用数据驱动产品优化
所谓的“数据驱动业务增长”是以企业产品业务线海量数据的收集、存储、可视化、分析、挖掘作为核心支撑的，全体业务线人员参与的，以精准、细分和精细化为特点的运营战略。
即针对运营、产品、市场、客服等部门的运营数据，通过可视化、可量化、可细化、可预测等一系列数据分析方法论以及理论、经验等来进行业务分析，挖掘业务增长点。
具体的主要以“产品以及官网流量数据分析、目标用户行为数据分析、目标用户群转化分析、活动营销策划推广数据分析、用户画像数据分析、产品功能优化迭代、竞争调研以及监控数据分析、渠道效果分析等”。
# 一、数据分析如何应用于指标增长
产品的永恒主题一定是增长，而增长的背后一定要有数据的支撑，也就是我们所说的数据分析。我把市面上所有的增长方向分为3大流派，分别是市场营销派、实验增长派和技术派，下面详细讲一下数据分析在这三种增长方向的作用。
## 市场营销派：
概括的说就是渠道运营、市场运营花钱买流量，在这个环节不要觉得花钱买流量就叫增长，这事谁都可以做。但如何不花钱或者花更少的钱，获取更多、更优质精准的流量，那才叫增长。**在这个环节，数据分析师负责搭建渠道评估模型、反作弊模型去监控渠道质量，指导渠道或老板，保证流量的优胜略汰**。互联网有句话，4成的流量都是虚假的，信不信由你，反正我是相信。所以，如何利用好数据分析守住企业第一道流量关卡，显得尤为重要。
## 实验增长派：
SeanEllis在他写的《增长黑客》里面提及到最多的方法，就是这种实验增长派。通过发现问题、提出想法、实验测试和复盘分析这四步来构建实验模型，在成本可控范围内不断测试，领悟增长真谛。**发现问题和提出想法离不开关键指标，关键指标也叫北极星指标**，德鲁克说过：“无法去量化，就不能控制”，通过数据分析让业务有数看，有衡量，再去增长。实验测试阶段涉及到用户分桶实验、AB test等，同样离不开数据分析。最后，结果复盘的时候，需要利用数据分析中的统计学原理，是否显著，置信度等方法，来论证你的实验结论是否严谨可靠。
例如：
**1.建立用户转化漏斗**
所谓用户转化漏斗，就是你的业务是如何一步步将一个用户骗到手的。举下面；的几个例子，你一看就明白了：
>广告：展示 → 点击 → 转化
游戏：下载 → 激活 → 留存 → 付费
把妹：摇一摇 → 约会 → 牵手 → 接吻 → 上床
无论上面哪种业务，都可以分解为一系列的阶段，经过每个阶段，用户都只有一部分留存下来。对漏斗的每一个环节准确地记录数据，以便分析和优化各个环节的通过比率，是数据运营的基础设施。
**2.用多维度数据报表找问题**
数据运营中的常见痛点，是明知道转化漏斗上某个环节的通过率较低，却找不到提高的途径。常用的解决思路，就是把数据打细，分解到各个维度上分别观察，这往往能发现产品或系统上的问题。如果多个维度能够灵活组合观察数据，就成了一个数据魔方(Data Cube)。下面的图虽然与互联网产品运营的漏斗数据没关系，但是原理是一样的。
比如说，你发现广告的点击率低，进而查到是Chrome浏览器上的点击率拉低了整体统计，那么就要在Chrome浏览器上深究原因，结果很可能是你的Flash广告素材直接被Chrome给屏蔽了。
这种用多维数据报表来定位和查找问题的办法相当有效，它实际上是高效的debug，仍然是一种“受”的策略。
**3.用A/B测试指导产品演进**
那么有没有数据驱动的“攻”的策略呢？当然也有，制定多个产品可能的改进方向，将它们放到线上，让实际数据来决定谁上谁下。这种A/B测试的方法，往往是大家理想中躺着就可以优化出好产品的魔法，也是“数定胜人”理论的基础之一。
说到A/B的系统框架，可并不是个的简单的事儿。如何建立准确性和效率兼备的实验框架，值得单独写一篇长文，我们在这里就不多谈了。
又或者是通过**拆解增长因子**增长指标：见[实例解析：五步实战数据增长](http://www.woshipm.com/data-analysis/2583363.html)。
