在产品的增长分析当中，想关注符合某些条件的一部分用户，不仅想知道这些人的整体行为（访问次数，访问时长等），还希望知道其中差异较大的细分群体。用户分群方法，能帮助我们对差异较大的群体分别进行深入分析，从而探究指标数字背后的原因，探索实现用户增长的途径。

用户分群的应用场景

在日常的数据工作中，我们经常接到这样的需求：想关注符合某些条件的一部分用户，不仅想知道这些人的整体行为（访问次数，访问时长等），还希望知道具体是哪些人符合这些条件。然后查看这些人的数据导出用户名单，针对性的发送tips消息。有时还想进一步查看某些人在使用某功能上的具体操作行为。

用户分群，就是用来满足这类需求的工具方法，它能帮助我们对差异较大的群体分别进行深入分析，从而探究指标数字背后的原因，探索实现用户增长的途径。

如用户画像分群，核心价值在于精细化的定位人群特征，挖掘潜在的用户群体。使网站、广告主、企业及广告公司充分认知群体用户的差异化特征，根据群体的差异化特征，帮助客户找到营销机会、运营方向，全面提高客户的核心影响力。

用户分群

类型一：不分群，如全量活跃用户投放，群发短信等，缺点是没有针对性，容易引起用户反感。

类型二：用户基本信息分群，如根据用户注册的信息分群。相比不分群，这种方法已具备一定的针对性， 但是由于对用户不是真正了解，产生不了很好的结果预期。

类型三：用户画像分群，如年龄、性别、地域、用户偏好等，画像建设的焦点是为用户群打“标签”。

一个标签通常是人为规定的高度精炼的特征标识，最后将用户分群的标签综合，即可勾勒出该用户群的立体“画像”。画像分群让我们真正了解了用户的某些特征，对业务推广帮助很大。

类型四：根据用户行为进行分群，此阶段会在画像分群的基础上关注用户的行为特征, 如根据用户的注册渠道和活跃习惯，制定不同的营销推广策略。

类型五：聚类和预测建模分群，聚类建模可以根据用户的综合特征指标，将用户分为不同的群体，如将用户划分为娱乐型、挂机型、社交型、办公型等；

预测建模即尝试去猜测用户下一步的态度与行为（例如想知道什么，想做什么）。正因如此，它对将复杂的行为过程变为营销自动化，是十分有帮助的。

常见的用户分群维度

1. 统计指标：年龄，性别，地域

2. 付费状态：免费，试用，付费用户

3. 购买历史：未付费用户，一次付费用户，多次付费用户

4. 访问位置：用户使用产品的区域位置

5. 使用频率：用户使用产品的频率

6. 使用深度：轻度，中度，重度用户

7. 广告点击：用户点击了广告 vs 未点击广告

常用的聚类分群方法介绍

上面介绍了一些关于分群的方法和思路， 接下来重点讲解一下用户聚类分群，聚类分群可分为层次聚类（合并法，分解法，树状图）和非层次聚类（划分聚类，谱聚类等），而较常用的互联网用户聚类方法为K-means聚类方法和两步聚类法（均为划分聚类）。

聚类分析的特征：

简单、直观；

主要应用于探索性的研究，其分析的结果可以提供多个可能的解，选择最终的解需要研究者 的主观判断和后续的分析；

不管实际数据中是否真正存在不同的类别，利用聚类分析都能得到若干类别的解；

聚类分析的解完全依赖于研究者所选择的聚类变量，增加或删除一些变量对最终的解都可能产生实质性的影响;

研究者在使用聚类分析时应特别注意可能影响结果的各个因素；

异常值和特殊的变量对聚类有较大影响；

当分类变量的测量尺度不一致时，需要事先做标准化处理。

聚类分析的弱点：

聚类是一种无监督类分析方法，无法自动发现应该分成多少个类；

期望能很清楚的找到大致相等的类或细分市场是不现实的；

样本聚类，变量之间的关系需要研究者决定；

不会自动给出一个最佳聚类结果。

聚类分析的应用过程：

一、选择聚类变量

在选取特征的时候，我们会根据一定的假设，尽可能选取对产品使用行为有影响的变量，这些变量一般包含与产品密切相关的用户态度、观点、行为。

但是，聚类分析过程对用于聚类的变量还有一定的要求：

1、这些变量在不同研究对象上的值具有明显差异；

2、这些变量之间不能存在高度相关。

首先，用于聚类的变量数目不是越多越好，没有明显差异的变量对聚类没有起到实质意义，而且可能使结果产生偏差；

其次，高度相关的变量相当于给这些变量进行了加权，等于放大了某方面因素对用户分类的作用。

识别合适的聚类变量的方法：

1、对变量做聚类分析，从聚得的各类中挑选出一个有代表性的变量；

2、做主成份分析或因子分析，产生新的变量作为聚类变量。

二、聚类分析

相对于聚类前的准备工作，真正的执行过程显得异常简单。数据准备好后，导入到统计工具中跑一下，结果就出来了。这里面遇到的一个问题是，把用户分成多少类合适？

通常，可以结合几个标准综合判断：

1、看拐点（层次聚类会出来聚合系数图，一般选择拐点附近的几个类别）；

2、凭经验或产品特性判断（不同产品的用户差异性也不同）；

3、在逻辑上能够清楚地解释。

三、找出各类用户的重要特征

确定一种分类方案之后，接下来，我们需要返回观察各类别用户在各个变量上的表现。根据差异检验的结果，我们以颜色区分出不同类用户在这项指标上的水平高低。其他变量以此类推。最后，我们会发现不同类别用户有别于其他类别用户的重要特征。

四、聚类解释和命名

在理解和解释用户分类时，最好可以结合更多的数据，例如，人口统计学数据、功能偏好数据等等。然后，选取每一类别最明显的几个特征为其命名，大功告成。

K-means聚类应用案例

在本案例中，我们首先来看最常用的K-Means聚类法（也叫快速聚类法），这是非层次聚类法当中最常用的一种。

因其简单直观的计算方法和比较快的速度（相对层次聚类法而言），进行探索性分析时，K-Means往往是第一个采用的算法。并且，由于其广泛被采用，在协作沟通时也节省了不少用于解释的时间成本。

1、K-means的算法原理：

a、随机取k个元素，作为k个簇各自的中心。

b、计算剩下的元素到k个簇中心的相似度，将这些元素分别划归到相似度最高的簇。

c、根据聚类结果，重新计算k个簇各自的中心，计算方法是取簇中所有元素各自维度的算术平均数。

d、将全部元素按照新的中心重新聚类。

e、重复第4步，直到聚类结果不再变化，然后结果输出。

假设我们提取到原始数据的集合为(X1, X2, …, Xn)，并且每个Xi为d维的向量， K-means聚类的目的就是，在给定分类组数k（k ≤ n）值的条件下，将原始数据分成k类，S = {S1, S2, …, Sk}，在数值模型上，即对以下表达式求最小值（μi 表示分类Si 的平均值）：

2、用户分群背景和目标:

某产品覆盖社会各种群体（不同年龄、不同行业、不同兴趣等），需要将大盘用户进行一定细分，然后针对性的开展运营活动。

3、聚类变量选取:

用户画像特征、用户状态特征、用户活跃特征

4、 聚类分析和结果：

通过相关性分析和变量重要性分析，剔除部分效果差的变量，然后对剩余11个变量进行多次训练（目标聚类个数，参与的变量，组内个体差异容忍度），最终得出聚类结果。

5、结果解读和命名：

聚类1：低端低龄群体

聚类2：学生活跃群体

聚类3：职场高粘性群体

聚类4：职场低粘性群体

聚类5：高龄低活跃群体

两步聚类和k-means聚类效果对比

前面谈到的K-Means聚类法有简单、直观和快速的优点。但是其缺点是只能采用数值型变量，不能包含类别变量，并且对异常值非常敏感，离群值很容易严重影响聚类结果。

并且，当数据集比较大（在腾讯，这种情况很常见），不能把所有数据点都装进内存的时候，K-Means就无法在单机上运行。

而两步聚类法则克服了以上缺点，可以包含类别变量和数值型变量，并且当硬件条件不足或数据集非常大时，都能顺利运行。

这种两步聚类法可以看成是改进版BIRCH聚类算法和层次聚类法的结合，先用BIRCH算法中的“聚类特征树”做预聚类，形成子类，然后把子类作为输入，做层次聚类。

1、两步聚类的原理：

第一步：预聚类过程：

构建聚类特征树（CFT），分成很多子类。

开始时，把某个观测量放在树的根节点处，它记录有该观测量的变量信息，然后根据指定的距离测度作为相似性依据，使每个后续观测量根据它与已有节点的相似性，放到最相似的节点中，如果没有找到某个相似性的节点，就为它形成一个新的节点。

在这一步当中，离群点将会被识别并剔除，不会像在K-Means当中那么容易地影响结果。

第二步：正式聚类：

将第一步完成的预聚类作为输入，对之使用分层聚类的方法进行再聚类（以对数似然函数作为距离的度量）。

每一个阶段，利用施瓦兹贝叶斯信息准则（BIC）评价现有分类是否适合现有数据，并在最后给出符合准则的分类方案。

2、 两步聚类的优点：

a、海量数据处理；

b、自动标准化数据；

c、能够处理分类变量和连续变量的混合数据；

d、可自动丢弃异常值或者将异常值归入最近的类。

e、可自动确定或者根据业务需要人工指定分类数目；

3、两步聚类的效果对比：

对第六点同样的数据进行两步聚类，得到模型最优结果如下：

4、两步聚类结果解读：

聚类1：低端低龄群体

聚类2：学生或新入职场高活跃群体

聚类3：青年低活跃群体

聚类4：青年挂机群体

聚类5：职场办公群体

聚类6：高龄低活跃群体

业务案例 – 通过K-Means聚类

业务案例 – 通过K-Means聚类，挖掘特殊行为模式的客户群

1、业务需求

在本案中，产品经理希望了解登录不活跃用户的行为模式，并且能针对不同的行为组合，对庞大的用户群体进行细分，从而关注不同群体的不同需求，甚至挖掘垂直领域需求，从而在产品或运营侧采取措施，拉活沉默用户，提高DAU。

