硅谷一线增长实践者曲卉:数据驱动增长的道与术
最新资讯 • 品牌新闻
41511
2019-12-12
摘要:
数据驱动增长的体系与基础、流程,如果你掌握了,应用起来,其实就像一个自动传送带一样,你不需要费太大的劲就可以事半功倍。

11月19日,在友盟+举办的“聚云端·见不凡”为主题的2019UBDC全域大数据峰会上,《硅谷增长黑客实战笔记》作者曲卉发表了以“数据驱动增长的道与术”为主题的演讲。


以下是在不改变原义的基础上整理编辑的内容:


数据驱动增长的体系与基础、流程,如果你掌握了,应用起来,其实就像一个自动传送带一样,你不需要费太大的劲就可以事半功倍。


在过去的10年里,美国的很多公司在应用数据的路上经历了不同的阶段,从最开始的时候没有数据,到后来开始有数据无应用,到最后全面数据与企业决策的全面结合。


(图为:《硅谷增长黑客实战笔记》作者曲卉)


通过多年的工作和对行业的深度观察,我今天和大家分享4种如何用数据去驱动增长的方式。


第一种是指标建模。所谓的指标建模就是如何用指标和模型的方式把企业的业务、产品高度概括化、提炼化,让企业在海量数据中挖掘出数据之间微妙的联系,过滤掉大量无用的信息,让企业能很快触及核心问题,从数据中提炼价值。


第二种是机会洞察。金融和互联网是目前数字化程度最高的行业,这两个行业中沉淀了大量数据,比如渠道数据、用户数据及业务数据等,这无疑是一座金矿,里面潜藏了大量可以被发现的珍宝,可以被进一步加工、打磨。机会洞察就是企业要有一双能发现金矿的慧眼。


第三种是衡量结果。衡量结果的基础是企业要有科学的评估体系。企业开发一套系统,要去衡量其产生的效果,然后从中得到一些洞察,进而有指向性地进行完善和迭代。在整个流程中最重要的一环就是衡量,因为只有科学的评估体系,才能使企业的系统运转有度可依,有病可查,否则很容易陷入南辕北辙的困境。
第四种是决策自动化。当完成前三个步骤之后,决策自动化就水到渠成了。当下机器学习与深度学习的无监督训练算法等技术日渐成熟,越来越多的决策可以依赖算法的自动化完成,这将使得企业决策的速度、效率和质量都大大提高。

这就是四步数据驱动增长的“道”,下面我重点介绍一下“术”的部分。


指标建模


指标建模最重要的概念是两点。


第一点:找到最重要的指标。形象的说就是“北极星指标”,简单来讲,就是在现阶段企业最核心的问题是什么,并且找到一个指标去衡量。


世面上的产品可以分为三类:第一类:消磨时间的。比如很多短视频、新闻类软件。第二类:提升效率的。比如很多SaaS类产品。第三类:促成交易的。比如很多电商、旅行类产品。

第二点,搭建增长模型。不同类型产品的北极星指标是有所差异的。比如DAU之如消磨时间类的产品,付费用户的活跃程度之如提升效率类,GMV、交易量之如促成交易类。

总之,企业要根据自身业务的特点、禀赋、目标去寻找到相适应的北极星指标。

增长模型听起来是一个非常抽象的概念,在落地阶段要如何去搭建一个完善的增长模型呢?以电商产品为例,基于一款产品,企业首先要去确定它的北极星指标。如果该产品处于比较早期的阶段,那么企业可以选择用户数或者是订单数作为北极星指标,如果产品已经处于成熟阶段了,把交易额选为北极星指标就更合适一些。


假设这个产品的北极星指标是交易额,接下来企业要做的就是想办法去拆解它,拆解北极星指标可以有各种各样的方式,比如说可以按新用户、老用户贡献了多少销售额来拆。或者可以按商品的品类去拆,也可以按照用户步骤去拆。


总之,要把北极星指标按照最合理的维度去进行拆分。这样就可以把很抽象、无法捕捉的指标进一步分解为很细致的指标,为运营和其他团队提供较为直观的决策基础。进而反馈回北极星指标去完成提升。比如说把商品详情页的转化率提高,相应的交易额也会随之提升。


