本文作者從三個方面探讨數據驅動業務增長的底層邏輯，對數據驅動業務增長感興趣的童鞋不要錯過。

所謂的“數據驅動業務增長”是以企業産品業務線海量數據的收集、存儲、可視化、分析、挖掘作為核心支撐的，全體業務線人員參與的，以精準、細分和精細化為特點的運營戰略。

即針對運營、産品、市場、客服等部門的運營數據，通過可視化、可量化、可細化、可預測等一系列數據分析方法論以及理論、經驗等來進行業務分析，挖掘業務增長點。

具體的主要以“産品以及官網流量數據分析、目标用戶行為數據分析、目标用戶群轉化分析、活動營銷策劃推廣數據分析、用戶畫像數據分析、産品功能優化叠代、競争調研以及監控數據分析、渠道效果分析等”。

而面對海量的數據，還是有很多人不知道從如何着手、如何開展，如何得出結論。

下面梳理探讨一下“數據驅動業務增長”的底層邏輯思維，希望在數據驅動業務增長的實際應用中能給大家擴展一下思路。

01

那麼，首先來看一下何為“底層邏輯”呢？

底層邏輯，廣義上關于某種事物的認知，狹義上對于具體到某個産品的規則。在《底層邏輯》這本書裡如是寫道：所謂底層邏輯，就是從事物的底層、本質出發，尋找解決問題路徑的思維方法。底層邏輯越堅固，解決問題的能力也就越強。

其實當我們在思考問題時，首先的核心切入點，從這個點開始思考所作出之後的決定，當圍繞着底層邏輯思考時，做出的決定才是和初心一緻，最貼合内心的，也是真實的人性反饋。

而在商業系統裡的定位就是從底層邏輯為思考核心。比如騰訊，在早期，它的底層邏輯就是創造一個可以讓人與人交流的軟件。從這個邏輯上确定的定位就是“連接”。連接人與人，連接人與物，連接物與物，連接世界就是從這個底層邏輯上生發出來的商業路徑。

也可以說，底層邏輯是事物基本的驅動力（在這裡不做詳情探讨，隻要了解底層邏輯的概念）。

02

接下來，我們來看一下以數據驅動業務增長的3個底層邏輯。

1. 數據分析基本步驟

所有數據分析都應該以業務場景為起始思考點，以業務決策作為終點。都繞不開是多少、是什麼、為什麼、會怎樣、又如何。

基于此，數據分析的五個基本步驟：

1. 第一步，首先挖掘業務含義，理解數據分析的背景、前提以及想要關聯的業務場景結果是什麼。
2. 第二步，需要收集整理數據，梳理用戶行為路徑。
3. 第三步，從業務場景中拆分出需要的數據，将數據可視化，落地分析原因。
4. 第四步，從數據結果中，判斷提煉出業務洞察，預測可能會發生的結果。
5. 第五步，根據數據結果洞察分析，最終産出業務決策。

例如，互聯網HR考勤類網站，渠道運營在百度和 360搜索上都有持續的廣告投放，為官網引流。

最近領導建議嘗試投放神馬搜索渠道獲取流量，另外也需要評估是否加入知乎、今日頭條進行深度廣告投放。

在這種多渠道的投放場景下，如何進行深度決策？我們按照上面數據分析流程的五個基本步驟來拆解一下這個問題。

第一步：挖掘業務含義

首先要了解渠道人員想優化什麼，并以此為北極星指标去衡量。

對于渠道效果評估，重要的是業務轉化：對hr考勤類網站來說，是否“創建企業”要遠重要于 “訪問用戶數量” 。所以無論是神馬移動搜索還是知乎、今日頭條渠道，重點在于如何通過數據手段衡量轉化效果；也可以進一步根據轉化效果，優化不同渠道的運營策略。

第二步，梳理用戶行為路徑

以 “創建企業” 為核心轉化點，分配一定的預算進行流量測試，梳理用戶下載激活到創建企業的行為路徑，觀察對比注冊數量及最終轉化的效果。通過埋點，持續關注創建企業數量，進一步判斷渠道質量。

第三步，從業務場景中拆分出需要的數據

将數據通過漏鬥圖可視化，需要比對渠道流量，以及各個渠道追蹤流量、落地頁停留時間、落地頁跳出率、網站訪問深度以及訂單等類型數據，進行深入的分析和落地。

第四步，提煉業務洞察，預測可能會發生的結果

根據數據結果，比對神馬搜索、知乎、今日頭條投放後的效果，根據流量和轉化兩個核心KPI，觀察結果并推測業務含義。如果神馬移動搜索效果不好，可以思考是否産品适合移動端的客戶群體；或者仔細觀察落地頁表現是否有可以優化的内容等，需找出業務洞察。

