互聯(lián)網(wǎng)運營數(shù)據(jù)分析必須掌握的十個經(jīng)典方法

互聯(lián)網(wǎng)運營數(shù)據(jù)分析必須掌握的10個經(jīng)典方法！用好這10個方法，秒做互聯(lián)網(wǎng)運營數(shù)據(jù)分析的大牛！眼花繚亂的東西很多，真正派上用場的，卻不見得是那些看起來炫酷的。很多方法樸實無華，卻解決大量的問題。

下面十個方法都是我這么多年做互聯(lián)網(wǎng)運營分析時一定會用到的最經(jīng)典的方法。這些方法如果爛熟于心，其實互聯(lián)網(wǎng)運營分析的最核心部分也就掌握差不多了。真沒那么復雜。

我們從第十個方法倒著講，重要性并無優(yōu)劣之分，但壓軸的，往往是最重要的。

方法十：Link Tag的流量標記

Link tag標記流量源頭 ，絕對是所有方法中最為基本重要的一種。這種方法不僅僅適用于網(wǎng)站的流量來源，也同樣適用于app下載來源的監(jiān)測（但后者需要滿足一定的條件）。

Link tag的意思，是在流量源頭的鏈出鏈接上（鏈出URL上）加上尾部參數(shù)。這些參數(shù)不僅不會影響鏈接的跳轉，而且能夠標明這個鏈接所屬的流量源是什么（理論上能夠標明流量源的屬性數(shù)是無限的）。

Link tag不能單獨起作用，必須要在網(wǎng)站分析工具或者app分析工具的配合下工作。

Link tag是流量分析的基礎，要嚴肅的分析流量，不僅僅是常規(guī)分析，還包括歸因分析（attribution analysis），都需要使用link tag的方法。

方法九：轉化漏斗

分析轉化的基本模型是轉化漏斗（conversion funnel），這個大家都應該很熟悉了。

轉化漏斗最常見的是把最終的轉化設置為某種目的的實現(xiàn)，最典型的就是實現(xiàn)銷售，所以大家很多時候把轉化和銷售是混為一談。但轉化漏斗的最終轉化也可以是其他任何目的的實現(xiàn)，比如一次使用app的時間超過10分鐘（session duration >10minutes）。對于增長黑客而言，構建漏斗是最為常見的工作。

漏斗幫助我們解決兩方面的問題，第一、在一個過程中是否發(fā)生泄漏，如果有泄漏，我們能在漏斗中看到，并且能夠通過進一步的分析堵住這個泄漏點；第二、在一個過程中是否出現(xiàn)了其他不應該出現(xiàn)的過程，造成轉化主進程受到損害。

漏斗的構建很簡單，無論web還是app，都是最好用的方法之一。但漏斗使用的奧秘則很豐富。而且漏斗方法還會和其他方法混合使用，樂趣無窮。我在互聯(lián)網(wǎng)數(shù)據(jù)運營的課程中也會具體講解。

方法八：微轉化

人人都懂轉化漏斗，但不是所有人都關注微轉化。但是你想指望一個轉化漏斗不斷提升轉化率太困難了，而微轉化卻可以做到。轉化漏斗解決的是轉化過程中的大問題，但大問題總是有限的，這些問題搞定后，你還是需要對你的轉化進行持續(xù)優(yōu)化，這個時候必須要用到微轉化。

微轉化是指在轉化必經(jīng)過程之外，但同樣會對轉化產(chǎn)生影響的各種元素。這些元素與用戶的互動，左右了用戶的感受，也直接或者間接的影響了用戶的決定。

比如，商品的一些圖片展示，并不是轉化過程中必須要看的，但是它們的存在，是否會對用戶的購買決定產(chǎn)生影響？這些圖片就是微轉化元素。

個人認為，研究微轉化比研究轉化更好玩。有一些案例，課堂上跟大家講。

方法七：合并同類項

合并同類項是大家容易忽視的常用方法。我們往往非常重視細分，但有的時候我們卻需要了解更宏觀的表現(xiàn)。

合并同類項就是這樣的方法。舉一個例子，我問你，一個電子商務網(wǎng)站，所有商品頁的整體表現(xiàn)如何？它們作為一個整體的bounce rate怎么樣，停留時間怎么樣，用戶滿意度怎么樣等等，你能夠回答嗎？

如果我們查看每一個商品頁的表現(xiàn)，然后再把所有一個一個頁面的數(shù)據(jù)加總起來作分析，就太麻煩了（根本無法實現(xiàn)分析）。這個時候，我們必須要合并同類項。

