Fork me on GitHub

火山引擎增长指标体系构建及分析实践

以下文章来源于 https://zhuanlan.zhihu.com/p/643624248

导读 本次分享主要围绕火山引擎增长指标经验和实践案例,为大家介绍:

全文目录:

  1. 增长分析基本方法论
  2. 如何构建增长指标体系
  3. 如何用增长分析实现指标分析闭环
  4. 增长分析新型指标分析场景

分享嘉宾|徐云飞 火山引擎 增长分析产品专家

编辑整理|江新 蔚来汽车

内容校对|李瑶

出品社区|DataFun



01

增长分析基本方法论

1. 用户增长的数学模型



在抖音、今日头条等产品的增长团队中,我们非常关注用户规模的增长,在指标上主要关注代表活跃程度的指标,例如日活跃用户数(DAU)和月活跃用户数(MAU)。

我们通过数学模型来思考DAU、MAU包含的因素。从用户生命周期的角度来看,用户大致会经历潜在用户、新增用户、活跃留存、流失和被召回这几个阶段,如图中所示的蓝色部分。因此,某日或某月活跃用户的组成主要包括三个部分:

  • 新增用户:以日为粒度,包括当日新增的用户。
  • 老用户留存:过去的老用户留存下来的部分。
  • 流失用户召回:从流失用户中召回的用户。

用数学语言表示就是总活跃用户等于新增用户加新客留存再加老客留存。之所以要将新客和老客拆开来看,是因为它们在特质上存在差异。对于新客,我们更关注冷启引导,帮助他们发现产品的关键价值;而对于老客,更关注持续挖掘产品价值。

2. 用户增长的理论模型



关于用户增长,有许多理论模型,如众所周知的海盗模型,以及Argo模型、增长飞轮等。这里将以海盗模型为例,因为大家对它的认识相对充分,更容易理解并切入主题。在海盗模型,增长工作划分为五层漏斗,分别是拉新、激活、留存、变现和推荐。每一层都有相应的工作:

  • 拉新:常用手段包括投放(如信息流投放、品牌广告投放等)、线下推广、用户流程优化(如优化落地页、注册登录页等)。
  • 激活:引导用户发现产品价值,触发关键行为。
  • 留存:通过产品手段(如推送、短信等)提升活跃度,冷启保护新用户,提供客户服务解决问题。在这一层,用户激励机制设计和产品优化密切相关。
  • 变现:常见手段包括版权付费、增值服务付费、广告变现和虚拟币充值等。
  • 推荐:经过前四层后,用户充分体验产品,此时希望发挥老用户的社交背书作用,实现裂变,拉新更多用户。常见手段包括发放代金券、红包奖励,鼓励用户分享,或在产品上引导用户主动分享。例如,在音乐产品中,当听一首歌超过段时间后,分享按钮会变成动效,引导用户分享。


海盗模型是一个典型的流量红利的思维,它的想法是只要能最大化流量的开口,并能减少逐层的损耗,就能取得不错的增长收益。但现在流量红利已经消退,因此海盗模型有一个变形和改良的版本叫RARRA。RARRA重点就是把留存和激活放到了比较开始的位置,它侧重于存量客户用户价值的挖掘。它的做法是最大限度去优化流量的收口,围绕用户的粘性和裂变去把用户的价值做厚。

3. 按照分工重新组织一下增长工作



按照分工重新组织增长的工作,拉新、激活、留存、变现和推荐是一个横向的展开,纵向包括产品、运营、广告这样的分工。每一个角色在不同的环节都有相应的动作。

02

如何构建增长指标体系

1. 北极星指标



北极星指标,也称为唯一关键指标(One Metric That Matters, OMTM),是当前阶段最重要的衡量业务状况的指标。选择这个指标的原因是,围绕这个指标,我们可以确保以终为始地看待业务,指引方向,让团队成员的力量统一。此外,围绕这个指标,我们可以更明确地确定任务优先级,确保资源集中。

