随着数据时代的来临，以前的粗放式管理已不再适应潮流，我们需要进行精细化管理，特别是以C端为驱动的运营模式，每一个运营的细节都离不开数据的支撑，互金行业也不例外，各大银行和互联网金融巨头也纷纷在抢占用户数据市场。

首先我们要搭建一套比较完善的数据指标体系。其实搭建数据指标体系，就是在梳理我们的分析思路，很多人在做数据分析时，经常会不知道从哪方面入手，分析的内容和指标也会比较散乱，因此也会被人质疑分析结果是否正确。所以搭建一套完善数据运营指标体系是非常有必要的，它可以帮助我们理顺思路，确保数据分析结构体系化、数据分析维度的完整性以及为后续数据分析的开展指引方向。

指标是连接问题和数据的纽带，只有选择合适的指标才能充分反映问题，一个好的指标是要可量化、易观测的；那么如何来搭建数据指标体系呢？我们可以通过一些营销的管理模型来设计数据指标体系，例如5W2H分析法、4P分析理论、用户生命周期、逻辑树分析法等。

当然相应的分析模型肯定要结合实际业务模式和分析目的来进行，没有业务逻辑的数据分析是不会产生任何价值的。

例如，互金行业中的数据指标体系，我们可以根据用户生命周期来进行搭建。

数据指标体系设计完成后，我们就可以根据用户在不同阶段不同场景下，通过埋点事件来设计数据采集方案，这其实是通过业务驱动指标设计，再驱动数据收集的过程。

三、数据驱动运营增长

那获取到用户数据后，我们要如何应用数据，让数据产生价值呢，我们主要通过以下三方面来进行描述。

01、用数据优化运营策略

通过用户行为数据收集之后，我们就可以知道在运营活动当中，用户浏览注册下载绑卡投资的转化率是多少，每个产品页面浏览时长，浏览次数是多少，首投人数、投资金额等；但数据是要结合业务场景，进行汇总对比分析，才会有意义的，否则就仅仅是数字而已。

例如我们最常见的漏斗分析法，当我们发现用户的投资转化率有30%，这样一看，转化率好像还挺高的，但如果我们跟其他类似产品相对比，跟同环节不同细分用户群相对比，发现其他类似产品或其他细分用户群的转化率是40%，我们才知道这环节上还有很大的优化空间在。

02、利用数据验证运营策略

在互联网产品运营当中，我们经常会遇到多个产品设计和运营方案的选择，甚至于界面按钮颜色一句文案的不同也会有争议，虽然相对于整个运营方案来说，这只是一个细节问题，但对于C端用户来说，往往就是细节决定一切，在这个信息泛滥的时代，往往争取的就是你能不能在第一时刻进入用户的心里。

这时我们可以采取A/B测试，在一切条件都相同的前提下，只有一个变量不同，利用数据来告诉我们那种方案比较可行，让数据来验证运营策略是否正确，降低试错成本；当然在进行A/B测试时，最好是数据量和数据密度不要太低， 以及要有足够的时间进行测试，不然是比较难得到统计结果的。

举个例子，蚂蚁财富app，在引导新用户转化为首投用户时，采取了进度条的展示形式，主要目的就是为了制造紧迫感，虽然是利用用户心理层面因素，但展现形式却有多种。

上面这两种进度条的设计，第一种是利用用户焦虑、恐慌的情绪，让用户觉得在不进行抢购就没有了；第二种则是利用用户大众心理，抢购的人数这么多，那自己是否也可以跟着试试看；这两种设计，各有其考虑的因素，很难说那种会比较好，这时候就可以使用A/B测试，让数据来进行验证。

03、利用数据指导运营策略

数据与数据之间都是有关联的，如果你不知道，那只是你还没有发现它们之间的关联关系而已，最经典的数据分析案例莫过于沃尔玛的啤酒和尿布了，这个案例相信大家都有听说过的， 当一个商业目标对多种行为、画像等信息有关联时，我们就可以通过数据挖掘手段进行数据建模，来预测用户的下一步行为，从而针对性的提出运营解决方案。

例如关于新用户流失严重问题，我们可以采取聚类算法，建立用户流失预测模型，通过数据刻画出流失用户的画像信息，有什么属性特征、行为特征以及流失周期是多长，这样我们可以更加准确的抓住具有潜在流失倾向的用户。

像互金行业，关于用户流失预测模型，我们就可以从用户的投资行为、在投资金以及流失周期来进行构建。

从上面，我们可以看出预流失用户的行为倾向是：近期内无投资行为、有在投资金但想提现的用户，那针对这部分用户，我们就要采取一些留存激活策略了。

最后，数据分析可以给我们提供有效信息，指导营销决策，但也不要迷信数据，要换位思考，这样数据才能发挥其真正价值。

在互联网下半场竞争中实现科学增长，切实让A/B测试发挥增长引擎的作用是应有之义。本文分享了A/B测试对业务转化率提升带来的价值，以及如何在团队中有效推进A/B测试及A/B测试系统科学设计实践等内容。

一、今日头条增长秘籍：A/B测试驱动

抖音可以说是现在增长最火热的公司，流行于大街小巷行走的人们手机之中，它让腾讯感到深深的危机感，被迫应对，从2017年下半年开始，抖音就呈现出现象级爆发式增长。

其母公司字节跳动，估值750亿美元，本身就是一个非常讲究实验、以A/B测试驱动科学增长的公司。

A/B测试对头条系产品来讲是很自然的事情，整个公司从最高管理层张一鸣开始就非常注重。36Kr曾在一篇报道中写道，“头条发布一个新APP，其名字都必须打N个包放到各大应用市场进行多次A/B测试而决定，张一鸣告诉同事：哪怕你有99.9%的把握那是最好的一个名字，测一下又有神马关系呢？”

今日头条从起名字开始就运用了数据思维，创始团队没有头脑风暴，没有投票，没有老大拍板儿，而是采用科学实验的方式，通过数据观测确定了头条的名称。

他们将App Store上各类免费榜单的前10名整理出来，然后根据名字归类（朗朗上口白话类，内涵情怀类，模拟特殊声音类，公司名+用途类等），分析那各类数量占比。分析结论是朗朗上口的大白话效果最好。

其次，分渠道A/B测试，确定先验效果类似的发布渠道，分别投放，界面功能logo完全一样，统计各个渠道的用户下载和活跃等核心数据指标，最后测得《今日头条》效果最好。

二、什么是A/B测试？

A/B 测试是一种产品优化的方法，为同一个优化目标制定两个方案（比如两个页面），让一部分用户使用 A 方案，同时另一部分用户使用 B 方案，统计并对比不同方案的转化率、点击量、留存率等指标，以判断不同方案的优劣并进行决策。

上面图示就是一个典型的A/B测试范例。

在A/B测试比较成熟的公司中，可能并不局限于只有A、B两个版本，可能会有ABC测试、ABCD测试，甚至是ABCDE测试。

有一些情况，可能会出现比较特殊的A/B测试，比如说AAB测试，因为需要验证整个AB测试系统的准确度，需要设置两个对照组，所以叫AAB测试。

不管同时运行几个实验，我们都可以将它们统称为A/B测试，英文为ABtest或ABtest。

结合公开数据和行业深度调查，我们整理了行业A/B测试频率概览图，其中可以看到，公司市值或体量与A/B测试频率呈正相关关系。

像谷歌等大体量公司，它本身具有较为成熟的A/B测试系统与数据分析平台，平均每周A/B测试就多达2000个A/B测试，其中包括一些相对复杂的实验，如推荐算法A/B测试，也有相对简单的A/B测试。至于国内BAT等一线互联网公司，它们每周也会进行上百个A/B测试。

在与我们合作的大部分公司当中，行业分布广泛，比如互联网金融、电商、O2O等厂商，它们自身没有能力和精力自研一套成熟的A/B测试平台，所以他们选择与Testin A/B测试合作，将A/B测试服务快速应用到业务中。

比如，某互联网金融用户，在使用Testin A/B测试前，每周只能做0.1个A/B测试，使用了云测A/B测试服务后，大大提升了A/B测试频率，每周跑大概30个A/B测试实验。

当然，在其每周30个实验中，约有1/3的实验会取得转化率指标提升5%-30%的效果，剩余2/3的实验效果并不理想，未取得较好的数据指标提升。

通过这个例子，我们可以看出，大概2/3的产品设想并不符合预期，就是说转化率其实没有原始版本好。这个也是为什么需要A/B测试的根本原因，凭借产品直觉去做产品决策，但2/3的改进并不是最优解。

上述图表展示的是微软必应搜索引擎A/B测试增长曲线，覆盖Bing从2008年到2015年的时间的A/B测试实验增长情况。

可以看到，在Bing产品初期，每周A/B测试频率维持在10~50个，到2012年之后，Bing A/B测试每周频率进入快速增长。

图表右下角绿色曲线，是Bing移动端的A/B测试频率增长曲线。通过该图表，我们可以看到，Bing非常看重并认真实施A/B测试实验，以驱动数据增长，促进业务发展。

三、A/B测试应用场景及案例

我们先看下A/B测试在移动应用中的四大应用场景，分别是App、落地页、后端算法和小程序。

APP端是目前移动互联网增长的主要载体，PC或H5(如常见的朋友圈刷屏活动)或者广告投放落地页面等则可以归为落地页，还有后端算法场景，如推荐算法、广告算法、千人千面等等。

目前增长最快的应用场景，则是小程序。

在不同的场景，A/B测试的侧重点也有不同，但最核心目标仍然都是围绕业务的增长展开，也就是大家所熟悉的「北极星指标」，或者是 DAU、MAU等在A/B测试中设定的具体目标。

案例一：相机拍照类应用

以Camera360为案例，它选用Testin A/B测试服务帮助其进行产品优化决策。

该案例是其产品商业化过程中的一个尝试，希望提升商店中表情包或道具的付费比例，但要完成付费指标，首先要提升商店入口点击率。

所以，他们设定了多个商店入口方案（更改图标样式、文案），通过A/B测试来验证哪个方案可以最大化提升商店入口点击率。

在验证过程中，他们也针对人群目标做了相关定向测试，如日本、中国、韩国等区域，最终他们针对这一入口同时上线7~8个测试版本，通过A/B测试，将整体点击率提升了80%左右。

