数据不说谎，数据驱动能发现你发现不了的问题

吴继业 |前LinkedIn商业分析工程技术总监，GrowingIO联合创始人。

活动： 2016年10月29日 GrowingIO主办【增长与变现】精益运营高端闭门会议 笔记侠作为合作方，经主办方审阅授权发布笔记；PPT来自嘉宾。

今日笔记侠客：笔记侠 深度好文： 2350字 | 4分钟阅读

笔记之前，请先思考：

• LinkedIn在近几年是如何能快速发展的？

• 如何找到影响你产品用户活跃的“魔法数字”？

• 如何优化产品主页设计轻松提高用户转化？

• 数据驱动产生的价值体现在哪些方面？

• 数据可以支持公司的哪些部门？

硅谷公司用数据去实现驱动业务增长，主要有三个目标：

1）提升关键指标

2）改变产品体验

3）优化运营流程

这是LinkedIn从09年到15年的营业额增长图，很明显从11年开始营业额出现大幅增长，在当时公司开始提出要看三个方向：

1）公司CEO一直强调的总利润

2）用户活跃度

3）变现

我主要从事第三个方面，在近五年来，我们商业数据分析团队做了许多公司的内部数据产品，为各个部门提供数据支持以实现它们自身的增长。

这个分析报告反映的是Google公司2012-2013年度的人员流失情况，它很清楚地告诉告诉HR：公司在整个人才管理上是Winner or Loser 。绿色部分越多，红色部分越少表明公司人才越好，处在赢面；相反则表示HR们需要加强在保留核心员工方面的能力。

Talent Flow（人才流动）这个指标还可以分得更细，可以切分到每一个职能或职级，通过不同的维度再去看这张图，你将能洞察出更多的东西。而这样的数据分析只有在LinkedIn上可以得到，这要基于它上面大量的简历、信息。该图形还可以帮助中国的企业出海，比如华为公司想要在海外发展，不仅需要自己的员工，还需要招聘一些当地的人才。通过LinkedIn的数据，就有助于知道核心人才在哪里，而便于它的后续发展。

市场方面大家都比较熟悉，就是Subscription model（订阅模式）会发很多邮件给最有可能购买LinkedIn个人订阅服务的客户来扩大市场。

这是关于XLNT的产品测试，它的背后就是所有用户级别的指标。我对每一个UID做了500个Metrics（权值指标）,这500个Metrics可以变动。测试结果则可以分为三个层次：

• 第一层是公司最关心的25个指标；

• 第二层会划到每一个产品经理手里；

• 第三层则是每一个非常细节的点。每一层的灵活度不一样，层级越高指标越固定，下面的则会经常改变，而通过这样的一个测试就有助于产品经理做好决策。

Voice也就是舆情监测，上图是LinkedIn为自己内部所做的一个舆情监测系统。LinkedIn购买各种机构的数据后汇总成一个系统，这个系统主要是几步：

首先人工设置几个Topic（主题）,比如用户的档案是一个topic、用户跟谁联系是一个topic、用户email是一个topic等，你有不同的产品线并将不同的产品线弄出来，根据用户说的不同的话放到不同的产品线上，

第二步是进行分析，把用户对LinkedIn产品的态度分辨出来，再给用户一个系统让他搜索任何关键字，根据不同的关键字他可以设置不同的时间、渠道，然后看具体的反馈。产品经理可以给他打分，若产品经理觉得不靠谱可以再改，改完之后就会反馈到模型钟，这个模型根据产品经理打的分再做下一步的数据培训，培训之后就会生成一个更好的系统。

在客户成功系统中包括了试用和正在使用的客户。每一个气泡代表每一个客户，记录每一个人行为的指标称为健康指数，客户有没有购买的意愿用温度指标来表示。通过上图我们可以对它做一个四象限的拆分，针对不同的客户区隔采取不同的策略。

案例一：

我们对Airbnb的用户流量进行渠道分析发现，其流量分布如下：

• 40%--Word of Mouth（口碑）；

• 25%—SEO（搜索引擎优化）；

• 20%—SEM（搜索引擎营销）；

• 15%----Refer（提及）。

Word of Mouth和Refer的不同之处是：Word of Mouth 指的是用户住了之后再介绍给亲戚朋友。而Refer则是用户住完之后会发给他110美金奖励金，其中75美金他下一次住Airbnb可以自己使用，另外35美金则是他分享到社交平台后他的朋友们可以领用。通过这35美金奖励金进来的用户就被定义为从 Refer 渠道来的。

那么如何判断哪些是来自 Word of Mouth 的用户？我在与Airbnb数据增长负责人聊天时，了解到Airbnb在用户登陆的时候就会看用户的来源，有些用户是可以明确知道其来源渠道的，比如通过Google，SEO，或者是前面提到的 Refer 。对于未知渠道来源的客户, 则会给他们设计一个下拉菜单让他们做选择题，是通过朋友和家人推荐，还是其他什么渠道。选择朋友和家人推荐的用户，就被定义为是从 Word of Mouth 渠道来的。

