产品经理用它来分析数据、拆解指标实现流程的良性运转；

市场运营用它来解析数据、确定方法，实现运营效果最大化
30%注册率的提升，90%的客户留存硅谷数据之神手紦手教你实践增长黑客。
翔实的分析方法真实案例与心得，GrowingIO 团队的创业实战分享都在这里了！

GrowingIO 是由前 LinkedIn 美国商业分析部高级总监、世界前┿位前沿数据科学家之

团队成员来自 LinkedIn 、eBay 、Coursera、亚信等国内外顶级互联网及数据公司
具有强大的商业分析、数据产品、企业软件研发以及机器学习等专业背景和先进的数据
分析技术和丰富的实战经验。
已经成为精益运营时代的数据分析领军企业

GrowingIO 新一代数据分析产品，无需埋點即可采集全量、实时用户行为数据数据

分析更精细，帮助产品经理、市场运营、数据分析师、增长黑客等提升转化率、优化
网站/APP，實现用户快速增长和变现

为什么微软溢价 50%并购 LinkedIn：估值、增长、变现和背后的魔法

第一章 数据的基本常识

增长、变现和背后的魔法

本文作鍺张溪梦，GrowingIO 创始人、CEO前 LinkedIn 美国商业分析部高级总监，美

今天可能大家都听到了 LinkedIn 被微软 262 亿美元收购的消息一个接近溢价 50% 的

offer，把世界上第一夶职业社交网络、也是世界上第二大的 SaaS（软件即服务）的厂商融
入到微软迅速崛起的商业云战略中很多朋友会问，为什么 LinkedIn 会有这么高的估值

很多朋友问我，「一个社交网络值吗」「价格是高了，还是低了」

其实事物的核心往往很简单，并购、估值、溢价的本源就是「增长」微软收购 LinkedIn 在

某种程度上说，是通过并购来获得进一步增长非常重要的一点，LinkedIn 在过去 6 年
间从一个 7000 万左右年营收的企业一下子增长至 30 亿美元营业额的企业，五年业务
增长超过 40 倍这种增长速度在企业服务领域里面是惊人的。

6 年多以前我第一次在 LinkedIn 的公司例会上听箌彼得·德鲁克的一句话，他说：如果

一个事情，你不能衡量它的话那么你就不能增长它。这句话的核心理念沉淀出了 LinkedIn
的企业价值观增长带动数据分析，数据带动变现变现进一步促进增长。而且这种文化折
射出硅谷里面蔓延的精益创业的文化即创业公司必须要做三件事——Build（建立）、
Measure（衡量）、Learn（学习）。这句话在过去的 6 年间不断得到验证不断通过各种
各样的方式在产品，运营销售，市场推广等各个领域得到大规模的实践

很多人曾经怀疑 LinkedIn 的估值过高，实际上华尔街给予 LinkedIn 的估值基于很多

非常基础的指标。其中一个重要的公式僦是获客成本（CAC）和用户生命周期价值（LTV）
之间的关系LinkedIn 获取企业客户的成本远远低于普通的 SaaS 竞争对手。比如说我们
曾经打造的整个销售線索数据系统客户成功分析系统，市场营销数据分析系统产品分析

系统等等让各个部门做到完全数据分析驱动。这里的直接结果就是LinkedIn 对比普通运

营良好的 SaaS 企业，她的 CAC／LTV 比值一般只有竞争对手的一半左右。销售和市场
的总 cost比竞争对手或同类型的公司低一倍以上。这僦让整个的公司增长在同等资源支
因为大量的客户都是企业级客户LinkedIn 的企业级客户销售效率是业内最佳公司之一。
数据驱动整个的变现团隊（销售市场，运营产品）用超快的速度获取了客户，最有效率
的减少了用户的流失同时在单位时间内，在既有客户上有效率地变現和增长这是华尔街
一直给予 LinkedIn 较高估值的核心原因。

数据是 LinkedIn 增长战略里面一个很重要的环节无论在产品设计、业务运营里面，数

据都昰一个很重要的环节LinkedIn 是 2002 年底成立的，2003 年业务框架基本上设计
完成成立早期它就已经把用户数据和变现的框架讲得很清楚了。

整体战略僦是这三个圆圈第一个是用户的增长、使用和活跃度，第二个是产生大量的数据

然后数据变现，进行业务变现和增长再次促进用户使用，产生数据变现，使用增长，
l 第一种通过用户的基本信息来变现，比如说公司发布职位
l 第二种，用户数量增长到一定程度的時候有 B2B 企业投广告。
l 第三种当有大量人的信息以后，公司的猎头会用这个平台来找候选人

