本文内容根据神策数据产品总监杜明翰在《数据分析-运营与产品场景的应用实践》主题沙龙中演讲整理所得。主要内容包括:

  • 数据赋能产品的 2 个层面

  • 锦囊 1:聚焦收益最大化,关注用户决策「过程」,而非「流程」体验最优

  • 锦囊 2:大胆猜想,小步验证,最终用数据事实来验证直觉

  • 锦囊 3:在一开始,就把数据当做产品的一部分来「设计」

数据赋能产品的 2 个层面

数据赋能产品主要可分为两个层面:第一个层面是数据可赋能产品做迭代,如改进功能、优化用户体验、提升产品各项指标等,这一层面每个公司的应用方式、方向及深度都略有差异;第二个层面是数据与产品做一些结合,把数据融合到产品设计中,直接成为产品的一部分。

在下文中会针对这两个层面分享数据赋能产品的 3 个锦囊,通过实际案例展开来讲。

锦囊 1:聚焦收益最大化,关注用户决策「过程」,而非「流程」体验最优

聚焦收益最大化,关注用户决策「过程」,而非「流程」体验最优,其中用户流程和过程仅一字之差,但实际却有微妙的差别。下面通过一个海外电商 A 企业围绕新客购买流程转化决策的增长实验案例来解答。

我们先来看一下背景,来帮助大家更好的理解下面的案例。

A 企业是神策数据的深度合作客户,神策数据的分析师团队与 A 企业的业务团队组成了一个虚拟增长工作小组,一方面通过数据驱动方法直接解决问题,另一方面神策团队作为“教练”角色,帮助团队建立数据驱动的工作方法和文化。

A 企业的业务主要面向中东(中东及非洲撒哈拉沙漠以北),重点市场集中在沙特阿拉伯。沙特人均 GDP 约 2.4 万美元,大概占美国 GDP 的 43%,虽然从人均 GDP 看,经济水平和消费能力超出中国不少,但是其互联网人口的覆盖度并不高(互联网人口渗透率非洲和中东地区为 32%,亚太地区为 48%)。沙特物流和支付体系没有中国完备,这些地区现在的主流支付方式依然以货到付款、信用卡支付为主。

A 企业在 2018 年 1-7 月取得了良好的增长,但在 8 月初时新增有效订单数从增长趋势变为下降,并在 8 月中旬之后,订单量下降到一个较低区间(如下图)。

温馨提示:文中所涉数据均为虚拟数据。

为此,企业设立了一个优化目标:在现有有效订单的用户转化率基础上,再提升 1-2 个百分点,并针对该目标开始定位问题原因。

原因 1:在中东地区 5/6 月份是斋月,7/8 月份是宰牲节,节日后数据一直在下降(客观原因)。

原因 2:7 月开始,流量增长趋势下降,某一端新用户增长趋势消失,投放成本变高,下降至与另一端新用户数相当。

结合这两个原因,虚拟增长工作团队发现要在维持现有用户增长情况下提高平台的有效订单量,「提高用户的订单转化率」是目前最有效的途径。

为了提升订单,首先需要分析用户的购买流程体验是否舒畅,消除过程中影响体验的因素,将每个环节的转化率优化到理想状态。为此,虚拟增长工作团队梳理了用户购买整个流程的关键节点,注意这里说的是「流程」(如下图)。

这里介绍一个分析购买流程的思路:企业首先可根据用户购买流程创建漏斗,再根据观察的漏斗数据发现流失环节,定位流失环节后再进行多维度更细粒度的下钻分析原因精准定位问题,再聚焦问题来优化产品,并记录数据去评估优化效果(如下图)。

与此流程相同,虚拟增长小组也建立了一个转化漏斗去分析各个节点的转化情况,发现整体转化率只有百分之一点六几,而且结算到生成订单转化率为 30% 左右,甚至生成订单到有效订单的转化率也仅为 50% 多,很显然,这两步的转化极其低。

因此,这两个环节是需要重点优化的地方。再进一步分析原因前,我们先来看看用户为什么会流失。实际上,在用户购物的过程中,用户会付出相应的决策成本,主要包括两大块:其中一个是注意力成本,包括时间和精力成本;另一个是真金白银的金钱成本。并且在电商产品里面,这段注意力的成本花的越多便更有可能付出金钱成本,因为注意力成本为沉没成本。比如,往往用户在 APP 中浏览的商品越多,更有可能产生购买行为。

