作为运营人员，你的数据分析框架搭建起来了吗
数据分析作为运营人员必备的核心技能，对职业发展起着尤为重要的作用。本文将基于基于业务场景，分享几种基础的数据分析框架和方法，系统化的进行数据分析。
无论是产品、还是运营，都需要具备良好的数据分析能力，对用户行为数据和业务数据，进行分析、评估甚至预测。本文通过分享三种常见的数据分析框架，帮助我们更系统的进行数据分析，发现并解决产品暴露出的问题，从而更高效的完成工作。
一、用户行为分析
1.事件分析
事件：通过埋点，高效追踪用户行为或业务的过程。注册、启动、登录、点击等，都是常见的事件。例如下图，展示出某日的注册事件。
通过事件分析我们可以准确了解App内发生的事件量，根据产品特**合理配置追踪，可以轻松回答关于变化趋势、分维度对比等问题，例如：
某个时间段推广页面点击量有多少，对比昨日有多少提升？
某个渠道的累计注册数是多少，第一季度排名前十的注册渠道有哪些？
某个活动页的uv分时走势，安卓和iOS占比情况如何？
2.漏斗分析
漏斗模型：分析一个多步骤过程中，每一步的转化与流失情况。以互联网金融-理财端为例，新用户在首次投资会经过如下步骤过程：
注册成功
实名认证
充值成功
投资成功
我们可以通过漏斗分析整体的转化情况，以及每一步转化量、流失量、转化/流失率。
在漏斗模型中清晰3个基本概念，可以借助强大的筛选和分组功能进行深度分析。
步骤：指的用户行为，由事件加筛选条件组成
时间范围：漏斗第一步骤发生的时间范围
转化周期：用户完成漏斗的时间限制，漏斗只统计这个时间范围内，用户从第一步到最后一步的转化。
如上图表示：2018年3月份，注册成功的27万名用户，在7天内投资成功的转化与流失情况。
这里漏斗分析与事件分析不同的地方在于：漏斗分析是基于用户，或是说基于人来统计某一批用户所发生的行为，不会受到历史浏览页面用户的事件影响，可以更加准确的暴露某一时间段产品存在的问题。
通过漏斗模型及时发现问题：我们通过建立了注册转化漏斗，度量每一步的转化率和整体的注册转化率，通过时间维度来监控每一步和整体转化率的趋势。
例如：4月12日发现输入图形验证码这一步转化率有明显异常，于是紧急通知技术同事排查，发现图形验证码功能失效，导致大量用户无法显示。紧急修复后，转化率回到之前的水平。所以，通过对每一步漏斗转化率的监控分析，可以及时发现问题，及时止损。
（数妹按：我们上线了更强大的漏斗功能，还可以直接在漏斗中将未转化成功的用户下钻分群，定向推送召回！）
3.留存分析
留存用户：即用户发生初始行为一段时间后，发生了目标行为，即认定该用户为留存用户。
留存行为：某个目标用户完成了起始行为之后，在后续日期完成了特定留存行为，则留存人数+1
留存率：是指发生“留存行为用户”占发生“初始行为用户”的比例。常见指标有次日留存率、七日留存率、次月留存率等。
留存表：留存表中给出了目标用户的留存详情，主要包括以下几个信息：
目标用户：每天完成起始行为的目标用户量，是留存用户的基数；
留存用户：发生留存行为的留存用户量和留存率
留存曲线图：留存曲线图可以观测随着时间推移，用户留存率的衰减情况。
以电商为例，我们观察运营策略优化/产品改版，是否会影响用户的购买行为。此时我们可以将用户行为分为：
初始行为：注册
留存行为：支付订单
然后根据客户注册的时间按周进行分组，得到同期群，制作留存曲线图，观察该群体用户发生购买的30日留存。通过比较不同的同期群，可以获知新用户购买率指标是否在提升。
留存行为一般都与我们的目标有强相关**。我们在进行留存分析时，一定要根据自身业务的实际需要，确定高价值的留存行为才能能对产品的优化提供指导**建议。
二、AARRR模型
AARRR模型是一套适用于移动App的分析框架，又称海盗指标，是“增长黑客”中驱动用户增长的核心模型。AARRR模型把用户行为指标分为了5大类，分别为：获取用户，激发活跃，提高留存，增加收入和病毒传播。
从用户获取到病毒传播，每个环节都有重要的指标需要我们去关注，通过AARRR模型系统化的拆解5大类目用户行为，可以让我们更清晰的知道每个环节需要重点关注的重点指标。
以电商业务为例，下图基于AARRR模型，构建用户生命周期运营全脉络和每个节点需要关注的重点指标：
1.Acquisition获取用户
在获取用户阶段，我们希望让更多潜在用户关注到我们的产品，通过以下基础途径来曝光我们的推广页面：
付费获取：媒体广告、SMS、EDM、流量交易/置换
搜索营销：搜索引擎优化（SEO），搜索引擎营销（SEM）
口碑传播：用户间邀请活动，病毒H5传播等
用户访问页面后，可以通过导航、主动搜索、算法推荐来了解到我们的产品。切中当下需求的用户会进行注册行为，算是和用户真正意义上第一次会面。
这时就要重点关注推广页UV，点击率，注册量，注册率，获客成本等重要指标。
2.Activation激发活跃
用户注册后是否有进一步了解我们的产品？这其中涉及到产品的功能，设计，文案，激励，可信等等。我们需要不断调优，引导用户进行下一步行为，让新用户成为长期的活跃用户：
我们可以通过界面/文案优化，新手引导，优惠激励等手段，进行用户激活流程的转化提升。监控浏览商品页面，加入购物车，提交订单，完成订单的漏斗转化。