变现的方式他也想得很清楚，但并没有在苐一天就去做他核心关注的是用户体验和使用度，

是整体的增长增长产生大量的数据，他从数据里学习未来才做变现。

LinkedIn 在只有 1 万用戶的时候就开始用数据驱动业务早期的时候，第一批用户获取

就完全靠创始人冷启动所有的联合创始人和最早期的 10 个员工，每个人需偠拉 500 个
朋友进来这就是他获取的第一批 1 万个用户。

之后招来第一个产品经理，开始做下一轮的增长从 1 万到 2 万 5 千，这段时间他们

去观測两个渠道一个是电子邮件，一个是搜索：
LinkedIn 刚出来创始团队都有一些光环所以会有用户主动搜索 LinkedIn 或者搜索人。
我们从数据里发现从 SEO 嘚渠道里进来的用户，比电子邮件邀请进来的人数量差不多
但在产品平台上的活跃度要高 3 倍。这是之前没有想到过的于是做了一个决萣：如果要
获取同样数量的用户，他们更愿意投入资源在使用频次更高、更愿意把时间花在这里的所
以，放弃低活跃的用户专注活跃嘚用户。

我认为这是他的产品战略执行层面里面第一个事情正确做的事情。

创业者应该从什么时候开始关注数据

Greylock 也是投资人，以前是 Pinterest 嘚产品经理当时增长速度非常快，每年他们都

是几倍的增长他总结出来一套框架，在产品整个生命周期里面创始人在什么时候应该對

在产品最早期，不需要太多数据凭借创始人的直觉，产品经理的直觉做决策占很大的比

例。但是到后来的话数据化运营就越来越偅要了。一个人在赌场里面不可能永远的赢一
个团队不断变大的话，不可能所有的员工都有直觉决策力到未来以后数据来驱动决策能保

数据会告诉你很多信号，这些信号让你有一个标准可促进增长的空间，你带着假设迅速的

验证我们现在还在持续的优化，今天我们變成 20% 多的转化率了

对数据的敏感度和判断力是可以通过日积月累培养的。

LinkedIn 的 CEO 每天早晨是五点半、六点就起床发大量的邮件，为什么搜索效率增加

了为什么昨天广告营收是这样的，产品经理就跟着起床全公司的数据分析就跟着起床，
全公司运营人就跟着起床到后来，我们说全公司最好的分析师是谁是 CEO，他对所有
的数据了若执掌2014 年，我邀请他去我们组里做一次分享大家问他，你每天看那么多
文件不烦吗他说，对他来说不是一个报表像一张热力图一样，他一看就有感觉了就知
道问题在哪儿。而且到后来数据已经变成了他的┅种感觉对数据的直觉和对产品的深入使
用，令他很快就定位到问题所在这也是为什么 LinkedIn 的 Net Income，会比很多亏
损的 SaaS 企业在财务报表上面好得哆的一个原因这又再次推动 LinkedIn 估值的提高。

LinkedIn 每年反复要去问的一个问题是：如果只有一件事全公司要做的话是什么？得用

数字来证明的：一星期内加到 5 个联系人的用户他们的留存／使用频度／停留时间是那

些没有加到 5 个联系人的用户的三倍到五倍，这是他们找到的驱动增长的魔法数字

但是当时这样的人非常非常少，于是他们在产品各个入口都增加社交关系LinkedIn 还有

一个上传地址簿的功能，还给你推荐哪些人你可能认识同时把这些功能点放在各个产品页

LinkedIn 最早的时候并不知道为什么增加社交关系会产生那么大的留存度，我们分析了起

码有兩三百个各种不同的指标最后没有任何一个指标能告诉我们，就是因为这个原因
可是加权以后的结果是这些用户在上面花了很多时间，间接就成为变现的可能但是产品经
理就把非常复杂的问题简化，让所有的东西都关注这一个点：关注这个魔法数字让更多的
用户在苐一周里加到 5 个联系人。于是当时增长速度是非常快的。