北极星指标的选择方式有很多种,可以结合当前业务阶段关注的内容。例如,反映产品体验,我们可能会关注与产品价值相关的关键行为;反映用户活跃,我们可能会关注DAU和MAU;反映公司经营状况,我们可能会关注总营收或GMV等。重要的是,这个指标必须与业务核心竞争力对齐,具有全局性、代表性和可操作性。

北极星指标并非唯一。业务的动态性和各个环节(如用户获取、激活、留存、变现等)都会有自己的北极星指标。只要这个指标能帮助团队聚焦在当前阶段最大杠杆的领域,那它就是一个好的北极星指标。

有了北极星指标,我们就有了拆解的对象。接下来,将重点介绍几种常见的拆解方法。

2. 指标分级



指标分级主要是对指标内容纵向的一个思考,根据企业的战略目标、组织和业务过程进行自上而下的拆解和分级,主要包含三个层级,T1战略层、 T2策略层、 T3执行层。T1主要用来衡量公司整体目标的达成情况,通常服务于公司的战略层;T2主要是达成T1的目标,对T1目标拆解到业务线或事业群,并且有针对性地做出一系列的运营策略的指标;T3主要是指导一线的运营人员和分析人员开展工作的偏过程性的指标,可以指导一线人员做出相应的动作。

3. 指标分解:OSM x UJM x场景化



指标分解有几个好用的模型。一个是OSM,一个UJM,还有一个就是场景化,这三个组合起来就是把指标拆解的过程结构化、流程化、模块化。这样拆解可以让我们很清晰地理解当前指标的情况。

4. OSM:适合以终为始拆解目标场景



OSM的中文意思是目标、策略、度量,比较适合有一个明确目标,而且需要把执行的策略拆解出来,然后配上相应的度量的指标这样一个场景。

以MAU增长为例,我们可以将其作为主要目标,并根据策略拆分为几个模块:新用户增长,召回用户增长,新用户留存增长,以及老用户留存增长。接下来,我们需要具体度量每个模块的增长。例如,新用户增长可能通过投放和渠道活动拉新,对应的度量是拉新总用户数。召回用户增长可能通过推送召回,对应的度量是流失用户召回率。新用户留存增长关注次日留存情况,可能通过人群保护等措施实现,对应的度量是新用户总人数和新用户次日留存率。老用户留存增长可能通过引导、帮助用户找到留存抓手等做法,对应的度量是老用户总人数和老用户留存率。

通过从目标到策略到度量的拆解过程,我们可以将总体目标指标(即北极星指标)拆解为具体可执行的指标。因此这个模型比较适合以终为始的目标拆解场景。

5. UJM:适合有明确使用&执行链路的场景



UJM模型,即用户旅程(User Journey Map)模型,主要是横向拆解用户在产品中的操作和访问链路,适用于具有明确使用和执行链路的场景。

以投放拉新为例,MAU增长中包含新用户增长,而新用户增长的一种常见方式是广告投放。在这个过程中,我们可以拆解广告投放的业务流程:首先是广告投放,然后用户看到落地页并对其感兴趣,接着点击查看,之后下载APP,安装,注册,登录并体验产品功能。通常情况下,当用户完成这一系列操作后,我们认为用户已经激活。当然,不同业务场景下对激活的定义可能有所不同,但基本都需要经过安装、注册、登录等流程。

根据UJM模型,我们可以针对每个环节分别关注相应的指标。例如,在落地页曝光环节,我们需要关注日新增用户数、ROI展点销、落地页曝光次数等核心指标;在查看APP下载和安装环节,我们关注落地页点击人数、曝光点击转化率、APP下载人数、APP安装人数等;在用户注册环节,我们关注注册人数、总人数、注册成功率等;在用户登录环节,我们关注用户登录成功的总数;最后,在体验产品功能环节,我们关注功能渗透率和功能使用人数等。

