2016-04-26 张溪梦 互联网er的早读课

作者：张溪梦，GrowingIO创始人&CEO

数据驱动是一个时髦的词汇。

很多互联网公司都在谈论增长，特别是来自硅谷的高速成长的企业，高速的增长是互联网公司估值上升的核心驱动因素，所有的估值核心都建立在“增长”上面，这也是为什么有的互联网企业有很高的估值的原因。在“增长“的背后是一系列的用户体验，活跃度，留存率以及变现的有机结合，增长黑客的核心就是产品化，数据化，运营化。

分析思维和技术实现能力是科技产品的核心：分析思维的内在形式是工程产品的思维，外在形式是数字营销的思维。也就是说我们可以用工程产品的方法加上数据分析的方法来促进用户和业务的增长。

这种工程和分析的思维就是把一个大的问题细化成一系列小的问题，然后针对每一个小的问题进行迅速的改进，很多小的迭代累积而成大幅度的改进产品整体体验，并最终产生大幅度的商业效果。

注册激活用户是增长的开始，今天我们就以“注册”为例，聊一聊如何从数据驱动产品的角度，进行注册环节的研发和迭代。

1. 有效地获得注册过程中每一步的转化率

首先，如果需要监测注册过程中每一步的转化率，那么你要怎么制定计划呢？我的方案是这样的：

这个方法，会帮助你制作一个非常初级的增长模型——把产品想象成一个一步步转化的漏斗。同时一定要从用户的角度去思考，而不是产品信息结构。

GrowingIO在过去的一段时间里面发现，在我们客户中，很多产品经理考虑产品设计的时候，都是从产品的功能和信息框架开始思考，这样往往会产生很多和用户真实体验不一致的设计思路，导致失去对真正用户体验的把握。

因此产品运营和产品经理考虑注册流，也不仅仅是从注册开始思考，而是想象用户一般会从哪个渠道来，从他们的入口用户体验开始。比如说如果新访客来到你的注册或者app下载页面，他会看到什么等等。

（这里涉及到获取用户的部分，我们会在另外一篇文章，“精益化运营优化客户获取路径”里面阐述。那里会解释用户从哪里来，这样就能让你很简单的了解用户究竟从哪里开始的）

2. 从一个简单的报表 变成对未来的预测和预判

在GrowingIO里把“时间”这个指标加入运营分析报表，立刻可以看到每一个步骤的转化率。

建立基本的转化漏斗后，你就会了解整个注册流的转化情况。

但是每一步骤的转化率并不能告诉你该如何做，接下来我们就要把这个模型变得有预测力，而且可以把未来的目标进行定量的追踪，从而模拟不同的决策场景下，可以看到的效果。比如说如果第二步注册效果提高5%，就能获得多少增长，第三步增加20%能获得多少增长，这样就可以决定优化哪一个步骤是效果最好的，最大化的。

以上面的转化率为例，第一步的转化率16%， 第二步的转化率39%，第三步的转化率92%。如果我们要对其中的步骤进行优化，一个性价比高的方法就是对衰减最高的部分进行优化，也就是第一步，而不是已经很完善的最后一步92%。这样就向前走了一大步，从一个不知道在发生什么的状态，了解了历史发生了什么，还可以预测将来的新增用户的增长可能。

因为多种因素会影响用户的获取，所以要持续地观测每天的注册转化率，一旦发现注册率突然增加或者减少，可以第一时间找到核心原因，从而帮助下一次产品迭代。

3. 一个实际例子

某企业服务网站，有两个注册流，一个是每个步骤需要填的很少，但是有很多步骤；另外一个有极简的步骤，但是每一个页面里面需要填写更多的信息。产品经理想知道哪一个的转化率会更高？

假设这个SaaS产品有4个注册页面：

在确认完这个视觉上的虚拟注册流以后，下一步就是要衡量产品在每一步之间的转化率。 这里您需要使用数据分析产品，例如GrowingIO，或者谷歌分析Google Analytics，Mixpanel等精细化运营的工具，或者在自己的数据库里面建立这些指标。

在上表中可以判断哪一步用户衰减的最多，接下来就是如何减少这种衰减，比如说尽可能缩短整个的注册流程。

要了解模型如何发挥效用，让我们从注册流中删除第3个页面，把那些必须填写的信息放在第2个页面上面，改变之后它看起来是这样的：

接下来就要印证是否这样的调整可以提高注册的转化率：

第一步： 做出简化注册流程的草稿模型，继续完善报表来衡量每一步的转化。

这里最主要的改变是将原来需要两个页面填写完的信息变成了一个页面。模型中就有一个三个页面功能之间的跳转率，比如说将5.83%的注册率提高到8%左右 （一个30%左右的提升）。在执行前，需要迅速思考是否这个改变是值得的？是否还有更好的方法从而取得更大的改进？最重要的一点，是要做好准备用数据分析工具衡量实际的转化效果。

第二步：把这些设计上的改变通过工程师来实现。这里略去很多细节。

第三步：进行快速的数据分析。

1.1 通过观测数据结果来查看是否这次改动符合预期，是否提高了整体转化率。

1.2 对转化的漏斗进行拆解，在不同维度下进行分析，比如说我们把转化率用浏览器的维度分拆，看到了Chrome的转化率是12%，而IE的转化率是1.4％，相差接近十倍，然而IE的浏览量也很大，接近总量的20%。因此我们下一个优化目标，就是要看为什么IE产生的转化率低，找到原因集中修复。修复的结果我们预期IE的用户会有提升，从而进入下一个产品迭代循环。

1.3 不是所有的改动都是符合预期的，很多情况下会证明改动有问题，例如我们看到了转化率的降低，那么就要立刻取消这次改动。

产品迭代很重要的一点就是：从产品改动里获得重要的数据。这些数据来自于产品和用户，用于和你的预期进行比较。这会让你的产品直觉越来越熟练，而且很重要的一点，它不会浪费很多时间和资源就能验证一个产品改进的好坏。

数据驱动的最核心结论是帮助产品经理系统性的思考若干产品决策。同时能够迅速地验证一个个产品假设。虽然设计本身永远没有最好或者最坏，你也永远不会得到非黑即白的答案，但是相比基于情感和直觉（拍脑子）所产生的产品改动，数据驱动毫无疑问是更好的选择。因为增长就是一个系统性持续性的过程，一个科学和系统的方法将为持续的增长带来确定性和可衡量性，而可衡量性是产生持续性必要的条件。

很多互联网企业家在采购了数据分析产品以后，需要“立刻”看到效果。这是不现实的，因为数据驱动下的增长是每一天，每一星期，每一个月，每一年都要关注并且持续执行的工作。 只要持续的执行和优化，就一定能够看到几何倍数的效果。成功的硅谷互联网企业比如说Facebook，LinkedIn， Twitter，Airbnb，Uber以及国内的成功互联网企业都验证了这套框架的效果，你还要等待吗？