導讀 今天分享的主題是指標體系分析與增長實踐。火山引擎是位元組跳動旗下的雲服務平臺，把位元組發展過程中積累的一些經驗，透過增長方法、技術、工具和能力開放給外部企業，幫助企業在數字化轉型過程中實現持續增長。火山引擎包含的產品多種多樣，今天介紹的是兩個資料產品，一個是行為分析平臺（DataFidner），一個是 A/B 實驗平臺（DataTester）。
增長實際上是一個老生常談的話題了，大家都很熟悉，但在實踐過程中仍然有很多的疑問。比如指標體系應該怎麼搭建，如何透過資料分析找到關鍵瓶頸，找到之後又應該怎麼做等等。今天就是針對這些問題來進行分享。主要內容包括以下四大部分：
1. 構建指標體系 - 用一個實際案例說明如何搭建指標體系並找到瓶頸
2. 設計策略增長最佳化 - 找到之後如何做出針對性的最佳化策略的方法論
3. 指標增長思路 - 再次迴歸到客戶案例，驗證效果
4. 抖音集團案例實踐
分享嘉賓｜鮑文霞 火山引擎 資深資料分析師
編輯整理｜盧夢桃 巴斯大學
出品社群｜DataFun
做指標增長首先需要找到北極星指標，也就是唯一重要指標，指引全公司向同一個方向發展。在這個裡面我們有一個地方需要注意，就是北極星指標能夠體現產品給使用者提供的核心價值。這個指標變化是能夠代表你的產品不斷健康發展的。例如問答類社群的北極星指標就是問題回答數。像音樂類 APP，就是總聽歌時長，電商類可能就是總 GMV。找到北極星指標之後，如何利用它？這個時候就需要按照關聯因素再逐步拆解。我們日常講任何生意都能用簡單的數學模型來描述，包括活躍使用者數就可以拆成新增活躍和已有活躍，新增活躍又可以拆成訪客流量、新使用者啟用率，已有使用者可以拆成已有使用者和老使用者的留存率。這樣就非常具象化了，比如訪客流量就找市場部，新使用者啟用率除了跟市場部的流量質量有關係外，也和產品有關係，比如註冊流程是否夠簡單，新使用者引導是否夠清晰，又比如老使用者的留存率，可以找產品運營和使用者運營。所以指標的拆解，最終的目的是要把最重要的指標細化，變成一個個公式的因子，從而找到增長的方向和負責的部門。這些因子又有關聯的因素，比如訪客流量關聯到的因素就是推廣的曝光量、線索的轉化率、推廣的內容。所以指標拆解會讓你的增長有跡可尋。
以火山引擎服務過的一家企業為例，其商業模式是返現業務。它會把使用者導流到各大電商平臺或者是外賣平臺，如果使用者從它這裡跳轉到外賣平臺或者是電商平臺完成了下單之後，可以從這個 APP 拿到平臺那邊的返傭。以這樣的一個業務為例，GMV 就是他們的北極星指標。因為 GMV 越高，拿到的抽成越多，同時又因為它主要的業務板塊是外賣和電商，所以可以把 GMV 拆成外賣 GMV 加電商 GMV，外賣的 GMV 是外賣的付費使用者數乘以客單價。對外賣 GMV 再做一層拆解，付費使用者數可以分為新使用者、老使用者，新使用者消費可以拆成新使用者 UV，新使用者啟用率，老使用者消費拆成老使用者 UV、留存率，以及外賣抵達率和購買轉化率和客單價。當然也可以有其它的拆解思路。最關鍵的就是要把它拆成一個個關聯影響因子，這個因子能夠和日常的工作關聯起來，能夠把指標拆解到具體的業務方向上，才能夠知道一旦這個指標出了問題，要做什麼動作，才可能去最佳化這個指標。接下來就要去搭建指標體系。
要搭建指標體系，先要看現有的資料。通常來講，我們會透過這幾個角度來設計一個全盤的指標體系：① 基礎活躍：要了解使用者的基礎資料分佈情況，新老使用者的分佈，活躍情況等。② 使用者體驗：使用者對於流程的完成率，關鍵環節的轉化率等。③ 使用者運營：日常 APP 裡面的一些活動，比如優惠券的使用情況，用了之後的客單價是否提高了，用完了之後的復購率是否提高了。④ 商品營收：最終商品的銷售成果，首購、復購的情況，訂單目標是否完成等等。從以上這些方面，我們可以構建出一個完整的指標體系。構建完指標體系之後，我們需要設計埋點方，並用 SDK 上報採集這些資料。
以火山引擎的增長分析（DataFinder）為例，火山引擎的行為分析資料，產品的底層模型有一張事件表一張使用者表，事件表用來儲存使用者的事件，使用者來到我們的 APP 會發生使用者啟動瀏覽、購買等行為，我們把使用者的一種或者是一類行為抽象成一個個事件，同時在動作發生時用來描述這個事件資訊的，我們把它叫做事件的屬性。使用者表是儲存描述使用者本身的資訊，比如註冊時間、VIP 等級。透過這兩張表就可以完整的獲取到我們想要的指標，就可以描述出一個使用者在什麼時間、什麼地點，以什麼樣的形式做了一件什麼事。埋點方案的示例可以參考上圖右側。