需要注意的是,注册和登录环节的设计流程实际上会影响其转化率,所以这两个环节需要分开考虑。

6. 场景化



最后一个重点是场景化分析。在前面提到的OSM、UJM的基础上,我们需要面向具体业务场景进行拆解。场景化分析之所以重要,是因为我们在日常增长相关工作中,需要将目标和指标体系限定在明确、具体且可执行的范围内,以便让指标体系更加落地。例如,针对视频产品,我们可能需要优化投稿链路以提高投稿率。这类细致的场景才是我们大部分工作的实际应用,而不是接分析企业战略层面的目标。大部分场景实际上是模块化的。例如,优化产品拉新能力时,我们需要关注落地页转化率并进行提升;优化注册页时,我们关注注册成功率并进行提升。此外,我们还需要减少核心链路转化的阻碍,优化注册登录、激活链路、付费链路、分享链路等,并提出具体的业务策略。在提升留存率方面,我们需要引导用户达成魔法数字。

总之,在具体场景中拆解和分析指标,能使我们的工作更加可执行。这是构建增长指标体系时的两个关键点之一。

03

如何用增长分析实现指标分析闭环

1. 指标设计和交付流程



在指标设计和交付的程中,通常的步骤包括:业务方提出指标建设需求,需求提交给产品经理或分析师,设计埋点并提交给研发工程师进行开发和验收,上线后将需求提交给数据仓库工程师开发相应的中间表或底层数据模型。接下来,分析师或数据产品经理对中间表进行验收,主要通过SQL来验证终结表是否符合要求。最后,将结果交付给业务方,通常由分析师或数据产品经理完成。

在整个开发链路中,每个环节至少需要1到2天,整个周期可能在一周到半个月之间。这样的流程较为繁琐,我们是否有办法缩短流程并提高效率?实际上,我们可以在埋点开发验收完成后直接得到交付结果,例如查看Excel或报告。有一款工具可以实现这一需求,接下来我们将介绍这款名为"增长分析"的产品。

2. 依据指标体系设计埋点



在指标设计和交付过程中,埋点设计起着关键作用。在增长分析产品中,底层使用了EUI模型,主要包括三个部分:事件、用户和物品。描述用户行为时需要关注几个关键要素:谁在何时、何地做了什么事,以及如何完成。通常使用事件模型来描述,记录关键信息。此外,还需关注用户属性,如地域、性别、新老以及注册时间等。物品表则用于描述与事件相关的多个属性的集合,如商品属性等。以购物为例,事件表中可以描述用户在某天购买了iPhone手机、Airpods和Apple Watch等多个商品。为了更好地管理和维护这些商品属性,可以将其归入物品表中。这样做有两个好处:一是表结构更简单;二是在不影响原有数据的情况下,可以更改物品属性。

总之,在增长分析和行为分析产品中,EUI模型可以根据指标拆解到用户行为。例如,如果我们要查看浏览商品详情页的用户数,我们需要将浏览商品详情页视为一个事件,并在事件中记录关键信息,如商品名称、品类等。同时,我们还需要关注特定用户属性,例如某次活动拉新过来的用户。通过将这些信息与事件、用户、物品属性相对应,我们可以根据所需指标进行埋点设计。

3. 覆盖数据全链路的产品能力



增长分析这款产品的核心能力可以分为四个方面。

第一个是数据采集,这是埋点的关键所在。

第二个是数据管理,即在数据采集之后,需要对源数据进行管理、整合,实现匿名和实名的统一,以及进行ID Mapping等工作。

第三个方面是数据分析,主要针对指标分析场景,通过各种分析模型快速获取所需指标结果。例如,如果想要查看留存并提升留存,可以使用留存模型快速配置出当前用户的留存率、功能留存率和产品整体留存率等。

最后一个方面是数据开放,即将这些结果同步到自有数据仓库中进行查看与其它系统进行对接。目前,市场上讲究用户全链路分析和用户旅程分析,因此需要将增长分析采集的行为分析数据对接到CDP产品、ABI产品和GMP产品等。