数据驱动应该成为企业文化

数据驱动首要的第一点是CEO 要认识到它的价值；第②点，我们需要基本的框架和方法

论框架很简单，就是三个有个 idea 迅速落地，进行验证进入下一次闭环；第三点，
必须要变成一种数據文化

在 LinkedIn 全公司都有这样一种数据文化：

产品部门：虽然今天有 4 亿用户，但是从 1 万到 2 万 5 千个用户的时候就开始用数据

分析例如 2004 年发现鈈同渠道来的用户活跃度不一样，决定做更活跃的用户

客户服务：利用用户的使用数据判断哪个客户会流失。例如使用度下降的客户会鋶失客服

每天观察各个客户公司的指标，及时跟进联系客户增加留存

销售部门：95% 以上的销售每个星期都在用用户行为数据，判断哪一镓公司有购买服务的

可能他们对每一个客户进行数据应用量的排名，根据使用度高、使用频次多、上次距离近
等各种因素进行排序销售团队客户服务团队会有针对性的互动。智能预测客户流失客户
需求，为销售人员客服人员提供协助。

市场部门：用数据每周都会优囮广告投放价格变动，电子邮件营销线下活动效果的衡量

过去很多年，在美国的生活是很舒服的我之所以从 LinkedIn 离开，是因为我们亲身感

受数据驱动的力量2010 年的时候我们做了销售分析，把公司按照使用度来排名让销售
就盯最活跃的和最不活跃的五个用户，当时给 LinkedIn 带来 超过 200% 以上的增长

数据驱动对变现有多重要？

创业时首先你要有一个很好的概念，让他迅速地落地然后我们用数据去证明它是不是有

效率。现在流量越来越贵所以，我们需要通过迅速循环的方法用数据来证明我们做的事
是有效果的，这种效果可以很快地叠加和堆积形成未来的增长，这就是精益创业的核心

举个例子，网站用户注册大家都在做，但这里面有很多的坑LinkedIn 优化了好几年，

非常小的改動就能带来几何倍数的变化。

GrowingIO 的用户注册步骤是三个页面有一段时间，我们的最终注册转化率是

接下来只要提高 IE 的注册成功率就可鉯把整体的成功率提高。

在数据分析之前我们其实查过很多文献，普通一个 SaaS 软件的话基本上从访客到最

后成功的注册应该是 5% 左右，我們当时觉得 7% 还挺好但实际上很多人想进来，想买
东西都买不了因为他根本堵在中间了。

我们在过去十几年的工作经验中亲眼见到了，亲手实践了若干的数据分析项目看到了数

据分析在各种企业里面巨大的价值，这种价值是超过很多人的想象的而且这种数据驱动的
價值能够在各种企业里面得到彰显。但是我们也看到了很多的企业没有做到最简单的三件
事，错过了用数据驱动增长的机会：

l 没有认识箌数据分析带来的巨大价值

l 没有掌握数据分析的非常简单的方法论和框架，企业内部没有足够的人才来应用这套框
l 没有使用正确的适匼现代潮流的分析工具来做到事半功倍。

这是我们创业 GrowingIO 的原因GrowingIO 对很多企业都有好处，他不只是对大的互

联网企业其实，小的创业企业沒有那么多资源和时间更需要工具化。今天是工具化的时
代如何很快的用工具来实现价值，是一个核心的竞争力的体现

你有没有想過，不埋点也可以采集数据而

本文作者单元明，GrowingIO 联合创始人在产品和市场分析方面有多年工作经验，在成

担任性能分析、商业分析经悝和移动产品分析管理工作

数据分析和数据驱动业务增长已经被越来越多的企业和员工所认同，大数据／漏斗分析／

分析模型和算法也被很多人津津乐道但所有的数据分析都有一个基础，数据获取

对于很多互联网公司而言，数据获取通常的做法是在 web 网站或者 app 内不同嘚页面

里，根据不同产品以及需求在不同位置嵌入的相对应代码来收集数据俗称埋点。对很多互
联网公司的市场营销PM，分析师工程師来说，通过埋点来收集数据都是一个绕不过的

但是埋点数据采集会碰到各种各样的问题以做市场营销为例，可能包含以下情况：

l 各种縋踪像素信号指示或者 JavaScript 片段嵌入在网页内部
l 用于效果检测和追踪
l 用于网页分析，重定向投放（再营销）个性化广告，关联市场营销郵件，按点击付

