您所在的位置:小祥子 » 资讯 » 创业 » 正文

如何精细化运营 切实提高用户量

时间:2015-08-18 编辑:佚名 来源:创业邦

文| 赵乾坤(诸葛IO联合创始人)

因为一直在打磨诸葛io这款产品,所以也在研究如何更好的利用数据去驱动产品运营的决策。通过了解了一些前辈的经验同时结合自己的一些思考,于是提出了一些想法与大家分享,希望能够起到抛砖引玉的作用来一起探讨。

闭着眼睛做产品?

很多团队在做产品的时候并没有很好的数据支撑,无异于瞎子走路,那么究竟哪些情况是属于闭着眼睛做应用呢?

1. 没有跟踪监测功能模块的访问情况

跟踪监测的意义主要如下:

模块的访问记录——对比新老用户的访问比,如果新用户的访问占比远远大于老用户的访问占比,那这个功能就是个鸡肋,因为基本上只有新用户在访问。(注册等新用户特性模块除外)

模块的留存情况——我们知道一般情况下所谓的留存都是指用户有没有在一段时间后(天,周,月)持续的打开应用,而留存本身的意义也在于观察一段时间内用户的持续访问情况,但对于应用留存的观察,“打开应用”远远不及使用产品的核心功能,例如电商应用需要关注用户持续使用的是浏览商品、加入购物车或下订单功能等;对于图片社区,可能关注的就是用户浏览图片或者上传图片;而对一个社交应用来说可能关注的就是用户有没有持续的互动。

排序和模块展示的位置优化——在屏幕上的每一个位置都有不一样的转化率,所以如果很多可能吸引用户的功能放在不好的位置,也会导致用户流失。但目前对于很多模块的展示位置,或者类似于某块内容的分类排序,一般基于产品经理的原型设计或者运营编辑的经验判断。因此在产品发布之后,我们需要关注的是这些模块或者分类的持续访问情况,然后根据用户访问数据去优化排序,留存高的模块当然要放在好的位置,留存低的就要持续优化了。

2. 没有统计流程转化

上面所述的这点,关注的更多是持续访问的意义,也就是产品功能的长期价值。在产品使用过程中,有很多流程性的操作,比如:

“阅读”——“分享”

“注册”——“填写资料”——“注册成功”

“浏览商品”——“加入购物车”——“下订单”

每一步操作背后都隐含着用户的交互,所以交互设计不合理、操作繁琐或隐蔽、产品有bug、性能不好都会造成用户的流失。那么,你们有没有思考过产品应用中有哪些不同的使用流程,并就这些流程的转化情况给予关注?

3. 忽略流失人群分布

在上述两点描述里都提到了流失,而恰恰流失人群的分析是尤为重要的;尤其是当用户没有按照设想的路径进行操作时,他们到底做了什么,对于这些你们有过数据分析吗?

数据分析一直都是很重要的一环,但是对于数据分析的过程很多人都心存疑惑,可能会有以下几种情况:

1. 需要埋点的地方太多,造成产品发布delay,因此埋点成为开发和产品团队头疼的一件事。

2. 记录的数据太多,不知道从何下手,如何进行分析,该分析什么?最后甚至彻底不会去分析了。

3. 觉得自己产品还小没有分析的必要,等产品做大一些再分析。

毋庸置疑,以上是最常见的三种心态,但是数据分析是产品的一部分,不能完全依靠直觉和猜测去设计产品。每一次发布都是一次考试,我们也需要用数据去检测自己当初的设计,那么对于以上三点而言:

第一点的问题是把数据分析变成了一项比较大的工作。一款应用需要记录和跟踪的信息当然很多,但不意味着需要从一开始就把所有的信息记录下来,产品本身也是在迭代的,所以埋点和数据分析也可以迭代去记录。在产品迭代周期过程中,少则一周、多则一月的时间里,我们也没有能力去分析太多的东西。

第二点的问题是没有分析目的的去记录信息,数据分析一定要有目的,所以你记录的信息也一定是要完成对这个目的跟踪的覆盖,不需要太多,但一定要满足至少一种分析的需求。比如上面所说的闭着眼睛做产品背后的问题都可以成为分析需求。

第三点的问题是没有意识到流失用户的价值。用户很难给你二次机会,现有资源下,我们很容易做到用户覆盖,但是如果整个产品的体验很差,或者需求目的不明确同样很容易造成用户的流失,所以每一次用户流失的原因都弥足珍贵,都是产品优化方向的基础,举个例子,假如你是个视频制作的软件,产品发布之后,你看到产品的次日留存是50%,误以为很好,但是发现用户制作视频的周留存率只有10%,你敢大推吗?而没有这部分业务数据的分析,很容易在大推过程中丧失了大量的价值用户。而这些数据显然在一开始损失最小的时候能够帮助你对应用做更优的决策和迭代计划。

数据分析到底该怎样和产品结合

那么数据分析到底该怎样和产品结合呢?其实等同于精益创业打磨一个最小化产品,然后利用数据衡量再规模推广一样,数据分析也是这样一个过程。我们需要一开始选取一部分的用户流量去测试我们的产品,当数据还行的时候,再应用到全市场,看看下面这个图:

之前提过,我们进行数据分析时,也是以目的驱动的,所以在一个产品迭代过程中,不管是计划去优化一个不良设计还是发布一个新功能,都是一个想法的初始;然后接下来我们要构建这样一个feature,应用到产品设计;然后记录一些数据去跟踪这样一个feature,接下来发布产品;然后我们利用数据去衡量我们的设计,然后通过数据观察用户的反馈和行为,再不断学习优化这个feature的设计。就这样持续性的去完成数据对产品的决策以及优化。

谈到如何进行数据决策,从数据驱动这部分,确定的逻辑是:确立目标,找到分析模型,然后利用分析方法进行分析,最后随着迭代的过程周而复始。

数据指标

谈起数据指标,相信大家不陌生的是“PV”、“DAU”、“留存”、“下载量”等常见指标,这些指标在流量概念上一定程度的反映了产品热度,但这并不能证明产品的好坏。比如说:

“下载量”是单调递增的,也不知道下载后是否激活或者是否卸载;

“PV”反映的是浏览量,可能是同一个用户访问很多次,也可能是投诉页面访问很多次;而对于类似知乎或者medium这样的阅读应用可能关注的是阅读的时长而非PV;

“留存”是反映用户在一段时间内的持续访问情况,并且这个访问只是简单的打开应用或者打开网页;但对产品而言,可能更应该关注的是用户有没有进行核心行为,例如对于知乎而言,应该关注的是用户有没有持续去阅读,对于京东而言,可能需要关注的是用户有没有去持续下订单或者支付,对于小影而言可能关注的是用户有没有持续去制作视频或者观看视频;

“DAU”反映的是每日活跃,但并不能反应是由哪个功能模块带来的用户活跃,更别说这个用户是几日活跃?

类似于这些指标的还有“平均访问时长”等。

这些指标的意义在于你从粗略的方面上了解了产品的发展情况,但是如果深入到决策优化产品层面的时候,它们就是我们所说的“虚荣指标”

如果说我们熟知的这些指标都是虚荣指标的话,究竟哪些才算是有价值的数据指标呢?

首先有价值的数据指标包含以下几个特点中的几个:

1. 比率

2. 具有可比较性

3. 容易推导

4. 产品业务相关,具有价值引导

以电商为例,以下的指标就是价值指标:

1. 购买转化率

2. 月均购买率

3. 平均每单成交额

4. 弃买率

5. 客户获取成本/平均每客户营收

6. 热门搜索词

7. 推荐购买率

仔细看一下以上的指标,大多都与业务相关,而不是千篇一律、家家适用的“DAU”等虚荣指标。比如热门搜索词虽然不是比率,但至少能反映用户想要什么,具有一定的价值引导。

再参考Facebook在爆发增长时提出的“AHA!Moment”(惊讶时刻),当新用户在7天内获得10个好友会更容易留存;Twitter的“AHA!Moment”是获得30个关注。这些指标都与业务相关。

所以我们举一反三,类比到社交应用、内容应用,很容易参考到一些与自己业务相关的指标。不管是做什么类型的应用一定要有自己的核心事件,比如说知乎关心的是阅读或者关注相关的指标;nice关注的是上传图片、标签、关注相关的指标。

所以我们要从产品角度去优化,那么请落地到你的业务,找出相关性的指标。

分析模型

关于AARRR模型,可以参考之前我写过的《初创团队的精细化分析和Growth Hacking》,其中有对流量时代到用户模型分析的过渡及详解,而且还有一些硅谷公司的案例。

在我们确定好数据指标后,下一步必定是按照一定的思路进行分析,细想我们产品的用户,其实也就是从“获取→活跃→留存→传播→收入”的核心步骤,所以我们就从如何能够卡住这样的用户周期开始分析,然后思考如何去做?

这里有一个思路,主要包含两步:

首先,从模块访问级别掌握用户在功能模块间的流向。一个产品可能有很多功能模块,但是核心功能模块一定只有一两个。随着用户从不同来源渠道来到应用后,到访问核心功能模块,再到持续留存,并在这个过程中进行分享等操作,利用漏斗分析,就能找到转化率较低的模块,或者路径。

然后,通过定位到模块之后,再细致的跟踪分析模块内的问题。比如对于视频制作应用,当发现视频制作模块转化率低,可能要关注的是视频制作过程中添加素材的步骤,交互体验等;或者发现应用的分享率比较低,那么就要分析分享的刺激是不是不够强、分享的过程是不是流畅、分享的途径是不是不够多等问题。

其实这种分析步骤的出发点是,我们需要改变过去过于重视“分析”的思路,而是要和产品的迭代结合一起。结合产品迭代的周期,将数据分析也迭代化,不是一次性收集所有的数据,而是定位问题,拆解的去解决一个个的问题。

分析方法

了解分析模型之后,接下来就是分析方法了,这里提出的是5个常用的分析方法:

1. 漏斗转化

2. 自定义留存

3. 人群细分

4. 同期群分析

5. A/B测试或者多变量测试

精益周期

了解分析方法之后,我也总结了一个分析的周期:

最后,“创业公司是一种组织,其存在的目的就是寻找可规模化和可重复化的商业模式”。“寻找”其实就是探索和解决问题的过程。我们需要更多的利用数据去梳理逻辑;去缩小我们凭空猜测的过程;去发现、定位问题;再试图解决这些问题。

关键词:用户
本类热门