第十一章 數(shù)據(jù)驅(qū)動(dòng)的新媒體營(yíng)銷(xiāo)

第十一章數(shù)據(jù)驅(qū)動(dòng)的新媒體營(yíng)銷(xiāo)前言不管是諸如淘寶、抖音的互聯(lián)網(wǎng)平臺(tái)，還是傳統(tǒng)的企業(yè)以及DTC的新品牌，都以用戶數(shù)據(jù)為重要資產(chǎn)。內(nèi)容和數(shù)據(jù)是新媒體營(yíng)銷(xiāo)的兩個(gè)基石，在新媒體營(yíng)銷(xiāo)中扮演著類(lèi)似于人類(lèi)大腦右腦和左腦的角色。為了確保內(nèi)容的有效性和吸引力，營(yíng)銷(xiāo)人員需要數(shù)據(jù)來(lái)支持和指導(dǎo)營(yíng)銷(xiāo)決策。兩者相輔相成，共同構(gòu)成新媒體營(yíng)銷(xiāo)的核心。數(shù)據(jù)驅(qū)動(dòng)的新媒體營(yíng)銷(xiāo)，本身是一個(gè)系統(tǒng)化的復(fù)雜營(yíng)銷(xiāo)活動(dòng)的總和，一方面數(shù)據(jù)的驅(qū)動(dòng)作用貫穿整個(gè)營(yíng)銷(xiāo)活動(dòng)的全流程，另一方面在新媒體營(yíng)銷(xiāo)的過(guò)程中，還會(huì)根據(jù)數(shù)據(jù)結(jié)果的反饋，進(jìn)行營(yíng)銷(xiāo)活動(dòng)的動(dòng)態(tài)調(diào)整，最終的內(nèi)容營(yíng)銷(xiāo)成果也會(huì)以數(shù)據(jù)化的方式精準(zhǔn)呈現(xiàn)。目錄CONTENT數(shù)據(jù)帶來(lái)的新?tīng)I(yíng)銷(xiāo)工具用戶數(shù)據(jù)分析的流程03常用的營(yíng)銷(xiāo)數(shù)據(jù)分析方法02案例分析

盒馬X數(shù)字化：零售的新生命線0401數(shù)據(jù)帶來(lái)的新?tīng)I(yíng)銷(xiāo)工具第一節(jié)數(shù)據(jù)為新媒體營(yíng)銷(xiāo)提供了洞察力、個(gè)性化、性能優(yōu)化、預(yù)測(cè)分析和聲譽(yù)管理等多個(gè)方面的支持，從而為企業(yè)創(chuàng)造價(jià)值和優(yōu)勢(shì)。在一個(gè)日益數(shù)字化和競(jìng)爭(zhēng)激烈的世界中，利用數(shù)據(jù)的力量成為企業(yè)成功的關(guān)鍵。目標(biāo)受眾洞察個(gè)性化內(nèi)容和廣告性能監(jiān)測(cè)和優(yōu)化增強(qiáng)社交聆聽(tīng)和輿論危機(jī)管理ROI評(píng)估預(yù)測(cè)分析和趨勢(shì)識(shí)別一、用戶畫(huà)像1.用戶標(biāo)簽統(tǒng)計(jì)類(lèi)標(biāo)簽這類(lèi)標(biāo)簽是最為基礎(chǔ)也最為常見(jiàn)的標(biāo)簽類(lèi)型，可以從用戶注冊(cè)、訪問(wèn)、消費(fèi)中統(tǒng)計(jì)得出相應(yīng)信息。用戶屬性：用戶的年齡、性別、設(shè)備型號(hào)、安裝／注冊(cè)狀態(tài)、職業(yè)等刻畫(huà)用戶靜態(tài)特征的屬性。用戶行為：包括用戶的消費(fèi)行為、購(gòu)買(mǎi)后行為、近日的訪問(wèn)、收藏、下單、購(gòu)買(mǎi)、售后等相關(guān)行為。