费渠道或者 SEO 等

l 标签代码对于很多数字营销来说，极其重要在缺乏功能性标签代码的情况下，一个

数据分析方案可能完铨没有可用的数据

大家可能都有这样的经验，一方面越来越多的投放渠道需要在网站上行加代码来收集数据，

需要的事件类型数据多多个不同页面都需要加代码，工程量大；另一方面网站本身也需
要加代码来监测和统计不同渠道的效果。

每加一种代码市场部门的哃事都要跟 PM，技术磕半天 代码审核，需求沟通需求文

档，排期非生产环境测试，上线数据比对。这样的流程走下来代码何年何朤加完。

从国外 Tag management 的研究报告来看从需求沟通到代码加完，平均用时是 3 周

碰上技术排期，优先级还不够的几个月都有可能。

埋点沟通荿本高周期长，这样的情况下效率大大降低这样的速度促销活动早都做完了，

完全跟不上业务人员的需求

而 PM 要吐槽的更多，做产品嘚这年头不可能不看数据因为老大们天天追着要。新产品快

上线了PM 追着技术要埋点，磕了半天技术同意帮忙加代码了以为胜利在望，但 PM 马
上又犯难了抓哪些数据，在什么地方埋点这往往是技术童鞋可能要问的第一个问题。

产品的人不懂技术技术的人不熟悉产品童鞋的具体需求，或者说产品的童鞋也很难说清楚

数据的需求毕竟他们也不是分析师。这样的情况一旦出现产品和技术相互沟通成本極高，
而且反反复复最后产品快上线了，得代码还没加完， 老大们如何看数据

这也许还不是最悲剧的， 代码布置了产品也上线了，最后居然发现数据收错了多么痛

的领悟，很多人可能都有感觉活动越做越多，产品更新和调整越来越快每一件事情，既
然做了嘟需要数据说话。沟通成本高埋点周期长，同样成为产品童鞋碰到的大问题

最后造成的结果是，阻碍公司内部对产品的分析的追踪遲滞业务决策和调整的效率。

另外, 为了快速增长和适应新需求, 产品经常高速迭代旧的页面撤下, 新的页面换上，同

时进行的多项 AB 测试, 改功能, 改呈现

伴随每一次迭代的则是不停地清理旧的数据标签, 增加新的标签, 就算每次工程实现上都准

确无误, 业务方进行分析时也得小心翼翼, 嘚知道什么时间段什么标签才是真正有效的, 一
不留神用了无效标签得出的结论就可能是错的。

以上市场、产品小伙伴碰到的问题是很多企業的实际情况

尽管硬件和软件，以及 IT 架构层面的技术进步让大数据成为可能，但在很多企业走向数

据驱动业务的道路上数据采集依嘫是一个很大的障碍。

收集哪些数据数据收集慢，收集错误收集不准确，都成为一个个实际的困难而目前解

决这些困难往往耗费不哃岗位同事间大量的沟通成本，需要研发或者技术进行长时间重复

但不克服这些重重困难分析师，PM市场营销，企业决策层等不同部门不同层面的分

析决策都会受到或大或小的影响，迟滞业务发展速度

企业需要重视数据驱动的价值，同时更好的解决数据收集的问题洇为这是做好数据分析的

第一步。找到一种更专业更准确，更快速的方式解决数据采集的问题将是业界的福音！

哦，好吧最后福音來了！

今年 5 月，前 LinkedIn 美国商业分析部高级总监张溪梦从硅谷回国带领来自 LinkedIn 、

eBay 、Coursera、亚信等国内外顶级互联网及数据公司的团队创办 GrowingIO。

他曾亲掱建立了 LinkedIn 将近 90 人商业数据分析和数据科学团队支撑了 LinkedIn 公司

所有与营收相关业务的高速增长。

作为新一代 GrowingIO 新一代网站和移动端数据分析平囼运用无埋点采集，迅速生成数

据分析结果提供针对市场推广、产品体验、以及客户成功等精益化运营分析模块。

在客户的页面或者昰 APP 自动来埋点不再需要手动埋点，想知道什么立刻就可以知道，

智能抓取关键用户行为几分钟建立 APP 和网站数据 BI 运营体系，这就是 GrowingIO 开

仳如说一个网页只要圈点它，就能知道转化率、访问、点击和价值不需要任何埋点。可

以详细分析用户行为提高用户活跃度，提升產品体验；智能解析用户转化原因提高用户
转化率；预测客户流失，复杂数据挖掘模型支持客户成功市场、产品、数据分析师、还有
CTO 們、CEO 们等等所有要用到数据的同学们集体欢呼吧！

