优秀产品人必懂的数据驱动增长模型

在实际的业务中，大多数人可能只会遇到以下一种或几种常见的场景，并且对于各个细分场景，所需要解决的问题和关注重点都是不一样的。

1. 场景一：你刚加入一个成熟产品的用户增长部门，会发现业务当前有非常全面详实的用户和业务数据，但由于个人缺少数据分析的经验，面对一堆数据，除了能简要了解到产品基本情况，不知如何从数据中挖掘出更有价值的信息。
• 待解决问题：面对大量数据，不知如何入手分析。
• 所需的能力：各种可以从数据分析中找到增长线索的方法论。
2. 场景二：你熟练掌握了基本的数据分析技能，能够基于现有数据找到增长线索，你想针对某些关键指标的异常情况进行分析，但不知道哪些数据相关性高，如何将多维度的数据关联分析。
• 待解决问题：有明确的问题需求，但不知如何有效拆解数据问题。
• 所需的能力：基于目标行为的拆解用户路径的方法。
3. 场景三：拆解完用户路径后，发现目标的转化路径中有部分数据缺失，无法有效支撑你的分析。
• 待解决问题：如何快捷有效的收集缺失的数据。
• 所需的能力：制定数据采集方案。
4. 场景四：需要的数据采集到位后，发现数据统计混乱，每次查询和分析数据的效率成本都很高。
• 待解决问题：数据如何高效可视化呈现，降低查询使用的成本。
• 所需的能力：创建数据仪表盘。

诊断上述的工作场景，大多数增长人的工作顺序可能是：

• 数据分析→用户路径拆解→收集数据→搭建仪表盘

基于数据驱动用户增长可以分为以下五个步骤：

对大多数增长从业者来讲，最重要的是先掌握一套数据分析方法，从现有数据中快速找到增长线索，取得一些增长业绩，再反过来检查数据埋点、统计等地方有没有问题。

---

---

当掌握了数据分析方法，但所在的公司or负责的业务没有基础数据也无从下手，才需要思考如何拆解用户路径、数据采集。而数据仪表盘，则是为了提高查询效率，支持数据分析工作快速、准确开展。

一、分析数据：多维度数据分析

从数据分析中寻找增长机会，可分为“宏观”和“微观”两个角度。

• 宏观：在基础数据中，找到较大的增长机会。
• 微观：对比精细化的用户数据进行分析，挖掘相对隐蔽的增长线索。

无论所在的公司是否有用户的精细化数据，都可以通过从整体的角度进行数据分析，找到增长乏力点。然后再考虑要不要分析更精细的数据。

1.1.用户分群

用户数据通常可以分为两类，一类是用户属性数据，另一类是用户行为数据。用户属性数据代表的是用户自身基本信息和状态，包括天然特征和行为提醒的特征，一般是较为固定，不会轻易改变的。而用户行为数据是用户产品内的行为轨迹，代表了用户和产品的互动模式，通常可通过各种方式影响数据。用户分群驱动增长主要通过设定分群维度和应用分群结果这两个步骤来实现。

1.1.1.设定分群维度：

在任何产品中都会存在用户的各种属性以及行为，如何在这些属性和行为中选择最初的分群维度？主要可以按两类维度类型进行分群。一类是按照用户属性进行分类。另一类是按照用户行为进行分类。

• 用户属性：用户天然的属性和特征，不会轻易的改变。
• 获客渠道；
• 可推测用户兴趣的属性：年龄，性别，城市，家庭。
• 可推荐用户经济状态的属性：设备类，型号，城市，职业。
• 用户行为：用户在产品生命周期的关键行为。
• 生命周期的关键行为：新老用户。
• 用户活跃程度RFM；
• 付费情况：是否付费；
• 功能使用；
• 增长模型：增长模型中的某个变量在不同人群中差异较大。
• 贷款额度：互金类产品。
• 客单价：滴滴打车。
• 价位：SaaS。

在一些初创团队的产品，可能会才用不分群的方式，虽然数据分析简单，但对用户一视同仁，导致很对增长的线索无法被发掘，错过增长机会。与这类公司反差明细的是一些巨型企业，会使用千人千面的分群方式。这种方法需要技术和算法的支持。而且分析出的结果需要有对应的运营和产品资源配合，在绝大多数公司并不适用。在大多数公司中，维度分群是从实际业务问题出发，从1-2个维度进行简单分群。当用户量达到一定数量级后，可选择3-5个维度，进行多元组合分群。

