一、增长与数据分析

利用数据来洞察用户，这是做增长的基础。毫无疑问，如果没有数据分析，那么增长也是无法实现的。所以不难理解，招增长的职位里面都会要求一点，就是熟悉数据分析，对数据敏感。

可见，增长的过程也是数据挖掘和分析的过程，难以脱离数据，常见的工作步骤如下：

那么，在增长的过程中，到底在利用数据分析什么问题呢？数据分析又有哪些实际应用呢？接下来，让我们看看数据分析在工作中是怎样使用的，从而帮助产品实现增长。

二、数据分析的实际应用

数据分析在增长的过程中，拉新和激活与留存是常见的实际应用，下文将进行详细说明。

1. 用户拉新

在这个环节，通常APP的流量来源可分为付费和免费两大来源。一般付费流量都是通过广告投放、应用商店的付费推广等方式来获取，而免费流量则可通过多种运营手段来获取，设计激励机制来刺激用户下载和分享即可。

付费流量：

通过付费来获得流量，我们需要对渠道转化和质量评估进行数据分析，从而能衡量投放的效果和价值。

渠道转化的常见数据指标就是CTR（点击率）、CVR（转化率），其数据意义就是能指导我们优化用户的外部转化，降低成本。

质量评估就是分析投放渠道的质量，便于评估该渠道是否值得继续投放。每家公司评估渠道质量的指标都是不一样的，一般都需要紧密地结合产品战略来进行设计。

常见的指标有DAU、营收、留存率、流失率等，但不管是哪种指标来衡量，公司都应该重视ROI，这是最基本的原则。

免费流量：

在免费流量获取的环节里，我们往往会通过活动的激励机制去刺激用户完成APP的下载安装和注册，例如新用户可获得代金券或者积分之类的激励。

在这个环节中，我们可以把获取流量的过程看作是一个漏斗模型，通过对转化率和最终安装注册量的数据分析，我们能看到转化所出现的障碍和问题，可获得优化的路径和方法。

此外，我们还能利用聚类分析的方式来分析，就是考察不同画像的用户在不同场景下的数据表现，从而可以设计出针对不同用户建立不同的拉新模式。

2. 激活留存

其实，相对拉新而言，激活留存才是真正的增长，否则拉新回来的用户都流失了，就失去了增长的意义。

在激活留存这个环节，我们不得不提一个概念，那就是啊哈时刻。啊哈时刻能提高产品的活跃度，有助于进一步留存。

所谓的啊哈时刻，就是让用户感到兴奋的那个点，我们说的增长其实是围绕啊哈时刻去做的，它像一种力量，推动着用户去对产品产生喜爱。如果没有啊哈时刻，产品是很难实现自增长的，所以找到啊哈时刻让用户喜欢产品，让用户获得超出预期的体验是非常重要的。

所以，在激活留存这个过程中，我们不得不利用数据来衡量用户激活，而且在激活之后还得分析短期的次日留存或7天留存数据。

在分析留存数据的时候，我们通常会聚焦用户在某个时间某个场景下做了某些行为与用户的短期和长期留存的关系，以此来评估实际该引导做什么更好地实现用户真正地留存下来。

由此可见，我们能够不断设计实验，来寻找那个影响留存的关键指标，从而能很清楚地看到哪种方法更有利于APP激活和留存。

值得一提的是，在用户留存这方面，召回用户也是一个相对重要的部分，这个时候我们需要评估用户渠道，制定多个召回用户的设计及数据分析体系，从不同角度去探索合适的召回方案。

在这个过程中，我们需要对每一个操作进行数据化的分析，只有这样才能实现可视化，清楚看到能优化的空间。例如，利用APP PUSH来召回用户，我们就要关注用户接收到PUSH后的打开率，如果打开率很低显然召回是失败的，所以提升打开率是利用APP PUSH召回用户的一个重要数据指标，那么接下来优化的任务很清晰，就是提升打开率。

