問題解析數(shù)據(jù)分析是增長黑客的必備技能之一，同時越來越多的互聯(lián)網(wǎng)運營崗位招聘也都要求應(yīng)聘者具備數(shù)據(jù)分析能力及經(jīng)驗。增長黑客的觀念是通過數(shù)據(jù)的真實反饋指導(dǎo)產(chǎn)品迭代、市場推廣以及運營活動的執(zhí)行策略，用數(shù)據(jù)洞察業(yè)績增長契機。

掌握增長黑客思維的基礎(chǔ)在于掌握數(shù)據(jù)分析的思路、數(shù)據(jù)分析的模型和工具，但如何從數(shù)據(jù)變化中發(fā)現(xiàn)問題和契機，是增長黑客思維的關(guān)鍵技能。

增長黑客有哪些數(shù)據(jù)分析方法?

1.通過數(shù)據(jù)曲線總結(jié)趨勢。折線圖、散點圖和柱狀圖等是數(shù)據(jù)分析必備的基礎(chǔ)數(shù)據(jù)圖表，這些圖表通過基礎(chǔ)的曲線反饋階段時間內(nèi)數(shù)據(jù)量的變化。從基礎(chǔ)曲線的觀察中，增長黑客善于總結(jié)不同曲線形狀反映的問題，將數(shù)據(jù)表現(xiàn)還原到數(shù)據(jù)發(fā)生的場景中。

例如，用戶增長曲線是最常見的數(shù)據(jù)分析圖表。當(dāng)把產(chǎn)品最近1年或更長時間的用戶增長數(shù)據(jù)繪制成一張圖表時，就能看到不同的增長特征。

增長黑客從用戶量增長曲線中總結(jié)出丘陵曲線、過山車曲線和奶酪片曲線等不同特征，反映實際運營缺陷，如奶酪片曲線反映了初期產(chǎn)品增長快，但后期缺少獲客渠道的問題。

2.拆解指標(biāo)洞察問題。從單一曲線中，可以還原歷史數(shù)據(jù)的形成過程。如果想從數(shù)據(jù)中找到問題，就要以單一指標(biāo)為核心，拆解出影響指標(biāo)的相關(guān)因素。

例如在新用戶增長相關(guān)的數(shù)據(jù)指標(biāo)分析中，可以進(jìn)行以下3步拆解。

第一步，拆解出各來源渠道的用戶新增數(shù)據(jù)以及該渠道新增用戶后續(xù)的留存、活躍等數(shù)據(jù)。

第二步，拆解出影響渠道轉(zhuǎn)化的數(shù)據(jù)指標(biāo)，包括各渠道的點擊率、推廣成本、落地頁轉(zhuǎn)化情況等。

第三步，拆解用戶在落地頁中的行為數(shù)據(jù)。例如從進(jìn)入落地頁到注冊、領(lǐng)取優(yōu)惠券等環(huán)節(jié)的流失數(shù)據(jù)，發(fā)現(xiàn)流失高的環(huán)節(jié)，從而分析問題。

在日常數(shù)據(jù)分析中，增長黑客要了解不同App版本、不同手機機型、不同操作系統(tǒng)、不同屏幕大小、不同地區(qū)用戶和不同訪問來源等差異化情況，要對常規(guī)數(shù)據(jù)指標(biāo)非常熟悉。

3.通過用戶行為構(gòu)建用戶畫像。增長黑客的用戶畫像分為單體用戶畫像和群體用戶畫像2類。單體用戶畫像記錄了用戶的全生命周期數(shù)據(jù)。一般從下載、激活、注冊登錄、訪問頁面、瀏覽頻次、使用時長等行為數(shù)據(jù)以及性別、年齡、地區(qū)、瀏覽器品牌、系統(tǒng)版本、顯示器屏幕高度等屬性特征形成用戶畫像。

用戶訪問行為往往是多設(shè)備、多狀態(tài)和多終端的。在收集數(shù)據(jù)時，我們要收集同一用戶在不同設(shè)備上(手機/電腦)、不同狀態(tài)下(登錄/未登錄)、不同終端上(多個手機登錄)的所有行為數(shù)據(jù)，形成完整的用戶行為記錄。

而群體用戶畫像是基于某些共性行為特征建立的用戶分群機制。例如以30日訪問時長大于60分鐘的用戶為維度建立用戶分組。從這一分組用戶的其他行為中，洞察地域分布、機型分布、使用時間分布等個性化屬性特征以及以電商為例的購物頻次、客單價等核心行為數(shù)據(jù)特征，對群組用戶發(fā)起精細(xì)化運營活動，有針對性地提升用戶數(shù)。