如何合并？利用分析工具的過濾工具或者查找替換功能。不支持這樣功能的工具你可以考慮扔掉了，因為這根本不應放在增長黑客的專業(yè)裝備箱中。

合并同類項還有很多用途，比如你要了解web或者app一個版塊（頻道）的整體表現(xiàn)，或者你要了解整個導航體系的使用情況，這都是必須使用的方法。

方法六：AB測試

增長黑客不談AB測試是恥辱。

通過數(shù)據(jù)優(yōu)化運營和產(chǎn)品的邏輯很簡單——看到問題，想個主意，做出原型，測試定型。

比如，你發(fā)現(xiàn)轉化漏斗中間有一個漏洞，于是你想，一定是商品價格不對頭，讓大家不想買了。你看到了問題——漏斗，而且你也想出了主意——改變定價。

但是這個主意靠不靠譜，可不是你想出來的，必須得讓真實的用戶用。于是你用AB測試，一部分的用戶還是看到老價格，另外一部分用戶看到新價格。若是你的主意真的管用，新價格就應該有更好的轉化。若真如此，新的價格就被確定下來（定型），開始在新的轉化高度上運行，直到你又發(fā)現(xiàn)一個新的需要改進的問題。

增長黑客的一個主要思想之一，是不要做一個大而全的東西，而是不斷做出能夠快速驗證的小而精的東西?？焖衮炞C，如何驗證的？主要方法就是AB測試。

今天的互聯(lián)網(wǎng)世界，由于流量紅利時代的結束，對于快速迭代的要求大大提升了，這也使我們更加在意測試的力量。

在web上進行AB測試很簡單，在app上難度要高很多，但解決方法還是很多的。國外那些經(jīng)典app，那些賣錢游戲，幾乎天天都在AB測試。

方法五：熱圖及對比熱圖

熱圖是一個大家都喜歡的功能，它是最直觀的記錄用戶與產(chǎn)品界面交互的工具。不過真用起來，可能大家很少真正去深究吧！

熱圖，對于web、app的分析，都非常重要！今天的熱圖相對于過去的熱圖，功能得到了極大的提升。

在web端，過去一些解決不好的問題，比如只能看鏈接的被點擊情況，點擊位置錯位，對浮層部分點擊的標記，對鏈出鏈接的標記等等，現(xiàn)在已經(jīng)有好的工具能夠提供很多新的辦法去解決。在app端則分為兩種情況，內(nèi)容類的app，對于熱圖的需求較弱；但工具類的app對于熱圖的需求則很顯著。前者的screen中以并列內(nèi)容為主，且內(nèi)容動態(tài)變換，熱圖應用價值不高；后者則特別需要通過熱圖反映用戶的使用習慣，并結合app內(nèi)其他的engagement的分析（in-app engagement）來優(yōu)化功能和布局設計，所以熱圖對它們很重要。

要想熱圖用的好，一個很重要的點在于你幾乎不能單獨使用一個熱圖就想解決問題。我常常用集中對比熱圖的方法。

其一，多種熱圖的對比分析，尤其是點擊熱圖（觸摸熱圖）、閱讀線熱圖、停屏熱圖的對比分析；

其二，細分人群的熱圖對比分析，例如不同渠道、新老用戶、不同時段、AB測試的熱圖對比等等。

其三，深度不同的互動，所反映的熱圖也是不同的。這種情況也值得利用熱圖對比功能。例如點擊熱圖與轉化熱圖的對比分析等。

總之，分析很多用戶交互的時候，熱圖簡直是神器，只不過，熱圖真的比你看到的要更強大！

方法四：Event Tracking（事件追蹤）

互聯(lián)網(wǎng)運營數(shù)據(jù)分析的一個很重要的基礎是網(wǎng)站分析。今天的app分析、流量分析、渠道分析，還有后面要講到的歸因分析等等，都是在網(wǎng)站分析的基礎之上發(fā)展起來的。

但是，早期的網(wǎng)站分析有一個特點，就是對于用戶在頁面上互動行為的記錄，只能記錄下來一種，就是點擊http鏈接（點擊URL）。不過隨著技術的發(fā)展，頁面上不僅僅只有http鏈接，頁面上還有很多flash（現(xiàn)在flash都要被淘汰了）、Java的互動鏈接、視頻播放、鏈接到其他的web或者app的鏈接等等，用戶點擊這些東西就都無法被老方法記錄下來了。

