品类在这里我就不多说了，每个公司每个反作弊系统的研发，都有自己单独的一套反作弊方法。一般我们是使用多重数据指标，来判断一个渠道的用户是否是作弊用户。市面上也有很多第三方投放系统有反作弊机制，感兴趣的同学可以去了解一下。

2.免费量

再谈谈免费的量级，在大多数时候，我们说的免费量是来自于用户的分享。那么在什么时机去引导用户分享？什么样的动力最能刺激到用户分享？这是我们需要设计大量实验，才能有结论的一个过程。

这一块更多用到的是心理学和行为经济学上面的一些知识，这个模块的用户分享数据分析相对来说较简单，主要是看用户的漏斗和转化率就能够完成。

当然大厂的同学也是可以玩的复杂的，通过用户的聚类分析，看不同人群的用户在不同时机下分别的分享意愿有多强，再为不同的人群设计不同的分享场景。

以上这些都需要大量的实验以及数据以外的交叉学科的知识，这也是增长最有魅力和意思的一部分，可能你这是找到了一个不起眼的场景，却能为产品带来大规模的增量。

免费量除了用户分享以外，我们也可以尝试更多的方式，比如抖音和微信等社交媒体、外部换量等等，这些也都属于免费量的一部分。每一部分要做的数据分析都略有不同，这里也就不过多赘述了。

3.用户激活

说完了再来谈谈用户激活，不知道大家对用户激活都是怎么理解的，在我们看来，用户激活其实某种程度上就是用户首次完成了你的“北极星指标”（North Star Metric， 多指公司制定的唯一重要的指标），或者是完成了你的群星指标中较为重要的一部分，我们认为是用户成功激活。

所以，在做用户激活时，我们首先要通过数据定义出用户激活，这里的用户激活需要是新用户完成以后，对你的产品有极大价值，才能算作是用户激活。比如Facebook的aha moment定义，就是通过用户行为的整体拆解，再看每个行为对后续长期行为的影响，以此来界定aha moment。

当用户激活以后，就进入到了留存的步骤里，这是我们在增长过程中最重要的部分。当然，我们现在在谈的留存，更多倾向于是长期留存，而做用户激活是为了短期比如次日或是7日留存。

在留存的数据分析中，我们重点会放在用户在某个时间段做了某些行为与用户的短期和长期留存的关系，以此来判断我们要引导做什么样的行为，才能让用户在我们的APP中真正的留存下来。本质上，还是找到影响留存的关键点，并且设计实验进行优化。

另外，留存的部分还涉及到用户召回，这里就有触达用户渠道的选择、不同召回用户的方案设计及数据分析等等。举一个用户召回中应用数据分析的例子，我们一般在使用App push时，大多是通过全面发送的方式触达用户，但，用户的点击率在这样的普通发送中就会比较差，这时，我们就要考虑如何才能提高用户的点击率，通过数据分析来进行优化。

优化过程中很重要的一点就是对用户进行分群，分群的方式有很多，不止是常用的用户标签+内容标签双标签匹配的方式（当然这也是比较好的一个分群方式），如果没有这样精确双端标签的同学，可以结合用户的功能使用情况进行分群，比如定义以前使用过某个功能，但是近3天没有用过该功能的用户为一个群体，再结合功能的具体内容来进行推送，这样的点击率，就会比推一条普通消息的点击率高很多。

当然，这只是push优化中的一个点，用户召回也有大量的坑，我们在这里就不细展开了。

说了这么多，我想大家可能更感兴趣的点是，怎么样才能找到影响留存的关键点？这里想跟大家分享的就是，没有别的技巧，就是八个字，大胆假设，小心求证。只有深入的去研究自己产品的数据，你才能知道自己的产品留存到底是被什么影响的。

4. 最后，收入这部分，就不多谈了，如果这部分细说的话，又是很大的一个模块。商业产品经理也是一个很有意思的岗位，对广告有兴趣的同学可以看一看《计算广告学》，如果对用户付费感兴趣的话，那就多研究研究用户付费的产品吧～

