0
| 本文作者： 張溪夢 | 2016-08-24 16:56 |
雷鋒網(wǎng)按：本文作者曾少勤，GrowingIO商務(wù)分析師。
本文將和大家分享轉(zhuǎn)化分析的必要性和重要性、運營和產(chǎn)品如何做轉(zhuǎn)化分析、如何拆解轉(zhuǎn)化步驟、用戶轉(zhuǎn)化中流失的四大原因和對應(yīng)方案。
| 為什么要做轉(zhuǎn)化分析？
對于一款產(chǎn)品來說，如何讓用戶更好地轉(zhuǎn)化，是用戶能否留存下來產(chǎn)生價值的關(guān)鍵因素。
對于運營來說，廣開源路尋找目標(biāo)用戶，甚至還要選擇一些付費渠道（如下圖）進行投放，以獲得更好的效果。這里就要我們來評估衡量渠道帶量的效果，不僅要知道數(shù)量，還要知道質(zhì)量；否則就會產(chǎn)生為什么每天都有用戶增長但效益還是不好的問題。
不同渠道來的用戶質(zhì)量不同，也會影響到他們在產(chǎn)品內(nèi)的轉(zhuǎn)化，這時產(chǎn)品經(jīng)理就要思考了，除此之外，也要想怎樣讓用戶更好地使用我的產(chǎn)品，更好地提高產(chǎn)品轉(zhuǎn)化。這里會遇到很多實際問題，比如說：
為啥運營天天在導(dǎo)流，但產(chǎn)品的用戶量還是上不去？
怎樣讓產(chǎn)品轉(zhuǎn)化（服務(wù)/產(chǎn)品購買）更好？
這個新功能上線效果怎么樣？
兩個產(chǎn)品方案，哪個好？
因此，轉(zhuǎn)化的效果是和每一個運營和產(chǎn)品經(jīng)理息息相關(guān)的，我們做的很多事情，歸根結(jié)底都是為了獲得更好的產(chǎn)品轉(zhuǎn)化。但是，轉(zhuǎn)化不是一個一步到位的事情，每個環(huán)節(jié)的優(yōu)化都可能帶來更好的結(jié)果。
以交易類產(chǎn)品流程的用戶行為為例：流量從各個渠道過來，到達我們的落地頁，感興趣的用戶開始瀏覽頁面，甚至開始走購買流程，直到最后購買成功，在這個過程中，市場、產(chǎn)品經(jīng)理和運營要充分利用工具獲得更好的轉(zhuǎn)化。
接下來我們就按照轉(zhuǎn)化的流程進行拆解：首先，保證流量的來源是好的，如果流量的來源是有問題的，就很難轉(zhuǎn)化下去,比如來的用戶根本不是目標(biāo)用戶，我們看到用戶來了，但是他轉(zhuǎn)化不下去。其次保證用戶在產(chǎn)品內(nèi)的轉(zhuǎn)化流暢，不因為模塊設(shè)置、BUG等問題無法繼續(xù)下去，成為流失用戶。
在最開始衡量渠道導(dǎo)流能力的時候，我們可能更多看的是流量的數(shù)量。接下來我們可以看到更多的數(shù)據(jù)指標(biāo)，包括跳出率，停留時長，瀏覽頁面來衡量流量的情況。但是，這些指標(biāo)都是輔助性指標(biāo)，可能一個渠道的跳出率并不低，但是你不能保證這個渠道的轉(zhuǎn)化一定是好的。所以，我們需要將流量來源與轉(zhuǎn)化數(shù)據(jù)關(guān)聯(lián)在一起，這是精細(xì)化運營的基礎(chǔ)。
1.渠道轉(zhuǎn)化分析
這里的轉(zhuǎn)化可以是產(chǎn)品轉(zhuǎn)化，比如注冊，也可以是下單支付成功，還可以是用來判斷分析渠道質(zhì)量的一些用戶行為：收藏了商品、點贊、查看了評論等等。用戶在產(chǎn)品內(nèi)的行為越多，轉(zhuǎn)化越多，就越可能留存下來。這時，我們就需要一些數(shù)據(jù)來進行評估。
2.區(qū)分惡意流量
渠道流量的監(jiān)控過程中，還會涉及到運營深惡痛絕的惡意流量，怎樣將劣質(zhì)流量和優(yōu)質(zhì)流量區(qū)分開來，因為惡意流量總會有一些特征，比如某一部分人在一個時間里集中訪問、硬件設(shè)備比較固定、使用特定的瀏覽器等等。