2、分析目标

a、发现使用行为模式异于大盘典型用户的细分群体

b、粗估每个细分群体的用户数量

c、了解每个细分群体的行为特征和用户画像

d、基于上述结果，在拉活方面，提出产品或运营建议或明确进一步探索的方向

3、分析过程

a) 特征提取

分析聚焦于用户的点击行为。在本例中，考虑到用户行为的典型性，选取了4个完整的周，共28天的数据，并且时间窗当中无任何节日。

另外，考虑到计算性能和探索性分析需要反复迭代的场景，只从大盘当中随机抽取千分之一的用户作为代表。

b) 特征筛选

在特征提取阶段一共提取了接近200个功能点的点击数据。但是这些特征当中，有些覆盖面非常低，只有百分之一的用户在28天当中曾经使用，这些低覆盖的特征会首先被去除。

另外，前面谈到高度相关的变量也会干扰聚类过程，这里对所有特征对两两进行计算皮尔逊相关系数，对高相关特征（相关系数大于0.5）则只保留其中保留覆盖面最广的特征，以便最大限度地体现用户差异。

c) 特征改造-探索

经过上面两步后，笔者曾进行过多次聚类探索，但无一例外，聚类结果都呈现出一个超级大类搭配数十个非常小的小类（几个或十几个用户）。这样的结果，显然与我们的分析目标是想违背的。

其一，这里挖掘出的小群体体积太小，从业务角度来说没有价值；其二，超级大类基本等同与大盘用户，没有能找出其中的用户差异。

为什么会有这样的结果呢，主要是因为点击行为基本上遵循的是幂率分布，大量用户集中在低频次区间，而极少量用户却会有极高的频次，这样在典型的聚类算法中，高频次用户都会被聚集成人数极少的小类，而大量的低频词用户就会被聚集成一个超级大类。

对于这种情况，典型的解决方法是对频次取对数，使幂率分布转化为近似的正态分布再进行聚类，在本次研究中，取自然对数后，聚类效果仅有少量改善，但仍然停留在一个超级大类加上若干人数极少的小类的情况。

背后原因，是点击行为数据的特点之一：核心功能和热门项目点击人数极多，而相对冷门的功能则有大量的0值。这样的情况下，取对数是没有改善的。

回到本次分析的目标当中，我们需要“发现使用行为模式异于大盘典型用户的细分群体”，如果丢弃这些冷门功能只看热门选项，则无法找出一些相对小众的行...

概要

1、前言

2、无限抓狂的图标方案

3、对于UI进阶及中高端设计市场的理解

4、视觉能力的进阶

5、产品分析能力的重要性

6、专业方法论

7、设计师必须要了解数据

8、设计能力的更强进阶：验证思维

前言

这次我们想和大家聊一下UI进阶领域相关的话题，在本次文章中，我们会尽量多地搭配案例，来给大家讲清楚问题点。

在之前的一些文章中，我们都会关注到每一个酷友的留言，有个留言很有代表性，所以特此拿到前言里来讲一下，留言大意是：“理论永远只是理论，在现实工作中，需求需要自己去想”。

我们对于上述问题的理解是：只有掌握了更好的知识和方法论，才能有更好的实战效果，否则就是乱耍一气。

理论和实战确实有差异，但在挑剔的leader面前，想要把设计方案推动下去，除了美观还要科学。

UI设计是门科学艺术，不是单纯的审美视觉。

无限抓狂的图标方案

工作中，设计师经常会被问到这样的图标问题：“这个图标为什么使用蓝色？”

如果你的回答是：蓝色颜色好看美观，有科技感，那显然是毫无说服力。

但我们从方法论的分析角度，我们将会非常好推进，如下图：

稳健投资的近义词，我们分析出来是：稳定+安全，结合情绪板的图片搜集，我们对于稳定+安全的图片库进行高斯模糊，发现：用户所挑选的稳定、安全图片，其图片主色调均以蓝色为主，所以稳健投资图标，我们最终在设计角度上，做成了：蓝色。

这就是设计师在设计过程中的正确思考和推动价值。

对于UI进阶及中高端设计市场的理解

堪比名家大作般的产出，对于UI行业来说不太现实。通俗易懂点，UI行业要：快准狠。

快：产出速度要快

准：设计目标要准，时刻围绕用户，用户能用得明白

狠：产出效果要狠，好看且有触动，要让用户下单转化

结合实际情况，公司会批准几天，甚至一周的时间画一组看起来有点特别的图标？

不太现实，除非这组图标属于重要级功能入口。

相反，提高UV、PV、转化率数据指标，这些与商业流水密切相关的东西。

设计师在做设计的时候是否能意识到？下图是我们结合众多市场需求，总结出的设计师金字塔分布：

为什么金字塔的分布是这样的？举3个很实际的例子：

A：一个App界面好看，但是内容功能糟糕，你是否会持续使用？

B：界面美观，功能设计合理，我们可能会较为频繁使用。

C：界面美观，功能合理，产品主流程不断打磨，让用户爱不释手。

如果你是公司高层，你会更关注界面美观，还是核心功能的商业转化率？

答案是：美观对于设计师来说，仅是一个合格线，会分析懂数据才能不断往中高阶职业走。

视觉能力的进阶

刚才我们讲到过：视觉能力是设计师的基本价值体现，如果没有扎实的基础设计能力，其他能力都会显得苍白、毫无说服力。

视觉能力进阶主要是设计精细度提升，以及在项目迭代中，面对各种需求和条件约束，做出合理的布局，并将版块组件化，在多页面设计中快速项目复用，降低时间成本。

举个实战例子：在详情页改版中，面对字段、板块、促销信息等需求变化，我们应该如何下手？

可能很多设计师再做详情页的时候，一味思考：视觉应该怎么更加酷一些，留白更加大一些。

但实际上，我们应该思考的是：设计目标如何实现、如何引导用户视觉、首屏应该如何实现最大化承载。（如下图）

简述下，设计师正确入手详情页的思路，应该是：通过建立认知、增加信任、促销导购的主线思路对板块进行划分。

同时文字进行字重、字号、颜色的层级梳理，提升页面颜值的同时，引导用户进行下单。我们对于实战上线产品的改版分析效果如下：

每个板块，有个自己独到的功能，对于用户而来，必须达到他的心理预期之后，才会真正下单，这边是合理的设计：有设计颜值，同时界面言之有物。（如下图）

同时，我们还想提一个名词：大留白。

留白美学在设计中确实有着非常深厚的影响，无论是在包装设计领域，还是在平面设计领域，但是在UI领域，它的地位或许真的没有这么高。

如果不是很认同，大家可以打开任何一个一二线的App，其界面是否：呼吸感强、留白充分？

在页面设计中，不仅需要考虑功能与视觉，还应该考虑在首屏有限的空间中合理的展示出更多的内容，吸引用户深度浏览，这是正确的UI设计的理念思路。（如下图）

产品分析能力的重要性

上面我们采用大白话的形式和案例，罗列很多UI设计的本质问题。这里我们再来讲一个从去年全链路火热之后，被带动的一个新词：设计师的产品分析能力。

我们暂且不论设计师是否真的都要具备产品分析能力，我们还是通过一些案例来看下：产品分析对于设计师的推动作用。

不同的人群有着不同的审美，每个产品也拥有这不同的用户人群，如果设计师站在自己的审美角度上去做设计，你的设计方案，真的能让用户满意？

举一个很实在的例子：青少年的穿衣风格，和中青年的穿衣风格，中间均在着较大的审美差异。（如下图）

在设计前，我们应该考虑产品的类型，对竞品进行收集和调研，符合行业设计趋势。

这是基础的产品分析能力，让用户能够任何视觉风格，不至于引起审美代沟。（如下图）

再进阶的，有细节设计、文案的把控，这些也都不是拍着脑袋随便想出来的。

很多设计团队会进行目标用户分析，因为相同类型的产品根据目标用户的不同，需要做出差异设计，视觉风格符合用户心里预期，达到情感归属的目的。不仅仅要达到认可设计方案，还要让用户爱上设计方案。（如下图）

举例一批大家耳熟能详的产品，抖音、淘宝、严选、站酷、ofo，这些产品主要用户群体都是针对中青年，他们的视觉风格很近似吗？

所以，设计帮助产品找到正确的视觉方案，匹配目标用户审美，且与同类型产品产生适当的差异化，这是产品分析能力的中阶段体现。

专业方法论

讲到方法论，真的没有想象中这么艰涩难懂，记忆很深刻。

我之前在美团，设计组内一起推动过一次可用性的方法论研究，目的是为了更好地和产品运营沟通，希望出现设计争议的时候，双方能找个合理的解释方案。

方法论的推动构建过程中，我们从未站在设计角度去单纯地理解问题，而且站在跨部门和用户角度。

在平时设计页面时，我们会经常摸索或者试着去总结一些设计规律，为了使我们的设计更加合理。但大多数情况下，设计师会按照个人的主观意识或者视觉偏好进行设计，这样的产出往往会得不到产品和用户的认可。