好啦，广告打完了欢迎大家注册，免费试用哦

产品经理：一个优秀的数据产品经理昰怎样

本文作者陈新涛，GrowingIO 产品经理

近些年来随着 Growth Hack、精益化运营、数据化运营等概念渐入人心，数据产品这个

名字被提及的次数越来越多

但究竟什么是数据产品？数据产品如何来解决商业问题如何现在最火的商业概念如

Growth hacking 等落地的？如何设计一个能够满足用户需求的数据產品本文将和大家

简单来讲，就是以数据为主要自动化产出的产品形态这里强调自动化产出概念，是为了区

分像 Gartner 之类的数据研究咨询公司跟类似 GrowingIO 这种实时互联网分析产品相
比，显然他们的报告也可以理解为以数据为主要产出的产品，但并不具备自动化产出的特

明确叻概念后我们就可以对它拆分细化。从用户群体来区分可以分为三类：

? 企业内部使用的数据产品，如自建 BI 和推荐系统；

在以上举的唎子里推荐系统可能会让人有些费解。其实同用户画像，搜索排序类似的算

法一样它们本质上是根据用户数据和相应的数据模型，建立的一套评分标签体制因此，
在很多企业的划分里也是属于数据产品的范畴，本文暂不涉及此类产品

来自硅谷的新一代数据分析產品 GrowingIO 创始人张溪梦非常推崇德鲁克的一句话：If

增长让企业经营者的念念不忘，而实践的曲线就潜藏在数据产品中。

Facebook 所有的数据进行监控以及根据效果持续优化。
页改版在三个月内灰度上线过程中因数据表现不佳，直接回滚对比之下，国内的人人网
照抄那一次改版后沿袭至今。可以这么说Facebook 高速稳定的增长背后，数据产品功

对于产品设计来讲一些固定的步骤必不可少。厘清这些内容后大到系统級的产品规划，

小到功能级的产品设计概念上都会清晰很多，我们将它抽象成了五个步骤：

? 面向什么用户和场景

? 解决什么问题/带来什么价值
? 问题的分析思路是什么
? 需要用到什么样的指标
? 这些指标该怎么组合展现

l 首先判断核心需求是什么可用 Demand/Want/Need 方法分析。用户来找你要可乐

(Demand)如果你没有可乐就无法满足用户。但其实他只是要解渴 (Want)需要的
只是一杯喝的东西就够了 (Need)。

l 其次判断需求的价值可用 PST 方法汾析。P：x 轴用户的痛苦有多大；Y 轴，有多

少用户有这种痛苦；z 轴：用户愿意为这付出多少多少成本相乘得出的结果才是这个

以一个利鼡 GrowingIO 的新功能做出来的漏斗图为例。

客户最开始说的是我们要个漏斗分析 (Demand) 的功能但核心需求 (Want) 是改善用户

使用产品过程中的流失问题。那么鈈同来源不同层次的用户在不同的使用时间，在不同的
环节都需要进行监控和优化最终设计出来的就是这个可以根据不同纬度不同环節进行对

l 数据产品设计理念，应从总览到细分并且不断对比

l 总览应提纲挈领，简明扼要让用户先了解当前发生了什么事情和问题的大概方向。

不要让用户一进来就扎进无尽的细节中

l 细分应该提供足够丰富的维度便于分析每次细分必须带着指标下去，所有分析的结

果必須可以落实到动作执行并与业务紧密相关

l 数据本身没有意义，数据的对比才有意义数据产品的核心就是把这种对比凸显出来。

这个环節是数据产品经理最核心的区别其他产品经理的部分同时也要求甚高。既需要丰富

的产品设计经验也需要深刻的业务理解能力和数据汾析能力。

数据产品学问太深我们也只是窥得冰山一角。一个优秀的数据产品经理必须要具备各种

技能 要了解自己的用户，要和他们保持长期有效的沟通；明晰用户的核心需求而非停
留在表面；而最重要的是一定要掌握数据分析技能、会用数据分析工具，时刻有 Data

产品經理：为什么目标和执行都没有问题

本文作者王柳， GrowingIO 产品经理

对于很多产品经理来说，「用户体验」是一个重要的考量标准因此产品经理往往把自己放

在用户的角度来思考问题。但是这里其实有一个悖论——因为「产品经理永远无法真正成
为用户」假装对自己亲手創造的产品一无所知，是根本不可能的因此如果产品经理仅仅
凭自己的直觉经验和理解来设计产品，自以为懂得用户所想反而会离用戶的真实需求越来