第五步，根據數據結果洞察分析，最終産出業務決策

根據數據洞察，指引渠道的決策制定。比如停止神馬渠道的投放，繼續跟進知乎、今日頭條進行評估；或優化移動端落地頁，更改用戶運營策略等等。

2. 内外因素分解法

在數據分析的過程中，會有很多因素影響到業務指标，那麼如何找到這些因素呢？在此向大家推薦内外因素分解法。

内外因素分解法是把問題拆成四部分，包括内部因素、外部因素，然後再一步步解決每一個問題。

内部因素：可有為獲客（渠道質量低、活動獲取非目标用戶）、滿足需求（新功能改動引發某類用戶不滿）、提活手段（簽到等提活手段沒達成目标、産品自然使用周期低導緻上次獲得的大量用戶短期内不需要再使用等），新手上手難度大、收費不合理、産品服務出現重大問題、活動質量低、缺少留存手段、用戶參與度低等等。

外部因素：可采用PEST分析（宏觀經濟環境分析），政治（政策影響）、經濟（短期内主要是競争環境，如對競争對手的活動）、社會（輿論壓力、用戶生活方式變化、消費心理變化、價值觀變化等偏好變化）、技術（創新解決方案的出現、分銷渠道變化等）、以及市場、競争對手、節假日等。

這裡也需要注意區分哪些因素為可控和不可控的。

例如，内容付費網站，其盈利模式一般購買廣告位等。運營人員發現了， 作者“發布文章” 的篇數，在5-6月份有緩慢下降的趨勢。對于這類某一數據指标下降的問題，可以怎麼分析呢？

根據内外因素分解法可分為：

• 内部可控因素：産品近期上線更新、市場投放渠道變化、産品粘性、新老用戶留存問題、核心目标的轉化。
• 外部可控因素：市場競争對手近期行為、用戶使用習慣的變化等。
• 内部不可控因素：産品策略（移動端/PC端）、公司整體戰略、公司客戶群定位（比如隻做大數據方面的技術類文章）。
• 外部不可控因素：互聯網行業趨勢、整體經濟形勢、季節性變化。

有了内外因素分解法，我們就可以較為全面地分析數據指标，避免可能遺失的影響因素并且對症下藥。

3. 拆解思維

拆解思維是從一個具體問題拆分到整體影響，從單一的解決方案找到一個規模化解決方案的方式。

例如，某在線教育平台提供免費課程視頻，同時售賣付費會員，為付費會員提供更多高階課程内容。如果我想将一套phython技術的付費課程，推送給一群持續在看 C 免費課程的用戶，那麼數據分析應該如何支持呢？

我們按拆解思維的四個步驟，分解如下：

• 具體問題：預測是否有可能幫助某一群組客戶購買課程。
• 整體影響：首先根據這類人群的免費課程的使用情況進行數據分析、數據挖掘的預測，之後進行延伸，比如對整體的影響，除了計算機類，對其他類型的課程都進行關注。
• 單一回答：針對該群用戶進行分析，監控最終轉化的影響。
• 規模化方案：之後推出規模化的解決方案，對符合某種行為軌迹和特征的行為進行建模，産品化課程推薦模型。

03

總之，數據驅動業務增長是一個厚積薄發的過程，需要日常業務工作中要做好數據收集、數據清洗、數據監控、數據可視化分析、數據産出在内的每一個環節。

而在産品業務線不同的生命周期階段，其增長内核各不相同：

• 引入期：産品驅動，通過用戶行為數據，優化産品叠代。
• 成長期與成熟期階段：渠道驅動，通過渠道數據，篩選優質渠道。
• 衰退期：品牌驅動，通過内容數據，設計出有效的營銷策略。

但不同生命周期階段的都有數據産生，通過數據來挖掘業務的潛在價值，且通過分析來發現業務的第二增長曲線。

所以，以數據為驅動更是成為産品業務線增長的運營戰略，隻要找到合适的方法，就一定能破解出數據背後的真正含義，為增長賦能。

作者：木兮，數據運營小白；公衆号：木木自由

本文由 @木兮擎天＠ 原創發布于人人都是産品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議

,

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