设计是一门严谨的科学，在设计的前中后中，使用不同的方法论，保证设计的严谨和科学，让产出有理有据。（如下图）

再结合早期先进设计团队的发展，方法论的起源，起初是为了沉淀项目经验，沉淀多了之后，自然形成一套体系，这便成为了：方法。

乱成一气地设计，无法合理阐述设计方案，这真的无法称作是一个合格的设计师。

设计师必须要了解数据

UI设计是科学与艺术的结合，出色的视觉设计是为了产品更加科学，数据分析方法论等指引设计。

我们在文章开头也举过一个例子：你是公司的高层，你更关注界面还是数据？

设计了解数据，不仅仅是为了更深入了解产品架构和主流程，也是为了让需求的制定更加合理。

很多同行会抱怨说：自己公司的产品不专业，整天拍脑袋做需求。但等自己做到那个位置的时候，却也重蹈覆辙。

是否有曾想过，用户的行为并不存在与某一个人的脑海想象中，而应该存在于大数据中。

有点抽象，那我们举一个图标的例子，氛围设计+产品角度来讲下。

图标设计中，我们运用渐变、投影、黄金比例等各种手法，图标将更具有视觉表现力。但无法判断对产品和用户的影响。

以上这些是设计师的及格线，如果精细度都存在问题，求职必将非常困难。

即便已入职，工作体验必然不高。设计层之外，来说下产品角度。

如何通过数据指引设计？在实际工作中，我们往往会遇到这样的情况，产品需要提高一个图标的点击率，这个时候我们应该怎么办？

把颜色饱和度增高？图标变大？这些肯定不可行，统一性也是基础的UI设计原则。

经常采用的方法便是：增加角标，通过关键词展示(热门、优惠等)，吸引用户点击。

数据是验证设计方案的最好途径，同时也是设计师商业价值的体现。通过数据分析，发现问题，调整设计方案，解决问题，提供行之有效的解决方案。

在一二线团队招聘中，除了视觉设计能力以为，更加关注的是用户体验、方法论、数据分析的能力，这也是UI进阶的必备能力。

有点艰涩难懂？再简述下，也就是说，设计师=优秀的设计产出+方案满足产品目标，这两者缺一不可。

设计能力的更强进阶：验证思维

刚才我们讲了一系列的零散点，下面我们结合某个界面来，来进行分析下。

设计验证不仅可以通过各种数据进行判断，在设计完成后还可以通过界面浏览测试、任务测试等方法进视觉可用性的验证。

个人中心改版前，整体视觉无层级感，色彩表现形式单一，无重点功能。

改版单纯美学出发，这种需求，基本上对于用户来说，是非常没有必要的无差异型需求。讲得白话点就是：改了和没改一样。

界面梳理应该从视觉和功能出发，通过科学的测试方法，判断界面的合理性，是否满足功能需求，用户体验是否良好。

改版后我们界面发生了很大的变化，如何验证它就是最佳方案的其中之一呢？

我们可以使用任务测试的方法，验证界面的可用性。看看改版前后，用户的操作效率，是否有明显提升。

文章的最后，我们想发表一个多年来的心声：无论是国内国外，对于中国区UI设计师都存在很多误解，UI就是彩色原型、优美配图和彩色化卡片？

我们相信，因为特殊的互联网发展环境，中国区设计师可以说拥有全球最强的产品分析能力。

同时也具备着优异的视觉表现能力，我们相信：绝对有这个实力向国内外展示出中国特色的设计输出能力——美而严谨、言之有物。

任重而道远，这也是我们团队从一线互联网体系中走出来，去从事设计教育的一份原因。

改革与匹配，兼容并蓄，体现真正的设计价值，最后感谢大家的阅读。

图片 | 摄图网

很多朋友会问，我们做产品数据分析要分析哪些呢？当然就是分析数据指标。那是不是首先要先熟悉数据分析中的术语有哪些，其次要知道针对这些指标数据有哪些分析维度。今天我们就来学习这方面的内容，请耐心看完哦！

一、数据分析“行话”

每个领域都有它的专业术语，先来扫扫盲吧！

平均数；数据分析中最普通的一个数据分析术语。

绝对数和相对数；绝对数指到底有几个，而相对数是指相对于之前数据的一个 对比值。

百分比和百分点；百分比是指标最常用的表现形式，通过用“%”表示。百分点是指不同时间以百分比数表示的变动幅度。

频数和频率；频数是一个比较直观的数量，频率就是频数与总数之间的比值。

比例和比率；比例是指在总体中各数据占总体的比重，通常反映总体的构成和比例，即部分与整体之间的关系。比如：某公司部门由男生10人，女人30人。则男生比例1/4，女生比例就是3/4。比率是指总体中某些数据之间的比值。反应了整体汇总部分与部分之间的关系，以上面列子说：男女比例为1:3。

倍数和番数；部数是指两个数据成倍关系，我们经常会表达“今天是昨天3倍”；通过是用一个数据除以另一个数据获得的。倍数一般用来表示上升、增长幅度，一般不表示减少幅度。而番数最容易误解，指原来数量的2的n次方。比如：今天利润比去年翻一番，就是今天利润是去年的2倍（2的1次方），那今年利润比去年翻两番，就是今年的利润是去年的4倍（2的2次方）。很多人最容易搞混的就是这两个，翻倍远远比不上翻番。

同比；指的是历史同期相比较而获得的比值，反应事物发展的相对性。比如：某公司今年第一季度海产品产量比去年第一季度的海产品产量增加了40%，这就是同比。通俗的理解就是：同比=2017年4月/2017年4月。

环比；指的是与上一个统计时期的值进行对比获得值，主要反应事物的逐期发展的情况。例如：某公司今年第2季度海产品产量环比增长20%，表示某公司今天第2季度海产品比今天第1季度海产品增长了20%.通俗的理解：环比=2017年2月/2017年1月

二、数据分析指标

网页指标

是我们在产品运营过程中谈及最多的指标，但这里要强调的是网页指标是web端的一个指标概念。当然随着移动互联网爆发，现在也应用到移动端上。

PV我们天天听别人说PV，那是什么呢？就是指的页面浏览量（page view），用户每1次对网站中的每个网页访问均被记录1次。用户对同一页面的多次访问，访问量累计。在一定的统计周期内用户的每次双薪网页一次也被计算一次。可通过后台运营获得数据；当然也可以通过相关统计工具获得，如公开的：Alexa、百度统计、Google Analysis、友盟等，一般来说PV与来访者的数量成正比，但是PV并不是直接决定页面的真实来访数量；例如：同一个来访者通过不算的刷新页面，也可以制造出非常高的PV。所以往往看PV的时候也要对比的看看UV。

UVunique visitor，即独立访客，这里用户会按照用户维度进行划分，一个用户一天内访问多次我们只记录1次，也真实反映了一天内到底覆盖多少用户量。使用独立用户作为统计量，可以更加准确的了解单位时间内实际上有多少个访问者来到了相应的页面。

跳出率指用户到达你的网站上并在你的网站上仅浏览了一个页面就离开（此时用户就做出了跳出的行为）的访问次数与所有访问次数的百分比。这里的访问次数其实就是指的PV。浏览单页即推出的次数/访问次数。

举一个例子：在一个统计时间内，一个网站有1000个不同访客从某一链接进入，并且其中有50个人没有二次浏览行为，是直接推出网站的，则针对这个链接的网站跳出率为50/1000=5%。

但是有些行为虽然跳出了，但不能算作真实的跳出率。例如：页面中加入有导出的链接（合作伙伴、支付页面、二三级页面等），都不算是负面的跳出。所以我们要根据不同的情况统计有效的数据才能得出可靠的跳出率。

尤其重要的指标：它说明了网站用户体验做的不好，用户进去就跳出去了。网站没有满足用户的期望与需求或者是人群定位不精准，反之如果跳出率较低，说明网站用户体验做的不错，用户能够找到自己的需要的内容。而且以后他还可能还会在来光临你的网站，提高了用户粘性。慢慢的可以积累大量的网站用户。退出率再看一个跟跳出率相似的指标：退出率。就是指对某一个特定的页面而言，从这个页面离开网站访问数占所有浏览到这个页面的访问数的百分比。从该页面退出的页面访问数/进入该页面的访问数，可采用访问的统计工具（像：Google Analylics）进行统计。

它从某些方面就反映网站对于访客的吸引力，如果退出百分比很高。说明访客仅浏览少量的页面便离开了，因此当你的网站退出百分比很高的时候就要想办法改善你网站的内容来吸引访客了。跳出率与退出率对比大家肯定觉得他们有相似的地方，但它们衡量标准不一样。所以我觉得还是要讲一下两个关系对比！跳出率适用于访问的着陆页（就是用户访问的第一个页面），而退出率则适用于人和网访问的退出的页面（就是用户访问过程中在你的网站上访问的最后一个页面）。

退出率是对于特定的页面来说的，对于网站整体来说并无意义，因为来到网站的访问必然最终都会离开网站，对于网站整体来说其退出率必然是100%。而跳出率则可以适用于着陆页面，也可适用于网站整体。

跳出率只能衡量着陆页的访问，跳出率分母等于最后访问的数量，而分子则是跳出的访问数量。退出是针对全部的访问页面，不限于着陆页（任和页面都有退出率）。退出率的分子=退出的次数（包括一次访问过程中的用户浏览单页即跳出的次数，也包括浏览多页后从该页面退出的次数）。今天分享就到这里，明天我们继续！

分享职场技能知识｜应聘高薪掘金岗位

　　大家都知道，对于产品经理的岗位要求的能力还是比较多的，如果我们对这些能力，按照硬技能和软技能进行分类的话，就有且不止以下这些能力：

　　软技能：沟通能力、决策能力、逻辑分析能力、执行力、项目管理能力等;

　　硬技能(工具能力)：文档能力、Visio、Axure、Mindmanger等;

　　那么，产品经理的另一种非常重要的能力---数据分析能力，你有吗?蓝鸥资深产品经理讲师为大家整理了答案。

　　何为数据分析?