## 技术派：
技术派就比较偏向数据建模师的方向了，比如通过历史用户的行为数据，构建逻辑回归模型，判断用户下单意愿是否强烈并对其运营；又或者知道用户的兴趣偏好，根据用户浏览的商品和内容频次和时长，可以给用户推荐他喜欢的商品和内容，比如淘宝根据你经常浏览和购买的商品推荐商品给你，抖音根据你浏览的内容推荐你感兴趣的视频，平台通过全方位数据分析，比你更了解你自己，这就更是数据分析了对吧。
# 二、数据驱动增长注意事项
## 1.公司内部数据基础差，缺乏增长方法，该如何入手
数据基础差，且缺乏增长方法是两个问题。数据基础好比足球运动员的基本功，增长方法好比进球能力。基本功不好，想要在比赛中进球那是非常困难的，除非瞎猫碰见死耗子，这在统计学里是小概率事件，我们姑且不论。所以当务之急是基本功，也就是改善数据基础差的问题，磨刀不误砍柴工。
那么我们就来唠唠数据基础差要怎么解决。君子生非异也，善假于物也。对于小公司，自己公司数据基础能力不够的时候，可以采用第三方服务，有的时候我们没必要去趟别人趟过的雷。埋点加上BI智能报表这一套自己做需要至少5个人吧，那一年开工资花个200多万合情合理吧，但是购买一个神测数据，其中就包括无埋点采集和智能展示功能了对吧，一年也就几十万，省出来的钱去做投放不香么。
再比如说反作弊，自己做渠道流量反作弊需要非常大的用户数据基础和算法能力，小公司在初期自己业务还不稳定的情况下，再自己做一套反作弊出来，岂不是让资源本不富裕的技术团队雪上加霜，你选择数盟、数美这样的专业团队岂不是更稳妥。这就好比你想吃新鲜的食物，买个冰箱不就解决了，但你偏不，非要是自己造个冰箱，那我只能默默地给您点个赞，转身离开。
但是一码归一码，当你的团队足够强大的时候，有些东西真的是要自己手工打造，比如渠道归因埋点采集、核心数据自建BI系统等，毕竟命运掌握在自己手里才是最稳妥的。
所以针对数据基础差的公司，我个人的建议是在企业初创期选择第三方服务作为过渡，等到企业壮大后再将命运真正掌握在自己手里，把一些能自建的数据体系都自建。毕竟出来混，迟早是要还的。
## 2.中国产品的增长和美国硅谷增长黑客的增长的差异与共同点
“增长黑客”对于互联网圈的小伙伴来说一定不陌生，尤其是前几年，很多人也看了很多来自国外经典案列，比如网飞（Netflix）通过分析客户观看的电影和节目，发现凯文史派西参演的电影和政治题材的电视剧都非常受用户欢迎，所以才有的网飞制作的电视剧《纸牌屋》；Facebook做灰度测试的时候，发现新版本会使变现率下降25%，所以紧急终止新版上线等等，其核心理念是依靠技术和数据驱动，从而达到增长的目的。
但近几年大家发现 “增长”不香了，所谓的“增长”都是别人家的“增长”，要不就是来自外国的案例，到了国内会变得“水土不服”，毕竟国外连运营或渠道岗位都没有是吧，再看看APP store和国内的华米OV（华为、小米、vivo、oppo） 等安卓应用商店的商业化程度对比就可以知道了吧，国内的增长可以说是hard难度的增长，有的时候连老硅谷也会望尘莫及。
增长为什么会出现“水土不服”呢，主要有两点原因。第一点是中国人聪明，玩法很多，比如上面说的安卓市场商业化程度；第二点是美国的用户差异性和需求多样性较为单一，就拿事物来说，美国人就是披萨、汉堡对吧，再看看中国的食物分类，点开美团瞬间起立，因此出现了运营岗位是美国没有的。细分领域的复杂程度和高度的商业化模式是中美增长的主要差异。
增长的共同点是什么呢，是增长的核心理念，比如MVP模型、FRM、aha moment等等这些理念是永恒不变的。就好比你在中国和美国踢球一样，规则都是一样的，只不过人的身体素质不一样罢了。