案例二

本案例为互联网理财行业的App，他们期望通过更改签到按钮的文案提高签到人数，从而提高留存率，按钮文案由「签到」改为「签到赚钱」，并进行A/B测试，为A、B版本分配了各5%的流量。

在经过测试后发现新版本的签到次数比原始版本签到次数提高4.17%，其中95%置信区间结果显示小范围人群的试验结果推广到全量用户之后，有95%概率获得1.7% 至 6.6%的提升；p-value小于0.05，显示新老版本有显著统计差异，Power 为100%，说明统计功效显著。

通过这次简单的A/B测试，就极大提升了App留存率。

本次测试，也借助Testin A/B测试的可视化功能，直接修改相关元素属性就实现了对照功能，无需开发人员介入。

那产品什么时候需要A/B测试呢？

我们知道进行A/B测试需要成本，比如需要开发多套版本，需要搭建可用的A/B测试及数据分析平台等。

从投入产出比考虑，进行A/B测试平台有2个必要条件，一是产品决策影响大，二是产品方案选择困难。

如果某决策对产品影响很大，但选择不困难，则没有必要进行A/B测试，比方是否决定给App增加微信及第三方登录方式，这对产品影响很大但决策并不困难，因为业界已有常见的解决方案。

再比方说，添加某很细小的功能，且该功能入口极深、用户量不大，那么A/B测试优先级也并不高。只有当一个产品决策同时满足影响大和选择难这两个条件的时候，才最适合进行A/B测试。

拿我们自身进行的测试来说，我们会基于功能影响大小、选择困难程度，对要做测试的功能做好优先级排序，然后判断哪些功能要做A/B测试。

四、A/B测试落地三要素

通过与我们的合作伙伴，如自如、36氪、子弹短信或51信用卡等众多增长团队交流，我们发现A/B测试做到落地有三大关键要素：

• 第一，人的因素，或者说整个团队的思维习惯、思维方式。
• 第二，业务流程，就是增长工作流程。
• 第三，工具。

展开来说，在「人」的角度上，要求整个团队具备数据驱动增长、A/B测试驱动决策的思维习惯，这是最重要的事情。

同时，如果增长或产品团队负责人本身不具备这种意识，认为A/B测试无关紧要，比较依赖经验进行产品优化决策，那么A/B测试做起来也很困难。

对APP也好，包括现在的小程序也好，新型产品层出不穷，产品面对的竞争也异常激烈。加之目前互联网流量红利期逐渐结束，获客成本增加，如果想继续获得业务增长，目前最有效的办法就是落地A/B测试、以数据驱动增长这一路径。

行业发展趋势决定所有团队都会慢慢迁移到用科学的实验进行增长这条路上来，即使你现在的团队推进A/B测试困难，但是我相信不远的将来，A/B测试将是最重要的产品增长驱动力。

我曾与较多欧美增长同行进行过深入交流，有一个很深感受就是他们的互联网企业中 A/B测试氛围更强，主要因为美国人工成本相对较高，他们特别注重投入产出比，所以他们很早进入到精细化运营阶段。

在业务流程上：

• 第一，需要注意你的产品是什么形态，是依托APP、小程序、公众号还是Web网站。不同的业务场景，A/B测试落地方案也会不一样。
• 第二，要考虑A/B测试是否很好融入到了产品迭代或增长团队工作流程中去，最佳实践就是做到将整个产品优化迭代流程、发版节奏与A/B测试紧耦合，形成流水线作业，这也是BAT等公司能够把A/B测试每周频率做到那么高的原因。

在工具方面，一种是自研，另外一种是使用第三方服务。

自研的话，在可控性、业务耦合方面有一定的优越性，但对一般企业来讲，其研发成本、人力成本很高，开发A/B测试服务还涉及到较为严格的数据统计，需要配置专业的数据分析师。

如果使用目前市面上的第三方工具，比如Testin A/B测试服务，可以最大化降低成本、加速业务落地A/B测试服务。

比如，某小程序用户当天接入Testin A/B测试服务后，当天就运行起三个A/B测试实验。无论是自研还是使用第三方工具，关键在于适合自身团队。

五、A/B测试最佳流程实践

A/B测试最佳流程，可分成四个步骤：

• 分析数据：分析现有原始版本的各项数据指标，如注册转化率等，比如说注册转化率仅有10%，针对这一转化率提出想法；
• 提出想法：比方说要改进注册流程，之前用户需要输入短信校验码，计划改成图片校验码，形成改进备选方案。有了该基本假设后，预估大概率可以提升转化率；
• 重要性排序：限于团队资源有限，无法把所有需求想法全部都去验证，这就需要做重要性排序，选择最重要的这几个改进方案去做A/B测试，接着进入第四步；
• A/B测试：在这个过程中，我们要监测A/B测试数据，结果一般有两种，一是数据证明实验无效，一是证明实验有效。我们经过大量测试发现，大部分进行的A/B测试实验，1/3被证明有效， 2/3被证明无效（与原始版本效果差别不大，或者比原始版本效果还坏）。

这里需要大家注意，不是所有的实验都会被证明对指标增长有显著效果，如果是这样，我们就没有必要进行实验了。

如果遇到这种情况，需要告诉自己的团队成员不要灰心，正因为某些实验被证明无效，我们才会找到有效的增长方式。

实验失败是大概率事件，我们最好的办法就是增加测试频率、持续测试，而非浅尝辄止，又回到经验主义决策的老路上。

如果你的团队从来没有做过A/B测试，有三点建议给到大家：

1. 从最简单的文案A/B测试开始，比如说测试关键按钮中不同文案的转化率；
2. 多做团队间的经验分享，多分享你的成功经验，有效果的事情大家都愿意尝试；不要天天去分享失败的经验，如果过多分享失败经验，会让你包括你的团队对A/B测试产生质疑，影响团队士气；
3. 可以优先使用第三方免费的A/B测试工具，比如Testin A/B测试，目前支持App、Web/H5、小程序。

六、企业A/B测试成熟度模型

上面介绍了落地A/B测试的三大关键因素，以及A/B测试的最佳实践流程。在这部分，为大家分享企业A/B测试成熟度模型。

我们把企业A/B测试分成四个阶段，分别是起步阶段、成长阶段、成熟阶段和大规模应用阶段。该能力的成熟度最核心指标，就是每周能做多少个A/B测试。

处于起步阶段，平均每周能做0~1个A/B测试，整个组织架构处于开始尝试A/B测试阶段，但内部没有成型的A/B测试实验平台，仍使用最简单的分流方式和数据分析方法进行实验。

此时的A/B测试并不是一个标准的A/B测试，从实验评价体系角度来看，已经设定一个最基本的指标，比如说转化率，但仍没有体系化。

何为体系化指标？也就是从单一指标演进为多维度指标体系，系统跟踪实验对产品的多方面影响。

第三个阶段就是相对比较成熟的阶段，这个时候每周能做到3~10个测试，A/B测试已经成为产品迭代流程的一部分，并需要可视化A/B测试，后端A/B测试等高级功能，以便满足多样的A/B测试需求。

在成熟和大规模应用阶段，提到了一个名词OEC。OEC，可以理解成综合评价指标，可能是复合型指标，在很多单项指标通过加权平均后得到。 通过OEC的设定，指导整个组织的业绩发展。

七、A/B测试系统设计能力

上面分享了如何落地A/B测试。接下来，跟大家分享下设计一个典型的A/B测试系统，需要具备哪几点能力或特征：

1. 科学流量分割

包括唯一性、均匀性、灵活性、定向性及分层分流。

1. 唯一性是指通过精准且高效的Hash算法，确保单个用户每次登录应用时被分到的试验版本是唯一的；
2. 均匀性，则是确保分流人群，各维度分配比例均匀；
3. 灵活性，则需要支持用户随时在实验的进行过程中，调节实验版本之间的流量分配比例；
4. 定向性，则是可以根据用户标签来实现精准定向分流，如根据用户设备标签及其他自定义标签特定分流；
5. 分层分流，则可以满足并行进行大量A/B测试需求。

左：未开启分层分流机制；右：开启分层分流机制

这里重点介绍下为什么需要分层流量分割机制。如果没有分层流量机制，则存在如下限制：

• 每个用户最多只能参加一个A/B测试实验
• 多个实验不能同时使用全体用户进行测试，可能因为人群覆盖度不够高导致结果偏差每个实验的可用实验流量受限于其他正在进行的实验，缺乏灵活的流量分配机制

有了分层流量分割机制，就可以很好地满足并行进行不同业务或不同场景，或者不同产品模块之间的A/B测试需求。

1. 科学统计算法

• 科学统计，使用科学的统计分析方法来对实验数据进行分析，并给出可靠的试验结果；
• 区间估计，给出95%置信区间，避免点估计带来的决断风险；统计显著性判断，通过p-value来判断不同实验版本之间差异显著性；统计功效判断，通过Power来判断不同实验版本统计功效是否充足；精益分析，对实验数据进行去噪音处理，去除噪音数据，以提高统计结果的质量。

上面就是基本的分享内容，限于篇幅，更多A/B测试后面有机会再与大家分享。

“出海”是2018年游戏行业的热词之一。有业内人士曾指出，“出海已不是游戏厂商所谓的战略目标，它和游泳一样是生存技能。”未来一年，出海大战很有可能会过渡到白热化阶段。

而面对全新的市场和玩家，厂商在国内积累的一套方法论显然不能直接套用。要想在海外市场有所斩获，出海游戏数据分析能力是不可缺少的一环，随着产品、用户的增多，厂商在这方面的需求日益增加，尤其对于首次出海的游戏厂商，这种需求会更为强烈。针对于此，专注于游戏行业的数据分析服务提供商ThinkingGame推出了一套针对游戏行业出海的大数据分析系统解决方案。

针对海外市场，三个角度解决运营难题

针对游戏出海的数据业务痛点，ThinkingGame提供的ThinkingGameAnalytics数据分析系统（下称“TGA”）从三个角度提供了出海游戏的数据解决方案。

首先是利用系统的开放性，打通海外第三方服务。TGA系统可以通过功能强大的二次开发组件，将TGA与其他系统打通，一般的做法是将其他系统的数据置入TGA系统，以增强TGA系统的分析能力。

以买量数据为例，国外的第三方买量归因服务如Adjust以及Appsflyer等都提供了完备的渠道归因及假量识别功能，并且支持数据导出功能，这样就可以通过导出买量归因数据，并导入到TGA系统中的方式，将第三方平台的处理过的数据加入到TGA系统。

