我是如何用数据分析驱动用户快速增长的以全民歌为例

　　数据分析能驱动用户快速增长吗？先说答案——＂能。＂，再说具体怎么做。
　　（纯贴数据做分析看着太辛苦了，所以本文会从更方法论的角度来阐释）
　　前段时间在看到一个帖子在问：数据分析能驱动用户快速增长吗？
　　先说答案——＂能。＂，再说具体怎么做。
　　因为数据涉密，我不会用我经手过的产品数据来说明，而会选用一个我自己很喜欢使用的产品——全民K歌，来完成这篇文章。因为无法获得精准的产品数据，所以我会按照自己对产品的理解+部分第三方数据做分析，目的是分享数据分析驱动增长的常见方法，如有不科学的地方，欢迎指出。
　　以下， enjoy：数据分析常见操作方法是【三个步骤】&【两个模型】
　　一、三个步骤
　　三个步骤为：确定核心目标、列出组成公式、确认元素
　　在互联网公司常见的应用方式为：
　　核心目标（即北极星指标）=A*B*C
　　拿全民K歌来举个例子，全民K歌的slogan是：＂你其实很会唱歌。＂
　　产品最终价值就是让大家唱歌，并且让别人听到，所以他的北极星指标应该是：【每日原创歌曲播放次数】。在提升这个数据过程中附带产生的伴奏下载/播放次数，好友消息数等都是衍生数据。
　　因此，公式是：
　　每日原创歌曲播放次数=每日原创歌曲数*单曲平均播放次数
　　这就是核心的数据公式，接下来我们要确定影响公式的元素，公式可以被拆解为：
　　每日原创歌曲播放次数=（每日活跃用户数*人均产出歌曲数）*（单曲曝光次数*曝光-点击率）
　　这个公式可以无限拆解下去，按照产品的量级和功能复杂度，运营团队的人力资源做到最大程度的细分，在这里不继续穷举，就按照最后的这个公式做分析。
　　可以发现：影响核心目标的元素有：DAU，人均产出歌曲数，单曲曝光，歌曲曝光-点击率。
　　常识可知，在乘法里，每个元素的提升，都能对整体结果带来提升，运营团队可以根据这四个元素来做针对性的增长计划：
　　1. DAU
　　根据不同的公式对产品的定义，又可以被拆解出很多元素。
　　我们简单的认为，全民k歌的活跃用户定义为当天登陆过app的注册用户，则可以分解为：注册用户数*打开频率。
　　注册用户数可以通过异业合作，好友邀请裂变，应用商店，信息流等很多方法提升，属于常规操作，本文不做详细讨论（重点：格外注意黑产用户）。
　　打开频率，长期来看可以用设置有效的功能场景（例如：打卡签到，歌唱教学），合理的渠道推送（消息push提醒等）等方式提升。短期则可以通过一些事件营销和社区传播的手段，引起用户的注意和讨论，从而阶段性的提升打开频率。
　　2. 人均产出歌曲数
　　首先需要做用户分层：高质量用户（产生过内容）的平均水平是多少？普通用户（从未产生过内容）的水平是多少？
　　全民k歌一定会有一部分用户是不唱歌的，产生过内容的可能只占30%，那我们在这里是否只统计产出过内容的用户的数据呢？
　　当然不是。
　　首先，这样的统计是会影响数据公式的，不能用高质量用户的平均水平放大到所有用户来统计，这样会导致我们对用户现状盲目乐观，甚至做出错误决策。
　　那为什么要分层呢？直接算一个总平均数不就完了？
　　我简单做了一个K歌类用户的漏斗。（真的很简单……）
　　艾瑞数据显示：全民K歌的月活1.6亿，假设按照我的逻辑来定义活跃用户的话（以下数据均为个人假设）：按照4个层级按4:3:2:1的比例划分，则人均产出数量为0.16首/天
　　从策略而言，我们要把0.16这个数字提升到0.2甚至0.3。
　　从执行而言，有两种方式：
　　1）让每一层的用户向下一层流动。
　　——即让沉默用户开始听歌，让只听歌的用户开始唱第一首歌，让偶尔唱歌的用户活跃起来。基本的逻辑是改变4321这个结构。
　　2）提升每个层级的平均产出数量。
　　例如：让0变成0.1，让0.3变成0.5。
