分析了3个实战案例,我找到了精细化运营的数据方法论

随着大数据的发展,互联网从业者一定意识到:数据对于一个优秀的可迭代产品的价值。产品与用户行为息息相关,而数据分析则让这些用户行为可以被量化,产生价值。基于数据驱动思维,做出产品决策,分析和优化用户体验,才能让产品迭代走向正确方向。

9月13日,DT君邀请到了数数科技CEO吕承通,带大家了解数据驱动实现方法,并通过3个实战案例解析数据分析如何影响产品核心指标。本文为其演讲实录。

▍什么是数据驱动?

首先和大家分享一个数据驱动决策的案例,让大家感受一下数据驱动的价值。下图是几个产品的DAU(日活跃用户数量)的折线图,可以发现并没有特别明显的规律。如果要对DAU进行预测,以指导业务的开展,该如何去做呢?

(图片说明:产品的DAU走势)

在这个案例中,需要决定要不要投放广告来达到PCU(最高同时在线)的KPI。首先对DAU进行拆解,每日登陆用户可以分为三类:昨日留存用户、今日新进用户和之前流失的用户,同时还有一部分用户流失,一进一出就导致了DAU的波动。

(图片说明:日活用户拆解)

从下图中的表格可以看出,新进用户留存会随着时间衰减,形成曲线的走势。

(图片说明:新进用户留存随时间递减)

下图是留存曲线模型,这是一个幂律分布的模型,a为常数,系数b为负数,定义为新进留存系数,b值越大留存情况越好。b值与产品品质、用户质量和运营活动相关。

下图是新进留存系数b值的走势,每次b值有大波动的时候,是新版本发布的时候,后面在做拉小号的活动的时候,b值呈现下降的趋势。

在这个案例中,根据新进用户留存模型,推算出要达到PCU 50万的话需要连续两周每天8万的新进用户数,最后评估下来预算太少,因此放弃了广告投放计划。这就是一个通过数据驱动来规避风险的案例,通过科学的数据分析来一步一步归因,去推导应不应该做这件事,这就是数据驱动的价值体现。

▍如何实现数据驱动?

从《增长黑客》这本书上市以来,国内掀起了一股数据驱动的热潮。很多公司都开始组建增长团队,去找到业务的增长点。要实现数据驱动有一些需要重点关注的点。比如,产品跟市场的需求匹配是数据驱动的根基。这个根基如果不成立,数据驱动就很难成立。另外,在产品的不同阶段制定不同的北极星指标。北极星指标可以让整个团队围绕一个核心目标来定制策略,集中兵力做一个指标的增长。

(图片说明:数据驱动的几个关键点)

接下来和大家分享一个提升产品留存的案例。

如何提高产品留存是大家比较关心的问题。提高产品留存通常有三种方式,第一种方式是产品的结构性优化。要通过数据分析去找到整个产品在核心转化流程上面是不是有问题;在用户体验上面,比如说新手转化,新手引导的过程是不是有不合理的地方?加载时间是不是过长?前端是不是有闪退影响用户体验?

第二种方式是用户运营,最常见的是运营活动和成长激励体系。比如激励体系中,用户使用的时间越长,越容易留下来。比如说前段时间美团推出打车服务,滴滴的用户没有任何忠诚度,换到美团上面也没有任何成本。因为滴滴没有去做用户成长的激励体系,比如说滴滴应该给用户划分等级,比如说打了多少公里的车,应该是什么等级的用户。然后每个等级又有相应的一个回报,有相应的激励可以兑换,或者是能够打折,这样用户使用的时间越长,就绑定得越紧,这就是成长激励体系的一种套路。

最后一种方式是用户流失预警与召回,也就是通过产品的优化和运营手段来干预用户的流失。用户流失之后,需要尽可能通过数据分析的方式找到用户流失的原因,然后做预警,预测未来哪些用户将要流失,并且提前做干预。另外就是对流失用户的召回,如何针对已经流失的用户制定召回的策略,如何奖励,如何触达他们。

接下来分享一个实战案例。某游戏产品想通过运营活动来提升用户的留存,属于第二种方式。这个游戏的DAU是5万左右,平均用户开局数是20局左右,大于十局的用户数占比45%,大于七局的用户数占比50%。活动目的是要通过提升开局数来提高用户的留存,因为开局是整个产品的核心价值和核心体验。