下图是一家游戏出海公司的真实使用案例。首先将TGA系统项目中的用户ID上传至第三方服务平台作为用户标识，在平台完成归因任务之后，定时将归因数据导出至TGA系统，根据之前打通两系统的用户ID，TGA系统将会自动将渠道归因数据绑定在系统内的用户身上，比如可以将APP安装行为数据传入事件表中，也可以将来源的广告信息作为用户标签设置在用户表中，这样就可以在后续的使用中对比分析不同广告来源的用户在后续使用当中的留存与付费情况，以此评估不同投放渠道、不同广告素材的效果。

其次是前置数据接收节点，解决数据丢失问题。

出海游戏的数据问题中，最为头疼的就是数据延迟与丢失的问题，尤其是数据丢失，会严重影响分析的准确性。基于这个问题，TGA私有化集群在私有化部署工具包中提供了一键部署前置数据接收节点的组件。私有化用户可在海外部署当地的前置数据接收节点，用以缓存当地用户产生的数据，再配合专线将数据传回TGA集群服务器，即可解决数据丢失问题，保证数据稳定无损。此外，TGA系统支持直接在海外服务器上部署私有化集群，从而彻底规避由于地域问题导致的数据完整性问题。

最后是多种接入方式全面支持GDPR。

海外的数据隐私问题一直是需要关注的重点，随着GDPR的推出，不少用户对于第三方SDK存在顾虑，担心SDK会自动收集隐私信息，从而牵涉到数据隐私泄露问题。TGA系统的所有接入方式，包括客户端SDK、服务端SDK、本地日志上传以及restfulApi方法则不会主动收集用户隐私信息，同时后台支持删除单用户数据，也符合GDPR的用户数据删除要求。

大数据体系或成游戏出海标配

在拓展新市场的过程中，数据处理与分析往往是游戏运营最为头疼的问题，而如果没有完善的数据体系作为支撑，可能会增加不少的人力、时间成本投入，长此以往，和头部厂商的距离将越拉越远。整体来看，ThinkingGame的这套TGA系统在满足数据的完整性、可靠性和安全性的基础上，也尽可能给游戏厂商提供了便利，从而实现事半功倍的效果。目前ThinkingGame已经为数十家出海淘金的游戏公司提供专业的数据服务。

或许在未来，一套大数据体系将成为更多游戏厂商出海标配。在数据驱动之下，游戏厂商有机会更深入地了解陌生的海外市场和海外玩家，通过事前分析来判断他们后续的行为，少踩不必要的坑。

广告究竟是想方设法说服你买一件你不需要的东西？还是给你你所需要的？

供给缺乏的年代是前者，生产过剩、消费升级时代是后者。用户接受到的信息应该是一样的？还是应该不一样？大品牌、大媒体、大通路时代是前者，互联网、数据时代是后者。传统广告的思路是前者，数据驱动型的信息流广告是后者。

它最早于 2006 年出现在国外的主流社交巨头上，随后国内的社交媒体、新闻客户端也相继推出信息流广告。它以一种十分自然的方式融入到用户所接受的信息当中。

比如，我们常看到的百度信息流、微博粉丝通广告、微信朋友圈广告，腾讯新闻、今日头条首页的原生广告都是信息流广告。

当然，在现在这些平台，知乎也是一个含金量很高的一个信息流平台。

摩天轮票务和 Soda 的苏打罐的知乎信息流广告

科大讯飞发起 Live，阿玛尼美妆、西门子中国采用了知乎原生文章等形式进行广告投放。

信息流广告

根据 2017 年 3 月官方公布的数据，Instagram 全球社区用户人数超过了 6 亿，广告主月活跃人数则已突破 100 万，而 2016 年同期的数据仅为 20 万，涨到了 5 倍！主要是信息流广告的功劳。

回到中国市场，根据艾瑞咨询的报告，2016 年移动广告市场规模达 1750 亿元，预计 2017 年会达到 2648 亿元。其中信息流广告市场规模为 325.7 亿元，处于快速发展阶段，预计 2018 年会达到 557 亿元。

移动广告常见形式

移动广告包含：原生广告、投屏广告、开屏广告、插屏广告、积分墙、搜索类广告等等。

原生广告自 2013 年被提出以来，一直是数字营销界的焦点。简单的说就是广告与内容融合在一起，把广告变成内容的一部分。

原生广告有很多种形式，信息流、视频、应用内功能植入、表情包植入、游戏关卡植入等。信息流广告是原生广告的一种，最被人们所熟知。

信息流广告特点

通过高精细的标签体系理解真实用户，包括他们的基本属性、媒体行为、用户环境、用户状态、商业兴趣、用户行为等等。

基本属性：性别、年龄、职业、学历、常住地址等

用户状态：婚姻状况、消费水平、在校学生等

用户行为：电商购物行为、APP 行为、PC 行为

用户环境：设备型号、LBS 信息、联网方式、运营商

商业兴趣：旅游、购物、奢侈品、汽车

以朋友圈广告为例，信息流广告支持按照地域、性别、年龄、手机（品牌型号、手机系统及联网环境）、婚恋情况、学历、兴趣标签（商业兴趣/APP 兴趣）、LBS、关键词定向、再营销等属性进行定向。

比如，在奔驰新车发布阶段，信息流广告可以基于浏览、搜索、关注、参与讨论等用户在线行为，获取奔驰用户人群，并通过整合第三方垂直平台的数据，获取可能对新车感兴趣的高相关人群，结合标签体系，在精准定向的信息上，比如：用户手机号、设备号等。绘制出用户“行为场景画像”。从而精准触达，形成内部转化。

此外，信息流广告支持更精准的强曝光与更广的覆盖，可以实现递进式追投，二次营销，可以针对不同决策人群，投放同一产品的不同广告，还可以对垂直行业高相关度人群触达。

信息流广告优秀案例

国外很多品牌信息流广告的案例，除了借助标签组合策略实现精准投递以外，更会添加不少有趣的互动形式。

一、在 Instagram 的信息流广告中，乐事薯片团队希望覆盖千禧一代的消费者，鼓励他们参加 Flavor Swap 活动，品尝经典风味与新推风味的乐事薯片，并为自己喜欢的风味投票。

此次营销整体目标是以更低的单次展示费用增加线下销量，在 Facebook 和 Instagram 推出 Flavor Swap 营销活动，投放 4 条 Video Ads，对比经典风味薯片和新推风味，鼓励热门投票。 相比单独投放 Facebook 广告，加入Instagram广告使覆盖人数增了 5%，单次展示费用降低了 3%，销量增加了 5%。

二、俄亥俄州主题公园 Cedar Point 在 Snapchat 上推广万圣节优惠，利用 24 小时即焚的特点，让用户集中注意力，观察快速飘过的鬼怪，成功截图即可获得丰厚奖励。这个广告吸引了超过 14 万点击，让品牌的互动率提高了 233%。

在 Snapchat 上的原生广告

当然光通过精准定向和有趣的互动内容做投放还是不够的，还要理解怎样提升转化率和降低获客成本的方法。通常情况下，我们把信息流广告效果好归结为以下两个动作的关键点：

降低获客成本：使固定的广告费用带来更多的客户人群，从而产生更多的最终交易转化。

提升转化率：让投放出去的广告费带来的客户更大比例地产生交易，实现收益的提升。

所以如何降低获客成本和提升点击率成了大多数信息流广告优化师所头疼的事情，经常出现“尝试了很多种方法、成本就是降不下来”，“落地页反复修改，转化率依然低的令人发指”，这一类的情况。

怎么做？

详细剖析这两个指标的相关因素

现在主流的信息流投放平台大都分为 cpc 计费模式和 cpm 计费模式，这里单说 cpc 计费模式：

获客成本 = 投放金额／到访量 = 单次点击价格*点击量／点击量*抵达率 = 单次点击价格／抵达率

由此我们看到，获客成本拆解下来我们能够直接调控的是点击价格和抵达率。

点击价格 = 下一名的出价*下一名的点击率／自己的点击率+0.01

抵达率 = 网站到访量／点击量

由此可得，我们可以提高网站浏览体验（速度）保证抵达率，提升广告的点击率，从而降低点击价格，从而让固定的投放获得更多的点击量，从而降低获客成本。

转化率 = 成单量／到访量 = 到访量*咨询率（留线索率）*成单率／到访量 = 咨询率（留线索率）*成单率

由此可得转化率的决定因素是销售流程上的，在线咨询率（留线索率）和成单率决定了固定的到访客户有多少能够转化为消费客户。

综上，CPC 计费模式下，点击率、在线咨询率（留线索率）、成单率决定了广告投放的效果。

综合考虑各指标的影响

很多时候，效果不好往往是各方面因素综合导致的，并不是单方面的。上面我们讲到，效果的决定指标是点击率、线索率和成单率，那这三个指标背后又存在什么样的影响指标？

点击率：流量精准度（平台、定向）、广告样式（大图、三图、小图、视频）、展现位置（考前、靠后、列表页、内容页）、文案、配图。

线索率：流量精准度（平台、定向）、文案、落地页引导。

成单率：活动、落地页、流量精准度、销售能力。

数下来少说十几个影响因素了，所以在看效果的时候要有一定的逻辑，我把点击率、线索率、成单率这三个指标称为效果的决定指标，把这三个指标下面的相关指标称为深度影响指标，在分析效果不好的原因的时候先看决定指标，再看深度影响指标。

反复 A/B 测试

在信息流广告的投放过程中，最关键的因素其实是创意，也就是文案标题、配图和样式，对如何写出好创意，唯一的方法就是试，原因在于，你觉得好的，不一定点击率高，可能你学习了大V的文案撰写方法，点击率确实不错但转化效果却奇差，那怎么办？写很多很多条创意，用很多种配图，不断进行 A/B 测试，在有一定的数据基础之后，得出比较可靠的结果，什么样的产品，用什么样的卖点切入写什么样的文案，用什么样的配图效果会好。

A/B 测试的关键在于，除了更换创意之外，保持所有其他变量（人群定向、排名、出价、着陆页等）不变，短时间内大量的投放测出一个结果，测试对比最少 10 组不同卖点，不同配图的创意。

A/B 测试之所以难运用，是因为我们大多数人很难能保证测试结果不受其他因素（竞争环境、排名）的影响，所以 A/B 测试一定要保证第一短时间内（30 钟左右），第二大量的投放（点击量1000以上）。