　　现在的软件开发，都讲究小而美，单点突破，快速迭代。那么我们在快速迭代时，就要用到数据分析，通过用户使用数据来分析产品的优缺点，甚至方向的正确与否。因此，数据分析，就是产品迭代时的眼镜和耳朵，产品经理也是通过数据分析，来说服开发做功能，说服老板投入资源。

　　数据分析的概念：

　　数据分析是指用适当的统计方法对收集来的大量第一手的资料和第二手的资料进行分析，以求最大化地开发数据资料的功能，发挥数据的作用。通过对数据的详细研究和概括总结以提取用户信息和形成结论。

　　数据分析使用场景列举：

　　1、如果某款游戏下载量高，注册率低;是否因为服务器登录问题或者注册流程繁琐，是否近期网络出现故障?

　　2、如果某款游戏数据一直良好，某段时间数据突然跌落;是否因为市场宣传力度减弱，是否因为用户生命周期上线，还是说其他精品的冲击?

　　我们必须了解的一点，是数据分析不在于数据本身，而在于分析的能力。数据只是参照物，只是标杆，分析才是行为，通过分析数据，我们发现问题的所在，再改进它。

　　需要分析哪些数据?

　　基础数据：下载量、激活量、新增用户量、活跃用户等;

　　社交产品：用户分布、用户留存(次日、3日、7日、次月、3月)等;

　　电商：淘宝指数、网站流量、跳出率、页面访问深度等;

　　内容类：内容转化率(内容下载量/内容浏览量)、留存量;

　　工具类：功能点击量、应用商城排名;

　　其他：竞品数据(下载、激活等);

　　数据分析的工具：

　　1、第三方数据分析工具，如友盟，可快速接入，节省成本，比较适合创业型公司及刚上线的产品，但是无法对关键数据在突发异样时进行跟踪;;

　　2、自己开发的数据分析工具，可以对每个数据进行实时跟踪，并快速做出产品的调整，需要足够的开发人员及成本，比较适合大型公司或者成熟型产品;

　　如何进行数据分析?

　　对于这个问题，我想作为产品的工作人员，我们还不用达到数据分析师的高度，因此也不用说要先对数据建模，再对实际分析数据，看是否与模型吻合。但是，我们却需要要有一个产品数据分析的思路，这个思路可以这样展开：

　　1、我为什么分析?即就是明白，我分析的目的是什么，是寻找付费用户下降的原因?还是注册用户减少的原因?

　　2、我分析想要达到什么效果?是通过分析付费用户，找到问题，解决问题从而提升收入?

　　3、我该分析哪些数据才能达到这个效果?即需要什么数据才能达到分析的目的;

　　4、我又该如何采集这些数据?是直接通过第三方数据分析工具或者我们自己开发的工具就可获得?还是说要从数据库调取再交给程序猿哥哥?

　　5、我该如何整理这些数据?即我们常说的数据可视化，这样可以便于我们进行分析;

　　6、如何分析?即通过分析，找出问题的所在，给出你的结论;

　　7、怎么解决问题?给出你的解决方案;

产品的生命周期中各个阶段都伴随着产品数据的变化，产品经理根据这些产品数据来判断产品所在阶段并对后期的产品演进进行合理的规划；在产品需求分析阶段，产品经理可以通过数据分析来鉴别用户需求的真伪；在产品上线后，产品经理可以通过数据验证产品的功能价值并且让数据指导版本迭代。

针对不同的产品的业务形态有所差异，产品的核心数据也有所不同：比如视频产品侧重的是播放类的数据，如播放时长；电商类产品侧重订单量、交易额等。所以我们可以说，产品的数据分析是产品经理日常工作中必不可少的一环。那么产品有哪些数据指标？具体又该如何分析呢？

一、 产品的基础数据

产品的基础数据一般都是与产品APP相关的整体性的数据，用于检测产品的整体趋势，主要的基础数据有以下几项：

APP/APK下载量：针对客户端产品的数据指标，也称为装机量，是指产品客户端被下载到手机、pad等终端的数量，一般以拥有的独立USERKEY/USERID为一个有效的下载。APP/APK激活量：指用户完成有效下载后，点击客户端并首次成功启动软件的用户数量。APP/APK访问量：指一段时间内用户点击进入客户端的次数。APP/APK访问用户数：APP/APK访问量的去重数据，指一段时间内点击进入客户端的不同身份标识的用户数。人均访问时长： 用户在客户端内停留时间的平均值。同时在线人数：实时数据，即在该时间点正在使用产品的用户数，有时也用并发量来表示，用以衡量客户端可承载的同时在线人数。渠道数据：不同的渠道来源的下载量、访问量等，用以评估不同访问路径以及渠道带来的效果差异。

二、 产品的付费数据

产品的付费数据主要是根据用户的付费行为定义的数据指标，付费指标可以看出用户对于产品的认可程度，产品的盈利价值等，主要的付费数据有以下几项：

付费收入金额：某时段内用户付费的总额。付费用户数：某时段内发生付费行为的用户的总数。新付费用户数：某时段内新增的付费用户的数量。付费转化率=付费用户数/XX用户数，根据产品的业务形态，“XX用户数”可以为视频产品的“点播用户数”。付费率=付费用户数/活跃用户数（日、月）。ARPPU值（付费用户的平均付费值）=日付费收入/日付费用户数。ARPU值（活跃用户的平均付费）=日付费收入/日活跃用户数。收入占比=某单项收入/总付费收入。收入曲线：每日、每周、每月的付费曲线，通过观察付费的高峰期，针对性地进行营销活动；付费路径：分付费路径进行付费收入和付费用户数的占比统计，对占比较大的付费入口进行营销活动的露出，占比较小的入口进行产品侧的优化。

三、 产品的页面数据

产品的页面数据主要是根据用户在页面中的行为作出埋点，从而获取的数据；页面数据对产品的功能优化有很大的指导意义，主要的页面数据有以下几项：

PV（page view）：即页面浏览量，针对网站产品而言，，通常是衡量一个网站流量的主要指标；针对客户端产品，则是衡量某个页面的流量的指标。UV：(unique visitor)：即页面独立访问量，有称为独立访问用户，是PV经去重后得到的数据。页面平均停留时长：用户在该页面内停留时间的平均值。人均页读数：用户在进入客户端后到达的页面数的均值。跳出率 ：指用户在只访问了入口页面（例如软件登录页、开机引导页等）就退出客户端的访问量与所产生总访问量的百分比。页面转化率：页面中某个功能的点击量和到达该页面的访问量的百分比，如电商产品的商品详情页中“立即购买”按钮的点击量与商品详情页的访问量的百分比，就是商品详情页-“立即购买”的转化率。

四、 产品的用户数据

产品的用户数据主要是根据用户在各个阶段的角色的不同为维度进行定义的数据，主要的用户数据有以下几项：

注册用户数：指用户下载运行，并且完成注册的用户数。登录用户数：登录应用后至当前时间，至少登录过一次的用户数；活跃用户数：登录用户数-新增用户数；新增用户数：在某个时间段（一般为第一整天）新登录应用的用户数；日活：当日访客/总用户数。周活：7日内访客(去重)/总用户数。月活：30日内访客(去重)/总用户数。流失率 ：是指用户的流失数量与全部用户数量的比例。转化率 ：正式成为用户的数量和未知意向的潜在型客户的数量的比率。二跳率(一跳、二跳、三跳)：漏斗模型，没进入一个层级用户的流失率。留存率=登录用户数/新增用户数*100%（一般统计周期为天）次日留存率：（当天新增的用户中，在第2天还登录的用户数）/第一天新增总用户数第3日留存率：（第一天新增用户中，在往后的第3天还有登录的用户数）/第一天新增总用户数，还可用7天，30为周期计算周留存率和月留存率。LTV（用户生命周期价值）=一段时间内的付费收入/一段时间内的新增用户数；一般指的是3日、5日、7日、14日、30日、60日、90日LTV，即用户首次登录到以上日期所带来的价值。

五、数据分析思路

有了上面提到的这些数据，仅仅是一个基础。更重要的如何利用这些数据，进行分析，从而获取对于产品的指导意义。要让这些数据有意义，首先要建立起产品的数据体系。做好客户端埋点，产品数据定义这些基本工作后，制定日常的数据监测机制。有了周期性的数据监测，才能从数据中发现问题，并深入分析问题，寻找解决问题的方法。

第一步，找到问题所在，我们要发现发生了什么问题？如一段时间内的用户留存率忽然降低。第二步，找到问题发生的原因，寻求为什么会发生这个问题？在用户层发现的问题，就需要下沉至功能层。如用户留存率降低的原因，是不是因为产品的功能无法满足用户的需求或者功能的改版增大了用户的学习成本。这个阶段中，要勇敢猜测，大胆求证。第三步，在可能的问题发生原因的基础上，通过产品或者运营的方式来尝试解决问题。第四步，在采取一定的解决问题的措施之后，要持续数据监测，通过数据观察措施的有效性；并及时调整措施，知道问题得到改善或解决。

今天分享干货——数据驱动运营，该从几个维度分析？

如果你是互联网创业者，想必你会有运营互联网产品的经历。做互联网产品（除技术以外），其中一个很重要的环节非运营莫属了，不知道大家有没有运营的经历，那些年我们运营过的产品。从创业以来我做得最多的莫过于梳理商业模式以及运营产品，今天我就分享一下运营产品的心得（顺便吐槽一下那些让CEO喷血的用户嘿嘿~）。

在我创业的时候，我曾做过用户运营以及产品运营，这让我想起某个投资人的一个段子：作为CEO，一定要亲自接触用户，亲自做客服运营，因为会让你“怀疑人生”。

想起第一次接触运营的时候还是我大一的时候，那时候我做一个高校O2O产品，解决高校配送的痛点，做的正是用户运营，给我的感觉简直就是“毁三观”，这让我相信CEO还是得多磨练，做客服至少可以磨练你的脾气。那时候我每天与用户聊天聊到凌晨一俩点（挖掘需求，接近用户，市场调研啊有木有）。这还好，问题是社会上总有些傻逼呀，我还真见识过一些傻逼用户~心想：“我怎么会服务这些傻逼的用户呀~”“这世界上怎么会有那么傻逼的用户啊~”