1.1.2.应用分群结果：

通过用户分群得到分群结果，主要可以分为两种应用方向，以获取用户为分隔点，在获取用户之前，可以通过结果优化精准拉新的策略。在获取用户之后，可以通过结果提高精细化运营的产品体验。

精准拉新：

• 对现有用户进行分群，找到高质量的用户群，从而进一步定位高质量用户的获客渠道或者广告。
• 选择高质量用户，将这类用户特征上传渠道平台，通过算法找到类似的用户。

精细化产品运营体验：

• 产品算法支持的千人千面的商品和内容推荐等
• 针对不同群组，进行不同的运营动作。包括Push推送，促销活动等。

1.1.3案例分析：

这里通过一个某潮品电商产品的用户分群案例，来分享一下如何运用用户分群进行增长策略的置顶。

• 选择重点的属性和行为维度，进行组合分群：

• 针对不同的分群，制定对应策略（方案仅为供参考，不具有真实性）

1.2.用户行为

行为分析是通过详实的用户行为数据描述出用户在产品中真实的路径和互动情况。针对用户行为分析的结果，通过产品或运营的方式引导用户，改变用户行为的轨迹和模式，让用户更好的从产品中获得价值。用户行为驱动增长主要通过明确分析对象和选择分析方法这两个步骤来实现。

1.2.1.明确分析对象：

用户行为可分为两类关键用户行为，一类是一次性或低频行为，另一类是周期性行为。

• 一次性或低频行为代表着用户为使用产品打下基础的重要行为。例如下载App、完成注册、输入身份信息、充值等。
• 周期性行为代表着用户使用产品功能的核心行为。例如下单、点赞、阅读、观看视频等。

在产品中用户产生的行为很多。准确找到这两类关键用户行为的方式可分为两类：

• 从数据中验证：在实际数据中，通过路径分析找到关键转化路径，通过比较行为频次找到高频行为，发现任何遗漏的行为。
• 从业务中出发：从关键转化路径中或高频的周期性行为中寻找并确认关键行为。

1.2.2.选择分析方法：

通过用户行为分析解决的本质问题，可以归纳为两类问题：

• 转化问题：一般通过分析用户行为路径，让更多的用户执行某种行为，走上正确的路径。
• 留存问题：一般通过针对周期性行为的分析，让用户更多的更持久的执行某种行为，养成正确的习惯。

1.3.用户行为路径分析：漏斗分析

漏斗分析是事先设定的若干个关键节点的转化路径中，简单直观的显示同一群用户从每一步到下一步的转化率。通过转化率的高低，快速判定出大多数用户是否遵循了产品设定的路径在行进，并可查出流失最高的关键节点是哪个。

漏斗分析是大家非常熟悉的一种分析方法，常用的漏斗分析方法有以下两种：

• 通过全链漏斗中找寻用户流失点和增长机会。
• 通过AARRR各个环节的细分漏斗寻找用户流失点和增长机会。
• 获客：新用户注册漏斗
• 激活：新用户激活漏斗
• 留存：关键周期性行为漏斗。
• 推荐：老带新用户转化漏斗。
• 变现：下单漏斗、投资漏斗等。

1.4.用户行为路径分析：路径分析

路径分析是显示用户从每一步到下一步的转化率。通过发散性分析方式，确定大多数用户的实际行为路径。通过路径分析可得到：

• 确定用户在产品内实际路径和走向与产品期望的主路径的区别点。
• 确定用户的实际主流路径。
• 发现一些事先不为人知的路径。

常见的思考方向：

• 用户实际路径和产品设计期望的路径有什么不同？
• 新用户进入首页后的实际路径有哪些？最喜欢去哪些页面？
• 如何引导用户回到主流路径，迅速到底核心功能？
• 以某个行为为终点的路径：到达某个功能的路径里，哪条最主流？
• 用户哪些路径可触达该行为？
• 如果想提升触达该行为的转化率，先从哪条路径入手最容易提升？
• 以某个行为为终点的路径：用户偏离预设的路径后，实际走向是什么？
• 用户到达行为对应的页面（如商品详情页）后，为什么没有触发行为(点击支付)？
• 用户去了其他什么路径？
• 如何避免这类用户偏离预设的路径？

