運營資料分析方法
我們以往的諮詢規劃中，資料的收集、診斷與分析往往是一項複雜且費時費力的工作。為大家提供了關於運營資料的分析方法，希望對大家有幫助！
方法1：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於網站的流量來源，也同樣適用於 app 下載來源的監測（但後者需要滿足一定的條件）。
Link tag 的意思，是在流量源頭的鏈出連結上（鏈出 URL 上）加上尾部引數。這些引數不僅不會影響連結的跳轉，而且能夠標明這個連結所屬的流量源是什麼（理論上能夠標明流量源的屬性數是無限的）。
Link tag 不能單獨起作用，必須要在網站分析工具或者 app 分析工具的配合下工作。
Link tag 是流量分析的基礎，要嚴肅地分析流量，不僅僅是常規分析，還包括歸因分析（attribution analysis），都需要使用 link tag 的方法。
方法2：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定為某種目的的實現，最典型的就是實現銷售，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，比如一次使用 app 的時間超過 10 分鐘（session duration >10minutes）。對於增長駭客而言，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生洩漏，如果有洩漏，我們能在漏斗中看到，並且能夠透過進一步的分析堵住這個洩漏點；第二、在一個過程中是否出現了其他不應該出現的過程，造成轉化主程序受到損害。
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。我在網際網路資料運營的課程中也會具體講解。
方法3：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，這些問題搞定後，你還是需要對你的轉化進行持續最佳化，這個時候必須要用到微轉化。
微轉化是指在轉化必經過程之外，但同樣會對轉化產生影響的各種元素。這些元素與使用者的互動，左右了使用者的感受，也直接或者間接的影響了使用者的決定。
比如，商品的一些圖片展示，並不是轉化過程中必須要看的，但是它們的存在，是否會對使用者的購買決定產生影響？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4：合併同類項
合併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。
合併同類項就是這樣的方法。舉一個例子，我問你，一個電子商務網站，所有商品頁的整體表現如何？它們作為一個整體的 bounce rate 怎麼樣，停留時間怎麼樣，使用者滿意度怎麼樣等等，你能夠回答嗎？
如果我們檢視每一個商品頁的表現，然後再把所有一個一個頁面的資料加總起來作分析，就太麻煩了（根本無法實現分析）。這個時候，我們必須要合併同類項。
如何合併？利用分析工具的過濾工具或者查詢替換功能。不支援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駭客的專業裝備箱中。
合併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，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5：AB 測試
增長駭客不談 AB 測試是恥辱。
透過資料最佳化運營和產品的邏輯很簡單——看到問題，想個主意，做出原型，測試定型。
比如，你發現轉化漏斗中間有一個漏洞，於是你想，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，必須得讓真實的使用者用。於是你用 AB 測試，一部分的使用者還是看到老價格，另外一部分使用者看到新價格。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執行，直到你又發現一個新的需要改進的問題。
增長駭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。快速驗證，如何驗證的？主要方法就是 AB 測試。
今天的網際網路世界，由於流量紅利時代的`結束，對於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。國外那些經典 app，那些賣錢遊戲，幾乎天天都在 AB 測試。
方法6：熱圖及對比熱圖
熱圖是一個大家都喜歡的功能，它是最直觀的記錄使用者與產品介面互動的工具。不過真用起來，可能大家很少真正去深究吧！
熱圖，對於 web、app 的分析，都非常重要！今天的熱圖相對於過去的熱圖，功能得到了極大的提升。
在 web 端，過去一些解決不好的問題，比如只能看連結的被點選情況，點選位置錯位，對浮層部分點選的標記，對鏈出連結的標記等等，現在已經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，內容類的 app，對於熱圖的需求較弱；但工具類的 app 對於熱圖的需求則很顯著。前者的 screen 中以並列內容為主，且內容動態變換，熱圖應用價值不高；後者則特別需要透過熱圖反映使用者的使用習慣，並結合 app 內其他的 engagement 的分析（in-app engagement）來最佳化功能和佈局設計，所以熱圖對它們很重要。
要想熱圖用得好，一個很重要的點在於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，尤其是點選熱圖（觸控熱圖）、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、新老使用者、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。例如點選熱圖與轉化熱圖的對比分析等。
總之，分析很多使用者互動的時候，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7：Event Tracking（事件追蹤）
網際網路運營資料分析的一個很重要的基礎是網站分析。今天的 app 分析、流量分析、渠道分析，還有後面要講到的歸因分析等等，都是在網站分析的基礎之上發展起來的。
但是，早期的網站分析有一個特點，就是對於使用者在頁面上互動行為的記錄，只能記錄下來一種，就是點選 http 連結（點選 URL）。不過隨著技術的發展，頁面上不僅僅只有 http 連結，頁面上還有很多 flash（現在 flash 都要被淘汰了）、JavaScript 的互動連結、影片播放、連結到其他的 web 或者 app 的連結等等，使用者點選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，人們發明了 event tracking 來解決上面的問題。event tracking 本質上是對這些特殊互動的定製化監測，而由於是定製化，所以反而有了更多附加的好處，即可以額外新增對於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 連結，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測屬性說明。
隨著 app 的出現，由於 app 的特殊性（螢幕小，更強調在一個螢幕中完成互動），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 上的點選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！
這也是為什麼，這個方法你必須要掌握的原因。
方法8：Cohort 分析
Cohort 分析還沒有一個所有人都統一使用的翻譯。有的說是佇列分析，有的說是世代分析，有的說是佇列時間序列分析。大家可以參考維基百科：佇列研究，找找自己覺得合適的譯名。
無論哪種叫法，Cohort 分析在有資料運營領域都變得十分重要。原因在於，隨著流量經濟的退卻，精耕細作的網際網路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於此。Cohort 分析透過對性質完全一樣的可對比群體的留存情況的比較，來發現哪些因素影響短、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。相較於比較繁瑣的流失（churn）分析，RFM 或者使用者聚類等，Cohort 只用簡單的一個圖表，甚至連四則運算都不用，就直接描述了使用者在一段時間週期（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 分析是最能體現簡單即美的一個典型方法。
方法9：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（數字營銷媒體）的影響，比如看到廣告瞭解到這個商品的存在，利用搜索，進一步瞭解這個商品，然後在 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，單一的廣告渠道並不是你開啟客戶閘門的閥門，而是多種渠道共同作用的結果。
如何瞭解數字營銷渠道之間的這種先後關係或者相互作用？如何設定合理的數字營銷渠道的策略以促進這種關係？在評價一個渠道的時候，如何將歸因考慮在內從而能夠更客觀的衡量？這些都需要用到歸因。
如果你是網際網路營銷的負責人，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10：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。
我經常的口頭禪是，無細分、毋寧死。沒有細分你做什麼分析呀。
細分有兩類，一類是一定條件下的區隔。如：在頁面中停留 30 秒以上的 visit（session）；或者只要北京地區的訪客等。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一個人分析水平的細分方法。比如，我的朋友他將使用者的反饋作為 event tracking 的屬性（放在了 event action 屬性中），提交給 GA，然後在自定義的報告中，將使用者反饋和使用者的其他行為交叉起來，從而看到有某一類反饋的使用者，他們的行為軌跡是什麼，從而推測發生了什麼問題。
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。
無細分，毋寧死。