精細化用戶增長案例（4）：事件、留存、漏斗分析方法是什么？

現在對運營的綜合素質要求越來越高了，數據、文案、產品必須要懂，只懂一個怕是不好找工作了。也只有復合型人才在現在這個遍地用戶增長的世界才能活的更久，下面我們就來說說數據分析的概念。

一、事件分析

事件分析法的應用領域非常廣泛，不同學者從本領域視角對其進行了闡述。事件研究是根據某一事件發生前后的資料統計，采用特定技術測量該事件影響性的一種定量分析方法。

運營當中的事件分析，是追蹤或記錄的用戶行為或業務過程的。舉個栗子，一個電商產品可能包含如下事件：用戶注冊、瀏覽商品、添加購物車、支付訂單等。

事件細分：對某一行為的無限細分，定位影響行為的因素，也是對用戶分群的過程。

下鉆、下鉆這是事件分析的特點，至于怎么用什么時候用這就得依具體問題具體分析了。

二、漏斗分析

關于漏斗模型，我認為本質是分解和量化。為什么這么說，這里以營銷漏斗模型舉栗。

百科給出的解釋：營銷漏斗模型指的是營銷過程中，將非潛在客戶逐步變為客戶的轉化量化模型。營銷漏斗模型的價值在于量化了營銷過程各個環節的效率，幫助找到薄弱環節。

也就是說營銷的環節指的是從獲取用戶到最終轉化成購買這整個流程中的一個個子環節，相鄰環節的轉化率則就是指用數據指標來量化每一個步驟的表現。

所以整個漏斗模型就是先將整個購買流程拆分成一個個步驟，然后用轉化率來衡量每一個步驟的表現，最后通過異常的數據指標找出有問題的環節，從而解決問題，優化該步驟，最終達到提升整體購買轉化率的目的，整體漏斗模型的核心思想其實可以歸為分解和量化。

以電商為例可以建立幾個核心漏斗，如下：

1. 運營位漏斗

Banner、活動專區、折扣專區、爆款專區等等

2. 搜索漏斗

搜索漏斗，還可以拆分為更小的漏斗，例如細分關鍵詞排序、關鍵詞點擊、best match標簽選擇、瀏覽時長等數據項。

3. 產品漏斗

產品漏斗，里面其實能拆解出很多分支漏斗，根據使用情況而定吧

三、留存分析

留存分析是一種用來分析用戶參與情況/活躍程度的分析模型，考察進行初始行為的用戶中，有多少人會進行后續行為。這是用來衡量產品對用戶價值高低的重要方法。

留存分析可以幫助回答以下問題：

1. 一個新客戶在未來的一段時間內是否完成了您期許用戶完成的行為？如支付訂單等；
2. 某個社交產品改進了新注冊用戶的引導流程，期待改善用戶注冊后的參與程度，如何驗證？
3. 想判斷某項產品改動是否奏效，如新增了一個邀請好友的功能，觀察是否有人因新增功能而多使用產品幾個月？

下面是一個常見的留存曲線，我把它分成了三個部分：第一部分是振蕩期，第二部分是選擇期，第三部分是平穩期。

那我們怎么用留存分析呢？舉個栗子：如圖

細分用戶群體，分析每個產品功能點對用戶留存情況的影響，我們不僅可以把收藏拿出來對比，點贊，轉發，評論，關注等等都可以對比

如果是電商的話還可以對比沒有購買，購買1次、2次、3次、4次、5次、6次等

我們通過分析曲線找到留存最高的功能點或者行為點。魔法數字和魔法功能，

1. 交易類，購買5次以上的用戶留存率最高，那我們的策略既盡可能快的使用戶達到5次購買（一定注意時間窗口）；
2. 工具類產品，那就找到魔法功能，使用這個功能用戶留存最高；
3. 如果是UGC類那就找到用戶發帖的數量或者用戶使用的功能作為魔法數字和魔法功能。

四、分布分析

在生產工作正常的情況下，產品的質量也不可能完全相同，但也不會相差太大，而是圍繞著一定的平均值，在一定的范圍內變動和分布。

分布分析法就是通過對質量的變動分布狀態的分析中發現問題的一種重要方法。它可以了解生產工序是否正常，廢品是否發生等情況。其工具是直方圖，故又稱直方圖法。

如下圖，我們就能看出人數和交易客單價的一個分部情況

這種類似的就是用戶分布分析，主要是找集中。當然更深刻的我們可以用K-means聚類算法玩的更高大上一些。

五、總結

這只是數據分析當中比較常用的一些方法，現實當中我們要面對的完全比上線的例子復雜的多，細分的多，但是邏輯就是這么簡單，分析就是一個工具，看大家想要得到什么了。

這集中分析方法并不是單獨存在的，經常是你中有我我中有你，一定要靈活運營。分享一下數據分析中的三個小技巧：看趨勢、看分布、看對比。

#相關文章#

精細化用戶增長案例（1）：低頻高客單長決策下的優惠券玩法

精細化用戶增長案例（2）：教育行業轉介紹裂變活動，分類分層降成本

精細化用戶增長案例（3）：高頻低客單快決策下的零售優惠券發放策略

作者：白高粱；公眾號：白高粱