另外，A/B 测试并不只用于创意测试，更可用于人群、排名、落地页等方面。

改进投放方法

所以，当你做了大量的投放，做了很多次A/B测试，也找到了影响效果的原因，该如何改进投放方法呢？

点击率方面：

1、账户结构清晰的划分人群，圈定精准人群的同时，保证流量充足，选择给转化率高的人群更充足的预算和更好的广告位。

2、选择点击率高并且转化率不错的创意，按照该类卖点延伸多种写法进行投放，这里需要注意的是创意并不是点击率越高越好，不能太硬（点击率提不上去），也不能是标题党（不精准人群点击造成广告费浪费），需要有产品卖点突出再加上软性的写法。

3、出价选择保持在能接受的一个范围内不变，通过其他方面提升点击率去获得更好的排名。

4、样式和配图是影响点击率的一个重要因素，通常情况下大图的点击率会高于其他样式，但一条好的文案可以拯救样式的不足，同时，配图的技巧需要 A/B 测试得出合适的图片类型、背景色等。

结语

至此，做好信息流广告效果的基础逻辑层面大致讲述完毕，信息流的历史与趋势、信息流的广告形式、对人群定向、创意撰写方法、内容玩法与制作、A/B 测试等内容，都有涉及与分享，但是整个信息流投放不是我这一篇文章能够讲清楚，说明白的，我只是抛砖引玉，点到为止。

 

小程序现在火了。但是应该如何监测小程序的数据呢？相信这是一个大家都关心的问题。这篇文章对这个问题进行解答。

 

一共包括两个部分：

this.getUserInfo(function(userInfo){jice.addUserIdentifier({

openid: openid, // openidid

unionid: unionid, // unionid

nickname: userInfo.nickName, //昵称

wxgender: userInfo.gender, //性别

wxcity: userInfo.city, //微信设置城市

wxprovince: userInfo.province, //微信设置省份

wxcountry: userInfo.country, //微信设置国家

avatarurl: userInfo.avatarUrl //头像url

})

})

漏斗分析是很常见的做转化流程、表单等业务分析的模型，漏斗的主要形态，如下图。

• 重填率：发现用户反复修改的表单项，计算公式：与该表单项发生>1次互动的人数/所有与该表单项互动的人数；
• 人均填写次数计算公式：该表单项的互动次数/该表单项的互动人数
• 平均填写时长：了解各表单项耗费用户的时长；
• 表单项流失率：判断流失的用户都是从哪个表单项离开的。
• 还有很多指标，比如表单空白项、填写路径等

广告究竟是想方设法说服你买一件你不需要的东西？还是给你你所需要的？

供给缺乏的年代是前者，生产过剩、消费升级时代是后者。用户接受到的信息应该是一样的？还是应该不一样？大品牌、大媒体、大通路时代是前者，互联网、数据时代是后者。传统广告的思路是前者，数据驱动型的信息流广告是后者。

它最早于2006年出现在国外的主流社交巨头上，随后国内的社交媒体、新闻客户端也相继推出信息流广告。它以一种十分自然的方式融入到用户所接受的信息当中。

比如，我们常看到的百度信息流、微博粉丝通广告、微信朋友圈广告，腾讯新闻、今日头条首页的原生广告都是信息流广告。

当然，在现在这些平台，知乎也是一个含金量很高的一个信息流平台。

摩天轮票务和Soda的苏打罐的知乎信息流广告

科大讯飞发起Live，阿玛尼美妆、西门子中国采用了知乎原生文章等形式进行广告投放。

根据2017年3月官方公布的数据，Instagram全球社区用户人数超过了 6 亿，广告主月活跃人数则已突破 100 万，而2016年同期的数据仅为 20 万，涨到了5倍！主要是信息流广告的功劳。

回到中国市场，根据艾瑞咨询的报告，2016年移动广告市场规模达1750亿元，预计2017年会达到2648亿元。其中信息流广告市场规模为325.7亿元，处于快速发展阶段，预计2018年会达到557亿元。

那么移动广告都包含哪些常见的形式呢？

移动广告包含：原生广告、投屏广告、开屏广告、插屏广告、积分墙、搜索类广告等等。

原生广告自2013年被提出以来，一直是数字营销界的焦点。简单的说就是广告与内容融合在一起，把广告变成内容的一部分。

原生广告有很多种形式，信息流、视频、应用内功能植入、表情包植入、游戏关卡植入等。信息流广告是原生广告的一种，最被人们所熟知。

那么信息流广告的特点有哪些呢？

通过高精细的标签体系理解真实用户，包括他们的基本属性、媒体行为、用户环境、用户状态、商业兴趣、用户行为等等。

基本属性：性别、年龄、职业、学历、常住地址等

用户状态：婚姻状况、消费水平、在校学生等等

用户行为：电商购物行为、APP行为、PC行为

用户环境：设备型号、LBS信息、联网方式、运营商

商业兴趣：旅游、购物、奢侈品、汽车

以朋友圈广告为例，信息流广告支持按照地域、性别、年龄、手机（品牌型号、手机系统及联网环境）、婚恋情况、学历、兴趣标签（商业兴趣/APP兴趣）、LBS、关键词定向、再营销等属性进行定向。

比如，在奔驰新车发布阶段，信息流广告可以基于浏览、搜索、关注、参与讨论等用户在线行为，获取奔驰用户人群，并通过整合第三方垂直平台的数据，获取可能对新车感兴趣的高相关人群，结合标签体系，在精准定向的信息上，比如：用户手机号、设备号等。绘制出用户“行为场景画像”。从而精准触达，形成内部转化。

此外，信息流广告支持更精准的强曝光与更广的覆盖，可以实现递进式追投，二次营销，可以针对不同决策人群，投放同一产品的不同广告，还可以对垂直行业高相关度人群触达。

举两个信息流广告优秀案例

国外很多品牌信息流广告的案例，除了借助标签组合策略实现精准投递以外，更会添加不少有趣的互动形式。

1、在Instagram的信息流广告中，乐事薯片团队希望覆盖千禧一代的消费者，鼓励他们参加 Flavor Swap 活动，品尝经典风味与新推风味的乐事薯片，并为自己喜欢的风味投票。

此次营销整体目标是以更低的单次展示费用增加线下销量，在Facebook和Instagram推出Flavor Swap营销活动，投放4条Video Ads，对比经典风味薯片和新推风味，鼓励热门投票。 相比单独投放Facebook广告，加入Instagram广告使覆盖人数增了5%，单次展示费用降低了3%，销量增加了5%。

2、俄亥俄州主题公园Cedar Point在Snapchat上推广万圣节优惠，利用24小时即焚的特点，让用户集中注意力，观察快速飘过的鬼怪，成功截图即可获得丰厚奖励。这个广告吸引了超过14万点击，让品牌的互动率提高了233%。

在Snapchat上的原生广告

当然光通过精准定向和有趣的互动内容做投放还是不够的，还要理解怎样提升转化率和降低获客成本的方法。通常情况下，我们把信息流广告效果好归结为以下两个动作的关键点：

降低获客成本：使固定的广告费用带来更多的客户人群，从而产生更多的最终交易转化。

提升转化率：让投放出去的广告费带来的客户更大比例地产生交易，实现收益的提升。

所以如何降低获客成本和提升点击率成了大多数信息流广告优化师所头疼的事情，经常出现“尝试了很多种方法、成本就是降不下来”，“落地页反复修改，转化率依然低的令人发指”，这一类的情况。

那么，到底该怎么做？

1、详细剖析这两个指标的相关因素

现在主流的信息流投放平台大都分为cpc计费模式和cpm计费模式，这里单说cpc计费模式：

获客成本 = 投放金额／到访量 = 单次点击价格*点击量／点击量*抵达率 = 单次点击价格／抵达率

由此我们看到，获客成本拆解下来我们能够直接调控的是点击价格和抵达率

点击价格 = 下一名的出价*下一名的点击率／自己的点击率+0.01

抵达率 = 网站到访量／点击量

由此可得，我们可以提高网站浏览体验（速度）保证抵达率，提升广告的点击率，从而降低点击价格，从而让固定的投放获得更多的点击量，从而降低获客成本。

转化率 = 成单量／到访量 = 到访量*咨询率（留线索率）*成单率／到访量 = 咨询率（留线索率）*成单率

由此可得转化率的决定因素是销售流程上的，在线咨询率（留线索率）和成单率决定了固定的到访客户有多少能够转化为消费客户。

综上，CPC计费模式下，点击率、在线咨询率（留线索率）、成单率决定了广告投放的效果

2、综合考虑各指标的影响

很多时候，效果不好往往是各方面因素综合导致的，并不是单方面的。上面我们讲到，效果的决定指标是点击率、线索率和成单率，那这三个指标背后又存在什么样的影响指标？

点击率：流量精准度（平台、定向）、广告样式（大图、三图、小图、视频）、展现位置（考前、靠后、列表页、内容页）、文案、配图

线索率：流量精准度（平台、定向）、文案、落地页引导

成单率：活动、落地页、流量精准度、销售能力

数下来少说十几个影响因素了，所以在看效果的时候要有一定的逻辑，我把点击率、线索率、成单率这三个指标称为效果的决定指标，把这三个指标下面的相关指标称为深度影响指标，在分析效果不好的原因的时候先看决定指标，再看深度影响指标。

3、反复A/B测试

在信息流广告的投放过程中，最关键的因素其实是创意，也就是文案标题、配图和样式，对如何写出好创意，唯一的方法就是试，原因在于，你觉得好的，不一定点击率高，可能你学习了大V的文案撰写方法，点击率确实不错但转化效果却奇差，那怎么办？写很多很多条创意，用很多种配图，不断进行A/B测试，在有一定的数据基础之后，得出比较可靠的结果，什么样的产品，用什么样的卖点切入写什么样的文案，用什么样的配图效果会好。

 A/B测试的关键在于，除了更换创意之外，保持所有其他变量（人群定向、排名、出价、着陆页等）不变，短时间内大量的投放测出一个结果，测试对比最少10组不同卖点，不同配图的创意。

A/B测试之所以难运用，是因为我们大多数人很难能保证测试结果不受其他因素（竞争环境、排名）的影响，所以A/B测试一定要保证第一短时间内（30钟左右），第二大量的投放（点击量1000以上）