还有一块就是 SEO 。你看上面这张图会发现，Word Of Mouth 加 SEO 这两个渠道的流量就占了Airbnb 总用户流量的 65% 。我们都知道Airbnb的竞争对手是酒店，而它在开始的时候SEO和SEM是做不过传统酒店行业的。后来Airbnb采取了两个方法：

1）在发布房源清单的时候会同步到Quick list 上 (美国一家类似58同城的分类信息平台）。早期 Quick list 给他们带来了不少流量。

2）让用户写评论产生UGC内容。比较有意思的是给用户反馈反馈设置了三个框：

一个是「描述您的体验」；

一个是「私下反馈」；

「私下反馈」里又分为：「你喜欢这个房源的什么地方」和「你的房东可以如何改进」。

「私下反馈」是给房东看的评论，不会公开显示，其实就是让你提意见的地方。这就是个很聪明的做法，把好的评价公开显示，不好的评价私下让房东看到。

案例二：

在“回家吃饭”APP的首页中，优化家厨推荐排序是一件非常重要的事情，事关家厨能否得到比较合理的流量分发。

下图左侧是首页的家厨推荐位，右侧是家厨的浏览和点击按位置排列的情况（位置序列越小排序越靠前）：

不难发现，前20个家厨推荐位占据了百分之八十八的浏览量。因此，如果不能均匀分发流量的话，就会面临一个非常严重的问题：一些评分高的家厨长期占据首页的前几位，而后来者迟迟得不到流量或者曝光。

于是，回家吃饭利用 GrowingIO 平台的用户行为分组和漏斗分析功能做了一些优化：

首先，回家吃饭设置了流量分发的达标门槛，综合考虑用户的评分、家厨与用户的地理距离等因素；

接下来，将达标的家厨进行分组，选择合理的分发粒度系数，初步将符合条件的家厨分成AB两组。对分组后的家厨进行加权，并且重新排序。

在做这个分组分发策略之前，回家吃饭平台首页的流量分析的基尼系数达到了0.59（不太均匀），这是一个分配非常不平衡的表现。不断迭代、分组分析后，这个系数下降到0.4（相对之前更均匀了），这说明流量分发有了很大程度的优化。

案例三：

我们在 LinkedIn 早期增长过程中发现了一个影响用户活跃的魔法数字：新用户增加5个社交关系后使用度和留存度都会大增。最近 GrowingIO 也新推出了一个功能模块叫「留存魔法师」，可以帮助你找到你产品功能中影响用户活跃和留存的那个魔法数字。

大家看上面这个图表：

• 草绿的线代表的是某一功能不同使用次数的用户对应的次周留存，

• 橙色的线代表的是不同使用次数上的用户分布，

• 蓝色的线则代表的是相关系数，表明不同使用次数与用户留存相关系数的高低。

我们需要做的，就是从这三条曲线中找一个平衡点。在这个点上，次周留存相对高，覆盖用户人群相对高，相关系数也相对高。这就是你产品在这项功能上的「留存魔法数字」。

案例一：某服务商类客户通过智能路径为客户制作“重新提交需求”流程的漏斗从智能路径结果中发现:

• 用户重新提交的一个场景是结果验收不合格后的重新提交；

• 验收不合格后需要回到管理主页重新提交需求。实际可以在验收不合格时直接提供一个重新提交需求的选项。

案例二：某服务交易类网站，以提交订单为转化目标。

从智能路径结果中发现：频繁转化路径基本都从产品详情页开始；

产品首页有多个入口到达服务商品详情页，而网站预期的主要入口用户体验不够好，导致用户行为分散，无法得到服务商品详情页前的频繁步骤。

这两个案例的不同之处在于：

• 第一个讲述多余的步骤会导致用户的流失；

• 第二个则是说明你所设置的转化路径有问题，他并不是产品经理当初给用户所设置的那个路径。

总结起来就是，做数据驱动增长的目标是产生一个具体的影响，或者说你能把这件事情落地，而不是只给一个洞察比如给一个UV、PV指标，这些东西不产生价值，真正产生价值的是三个方面：

• 提升关键指标，这个关键指标最好是一个转化率，而不是UV、PV这种简单的数字，因为这些肯定会提升；

• 改变你的产品体验；

• 优化你的运营流程，比如说Airbnb用户搜索首页太复杂功能太多，导致出现新用户不会用老用户觉得很烦很浪费时间，这就需要它把新老用户分开，为新用户重新做Landing Page（落地页）引导他，在新的Landing Page会有许多描述信息，描述Airbnb与酒店有什么不同，它们的体验有什么不同，把这些区别点列出来，然后再把新用户引导到搜索首页页面上来。

通过数据分析改变了这三个方面就可以做到数据驱动增长。谢谢大家！

更多Growing IO精选文章，点击以下标题链接☟

原文始发于微信公众号（笔记侠）：数据不说谎，数据驱动能发现你发现不了的问题