偏好細(xì)分：用戶對(duì)于商品品類(lèi)、商品價(jià)格段、營(yíng)銷(xiāo)渠道、購(gòu)買(mǎi)的偏好類(lèi)型、營(yíng)銷(xiāo)方式等方面的偏好特征。風(fēng)險(xiǎn)控制：從用戶征信風(fēng)險(xiǎn)、使用設(shè)備的風(fēng)險(xiǎn)、在平臺(tái)消費(fèi)過(guò)程中產(chǎn)生的問(wèn)題等維度考量其風(fēng)險(xiǎn)程度。業(yè)務(wù)專用：應(yīng)用在各種業(yè)務(wù)上的標(biāo)簽，如A/B測(cè)試標(biāo)簽、Push系統(tǒng)標(biāo)簽等。營(yíng)銷(xiāo)場(chǎng)景：以場(chǎng)景化進(jìn)行分類(lèi)，根據(jù)業(yè)務(wù)需要構(gòu)建一系列營(yíng)銷(xiāo)場(chǎng)景，如差異化客服、用戶場(chǎng)景、再營(yíng)銷(xiāo)用戶等，激發(fā)用戶的潛在需求。地域細(xì)分：標(biāo)識(shí)用戶的常住城市、居住商圈、工作商圈等信息，應(yīng)用在基于用戶地理位置進(jìn)行推薦的場(chǎng)景中。用戶分層：對(duì)用戶按生命周期、ＲＦＭ模型、消費(fèi)水平、活躍度等進(jìn)行分層劃分。一、用戶畫(huà)像1.用戶標(biāo)簽規(guī)則類(lèi)標(biāo)簽該類(lèi)標(biāo)簽基于用戶行為及確定的規(guī)則產(chǎn)生。例如，對(duì)平臺(tái)上“消費(fèi)活躍”用戶這一口徑的定義為“近30天交易次數(shù)≥2”。機(jī)器學(xué)習(xí)挖掘類(lèi)標(biāo)簽該類(lèi)標(biāo)簽通過(guò)機(jī)器學(xué)習(xí)挖掘產(chǎn)生，用于對(duì)用戶的某些屬性或某些行為進(jìn)行預(yù)測(cè)判斷。需要通過(guò)算法挖掘產(chǎn)生。例如，根據(jù)一個(gè)用戶的行為習(xí)慣判斷該用戶是男性還是女性，根據(jù)一個(gè)用戶的消費(fèi)習(xí)慣判斷其對(duì)某商品的偏好程度。一、用戶畫(huà)像2.用戶分層模型RFM模型針對(duì)付費(fèi)用戶，利用交易行為數(shù)據(jù)進(jìn)行用戶分層的經(jīng)典模型一、用戶畫(huà)像2.用戶分層模型RFM模型每項(xiàng)指標(biāo)在進(jìn)行數(shù)據(jù)處理時(shí)被分成高低兩檔，得到8類(lèi)用戶一、用戶畫(huà)像2.用戶分層模型基于5A模型的用戶分層企業(yè)在不同階段需要在5A模型中關(guān)注不同的重點(diǎn)，以滿足品牌的特定需求和實(shí)現(xiàn)相應(yīng)的目標(biāo)。一、用戶畫(huà)像2.用戶分層模型基于5A模型的用戶分層阿里巴巴AIPL模型二、程序化廣告精準(zhǔn)廣告（targetedadvertising）精準(zhǔn)廣告是一種廣告策略，它依賴于收集和分析大量的用戶數(shù)據(jù)（如地理位置、瀏覽歷史、購(gòu)買(mǎi)行為、興趣等），以便將廣告精確地投放給特定的目標(biāo)受眾。