另外，A/B测试并不只用于创意测试，更可用于人群、排名、落地页等方面。

4、改进投放方法

所以，当你做了大量的投放，做了很多次A/B测试，也找到了影响效果的原因，该如何改进投放方法呢？

点击率方面：

1）账户结构清晰的划分人群，圈定精准人群的同时，保证流量充足，选择给转化率高的人群更充足的预算和更好的广告位。

2）选择点击率高并且转化率不错的创意，按照该类卖点延伸多种写法进行投放，这里需要注意的是创意并不是点击率越高越好，不能太硬（点击率提不上去），也不能是标题党（不精准人群点击造成广告费浪费），需要有产品卖点突出再加上软性的写法。

3）出价选择保持在能接受的一个范围内不变，通过其他方面提升点击率去获得更好的排名。

4）样式和配图是影响点击率的一个重要因素，通常情况下大图的点击率会高于其他样式，但一条好的文案可以拯救样式的不足，同时，配图的技巧需要A/B测试得出合适的图片类型、背景色等。

至此，做好信息流广告效果的基础逻辑层面大致讲述完毕，信息流的历史与趋势、信息流的广告形式、对人群定向、创意撰写方法、内容玩法与制作、A/B测试等内容，都有涉及与分享，但是整个信息流投放不是我这一篇文章能够讲清楚，说明白的，我只是抛砖引玉，点到为止。

当人们在日常生活中可以接触到爆炸式的信息量时，如何让内容脱颖而出形成病毒式传播效应，并因此提高转化率是很多平台都急需解决的问题。

这在招聘的岗位上就能体现，不少平台对于增长类的岗位需求十分旺盛。

其实，想要实现病毒式的增长需要优质的创意和适当的手段，这其中完全有法可循。

一、产品自身不具备病毒式特征，如何创造病毒性内容？

每个产品运营人都背负着KPI包袱，大家都寄希望于自己的产品具有病毒性特质，这样的话工作压力也就随之减轻。

但是事实上，很多产品本身并不具备这样的特质，那么它就不能做到病毒性传播了吗？

在线个人理财软件敏特在两年内用户数增加到150万，之后以1.7亿美元卖给了财捷集团。

敏特所在的市场有无数竞争者，包括比它早一年成立的在线理财平台维萨博，这些竞争者中不乏拥有实力雄厚的大银行或风险投资公司支持，但是敏特却脱颖而出。

其实，在敏特开展业务的市场中，大多数人并不是很乐意谈论个人理财问题。

为了在这个拥挤而富有挑战的市场中拔得头筹，敏特在市场营销方面进行了有创意的尝试，并利用三种不同的推荐算法来驱动认知度和吸引客户，包括：谷歌搜索结果、社交新闻聚合以及iTunes 应用商店。

在每个情况下，敏特都战略性地根据这几个平台的机制优化自己的运营策略。

1. 敏特的谷歌策略

在搞清楚如何优化谷歌搜索结果之后，敏特意识到人们并非去谷歌寻找“个人财务软件”。相反，敏特认为人们更可能用和他们遇到的问题相近的词语，像“财产帮助”。

敏特在推出预算管理软件之前很早就创建了一个财务建议博客。当人们搜索这方面的信息时，就会发现有关预算管理的有用内容和由个人撰写的理财文章，这些文章由敏特团队的成员撰写，旨在鼓励读者整顿自己的财务状况。

这些文章对客户有用，同时也是将他们引向敏特服务的重要线索：当敏特采取措施来写与用户搜索的那些题目相关的文章时，这家公司也保证了这些文章对访客是有帮助的，不管他们最终会不会成为敏特的用户。

敏特努力确保其相关内容易于被搜索到。而这种搜索在很多商业机构看来是其商业的核心，值得投资。

2. 社交新闻聚合

敏特的博客在经过不懈努力的运营下成为了在线个人理财博客中排名最靠前的一个。

敏特前首席设计师贾森·普托尔蒂对互联网分析提供商KISS Metrics说：“我们的App不具有很强的病毒式传播特性，但是我们的内容有。”

实际上，敏特的内容太具有病毒式传播特性了，以至它会被分享到大型社交新闻聚合网站上。这些网站按照用户投票来决定文章的曝光度，一篇能最终在其首页出现的文章对流量的贡献是很重要的。

在敏特团队发现这个流量来源后，他们开始研究那些传播效果好的内容，并创造出更多相似的内容。

3. iTunes 应用商店的应用

在2008年年中，iPhone推出一年多以后，敏特开始开发手机战略。

敏特产品副总监亚伦·福思说：“当时进军手机市场并不是一个显而易见的选择，因为那时敏特的所有收入都来自访问敏特网站的个人用户。”

然而，几年之后，20%的用户只通过手机访问敏特，大多数人都将敏特账户和手机绑定。当敏特决定推出手机应用时，受资源所限，最初只做了iOS平台的App。

不到一年，在被财捷集团收购以后，这家公司又推出了安卓App。

在西南偏南大会上的一次演讲中，亚伦对外宣称他们预先的目标是成为自由金融领域排名前三的App——他们认识到了排名靠前对成功的重要性，就像之前说谷歌搜索结果靠前对成功的重要性一样。

敏特成功创造了一个最受欢迎的App，它的确带来了重要的新用户。截至2011年，20%的注册用户都来源于手机App，多数用户将账户与手机绑定。

由此得出关于这一进程的一个重要结论：

在多数情况下，如果你找到一个平台并在“所有人”都知道它之前开始优化进程，你就有很多机会来推动突破性增长战略。在一些渠道还未完全成熟的时候来挖掘，其成功的几率不容小觑。

因此，当你接手一个看似不能成为病毒性传播的产品时也不必焦虑，完全可以借用平台的力量，打造出带有病毒性内容的产品。

二、寻找由用户为非用户

1. 提供的内容，使其便于分享

You Tube高速增长的早期催化剂是它以多种方式利用MySpace平台的能力。当然，一开始的关键因素是，MySpace作者想拥有将You Tube视频上传到各自站点的能力。

接下来，让其他那些在访问已经加载了You Tube视频链接的MySpace作者了解到，他们也可以这么做。

虽然MySpace不再如起初一样受欢迎，但这条原则仍在其他各类社交平台得到应用。如下图所示，在每条You Tube视频下面， 有一个分享选项，可以通过简单的点击，将视频分享到13个第三方平台上。

You Tube分享选项截图

Hotmail在同样的方法做了些许改变，它在每封要发出的邮件底部增加了一条备注。默认签名下方，有一条信息说明邮件是由Hotmail账户发出的，以及一个向接收者提供的免费注册Hotmail账户的链接。

这个策略取得了令人难以置信的成功，并使Hotmail成为第一批实现病毒式增长的互联网公司之一。

实际上，早期投资者史蒂夫·贾维森在他开设的风险投资公司的网站上写了一篇文章，阐述这种营销技巧的力量。

他谈到Hotmail：

在每个Hotmail用户发出的出站消息中包含了一个可点击的URL（统一资源定位器）链接，以推广其网页版邮箱。

这其中包含着一个病毒营销的关键要素：只要用其产品，每个客户就会变成它非自愿的销售人员。

史蒂夫将Hotmail所用技巧与其竞争对手Juno进行对比，通过比较两家的营销预算发现，Hotmail在18个月的时间里，用5万美元的市场营销预算，收获了1200万名用户，而Juno通过传统广告方式，用2000万美元预算，收获的用户数量却比Hotmail少很多。

Hotmail在当时实现的增长没人能预料到，这家公司成了第一个伟大的案例，它证明在互联网产品应用障碍减少的情况下，一个产品实现病毒式扩散变得多么容易。

三、通过现金或者奖金

1. 奖励用户

在平台建立之初，在线支付和转账平台Pay Pal会分别奖励10美元给新注册用户及邀请来这位用户的用户。

虽然有人破坏系统游戏规则（人们通过创建多个邮箱进行注册和邀请，使得每个账户能获得超过20美元的收入），但这种策略确实催化了公司早期的增长，联合创始人彼得·蒂尔谈到：

在Pay Pal平台上，我们的初始用户只有24人，这些人都在Pay Pal工作。

通过打横幅广告的方式来获取用户，已经被证明成本太高了。然而，直接给注册用户发钱，在他们邀请朋友注册后，给他们更多钱，这个方式让我们实现了显著增长。

运用这个策略，每增加一个用户要耗费20 美元，但它也带给我们7%的日增长率，这意味着每10天我们的用户数几乎翻一番。

四五个月之后，我们拥有了众多用户，以及一个实实在在的机会来通过为用户提供小额转账服务，创建一家伟大的公司，这个服务带来的收益远超过我们为增加用户付出的成本。

另一个用现金奖励用户的案例应该是在线云存储公司Dropbox。

这家公司创始人兼首席执行官德鲁·休斯敦在2010 年的一次演讲中，证明他们用了Pay Pal的推荐计划来激励口碑营销，最终推动了 Dropbox的病毒式增长。

作为背景信息，需要指出的是，在2008年9月产品上市之后，这家公司尝试了很多传统营销技巧来增加用户，包括开展公关活动，在谷歌上投放按点击收费的广告等。

不幸的是，德鲁解释一个99 美元的产品需要233~388 美元的客户营销费，这显然是不可持续的。

然而，Dropbox的核心客户确实喜欢它们的产品，他们将此告知了朋友。这一点是这家公司后来出现14 个月“显灵期”的关键，它们通过物质奖励——以扩大免费容量的方式——给那些注册之后分享文档以及接受朋友分享文档的人，来优化增长。

这个优化的新推荐计划推出后，带来了 60%的新增注册用户，以及“15%~20%的持续月增长率”。

四、为最有价值的用户优化服务

通常情况下你最忠实的用户也是推荐新用户最多的人。考虑到这一点，有时候你需要考虑引入帮助最有价值的用户优化体验的功能，尽量简化初始互动。

2006年9月最初发布后，Facebook对其互动功能进行常规改进，但News Feed（信息流）这个开创性改变引入了将按照时间逆向排序的更新推送给那些在Facebook上彼此有联系的人。

这个功能RSS（简易信息聚合）阅读器等服务都用过，它允许用户推送博客及其他媒体网站最新发布的内容，Facebook的News Feed（信息流）可以说带来了社交网络更新标准交互范式的到来。

不幸的是，彼时那并非是Facebook上约800万名学生用户群平时想要分享的内容。他们中很多人很快决定，以组团抗议的形式，让Facebook了解到他们对此的不满。