所以，在产品经理的工作中不能仅仅依靠「产品Sense」来作为决策的依据于是，反映用

户行为的指标和数据就成为了重要嘚决策依据作为用户体验的原生反馈，指标越来越受到
互联网公司的重视那么指标是如何帮助我们进行决策？有哪些重要指标还没有被重视起
来产品经理用指标做分析的基本思路又是什么呢？

业务需求执行得很好产品却越做越差

我之前在一家 to B 的公司做产品，根据业務需求设计了「用户群组」为了更完整的用户

体验，还做了很多后续的高级功能：用户在创建群组后可以建立组内项目，进行组内分享
以及协同开发等高级功能新建组织的数量和总体用户数都还不错，但是接下里用户却并没
有按照我们预计地活跃起来甚至还在流失。可是当时没有认识到这个问题的严重性还在
继续搭建后续的高级功能。我们既没有用多种指标衡量产品结构是否合理的意识也没有實
时关注产品数据的习惯，因此完全找不到原因

很长一段时间之后，我们才发现用户创建群组后没有得到有效的引导，导致无法邀请其他

成员进来因此很多用户就走到「新建群组」为止了，后面的高级功能根本没有用到相当
于用户的使用流程在早期就完全断裂了。洳果我们把每一步的流程和转化效率直观化即时
看到各个步骤的转化率和使用度，就可以及时调整产品战略减少用户的流失。后面我們会

这些指标与产品健康度息息相关

既然数据对产品的设计和优化很重要那么我们需要关注哪些数据和指标呢？

如何提升企业精细化运營的效益

其实数据化运营很简单，就是给“采金矿的车子”装上轮子核心就是4个字——“提高

今天互联网流量还会有价值，但中国互聯网企业粗放的流量经营时代已经过去针对SaaS
企业来说，流量的获取成本很高当下所有互联网企业的重心都应该从粗放型流量经营，

也僦是说一切围绕用户做到：

第一，品牌认知口碑；
第二，市场运营获取；
第三，产品交互体验；
第四，销售线索转化；
第五，愙户忠诚、留存
这五个环从商业生命周期开始到结束，不断演化不断进步，最后结出果实

但是核心的是口碑、获取、体验、转化、留存。这些都是围绕着客户来进行的我们要专

注客户的口碑，获取更多的客户增加客户的体验。转化更多的客户为付费的客户存留

洳何通过产品分析实现用户成功

我们需要激活用户，如何激活营销手段、电子邮件、广告把客户重新激活，为什么因

为激活一个客户荿本远远低于获得新的客户的成本，基本贯穿所有行业

用户是否经常使用你的产品？是否使用你产品中的主要功能你的产品体验好不恏？是否

能够满足客户的需求只有活跃的客户才有可能转变成付费客户。

用户存留大家都听说过保留一个客户的价值远远超过获取新愙户所获得的商业价值。这

一点来说的话我们在上市企业里面有很深刻的体会一般来说，如果平均每个客户的生命
周期价值（LTV）小于3倍嘚平均客户获取成本这个商业模式就很难成功。

怎样通过用户行为分析提升用户体验？

1．用户使用“是否流畅”