　　基于以上的数据分析和目标拆解，那运营就可以有更加明确，精细化的策略。
　　例如：目标是让只听歌不唱歌的用户，从人均生产0首歌，到人均生产0.1首歌。
　　可以对应的策划【你的第一首歌】活动，通过降低参与门槛（例如：做简单的抢麦，唱两句就好了，不用唱4分钟的完整歌曲，先让用户开第一次口），提供激励因素（无论是情感激励-组队抢麦，还是利益激励-发金币）都可以。
　　3. 单曲曝光次数
　　原创歌曲的曝光，通常通过以下3种方式：
　　社交关系链——关注/好友等
　　机器算法推荐——附近/推荐，猜你喜欢等
　　固定曝光位——发现-各类榜单，点歌-各种榜单/各种分类，广告位等
　　运营可以围绕不同形式，设定不同的数据目标，策划对应的运营活动，从而提升在不同的板块里的歌曲曝光次数。
　　举个🌰，社交关系链，关键的数据目标就是关注/好友数，好友越多，理论上歌曲被曝光的几率和次数就越多。
　　当然这里涉及到用户活跃和分层的定义，一个人的好友从50变成100，并不代表歌曲曝光次数会翻倍。但总的来说，社交关系得到拓展后，发出的原创歌曲一定能在关注/好友两个板块得到更高的曝光几率。
　　因此运营的目的就从【提升歌曲曝光】这个不知道咋下手的目标，变成了【提升平均好友数】这个更具体可执行的目标
　　接下来就是策划具体的活动了，是通过组团抢麦，还是隔空互动，或者是陌生人社交侧的情感互动匹配，在运营机制中注意强化【互加好友】这个关键动作即可，在此不做赘述。
　　说白了，在这里数据分析的关键作用之一就是：通过数据分析拆解，找到在运营侧更具体可执行的方向。
　　4. 曝光-点击率
　　提高曝光-点击率，有两个方法：
　　1）找到对歌曲更匹配，更感兴趣的人，让曝光的效率最大化。
　　例如：给周杰伦的粉丝，推荐普通用户翻唱的 [七里香]，绝对比推送给五月天粉的效率更高，这个需要运营人员做的就是做用户标签，分群，算法推荐，不做赘述。
　　2）提高用户点击播放的欲望。简单的说就是提升歌曲的吸引力。
　　这涉及到对内容的优化，比如：推送封面（头图的大小，形状，视觉等），标题，文案（例如：70%的好友都听过/得分超过85%的人之类的）等等。
　　高品质的内容能够有效的提升曝光-点击转化率，那运营人员需要做的就是大量的AB test，哪种形式的内容最能吸引到用户点击，看数据说话就完事儿了。
　　总而言之，数据分析的【三个步骤】，主要的作用是：让运营团队找到增长的方向，并通过合理的拆解找到运营的切入点。
　　二、两个模型
　　两个模型分别是：漏斗模型，坐标模型
　　1. 漏斗模型
　　最典型的就是AARRR模型，不懂的同学自行百度，不做赘述。
　　除了用户获取的整个流程外，漏斗模型还可以用于单个case的分析，漏斗从上到下基本代表的是用户旅程地图（说人话就是：用户在产品上的一个完整的互动）。主要用于跳出/流失分析，用于发现问题——用户在哪里流失？
　　还拿全民K歌来举例子，我们的目标是：让更多从不唱歌的人，开口唱第一首歌
　　基于这个目标，运营设置了一个H5活动——测测你的歌星含量（文案可能还要再改改……）
　　大致玩法可能是：选择你喜欢的歌曲，系统出歌词，放一遍原唱，长按录音，得出结果，分享到动态。
　　如果只告诉你，活动页面UV超过100万，但是最后分享到动态的数据只有500个，你知道问题出在哪里嘛？
　　这个时候基于对H5每个页面的流量漏斗分析，我们就可以发现问题并改善。
　　比如：
　　1）我们发现，活动页面UV100万，但是完成选择歌曲的人数只有1万，只有1%，为什么？
　　这是一个非常不合理而且远低于预期的数据。基于此，我们有一个猜测，是歌曲库不够丰富，还是用户懒得自行选择？