比如剛剛點(diǎn)擊過(guò)、搜索過(guò)、瀏覽過(guò)的商品相關(guān)的廣告會(huì)精確出現(xiàn)在你面前程序化廣告（programmaticadvertising）幫助實(shí)現(xiàn)精準(zhǔn)廣告策略的廣告購(gòu)買(mǎi)方式，工作原理主要基于實(shí)時(shí)競(jìng)價(jià)和需求方平臺(tái)。二、程序化廣告程序化廣告（programmaticadvertising）重塑展示廣告購(gòu)買(mǎi)模式，從買(mǎi)廣告位到買(mǎi)人群縮短廣告投放優(yōu)化周期，實(shí)時(shí)的動(dòng)態(tài)優(yōu)化得以實(shí)現(xiàn)精準(zhǔn)人群定向技術(shù)提高媒體的長(zhǎng)尾流量?jī)r(jià)值，實(shí)現(xiàn)雙贏。帶給網(wǎng)絡(luò)廣告業(yè)的變化問(wèn)題：隱私；廣告欺詐；品牌安全三、推薦算法算法被廣泛應(yīng)用，是各大平臺(tái)實(shí)現(xiàn)個(gè)性化內(nèi)容分發(fā)的基礎(chǔ)①基于用戶的協(xié)同過(guò)濾給用戶推薦和其興趣相似的其他用戶所喜歡的內(nèi)容主要思想是利用已有用戶群體的行為來(lái)預(yù)測(cè)當(dāng)前用戶偏好。根據(jù)對(duì)象的不同，協(xié)同過(guò)濾算法可以分為以下幾類(lèi)：協(xié)同過(guò)濾算法②基于物品/內(nèi)容的協(xié)同過(guò)濾給用戶推薦和其之前喜歡的物品／內(nèi)容相似的物品／內(nèi)容③基于模型的協(xié)同過(guò)濾基于用戶喜好的樣本數(shù)據(jù)訓(xùn)練一個(gè)推薦模型，然后根據(jù)實(shí)時(shí)的用戶喜好信息進(jìn)行預(yù)測(cè)和推薦限制：沒(méi)有新用戶的數(shù)據(jù)時(shí)，無(wú)法通過(guò)協(xié)同過(guò)濾算法進(jìn)行推薦；根據(jù)產(chǎn)品關(guān)聯(lián)性進(jìn)行產(chǎn)品推薦，無(wú)法關(guān)注一些用戶的小眾愛(ài)好，也很難識(shí)別出用戶所處的場(chǎng)景；當(dāng)用戶興趣、物品／內(nèi)容量過(guò)大或更新速度很快時(shí)，維護(hù)相似度矩陣所需的計(jì)算資源會(huì)呈幾何級(jí)增加三、推薦算法算法被廣泛應(yīng)用，是各大平臺(tái)實(shí)現(xiàn)個(gè)性化內(nèi)容分發(fā)的基礎(chǔ)通過(guò)算法分析用戶的歷史行為（如搜索、點(diǎn)贊、評(píng)論等）所反映出的用戶偏好，然后給其推送偏好的內(nèi)容?；趦?nèi)容的推薦算法的依據(jù)非常多，結(jié)果上看主要可以分為兩種：基于內(nèi)容的推薦算法限制：對(duì)于產(chǎn)品的屬性拆解，需要確定哪些屬性更重要，需要積累大量的用戶數(shù)據(jù)才能優(yōu)化；每個(gè)消費(fèi)者往往會(huì)在多個(gè)屬性之間權(quán)衡這種對(duì)屬性的權(quán)衡較難在這種推薦算法中體現(xiàn)出來(lái)①完全的個(gè)性化推薦完全面向用個(gè)人進(jìn)行內(nèi)容呈現(xiàn)②熱門(mén)／主題推薦以榜單的形式進(jìn)行內(nèi)容呈現(xiàn)（同城榜、熱門(mén)榜等）三、推薦算法算法被廣泛應(yīng)用，是各大平臺(tái)實(shí)現(xiàn)個(gè)性化內(nèi)容分發(fā)的基礎(chǔ)將用戶需求作為知識(shí)源，從而向用戶推薦物品。