04

接下来，给大家分享一下我是怎么在日常工作中用数据分析的。

1.第一个讲讲我们可以如何制定自己的OKR

可能有很多同学不知道什么是OKR，这里简单解释一下。OKR：Objectives and Key Results，即目标与关键成果法，是一套明确和跟踪目标及其完成情况的管理工具和方法。OKR的主要目标是明确公司和团队的“目标”以及明确每个目标达成的可衡量的“关键结果”，目前很多公司都会用OKR的方式来制定和管理年度/季度等目标。

如上图所示，整体路径共有四步：

1）接收老板们的目标，一般公司或是大产品，会有一个战略层面上的规划，决定下一阶段要做什么方向，再根据方向会定下一个大的指标，比如DAU（Daily Active User，日活跃用户数量）、GMV（Gross Merchandise Volume，成交总额）等等。这个指标会下达到你们部门的头上，也就是你们整个部门要扛起的指标。

知道了大指标之后，一般情况下，你的老板或相关负责人会把这个指标拆解到可以执行的小指标上，比如DAU可以考虑拆解到新增、留存，再通过模型推算，要达到某个DAU，分别新增和留存要做到什么程度，才能够达成我们的大指标。（DAU预估模型这里因为涉密我就不细说了，大家可以在网上搜索看看DAU预估是怎么做的）

2）把大指标拆解到不同的小指标以后，我们再对小指标进行路径分析，看要提升某一点的留存，我们可以做的事情有哪些。

3）在上一步中，你可能会拆解出十几条可以达成目标的路径，这时候就需要来判断一下优先级了。你需要用当前的数据来对不同的路径进行判断，每个路径对你的目标有多少的帮助，哪个目标的帮助是最大的，这个路径又需要多久才能够完成。

4）当你计算完成这些以后，你就能够从中选择1个或数个对你的目标帮助最大的路径，再去看你能够争取到的资源是否能够完成这个目标。算完这些以后，一个基础的OKR就制定完成啦！

2.第二个实际应用小案例，讲一下如何用数据分析定义和优化用户激活

如上图所示，一共有五步：

1）拆解产品的关键行为。这里可以使用的方法是：先用脑图列出产品的所有功能点以及可能会影响到核心指标的功能使用情况，如功能使用频次、功能使用时长等，再列出我们的关键指标比如留存/用户付费率/二购率等等。

2）有了分析的路径以后，我们就用数据来说明问题，分析不同行为对核心指标的影响。这里判断一个功能或一种行为的方法就有很多了，详细的方法大家可以看一些留存分析的方法论来进行借鉴。

3）确定不同行为对核心指标的影响以后，开始拆解优化该行为的路径，再用数据来进行判断什么实验该做，什么实验可以延期。

4）确定要做什么实验以后，开始设计方案。如果目前只是一个数据和想法上猜测的话，一定要注意先设计MVP来验证你的猜测是不是对的，再来设计大的方案进一步的优化指标。很多时候我们对用户激活的定义不一定是正确的，也是要一步一步的尝试，最终才能找到一个正确的用户激活定义。

5）实验上线以后，你的工作没有结束，反而正是开始，这也就是我们要说的第五步——总结上一次的实验结论，再回去看与实验设计初心是否相符，与预期是否相符，是否还有更多的提升空间，如果继续下一步优化这个指标应该要怎么做，这是做完一个实验以后要继续去做的事情。

最后想说的是，今天给大家分享的主要还是数据分析在增长工作中的一些小应用，如果真的要学习数据分析，大家还需要花更多的时间在各种专业技能上的学习。

根据我个人的学习以及工作经验总结来说，数据分析需要具备以下三块能力：

简单的工具包括Excel、SQL、PPT，是大家一定要掌握的；在理论上，统计学的基本分析知识也是必不可少的；如果想往更精通的数据产品方向发展，那要学的就更多了，数据仓库、数据建模、数据挖掘等等都是基础知识。

再给大家推荐两本入门书，一本是《精益数据分析》，一本是《游戏数据分析的艺术》，都属于数据分析的入门读物；以及，在专业系统的学习上。