(1)数据采集



在进行埋点时,我们需要相应的SDK来采集数据。目前市场上的SDK覆盖范围较广,涵盖了iOS、安卓、小程序、Web JS等各个端,以及服务端和前端的第三方框架。常见的埋点方式包括代码埋点、全埋点以及可视化圈选埋点等。另外,我们还可以将业务系统和第三方数据对接到我们的分析中。这些数据可能来自广告数据、活动数据、历史数据以及客服系统等,通过相应的接口进行上报。

(2)数据管理



数据管理是在数据采集之后的一个重要环节。如果没有有效的数据管理和治理能力,数据质量可能会成为阻碍数据建设的一个主要问题。因此,具备基础的数据管理能力是非常必要的。我们需要学会管理事件、属性以及物品等各类数据。

(3)数据分析



在数据分析环节,实际使用的指标通常依赖于数据分析能力。在增长分析中,我们提供了许多数据分析模型,如留存模型、转化模型和用户路径模型等,这些都是高频使用的分析模型。同时,还有专门针对用户的分析模型,例如用户分群、用户标签查询、用户画像查看等,这些分析场景非常丰富。

(4)数据监测



最后一个环节是数据监测,重点在于可视化。在增长分析中,我们可以使用看板功能将常用指标固化。不同的业务部门可以根据自己的需求进行个性化配置看板,如领导看板、市场部看板、产品部看板和运营看板等。同时,看板权限可以按需进行管理。

4. 指标分析的链路闭环



拥有这样一款工具后,我们可以完成数据采集、管理和指标分析。但是,这并不意味着工作就此结束。正如开头所提到的,在进行指标分析时,更重要的是实现分析链路的闭环,因为指标分析背后是业务动作,其目的是服务于业务。如果仅仅获取指标,那么分析工作是不完整的。我们所做的一切都是为了能更快地完成后续分析链路的闭环。

分析链路闭环通常包括四个方面:

第一,发现当前存在的问题,例如通过指标了解当前业务现状,如下载率、DAU等,并找出其中的问题。

第二,针对这些问题提出相应的假设。例如,发现投稿率较低,需要通过审查指标来分析投稿链路中的每个环节的数据表现,并根据发现的问题提出相应的策略验证。

第三,验证假设。例如,如果认为投稿率低是因为按钮设计不佳,可以进行AB实验对按钮进行重新设计,并通过实验结果验证假设的正确性。

第四,如果实验结果可靠,则将优化后的策略推广到线上,并对结果进行复盘。复盘后,再回到第一步发现问题,如此循环,实现指标分析的链路闭环。

5. 案例分享



以投稿链路为例,我们来说明如何采集数据、拆解指标、设计埋点以及如何洞察指标并最终优化流程。在视频产品中,内容生态包含几个重要角色:创作者、消费者和平台运营。主要流程包括内容供给、内容分发和内容消费。内容载体有短视频、长视频和图文等,形成一个较完整的生态体系。投稿流程决定了视频产品内容供给的丰富度。提升用户投稿对于增加内容丰富度、服务DAU和用户时长等产品目标具有重要意义。为了覆盖更多用户,视频产品除了标准版外,还推出了极速版。然而,在运营过程中发现极速版的投稿率相较于标准版有较大差距。因此,提升极速版的投稿率成为本案例的重要场景。在这个过程中,我们需要关注如何采集数据、拆解指标、设计埋点以及如何洞察指标并最终优化流程。

6. 拆解指标并设计好埋点



首先,我们已经明确了主要目标,即提升极速版的投稿率。针对这个目标,我们应该如何拆解指标呢?实际上,这是一个投稿链路,可以使用UGM模型进行拆解。

视频投稿过程可以分为四个部分:开始拍摄、进入拍摄页、进入编辑页和点击发布。每个环节的重要指标如下:开始拍摄包括开拍人数和开拍行为的渗透率;进入拍摄页包括进入拍摄页的人数、拍摄页的渗透率和开拍与拍摄页的转化率;进入编辑页包括进入编辑页的人数、编辑页的渗透率和拍摄页与编辑页的转化率;发布包括发布的人数、发布按钮的点击渗透率和发布按钮的转化率。根据这些指标,我们可以设计相应的埋点。