直接由用戶指定需求，然后根據(jù)需求給出推薦列表?；谥R(shí)的推薦算法①基于約束的推薦需要用戶指定自己的最初偏好，當(dāng)收集到有關(guān)用戶需求和偏好的足夠信息時(shí)，算法會(huì)提供給用戶一組匹配的產(chǎn)品，在結(jié)果呈現(xiàn)上，系統(tǒng)可以解釋為什么推薦某個(gè)產(chǎn)品。比如微博推送。②基于實(shí)例的推薦有效整合了基于查詢和基于瀏覽的物品檢索方式。當(dāng)用戶輸入需求時(shí)，算法一方面會(huì)基于相似度的實(shí)例檢索來(lái)識(shí)別最相似的物品，另一方面則會(huì)通過(guò)評(píng)價(jià)有效地引導(dǎo)用戶選擇。常用的營(yíng)銷(xiāo)數(shù)據(jù)分析方法第二節(jié)一、A/B測(cè)試A/B測(cè)試是一種統(tǒng)計(jì)學(xué)上的假設(shè)檢驗(yàn)方法，用于比較兩種或多種不同的版本（如網(wǎng)頁(yè)設(shè)計(jì)、廣告文案、促銷(xiāo)優(yōu)惠等），以確定哪種版本的性能更好。主要優(yōu)勢(shì)在于其能夠在真實(shí)環(huán)境中，通過(guò)收集部分用戶的行為數(shù)據(jù)來(lái)對(duì)比和驗(yàn)證不同的設(shè)計(jì)方案，服務(wù)于解決營(yíng)銷(xiāo)人員的實(shí)際工作問(wèn)題。網(wǎng)站設(shè)計(jì)比如測(cè)試不同的布局、顏色、字體等對(duì)用戶行為的影響。廣告文案比如測(cè)試不同的標(biāo)題、描述、圖片等對(duì)點(diǎn)擊率和轉(zhuǎn)化率的影響。電子郵件營(yíng)銷(xiāo)比如測(cè)試不同的主題、內(nèi)容、發(fā)送時(shí)間等對(duì)打開(kāi)率和點(diǎn)擊率的影響。產(chǎn)品定價(jià)比如測(cè)試不同的價(jià)格對(duì)銷(xiāo)售額和利潤(rùn)的影響。一、A/B測(cè)試A/B測(cè)試策略制定

科學(xué)分流

策略投放和數(shù)據(jù)監(jiān)控

測(cè)試目標(biāo)、樣本的選擇A/A測(cè)試策略結(jié)果分析與執(zhí)行局限：比較適用于細(xì)節(jié)的優(yōu)化，而較難以揭示企業(yè)營(yíng)銷(xiāo)的整體狀況或更大范圍的戰(zhàn)略問(wèn)題針對(duì)要解決的問(wèn)題有明確的策略后，才能找到驗(yàn)證策略是否有效的用戶群，并用合理的指標(biāo)進(jìn)行評(píng)估。即評(píng)估指標(biāo)的選擇。在運(yùn)營(yíng)中評(píng)估指標(biāo)的選擇更關(guān)注核心業(yè)務(wù)目標(biāo)。A/B測(cè)試設(shè)置不同的實(shí)驗(yàn)組，每個(gè)組需要導(dǎo)人用戶，進(jìn)行測(cè)試，累計(jì)實(shí)驗(yàn)數(shù)據(jù)?？茖W(xué)分流以平衡樣本可以盡量誤差。在同一實(shí)驗(yàn)條件下，設(shè)置多組進(jìn)行預(yù)測(cè)試，以排除樣本、埋點(diǎn)或數(shù)據(jù)統(tǒng)計(jì)中可能存在的問(wèn)題。開(kāi)始A/B測(cè)試的同時(shí)建立一套數(shù)據(jù)看板來(lái)觀察數(shù)據(jù)。數(shù)據(jù)看板不必過(guò)于復(fù)雜，目的是快速展現(xiàn)每組關(guān)鍵指標(biāo)的變化趨勢(shì)，以及是否滿足統(tǒng)計(jì)顯著性。完成A/B測(cè)試后，顯著有效的策略會(huì)被投放應(yīng)用到更大人群中，并進(jìn)一步進(jìn)行優(yōu)化迭代。二、營(yíng)銷(xiāo)組合模型

