數據運營的優化重點在于把複雜的，多因素影響的過程拆分，簡化影響過程，從而挖掘其中的關鍵要素進行改進優化。

上次我們提到了通過分群分析進行渠道轉化數據的監測，調整了渠道投放策略，最終提升了渠道ROI的結果。

首先，我們回顧一下我們的目标問題：

某電商App，現在面臨的問題是用戶成交量較低，與投放推廣的成本相比，ROI較低。

這個問題，我們應該如何分析？

上周已經講過：

通過數據挖掘，我們發現了優質渠道A，其用戶群與我們的高價值用戶比較吻合，同時平均客單價約是原有主要渠道D的1/2~1/3，我們的投入産出比例得到了優化。這主要依賴于通過數據分析找到了優質低價的渠道，降低了獲客成本。

漏鬥改進效果如下圖：

那麼，這個漏鬥是否存在其他可以改進的地方呢？

當然有！我們的現實世界并非是簡單的數據邏輯結構，很多結果都是多種原因綜合導緻的，我們可以用多種角度去分析同一個問題。

下面我們将結合漏鬥分析與用戶分群來做一個深度分析，通過漏鬥的細緻拆分和交叉對比，定位問題所在。

漏鬥分析

那我們就從這個漏鬥開始分析：從上面都是漏鬥中，我們可以看到，加入購物車之前的轉化率都較高，但在購物付款的流程中，轉化率急劇降低至14.65%，這裡應該也有改進的空間。

我們再看頁面浏覽數據，可以發現，用戶在訂單确認頁面停留的時間長達95秒，這與我們平時的認知不相符。

漏鬥拆分

為了驗證我們的假設，我們建立兩個小用戶群——“确認要付款的人群”&“成功付款的人群”，即把漏鬥中“訂單人群”到“付款人群”進行了拆分，把确認付款的動作獨立出來。

我們能夠發現，在“确認要付款”到“成功付款”确實是損失轉化的主要環節。

分群分析

我們看這群“确認付款”&“未成功付款”的人群：

我們姑且把這個人群叫做“付款失敗”組。

在MTA中你可以通過設置用戶分群設置來實現這一步的處理，如下圖。

通過幾個人群的對比，我們發現“付款失敗”組的人群離線環境陡增約14%，另外，其3G、2G網絡的比例要高于大盤人群（5.68% vs. 1.36%），且設備品牌中，相對機型較小衆、低端。

我們實際測試了品牌1和品牌2的實際幾個機型，主要針對的就是付款頁面的頁面體驗，存在以下問題：

• 機型适配性較差，開發時主要考慮的是現有主流機型适配，對小衆機型的關注度較低；
• 頁面卡頓嚴重，長達40秒以上的空白頁面，嚴重消耗了用戶耐心。

于是我們做了以下改善：

• 緊急修複版本，在小衆機型的主要推廣渠道上升級了版本适配性的App；
• 頁面加載量優化，包括切割、壓縮、删減圖片，框架優化，預加載等策略，惡劣網絡下加載速度提升至約15秒；
• 加載等待頁面設計，增加了動畫的等待頁面，給用戶賣個萌，增加用戶等待的耐心。

效果驗證

頁面優化後，我們的漏鬥轉化流程有明顯改善：

我們針對這群“付款失敗”用戶群所做的改善，為轉化漏鬥提高了3%的轉化效率，這是非常大的一個收益。另外，我們在後續的漏鬥改進中，還嘗試結合了頁面點擊/頁面流轉的分析，删去了付款頁面中不必要的信息、按鈕，保證了付款流程的順暢性，對于提升漏鬥也有一定的作用。

好了，今天的分享就到這裡啦~

總結一下

數據運營的優化思路其實就是通過細緻拆分，把複雜的、多因子的事件分析拆分為獨立的、單因子的歸因分析，以确定改進的思路。

下周将會帶來數據埋點的内容，敬請期待哦~

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部