运营不只是客服，“数据思维”更为重要|数据驱动运营·强运营的硬道理

对于“运营”特别是用户运营，有很多人误以为就是做客服，其实不然，其实客服只是其中一个环节。但是在运营产品中，有一个环节是尤为重要的却总被人忽略的，就是数据；运营好一个产品，数据不可忽视。我就举个最简单的例子吧，微信公众号，微信公众号门槛极低，相信就算不是互联网人都运营过，你可以把微信公众号视为一个互联网产品，说到微信自媒体，如今微信红利已过，营销起来也不比以前那般简单了，随随便便就引来十来几十万粉丝。说到微信公众号引流，大家想到的可能是靠优质内容，只关注内容。其实这是个误区，靠内容只是营销的环节，却忽略了运营。无论是自媒体还是互联网产品，都有一条服务链条，营销——运营——交互——转化服务。这个链条缺一不可，少了一个因素链条就断了，营销不过是其中一个环节。那么说到运营，我还是以微信公众号为例子吧，很多做微信运营的应该会想到用户运营、内容运营。你是不是就认为所谓运营就是与用户聊天引导用户服务以及内容运营？不尽然~仅仅依靠这样的用户运营是不够的，因为这样你不知道用户需要什么，你的粉丝是否真的是你的目标用户？你提供的服务是否是刚需？这些问题都需要运营者去考虑

如果你运营过公众号，想必会有此困惑，为什么我每天很用心地运营我的公众号，每天都生产优质内容，还是会掉粉，却找不出原因，每天都有一定的流失率；这个时候就需要用到数据思维了，这个时候数据变成为很重要的角色，你要做的便是——数据驱动运营

数据思维|如何做到数据驱动运营

我在2年前第一次尝试运营公众号，那时候也是未曾注意到数据这一维度，然而就是好不容易引来的流量第二天就流失了~那么如何做好数据驱动运营呢？

误区：不要仅盯用户量

说到数据驱动，有很多运营狗可能就说了，诶我明明有关注数据啊，我每天都观察用户量的，怎么还是不行？

做互联网产品，对于数据而言，用户量固然重要，但却不是判断产品好坏最重要的数据指标。用户量是基础，但是影响用户量的数据维度却有很多，不仅如此，影响产品的因素也有很多例如：DAU、MAU、增长率、留存率等（之前有过跑投资的经历，这些指标也是投资人及其关注的指标）

增长才是王道

其实关注用户量，这个方向&出发点是没有错的，但是影响用户量的最直接的指标便是用户增长，这才是您应该关注的，做好增长提高用户量不是什么难题。

增长是王道，如果不能增长就会衰退

数据分析，该关注哪几个维度？|如何做好数据驱动运营

首先获取数据源

运营互联网产品，其本质无非就是洞察用户行为以及驱动用户行为，然而数据的产生就离不开用户反馈，所以数据驱动运营，首先要获取的便是用户反馈了。

数据驱动运营，数据分析到底从哪几个维度出发呢？儒商经试错得出：“用户量、用户增长率、流失率、留存率、渠道转化率、MAU（月活跃率）、DAU（日活跃率）、变现转化率、回购率、人群画像分布”这10个维度的数据尤其重要。

好像上文说到的，用户增长，影响用户量其中一个维度就是用户增长；当然了，不仅仅这一个数据维度，每一项维度都有其影响的数据维度，比如说影响用户增长的有可能是你的留存率以及推广渠道的渠道转化率。然而影响留存率的便是流失率

当然分析数据以及利用数据驱动运营除了数据之外，洞察用户特征也很是重要

除了以上说到的几个数据维度之外，还有一项也是尤为重要的便是用户特征分析维度：地区分布、兴趣爱好、用户行为、性格等，按照如此分析，你能分析出他是不是目标用户群体

就是我在文章开头说到，优秀的运营应该尽可能地接近用户了解用户，才知道用户需要什么。举个简单的例子，假如是做女装电商的，那么你的用户群体便是女生，在用户分析你便要从性别来分析，那么你就可以很简单地剔除男性用户了，再进一步分析兴趣爱好、地区、年龄等维度，从而分析出用户行为以及引导用户，这便影响着你的产品的变现率（毕竟在商言商嘛~商业本质在于变现，转化消费才是王道）

用户量是基础，关注精准流量，投放渠道求ROI——渠道转化率

所有数据分析的来源，都是要有数据，数据便从流量从人而来，所以用户量便是基础了，没有用户量没有流量便是0，那么数据分析也无从谈起。

这便说到了营销，营销最直接的方式便是投放媒体或投放推广渠道，从别的渠道挖流量过来。有很多老板总说我投了那么多钱ROI（投资回报率）总是很低呀~那么这个时候你需要关注渠道转化率了，渠道转化影响着用户增长以及用户量。

如何投放，投放广告也是非常有讲究的，随便投放当然是徒劳无功，首先不用说都知道，尽量投与你产品相类似的媒体或平台（精准流量）

其次关注渠道转化率，剔除转化率较低的渠道。例如说，我投放广告，投放了百度、微信以及微博的，那么你需要去分析不同渠道各自的转化率是多少了，例如百度的转化率是最高的，那么你就选择投放百度，剔除微信以及微博的投放，以确保你的推广渠道的转化率

多维事件分析&漏斗分析法|如何做好数据驱动运营？

在运营产品当中，要时刻关注每一个数据指标以及影响其指标的数据维度：

基于用户量、人群画像时间分布、性别分布、用户行为、日均交易额等维度分析流失率、增长率下降等问题

漏斗分析法

在分析数据的时候，如何做好数据驱动运营，我提供一个分析数据的方法——漏斗分析法

我举个例子，还是做电商的例子，电商人都知道，电商的数据尤为重要的数据便是留存率、流失率以及消费转化率。

然而影响流失率的有可能就是用户体验的问题以及交互环节，例如电商的用户行为，最重要的便是支付环节，购买环节。然而有很多电商的平台便是在支付和购买环节上流失率较高，这与用户体验有关系，有可能你的购买的环节太多了；比如，用户看到一样产品他想购买，但是你需要进入选择产品接入支付接口，支付才能购买，这中间经过了四个环节，交互环节较多，用户的时间成本高了，用户就不想买了，用户有可能在中间的某个环节就已经流失了。

这个时候作为运营你就需要去分析其中的情况，获取用户行为按照每个阶段分析留存情况，然后再分析流失情况以及原因，再进行优化。

3、留存分析：

分析不同批用户的用户行为特征，分析其留存情况。

4、回访分析：

A、分析用户在一定时间内重复消费的分布。

B、调查用户反馈。

把这些数据都做好，就能做到数据驱动运营，只要做到这点你的产品运营会更加贴近用户，也能调查出你的产品问题出在哪里。

作者：儒商诗人，90后，创业小白，出身互联网。热爱商业 ，专注于TMT领域，倾力于商业知识服务，分享更多创业干货，欢迎关注

产品运营三大核心指标：拉新、活跃、留存。相信每一个小伙伴都不陌生。

不同的产品阶段可能运营策略重心会有所不同，但肯定对于各种拉新活动并不陌生，例如H5活动、广告投放、软文扩散、渠道换量等。

每一轮的投放活动都需要衡量投入产出比ROI，每一次活动结束都需要进行复盘讨论，每一轮迭代投放都可能在验证一些猜想。

我们的目标是：用合理的投入成本，通过各类途径优化，最大化效果产出。

但实际的运营投放中，往往会遇到各式各样的投放方式：

这个渠道说，我们不能实现不了直接跳转下载；

那个渠道又说，我们是做品牌的，高曝光才是我们的优势，转化不关我事；

还有的时候，一个渠道上，就有3个不同的位置x3种素材x3种跳转方式，跳转应用市场之后到底下载了木有，打开APP了木有，效果怎么衡量，头有点晕……

但其实，我们关心的是以下几个方向：合理投入、优化路径、最大化产出。简而言之，我们关心的是：投入产出比。

（在不同的渠道进行拉新）

如何找到最大化的投入产出比，这是每一个负责拉新业务的小伙伴都曾经或者正在头疼的事情。

从上图的流程上看，我们可以优化的就是几个环节：产品是否吸引人、渠道是否优质、投放的方式是否高效、效果是否符合预期。

这里暂时不讨论产品定位，我们只讨论丰富多彩的渠道投放的效果优化。

我有100种投放姿势，就问你敢不敢试~

这里，我们虽然是以APP拉新为例，讨论的是一种多渠道效果数据分析体系，但其实适用于每一个就算不是APP产品，或者你的拉新不是以增加APP用户为核心，都可以复用这套数据分析框架。

设定预期目标

首先，对于任何一次投放活动，我们都必须界定它的目标产出。只有在清晰的效果衡量体系下，渠道数据的对比才有意义，多渠道的ROI才有可比性。

对于APP拉新的投放活动来说，常见的预期效果可能是：

提高对APP的认知（以传播广泛为目的）

成为APP用户（APP下载并激活）

在APP内完成特定行为（如购买、身份验证或者领取礼包）

我们以常见的拉新——“APP下载并激活”为例，先搭建一个数据漏斗，看看我们效果环节上需要观察哪些数据。

如果我们希望监控的是上述内容中③的效果数据，我们就在激活之后继续添加下一层级的漏斗，统计例如加入购物车、确认下单、付款这样的流程。

在这样的漏斗流程之上，我们可以搭建监控指标，有时候监控的数据可能无法实现理想的统计指标，我们可能会需要补充其他监控指标，有时候也无需如此精确的数据粒度。

我们最后监控的数据指标如下（表1）：

而效果数据部分，则可以通过MTA的新增报表——安装来源分析实现。

为什么这里增加了“下载所用网络占比”？

原因是在下载完成到安装，这两个事件属于APP应用市场的原生事件，开发者无法主动采集，但我们依然关心这其中的转化步骤，主要是担心用户如果处于较差网络环境下，下载行为可能会被终止，因此这里用了“所用网络占比”这样的辅助字段数据。