《时代周刊》在这一功能推出的那周发表了一篇文章讲述了这件事：

从周二开始（新功能推出的那天），Facebook上就出现了几个反对News Feed的小组。最大的一组有28.4万名成员，叫作“反对FacebookNews Feed的学生（向Facebook的官方请愿）。

这个小组由本·帕尔于早上创建，他是西北大学的大三学生，登录 Facebook发现这个功能后感觉很厌恶。帕尔迅速发起了一次会议并创建了一个小组，将这件事告知几个朋友后，他就离开了电脑。

几个小时后，他回到电脑前发现成员已经达到1.3万人，而且一整天都在平稳增长，到下午2点，人数飙升到10万——这个时候，帕尔宣告成员募集结束。

有意思的是，Facebook上一个小组成员在没有广告、没有任何推广的情况下快速增长的事实，很好地展现了Facebook上新的“基于动态”的互动多么有效。

无须搜索帕尔的个人资料来寻找他创建的小组，每个加入这个小组的人会迅速将小组的动态以动态信息的形式发送给各自的朋友。这使得Facebook的News Feed小组进一步确信，新的用户界面范式是在正确轨道上的。

五、利用已有联系来延伸

人们很容易忽视一个事实，即有时需要让人很快想起他们想要邀请的人到底是谁。因为Facebook以及推特等数字服务中规划了这样的链接，我们发现这个论断是真的。

2004年，只有不到1/4 的领英新用户会写下朋友的电子邮件地址，邀请他们加入社交网络。这明显严重限制了社交网络的扩张。所以领英团队创建了一个办公软件Outlook插件，它会自动检查新用户的联系方式以备发出潜在的邀请。

这项功能非常受欢迎，7%的新用户用到了这项功能，由此新用户发出的邀请数量也提升了30%。

人们很容易想到领英、Facebook以及推特等平台上的社交联系，但这项功能是一个很好的提醒，即在那些不很明显的数字存储器，比如电子邮件、电话地址簿上，还有很多社交联系。

那么如何让邀请其他用户的行为更加“游戏化”来提高用户自主拉新的行动力呢？

“游戏化”这个术语这几年很流行，《韦氏词典》给它的定义是：

（作为一项任务）在某种东西中增加游戏或者类似游戏的元素来鼓励参与的过程。

很多公司一直在努力利用物质激励促销，比如给顾客发兑换券，他们在下次购买东西时，可以凭券兑换免费奖品或者享受打折服务。

然而，这类激励10年前就基本成为大多数公司管理咨询顾问的必然推荐。事实上，一个大型分析公司发布了一份报告，指出“全球2000家公司中70%拥有至少一个游戏化应用”。

这项策略当然可以成为一个必选项，但其实也可以考虑激励顾客做其他事情，让他们将产品推荐给认识的人，让那些人也成为你的顾客。

领英在这方面就展现出与众不同的方式，许多职业人士都接受过其激励办法。多年以来，这家公司用了很多精彩的办法，激励人们完善个人信息。你可能会记得它的策略，叫作让你的档案“百分之百完善”。

这个策略讽刺的地方在于，系统显然根本不知道一个人的完整职业档案是什么样子，但很多人还是受到鼓动开始完成这项任务，这个案例中还包括创建一个领英档案。

六、运用数据做出

1. 科学化的决定

进入数字化时代后，生产海量数据已经变得越来越容易。在工作上做出决定时，人们往往也更加依赖于从数据中找寻答案。不过，在开始依靠数据做出决定之前，要确保你问的问题是正确的。

20世纪70年代有一个经典的营销案例，它发生在两大可乐巨头之间：可口可乐和百事可乐。

可口可乐一直有一个符号性的瓶子设计，极具辨识度，它也是可口可乐令人羡慕的强大品牌的宣言。

百事觉得人们因为喜欢可口可乐的瓶子而更为喜爱可口可乐，于是决定要改变这种状况。

1970年，约翰·斯卡利受聘做了百事公司的营销总监。他的第一项任务，就是开发一款有特色的玻璃瓶来与可口可乐的6.5盎司容器竞争。

如果约翰·斯卡利不是一个有创意、有好奇心的人，他肯定会重蹈前任的覆辙走上失败之路：试图设计一款像可口可乐6.5盎司玻璃瓶一样有品牌辨识度的瓶子。他可能会做以下几件事：

1. 设计一款新的6.5盎司瓶子；
2. 进行消费者调查；
3. 发现消费者还是更为喜欢可口可乐的设计；
4. 回到第一步，直到被开除或者换到其他项目。

约翰的确设计了一款新的百事饮料瓶，并将瓶子拿出去进行了消费者调查。当百事送出了更多饮料，并从那些愿意以得到免费百事饮料为交换成为测试者的人那里得到反馈时，约翰发现一件有趣的事情：所有的百事饮料都被喝掉了。

他这时才意识到真正要解决的问题在哪里。斯卡利没去设计新款的6.5盎司瓶子，他觉得设计一个更大号的瓶子或许更有意义，这也避免了在小号可乐市场的激烈竞争。

通过这个办法，百事将会提升收益，因为消费者消耗的饮料更多，公司的盈利也会更大，而用更大的瓶子顾客也会得到更多他们想要的。

他发明了2升的饮料瓶。除了让消费者能买到更大量的饮料外，这种瓶子也会更多出现在沃尔玛等超级市场中，因为它是塑料而不是玻璃做的。

在这之前，沃尔玛从来不进可乐，因为储存易碎的玻璃制品对它而言存在困难。《商业管理日报》发表的一篇文章提到，时年30岁的斯卡利说服了零售业传奇人物山姆·沃尔顿在沃尔玛销售百事可乐。

“沃尔顿先生，这是我们的新款包装不易碎的百事饮料，我们认为它很适合在你的超市售卖。”斯卡利说。

接着他故意让瓶子掉在地上。沃尔顿认为这样会搞得一团糟。但当瓶子从地上轻轻弹动，毫无损伤地在地上滚出一段距离之后，沃尔顿惊住了。

“这瓶子是什么做的？”沃尔顿惊喜地问道。“这是我们最成功的营销活动的开始。”斯卡利说。

斯卡利用数据帮助自己做决定，但他没有让数据代替他做决定。他用自己的判断对数据显示给他的事实做出互补。

如果他受到数据驱动的话，他可能会走进死胡同，最终只是带来百事饮料销量增加。

但是，斯卡利通过运用数据做出了创新，将百事变成了巨头，这也最终帮助他得到了苹果公司首席执行官的职位。

当你想要推广一款新产品或者一项新服务时，现有顾客可能会是最重要的增长引擎之一。因为熟人的推荐往往可信度更高。那么就需要考虑减少顾客在推荐时可能会遇到的各方面障碍，不同的推广内容采用不同的互动方式。

拉新、促活、留存，是日常运营工作中的常见指标，通过这些角度的指标可以统计反馈APP的用户增长情况。但对很多运营人来说，常规指标的数据统计只是停留于数字本身的记录，而不能发现数字背后的增长契机。

本文将从推广新增、用户活跃、用户留存3个角度帮你建立正确的运营数据分析思路。

01 获客阶段要统计哪些数据？

获客阶段的数据分析要关注哪些内容？

在获客阶段，通过数据分析主要解决3个问题：

1.你的广告费有没有带来真实的转化

通常我们在统计付费推广效果时，都会衡量渠道转化ROI，简单说就是每个用户转化花了多少钱，但是无法看出是否转化了有效用户。

因此，在统计维度上除了关注下载量、新增用户量，还要关注1次访问用户，如果1次访问用户量过多，说明渠道不精准。

通过各渠道转化ROI的对比和不同付费方式的转化ROI对比，找出最具性价比的推广渠道，同时关注有效ROI，从用户价值的角度衡量转化效果。

2.新增用户量受哪些因素影响？

通过对下载量、新增用户量等数据的统计，各维度数据需要取平均值，关注该维度数据与平均值的对比、与昨日数据对比，观察变化因素。

同时，为了找出影响因素，在推广条件相同（相同渠道推广花费相同，比如都没有付费）下，对比不同月份、星期几以及24小时不同时间的变化情况，分析时间因素对数据的影响。

3.衡量曝光量与下载量之间的关系

曝光代表产品品牌露出，下载代表获得实际用户增长，通过对下载转化率的分析，观察不同渠道各需要多少次曝光才能带来一次下载。

同时，对下载转化率的分析还需要从推广标题、关键词、详情描述等内容角度触发，观察不同内容对数据的影响，找出最优的推广文案。

02 活跃用户数据有哪些统计维度，要如何分析？ 

活跃用户的数据分析要关注哪些内容？

针对活跃用户的数据分析，可以解决4个问题：

1.定义活跃用户指标

在上表中的“衡量维度”数据是通过访问时长、会话次数等维度衡量活跃用户的不同维度，可以分析出各自维度的平均值及高于平均值的用户数量；

而“收藏指数”是指反馈用户对产品产生真正使用行为的数据维度，收藏代表用户对内容的认可，不同产品的“收藏指数”定义不同，如电商产品以“加入购物车”或“浏览3个商品详情页”作为衡量维度，通过用户行为来定义“活跃用户”的标准。

2.通过活跃用户变化反馈产品健康度

通过日活、3日活跃、7日活跃、30日活跃等不同时间维度的活跃用户变化情况，反馈阶段时间内产品运营策略的正确性以及产品内容、服务的用户满意度。

3.统计“回流”用户数据变化

不同时间维度分析中都有一个“回流”数据，即通过分析几日前不活跃但今日活跃的用户，观察3日回流、7日回流、30日回流的用户变化情况。

4.衡量活动质量与活跃用户来源

通过分析各渠道、活动转化用户中的活跃用户占比，衡量渠道效果，同时分析各渠道、活动转化的活跃用户在整体用户中的占比，分析活跃用户来源。

03 留存用户要统计哪些数据？

如何定义留存用户？

留存用户是指某个用户群体在一段时间内对产品有访问行为，留存用户的定义有2种方式：

第一种是常规的方式，阶段时间内有任意访问行为的用户即为留存用户；

第二种是需要用户有一定访问行为，例如浏览时间多长、访问几次、访问哪些页面。

对于留存用户，建议采取第一种定义方式，阶段时间内有任意访问行为，代表用户对产品还有印象，就有促活的可能。

留存用户分析有哪些价值？

留存用户量的统计在于衡量产品的用户规模，而精细化运营的留存用户分析，需要通过留存用户找出提升用户留存的方法。留存用户分析有3个重点方向：

1.发现留存用户特征

基于用户行为特征，如浏览时长、领取过优惠券等群体或特殊行为特征，分析不同特征下的留存用户量，找出高留存特征与低留存特征，同时基于一个特征找出提升留存的值。

如通过用户使用时长分析留存用户特征，日使用10分钟、15分钟、20分钟、30分钟等不同时间段的留存用户有哪些区别，观察出对留存影响较显著的时间维度，如某日新增用户中使用15分钟的用户留存率较使用10分钟的用户留存率显著提升了20%，那么应以用户使用时长15分钟作为提升用户留存率的标准。