資料方案設計完畢了，交給開發同學去埋點，並且做好了資料校驗上線之後，我們就可以在產品中配置對應的指標看板，這樣就可以一目瞭然的觀察資料的波動和異常。這裡可能會有一些問題，比如資料天天看每天都差不多怎麼辦？以及看出了異常，但是不知道怎麼做下一步的分析。
我們再回到最初構建的指標拆解模型。圖中資料已經做了脫敏，可以明顯地看到哪個指標有最佳化的空間，非常明顯是外賣業的抵達率，這就相當於總流量的不到 10%，所以很多流量白白浪費了，所以我們要針對這塊進行最佳化。另外，新使用者的啟用率 20%，也有很大的使用者空間。這一章節就來介紹非常核心的部分，指標設計、策略、增長最佳化。
《測出轉化率》一書中有一個非常經典的模型，叫做 Lift 模型，它是目前公認的 A/B 測試方案最科學的模型，也是應用最廣泛的模型。它提出策略迭代有 6 大原則：首先是價值主張，也就是給使用者提供什麼樣的價值；相關性和清晰度，指的是頁面呈現給使用者的資訊是否與價值主張相關，是否與使用者訴求相關，文案描述夠不夠清晰；注意力和焦慮感，指的是頁面有沒有過多的雜亂因素會分散使用者的注意力，是否有讓使用者做一些行動，比如填寫身份證號碼等，引起使用者的焦慮感，導致他的跳出或者流失；緊急度，就是要營造出一種機不可失的感覺。
最終我們的目的就是讓使用者對我們的產品產生行動力，不管是讓使用者註冊、點選、瀏覽、收藏、分享還是付費，都是要讓使用者去行動。使用者的動力就等於他在頁面感知到的好處，減去感知到的成本。比如上文提到的外賣返現業務，著陸頁投放的核心主旨是新使用者註冊就可以領 99 元無門檻優惠券，在這個場景裡，使用者感知到的好處就是 99 塊無門檻優惠券，需要付出的成本就是輸入手機號並且輸入驗證碼，然後註冊成為使用者。E 乘以 F 的冪次方，指的是展現的資訊，與使用者進來這個頁面時候的預期是否相吻合。比如我進來的時候，透過前一個頁面進來的時候我想看到的就是無門檻優惠券，但進來之後有很多繁雜的規則，那麼就不符合我的預期，這時就可能起了一些反作用。所以當呈現給使用者的資訊越符合使用者的預期，並且資訊的聚焦度越高，那麼使用者的行動力就會越強。
相關性，就是確保頁面的內容和使用者希望看到的內容相關，也就是你的價值主張是否與使用者訴求密切相關。一個很好的案例就是這個公司的定期投資的功能。上圖中列出了專案初始版的文案，以及最佳化版的文案。我們可以很明顯地看到，初始版的文案實際上跟使用者幾乎是沒有什麼關聯性的。最佳化迭代後的文案把好處和成本描述得非常清晰，使用者就會很明顯的感知到我需要付出的成本，以及它能給我帶來的好處是否划算。
清晰度是最容易出最佳化文案的，改一個文案，改一個圖片，改一個圖示，改一個按鈕的顏色非常的簡單，可能帶來意想不到的效果。另外需要注意的一點是，文案不要有歧義，要做到真誠、清晰地表達，減少使用者的認知成本。
注意力，這裡指的是單頁面的元素數量與設計排列的權衡。如果要更加簡單，那麼資訊應該是非常聚焦的。相反，如果一個頁面進來全部都是五花八門的圖片，或者是很多突出的亮點、按鈕，那麼使用者可能根本分不清你的重點是什麼，也不知道該怎樣去做出行動。
一方面，不得不說某些情況下焦慮感確實促進轉化，比如商家常常販賣焦慮，容貌焦慮、財富焦慮等等。但另一方面，販賣焦慮也很容易引起反感，反而形成一些負面作用。比如當你的產品給使用者一種不可靠的感覺，或者是本身產品功能缺失，或者是讓使用者填寫一些敏感資訊的時候，使用者可能就會選擇放棄。
關於緊急度，有兩個部分，一部分是外部驅動，還有一部分是內部驅動。外部驅動其實是營造與使用者相關的緊急氛圍，比如限量、限購其實就是塑造一種緊急度。另外一種就是內部驅動，確實是緊急需要的，是剛需。總結一句話，我們要遵循行動力公式的基本原則，貫徹落實相關性、清晰度、注意力、焦慮感以及緊急度 5 大方針，持續地去做實驗的迭代和最佳化。再回到第一個章節中的例子，來看一下指標增長的思路。1. 針對外賣頁抵達率 7% 的瓶頸，我們能做什麼