在设计方案的时候，要重视可操作性，即如何具体地做了一件怎样的事情，会引起某一个指标产生多大程度的变化，如果方案能满足这样的条件，那才是可行的。

三、数据分析与增长团队的OKR

OKR（Objectives and Key Results），即目标与关键成果，用于明确公司和团队的目标以及每个目标达成所需的可衡量关键结果，这无疑有助于我们更好明确和跟踪目标，能更有效管理工作。

那么，我们如何利用数据来制定增长团队的OKR呢？简单来说会有三大步骤：

1. 建立北极星指标，准备拆解指标

北极星指标，通常与公司产品的战略有密切关系，是整个战略里面最核心的部分。常见的DAU、GMV、ARPU值等指标都可以当作是这个北极星指标。

当北极星指标建立之后，我们就要把这个指标拆解，尽可能拆解得越细，便于落地执行。例如GMV要考虑新增、活跃和留存复购，于是就会通过模型来推算做到多大的程度才能实现GMV这个指标。这个过程，特别要注意各个子指标相互之间不能有冲突，都必须为北极星指标作出贡献。

2. 明确指标的拆解路径，综合评估路径的优先级

当把北极星指标拆解到不同的小指标后，我们就需要对这些小指标进行路径分析，梳理要做的工作有哪些，最后把梳理出来的结果进行优先级评估。

在这个时候，我们就要清楚哪个路径是相对容易达成的，对完成指标的贡献是最大的，需要投入多大成本才能完成，只有这样来评估，才能更充分理解工作的实际意义，不能盲目跟风，因为不同类型的产品在不同的生命周期所面临的问题都是不一样的，不然会打断正常的工作节奏。

3. 确认路径方案，基于数据分析结果适当调整

当我们充分评估和确认了路径方案，就可以从中选择对目标帮助最大的方案，同时还能对方案后续的结果进行分析，来调整方案的执行，做到满足目标的最大化。在这个过程，我们可以观察同比和环比增长的数据，这样更有助于我们把控指标的完成度。

四、数据分析与优化用户激活

正如前面谈到，用户活跃和留存才是真正的增长，通常在用户激活这个环节，数据分析可以参与到以下五个步骤：

1. 拆解产品的关键行为

穷举产品的所有功能点，对影响到核心指标的功能使用情况进行梳理，如使用频次、使用时长等，再列出关键指标比如留存/用户付费率/复购率等。

2. 分析行为对核心指标的影响

在这个过程中，我们需要通过以往的数据来进行预判，然后进行合理的假设，同时要考虑到产品关键行为所涉及的数据的边界是什么，所有假设都是基于一个固定的基石假设，即要明确探讨的大前提是什么。

3. 拆解和优化方案路径

确定不同行为对核心指标的影响后，我们就要动手去拆解优化该行为的路径，并从拆解出来的路径当中选择更优的方案，把优先级都明确出来，掌控好实验的节奏。

4. 设计方案

MVP模型在设计方案的环节特别管用，能让我们避免投入不必要的人力和物力。MVP模型就是用于验证我们的假设，我们可以通过小规模小范围的试验来观察效果是否如我们所期望的那样。

如果MVP模型之后的结果是符合要求的，那么我们就可以扩大这个试验的规模和范围，更进一步地去验证猜想。在整个试验的过程，我们也需要对用户激活的定义进行调整，要始终在正确的方向上去进行。

5. 分析和总结经验

在阶段性的实验之后，我们要去分析结果，总结经验，对实验进行复盘，去关注结果是否和我们的预设目标相符，去看看实验是否还有优化的空间，去探索能持续下去的机制又是什么。增长是一直在进行的事，不会因为实验结束而停止。

结尾

今天的文章说了不少数据分析与增长的应用，实际的工作远远比这个要复杂得多，因为数据是在不断变化的，很多因素也是不可控的，所以需要我们充分掌握好数据分析的技能，感知数据变化的背后原因，这样做增长才能做到心中有数。