这里的辅助字段数据主要是为了优化转化效果所做的准备。确定了目标，我们第二步就可以做投放过程的数据记录了。

投放过程记录

做这一部分的数据记录，主要的目的，一是为了复盘的时候方便做分析对比，二是为了优化迭代的时候更有方向。

根据埃里克·莱斯的《精益创业》中的观点：每一次的实验迭代，其实都是为了得到一个经证实的认知。

应用在推广投放体系下，每一次投放策略的设计，都是为了验证一个投放策略的有效性，是为了提升效果产出。

这个环节是一个多路分支，我们需要做一些版本记录，以便更好的定位问题。过程图大致如下：

记录过程表2为：

（表2 广告投放策略记录）

*根据投放方式的不同，可能记录的方式也会略有不同

**具体的策略信息可以在详表中展开记录

然后把表1的效果数据映射在表2之后，得到一条投放活动的完整记录。然后就可以通过数据来验证具体的投放策略的有效性了。

验证目标是怎样的投放策略，这一点需要在投放开始前就规划好，这样数据分析的时候才能得到有效的结论。

分析与优化效果

对于搜集到的众多详细数据，我们接下来就可以做一些数据上的结果分析了。

首先，我们可能想验证的是投放素材对渠道1的banner-1的影响，那么，我们把表2中渠道1单独拿出来，可以得到如下表格：

（表3.投放素材对渠道1的banner-1的影响）

如果我们想比较渠道1上Banner和Feeds流的差别，我们可以得到：

我们也可以针对人群定向投放效果、不同的投放时间，乃至渠道效果质量对比等多个维度进行数据分析，通过数据来验证我们的策略，优化投入产出比。

所以，虽然说投放的姿势有千千万，但效果路径总是相似的。

如果你有丰富多彩的投放策略，不用急，不要慌，把路径理出来，控制策略的版本，采用A/B TEST等加快验证迭代速度，最终得到有效的投放策略与最大化的ROI效果。

以上是关于投放效果上的数据指标体系分享，相似的分析思路可以复用在不同需求的投放方案中，包括一些线上、线下的运营活动，其实也可以复用这个框架。

来源：pm28

本文是关于数据分析驱动增长的模型框架的总结，用一张表把数据分析驱动增长相关目标和方法进行呈现和总结， 希望对你的产品建立运营数据分析工作有帮助和参考。

1 背景

对于任何一个新产品从市场调研，痛点分析，产品定位，MVP产品设计和产品实现后，业务增长和商业价值增长将作为团队的核心任务，增长的方法除了和客户保持高频和有效的沟通进行产品优化和价值挖掘以外，建立匹配的科学的数据分析体系是保持产品增长的高效的手段之一。

表格整理截图信息如下：

如上内容是个人在工作中对于数据分析驱动增长的目标以及方法的整理，不足之处，欢迎一起讨论指正。

2 产品数据分析准备

产品在建立数据分析体系之前，产品本身的要有相对清晰的市场定位、核心痛点解决业务流程实现，包括客户群和市场容量的预估、竞品分析等动作，这样产品运营数据分析的业务体系才有基础的方向和目标。

举例：一款针对中小企业的在线营销宣传H5的工具产品。

客户对象：中小企业。核心痛点：企业在营销宣传时制作在线宣传册的繁琐、费时。市场预估：中小企业在企业营销宣传，有多少企业会使用在线宣传营销工具，不同类型的企业在在线营销时支出的成本每年/每季度是多少，可以参考一部分的外部分析数据，比如易观数据、互联网开放数据分析 平台等。竞品分析：类似的产品的市场和营销情况，核心卖点，市场容量，市场占比等等，找到合适自己的差异化的产品卖点。

根据上面的分析找到合适自己的差异化卖点，并寻找自己相应的种子客户群。

3产品数据分析驱动增长的目标明确

在互联网的比较流行的数据分析驱动增长的 AARRR模型 已经比较成熟，贯穿整个产品生命周期，具体的细节不详述。

在这里需要说明的是，数据分析 AARRR增长模型是一套工具方法论，但是我们不能忘记我们的数据分析的起点和初衷：产品/市场，业务持续增长（商业价值的持续变现以及客户价值的平衡）。

在产品生命周期中建议的核心关注指标：

产品的成长初期时：重点关注用户激活率、和留存率，求质量。等待经历若干个周期迭代后，慢慢保证高留存率后。产品成长爆发期时：重点关注用户获取率 和留存率，求高效增长。产品口碑爆发期时：重点关注传播推荐，尝试病毒式增长。产品成熟收割期时：重点关注用户增加收入 和 留存率，求客户价值和商业价值变现的平衡。

当然在上面的产品生命周期中，我们需要不断观察数据，并保持和客户的高频沟通，并及时了解市场中竞争对手的变化和客户需求的变化，根据市场和产品的变化调整产品策略、运营策略。

4 产品数据分析驱动增长的方法说明

产品数据分析驱动产品增长的原则：数据分析必须以业务场景和业务目标为起点，业务决策作为终点，数据本身是没有意义的，数据比对分析和挖掘才有价值。

（1）数据分析的模式和方法：

单项分析：趋势洞察、渠道归因、链接标记、漏斗分析、热图分析、分群分析、A/B分析、留存分析组合分析：针对某个细分点，进行多维度组合分析。比如对于某功能、某页面做留存、转化、活跃分析。用户场景分析：时间、地点、需求。 举例：1、早上上班路上 2、用户合约快到期时专题分析：用户体验分析 、产品问题分析、销量增长分析等建模分析：流失预警分析、用户激活分析、付费决策分析等

（2）数据分析的内容和分类：

以用户行为中心：用户行为事件、渠道、产品功能点击、事件分析、用户场景分析、用户行为轨迹、页面流、路径分析、活跃用户分析、用户分群、用户分层、用户细查、用户决策模型。以流量访问为中心：PV、UV、跳出率、访问深度、停留时长、热点图、页面升降榜、页面频道流转、用户访问地域、访问终端、访问来源、新老访客、活跃度等。以用户生命周期为中心：新用户、激活用户、活跃用户、衰退用户、流失用户，分析各个人群的数量，分析对应的关于产品、用户行为、转换、留存、注册相关等分析。以用户分群分层为中心：按照新用户、使用用户、活跃用户、付费用户、高价值贡献付费用户分层，按照年龄、地域、消费能力、习惯、进行分群。分析各个人群的数量，分析对应的关于产品、用户行为、转换、留存、注册等相关分析。产品体验数据分析：功能活跃比、核心转化功能分析、产品体验分析报告（市场、客户需求、产品功能结构、交互体验、意见和建议），用户产品和功能体验调研报告。（主观的想法和建议，可以做数据分析支撑和A/B 测试）。业务运营数据分析：业务目标达成分析和总结、活动转化效率评估、软文阅读和分享次数分析、活动策划分析等。技术运营迭代分析：需求上线成功率、上线时长、需求响应时长、迭代周期、页面响应速度、上线后bug数、页面功能稳定性等。

5 产品数据分析驱动增长的工具和平台建议

对于上面的分析方法目前对于BAT等一线互联网公司有自己的内部大数据中心，支持营销、运营、产品的数据分析工具支撑。对于中小型成长型企业或者传统行业，建设一套完整的数据分析的工具支撑平台成本大、耗时长，建议使用第三方的免费或付费的工具平台。

对于第三方数据分析的工具平台主要分为两类：

以流量为核心第三方数据分析平台：GA、百度统计、友盟统计等（部分功能需要付费）。以用户行为为核心第三方数据分析平台：Growing IO、诸葛 IO、神策IO等（需要付费使用）。

以上工具平台均支持WEB、H5、移动客户端 统计，平台排名不分先后，仅供参考，团队根据自身情况合理选择使用第三方还是自己建设数据统计分析平台。

本文来自中国电子商务研究中心，创业家系授权发布，略经编辑修改，版权归作者所有，内容仅代表作者独立观点。

对于互联网从业者，经常会提到一个词——用户画像。作为一名刚主要做用户画像DMP的数据PM，工作中总是会被需求方问到——

我要查看XXX的用户画像 或是 能否能够XXXX类用户的画像。 抑或是有别的产品会问到：你们是怎么做用户画像的？

然而在沟通的过程中，我发现，不同的人对用户画像的理解差异还是非常大的。有的人认为用户画像就是包含了用户的详细的信息，有的人认为用户画像是能够反映出一个群体的统计学特性，有的人认为用户画像可以做用户研究.....这些想法或多或少有一些片面的，本文就用户画像的基础知识进行说明，并结合一些DMP产品进行分析，同时对用户画像在K12产品中的应用做一说明。

1、当我们谈论DMP和用户画像时，我们在谈论什么？

此部分结合常见DMP&用户画像定义和我工作中对DMP&用户画像的定义进行说明

用户画像是DMP中非常重要的一个环节，因此将DMP和用户画像拆开进行说明

1.1DMP

1.1.1 DMP是什么？

DMP即 datamanagement system,数据管理平台，单从名称上来看，这个定义还是非常宽泛的，所以国内很多企业或者个人会将dmp的核心功能理解错。

结合我的理解，DMP其实是一个全面的数据收集，加工，整合的平台，吸收各种数据源的数据，以用户为基本单位，清洗，整理形成结构化的数据表，并进行用户标签的计算，以期能够精准的描述各种用户。

