用户行为数据是在互联网时代，能够帮助我们理解和认知用户的一个基础；首先我们运营是以用户为中心的，但是从用户分析的角度来说，主要是有两大模型： 第一种是大家知道的比较多的「页面分析模型」，在国内主要以友盟和百度统计为代表；围绕着页面跳转的情况，然后进行数据采集，帮助我们去分析；这就会有新的问题——我们无法得知用户到底是因为什么样的原因，停留在这个页面上，同时也不能非常精确地还原用户的所见所得；所以说这样的页面分析模型不够细致，也不够灵活。 那第二种就是基于用户认知的行为事件分析模型，相对于页面分析，用户行为分析模型对数据采集的全面性和灵活性更强。
我们平常做运营的时候做过很多事：做活动、做内容、围绕拉新促活这些业务目标去设计文案、针对性的设计一些活动push给用户；我们还需要去讲究很多的运营方式，从人性的角度设计不同的运营策略。 总之我们做的这些事情，是希望用户能够认可产品，认可我们运营的价值；但是我想问的是——大家是否知道我们做过的这些事和我们的预期是不是一样。 针对这个问题，我们先来看看评估运营效果所需要的数据，通常我们会看累计使用的用户量、活跃量、留存、停留时长等都是我们常见的一些指标。 那你们可能会问了，对啊平常我们做那么多事儿不就是为了让这些数据能够变好吗？这些数据变好就证明我们的业务在蒸蒸日上， 所以我说这些指标是正确的，是有价值的；但是问题就在于用户是真的认可你做的事情后才表现出你期望的这种数据特点吗？ 再举个简单的例子， 一个APP的推送它可能带来了一波活跃用户，那这个活跃用户到底是觉得推送特别及时，特别应景，我进入产品以后而得到了我想要的东西；还是看到后觉得特别心烦，觉得被骚扰了，点进去后看了一眼产品，就把app卸载掉了。 所以我们的重点是在运营过程中至少要花特别大的精力把目标放在过程中，我们需要以正确的路径达成数据指标，不论是OKR也好或者是目标也好，我们的关键点在于要以正确的路径去达到。 那如何知道我们做的事儿是否走在正确的道路上？需要通过用户在页面上的一些行为，点赞 、关闭、投诉还是离开应用，来评估我们这个路径是否是正确的是否是达到预期的。 我来讲一个案例，这是一个真实的案例，背景是一个内容类的产品： 有一天呢，他们的内容运营非常急迫地来找我说，他们一直以来有一个监控的指标，叫首页头条的阅读转化率，最近这个转化率下滑了，他们做了很多方案很多事儿都没有好转；但是从整体产品的健康度来看的话，也有用户增长，留存也有小比例的上升。 从这个角度来看， 用户应该是比较健康；所以他们现在就特别矛盾，这几个数据放在一起就搞不懂了，用户是活跃的，那为什么阅读转化率就持续走低。 作为一个内容类的产品，用户不在这看内容不去阅读的话，用户都去干啥了？ 这个时候大家会有一些猜测：比如说是不是被一些抽奖的活动纷纷引流到交流区；或者是头条的题目写得不够吸引人；再或者社区群里面有一些掐架的，所以大家没空去看头条等等；至少是不知道哪个是真正的原因，从而也没法针对性地做调整。 问题来了，那我们需要什么样的数据和分析能力呢？我当时在客户现场用他们的电脑做了一个半小时的分析，大概把逻辑给大家说一下。 首先我们定位问题的核心在哪，通过刚才描述，我们可以得知最核心的问题在于首页头条的阅读率下降了；那么好，在这个时候我就先去看阅读文章事件的一个基本统计情况，先排查头条的质量是不是真的有问题；但是我发现人均阅读量并没有降低，而且按照之前调整内容的这个时间节点来看还有所起伏，那就证明内容制作的方法和内容的质量是没问题，得到了用户的响应。 那些没有阅读头条的用户他发生了什么呢？ 这里可能有一点我要再细致的说一下，为什么我就得出结论说没有阅读头条的用户发生了什么？什么是人均阅读量？人均阅读量是指阅读过文章的用户，就是说——用户的阅读总数量除以阅读过文章的用户；如果人均阅读量并没有降低，证明看文章的，这些人还是在认认真真看文章，他是能被你吸引。 既然这样阅读的转化率降低了的话，唯一可能的来源是在哪呢？ 说明没有阅读头条的用户可能变多了，他拉低了整个的转化率；所以我把问题定位到了没有阅读头条的用户，这个时候我就可以通过用户分群功能，把触发头条这个事件作为一个条件，去拆分出来做两个分组。 我可以把阅读头条次数大于等于一的用户建一个叫阅读过头条的用户群；再以触发阅读头条次数等于零为条件建立一个没有阅读过头条的用户群，然后就可以把这两个用户组放在一起进行对比。
通过用户画像，我对这两种用户的新增时间、地域、渠道来源、版本等等，包括一些产品里关键的一些行为，比如点赞、评论、私信这些行为都做了一个对比。
最后我发现这些没阅读过头条的用户，其实整体从行为上都不活跃，他们在文章的点赞、私信这些上面也都不够活跃；最后我把问题锁定在了一个新增渠道，我叫他a渠道。 这个渠道似乎有问题，没有阅读过头条的这些用户大多都是最近七天从这个渠道a来的。 我就根据这些做出了一个猜想：是不是a渠道的用户质量有问题，我将近七天a渠道的用户再做一个分组，还是按照刚才那个分群规则，把a渠道做分组；然后和所有用户的平均情况做一个对比，对比他们的头条转化率，可以发现a渠道的平均值要低很多；那我现在就可以认定一个假设，就是a渠道的流量质量确实比较低。
这时候可能有人会问了，他们挺活跃的呀，他们留存也好活跃也好，为什么你还说他们的质量低呢？ 我们做任何一个产品都是有目标的，否则就不是我们做产品的初衷；这种事儿每个家公司都或多或少都遇到过，一直以来大家都很被动；所以当时大家看到这个结果以后也觉得很沮丧，没想到折腾了半天以为是内容出问题，但其实最后出现在这个渠道上面。 大家就检讨，用这种留存、停留时长去评估一个渠道有点不靠谱，以后还需要把对关键行为触发的这些条件也都一起加上；其实大家可以看到，我在整个过程中用了非常多的分组，分组就代表着做分析的一个很本质的方式——对比，根据对比做分析非常底层，但是绝对有效的一个分析手段。 总结一下，就是说数据的本质是场景还原，这是数据背后最大的一个价值；毕竟我们是永远无法真正陪伴着用户，很难一点一点的观察用户的行为；而且说实话你就算陪在用户旁边看他的使用场景，所体现出来的行为并不一定会是真实的行为。 而数据其实就相当于帮我们开了一个上帝视角，我可以把所有用户的情况都记录在案，还可以通过统计学的方法，呈现数据的趋势；那数据方面的需求，我们需要以用户为中心，最重要的是要对数据能够灵活拆分，并进行一些分析；如果运营人能获得满足这些需求的数据，那我相信必将能提升每个运营同事的效率，我们的精力也会专注在最有价值的事情上。 |
京公网安备 11010602105141号