2.发现渠道转化用户留存特征

通过对不同渠道转化用户的留存率分析，发现渠道对用户留存的影响因素，判断不同渠道的用户喜好与对产品的需求。

3.分析会话流失节点

会话流失节点是指用户在一次访问过程中的退出页面，算为一次会话流失。通过分析高流失的页面，找出用户流失的产品因素，进而优化相关内容。

04 总结

新增、活跃、留存3个阶段的数据统计目的在于通过数据真实反馈APP在用户使用体验中的数据化反馈，通过细分每个维度的统计指标，找到新增后行为特征、活跃用户活跃特征、留存用户的留存特征，从而提升新增、活跃、留存3个维度的数据表现。

在以用户增长为目的产品迭代中，“如何通过数据驱动产品增长”是大多数产品/项目的瓶颈。

“如何在产品迭代过程中让每一个成员都具有数据意识，从数据的视角客观的提出“有助于用户增长”的策略，并且不偏不倚的做效果评估，严谨的分析效果表现中带来的潜在机会”，这也是数据驱动产品迭代实现用户增长在实现层面的解读，那么实践过程中一定要让你的数据支持基层工作人员优化工作（让他们可以基于数据推动自己的业务线优化），这样才能培养整个项目组都通过数据驱动产品迭代。

OSM（Objective, Strategy, Measurement）是一种贯穿在产品迭代中的数据驱动方法，可以实现将层层下放高层目标，让每一个业务同学明确自己的业务目标，制定出有效的业务策略，实现客观&有价值的策略评估。

一、OSM

OSM（Objective, Strategy, Measurement）是一种贯穿产品迭代的数据驱动方法，具体是指：

在产品开发前，制定好目标（Objective）——产品这次迭代的目的是什么？业务线转型的目的是什么？这个目标一定是上层目标的传承部分、一定是可以衡量的。

在拆分上级目标的时候，可以利用MECE（Mutually Exclusive Collectively Exhaustive, 即相互独立，完全穷尽），将上层目标分，拆分到“不重叠、不遗漏”每一个小目标上，并有效把握小目标实现的核心，提出实现的策略。

为了达成拆分后小目标所采取的策略（Strategy）。

策略实现后，如果有效的话，可以反映在哪些可衡量的指标（Measurement）上，选择合适的指标：

1. 这个指标用来衡量“什么”？
2. 为了有效的衡量“什么”，还可以用什么指标？
3. 如何判断指标表现的好与坏？
4. 如何改善指标的表现。

二、以滴滴打车为例

滴滴在用户增长存在瓶颈时（滴滴打车市场饱和），期望能够实现用户增长（Objective），增长30%的活跃用户。

30%的活跃用户用户增长的整体目标，将这个目标结合AARRR模型拆分到各环节。

• 新增：当前情景下，市场接近于饱和状态，新增用户以及质量保持稳定就算不错了，增长就不现实了；
• 活跃：当前情景下，增加用户的使用频率，提高用户使用天数，但经过数据分析用户使用频率相对稳定，通过促活来拓展用户数也存在瓶颈；
• 留存：在新增基数、使用频率相对稳定的情况下，新增留存也不会出现大幅度的上涨；
• 收入：产生收入的用户占比既定且相对稳定，但对用户增长没有贡献；
• 传播：当前情景下，打车市场已经几近饱和，通过传播增加新用户/老用户的使用频率来增加用户数，业务增长目标贡献微乎其微。

那么，现用用户群体中AARRR各环节的提高潜力不大，故增加新的用户群体。

滴滴应该拓展什么样的用户群体，来实现用户增长呢？

• 用户视角：为了拓展用户群体，滴滴需要帮助更多的用户解决出行问题；
• 司机视角：让更多的人成为司机；
• 业务视角：打车用户、司机增加，订单量增加。

为了达成这个目标采取的策略：

• 拓展“不愿意打车”的用户群体，他们的顾虑基本为打车成本——降低用户打车的成本；
• 拓展“低成本运送乘客”的司机群体，他们是非专职司机，只是为了分担自己的成本；
• 综上，将“私家车”，以“顺风车”的形式释放到打车市场。

如果这个策略有效，可以产生怎样的效果呢？

• 打车用户数增加；
• 司机增加；
• 订单量增加。

“顺风车”产品策略（S）上线后，效果指标（M）均产生了积极表现，实现了用户增长（O）。以上是以“滴滴顺风车”作为一次产品迭代的OSM过程，我们可以将OSM贯彻在每一次的小优化点中。

在指定指标的时候，除了结果型的指标，这种指标往往是后验的，无法直接干预（比如：转化率，留存等），在选择指标的时候也要选择部分“过程指标”（比如：用户行为数），这将有助于我们通过分析来改善指标的表现。

三、结合AARRR构建用户增长产品迭代阶梯

AARRR模型（Acquestion、Activation、Retention、Revenue、Referral）。基于AARRR模型各阶段进行迭代优化（如：产品策略调整、公司战略调整、渠道优化ASO、商业广告/会员转化、发起病毒式传播的运营活动），可以参考如下目标：

1. 获客（Acquestion）：渠道规模（访问量、访问用户量）、新增渠道能力（新增访问量、访问新用户量）、渠道质量（访问时长、关键行为转化、留存率）、新用户转化过程；
2. 激活（Activation）：活跃规模（日活、周活、月活）、产品转化率（核心行为转化率、流失率）、用户留存、功能留存；
3. 留存（Retention）：用户留存（日、周、月）、用户生命周期（生命周期长度）、用户健康度（流失用户、低频访问用户、中频访问用户、高频访问用户  占比）；
4. 收入（Revenue）：订单转化率、客单量、客单价、 收入、用户生命周期价值；
5. 传播（Revenue）：传播指数、传播影响的新增用户数、活跃用户数。

在每一次以产品增长为目的的产品迭代中都需要使用OSM，通过数据评估效果，在团队内达成数据赋能的意识。

背景 

电商平台A，成立近10年，算不上行业TOP，但在细分领域也算有些头脸。

今年不景气，APP日活从年初50万一路下跌，到现在，运营死乞白赖地拽着40万的底裤，老板绞尽脑汁地哄着投资人。

开会。

“这样下去不行，得想想办法。”老板掐灭了还没燃掉一半的烟。

“谈几家合作平台，互换资源搞些流量？”

“投几个内容KOL，或者投点广告主？”

“加做几场促销吧，配合Push能涨点日活”

BD、市场、运营建言献策，老板沉默不语。

18年移动端不景气，行业都在保存量，没人敢真金白金地大量做投放。促销或许可以止损，但要彻底解决问题，必须有新流量的进入。

沉默了好一会儿，老板问：“这么些年在平台下过单的流失老客，大概有多少?”

“八九百万吧。”

“想想办法，把这些用户捞回来点。”

 方法

老板是对的，从经验看，流失老客召回一定比拉新成本更低，更精准，流量质量更好。

用什么触达？

八九百万的老客，曾经在注册、下单过程中留下了他们的手机号、姓名、地址等信息，触达他们并不难，最简单、高效、低成本的方式应该是短信。

告诉他们什么？

发送什么样的短信，才能吸引他们回来呢？

就电商而言，一般有三种玩法：

1. 促销优惠，如：夏日爆款美妆全场3折起，SK-2神仙水仅售¥698，速抢手慢无！ ；

2. 赠送优惠券，如：周末来临，送你88元美食神券，点击链接领取！

3. 商品领取，如：你太久不来，老板说我失职，送你价值59元ray面膜，快来领取！

第一种方法成本较低（仅需短信费用），但响应较差，一般用来配合促销活动，不适合老客召回。第二、三种方法在短信或Push中响应一般都不错。但作为非自营平台，优惠券意味着1:1的高补贴成本，同时，对于购买需求不明朗的流失老客，优惠券非刚需，吸引力有限。相对来说，“爆款商品免费拿”不仅通用性强，大规模采购的成本也更低。

所以，我们采用第三种方法：短信通知这些流失老客，回归免费领礼品。

吸引他们去哪？

去哪领？APP吗？

流失老客均为180天未访的用户，绝大多数已卸载APP，重新激活APP行为成本太高，不切实际。

不去APP，去哪？

在电商行业，“免费领”活动一般伴随着拼团、分享、砍价等社交玩法，通过裂变拉新进一步缓冲成本，如拼多多的助力砍价，每日优鲜的0元吃水果等。而社交裂变最好的温床，无疑就是小程序。A平台小程序作为在微信生态内的延伸，功能轻量齐全，作为承接老客回归的第一个据点，再合适不过。

综上，我们将通过短信通知流失老客回归有礼，将其引入小程序，并通过社交玩法生成一轮裂变。

活动流程如下：

上图流程中，无论是主态或客态、开团或参团，在其成团或失败后，都不意味着运营工作的结束。用户参与到这个阶段，我们已经拿到其微信OpenID与推送模板消息的权限，此时根据用户所处的状态，可针对性推送促销商品、优惠券或其他活动来促使、承接用户的进一步转化。

活动背景和策划都已经很清楚，下面我们就聊聊，如何用数据追踪和评估活动效益。

数据

对于以上活动的效果数据评估，我们从四个维度进行：

1. 响应数据
2. 裂变数据
3. 价值追踪
4. 成本评估

这四个维度也基本适合用来评估所有微观运营活动。

下面我们逐一展开，并以前文活动为基础举例说明。鉴于商业规则，数据会有合理范围的修整。

1. 响应数据

响应数据，就是我们常说的“漏斗”。

假设我们在今日头条投放了一则广告，一段时间内，1000人点击了广告，200人点击后进行了注册，50人注册后根据提示下载了APP，最后只有10人在APP完成了消费转化。