纯碎的DMP平台是指小型的、定制能力极强、中立性好的DMP技术服务商。美国DMP市场是极度细分的，中国市场是高整合的，往往DMP的需求是和DSP、SSP紧密联系在一起的，目前还很难有纯粹的DMP平台。

1.1.2 DMP可以做什么

精准营销，广告投放，个性化推荐，其他应用

1.1.3 DMP的基础架构及数据加工流程

DMP的基础架构：

DMP的数据加工流程：

1.1.5 DMP的实际应用（市面上能够看到的产品）

DMP广告平台：腾讯广点通、阿里妈妈达摩盘；

独立第三方DMP：talkingdata、神策数据；

个性化推荐：今日头条、一点资讯、淘宝、京东等；

说明：个性化推荐的应用我们能够感受到，但是背后的逻辑我们是看不到的

其他应用

1.2用户画像

1.2.1 用户画像是什么

关于用户画像，有两类定义：User Persona 和User Profile

User Persona：是产品设计、运营人员从用户群体中抽象出来的典型用户。例如，在用户调研阶段，产品经理经过调查问卷、客户访谈了解用户的共性与差异，汇总成不同的虚拟用户；

经典案例——《用户体验要素》中提到的用户画像

UserProfile：根据每个人在产品中的用户行为数据，产出描述用户的标签的集合。例如猜测这个用户是男是女，生活工作所在地，喜欢哪个明星，要买什么东西等。

本文所提到的用户画像，指的是User Profile

1.2.2 用户画像怎么做

基础数据收集：收集用户在网站内外的静态数据和动态数据；

行为建模：基于用户的基础数据，通过技术手段进行行为建模；

构建画像：通过行为建模，可以输出一系列的用户标签，每个用户的标签都可以形成一个集合，这个标签的集合可以表示出这个用户的特点。

1.2.3 用户画像的常见应用

个性化推荐（电商、资讯类产品）、风控、预测等

1.2.4 用户画像与DMP的关系

DMP是数据管理平台，可以简单理解为，把数据提供到DMP平台，DMP平台输出一系列标签，或其他想要的结果。

用户画像是输入用户数据到DMP，DMP输出了用户标签。

DMP不只可以输出用户标签，也可以输出其他的标签，比如输入文章，输出文章标签。

因此，用户画像是DMP的一个应用方向。

2 相关产品介绍

由于用户画像主要是作为底层应用，因此它的很多应用都是能感知，但不可见。比如电商平台的个性化推荐页面，资讯类App首页的个性化推荐背后，就是用户画像在发挥着作用，用户标签和内容标签/商品标签进行智能组合。

由于本人从事K12教育行业，所以只选取了两类竞品：开放DMP平台、教育类产品，其中以开放DMP平台为主。

3 竞品分析

3.1 开放DMP平台

3.1.1 产品说明

3.1.2 功能对比

达摩盘

广点通

神策数据

说明：神策数据看起来更像是一个数据分析工具，但是其底层的搭建、对数据的管理与DMP有类似的地方，并且我们可见的部分即类似BI的功能，可看作DMP在应用层的表现，因此也把它列为竞品

3.1.3界面对比

说明：由于这三个产品均需付费才可体验全部产品功能，界面主要来自于说明文档，可能与真实节面有一定出入

达摩盘-标签

达摩盘-新建标签

达摩盘-人群报表

达摩盘-人群明细

达摩盘-整体报表

广点通操作界面

广点通-创建广告

广点通-创建广告2

神策数据-用户分析-事件分析

神策数据-用户分析-用户属性

3.1.4产品底层技术架构思考对比

说明：

1）此部分内容为通过产品体验和阅读说明文档，思考抽象出可能的底层架构，并非真实情况；

2）产品底层技术架构：我们所看到的功能模块，都是由不同的技术模块相互协作实现的。产品底层技术架构描述了产品对应的底层技术模块、以及模块之间的关系。

达摩盘

神策数据

3.1.5总结

总结来看，达摩盘和广点通是DMP在互联网广告中的典型应用。DMP是定向广告投放最核心的大脑，DMP提供的用户画像，是进行定向广告投放的最核心最关键的一步。达摩盘和广点通最重要的目标是，把对的广告在对的时机，展示给对的人。

而对于神策数据，这一类数据分析工具，DMP在数据分析、数据可视化的过程中也发挥着非常重要的作用，哪类用户的哪类行为比较突出，哪类用户在未来会产生什么样的行为。

3.2教育类产品

用户画像DMP在教育类产品中的应用——

（1） 洋葱数据个性化课程制定（类似自适应学习）；

用户在学习前，先进行测试，根据测试情况为用户制定个性化课程包，如下图1；

图1

用户完成学习，根据用户学习测试结果，展示可视化学习分析报告，如下图2

图2

4 用户画像怎么用？

用户画像是一个的底层产品，用户画像的应用通常难以看到。那么，用户画像该怎么用呢？结合对DMP产品和教育类产品的分析，用户画像的应用总结如下：

（1）用户标签可视化——

相关产品的功能：广点通和达摩盘将用户标签直接展示出来，用户可直接选择标签，并且对标签进行组合，选出目标用户，然后投放广告。

可借鉴场景举例：比如说，我想对今年刚报课程并且消费能力比较高且学习认真的这批学员发送一条推送消息，希望他们能够参加一场直播，促进其对知识的掌握。那么可以直接选中：新用户+消费能力高+学习认真这几个标签，然后对这部分用户发送短信。

好处：精细化运营，提高ROI；简化操作

（2）用户标签关联分析：

相关产品功能-广点通lookalike：（1）提供种子用户；（2）筛选种子用户特征；（3）将种子用户与腾讯用户进行匹配，进行人群扩展

可借鉴场景：一批用户购买了商品A，我想要找出与购买这一商品相似度比较高的用户。那么可以将这批用户的信息导入到DMP，计算出这批用户的标签，再通过关联分析，找到和这批用户相似度比较高的用户

（3）个性化推荐：

相关产品功能：个性化课程制定

可借鉴场景（以K12教育为例）：

（1）针对未注册用户，根据其访问行为，为其推荐个性化课程页面，提高购买转化率；如果是通过互联网广告进来的用户，则可以为其制定个性化落地页，提高注册和购买转化；

（2）针对注册未购课，根据其浏览行为，为其推荐个性化课程页面，提高购课率；

（3）根据用户学习行为（主要是做题情况），为其制定个性化试题和学习建议。

本人k12教育数据PM一枚，欢迎大家交流，共同成长~

因为工作需要，我的收藏夹里收集了很多数据相关的产品，其实加入收藏，也一直没有时间好好去研究。这几天恰好有时间翻出来逐个体验了番，顺手贴出来，大家一起研究。

受篇幅所限，这里只贴了4个，更多的请期待后续。

1. Heap

是什么？

之前我研究了一个网站叫FullStroy(https://fullstory), 主要是提供用户的行为录屏、回放以及记录用户的每步操作日志并可视化出来。Heap聚焦于用户行为的数据分析。但是它没有提供录屏功能，而是打造了更加轻量的接入方式以及实时数据卖点。

面向市场：

Web+iOS

特色功能：

可视化配置事件（Heap并不自动采集各种行为，而且要你配置，但是它提供了一个非常方便的可视化配置功能）

实时数据（一旦配置，立即有数据，无需等待，且是实时的数据）

如何运作：

首先，需要触发数据采集，即安装Heap,安装Heap的办法很简单，只需要在你的产品、网站里集成Heap提供的代码。

Define(我理解成配置)，主要是两块，一个是配置事件，另一个是配置用户细分群体。

定义事件： 配置事件上区别于侵入式的编码（比如目前的移动统计工具，可能都需要你在代码里埋各种事件），Heap提供可视化的配置，让不懂编码的人能够很快配置好所需的事件。

比如，你想要观测example页面上的Sign Up按钮的点击情况，不用去找开发工程师给你埋点，只需要打开Define频道，定义一个事件，选中这个页面，然后在可视化的页面上点击这个按钮，命名，然后配置是不是该页面独有（假设某个按钮在多个页面上都存在，那么如果不设置为该页面独有，数据统计则是所有按钮的点击了），然后事件就配置成功了。见下图：

定义用户群： 无细分，不分析。只有有了用户细分，才更好观测每一类用户的具体行为，根据行为的不同再针对不同的用户采取不同的推送、设计等个性化策略。下面就是Heap定义一个用户群的界面，你可以使用“已经购买了至少5次”的条件来定义一个“高价值客户”群体，或者使用“至少登陆了2次“且”上传了自己的档案照片”的条件去定义一个“活跃用户”。一旦你定义了一个用户群体，你就可以使用不同的用户群去看他们的行为路径、转化漏斗和其他的群体以及剩下的用户有何不同。

至于用户分群的选择条件，应该也基于之前定义的各种事件，加上一些用户的属性。在我们的内部产品无线数读平台上，我们也提供了用户分群工具，可以让开发者根据终端属性（品牌、机型、网络类型、运营商），以及使用行为（比如启动次数在某段时间内大于多少次且某段时间内小于多少次等），加上用户的属性（性别、年龄段、地域、爱好……）等多种标签对用户进行细分。其实背后都是一个道理。

有了事件和用户群的定义后，Heap就可以展开分析了。

在分析这块，Heap做得还比较简单，无非就是一个趋势图（研究各种事件的走势，这是最基本的），还有转化漏斗（Funnels）, 使用者可以将之前配置的事件，按一定的次序配置成一个漏斗，进而监测转化情况。

在配置漏斗这块也有可取之处，比如它提供了更多维度对漏斗进行细分，可以看不同类型的用户的转化漏斗有何不同。

此外，Heap虽然没有提供用户行为的录屏，但是通过路径流的方式予以呈现：

Heap的另一个卖点是，全部的实时数据。配置成功后，无需等待数据采集上传计算展示等流程，即可就能够看到实时数据。对于心急的数据消费者来讲，这绝对是个利好消息。不过这背后肯定是较高的存储成本，因此Heap是一款价格不菲的收费产品。