---

---

1.5.用户行为路径分析：轨迹细查

轨迹细查是按时间排列一系列行为，展示单个用户的实际行为路径。通过聚焦性分析，寻找单个用户的实际行为路径中的异常或者规律。

常见思考方向：

• 某类用户流失了，TA流失前都做了什么事情，有哪些异常？
• 某个功能的优化或Bug是否影响了用户轨迹，出现了哪些异常？

将2.2.2.的二手车交易平台案例场景沿用到本节中，如下：

1.6.周期性行为分析：留存分析

留存分析是通过用户留存数据分析，确定产品的留存健康程度。对比不同用户组的留存率，找到改善留存的增长线索。

通过留存分析来优化增长的思考方向可以从以下几个问题入手：

• 产品的留存能力如何
• 首次登陆的用户，有多少会留存下来。
• 哪个时间段年内留存最严重？
• 产品的留存率和行业平均值相比如何？
• 产品内的留存率是否有差异？
• 不同产品功能的用户留存率的差异。
• 不同获客渠道的用户留存率的差异
• 不同用户属性的用户留存率的差异。

1.7.周期性行为分析：频次分析

频次分析是通过用户使用产品或某个功能的频次分析，确定用户习惯的健康程度。

通过频次分析来优化增长的思考方向可以从以下几个问题入手：

• 观察使用频次的分布规律，优化产品和运营策略
• 甄选高价值用户，并对应调整资源分配和运营策略。
• 针对不同渠道，用户特征的用户，对比使用频次分布情况，实时调整运营策略。

留存分析和频次分析，小编在之前的文章都有分享，在这里就不做过多的赘述了。

二、理解数据：梳理用户行为路径

梳理用户路径的意义：新项目开启时，需要明确北极星指标和增长模型，之后还需要进一步加深对用户和产品认知的颗粒度。需要快速结合产品功能、业务逻辑，梳理清楚用户行为路径，为后续的确立指标、数据埋点、数据分析奠定基础。

2.1.梳理用户行为路径的方法：

• 梳理核心路径：
• 根据北极星指标，构建转化漏斗。转化漏斗一般为设定的用户主路径。
• 细化核心路径：
• 将核心路径中加入更多的漏斗步骤，理想形态是拆到不能再细化为止。
• 加入其他重要路径：
• 梳理重要的产品功能和业务逻辑，描绘主漏斗之外的重要行为路径。找到路径之间的关系。

2.2.案例：某电商类APP

小编通过针对电商类的产品，简要分享一下如何梳理用户行为路径。

第一步：梳理核心路径

第二步：加入其他重要路径

第三步：输出用户行为路径图

三、监测数据：增长仪表盘

增长仪表盘是指通过数据指标来代表公司的业务漏斗，并实时监测公司的经营状况。可以通过仪表盘快速扫描各个重要的指标从而知道公司目前的经营状况的变化。

如果没有增长仪表盘，每次想要看指标，都要到各个看板去查询指标。无法及时发现某些出现异常的数据指标。而有了增长仪表盘不过可以解决上述问题，还可以通过纵观数据发现指标之间的相互影响，对比不同维度的关键指标。发现增长机会。

在有些公司中，产品可能仅是通过了活跃用户和新增用户的趋势来监测产品增长。这种情况可能无法准确的解释产品的增长态势变化情况和原因。因为新增活跃仅关注产品增长的拉新方面，无法全面监测产品增长情况。活跃用户数仅是一个结果，并不能清晰的显示新增、留存、流失的用户数量。那么如何更全面跟准确的监测产品的增长情况呢？这里可以用净增用户和净增指数来衡量产品的增长情况。

• 净增用户仪表盘：观大盘，评估用户增长的总体态势和健康度。
• 细分指标仪表盘：品脉络，监测所有对增长有影响的细分指标。

3.1.净增用户仪表盘：

净增用户仪表盘是通过显示用户流入、流出，和净增的情况，来把控产品的用户增长的总体态势和健康度。净增用户仪表盘通过净增用户和增长指数这两个个指标来全面真实的监测增长情况。

