数据分析案例（分析了3个实战案例）

作者 | 吕承通

编辑 | 陈静

题图 | 站酷海洛

随着大数据的发展，互联网从业者一定意识到：数据对于一个优秀的可迭代产品的价值。产品与用户行为息息相关，而数据分析则让这些用户行为可以被量化，产生价值。基于数据驱动思维，做出产品决策，分析和优化用户体验，才能让产品迭代走向正确方向。

9月13日，DT君邀请到了数数科技CEO吕承通，带大家了解数据驱动实现方法，并通过3个实战案例解析数据分析如何影响产品核心指标。本文为其演讲实录。

▍什么是数据驱动？

首先和大家分享一个数据驱动决策的案例，让大家感受一下数据驱动的价值。下图是几个产品的DAU（日活跃用户数量）的折线图，可以发现并没有特别明显的规律。如果要对DAU进行预测，以指导业务的开展，该如何去做呢？

图片说明：产品的DAU走势

在这个案例中，需要决定要不要投放广告来达到PCU（最高同时在线）的KPI。首先对DAU进行拆解，每日登陆用户可以分为三类：昨日留存用户、今日新进用户和之前流失的用户，同时还有一部分用户流失，一进一出就导致了DAU的波动。

图片说明：日活用户拆解

从下图中的表格可以看出，新进用户留存会随着时间衰减，形成曲线的走势。

图片说明：新进用户留存随时间递减

下图是留存曲线模型，这是一个幂律分布的模型，a为常数，系数b为负数，定义为新进留存系数，b值越大留存情况越好。b值与产品品质、用户质量和运营活动相关。

下图是新进留存系数b值的走势，每次b值有大波动的时候，是新版本发布的时候，后面在做拉小号的活动的时候，b值呈现下降的趋势。

在这个案例中，根据新进用户留存模型，推算出要达到PCU 50万的话需要连续两周每天8万的新进用户数，最后评估下来预算太少，因此放弃了广告投放计划。这就是一个通过数据驱动来规避风险的案例，通过科学的数据分析来一步一步归因，去推导应不应该做这件事，这就是数据驱动的价值体现。

▍如何实现数据驱动？

从《增长黑客》这本书上市以来，国内掀起了一股数据驱动的热潮。很多公司都开始组建增长团队，去找到业务的增长点。要实现数据驱动有一些需要重点关注的点。比如，产品跟市场的需求匹配是数据驱动的根基。这个根基如果不成立，数据驱动就很难成立。另外，在产品的不同阶段制定不同的北极星指标。北极星指标可以让整个团队围绕一个核心目标来定制策略，集中兵力做一个指标的增长。

图片说明：数据驱动的几个关键点

接下来和大家分享一个提升产品留存的案例。

如何提高产品留存是大家比较关心的问题。提高产品留存通常有三种方式，第一种方式是产品的结构性优化。要通过数据分析去找到整个产品在核心转化流程上面是不是有问题；在用户体验上面，比如说新手转化，新手引导的过程是不是有不合理的地方？加载时间是不是过长？前端是不是有闪退影响用户体验？

第二种方式是用户运营，最常见的是运营活动和成长激励体系。比如激励体系中，用户使用的时间越长，越容易留下来。比如说前段时间美团推出打车服务，滴滴的用户没有任何忠诚度，换到美团上面也没有任何成本。因为滴滴没有去做用户成长的激励体系，比如说滴滴应该给用户划分等级，比如说打了多少公里的车，应该是什么等级的用户。然后每个等级又有相应的一个回报，有相应的激励可以兑换，或者是能够打折，这样用户使用的时间越长，就绑定得越紧，这就是成长激励体系的一种套路。

最后一种方式是用户流失预警与召回，也就是通过产品的优化和运营手段来干预用户的流失。用户流失之后，需要尽可能通过数据分析的方式找到用户流失的原因，然后做预警，预测未来哪些用户将要流失，并且提前做干预。另外就是对流失用户的召回，如何针对已经流失的用户制定召回的策略，如何奖励，如何触达他们。

接下来分享一个实战案例。某游戏产品想通过运营活动来提升用户的留存，属于第二种方式。这个游戏的DAU是5万左右，平均用户开局数是20局左右，大于十局的用户数占比45%，大于七局的用户数占比50%。活动目的是要通过提升开局数来提高用户的留存，因为开局是整个产品的核心价值和核心体验。

首次方案是每十局抽一次奖，每天最多可以抽六次，平均每个人每次抽一次送出2000金币。我们通过数据分析做了一次改进，改进后的方案是每7局抽一次奖，每日可抽六次，平均每人每次送出是2500的金币，同时提高了中、高局场的服务费，因此实际上每人每次送出的金币是大概是1800左右，降低了成本，同时也把抽奖的门槛降低了。

图片说明：改版后的效果

活动方案改版后的效果是参与活动的人数有明显提升，增加了1950人，参活用户占比从26%提升到了30%，覆盖到了更多用户。同时，参活用户平均抽奖次数从3.8次提升到了4.6次，平均开局数提升了15次。

▍重视用户反馈数据

产品设计和活动运营过程中不要忽略用户的反馈数据。如果产品用户的基数比较小的话，可以直接跟用户交流，做调查问卷或CE。如果产品用户基数比较大，这种调查效果会打折扣。如何分析海量的用户反馈数据，既科学客观，数据量又能全面？我们提供了一个平台来做这个事情，会把外部的数据全部通过爬虫的技术抓回来，再通过文本挖掘的算法分析用户在说什么。

图片说明：用户反馈数据

比如情感识别，就是判断用户在反馈的时候是正面还是负面的内容。话题检测是判断用户在讨论什么内容，突发问题预警是判断产品是不是有突发的问题，然后还有反馈监控，可以监控到用户的不良言论的反馈，最后整体做成了一个产品口碑分析的解决方案。

注：以上内容根据嘉宾吕承通在数据侠线上实验室的演讲实录整理。图片来自其现场PPT，已经本人审阅。点击“阅读原文”，获取作者直播回放。

期待更多数据侠干货分享、话题讨论、福利发放？在公众号DT数据侠（ID：DTdatahero）后台回复“数据社群”，可申请加入DT数据社群。

▍数据侠门派

本文数据侠吕承通，数数科技CEO，计算机专业博士，文本挖掘和NLP研究方向，2011年至2015年任职于腾讯科技，2015年7月创办数数科技，致力于将大数据技术在各行业的应用落地。公司以“赋予客户数据驱动的能力”为使命，从数据意识，数据分析能力和数据分析工具三个层面给客户赋能，帮助企业快速构建数据驱动的核心竞争力。

▍加入数据侠

“数据侠计划”是由第一财经旗下DT财经发起的数据社群，包含数据侠专栏、数据侠实验室系列活动和数据侠联盟，旨在聚集大数据领域精英，共同挖掘数据价值。了解数据侠计划详情请回复“数据侠计划”，申请入群请添加DT君微信（dtcaijing003）并备注“数据社群”，投稿、合作请联系datahero@dtcj.com。