这个就是前面提到的,关注用户决策「过程」,要站在用户的角度来推断用户在此情此景是如何思考的,不同于以往企业的产品流程是要求企业做什么的思考模式。

所以在实际分析时,企业要去分析这些节点背后的一些决策原因。接下来,虚拟增长工作团队进一步对比了购物流程和购物转化,并梳理出影响各个环节转化的因素(如下图)。

进一步拆解之后发现两个问题。其一,中东地区在渠道投放时,常采用有吸引力的商品进行广告投放,比如某儿童玩具厂商在 Facebook 上投放一个针对 3-4 岁儿童的玩具套装广告,对其感兴趣的用户点击广告后会被引导下载 APP,下载完 APP 之后会直接跳转到 APP 首页。

很显然以上违背了关注用户决策「过程」的原则,用户想要的是玩具套装,最后在下载完 APP 后,打开的却是首页,甚至需要去注册,再结合刚刚谈到的注意力理论,其注意力在最后被直接“截断”了;其二,在用户已经决定购买结算却没完成有效订单的转化,而其影响因素包括支付方式、邮递政策、优惠券、新用户注册,结合中东地区的支付特点,不难发现其主要转化障碍是支付方式的选择,包括在线支付和 COD 支付(Cash on Delivery 的英文缩写,意为货到付款,交货付现。)

关于两种支付方式,用户和企业各有青睐。A 企业采用的是预售模式,购买周期较长,约 20 天左右才能收货,在这个环境下,用户更倾向于货到付款。而 A 企业因为是做的跨境交易,为早一点收到货款,当然更希望所有的用户采取在线支付的方式。

接下来虚拟增长工作团队开始寻找支付方式导致转化率降低的核心影响因素。神策分析师团队分析结算时的订单金额不同区间的数据时发现,当结算的客单价在 0-50 美金时转化率仅有百分之十六点几,这部分用户数占整体的 70%,是主要的用户群体,且在这一区间流失的用户量占总体的 50%,也就是说在这个环节流失了一半用户。而客单价在 $50 以上,转化率在百分之六十几,也就是说,金额越贵,成单率越高,这是比较反常识的。

考虑到可能是运费问题导致的放弃支付,虚拟增长工作团队发现 $50 以下与 $50 - $99 的两个区间同样需要付运费,但后者可使用 COD 支付,转化率远比前者高。所以支付方式是主要影响因素。

虚拟增长工作团队开始聚焦支付方式进行分析。最终发现该企业的订单金额在 $50 以下只能使用信用卡支付,$50 以上才能使用货到付款。很显然因为信用卡付款需要绑卡等复杂操作,一部分用户直接放弃购买了,但百分之十几的转化率可能不仅是这一个原因导致的,所以虚拟增长工作团队又分析了一下信用卡支付的转化率,发现整体成功率仅为 59%。

为此,虚拟增长工作团队进行了在线支付的流程体验,发现其流程非常冗长相比 COD 的体验差很多,COD 的付款方式平常操作时间在 2 秒左右,而在线支付的方式平均操作时间是 8 分钟左右,而且 40% 的操作是失败的,进一步消耗了用户的决策成本。

最终得出的结论是在线支付方式成为用户购买流程最后的障碍,阻拦了绝大多数有购买意愿的用户。

精准定位问题后,产品根据分析发现和建议,迭代了优先级较高且改动较快的部分,如下:

关于投放广告,采取“投放广告的所见即所得”的方式,调整了广告深链接的逻辑,使用延迟深链接。前面提到,点击玩具套装广告并进行 APP 下载后的最终落地页是 APP 首页。为此,A 企业将最终落地页调整为投放广告时看到的玩具页面,采取操作后,转化率有一定的提升。

关于支付方式,采取“降低 COD 支付门槛”的方式。首先将沙特地区的运费 $19.99 降到 $15,后续将 $89 的包邮门槛降到 $60,两天后,A 企业直接取消 COD 最小 $50 金额限制,即可使用 COD 的价格范围从原 [50, 400] 扩大为 [0, 400],后续又针对促进转化在产品上做了些持续的细节优化。