3.1.1.净增用户：计算真正净增加的活跃用户数。

3.1.2.增长指数：衡量公司增长是否健康。

• 增长指数 > 1：用户流入 > 用户流出，活跃用户正净增长。
• 增长指数 = 1：用户流入 = 用户流出，活跃用户达到峰值。
• 增长指数 < 1：用户流入 < 用户流出，活跃用户负净增长，即净流失。

3.1.3.搭建和应用净增用户仪表盘：

结合净增用户和增长指数，就可以搭建一个净增用户仪表盘。如下图所示：

• 用户流入：
• 新增活跃用户：本周首次活跃。
• 流失回流用户：上周不活跃，本周活跃。
• 用户流出：
• 流失用户：上周活跃，本周不活跃。

通过上图的净增用户仪表盘观察产品的增长态势，可发现以下问题：

• 好消息：该产品目前用户仍处于正净增长。增长指数月1.25。
• 坏消息：用户流失比较严重。1.25的增长指数意为着每拉回6个新增或回流用户，将流失5个老活跃用户。典型的拆了东墙补西墙的案例。

通过上述问题，制定解决方案的思路如下：

• 如果用户留存率低，思考产品是否没有达到PMF？是否还有提升留存的空间？
• 如果用户留存率不低，但流失用户绝对值大，是否是用户基数大，进入衰退期？

工作中时常会遇到将多个产品业务模块的用户活跃或新增趋势对比后，发现很类似，无法区分哪个业务趋势更好时，也可以通过对比这些业务模块的净增用户仪表盘的趋势来判断增长趋势。如下图案例：

在产品业务一与产品业务二的活跃用户新增趋势基本相同时，通过净增用户仪表盘的趋势对比可发现：

• 产品业务一的增长指数 < 1，已经出现净流失。
• 产品业务二的增长指数为1.2，仍处于正净增长，好于产品业务一。

3.2.细分指标仪表盘：

细分指标仪表盘通过是显示增长模型中所有关键细分指标来监测所有对增长有影响的细分指标。工作中常常备用与发现和解释异常情况、提升对业务的认知程度、针对目标业务进行下钻。

细分指标表盘主要有两个部分组成：

• 指标：
• 北极星指标；
• 增长模型中的指标；
• 关键细分指标和漏斗：关键路径、关键行为。
• 维度：用户的关键分群维度。
• 渠道来源；
• 新老用户；
• 设备类型、地域、性别等。

搭建细分指标仪表盘可以通过以下四个步骤完成：

这里小编通过模拟社交类产品的细分指标仪表盘来具体说明一下。

第一步：梳理用户路径

第二步：制定关键指标：

• 多种形式搭配：如数字，比例，变化量，趋势图，维度分解后
• 选一个合适的时间段
• 将指标和目标进行比较指标
• 指标最好有明确的负责人

第三步：添加分解维度

• 客户端：iOS, Android，网页
• 获客渠道用户性别
• 年岭组 ・所在地

第四步：组装增长仪表盘。

四、收集数据：制定埋点方案

制定数据采集方案是数据驱动用户增长的第二步。没有用户行为数据，数据颗粒度不够，也就难以发现业务指标变化背后的原因，从而难以发现增长线索。通过数据埋点追踪用户行为，可以用数据描述用户在产品中的行为轨迹，也构成了指标仪表盘和分析数据的基础。

增长团队经常面临的问题：

• 没有详细用户行为数据，无法进行比较细致的数据分析。
• 做过用户行为的埋点，但不准确，无法使用。不能满足分析需求。

埋点的目的是追踪所有的用户关键行为。

4.1.确定埋点数据指标：

常见的两种需要数据埋点的情况：

• 已有基本埋点，只需进行缺失的数据埋点。
• 如从头埋点采集用户行为数据：分级分步，由主到次。

埋点需要记录的信息：

• 行为本身（event）：用户做了什么操作？
• 行为的属性（property）：
• who：谁参与了这个行为（设备ID，用户ID等）。
• when：行为发生的时间。
• where：行为发生的地点。
• how：用户参与这个行为的方式（设备型号，版本号等）。
• what：根据行为类型，细化更多情况（商品名称、价格、数量、query词等）。

