数据运营实战二细分漏斗画像改善关键节点

　　数据运营的优化重点在于把复杂的，多因素影响的过程拆分，简化影响过程，从而挖掘其中的关键要素进行改进优化。
　　上次我们提到了通过分群分析进行渠道转化数据的监测，调整了渠道投放策略，最终提升了渠道ROI的结果。
　　复习请戳：数据运营实战（一）
　　首先，我们回顾一下我们的目标问题：
　　某电商App，现在面临的问题是用户成交量较低，与投放推广的成本相比，ROI较低。
　　这个问题，我们应该如何分析？
　　上周已经讲过：
　　通过数据挖掘，我们发现了优质渠道A，其用户群与我们的高价值用户比较吻合，同时平均客单价约是原有主要渠道D的1/2~1/3，我们的投入产出比例得到了优化。这主要依赖于通过数据分析找到了优质低价的渠道，降低了获客成本。
　　漏斗改进效果如下图：
　　那么，这个漏斗是否存在其他可以改进的地方呢？
　　当然有！我们的现实世界并非是简单的数据逻辑结构，很多结果都是多种原因综合导致的，我们可以用多种角度去分析同一个问题。
　　下面我们将结合漏斗分析与用户分群来做一个深度分析，通过漏斗的细致拆分和交叉对比，定位问题所在。
　　漏斗分析
　　那我们就从这个漏斗开始分析：从上面都是漏斗中，我们可以看到，加入购物车之前的转化率都较高，但在购物付款的流程中，转化率急剧降低至14.65%，这里应该也有改进的空间。
　　我们再看页面浏览数据，可以发现，用户在订单确认页面停留的时间长达95秒，这与我们平时的认知不相符。
　　漏斗拆分
　　为了验证我们的假设，我们建立两个小用户群——＂确认要付款的人群＂&＂成功付款的人群＂，即把漏斗中＂订单人群＂到＂付款人群＂进行了拆分，把确认付款的动作独立出来。
　　我们能够发现，在＂确认要付款＂到＂成功付款＂确实是损失转化的主要环节。
　　分群分析
　　我们看这群＂确认付款＂&＂未成功付款＂的人群：
　　我们姑且把这个人群叫做＂付款失败＂组。
　　在MTA中你可以通过设置用户分群设置来实现这一步的处理，如下图。
　　通过几个人群的对比，我们发现＂付款失败＂组的人群离线环境陡增约14%，另外，其3G、2G网络的比例要高于大盘人群（5.68% vs. 1.36%），且设备品牌中，相对机型较小众、低端。
　　我们实际测试了品牌1和品牌2的实际几个机型，主要针对的就是付款页面的页面体验，存在以下问题：
　　机型适配性较差，开发时主要考虑的是现有主流机型适配，对小众机型的关注度较低；
　　页面卡顿严重，长达40秒以上的空白页面，严重消耗了用户耐心。
　　于是我们做了以下改善：
　　紧急修复版本，在小众机型的主要推广渠道上升级了版本适配性的App；
　　页面加载量优化，包括切割、压缩、删减图片，框架优化，预加载等策略，恶劣网络下加载速度提升至约15秒；
　　加载等待页面设计，增加了动画的等待页面，给用户卖个萌，增加用户等待的耐心。
　　效果验证
　　页面优化后，我们的漏斗转化流程有明显改善：
　　我们针对这群＂付款失败＂用户群所做的改善，为转化漏斗提高了3%的转化效率，这是非常大的一个收益。另外，我们在后续的漏斗改进中，还尝试结合了页面点击/页面流转的分析，删去了付款页面中不必要的信息、按钮，保证了付款流程的顺畅性，对于提升漏斗也有一定的作用。
　　好了，今天的分享就到这里啦~
　　总结一下
　　数据运营的优化思路其实就是通过细致拆分，把复杂的、多因子的事件分析拆分为独立的、单因子的归因分析，以确定改进的思路。
　　下周将会带来数据埋点的内容，敬请期待哦~
　　相关阅读：
　　数据运营实战（一）：细分目标人群，结合用户画像的实践