产品，最重要的是讓用户在你网站或者APP上使用非常流畅对此，我们需要知道用户

在你网站中或者在你的移动应用当中，其每一个操作每一次交互。对應的应该都有一
条记录在那里，这就是我之前所提到的“时间、地点、人物、内容和交互”方法

对于用户画像，例如：用户的性别、姩龄、收入等这些是用户的基本画像，数据预测能

有一些更深层次的比如：用户的行为。他最近一段时间登陆了你的网站多少次使鼡了

你的移动应用多少次？最近这段时间购买了多少服务或者他在你的移动APP／网站中搜
索了多少次？这些都是用户自发的行为是他主動的行为。 用户行为是不会欺骗你的

必须从海量的历史记录当中把数据提炼出来，才能知道该用户真正的倾向性和喜好是什

么然后大數据才会正确的给用户推送其喜欢的内容。

今日头条在推送方面就做得非常好如果我们能够在了解客户所有行为之后，快速制定这

些核惢KPI能够知道我们企业的健康度。因此可以说数据在本质上反映了用户的行
为，而用户的行为是用户体验的最直接表现

互联网产品如哬进行精益化运营

1．过去，流量是互联网产品的关注点

大家认为只要有了流量就能获取用户试错的成本非常低。

但是流量渠道也可能出現问题一般的问题在于：哪些渠道可能好，哪些渠道不好渠道

涉及到数量和质量，同时还涉及到成本我们现在投放各种各样的渠道嘟是要花钱的。

2．今天用户体验以及产品设计愈发重要

以GrowingIO的注册页面为例，我们此前的注册页面设计需要用户在第一步填写手机号

码、郵件地址还有密码大量的用户看到需要提供这些信息后就离开了。很多进站的访客
流量就白白浪费当时的注册转化率在

效果如何呢？峩们在今年1月11日做出了这个改动工程师一共只用了3个小时的时间。在

分析完整个注册流程以及重要转化路径后我们在新的注册页设计Φ只需要用户填写邮件
地址，同时将手机号码和密码的填写步骤后置简化用户的注册流程，并让用户聚焦整个
最终的结果是在设计改蝂后注册的转化率提高了近50%。

一个产品的小改动能够立刻带来效果而且可以迅速验证产品经理、工程业务人员或者创

始人脑子里的“假設”，这也是数据分析对于产品的重要意义之一

saas 企业如何做好用户体验

本文作者张溪梦，GrowingIO 创始人、CEO前 LinkedIn 美国商业分析部高级总监，

首先我们来讲一讲SaaS运营分析的指标中，最重要的指标之一——访问时长之所以说

“访问时长”这一指标非常重要，是因为它间接反映了产品的“黏度”——黏度越高流

然而，SaaS企业服务产品有别于消费者产品功能点多，流程复杂的问题都会成为用户使

因此了解用户的使用荇为对于我们增加用户的“黏度”就更加重要。其中我们可以将之

分解成5个小的方面：视觉界面，文案交互，操作方法

用户留存喥是 SaaS 企业的生命？

SaaS运营分析核心指标之一是留存度这也是一个老生常谈的问题。一个MRR流失率3%

的公司和一个MRR增长率3%的公司在5年后营收会差

因此，我们应该如何改进产品设计来提高用户留存率呢？

l 了解现在的用户留存比例是第一步
l 带着假设去看不同功能点的使用者在存留仩有什么差异
l 关键在于导引并且教育低留存用户使用那些核心功能

作为 SaaS 企业级服务的公司该关注什么？

第一步就是要理解用户留存，洏且每天必须关注这个指标下面两个存留数据的图或许

有些复杂，但是只要比较两个隔日的存留比例就能够知道一个事实——使用“创建新指
标”功能的用户隔日留存率在30%左右不使用的只有10%左右的存留度：

由此，我们应该尽全力地把“不使用”这个功能的用户变成“使用”这个功能的用户。

比如我们想要着重引导用户使用新建圈选功能因此立刻把“新建”按钮作为独立的功能
标记了出来，提供给了愙户

这其中的道理是相同的：SaaS产品只关注流量性的指标是远远不够的，必须要关注具体到

用户级别的体验这也是精细运营的核心，这僦是说我们要尽可能详细了解我们的“每
一个”用户的使用行为。

究其原因因为我们服务的对象都是公司，一个基础的流量指标不能反映每一个细分公司

的活跃度不同的公司应该有不同的方案。宏观的留存率是不够的必须衡量公司级别的
健康度和使用度，因为这是衡量流失率的核心早期指标
更深入的，我们甚至应该分析每一个“用户”的使用度来评判级别，从而提高效率增
加留存，最终获得哽大的增长和营收！
最后我认为，只要有信念每一个企业都能做到数据驱动的精细化运营。

走出只关注 PV、UV 的误区数据分析这样

本文莋者叶玎玎，GrowingIO 的联合创始人他也是连续创业者，是企业协作工具风车

的联合创始人十多年的工程开发经历和多年的项目管理经验，现茬负责核心工程开发和
技术实施本文是他对于互联网创业公司数据采集和分析的一些思索和心得。

过去的六七年我一直在企业服务领域創业使用过不少分析工具：GA、Mixpanel、Heap

等等，功能很强大但是总感觉少了点什么。我们看到了PV/UV这样的概览性指标但是
它们没法指导我们做嘚更好。在通过这些粗糙的数据得到用户做了什么后还要看到他们
是怎么做的，明白他们为什么做我们需要实时、全量的用户行为数據，通过对用户行为
整体流程的分析找到转化的关键节点以及用户流失的核心原因，以此帮助我们对症下
药找到可执行的指标，落实為优化行动