數(shù)據(jù)收集建立模型模型應(yīng)用數(shù)據(jù)清洗

模型驗(yàn)證優(yōu)勢(shì)：能夠量化各種營(yíng)銷(xiāo)活動(dòng)對(duì)銷(xiāo)售該零售商的影響，可以根據(jù)行業(yè)和企業(yè)的特點(diǎn)融入多種外部、宏觀因素，幫助企業(yè)優(yōu)化營(yíng)銷(xiāo)策略。局限：數(shù)據(jù)需求量大，需要大量的歷史銷(xiāo)售和營(yíng)銷(xiāo)活動(dòng)數(shù)據(jù)，模型的準(zhǔn)確性依賴于數(shù)據(jù)的質(zhì)量和完整性。收集過(guò)去的銷(xiāo)售數(shù)據(jù)和營(yíng)銷(xiāo)活動(dòng)數(shù)據(jù)，以及可能影響銷(xiāo)售額的其他因素的數(shù)據(jù)。清理和整理數(shù)據(jù)，處理缺失值和異常值，進(jìn)行必要的數(shù)據(jù)轉(zhuǎn)換，使其適合用于分析。使用多元回歸分析或其他統(tǒng)計(jì)方法，建立銷(xiāo)售額與營(yíng)銷(xiāo)活動(dòng)之間的關(guān)系模型。通過(guò)統(tǒng)計(jì)檢驗(yàn)方法如狋檢驗(yàn)和犉檢驗(yàn)，評(píng)估模型的顯著性和擬合度。應(yīng)用模型預(yù)測(cè)未來(lái)的銷(xiāo)售額，或者優(yōu)化營(yíng)銷(xiāo)活動(dòng)。該模型用于量化不同營(yíng)銷(xiāo)活動(dòng)對(duì)銷(xiāo)售額或市場(chǎng)份額的影響。三、營(yíng)銷(xiāo)歸因模型

收集數(shù)據(jù)建立模型清洗數(shù)據(jù)應(yīng)用模型收集用戶的觸點(diǎn)數(shù)據(jù)，如點(diǎn)擊、瀏覽、搜索等。清理和整理數(shù)據(jù)，處理缺失值和異常值，進(jìn)行必要的數(shù)據(jù)轉(zhuǎn)換，使其適合用于分析。根據(jù)業(yè)務(wù)需求，選擇合適的營(yíng)銷(xiāo)歸因模型，如最后點(diǎn)擊模型、線性模型、時(shí)間衰減模型等。應(yīng)用模型分析各個(gè)觸點(diǎn)的貢獻(xiàn)，優(yōu)化營(yíng)銷(xiāo)策略。該模型用于確定各種營(yíng)銷(xiāo)觸點(diǎn)對(duì)用戶轉(zhuǎn)化（如購(gòu)買(mǎi)、注冊(cè)等）的貢獻(xiàn)。該模型可以幫助營(yíng)銷(xiāo)人員深入了解用戶轉(zhuǎn)化路徑，分析內(nèi)容廣告或銷(xiāo)售渠道對(duì)用戶轉(zhuǎn)化的促講作用，從而優(yōu)化營(yíng)銷(xiāo)投放策略。三、營(yíng)銷(xiāo)歸因模型首次歸因模型在回溯期內(nèi)給首次觸點(diǎn)分配100％的轉(zhuǎn)化貢獻(xiàn)，給其余觸點(diǎn)分配0。