【数据说第十三期】数据驱动业务增长的底层逻辑

【写在前面】

前面梳理交流了如何通过分析“新增”、“活跃”、“留存”等数据，本季主要深挖用户表面行为的背后真实、本质的需求，全面视角的分析产品的用户行为数据，展现驱动业务实现增长的经验、案例以及方法论。

那么，作为本季最后一期，来梳理交流一下以数据驱动业务增长的底层逻辑。来这片自留地，一起探索交流运营与数据的魅力所在。

数据驱动业务增长的底层逻辑

所谓的“数据驱动业务增长”是以企业产品业务线海量数据的收集、存储、可视化、分析、挖掘作为核心支撑的，全体业务线人员参与的，以精准、细分和精细化为特点的运营战略。即针对运营、产品、市场、客服等部门的运营数据，通过可视化、可量化、可细化、可预测等一系列数据分析方法论以及理论、经验等来进行业务分析，挖掘业务增长点。

具体的主要以“产品以及官网流量数据分析、目标用户行为数据分析、目标用户群转化分析、活动营销策划推广数据分析、用户画像数据分析、产品功能优化迭代、竞争调研以及监控数据分析、渠道效果分析等”。

而面对海量的数据，还是有很多人不知道从如何着手、如何开展，如何得出结论。下面梳理探讨一下“数据驱动业务增长”的底层逻辑思维，希望在数据驱动业务增长的实际应用中能给大家扩展一下思路。

01

那么，首先来看一下何为“底层逻辑”呢。

底层逻辑，广义上关于某种事物的认知，狭义上对于具体到某个产品的规则。在《底层逻辑》这本书里如是写道：所谓底层逻辑，就是从事物的底层、本质出发，寻找解决问题路径的思维方法。底层逻辑越坚固，解决问题的能力也就越强。

其实当我们在思考问题时，首先的核心切入点，从这个点开始思考所作出之后的决定，当围绕着底层逻辑思考时，做出的决定才是和初心一致，最贴合内心的，也是真实的人性反馈。而在商业系统里的定位就是从底层逻辑为思考核心。比如腾讯，在早期，它的底层逻辑就是创造一个可以让人与人交流的软件。从这个逻辑上确定的定位就是“连接”。连接人与人，连接人与物，连接物与物，连接世界就是从这个底层逻辑上生发出来的商业路径。

也可以说，底层逻辑是事物基本的驱动力。（在这里不做详情探讨，只要了解底层逻辑的概念）

02

接下来，我们来看一下以数据驱动业务增长的3个底层逻辑。

★底层逻辑一、数据分析基本步骤

所有数据分析都应该以业务场景为起始思考点，以业务决策作为终点。都绕不开是多少、是什么、为什么、会怎样、又如何。基于此，数据分析的五个基本步骤：

第一步，首先挖掘业务含义，理解数据分析的背景、前提以及想要关联的业务场景结果是什么。

第二步，需要收集整理数据，梳理用户行为路径。

第三步，从业务场景中拆分出需要的数据，将数据可视化，落地分析原因。

第四步，从数据结果中，判断提炼出业务洞察，预测可能会发生的结果。

第五步，根据数据结果洞察分析，最终产出业务决策。

例如，互联网hr考勤类网站，渠道运营在百度和 360搜索上都有持续的广告投放，为官网引流。最近领导建议尝试投放神马搜索渠道获取流量；另外也需要评估是否加入知乎、今日头条进行深度广告投放。

在这种多渠道的投放场景下，如何进行深度决策？我们按照上面数据分析流程的五个基本步骤来拆解一下这个问题。

第一步：挖掘业务含义

首先要了解渠道人员想优化什么，并以此为北极星指标去衡量。对于渠道效果评估，重要的是业务转化：对hr考勤类网站来说，是否“创建企业”要远重要于 “访问用户数量” 。所以无论是神马移动搜索还是知乎、今日头条渠道，重点在于如何通过数据手段衡量转化效果；也可以进一步根据转化效果，优化不同渠道的运营策略。

第二步，梳理用户行为路径

以 “创建企业” 为核心转化点，分配一定的预算进行流量测试，梳理用户下载激活到创建企业的行为路径，观察对比注册数量及最终转化的效果。通过埋点，持续关注创建企业数量，进一步判断渠道质量。

第三步，从业务场景中拆分出需要的数据

将数据通过漏斗图可视化，需要比对渠道流量，以及各个渠道追踪流量、落地页停留时间、落地页跳出率、网站访问深度以及订单等类型数据，进行深入的分析和落地。

第四步，提炼业务洞察，预测可能会发生的结果

根据数据结果，比对神马搜索、知乎、今日头条投放后的效果，根据流量和转化两个核心KPI，观察结果并推测业务含义。如果神马移动搜索效果不好，可以思考是否产品适合移动端的客户群体；或者仔细观察落地页表现是否有可以优化的内容等，需找出业务洞察。