## 3.培养大局能力
“穷”玩mvp（最小可行性产品），“富”玩AB测试，为什么这说呢？有多少人是为了AB测试而AB测试，然后只是从中选出一种最优的解决方法，表面上确实是达到最优化，可是有没有想过我们在做AB测试的时候，其实就是“井底之蛙”在尝试哪种方式跳得更高？如果跳出井底，做的是最小可行性产品，视角贯穿整个产品，以“最小”的代价，收集更多的反馈信息，从而达到全局的增长。
如果只是不断的在某个节点上做AB测试，那么我只能说你在浪费资源，不如融合整条产品线，做一套MVP测试。
下面给大家讲个具体的例子：
AB test（C）：渠道新增素材测试，寻求最佳转化素材。素材我们有N种方法，最终得到C3这个素材是新增转化率最高的素材，那么我们就以为大功告成了，所有渠道、代理商都用C3素材，如果这么做我们是不是就是井底下，尝试哪种弹跳方式跳的最高的青蛙，但是我们跳出井底，会看到新增转化不单单是素材决定，其中包括产品、渠道、技术等等共同制约。
MVP：增长不是某一个部门，某一个环节的事情，是所有部门一起协作的共同结果。还是上面的例子，当我们跳出井底，通过MVP测试，新增转化的最佳增长方案可能是A1+B3+C3+D1和A2+B2+C1+D3，而不是单一的素材C3。
这就是我说的“穷”玩MVP，“富”玩AB，花同样的钱，是在井底玩还是在井外玩，井外岂不是性价比更高，所以我们要跳出局限，以全局视角看待增长。
## 4.沟通
分析师最重要的技能就是沟通，先听懂老板的需求，再去分析，分析出来的结果要翻译成老板懂的语言，让老板明白你这么做的价值。
如果你的业务做得再好，但是无法让领导感知到，这个项目虽然有价值，但是不会使其价值最大化，如何将项目的结果让老板认可，这也是沟通的技巧，不要觉得不重要，这关系到项目是否能启动，项目的预算和规模。有能力的分析师会找到增长点，优秀的分析师会让领导感知增长点，要更多的预算继续扩大项目规模，最终拿到更好的成绩，最后的最后组员一起升职加薪。
举个小例子，我们要发现问题点（增长点），发现用户流失严重，要做流失用户召回项目。在做项目之前，我们为了评估召回项目的效果，要梳理监控指标，制定了触达召回率、触达召回率人数、召回商业转化率、召回后贡献留存率、第N日留存。我们又知道领导的KPI里有DAU、次日留存、第7日留存等等，又发现第7日留存与我们实验监控的指标密切相关，所以决定将第7日留存作为重点监控与汇报指标。
可能大家发现前面几个指标虽然都有可能增长，但是老板有可能感知不到，但如果与老板统一战线的话，老板能够迅速感知增长，如果再加上较强的沟通能力，那么预算和项目启动就不在话下。上述的培养大局观和向上向下的沟通能力，是我个人认为增长实验中最应该注意的2点。
# 三、数据运营解决不了的问题
用户如何选择和评价一款产品，在不同领域有着截然不同的规律。简单来说，我们可以把产品分为理性产品和感性产品。比方说，3C类电商，就是比较典型的理性产品，而服饰类电商，就是相对的感性产品。计算广告和推荐系统，虽然技术栈有相通之处，但前者是理性产品，后者的感性就强得多。
对于理性产品来说，由于问题的目标稳定且容易量化，数据是最关键的优化手段之一。拿广告产品来说，广告商使用它的目的，是为了获得更高的利润（当然这一利润可能是长期的，也可能是短期的），而不是为了获得心灵上的愉悦或快感。因此，当两个广告平台的投入产出比相差很大时，客户不会顾及哪个的使用体验更胜一筹，而是毫不犹豫地选择赚钱多的那个。
可是说到感性产品，就远没有那么简单了。记得微信刚火起来的时候，一大波从各行编外人员改行过来的互联网分析师们纷纷口吐莲花，分析为什么微信是人类社交的终结性产品，为什么还在用QQ的人都是历史车轮的阻碍者。可是去年，大约是同一拨分析师，又在纷纷讨论为什么90后用户群正在有微信向手机QQ转移。那么到底是QQ好还是微信好呢？这么问题在不同时间、不同用户情况下都有不同的答案，而我们也不可能对这类移动IM类的产品，给出一个普适性的量化目标。在感性产品的运营中，既然很难给出确定的优化目标，数据优化能起的作用就是有天花板的。
那么，数据化的运营在何种情形下会遇到明显的瓶颈呢？大致说来有如下几个方面：