最終點(diǎn)擊模型在回溯期內(nèi)給最后一次觸點(diǎn)分配100％的轉(zhuǎn)化貢獻(xiàn)，給其余觸點(diǎn)分配0。線性歸因模型在回溯期內(nèi)，給每個(gè)觸點(diǎn)平均分配轉(zhuǎn)化貢獻(xiàn)。例如，用戶的一次購(gòu)買(mǎi)轉(zhuǎn)化接觸了5個(gè)觸點(diǎn)，那么給每個(gè)觸點(diǎn)都分配20%的轉(zhuǎn)化貢獻(xiàn)。位置歸因模型在回溯期內(nèi)，給用戶首次觸點(diǎn)分配40%的轉(zhuǎn)化貢獻(xiàn)，給末次觸點(diǎn)分配40%的轉(zhuǎn)化貢獻(xiàn)，給其余觸點(diǎn)平均分配剩下的20%的轉(zhuǎn)化貢獻(xiàn)。時(shí)間衰減模型在回溯期內(nèi)，給離轉(zhuǎn)化事件之前越近的觸點(diǎn)分配越多的轉(zhuǎn)化貢獻(xiàn)，給時(shí)間較早的觸點(diǎn)分配的轉(zhuǎn)化貢獻(xiàn)越少。這種模型非常適合于用戶行為路徑較長(zhǎng)的情況，它可以給予路徑中所有觸點(diǎn)適當(dāng)?shù)恼J(rèn)可。數(shù)據(jù)驅(qū)動(dòng)模型使用復(fù)雜的算法和機(jī)器學(xué)習(xí)來(lái)確定最有影響力的觸點(diǎn)。它會(huì)查看所有數(shù)據(jù)，并確定每個(gè)觸點(diǎn)對(duì)轉(zhuǎn)化的影響，以找到最有影響力的觸點(diǎn)。當(dāng)擁有大量的數(shù)據(jù)并希望作出數(shù)據(jù)驅(qū)動(dòng)的決策時(shí)，該模型較為合適。三、營(yíng)銷(xiāo)歸因模型營(yíng)銷(xiāo)歸因模型是一種工具，用于量化各個(gè)營(yíng)銷(xiāo)觸點(diǎn)對(duì)轉(zhuǎn)化的貢獻(xiàn)，但它們都是基于一定假設(shè)和簡(jiǎn)化的模型。在實(shí)際情況中，消費(fèi)者的購(gòu)買(mǎi)決策過(guò)程可能非常復(fù)雜，受到多種因素的影響，這些因素可能難以被完全捕捉和量化。在這種情況下，單一的營(yíng)銷(xiāo)歸因模型都可能無(wú)法完全準(zhǔn)確地描述每個(gè)觸點(diǎn)的貢獻(xiàn)。但它們?nèi)匀豢梢蕴峁┮恍┯杏玫亩床?，幫助營(yíng)銷(xiāo)人員理解和優(yōu)化營(yíng)銷(xiāo)策略。例如，如果一個(gè)觸點(diǎn)在多個(gè)營(yíng)銷(xiāo)歸因模型中都顯示出較大的貢獻(xiàn)，那么這個(gè)觸點(diǎn)可能非常有效。用戶數(shù)據(jù)分析的流程第三節(jié)一、數(shù)據(jù)規(guī)劃一、數(shù)據(jù)規(guī)劃數(shù)據(jù)本身是分層的，在確定目標(biāo)、策略和度量之后，還需要對(duì)度量指標(biāo)進(jìn)一步分級(jí)。二、數(shù)據(jù)采集數(shù)據(jù)規(guī)劃之后，緊接著就要進(jìn)行數(shù)據(jù)采集。只有采集的數(shù)據(jù)足夠準(zhǔn)確，才能進(jìn)行準(zhǔn)確的數(shù)據(jù)分析和數(shù)據(jù)應(yīng)用。數(shù)據(jù)采集常見(jiàn)的問(wèn)題是營(yíng)銷(xiāo)業(yè)務(wù)人員和技術(shù)人員之間存在溝通障礙，這一方面來(lái)源于專業(yè)分工，另一方面來(lái)源于兩者負(fù)責(zé)的績(jī)效指標(biāo)存在差異。