4.2.制定事件埋点方案：

制定事件埋点方案是产品运营的基本技能之一，这里小编就不做过多的分享了。简单总结几点埋制定埋点方案是常见问题：

• 埋点的常见问题一：思路不清，事无巨细。
• 问题现象：什么都想埋点，导致上线时间晚，且埋点过多对产品负担较大，影响用户体验。
• 避免建议：
  • 从重点出发：如从北极星指标，增长模型和重要问题出发，规划埋点计划。
  • 从问题出发：带着需要解决的问题和分析目标，通过数据解读进行埋点规划。
• 埋点的常见问题二：事件命名格式不统一
• 问题现象：同一个事件，存在多个名字。因为版本迭代导致前后版本命名不同等。
• 避免建议：统一规定事件结构和命名规范，做好文档管理，定期更新。
• 埋点的常见问题三：错过重要的事件或属性
• 问题现象：因为突发情况导致的某路径或环节数据异常，但未针对这个路径进行埋点。
• 避免建议：埋点前，从问题出发：想清楚为了回答哪些问题，要追踪哪些事件，事件需要哪些分支路径和环节。发现错漏后，逐渐补齐。

埋点方案常常分为前端（客户端）埋点和后端（服务器端）埋点两类方向。

前端埋点：主要是记录用户端操作行为，如点击事件，页面打开事件等。

• 埋点方法：通过客户端代码进行埋点。
• 优点：真实记录产品内用户行为和路径，不需要请求服务器数据。
• 缺点：不能记录业务结果，网络加载慢时，可能导致数据不完整，更新埋点时需要进行版本更新，界面视觉交互修改时，可能需要更新对应埋点。

后端埋点：主要记录用户特征变化及前端操作导致的业务结果，如付款成功，交易失败等。

• 埋点方法：通过从接口调用后端数据。
• 优点：实时性好，产品界面改变不需更新埋点。能够收集不在APP内发送的行为，记录最终的结果，数据相对更准确。
• 缺点：不能收集不需调用接口请求服务器的数据。例如用户的按钮点击事件。

4.3.埋点案例：

小编在此通过一个携程的登录页面埋点来简要说明一下如何埋点。

因对登录功能进行埋点，所以需要记录如下信息：

• 行为（event）：
• 注册流程各个节点的转化率。
• 第三方登录流程各个节点的转化率。
• 验证码登录流程各个节点的转化率。
• 密码登录流程各个节点的转化率。
• 密码找回流程各个节点的转化率。
• 用户从登录页面直接退出的点击次数
• 行为的属性（property）：
• who：用户设备ID，用户ID，用户使用的产品版本号，用户手机号的国家号段(国内，国外)。
• when：用户操作各个流程的服务器时间，用户登录成功的服务器时间。
• how：用户登录时的产品版本号。
• what：根据行为类型，细化更多情况（商品名称、价格、数量、query词等）。

五、综合案例分析：

小编通过携程的特价酒店这个业务模块来分享一下如果通过增长仪表盘找到业务增长机会。首先将参考数据（案例数据）进行可视化处理，得到特价酒店模块的转化指标细分仪表盘，如下图：

用户行为路径图：

将携程的特价酒店模块进行用户行为路径梳理可以得到以下路径。

5.1.寻找增长线索：

通过细分指标仪表盘的数据情况，可以发现一些数据异常的地方。具体如下：

• 搜索功能用户路径：
• 搜索结果页->酒店详情页转化率仅为21%，低；
• banner位用户路径：
• 酒店详情页->点击酒店预订按钮转化率为38%，较低；
• 开始结账->付款成功转化率为8%，很低。
• 猜你想去用户路径：
• 酒店详情页->点击酒店预订按钮转化率为30%，较低；
• 开始结账->付款成功转化率为20%，低。
• 路径转化对比：
• banner位用户路径的酒店详情页->付款成功的转化率最低。
• 业务路径占比：
• 业务渗透占比从高到底排序为：首页搜索 > 城市地标> banner位。
• 是否登录用户转化率对比：
• 未登录与已登录用户在【点击酒店预订按钮->开始结账】的转化率为53%和75%，差值22个百分点。根据路径分析，在用户点击酒店预订按钮时，判断该用户是否登录。