例如,点击拍摄按钮时,我们需要记录触发时间、是否首次点击以及按钮ID等。进入拍摄页时,我们需要记录页面名称、触发时间和是否首次进入等。此外,我们还需要关注用户属性,如用户ID、设备型号、国家、省份、城市以及视频编号等。这些信息可以通过事件表进行上报,而用户点击开拍的信息可以通过用户数据上报。

设计好事件及事件属性后,我们还需要设计用户属性。完成这一步后,我们可以使用分析工具配置指标。我们可以比较极速版和标准版的投稿率情况,并利用增长分析产品中的事件分析模型来配置渗透率指标,探查转化链路上各功能的使用情况。通过事件分析模型,我们可以快速了解每个环节的渗透情况。此外,转化率指标可以通过转化分析模型配置投稿的转化漏斗,探查各环节转化率的数据情况。通过这两个分析模型,我们可以简洁且快速地配置渗透率和转化率。

7. 利用分析模型探查数据表现



在完成数据指标配置后,我们可以在底层实时查询数据结果。获取到指标后,我们将极速版和标准版的数据进行横向比较,从开始拍摄到进入拍摄页、进入编辑页和点击发布的整个过程。纵向比较则是极速版和标准版之间的对比。通过对比,我们发现极速版的投稿率相较于标准版要低很多,主要原因是开拍行为的渗透率较低。在极速版中,开拍渗透率明显偏低。

8. 针对问题做出合理假设



通过对比,我们发现极速版存在以下几个问题:首先,开拍入口的图标位于首页右上方,操作不便捷且入口不够明显。其次,开拍入口数量不足,仅有首页一个入口,相较于标准版,入口较少。最后,用户在开拍时,音乐不是很强烈,对用户吸引力不够。

9. 指定验证策略



针对这些假设,我们需要制定相应策略,并通过AB实验的方式验证这些假设是否正确。首先,针对开拍入口在首页右上方操作不便捷的问题,我们可以参考标准版,强化首页入口图标,并将入口从右上角调整至正下方的加号,与标准版保持一致。其次,针对开拍入口数量不足的问题,我们可以在消息页、朋友页和图层页增加开拍入口,以增加开拍数量。最后,针对用户开拍意愿不够强烈、吸引力不足的问题,我们可以通过红包、金币等激励措施刺激用户完成更多投稿。这些策略是针对我们假设所做的验证。

10. 验证结果,结果置信



通过我们线上AB实验的验证,我们发现我们做出来的假设是合理的,实验的结果完全置信。

11. 上线优化策略,效果复盘



在得到结论后,我们可以将前述优化策略应用到线上,并对效果进行整体复盘。优化策略上线后,投稿率的提升非常显著,达到了一个较好的结果。效果复盘完成后,我们将再次发现新的问题,进行假设优化,并回到策略实施部分,形成一个闭环。这就是指标分析的过程。我们需要利用刚才介绍的流程模型并结合增长分析工具完成指标分析的闭环。

04

增长分析新型的指标分析场景

1. 新型场景



在当前标准版产品中,有些指标分析场景无法满足。这些场景包括:

  • 多模型指标的联合分析:需要将各个场景下的指标放在一起,进行统一维度和人群的下钻。
  • 极其精细化的人群对比:在查询过程中需要实时进行人群包的圈选。
  • 用户全流程数据拉通和分析:分析的数据不仅局限于端上数据,还需包含业务系统、客服系统和成交数据等进行综合分析。
  • 智能预警和异常诊断等增强分析场景:在获取数据指标后,需要智能化地进行诊断。
  • 行业知识普及,帮助客户快速入门:因为很多客户在数据基础和组织建设方面还较初级,需要明确的方法论来指导业务动作。

接下来,我们针对每一类场景具体探讨解决手段。例如,多类型或多模型指标的联合分析:在面向场景化分析时,往往需要多个分析模型组合来查看各个指标在不同维度细分人群下的数据表现。