在这里，从1000到10，就是一个简单的漏斗。任何一个活动，从触达后用户的首个特定动作发生到最终的转化，就是一个漏斗。漏斗展示了一次活动的直接成效，并将成效分解到各个步骤，为结果提供每个层次的归因。

下面是本次老客召回活动的转化漏斗：

“输入口令比例”较低，可能是因为短信文案不够锋利，商品选得不够诱人；

“分享链接人数”和“开团人数”两个环节比例都还不错，说明用户输入口令后，转发与开团的引导与流程清晰简洁，用户操作门槛较低；

“成团率”综合为7.79%，低于行业水平。猜测可能是因为3人成团人数较多，难度太大，也可能是因为这些用户嫌麻烦，或是不愿意滥用自己的社交价值。

通过漏斗，我们既可以看出活动整体转化水平，也可以细究每一环节的数据表现，问题出在哪，一目了然。

“问题出在哪”只是漏斗解决的第一个问题，更重要的是“如何解决”。以上是漏斗的“主干”，下面介绍漏斗的“枝干”：

对于“输入口令较低”的问题，我们猜测可能与文案、选品、发送时间等有关。选品为例，为了对比测试，我们在活动前为每组人群设置少量人数（5000人）的对照组，推送短信来验证对这个人群来讲，什么样的商品更有吸引力。

显而易见，24岁以下用户更愿意免费拿到眼药水，面膜对于25~29、30~39岁用户更有吸引力；40以上用户则更倾向于牙膏。

我们发现，以上的表格包括的不仅是“选品”这一个变量，而是“年龄分层”和“选品”两个变量的交叉。在活动中，影响某一环节结果的变量往往数量繁多、相互纠缠，本活动为例，影响“输入口令比例”的因素，与其说是单个变量，不如说是“年龄与选品”、“年龄与文案”这样的变量组合，甚至是“年龄”、“选品”、“文案”、“发送时间”等所有相关变量的最优化组合。

所以，漏斗的“枝干”，就是为了寻求各个变量的最优化组合。实操过程中，变量组合后会产生指数级增长，三五个变量就可能组合出上百种情况，一一测试是不切实际的。所以，变量最优化一定要建立在业务判断的基础上，比如该例，从业务经验出发，不同年龄的用户商品需求应该不一样，所以我们做了“年龄”与“选品”的变量测试；同样，我们认为“选品”和“短信发送时间”并无明确关联，所以就把“短信发送时间”作为单独测试的变量。无论是猜想的验证，还是洞见的挖掘，数据都一定只是业务的工具，而非业务本身。

2. 裂变数据

在一次运营活动策划中，如果你没有把裂变作为整个活动的出发点，那起码也要把它作为一个关键的价值环节。

无论是饿了么式的红包分享、拼多多式的助力砍价，还是每日优鲜的0元吃水果、携程的助力抢车票，亦或是近期朋友圈现象级的网易荣格心理测试、连咖啡的“我的咖啡店”，这些教科书级的活动或玩法，不论转化导向或传播导向，都是围绕“社交”这个价值点展开的。哪怕是微信生态以外的活动，如支付宝的春节集五福，社交性极强的“赠送福字”也是其活动参与转化的最核心来源。

活动之于投放，之所以有四两拨千斤的机会，靠得就是转发、分享、点赞等社交传播行为。

说了这么多，无非是想论证，在运营活动越来越社交化的当下，“裂变数据”的追踪分析绝不是可有可无，逐渐成为评估活动成效的重要数据指标。

下面回归到我们的案例中。

从活动SOP图中可以看出，这次活动的裂变方式主要有2种：

• 主态裂变：用户为了0元拿到商品，将活动分享到3个不同的群。群中成员看到链接，亦可分享3次获得0元开团机会，成为新的主态。
• 客态裂变：主态用户开团后邀请新用户参团，邀请成功则完成一个客态裂变。

首轮裂变展示了短信推送用户带来的第一轮裂变效果，后续裂变指活动链接被短信推送用户分享到39859个群后，引发的不可控裂变。由于活动页埋点原因，后续裂变无法继续分层追踪，虽然这很有必要（不同年龄用户转发到的群很可能完全质量不同）。

分享次数和后续裂变中的开团数代表了主态裂变；参团人数代表客态裂变。

• 从表格看，首轮+后续裂变共计分享到39859+13477=53336个群，然而，点开链接的仅有11211人，平均每个群仅有0.21人次点击，这是个非常低的数字，说明我们链接的表现形式、利益点都很可能存在大的问题；
• 后续裂变相对于首轮裂变，在人均分享次数、参团人数比例、成团率上都有较大下降，一方面是因为两拨用户接触到的信息不同，另一方面是因为接收到短信的本就是A平台的老客，较为精准，而裂变产生的用户参差不齐无法定向，精准度较差。
• 成团率低、参团人数少的问题，我们在前文也有分析。

综上，这次活动的裂变并不理想，分享环节的展示、选品、文案等方面都需要优化，如优化后依然不理想，可能整个活动的逻辑都要重新考虑。

3. 价值追踪

拿着响应和裂变数据，运营胸有成竹地进入老板办公室。

他向老板提纲挈领地汇报了转化与裂变数据中的要点，并作出了业务层面的归因，还对下一步执行计划的优化提出了一些建议和安排。

老板看着数据微微点头，同时思考着什么。

这时小运营说了一句总结的话，惹怒了老板。

“我觉得这次活动效果还可以，裂变的逻辑优化一下，可以大量做”

一顿臭骂。

事实上，完成转化用户的价值追踪之前，不应该下任何结论。

每一个用户的转化都意味着真金白银的成本和补贴，必须由后续购买所带来的利润填平。如果活动所带来的用户复购和活跃都极差，那么无论转化率多高，这个活动都是失败的。因为你的活动招来了一群让运营界闻风丧胆的人——羊毛党。

强调一下，所谓的“转化”，并非只有完成了开团成团才算，在分享、注册、参团等任何环节蹦失的用户，只要与我们发生关系，都算转化，只是转化程度不同。

为了提高用户转化后的后续表现，运营们通常会用push或短信的手段进一步激励。如该例中，对于开团成功、开团失败、参团成功、参团失败以及分享链接不足3次等用户，我们会根据其基于转化程度的行为倾向性在24小时内为其个性化推送优惠券、优惠商品、活动链接等，为的就是促进后续转化，尽力承接住这些用户。

价值追踪数据较为复杂，基于用户分层、时间分层、行为分层等，可以形成一个庞大的价值追踪体系。篇幅考虑，笔者为本例价值追踪做了简化，分以下两部分：

（1）关键价值追踪

这个表有3个要点：

1）追踪谁

当然是转化的新客。但是一定要分层追踪，除了短信推送的年龄分层，还要纳入转化程度的分层，这样才可以追踪到不同转化程度的用户间的价值差异。

如上表，我们可以看到“开团成团用户”相对于“开团未成团用户”有更高的复购频次；裂变用户各项价值均逊于推送人群。

2）追多久

根据产品使用频率、用户生命周期来定。一般电商追踪至90天或180天，如因活动优化迫切需要结论数据支撑，可提供短期追踪数据。

3) 追什么

一定是追踪用户之于产品最关键的几个价值指标。对于自媒体可能是点击、转发、打赏；对于游戏可能是活跃、付费；而对于电商平台，自然就是GMV、订单数、客单价这些交易数据了。

至此，我们得出了每个分层用户在不同时间段贡献了多少GMV，再乘以平台交易费率，很容易算出平台获得的利润。通过这些利润，我们一方面可以直观判断出不同分层用户价值，另一方面可以通过与成本的对比，判断活动的效益，决定活动是否可以产品化或规模复制。

在产品相对简单，活动规模较小的情况下，以上价值追踪基本可以证明活动价值。但是如果产品生态复杂，用户消费行为多样，那就有必要对用户行为做分层追踪。

（2）行为分层追踪

在同一个产品中，不同用户基于不同的行为，为平台贡献了不同的价值，共同构建一个完整的生态。

我们以最具代表性的UGC内容平台知乎为例，其用户行为及对应价值大概划分如下：

相对于知乎，电商平台的生态可能更为复杂：

电商生态中，并不是只有“买”和“卖”那么简单。搜索购买型用户贡献了大部分GMV，是平台生存的基础；喜欢“逛”的用户热衷于发现式购物，除了贡献可观的GMV之外，还通过点击、停留等行为反馈了不同主题banner、模块以及商品的热度，从而为运营工作指明方向；那些热衷于拼团和助力砍价的用户，聚集在微信中通过传播劳动换取平台的优惠，为平台不断引入新的流量；甚至目前大多数电商平台，都引入了攻略、评测等内容子生态，而喜欢写评测心得的用户就是这个子生态的核心支撑。

因此，我们不能仅根据购买力判断用户价值，也就是说，不能因为活动吸引来的用户买得不够多，就定性活动失败。因为这些用户，很可能贡献着其他重要的生态价值。

从数据看，这次活动所带来的用户在开团、助力砍价、关注服务号等方面比较突出，说明用户多聚集在微信小程序中，有着不错的传播价值，猜测可能是由于活动玩法为拼团，所以带来的流量或多或少有点羊毛属性，这也降低了我们对其复购价值的期望。这些用户更适合在小程序中为平台进行外围传播。

4. 成本数据

“成本数据”和“价值追踪”是活动的阴阳两面。价值与成本的差值，基本代表了整个活动的初步收益。

就本次活动而言，成本主要产生在3个地方：

• 短信成本，流失老客触达短信约为0.03元/条；
• 免费商品补贴成本，所有开团成团订单，都需要付出约20元的商品成本；
• 后续激励补贴；用户转化后，我们可能会推送些优惠券促进复购，优惠券是这个过程中的主要成本。

在第三步我们追踪到复购总GMV，乘平台费率得出利润，再减掉以上三条成本之和，得到的就是活动利润。

成本数据逻辑简单，唯一值得注意的是是否要分层。不同分层的用户价值不同，所消耗的成本也不一样，如果用同样的分层追踪价值和成本，就可以计算不同分层的ROI，找出盈亏平衡点，选择性推送以提高整个活动的收益。但多数时候，基于用户名单有限、数据埋点等限制，基于分层ROI优化很难实现。所以，分不分层，视业务情况而定。

最后，奉上思维导图：