不过，它提供14天的免费试用，有兴趣的同学不妨先试试。

2. Trak

是什么？

与其说Trak.io是一个用户行为分析工具，不如说它更偏向用户管理（Customer manage ）。

Trak.io页面的口号是：See Who is using your product and send automated emails based on their behavior. 意即：知道哪些人在使用你的产品，并且可基于他们的行为向他们发送自动邮件。无疑，这些邮件只所以自动，背后是有一套规则，比如定期向长久不来的用户发送唤醒邮件，或者向近期比较活跃的用户发送新版本测试邀请。

面向市场：

Web+APP

特色卖点：

360°的用户档案及实时的全程操作行为记录

自动邮件系统以及用户状态变更提醒

Trak.io的重心是触达正确的用户，和他们建立联结，不管是提升用户的忠诚度，还是维系重点用户的关系。但是要更好去实现这个目标，Trak.io必须要“记录数据”。

运作模式：

从界面上看，Trak.io的模式很简单明了：

不好意思，因为LOFER压缩了大图，我再来一张局部图：

可以看到，Trak.io提供的服务就两类，一个是数据方面，提供用户档案、行为记录，还有用户群的数据。一个就是各种触达用户的方法。

数据方面：

People: 360°的用户档案

Segments: 人群细分，除了单个用户的档案外，还可以把满足某种特征的用户放到一个群体进行分析及触达。

太可怕了。

虽然没有太高的技术含量，就是把用户的能够被抓取到的信息集中起来，然后还原TA的操作日志。

你设想下，如果聚焦于某个个体是多么可怕的一件事情，任何人只要被授权，就知道你的一切信息……奇怪了，老外不是很注重个人隐私的吗？

不过以上的档案，显然在服务用户时相当有用。假设一个网站的客服，接到一个用户的反馈或投诉，电话一接通，录入对方的账号，电脑上就可显示该用户的档案，以及最近的浏览日志，操作记录一览无余，就确实节省了很多沟通成本。不至于再三询问用户，你是在什么环节遇到了什么问题了。

Trak.io提供这两个信息，也不是自己YY玩，毕竟平时没事有事去偷窥用户档案的人还是少数的，而且应该很多人不会被授权看用户档案。最好的方法就是根据这些信息提供一些系统工具，能够按某种规则触达用户。所以，Trak.io提供自动邮件功能——比如设定规则，当某个用户符合此规则时，自动调用配置好的邮件模版进行发送。

用户细分方面，提供了这样的分群工具：

管理及触达方面：

1. 自动触发的邮件

这个不用多说了，无非就是一些规则设定，在恰当的时间发送预定义好的邮件给恰当的人。

2. 用户状态的变更提醒

当你是被分配要服务好某些特定的VIP会员的时候，你应该比较关心这些会员的状态变化，比如他们是否被加入了一些细分群组里，他们是否出现了账号异常？Trak.io可以让你设定某些规则从而再发生这些异常的时候主动发送邮件给你，从而你能够提前做好应对，而不是在用户打过来电话是询问：what can i help you, sir?

3. 团队协作管理

可以授权团队其他成员。

怎么使用呢？

提供给几段段代码，分别用于获取用户档案、记录用户行为，更多使用信息可在 http://trak.io/help/sending_your_customer_data.html 查询。

另外，这个产品是有偿使用，但是你可以申请14天的免费试用。

3. Mouseflow

是什么？

顾名思义（怎么老用这句话……看来名字是多么重要啊），Mouseflow是记录用户的鼠标轨迹的。

看似比上面的网站更具技术含量。因为记录点击的结果已经不是太高的门槛，通过一些URL的特征埋点即可实现。但是用户虽然最终点击了某个按钮，可是他的鼠标却在屏幕上反复游移不定，可能说明这个按钮的位置和外观设计不符合用户的认知和预期。所以观察用户的鼠标轨迹是很多用户研究同学和交互设计同学很喜欢干的一件事情。

Mouseflow能够让我们很方便地录制用户访问的轨迹并生成实时的点击热图，显示他们点击了哪里，在哪里滑动甚至注意到了什么。

你可以尝试下他们的录屏DEMO： http://mouseflow/demo/

面向市场：

好像目前只有WEB。APP的类似产品也有，请见下文的APPSEE。

特色功能：

1. 直观的鼠标轨迹录屏

不用从各种数据报表去猜测用户怎么用的，直接去看好了。

2. 实时的点击和移动热图

直观的鼠标轨迹是很赞，但是我们怎么会有时间去一个个看视频呢？所以热图是一种数据的聚合，从而能够帮我们判断大多数人是如何点击如何滚屏。

3. 滚屏热图

这个功能我还是第一次遇到，有时提升转化不仅仅是用户发生了点击，而是要注意到。我们没有办法去装个眼动仪捕获用户的眼球轨迹和视觉热点，但是内容有没有被用户使用滚屏出现在当前屏幕上，我们却是有办法去抓取的。所以Mouseflow提供了Scroll Heatmaps，快来看看你辛辛苦苦做的Banner有没有机会被用户看到吧。没有看到则想办法去换个更优的位置，看到不点则是Banner可能设计得太烂。

4. 页面分析

除了直观的轨迹和热图，简单的数据统计报表是必不可少的了，毕竟单个群体很难代表大众，热图也不可能直接转化成数据从而做更多二次加工和处理。所以定量的用户行为分析报表可以作为一个基本补充。

不过仔细去看，Mouseflow既然聚焦于用户行为分析，提供的页面分析报表也有不少可取之处，比如它除了提供简单的PV\UV\停留时长\退出率\点击次数等，还提供了页面的更多信息，比如页面的大小、下载的时长等信息。

如何使用？

分不同的平台提供不同的对接方案。比如面向WordPress是提供一个插件,有些平台则提供嵌入的代码。详见 http://mouseflow/integrations/

另外，也是收费的，不过据说可以申请试用，享受多少次的免费录屏。

By the way,在我写这篇文章的时候，恰好看到了UI Pattern网站上有一篇对比同类工具的文章，其中提到了Mouseflow，有兴趣的同学可以读一下。其中提到的Clicktale工具，提供了手机APP上的热图功能，这里先记录一笔，待后续研究。

4. AppSee

是什么?

专门面向手机应用（App）的用户行为分析工具。顾名思义（o(╯□╰)o），AppSee致力于让你亲眼看到，而不猜测用户的行为。在此之前，无论是功能强大的Google analytics还是聚焦于APP分析的Flurry, 抑或是我们国内声名大噪的友盟平台，都是比较传统的数据报表系统，提供各种各样的报表帮助你去洞察用户的行为。AppSee则采用了“直接录屏给你看”的简单商务模式。

聚焦于单个用户的行为路径再现，其实在分析领域被颇受诟病，因为从统计学的意义来讲，个体很难在需求上代表广泛的用户群体，尤其当一个APP的用户数以千万、亿级时，单体的特征就愈加不被重视。那么AppSee为何还取得了很大的成功呢？（几个月前，APPSEE已经完成100万美元的融资）。

我想可能是因为，数据分析类产品无外乎按几个层次进行进化：1. 告诉你发生了什么（反映现实）？2. 告诉你为什么发生（分析原因）？3. 告诉你这些发生是否正常（评价体系）？4. 告诉你接下来会发生什么？（预测未来）。在反映现实这块，他们致力于提供一个更加全面的用户信息，让其能够足够代表大多数用户。但是某些潜在的机会点却被淹没在这“大多数”里，可能一些潜在的产品的改进点反而是由少数人引起的，因为大多数淹没了他们。此外，基于大多数，很难去重现用户的遭遇。比如当我们发现某个页面崩溃率比较高，但是它是如何崩溃的？从这其中捞到一个个体，还原TA的操作路径，能够帮助开发快速重现错误发生。

另外，传统的用户研究团队，做的很多工作，其实也是基于个体。小样本量可能无法告诉你大多数人想要什么，但是可能也足以帮助我们知道网站大概出了什么问题（据统计5名用户大约可以发现85%的问题）。而线下招募志愿者参与可用性测试显然成本较高，且用户在知晓处于测试期时的行为表现可能也无法代表真实状态下的表现，而使用 AppSee不但可以节省可用性测试的高额成本，而且还让可用性测试随时、用户不知道的情况下进行。甚至可根据你设定的规则抽取符合某些要求的用户。

特色功能：

1. 用户录屏（User Recordings）

直接看到用户的每一步操作， AppSee能够记录每个屏幕,用户的每次点击以及各种手势动作。说实话，鉴于移动APP里面有很多隐形的交互，确实直观来看会比较激动人心，给你一个点击按钮的列表，谁愿意看啊。值得一提的是，现在很多聚焦于APP分析的产品都提供了系统崩溃的报表，但是很多没有解决开发者想要重现错误的需求。只有重现才能帮开发者更好去分析崩溃产生的原因。 AppSee帮助你重现错误，你可以单独看看CRASH的录屏。

2. 触摸热图(Touch heat maps)

从个体聚合为整体的热图。目前貌似没有看到触摸热图和用户细分结合的功能。

3. 分析报告(In-App analytics)

除了上面显示的Overview外，令我垂涎欲滴的还有页面路径和转化漏斗，其中页面路径可以显示每个屏幕的图片啊啊啊啊啊……再也不用看着英文名字想到底是什么页面了。转化漏斗更为简单些，但是结合了简单的用户细分，还是能够看到新老用户的转化差异的。再加强些用户细分就更赞了。

首先，聚焦于“消费者体验提升”领域，数据产品大有可为，见下图：

要提升消费者体验：

1. 要先明确目前的现状 ：

消费者到底哪里体验不好了，或者哪里不满�...