指标建模最重要的意义就是帮企业触及核心,找到最重要的研究和提升方向,同时梳理出影响方向最重要的因子,并挖掘出潜在的规律和价值。


机会洞察


机会洞察不是只围绕某一环节单独进行,而是伴随整个客户生命周期而展开。在用户获取、激活和留存、召回流失、变现中每一个阶段都有增长的机会和增长的可能性,相应在每一个阶段里面都潜藏着一些数据,这些数据都提供一些增长线索,比如说在获客阶段有渠道数据,在激活、留存和召回阶段有用户行为数据,在变现阶段有业务数据。


但很多企业一般面临两种困境,一是缺乏完整的数据;二是数据之间无法打通。渠道是渠道,用户是用户,业务是业务,三者可能仅有一些很微弱的连接,数据是割裂存在的,这样的数据就不会产生价值,甚至还会造成一些恶果。




那么当企业有了数据之后,在寻找增长的线索和机会时,通常会各种各样的问题和挑战,归纳起来主要为两类问题:


第一类是转化问题。所谓转化问题,就是企业怎么说服用户去完成一个指定动作,一般来说都是一次性但是非常关键的动作,比如说点击广告、下载注册一个帐号,或者产生付费。


第二类是留存问题。当用户完成了一次性的关键动作之后,企业还会希望用户能持续不断做某件事,产生周期性依赖。这是一款APP最重要的用户使命,比如反复登录、听歌、看新闻、看视频等。


当企业有了这种概念之后,留存和转化问题,事实上有太多是已经被证实、科学的数据分析方法,可以去引用和借鉴。


举例来说,美国在线出行服务平台Lyft是Uber最新的竞争对手。起初Lyft也遇到了留存类问题,平台发现用户的留存比较差,于是平台开始去研究用户激活和使用的情况,他们发现在新用户的前期,如果新用户两个不同的场景下,比如上班用一次,酒后代驾用一次,或者接机用一次,上班用一次。如果出现这种情况,用户的长期留存则有显著提升。


当有了这样的数据洞察的时候,平台就马上采取相应的行动,通过各种手段促使和引导更多用户达到这样的状态,最后衡量结果发现,留存率果然有显著提升。


衡量结果


通过数据仪表盘的方式,把对于公司业务最重要的数据指标罗列出来,让企业能够一目了然地知道公司业务的健康程度和发展态势。

以A/B测试为例,A/B是一种经典的衡量方式,也是数据驱动增长最重要的载体,为什么这么说?因为不做任何改变的数据分析是没有意义的。如果做了很多改变但没有通过A/B测试的方式,即使指标提升了,但是企业无法精准找出到底是哪个因子的改变导致了这个指标的变化,这就为决策带来很多不可预期的问题。以美国视频平台奈飞为例,他们为精准了解用户对于某张视频宣传海报的喜爱度,会经常利用A/B测试的方式。

他们会观察哪个版本的海报用户点击的最多,完全抛弃企业对直觉、经验有的信任,而是真真切切去了解用户的内心,用户的行为偏好。


决策自动化


决策自动化类似于一种自动传送带的状态,让系统自动找到最合适、最精准的投送方式。


以招聘平台领英为例,有企业用户有招聘的需要。一般会先通过内部数据做一个企业用户的健康度模型。销售人员、客服人员和客户互动过程中,会精准预判是否有流失风险,采取怎样的互动模式更能打动客户。通过自动决策为人提供智能决策工具的方式,使得领英付费用户流失率从50%下降到了10%,这是一个非常惊人的数字。
此外再介绍一个订票网站的案例,该网站在内部开发了一个优先级排序模型,每一位运营产品经理想要做一个项目之前,都会把他的一些假设输入到这个模型里面,然后模型会自动测算出该项目对北极星指标会产生多大程度的影响,通过这样的方式去提高优先级排序的精确程度和质量。


数据是这个时代最重要的核心资源,也是取之不竭的,最重要的是它由我们自己创造,不依赖任何自然资源。我们也看到了友盟+也在通过数据帮助整个行业构建可闭环、可沉淀、可持续的企业级数据中台。所以,最大化发挥数据驱动业务增长的效能,将是这个时代任何企业都要掌握的核心能力。当下流量红利已经进入尾声,产业互联网思维正在崛起,精细化运营、数据驱动、智能决策将是未来任何一家企业都必须具备的能力。