根据上述问题，总结可能的增长线索如下：

1. 在搜索路径中，搜索结果页->酒店详情页转化率仅为21%。流失了14200人，流失巨大。
2. 总转化中后，开始结账->付款成功转化率为31%，流失了2200位付费意向高的高价值用户，流失巨大。
• 在banner路径中，开始结账->付款成功转化率为8%。流失了920位高价值用户，占该阶段总流失的42%。
• 在猜你想去路径中。开始结账->付款成功转化率为22%。流失了780位高价值用户，占该阶段总流失的32%。
3. 在猜你想去的路径中，酒店详情页->点击酒店预订按钮转化率为30%。流失了3500位有明确订房意义的用户。
4. 用户点击酒店预订按钮触发开始结账的转化率，需完成登录操作的用户比不需要完成登录的用户低22个百分点。

5.2.制定增长策略：

5.2.1.搜索路径优化策略：

搜索结果转化率的低的原因可能是：

产品功能策略：

搜索结果并未满足用户的需求。

• 搜索query词分词算法不精确。
• 搜索结果排序算法不精确。
• 携程的酒店物料库内容不够丰富。

鉴于携程目前的产品阶段，优化难度：搜索结果排序优化 > 搜索词算法优化 > 酒店物料库丰富优化。因而这部分策略为优化搜索结果酒店列表排序算法。

运营文案策略：

搜索结果的酒店优惠价并未达到用户的心理预期价格。

• 酒店优惠价格超出了用户可承受的最高价格。
• 酒店的优惠差值(原价-优惠价)并未激起用户继续了解的欲望。

优化难度：提高优惠差值对用户的刺激 > 降低酒店优惠价格。

优化策略：在结果页显示酒店原价及优惠最大差值，通过视觉交互刺激用户完成下一步转化。

5.2.2.结账路径优化策略：

结账路径总体转化低的原因可分为两个方向进行分析：

产品功能交互：

1. 在点击酒店预订页的【去支付】按钮后，进入该页面需先选择支付通道后，再点击确认支付。
• 秉承着尽量简化主流程中的非必要行为的原则，在保障安全合规性的前提下，可将该操作优化为进入该页面默认选择上次支付的路径或推荐路径，减少用户流失的可能。
2. 部分进入该页面的用户离开后会浏览其他酒店，可能的用户存在比价行为的心理。
• 因而可在该页面加入【限时30分钟内完成支付】，通过为用户营造紧迫感的心理状态，刺激用户完成支付流程。

业务路径分析：

通过业务路径转化率对比漏斗分析图可发现：

1. 产品功能对完成支付流程的影响小于业务路径对其影响。
• 在酒店预订页、订单确认页、确定支付页产品设计完全相同的情况下，节点转化率因业务路径来源不同而差异较大。
2. 拥有明确酒店预订目标的用户完成支付流程的概率高于其他类型。即
• 使用搜索功能的用户完成支付流程的概率远高于通过banner和猜你想去查阅酒店信息完成支付的用户。
3. 通过点击banner进入触发支付流程并完成支付的用户转化率最低。可能的原因：
• 统计点击banner的用户特征，对这类用户根据地域，消费能力，出行次数等进行用户分群。对不同类的用户群进行定制化的banner详情页展示（即根据用户群围绕banner的推广主题，展示不同的酒店搜索结果）。

5.2.3.猜你想去的订单转化优化策略：

该功能的产品设计本质是基于酒店搜索功能，通过推荐的城市类query词引导用户进行快速搜索。该业务功能的订单转化率低的原因可能是：

• 提供的query词对应搜索结果与用户的查询需求不匹配。
• 提供的query词不精确，增加的搜索功能的用户使用流程，增加用户行为阻力，造成流失。
• 如用户原本需求是查询北京朝阳大悦城附近酒店。通过”猜你想去“的query词(北京)进入地标附近酒店页后，查看多个酒店详情页但并未找到满足需求的酒店，用户需要下翻页面或重新搜索才可获取精准结果。该流程中造成用户流失。

对应策略：

• 收集使用进入特价酒店的用户的用户属性和行为数据，对用户进行更精准的分群分析。并基于携程网的大数据推荐功能，对用户进行更精准个性推荐的地标query词。
• 因为该功能是搜索功能的延伸功能，而搜索功能的转化率远高于该功能，可将使用该功能用户群引导至使用搜索功能。可先通过A/B测试，对该策略进行测试。对比是否提高了特价酒店的整体订单转化率和付费转化率。

参考文章：

1. 万字干货：教新手从0到1搭建完整的增长数据体系（30图）