不過，有問題就一定有方法，人們發(fā)明了event tracking來解決上面的問題。event tracking本質(zhì)上是對這些特殊互動的定制化監(jiān)測，而由于是定制化，所以反而有了更多附加的好處，即可以額外添加對于這個活動的更多的說明（以event tracking這個方法的附件屬性的方式）。結果，這個方法甚至有些反客為主，即使是一些http鏈接，很多分析老手也喜歡把它們加上event tracking（技術上完全可行），以獲得更多的額外監(jiān)測屬性說明。

隨著app的出現(xiàn)，由于app的特殊性（屏幕小，更強調(diào)在一個屏幕中完成互動），分析app的page（實際上應該是app的screen）間跳轉的重要性完全不如web上的page之間的跳轉，但分析app上的點擊行為的重要性則十分巨大，這就使我們分析in-app engagement的時候，必須大量依賴event，而相對較少使用screen。這就是說，在app端，event反而是主，page（更準確應該是screen）反而是輔！

這也是為什么，這個方法你必須要掌握的原因。

方法三：Cohort分析

Cohort分析還沒有一個所有人都統(tǒng)一使用的翻譯。有的說是隊列分析，有的說是世代分析，有的說是隊列時間序列分析。大家可以參考維基百科：https://zh.wikipedia.org/wiki/%E9%98%9F%E5%88%97%E7%A0%94%E7%A9%B6，找找自己覺得合適的譯名。

無論哪種叫法，cohort分析在有數(shù)據(jù)運營領域都變得十分重要。原因在于，隨著流量經(jīng)濟的退卻，精耕細作的互聯(lián)網(wǎng)運營特別需要仔細洞察留存情況。Cohort分析最大的價值也正在于此。Cohort分析通過對性質(zhì)完全一樣的可對比群體的留存情況的比較，來發(fā)現(xiàn)哪些因素影響短、中、長期的留存。

Cohort分析受到歡迎的另一個原因是它用起來十分簡單，但卻十分直觀。相較于比較繁瑣的流失（churn）分析，RFM或者用戶聚類等，Cohort只用簡單的一個圖表，甚至連四則運算都不用，就直接描述了用戶在一段時間周期（甚至是整個LTV）的留存（或流失）變化情況。甚至，Cohort還能幫你做預測。

我總覺得cohort分析是最能體現(xiàn)簡單即美的一個典型方法。

方法二：Attribution（歸因）

歸因不是人人都聽說過，用好的更是寥寥無幾。 不過，考慮到人們購買某一樣東西的決策，可能受到多種因素（數(shù)字營銷媒體）的影響，比如看到廣告了解到這個商品的存在，利用搜索，進一步了解這個商品，然后在social渠道上看到這個商品的公眾號等等。這些因素的綜合，讓一個人下定了決心購買。

因此，很多時候，單一的廣告渠道并不是你打開客戶閘門的閥門，而是多種渠道共同作用的結果。

如何了解數(shù)字營銷渠道之間的這種先后關系或者相互作用？如何設置合理的數(shù)字營銷渠道的策略以促進這種關系？在評價一個渠道的時候，如何將歸因考慮在內(nèi)從而能夠更客觀的衡量？這些都需要用到歸因。

如果你是互聯(lián)網(wǎng)營銷的負責人，歸因分析是必不可少的分析方法。在我的課堂上，會特別多的篇幅講解這個方法。

方法一：細分

嚴格說，細分不是一種方法，它是一切分析的本源。所以它當之無愧要排名第一。

我經(jīng)常的口頭禪是，無細分、毋寧死。沒有細分你做什么分析呀。

細分有兩類，一類是一定條件下的區(qū)隔。如：在頁面中停留30秒以上的visit（session）；或者只要北京地區(qū)的訪客等。其實就是過濾。另一類是維度（dimension）之間的交叉。如：北京地區(qū)的新訪問者。即分群（segmentation）。

細分幾乎幫助我們解決所有問題。比如，我們前面講的構建轉化漏斗，實際上就是把轉化過程按照步驟進行細分。流量渠道的分析和評估也需要大量用到細分的方法。

維度之間的交叉是比較體現(xiàn)一個人分析水平的細分方法。比如，我的朋友孫維（卡車之家的數(shù)據(jù)負責人），他將用戶的反饋作為event tracking的屬性（放在了event action屬性中），提交給GA，然后在自定義的報告中，將用戶反饋和用戶的其他行為交叉起來，從而看到有某一類反饋的用戶，他們的行為軌跡是什么，從而推測發(fā)生了什么問題。

分析跳出率時，我們也會把landing page和它的traffic source（流量源）進行交叉，以檢查高跳出率的表現(xiàn)是由著陸頁造成，還是由流量造成。這也是典型的維度交叉細分的應用。