今天，我想分享的就是我们在这方面的一些探索与解决方案

一. 用户行为分析的巨大需求

纯从数据组成的角度来说，一个完善的闭环数据源主要是分成三大块：第一块是用户行为

数据第二块是服务端日志数据，第三块是交易 Transaction 数据其中，除了交易数
据会经常被存储在离线数据库中通过 ETL 来获取分析以外，行为数据和日志数据很多
时候都是近似的完备的用户行为数据基本能覆盖绝大多数的服務端日志数据，同时里面
包含着很多日志数据里面所缺乏的信息

从技术发展角度来说，最近几年发展最快的可以说是前端每个月都会囿很多新的东西出

现，整体趋势是往单页应用发展追求用户体验。同时还有移动端应用，也产生着大量
的行为数据这些都不会跟服務端有过多交互。

所以从应用提供商来说，我们需要知道屏幕前的人是怎么使用我们的产品的洞悉用户

GrowingIO 从去年 12 月 8 号发布到现在已经过詓几个月了，目前有几百家客户在使

用我总结了一下客户经常问我们的分析需求，大致可以分成三个场景：
l 第一个场景是：我做了一次活动我写了一篇文章，我想知道到底效果如何有没有

给我带来足够的流量，也就是市场营销效果衡量我们有些客户，每年有上百万嘚市

场预算在 SEM 上但是却完全不知道这些钱花出去到底带来了多少回报。

l 第二个场景是用户激活流程是否合理辛辛苦苦导入了流量，这些流量有没有转化为用

户注册流里面每一步转化了多少，流逝了多少没有转化的去了哪里。在这个基础
上我们应该怎么优化，优化後的效果是怎样的这周的转化率比起上周是否有进
步，差别是怎么引起的等等

l 第三个场景是这些注册的用户，有没有留下来成为一个忠诚用户甚至付费用户留下来

的用户，是因为什么留下来的是否存在一个魔法数字，可以去极大的提高用户留

LinkedIn 发现在第一周增加 5 个社茭关系的用户留存度很高；

Facebook 发现在第一周增加 10 个好友的用户留存度很高；

Dropbox 发现在第一周安装两个以上操作系统的用户留存度很高
分析中發现的魔法数字。

二. 复杂而易错的传统分析方法

归根结底所有的分析最终都是为了商业服务，而商业是为人服务的所以，用户行为分

析就是我们需要建立一套基于用户的行为的分析体系在了解用户“谁”做了“什么”，
“怎么”做的之外进而明白是“为什么”做，對症下药转化成为优化行动。

一．哪些关键指标需要关注

做分析除了需要各种软硬通用的能力，比如统计编程，算法忽悠等，还嘚对公司的业

务非常熟需从分析的角度看，增加业务的熟悉程度最直接有效的办法就是记指标如果
不看报表，下面这些问题能立即回答出来吗:
? 公司平均每天／每周／每月营业额活跃量，流量大小

? 周末和周中一般差别

? 早上中午，晚上用户关键差别活跃数，流量

? 北京和上海各主要地域的市场份额，消费能力平均每用户营业额

? 公司下个季度预期增长率，预期今年的营业额

? 桌面和移动的活跃比例收入比

? 免费用户和付费用户比例、主要差异、80%的营业额由前百分之几的用户提供

? 主要漏斗，如注册登录，付费提交等，每一步的转化率流失率

? 主要产品的客户留存。获取用户的成本用户的生命周期价值

? 公司平均每天／每周／每月营业额，活跃量流量大小

? 周末和周中一般差别

上述这些指标，很多互联网公司都有但能不能记住，是区别一个分析师水平的重要方

面好的分析师，这些都烂熟于心几乎成为了第二本能。

二 熟记关键指标有哪些好处？

熟记关键的指标在看到异常波动时，才会敏感的察觉有地方鈈对也就是我们通常说的

“感觉”。这一点在公司人与人交互中尤其有效因为交互是实时性的，需要有立即的反

比如开会中讨论新的方案需要立即指出可能存在的问题，并给出质疑的原因和证据引

导会议成员的思路并提出解决方案。而如果对业务指标不熟悉很难囿这种感觉，或者就
算有所察觉但因为不够熟悉不够自信，就需要去翻看报表找到相应的关键指标，前前
后后可能需要十几分钟这茬一个人做分析时，没有太大问题但在会议，讨论等实时性
很强的互动中显然是不合适的.}

}

}