02無(wú)埋點(diǎn)前端自動(dòng)采集全部事件數(shù)據(jù)并上報(bào)，即采集全量、事實(shí)的用戶行為數(shù)據(jù)。無(wú)埋點(diǎn)彌補(bǔ)了埋點(diǎn)的劣勢(shì)，適合運(yùn)用在探索性研究中，但其缺陷在于數(shù)據(jù)存儲(chǔ)消耗過(guò)大、開(kāi)發(fā)框架不統(tǒng)一等技術(shù)難題。01埋點(diǎn)在需要監(jiān)測(cè)用戶行為數(shù)據(jù)的地方加上一段代碼，當(dāng)埋點(diǎn)被觸發(fā)便采集相關(guān)數(shù)據(jù)反饋回來(lái)的一種做法。埋點(diǎn)數(shù)據(jù)穩(wěn)定性高，適合監(jiān)控和分析，并且能夠從營(yíng)銷(xiāo)的業(yè)務(wù)邏輯切入行為分析，對(duì)于非探索式分析行之有效。三、數(shù)據(jù)分析商業(yè)數(shù)據(jù)分析的目標(biāo)是利用大數(shù)據(jù)幫助職場(chǎng)人員作出迅捷、高質(zhì)、高效的決策，提供可規(guī)模化的解決方案。商業(yè)數(shù)據(jù)分析的本質(zhì)在于創(chuàng)造商業(yè)價(jià)值，驅(qū)動(dòng)企業(yè)業(yè)務(wù)增長(zhǎng)。三、數(shù)據(jù)分析數(shù)據(jù)分析通常根據(jù)要解決的問(wèn)題來(lái)進(jìn)行，有以下四種類(lèi)型事件分析事件往往指用戶操作產(chǎn)品的某個(gè)行為，即用戶在產(chǎn)品內(nèi)做了什么，包括瀏覽頁(yè)面、點(diǎn)擊、修改等。某段時(shí)間內(nèi)產(chǎn)品推廣頁(yè)的點(diǎn)擊率有多少？對(duì)比昨天／上個(gè)月提升了多少？某個(gè)渠道的產(chǎn)品注冊(cè)數(shù)量是多少？第一季度排名前十的產(chǎn)品注冊(cè)渠道是哪些？某個(gè)產(chǎn)品加入購(gòu)物車(chē)的點(diǎn)擊次數(shù)有多少？某個(gè)產(chǎn)品的頁(yè)面瀏覽量分時(shí)走勢(shì)如何？安卓端和IOS端的占比分別是多少？通過(guò)將用戶行為起始的各個(gè)行為節(jié)點(diǎn)作為分析節(jié)點(diǎn)，來(lái)衡量每個(gè)節(jié)點(diǎn)的轉(zhuǎn)化效果，能幫助營(yíng)銷(xiāo)人員在關(guān)鍵環(huán)節(jié)進(jìn)一步深挖流失原因，提升轉(zhuǎn)化表現(xiàn)。以某產(chǎn)品的注冊(cè)轉(zhuǎn)化漏斗分析為例，注冊(cè)第一步到第三的轉(zhuǎn)化率分別是55.8%、18.5%、92.5%，整體注冊(cè)轉(zhuǎn)化率為9.54%?？梢悦黠@看出，注冊(cè)第一步和第二步之間的轉(zhuǎn)化率明顯低于其他步驟。因此需要進(jìn)一步排查原因。漏斗分析三、數(shù)據(jù)分析數(shù)據(jù)分析通常根據(jù)要解決的問(wèn)題來(lái)進(jìn)行，有以下四種類(lèi)型熱力圖分析熱力圖以頁(yè)面或產(chǎn)品中的元素的點(diǎn)擊次數(shù)、點(diǎn)擊人數(shù)、點(diǎn)擊率為基礎(chǔ)數(shù)據(jù)，以特殊高亮的圖形形式顯示用戶點(diǎn)擊頁(yè)面的位置或者用戶所在的頁(yè)面位置。