首次方案是每十局抽一次奖,每天最多可以抽六次,平均每个人每次抽一次送出2000金币。我们通过数据分析做了一次改进,改进后的方案是每7局抽一次奖,每日可抽六次,平均每人每次送出是2500的金币,同时提高了中、高局场的服务费,因此实际上每人每次送出的金币是大概是1800左右,降低了成本,同时也把抽奖的门槛降低了。

(图片说明:改版后的效果)

活动方案改版后的效果是参与活动的人数有明显提升,增加了1950人,参活用户占比从26%提升到了30%,覆盖到了更多用户。同时,参活用户平均抽奖次数从3.8次提升到了4.6次,平均开局数提升了15次。

▍重视用户反馈数据

产品设计和活动运营过程中不要忽略用户的反馈数据。如果产品用户的基数比较小的话,可以直接跟用户交流,做调查问卷或CE。如果产品用户基数比较大,这种调查效果会打折扣。如何分析海量的用户反馈数据,既科学客观,数据量又能全面?我们提供了一个平台来做这个事情,会把外部的数据全部通过爬虫的技术抓回来,再通过文本挖掘的算法分析用户在说什么。

(图片说明:用户反馈数据)

比如情感识别,就是判断用户在反馈的时候是正面还是负面的内容。话题检测是判断用户在讨论什么内容,突发问题预警是判断产品是不是有突发的问题,然后还有反馈监控,可以监控到用户的不良言论的反馈,最后整体做成了一个产品口碑分析的解决方案。

原文发布于微信公众号 - DT数据侠(DTdatahero)

原文发表时间:2018-09-27

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏PPV课数据科学社区

怎么培养数据分析的能力?

答案一: 先从问题本身来回答一下,培养数据分析的能力,简单说就是 理论+实践 理论:是进行分析的基础 1)基础的数据分析知识,至少知道如何做趋势分析、比较分析和...

35960
来自专栏AI科技评论

吴恩达解读百度大脑:人工智能到底能为我们做些什么?| 百度世界2016

雷锋网2016年9月1日消息,百度世界2016在京举行。大会上百度首席科学家吴恩达解读了百度大脑的四大能力和百度深度学习平台,并且宣布这个月会把百度深度学习平台...

35680
来自专栏大数据文摘

Airbnb数据科学团队进化论:如何由内而外实现数据驱动

23530
来自专栏PPV课数据科学社区

BI到AI——隔一个数据科学平台的距离

1 什么是BI? Gartner:Business intelligence (BI) is an umbrella term that includes th...

44770
来自专栏CSDN技术头条

你可能遇到了”假“的数据科学家

近十年来,“数据科学”和“数据科学家”备受争论。对于哪些人可以被称为是“数据科学家”,争论不休,你很有可能遇到了”假“的数据科学家。 我们最后达成一致:只要取得...

22080
来自专栏数据猿

利用大数据精准营销,给消费者一个选You的理由!

【数据猿导读】大数据是社会科学重要的进展,但企业要精准抓住未来,经理人要拥有更好的决断力,还是要基于对不同人、不同性的理解,而不仅是科技工具的使用而已。

11110
来自专栏华章科技

6个用好大数据的秘诀

  就算一个公司拥有再多的数据,也不能代表它就一定会获得商业上的成功。只有真正懂得如何利用大数据,了解到公司利用大数据可以达到什么目标,公司最终才有可能真正成...

7210
来自专栏程序员笔记

迭代吧,游戏原型!

22360
来自专栏PPV课数据科学社区

数据科学家、数据分析师、数据挖掘工程师、数据工程师,你分的清楚吗?

数据科学家(Data scientist)的叫法来自国外,广义上它是对从事数据分析和数据挖掘从业人员的一个泛称,它只是一个头衔,并不是一个职位。狭义上,数据科学...

57980
来自专栏架构之美

机器学习的平台化发展趋势

机器学习在经过近些年的野蛮生长之后,其有效性已经被无数成功应用所验证,在这一点上已经不需要更多证明。

17750

扫码关注云+社区

领取腾讯云代金券