4.用漏斗分析洞察流失原因。每個產(chǎn)品都會給用戶提供一條“主路徑”。

電商產(chǎn)品的主路徑是“首頁—搜索—搜索結(jié)果頁—商品詳情頁—加入購物車—下單—確認(rèn)訂單信息—付款—確認(rèn)收貨”。

資訊類產(chǎn)品的主路徑是“首頁—內(nèi)容列表頁—文章頁—評論/轉(zhuǎn)發(fā)/收藏—相關(guān)閱讀—回到列表頁—回到首頁”。

漏斗分析的能力是發(fā)現(xiàn)在設(shè)定的路徑下，用戶在各個環(huán)節(jié)的流失情況。通過漏斗分析找到用戶流失的節(jié)點，然后回到相關(guān)頁面找原因。例如在資訊類產(chǎn)品中，用戶在從內(nèi)容列表頁向文章頁轉(zhuǎn)化的過程中流失比較多，那么有可能是用戶對當(dāng)前列表的內(nèi)容不感興趣。進(jìn)一步通過對比用戶日常閱讀內(nèi)容的標(biāo)簽與列表內(nèi)容標(biāo)簽，確認(rèn)推測是否正確。

5.多維度的用戶分層分析策略。精細(xì)化運營要基于群組用戶特征滿足群組用戶的共性需求。增長黑客在用戶分組上，需要通過多維度的用戶篩選，找到用戶群的具體需求。

如果增長目標(biāo)是提升商品銷售額，那么可以針對兩類用戶群策劃活動，一類是購買頻次高的用戶群，另一類是購物金額高的用戶群。

在用戶管理中，我們可以用RFM進(jìn)行用戶分組。通過最近購物時間、消費金額、消費頻次3個條件進(jìn)行用戶篩選，可以篩選出以下不同用戶組。

(1)最近30天內(nèi)發(fā)生過購買行為且最近7天內(nèi)沒有購買的用戶。

(2)每30天下單次數(shù)在3次以上的用戶。

(3)最近30天消費金額大于1000元小于2000元的用戶。

基于這3個條件，我們篩選出最近30天內(nèi)消費頻次高且最近7天內(nèi)未消費的用戶。在建立分組后，下一步是分析這個群組用戶日常購物品類的分布、集中消費區(qū)間的分布、使用時間的分布，通過相關(guān)特征數(shù)據(jù)，洞察用戶的特征以設(shè)計針對性強的活動。

6.通過還原用戶使用路徑發(fā)現(xiàn)用戶的行為規(guī)律。在洞察用戶行為上，增長黑客還通過行為路徑分析來發(fā)現(xiàn)用戶的行為規(guī)律。行為路徑分析是指在指定某一個節(jié)點后，觀察用戶的后續(xù)行為路徑。例如我們想分析在線教育網(wǎng)站的用戶在訪問首頁后都做了什么，通過行為路徑統(tǒng)計可以看到可能的一些數(shù)據(jù)：74%的用戶進(jìn)入了搜索課程頁面，23.9%的用戶去看了課程詳情，2%的用戶開始注冊， 0.1%的用戶進(jìn)行了登錄。這些數(shù)據(jù)反饋了用戶是從搜索課程開始的具體使用行為，而注冊環(huán)節(jié)用戶的主動性較低，所以需要通過調(diào)整注冊入口或者優(yōu)化注冊引導(dǎo)機制，提高注冊的點擊率。通過用戶行為路徑分析，還可以觀察用戶的主動行為是否與產(chǎn)品設(shè)計的“主路徑”一致，如果用戶在主路徑外發(fā)生行為的頻率比較高，說明主路徑設(shè)計不符合用戶的行為習(xí)慣。

7.通過留存分析預(yù)測流失。用戶留存情況是預(yù)測用戶全生命周期價值(Ltv)的關(guān)鍵因素。通過分析用戶的7日、14日、30日留存率，再利用公式，增長黑客可以預(yù)測出用戶的流失率。進(jìn)一步地，增長黑客可以通過觀察每個留存用戶的畫像，發(fā)現(xiàn)用戶的行為習(xí)慣，從而提升整體用戶留存率。

8.用點擊熱力圖分析做產(chǎn)品優(yōu)化。點擊熱力圖分析是做產(chǎn)品交互設(shè)計優(yōu)化時的有效手段。通過記錄用戶在頁面不同位置的點擊次數(shù)、停留時長、瀏覽完成度等數(shù)據(jù)，形成點擊熱力圖，可觀察用戶停留時間長的位置與相關(guān)信息，從而優(yōu)化重要按鈕的位置與大小等，引導(dǎo)用戶點擊。

來源：用戶增長實戰(zhàn)100問

以上是關(guān)于用戶增長師的相關(guān)信息，以供大家查看了解。想要了解更多用戶增長師信息，第一時間了解用戶增長師相關(guān)資訊，敬請關(guān)注唯學(xué)網(wǎng)用戶增長師欄目，如有任何疑問也可在線留言，小編會為您在第一時間解答!