通過(guò)聚合用戶行為展示用戶如何與產(chǎn)品進(jìn)行交互，幫助營(yíng)銷(xiāo)人員識(shí)別用戶行為趨勢(shì)并優(yōu)化產(chǎn)品交互界面。目前常見(jiàn)的有三種：基于鼠標(biāo)點(diǎn)擊位置的熱力圖、基于鼠標(biāo)移動(dòng)軌跡的熱力圖和基于內(nèi)容點(diǎn)擊的熱力圖。衡量產(chǎn)品是否對(duì)用戶有持續(xù)吸引力以及用戶黏性的重要分析方法，通常能夠觀測(cè)到隨著時(shí)間推移，用戶留存率的衰減情況。留存率是指留存用戶占起始用戶的比例，常見(jiàn)的有次日留存率、7日留存率、次月留存率等。此外也有很多增加留存用戶的手段，比如“簽到獎(jiǎng)勵(lì)”“加購(gòu)獎(jiǎng)勵(lì)”“水樂(lè)園”等。留存分析三、數(shù)據(jù)分析Aha時(shí)刻突然理解或領(lǐng)悟某個(gè)概念或想法的時(shí)刻。在用戶體驗(yàn)設(shè)計(jì)中，標(biāo)志用戶從困惑轉(zhuǎn)變?yōu)槔斫夂托湃?。關(guān)鍵轉(zhuǎn)折點(diǎn)，用戶開(kāi)始積極使用產(chǎn)品或服務(wù)。例子社交媒體應(yīng)用：用戶第一次收到新朋友的消息。在線購(gòu)物網(wǎng)站：用戶第一次成功找到并購(gòu)買(mǎi)商品。延伸閱讀：Aha時(shí)刻和魔法數(shù)字魔法數(shù)字量化的用戶行為，與長(zhǎng)期參與和留存顯著關(guān)聯(lián)。發(fā)現(xiàn)關(guān)鍵行為并優(yōu)化產(chǎn)品，提高用戶留存率。例子領(lǐng)英：第一周增加5個(gè)新社交關(guān)系的用戶留存率高。臉書(shū)：注冊(cè)第一周內(nèi)增加10個(gè)好友的用戶留存率高。推特：第一周有30個(gè)粉絲的用戶留存率高。魔法數(shù)字可能代表用戶達(dá)到Aha時(shí)刻所需的一系列行為或交互，或是用戶達(dá)到Aha時(shí)刻的量化表示。產(chǎn)品團(tuán)隊(duì)通過(guò)分析用戶數(shù)據(jù)確定魔法數(shù)字，并優(yōu)化用戶體驗(yàn)，幫助用戶達(dá)到關(guān)鍵指標(biāo)，加快實(shí)現(xiàn)Aha時(shí)刻，提高留存率和參與度。此外，根據(jù)業(yè)務(wù)需求，企業(yè)可以選擇產(chǎn)品監(jiān)控、價(jià)格分析等數(shù)據(jù)分析方法，解決特定問(wèn)題。四、數(shù)據(jù)應(yīng)用產(chǎn)品迭代是產(chǎn)品生命周期中重要的一環(huán)，一次完整的產(chǎn)品迭代一般需要經(jīng)過(guò)3個(gè)階段和8個(gè)步驟。1.產(chǎn)品迭代產(chǎn)品上線前產(chǎn)品上線后產(chǎn)品上新中產(chǎn)品需求收集、分析與評(píng)估—產(chǎn)品定義—交互和視覺(jué)設(shè)計(jì)—技術(shù)評(píng)審—研發(fā)測(cè)試—上線跟蹤數(shù)據(jù)及總結(jié)四、數(shù)據(jù)應(yīng)用在營(yíng)銷(xiāo)活動(dòng)的不同階段，可以利用