采取完优化措施后发现,整体的转化率有了明显的提升,总转化率增长提升 132%。如下图,为调整广告深链接的逻辑和取消 COD 最小 $50 金额限制后的增长走势。

最终的转化率提升,增长目标达成,就大功告成了吗?事实上,企业若要在良性的发展方向不断精进,还需要掌握一个方法论——产品数据复盘,包括从目标到结果再到分析继而迭代的全流程。

此次增长目标达成后,A 企业的老板与神策数据的分析师团队及 A 企业的业务团队进行了产品数据复盘。在复盘的过程中,A 企业的老板提出 GMV 提高后,是否 COD 支付的拒签率也会提高?神策数据的分析师团队针对这一问题给出了解决方案:如果拒签率变高,可以再根据数据分析调整 COD 支付的门槛;如果拒签率并无明显变化,可以保持策略;如果拒签率忽高忽低,可继续细分拆解分析进行相应调整。

回顾整个定位问题、解决问题的过程。不难发现,最终是围绕购物的闭环体验来进行优化的,也再一次呼应了关注用户决策「过程」,而非「流程」体验最优。事实上,「闭环」远比「流程」更重要。

举个例子,很多人都在无意识的逛淘宝,甚至不知道自己因淘宝的个性化推荐等引导在淘宝中逗留了多长时间,而在用户无意识中,淘宝已经有意识了。

在淘宝看来,整个局面已经发生变化了。淘宝的数据显示,在 2015-2016 年的期间,搜索引流量几乎占 70%,个性化推荐的流量仅占 30% 左右。但到了 2018 年年中,个性化推荐带来的 GMV 已经超过搜索所带来的 GMV。

并且,过去对用户的购买认知是用户有购买需求并进行搜索,找到理想商品,然后加入购物车进行购买最后等待商品到货。而现在的购买流程是用户已经进行购买后,然后看到购物车底部或完成购买后的相关推荐再进行浏览,重复进入这个流程中。

可见,淘宝已经将购物的闭环体验发挥的淋漓尽致,电商企业可以酌情参考。

锦囊 2:大胆猜想,小步验证,最终用数据事实来验证直觉

大胆猜想,小步验证,最终用数据事实来验证直觉的方法在上面的案例中也有体现。

在 A 企业的增长案例中,整个过程中并没有做过多的 A/B 测试或灰度测试,事实上在产品的实际优化过程中,很多企业采取的就是这种很直接的大胆猜想的方式,并进行快速的验证。因为产品优化的过程中,很多决策是相对可逆的,所以在产品设计的过程中不妨多做些大胆的猜想。

如,取消 COD(当然这是一个比较大的政策改动),找到这些关键点有时可起到四两拨千斤的作用,给最终的效益带来意想不到的提升。需要注意的是,企业在大胆猜想的基础上,还要不断进行验证,在验证的过程中,每一步及每一次改动都需要采集好数据,因为这就是你能掌握的事实,而事实才能来验证猜想。

其实不管是产品改进的目标还是策略优化都不只是为了做一个流程的改进,而是将企业的整体收益最大化。效益的提高包含两方面:1.我们本身公司运营的效率,如运营活动耗费的时间或成本降低;2.企业增加收益。

而在这个过程中,数据到底起到什么作用?

其一,验证假设。因为大多数时候直觉约等于可实验的假设,企业其实不仅将数据用于数据来分析得出结论,还可以用数据来验证假设。如在电商、医疗、金融等大多数企业进行产品设计时,有时很难找到直接指导下一步的数据指标,而是要结合经验再利用数据去洞察一些问题、提出一些猜想来验证。

其二,数据、策略成为产品的一部分。数据可以作为产品的一部分来进行设计。也就是过去的企业流程化的依赖运营推一个东西,然后用户再买,但当企业在有足够多的数据的基础之上,可以将数据融入产品,不断地指导产品呈现新的展示,让用户在产品中呈漫游状态去购买。就如前面所说,用户是先逛再买,还是先逛再买再逛再买,这从根本上会影响产品设计、运营的逻辑。

锦囊 3:在一开始,就把数据当做产品的一部分来「设计」

在一开始把数据当做产品的一部分来「设计」是现在企业较追求的方式,可以起到降本增效的效果。下面再为大家讲述一个案例:

B 企业也是一个出海电商,该企业走的是较轻的平台模式,上游对接中小型厂家、批发商,平台统一提供人货匹配、客服、海外物流等服务。平台不提前备货,用户下单后,国内供应商发货到仓,平台负责质检并打包发送至海外,当地采用第三方物流。

B 企业的创始人来自阿里,在公司刚开始成立时,面临的首要问题是无法像淘宝一样大量投入资金做运营,评估自身的技术优势后,便开始考虑如何在产品设计时,用技术代替运营解决上货、配货、内容专题制作等问题。

因此,B 企业自主研发了货和用户的数据中台,以及一系列取代人力的「机器人」。其背后的逻辑和今日头条类似:货卖得越多,系统对人和供应商就越了解。在选品时,B 企业通过爬虫大数据抓取海外用户爱买什么商品,然后在海量 SKU 中寻找分析用户最有可能喜欢的商品。通过供应商的资质、产能、过往历史筛选供应商。而在人货匹配方面,综合用户偏好进行多维度推荐,最终做到千人千面,用精准的信息匹配提高转化率。

不难发现,如果企业从产品设计之初便考虑将数据用起来,并考虑用技术的方式代替原有人力,整个产品的设计思路就会发生很大的变化。如另一个内容娱乐领域的 C 企业,也将数据和技术应用于产品设计上。

C 企业在用户下载 APP 后,会显示一些主题问读者是否愿意订阅并接收对应的推送内容,假如用户选择了搞笑、娱乐八卦的主题,就会询问是否需要推送这些主题,由于前面已经表明感兴趣,大多数用户会选择允许推送,相较于其他产品在下载时询问是否开启推送,这种方式很好地将推送融入到产品形态的一部分,并增加了推送打开率。同时,用户打开推送后,该产品就可以进行该主题的推送和相似主题用户可能感兴趣的内容的推送,可持续的建立这个产品使用的正向循环。

可以说,C 企业直接将推送从运营手段变成产品的核心功能。这样做的基础是企业有评估推送 push 带来的具体效果的数据分析能力,否则其指导意义将大幅降低。事实上,C 企业做到将产品、运营、策略及数据融为一体,通过聚合、内化到产品中,来释放数据的想象力。对于我们的启示是,在设计一个产品时,可以将数据当成一部分考虑到整个产品的完整闭环中,思维将变得更开阔。

神策数据在不断地观察、摸索、总结、提炼的过程中,也将这个理念植入到产品的开发中,以此为基础设计出神策智能运营系统,并将个性化推送、自动化分发等功能融入到这个系统的功能中,详情可戳:深刻感知运营之“痛”,我们推出了新产品——神策智能运营。如果你对神策智能运营系统感兴趣可点击阅读原文进行体验。

图 神策智能运营

温馨提示:点击阅读原文,下载嘉宾演讲 PPT。

不容错过的精彩内容』

▼▼▼

  • 深刻感知运营之“痛”,我们推出了新产品——神策智能运营

  • 《追本数源•开启产品智能化时代》| 产品指数级增长手册

  • PPT 下载 | 神策数据徐美玲:数据分析之产品应用实践

↙↙↙点击“阅读原文”,下载嘉宾演讲 PPT

“在看”,你就戳戳我☟

PPT 下载 | 神策数据杜明翰:数据赋能产品的 3 个锦囊相关推荐

  1. PPT 下载 | 神策数据杜明翰:打造趁手、好用的标签用户画像系统

    本文根据神策数据产品总监杜明翰在<用户个性化运营-标签体系搭建新机遇>主题沙龙中演讲整理所得. 关于标签体系,我们经常会听到这样一些问题: 图 企业思考的问题 在与众多企业的接触过程中,我 ...

  2. PPT 下载 | 神策数据张涛:企业服务客户全生命周期运营三步曲客情诊断 解决方案库...

    本文根据神策数据副总裁张涛关于企业服务客户全生命周期系列的直播内容整理,共 3 篇,上篇回顾<PPT 下载 | 神策数据张涛:企业服务客户全生命周期运营三步曲总览篇>,本篇主要内容如下: ...