　　因此，我会对页面埋点数据再做一次分析，比如：有50%的用户点击了搜索歌曲，但是最终没有进行下一步，可能意味着音乐库丰富度或者搜索匹配出现了问题。又比如：大部分用户在页面点来点去，就是没有点击搜索框？他可能很懒，在找系统推荐罢了。
　　基于猜测，我们可以再做测试，或者是用户调研，去验证想法是否正确，从而发现问题到底出现在哪里。
　　当然，内容的测试，应该是上线前就做好优化的。
　　那我们再来看实际环境中更多出现的，另一种情况：
　　2）我们发现完成录制，得出结果页的用户有10万，但是最后选择把结果页分享到动态的用户只有500，为什么？
　　通过漏斗模型，我们明确的发现：主要的流失出现在＂结果页-分享＂这一环节。还是一样，先基于数据做猜测，再出解决方案去验证想法。
　　首先10万用户产出结果页，之前的环节应该是没有太大问题的，那有什么原因会让用户＂哪怕产出了分享页也不愿意分享到动态＂呢？
　　可能1：结果页太丑，令人十动然拒。
　　美与丑不是绝对的，活动上线前可能已经做过测试，但是最后选用的页面就是不被大部分用户认可并愿意分享（就好像男生和女生，一二线和下沉市场用户的喜好都是不同的），那怎么办？
　　解决方案：众口难调，要么就做线上测试，找出大部分用户喜欢的样式，要么就多做几个不同的分享页版式，让用户自由选。
　　可能2：没有明确的分享引导
　　用户看完结果页，说哦好的，然后就关闭离开了。活动方没有明确的引导——例如：分享获得XXX（利益诱导），分享到动态让朋友看看（社交货币/塑造人设）。大部分用户是懒惰的，他们需要更明确的引导，让用户自由发散的决定做什么，最后用户大概率决定什么都不做。
　　还有很多可能，不穷举了，主要说明的还是漏斗模型能有效的找到问题。
　　2. 坐标模型
　　最经典的是RFM模型，用于基于行为数据的用户价值分层，从而实现精细化运营，在产品的整体运营增长中使用较多，在单个活动中运用较少。
　　常见的RFM模型如下：
　　基本上会基于以下三个数据建模型，划分出不同价值的用户区间：
　　R=最近一次行为（Recency）
　　F=行为频率（Frequency）
　　M=行为量级（Monetary）
　　RFM常见于电商平台，我们还是拿【全民K歌】来举例，首先选定几个数据纬度，我会选择：
　　R=最近一次互动（基于上文的分析，我选用互动而不是登录，互动的定义可能是播放一次歌曲之类的）
　　F=互动行为频率
　　T=单次使用时长（为了简单易懂，其实也是行为量级的含义）
　　接下来是统计数据，建模分析，然后我没有具体的产品数据（提的这几个维度，也很难通过第三方数据拿到）。嗯，那就先这样吧。
　　大概是这个意思：
　　最近在app上有互动的（定义可能是48小时内），互动频率很频繁的（可能一个月登陆10次以上），单次使用时长也很长（单次在线时长30min？），定义为重要价值客户，丢掉谁都不能丢掉他们。
　　最近有互动，但是整体来看互动频率不高，使用时长很长的，代表他最近打开了app而且单次使用时长很长，只是互动频率不高。那就证明用户是对产品很感兴趣的，非常有潜力，是重点发展的对象，应该策划更多的活动让他们提高互动频率。
　　最近不互动，互动频率低，但是从历史来看单次使用时长很长的用户，他们可能曾经很爱全民K歌，但现在已经处于流失的边缘了，是要重点挽回的对象。
　　通过RFT数据模型能有效的对全民K歌的用户做价值分层，对不同价值级别的用户做精细化的运营，运营的资源和精力是有限的，当然要做更重要的事情啊。
　　除了用户价值分层，还是基于生命周期的分层，这个解释起来太长了，不在本文举例了，下次有空再写吧。
　　简而言之，数据分析驱动用户增长，主要就是在两方面：
　　通过目标公式和拆分出来的具体数据元素，得出可执行的具体运营策略；
　　通过数据模型的分析，发现问题，实现对用户的精细化运营。
　　本文的分析比较基础，欢迎各位大佬在评论区说下对数据分析的见解鸭！