2. 多类指标联合分析



目前,我们考虑到一个较好的解决方案是推出一款多维指标分析产品。在这个分析模型中,我们可以将留存率、转化率和渗透率等指标统一排布在一张大表格中进行对比和分析。同时,我们可以针对这些指标进行维度下钻和人群对比。例如,我们可以对比新老用户,分析活动拉新用户与留存率高低不同群体的数据表现。通过这种方式,我们可以深入了解各个指标在不同人群和场景下的表现。

3. 即时、精细化人群比对



第二类场景是精细化的人群对比。例如,我们想查看过7天某个页面的访问人数,但要对人群进行限定。我们关注两类场景:第一类是当天发生过购买行为,且在过去90天内发生过2次以上购买行为的人群。在传统产品中,实现这一功能几乎不可能,因为在指标创建和分析过程中,无法改变人群限定条件。当我们查看过去7天每一天的指标表现时,每一天的购买行为和过去90天发生两次以上购买行为的人群是动态变化的。

实际上,我们往往按照一定时间粒度去更新人群,如按天或手动更新,很难实现根据查询粒度进行实时变化。例如,当查询粒度调整到5分钟级或小时级时,实时更新人群是非常困难的。然而,在我们对产品进行优化后,可以较轻松地实现这一功能。例如,在查询当天数据时,我们可以实时圈定当天发生购买行为和过去90天发生两次以上购买行为的人群。每一天都能圈定这部分人群,并根据查询粒度实时变化。无论我们想查看当前小时、当前周还是当前月的数据,在这个时间粒度下的指标表现都可以实时圈定人群。

4. 面向用户全旅程指标分析



全流程分析的重点在于用户行为不仅局限于端上,还可能包含许多业务系统。例如,在APP上操作完成后,用户可能购买商品并提交反馈,这可能涉及客服系统中的数据。因此,在分析过程中,我们需要考虑用户在各个业务系统中的全程数据。

对于用户来说,他们可以在不同系统上操作,如APP、小程序、网页甚至微信和支付宝等。尽管获取这种数据的难度很大,但在我们自己的业务领域中,实现不同系统间数据拉通一直是一个难点。因此,我们对这部分数据进行了较大的升级,支持离线多元数据接入。客户可以将各个业务系统中的数据全部接入,即使没有端上行为分析,只要按照底层数据模型接入数据,我们就能实现跨域数据的ID映射和联合分析。

5. 增长分析全新升级专业版分析能力



结合这些场景,我们推出了一个专业版产品。在这个专业版中,我们对数据接入与整合、分析能力、行业知识和数据应用进行了较大升级,不仅满足刚才提到的分析场景和新型指标分析场景,还对标准版的能力进行了大幅提升。

专业版的核心能力包括四个方面:

  • 数据接入和整合:不仅能串联端上线上触点,还可以引入电商、外呼、线下等多个渠道的业务数据。
  • 分析能力:通过增强版分析空间,聚合分析工具和标准化能力提供优秀的分析体验。
  • 行业知识:针对游戏、金融、汽车、零售等行业,提供行业模板,分享分析方法论和字节内部沉淀的经验。
  • 数据应用:人群标签与CDP共享,与GMP拉通进行营销后链路分析。例如,在增长分析中确定低留存、低活跃的用户,通过与GMP拉通进行推送或营销动作。此外,还可以连接到可视化产品ABI,实现更好的数据可视化。

今天的分享就到这里,谢谢大家。



▌2023数据智能创新与实践大会

数据架构/数据效能/智能应用/算法创新......

4大体系,专业解构数据智能

16个主题论坛,覆盖当下热点与趋势

70+演讲,兼具创新与最佳实践

1000+专业观众,内行人的技术盛会

点击下方链接了解详情:

DataFunCon2023(北京站):数据智能创新与实践大会


本文地址:https://www.6aiq.com/article/1689327041960
本文版权归作者和AIQ共有,欢迎转载,但未经作者同意必须保留此段声明,且在文章页面明显位置给出