## 1. 产品创新方向无法通过数据获得
几年前，有一家很火的游戏公司叫Zynga。据说，Zynga的老板并不鼓励创新，而是奉行“拿来主义”，将别人的游戏创意复制过来，用自己的一套数据运营体系快速超越对手。啥样的数据运营体系呢？说白了就是大量的A/B测试。设计说：草地得是绿的。产品经理说：不行，绿的红的数据说了算！于是，他们真的将流量分成红草地和绿草地两种配置，如果数据反映红草地用户付费高，那就把草地全变成红的，让植物学家们见鬼去吧！靠着这样的体系，Zynga一度在Facebook内长期霸占游戏排行榜的前三名。后来怎么样了呢？答案很清楚——现在还有谁知道Zynga么？
Zynga的衰落当然原因很多，不过不得不说惟数据论的产品运营思路也是推手之一：你的数据测试体系再成熟，也不过就能搞搞草地涂红涂绿这样的雕虫小技，而游戏的新模式、新情节、新设计这样的真正创新方向，不是你具备了数据运营体系就可以具备，甚至也无法通过数据体系来判断高下。拿iPhone举个例子，大屏交互、Multi-touch、应用商店这些大放光彩的产品特征，皆出自乔布斯对产品的信念与洞察，而非市场和需求调研的结果。
即使是短期的产品小改进，彻底依赖A/B测试也行不通。我们是能根据数据把效果较好的A方案挑出来，可是如果你的备选方案中只有X/Y/Z，那再怎么测A也出不来。有人问了：如果把所有可能的产品选择全都列出来，让数据来选择呢？产品运营不是打麻将，那些牌组合起来总有个数儿，可真正有潜力的产品点需要具备系统性和创新性思维的产品经理，把别人喝咖啡和上厕所的时间都用在冥思苦想上，才有可能发现。再说了，就算是产品点象麻将牌一样列得清清楚楚，当产品因素和方向变得很多时，由于“dimension curse”的存在，我们也是没办法在有限时间内积累足够的统计数据进行决策的。
其实这儿已经说到了用户产品真正最重要的增长动力，那就是产品经理的洞见与创意。
## 2. 长期用户反馈很难通过数据判断
那位Facebook的工程师在他的演讲里讲到了一个生动的例子：Facebook多年以来坚持采用严谨的A/B测试框架来决策一个新feature是否被线上系统所采用。但是，；结果是什么呢？他说到，实际上Facebook PC版的首页三年来没有任何重大的升级。其实，这个结果本身就是发人深思的：难道Facebook又变成了人类社交网络的终结产品，并且已经优化到了全局最优点，无法再改进了么？
结论显然不是这样的，我甚至认为在那三年当年被废弃掉的许多改版方案中，未必没有被误杀的版本：现有的A/B测试框架，都只能观测一个相对短时期内的数据表现，而长期的趋势与结论，如果没有对产品信念上坚持，很难等到开花结果的那一天。
我从传统纸媒杂志那儿听到过一个规律：一般来说，杂志在改版后的头几个月，都是骂声一片。然后几个月过后，新版也许会带来发行量的显著上升。这也可以作为短期数据缺陷的一个佐证吧。
## 3. 博弈性的场景无法用数据决策
博弈性的场景在互联网产品里是很常见的。举个例子，大家可能知道互联网产品中有个Explore & Exploit问题，即用一部分相对随机流量探索未知空间，另一部分流量根据统计最优做决策。熟悉这个领域的朋友都知道，假如我们有两个E&E策略，是无法通过A/B测试来确定其优劣的。至于为什么，建议大家自行了结一下E&E的背景知识，权当一道思考题吧！
除了E&E，其他博弈性的场景还很多，例如广告里的机制设计问题（也就是竞价市场的规则如何制定）；再比如有一定社交性的游戏运营策略，都是从原理上就无法通过简单分流量就能进行有效的A/B测试的。
当然，了解这些博弈性的问题，需要深入的产品见解和宏观思维能力，有很多奉行糙快猛主义的产品经理，宁可假装这样的问题并不存在。
# 四. 用户快速增长到底靠什么
数据这个账房先生虽然不可或缺，却并不是用户增长的定海神针。那么，真正能驱动一款产品的用户快速增长，靠的都是什么方法呢？从历史上成功的产品看，有下面一些思路值得注意：