  3. PPT 下载 | 神策数据算法专家:推荐系统的实践与思考(下)

    本文内容来自神策数据<智能推荐--应用场景与技术难点剖析>闭门会分享内容整理,分享者为神策数据算法专家胡士文,分享主题为<推荐系统的实践与思考>,前面我们介绍了算法和数据部分( ...

  4. PPT 下载 | 神策数据朱德康:用户中台建设实践解析

    本文根据神策数据融合媒体行业高级解决方案顾问朱德康<用户中台建设实践解析>直播整理而成(点击文末"阅读原文",下载 PPT).本文主要内容如下: 用户中台简介 用户中台 ...

  5. PPT 下载 | 神策数据孙超赟:数据驱动,做可“视”化运营

    在以"矩·变"为主题的神策 2019 数据驱动大会现场,神策数据业务咨询师孙超赟发表了名为<数据驱动,做可"视"化运营>的主题演讲.主要内容如下: ...

  6. PPT 下载 | 神策数据徐美玲:如何挖好数据这座矿?

    本文根据神策数据业务咨询专家徐美玲在神策 2019 数据驱动大会上发表的<如何挖好数据这座矿>主题演讲整理而成.本文将为你重点介绍数据驱动的挖矿模式进阶法和数据基础建设的真相,包含以下内容 ...

  7. PPT 下载 | 神策数据刘乐:智能推荐驱动业务增长应用与实践

    本文内容根据神策数据智能推荐产品负责人刘乐在<智能推荐-业务应用与模型构建思路>主题沙龙中演讲整理所得.主要内容包括: 我们为什么需要推荐系统? 我们需要什么样的推荐系统? 推荐系统助力业 ...

  8. PPT 下载 | 神策数据算法专家:推荐系统的实践与思考(上)

    本文内容来自神策数据<智能推荐--应用场景与技术难点剖析>闭门会分享内容整理,分享者为神策数据算法专家胡士文,分享主题为<推荐系统的实践与思考>. 大家好,在演讲开始前,我对在 ...

  9. PPT 下载 | 神策数据徐美玲:数据分析之产品应用实践

    在以"场景赋能·驱动有数"为主题的神策 2018 数据驱动大会现场,神策数据业务咨询专家徐美玲发表了名为<数据分析之产品应用实践>的主题演讲,以下内容根据现场演讲整理所 ...

最新文章

  1. DSP学习初阶的一些笔记
  2. android源码中常用的Rect方法
  3. ubuntu16.04 server unrar解压rar文件提示command not found和解压tar.bz2文件
  4. Spring Cloud【Finchley】-17 使用Zuul为单个或全部微服务提供容错与回退功能
  5. 退出循环:break 跳过当前的这次循环,直接开始下一次循环:continue
  6. mysql3308_mysql 5.7.16多源复制
  7. 修改安装路径 pip 以及修改运行路径
  8. python file tell_Python3 File tell() 方法
  9. 运维角度浅谈MySQL数据库优化
  10. python车牌识别系统开源代码_python实现车牌识别的示例代码
  11. sap快捷搜索菜单栏
  12. grafana-reporter
  13. JS 获取当前星期几/周几
  14. 算法逻辑题_二.计算法
  15. please select a vaild python interpret
  16. Python之父愤然退位:再也无法忍受他们鄙视我的意见
  17. ubuntu下使用QT编译 No such file or dire解决
  18. 谷歌浏览器不使用独立显卡
  19. 软件开发到底是在做什么?
  20. 计算机毕业设计java+ssm二手书交易管理系统(源码+系统+mysql数据库+Lw文档)

热门文章

  1. ue4 改变枢轴位置_UE4渲染模块概述(四)---反射
  2. android ,动态布局 butterknife,与Butterknife绑定在android中动态添加视图
  3. checkbox wpf 改变框的大小_使用Photoshop智能对象调整图像大小而不会丢失质量
  4. java什么是最终类型_golang和java,谁才是最终答案?
  5. GCN的多层卷积的流程图
  6. 德云斗笑社何九华为什么没参加_江西省会为什么是南昌?
  7. linux 有用的命令,linux有用命令(持续更新)
  8. c++中运算符重载方式中你易遗漏的小细节
  9. 编译linux内核成vmlinuz,编译一个内核 - no bzImage/vmlinuz生成
  10. Leetcode69场双周赛-第二题5961.链表最大孪生和