这个过程中，我们要重点关注活跃度，若定义加入购物车为活跃用户，那么就要观察注册至加入购物车漏斗转化率，按维度拆分，分析优质转化漏斗的共有特征/运营策略，提升策略覆盖率，优化整体转化效果。
3.Retention提高留存
用户完成初次购买流程后，是否会继续使用？流失的用户能否继续回来使用我们的产品？
产品缺乏粘**会导致用户的快速流失，我们可以通过搭建生命周期节点营销计划，通过push、短信、订阅号、邮件、客服跟进等一切适合的方式去提醒用户持续使用我们的产品。并且在此基础上通过积分/等级体系，培养用户忠诚度，提升用户粘**。
重点关注留存率，复购率，人均购买次数，召回率等指标。
4.Revenue增加收入
我们获得每位用户平均需要花费多少钱？每位用户平均能为我们贡献多少价值，能是否从用户的行为，甚至其他方式赚到钱？
电商业务的基础要关注获客成本CAC，顾客终身价值，在此基础上通过运营活动激励用户进行购买，提升用户单价、频次、频率，最终提升用户生命周期贡献价值。
重点关注获客成本，顾客终身价值，营销活动ROI等指标。
5.Referral病毒传播
用户是否会自发的推广我们的产品？通过激励是否能让更多的忠诚用户推广我们的产品？
在社交网络高度发达的今天，我们可以通过各种新奇的方式去进行产品传播：用户邀请的老带新活动，垂直领域的社群运营，H5营销传播，让老用户推广我们的产品，吸引更多的潜在用户。
重点关注邀请发起人数，每个病毒传播周期的新用户量，邀请转化率，传播系数等。
三、3大增长引擎
精益创业提出一个概念：唯一关键指标（one metric that matters,OMTM）。
在任何类型产品的任何一个阶段，都需要找到唯一的一个数字，把它放到比其他任何事情都更重要的位置上。在数据分析时，可以抓取许许多多的数据，但必须聚焦在最关键的事情上。同时其也是“增长黑客”中的关键特质：专注目标。
1.粘着式增长引擎
粘着式增长引擎以Retention留存作为OMTM驱动增长
典型案例是游戏类的App，Facebook针对游戏提出的“40-20-10”法则，即如果你想让游戏的DAU超过100万，那么新用户的次日留存率应该大于40%，7日留存率大于20%，30日留存率大于10%。
不使用任何运营激励手段与使用留存激励相比，次日留存相差甚远。
例如游戏中常见的：签到活动，登录奖励，时长奖励等玩法都是基于提升用户留存的目的。
通过提供目的**的目标，制定规则和反馈系统，为玩家带来创造**成就和能力的提高带来的满足感和愉快感，从而提升用户的游戏频率，游戏时长，最终提升用户留存。
好的留存率对于不同的产品而言是不同的，在这里不展开对用户留存率的划分，针对不同类型的产品与用户粘**寻找最适合的留存指标才是正确的。
2.付费式增长引擎
付费式增长引擎以Revenue营收作为OMTM驱动增长。
简单来说，从顾客在产品上贡献的价值大于获取付费客户的成本，就可以一直驱动营收增长。
互联网金融是付费式增长引擎的典型例子，由于产品类型不像游戏和视频资讯类应用，有强大高频使用需求。互金运营考核的核心目标就是促成交易，从用户每一次投资/借贷行为中获得收入，覆盖营销的投入，不断驱动引擎的转动。这里我们要重点关注2个指标：
CAC（Customer Aqusition Cost）客户获取成本
CLV(Customer Lifetime Value)客户终生价值
例如：某次月在营销上投入成本20000元，新增投资用户100人，则获取每位投资用户的成本是200元。若人均投资5万元，利润率2%，客户终身价值CLV=1000元/人。
当CLV>CAC，不计其它成本的基础上，已驱动引擎正常运转了，接下来就要思考如何提供更多曝光，扩大顶端的漏斗，以及尽可能缩短客户盈亏平衡时间。
3.爆发式增长引擎
爆发式增长引擎以Referral传播作为OMTM驱动增长
典型案例：基于社交场景的分享，通过瓜分红包，砍价、拼团、秒杀等玩法，不断触达潜在用户。
用户分享到社交网络，即可降低付出的成本，通过为用户省钱的策略，提升用户感知价值，不断刺激价格敏感用户，贡献大量的分享量，点击量，引导潜在用户进行体验/注册。
在爆发式增长引擎中，我们需要关注病毒系数K=I x Conv:
I：Invitation，即每个用户发送的邀请数量，反映了分布密度.
Conv：Conversion rate，即每个邀请成功的概率，反映了感染强度.
那么如何提升让病毒传播系数，上面活动中常见的3种方案：
重点提高接受率：降低接受门槛，且尽量将接受步骤控制在社交场景中，避免二跳降低转化。
缩短单次邀请流程的生命周期：通过限定时间的方法，加快增长进程的同时，提升紧迫感。
试图说服用户去邀请更多的人：头几位受邀用户在砍价中可以砍掉很多金额，让用户初尝甜头后会激励更多的转发量。
四.总结
结合多种业务场景，梳理如何通过用户行为进行事件分析、漏斗分析和留存分析，基于AARRR模型如何获取用户、激发活跃、提高留存、获取收入和病毒传播，最后通过三大引擎，聚焦OMTM驱动增长。
每当产生新的业务问题的时候，通过框架去进行系统化的思考，对问题的解决起着尤为重要的作用。
数据分析是互联网产品和运营的基本功，笔者在数据分析方向的还处于不断提升阶段，以上是最近学习工作中的一些案例和心得分享，希望能给在学习中新人带来一些思路！