第五步，根据数据结果洞察分析，最终产出业务决策

根据数据洞察，指引渠道的决策制定。比如停止神马渠道的投放，继续跟进知乎、今日头条进行评估；或优化移动端落地页，更改用户运营策略等等。

★底层逻辑二、内外因素分解法

在数据分析的过程中，会有很多因素影响到业务指标，那么如何找到这些因素呢？在此向大家推荐内外因素分解法。内外因素分解法是把问题拆成四部分，包括内部因素、外部因素，然后再一步步解决每一个问题。

a：内部因素：可有为获客（渠道质量低、活动获取非目标用户）、满足需求（新功能改动引发某类用户不满）、提活手段（签到等提活手段没达成目标、产品自然使用周期低导致上次获得的大量用户短期内不需要再使用等），新手上手难度大、收费不合理、产品服务出现重大问题、活动质量低、缺少留存手段、用户参与度低等等；

b：外部因素：可采用PEST分析（宏观经济环境分析），政治（政策影响）、经济（短期内主要是竞争环境，如对竞争对手的活动）、社会（舆论压力、用户生活方式变化、消费心理变化、价值观变化等偏好变化）、技术（创新解决方案的出现、分销渠道变化等）、以及市场、竞争对手、节假日等。

这里也需要注意区分哪些因素为可控和不可控的。

例如，内容付费网站，其盈利模式一般购买广告位等。运营人员发现了， 作者“发布文章” 的篇数，在5-6月份有缓慢下降的趋势。对于这类某一数据指标下降的问题，可以怎么分析呢？

根据内外因素分解法可分为 。

内部可控因素：产品近期上线更新、市场投放渠道变化、产品粘性、新老用户留存问题、核心目标的转化。

外部可控因素：市场竞争对手近期行为、用户使用习惯的变化等。

内部不可控因素：产品策略（移动端/PC端）、公司整体战略、公司客户群定位（比如只做大数据方面的技术类文章）。

外部不可控因素：互联网行业趋势、整体经济形势、季节性变化。

有了内外因素分解法，我们就可以较为全面地分析数据指标，避免可能遗失的影响因素并且对症下药。

★底层逻辑三、拆解思维

拆解思维是从一个具体问题拆分到整体影响，从单一的解决方案找到一个规模化解决方案的方式。

例如，某在线教育平台提供免费课程视频，同时售卖付费会员，为付费会员提供更多高阶课程内容。如果我想将一套phython技术的付费课程，推送给一群持续在看 C++ 免费课程的用户，那么数据分析应该如何支持呢？

我们按拆解思维的四个步骤，分解如下：

具体问题：预测是否有可能帮助某一群组客户购买课程。

整体影响：首先根据这类人群的免费课程的使用情况进行数据分析、数据挖掘的预测，之后进行延伸，比如对整体的影响，除了计算机类，对其他类型的课程都进行关注。

单一回答：针对该群用户进行分析，监控最终转化的影响。

规模化方案：之后推出规模化的解决方案，对符合某种行为轨迹和特征的行为进行建模，产品化课程推荐模型。

03

总之，数据驱动业务增长是一个厚积薄发的过程，需要日常业务工作中要做好数据收集、数据清洗、数据监控、数据可视化分析、数据产出在内的每一个环节。

而在产品业务线不同的生命周期阶段，其增长内核各不相同：

引入期：产品驱动，通过用户行为数据，优化产品迭代。

成长期与成熟期阶段：渠道驱动，通过渠道数据，筛选优质渠道。

衰退期：品牌驱动，通过内容数据，设计出有效的营销策略。

但不同生命周期阶段的都有数据产生，通过数据来挖掘业务的潜在价值，且通过分析来发现业务的第二增长曲线。所以，以数据为驱动更是成为产品业务线增长的运营战略，只要找到合适的方法，就一定能破解出数据背后的真正含义，为增长赋能。

本期扩展 数据运营小白木兮

SMART原则（用于制定目标）

1. S代表具体(Specific)

指工作指标要具体可评，不能笼统。例如我们制定YY语音基础体验的产品目标，如果是提升产品体验，则不够具体，每个人的理解不一致，当时我们的基础产品目标则是提升新用户次日留存，则非常具体。

2. M代表可度量(Measurable)

指绩效指标是数量化或者行为化的，验证这些绩效指标的数据或者信息是可以获得的；提升新用户次日留存率，则需要给出具体的数值。

3. A代表可实现(Attainable)

指绩效指标在付出努力的情况下可以实现，避免设立过高或过低的目标；新注册用户的次日留存率，也不是拍脑袋得出的，当时我们基于YY新用户次日留存率的历史数据和游戏用户的新注册用户留存率的行业参考数值，制订了一个相对有挑战性的目标，从新注册用户次日留存率从25%提升到35%。

4. R代表相关性(Relevant)

是与工作的其它目标是相关联的；绩效指标是与本职工作相关联的；新用户的次日留存率，和用户行为息息相关，例如用户对语音工具的认可程度，用户对YY平台的内容喜好程度等，所以新用户的次日留存和产品的性能、内容受欢迎程度有较强的相关性。

5. T代表有时限(Time-bound)

注重完成目标的特定期限。