針對外賣頁抵達率 7% 的瓶頸，我們在火山引擎 A/B 測試（DataTester）中開了 3 個實驗，第一個實驗是針對入口，去提供更加醒目的外賣頁的入口 tab，原版本的入口 tab 是餓了麼和美團外賣的圖示，只有圖示沒有文字。最佳化後的版本，一個是以紅包的形式，加文案“外賣返現”，二是加 1 個漢堡加可樂，加上點外賣的文案。透過這樣的調整來提高外賣 tab 的點選率，從而提升外賣頁抵達率。
第二個實驗是，透過前面的資料分析發現，絕大部分使用者透過紅包去完成下單。前文中提到過使用者領的紅包到底有沒有用，絕大部分使用者可能在有紅包的時候下單的動力更強，所以說明大家對紅包很在意。所以針對外賣的承接頁和返現頁分別設計了最佳化方案，用 A/B 測試來找最佳版本。我們先看這個承接頁，你看它一開始的時候其實是 3 個圖片，大塊的圖片，它的配圖文案以及按鈕都不太清晰。第三個實驗是，在原始版本里面紅包的體現並不是特別突出，所以這裡突出我們的價值主張，強調紅包的存在。以上就是針對外賣頁抵達率低而提出的三個最佳化方案。
上圖是火山引擎 A/B 測試產品給出的一個實驗結果。
這並不是需要大團隊才能做的工作，其實只要 3~5 個人就可以了。而且如果成熟度比較高的產品，像火山引擎的 A/B 測試這樣的產品，會非常高效。
最後總結一下我們的整個體系。首先我們會去搭建一個小的增長團隊，也就是虛擬小組，比如產品、資料分析開發就可以了。之後，同步一下增長駭客的認知，我們整理出北極星指標，指標差異拆解完之後，透過資料看板去比對增長瓶頸到底在哪裡，哪個指標是現階段最緊迫要提升、要最佳化的。聚焦這一領域去做 A/B 測試，定期去做實驗資料分析，然後去設計更多的實驗方案。
可以定期去做增長的覆盤會議，並且去做持續的最佳化方案。當某一個階段之後，之前的聚焦領域再去提升的收益已經不大的時候，就可以換一個方向、換一個聚焦點，去做增長的迴圈，這個就是整個增長的流程。抖音集團案例實踐
抖音集團的案例實踐其實還是延續前文中的方法策略，先做指標拆解，找到瓶頸，再去設計策略最佳化，去做一些最佳化迭代的方案，再去觀察資料效果，這樣去不斷迴圈。
第一個案例是懂車帝，他希望能夠提升短影片的播放量，實現整體使用者的促活。我們把播放量拆成了播放人數和人均播放次數。播放人數可以按照不同的入口拆解，最終找到的瓶頸是首頁推薦流量非常大，但是播放量比較低。我們也參考了同類競品，加入了組卡形式。然後發現整個的提升效果非常明顯。人均播放次數這邊是按照不同的模組去拆解，用所有模組的播放次數加起來，發現新使用者下滑 feed 流模組的人均播放次數最低。我們就猜想根據前期的驗證，加入新引導提示可能會有比較大的提升。上面兩個產品的策略，都透過火山引擎 A/B 測試來驗證過，策略上線後最終播放量提升了 300%，實驗效果非常明顯。
懂車帝的第二個實驗，希望在不影響未登入使用者的情況下提升登入率。轉化漏斗的定位問題是觸發登入率過低，需要給未登入的使用者增加登入引導。增加了登入引導之後，透過路徑圖可以看到，使用者沒有按照我們既定給他設計的產品路徑走，透過這個使用者路徑我們就可以找到是加入登入引導，可能會對實驗流程更好。所以這個時候就採取 A/B 實驗，在每個入口嘗試不同的引導方式，最終實驗出來一個最佳的方案，登入率提升將近 10%，這也是一個非常可觀的提升。
再來看抖音的案例，也是希望提升登入率，登入率又按照不同的使用者群體去拆分，發現中老年群體的登入率低於大盤，所以這個時候需要對這塊做一個整體最佳化。根據中老年群體的登入率，我們又找到了其登入轉化漏斗發現最大的流失環節是在同一隱私條例這塊。與其他的產品對比，也發現它的提醒沒有那麼直接，所以我們在這裡去嘗試對未點選同意條例直接提交使用者，進行一個彈窗非常明顯的提示，這個提示就是增加清晰度，經驗證是有效的。結果就是大盤整體提升 0.5%，雖然只是 0.5%，但是因為抖音的體量是非常大的，所以 0.5% 的資料使用者量已經是百萬級別的，所以效果也是非常明顯的。3. 總結
總結一下，先構建指標的增長體系，再找到瓶頸，然後再去設計增長策略、迭代方案，再透過 A/B 實驗找到最佳的那個效果，不斷迴圈。
來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/70027824/viewspace-2942070/，如需轉載，請註明出處，否則將追究法律責任。