## 1. 做出真正优秀的产品
说白了，用户快速增长最核心的问题，还是要千方百计酿出好酒来。产品好才是真的好，这是所有产品和运营应该追求的根本。由于上面讲的一些数据体系的问题，优秀产品经理的直觉与判断，不见得跟短期的数据表现相一致。在这样的岔路口上，坚持产品原则第一性，数据反馈第二性，长远来看是更加合理的。
需要特别说明，真正优秀的产品，一般来说都不是在分析存量市场的基础上想出来的，于是也没有现成的数据统计可以支撑。最近大火的Pokeman Go，用户增长之迅猛令人咋舌，不过我不认为它已经建立了完善的数据运营体系，即使有，也并不是其用户增长的关键。
几乎所有伟大产品的快速用户增长，都来自“好产品”这种内生动力，远的如Google、Facebook、iPhone，近的如某某打车和某某直播应用。
## 2. 找到战略性推广渠道
什么是战略性推广渠道呢？简单地说，就是那些“价格便宜、量又足”的渠道。互联网很多产品的用户快速增长，往往是在这点上下足了功夫。
比方说，某跨境电商的崛起，与早期他们战略性地大量从Facebook购买流量有很大关系。而到了今天。Facebook的广告价格已经被抬高了很多，这样的渠道机会就不存在了。
在中国，非BAT的很多移动互联网产品快速增长，大多数都依赖预装这个战略渠道。厂商有预装，运营商有预装，方案商也有预装。在当年预装成本只有今天五分之一的时候积极花钱的产品，今天有不少已经成长为大公司了。
对于价值被低估的战略渠道保持敏锐的嗅觉，对产品的快速增长至关重要。
## 3. 利用病毒式传播手段
病毒式传播的方法有两类，一类是传染，一类是传销。
所谓传染，就是诱导和捆绑式安装：通过一款已经有很大装机量的产品，通过威逼利诱甚至暗中作业的方式，将另一款产品也带到用户的终端上，往往是多快好省的好办法。甚至有时候在普通的广告渠道商这么做效果也不错，比方说：移动上各类清理或安全产品，往往在广告投放时让直接恐吓用户“你的手机内存过低”或“你的手机风险很大”，用户顿觉菊花一紧，当时就安装了。
传销大家都不陌生了。在社交网络产生以后，传销式的推广方案实施起来更加方便。种种五花八门的拼团模式，转发抽奖模式，虽然不能说是严格意义上的传销，其本质也是发动群众斗群众，这样的方法如果用好了，必定有奇效，谁用谁知道。
## 4. 建立品牌的用户认知
互联网界对这一点的重要性认识是有所不足的。产品要立得住，保持葛大爷那样的躺姿也能挣钱，核心的用户认知非常关键。
在互联网界，大家往往奉直接效果传播为信条，在品牌建设方面的重视程度则有所不足。不过，近来oppo等公司的成功轨迹，让大家开始重新审视品牌和用户认知的作用。在笔者看来，成功的品牌建设带来的用户增长，可能是迅猛而又健康的。
讲了这么多，其实并不是说数据化运营不重要，而是说要达到产品的快速增长，其实还有更重要的事儿。今天所有的互联网从业者，既要掌握正确的数据化运营方法论，又不要盲目成为拜数据教的教徒。**做一款叫好又叫座的产品，虽然数据运营不可或缺，但还是要把核心精力放到“做出好酒”和“搬到巷子口”这两个关键点上。**
---
**参考：**
[以配送类APP为例，用数据驱动产品优化](http://www.woshipm.com/pd/3512040.html)
[如何用数据分析驱动用户增长？](http://www.woshipm.com/data-analysis/4176399.html)
[怎么用“用户数据“驱动“增长”？](http://www.woshipm.com/data-analysis/3557771.html)
[数据分析，真的能驱动用户快速增长么？](http://www.woshipm.com/data-analysis/1183723.html)
[实例解析：五步实战数据增长](http://www.woshipm.com/data-analysis/2583363.html)