去年有一些 APP 商通過分析數(shù)據(jù)發(fā)現(xiàn)，如果某個渠道出現(xiàn)了一批大量 iPhone5C 的訪問用戶，可能就有問題了，因為為了更加以假亂真，有的刷量商會用真機刷量作弊，但是考慮到成本，就多選擇了相對廉價的 iPhone5C，以至于這個機型出現(xiàn)的頻率就變得很高。惡意流量總是有跡可循的，這時我們應(yīng)該怎樣排查？
下面這張圖是各個渠道轉(zhuǎn)化的情況，渠道3 第一步的轉(zhuǎn)化效率很低，這時有可能會有問題。
我們把渠道3的用戶拿出來，用其他維度進行切分，比如按照地區(qū)、瀏覽器等進行區(qū)分，分別看不同瀏覽器的轉(zhuǎn)化情況時，發(fā)現(xiàn)了某個瀏覽器的轉(zhuǎn)化率也異常低。
找到可能有問題的瀏覽器后，我們做了瀏覽器版本的分布，發(fā)現(xiàn)這個渠道來的用戶使用的瀏覽器版本中，某些舊瀏覽器版本暴增。
第三步：通過時間維度進行確認(rèn)
正常的訪問時間應(yīng)該是M型的，上午和晚上會有兩個高峰時段，但是半夜是流量最低的時候，而渠道3用戶的訪問時間24小時不間斷，甚至在凌晨和半夜也很高，于是我們基本上可以鎖定這個渠道是有問題的了。
因此我們需要打通流量轉(zhuǎn)化數(shù)據(jù)，做渠道評估，用GrowingIO這樣的數(shù)據(jù)分析工具，去定位發(fā)現(xiàn)問題。
當(dāng)用戶通過各個渠道過來，進入到產(chǎn)品內(nèi)后，我們就開始拆解產(chǎn)品內(nèi)的轉(zhuǎn)化步驟，尋找優(yōu)化的空間。
拆解轉(zhuǎn)化步驟有兩種方法：
1.縱向按照過程拆解，研究注冊完成的數(shù)量，購買成功的成單量；
2.橫向按照維度和人群拆解，轉(zhuǎn)化的結(jié)果與預(yù)期有出入，這時進行橫向拆解，對比分析。
我們之前會聽到很多用戶問這樣的問題，我這個轉(zhuǎn)化率在行業(yè)里是高呢還是低呢？我有沒有優(yōu)化的空間呢？其實我們不是非要benchmark數(shù)據(jù)，一方面很多這樣的數(shù)據(jù)是公司機密，另一方面第三方的測算方式不一定和你的一樣。
沒有行業(yè)的數(shù)據(jù)，你自己的轉(zhuǎn)化數(shù)據(jù)就包含了很多的信息，可以從時間維度（分析每天的轉(zhuǎn)化情況，分析活動和平時的轉(zhuǎn)化情況）、平臺維度（iOS 和 Android的情況）等其他數(shù)據(jù)維度分析，就可以找到很多的優(yōu)化空間。
不同的轉(zhuǎn)化步驟的流失原因也各不相同，有的是因為吸引力不夠，有時是使用過程中遇到了問題。
雖然流失原因各不相同，但是主要的流失原因有這樣四大類：
需求不匹配
產(chǎn)品功能/服務(wù)/商品不合預(yù)期
交互體驗不好
“神秘”原因
接下來我們就來一一分析這些用戶流失的運營，并結(jié)合案例探索解決的方案。
需求不匹配分多種情況，一種是產(chǎn)品能激發(fā)用戶需求，但是用戶沒有看到；另一種是產(chǎn)品就是沒有滿足用戶的追求。
如果我們的產(chǎn)品能激發(fā)用戶的需求，但是用戶卻沒有看到。這時候我們需要讓用戶在合適的位置看到合適的內(nèi)容。我們可以通過重點位置數(shù)據(jù)統(tǒng)計和熱圖分析網(wǎng)站上用戶的點擊行為，找到黃金位置，把最合適的內(nèi)容。
如果用戶的需求未被滿足，那么就有必要分析一下這部分需求。事實上，有過搜索不到結(jié)果經(jīng)歷的用戶比你想象得多。我們可以通過統(tǒng)計網(wǎng)站搜索無結(jié)果頁的搜索詞信息，可以知道用戶未被滿足的具體需求。同時與搜索框搜索次數(shù)進行對比，衡量是否針對這部分需求做專門的內(nèi)容、服務(wù)、產(chǎn)品建設(shè)。
碰到產(chǎn)品的功能、服務(wù)或者商品不符合用戶預(yù)期的情況，可以分析產(chǎn)品內(nèi)的各種幫助用戶轉(zhuǎn)化的功能是不是沒有起到正向作用。這時可以把做過某一個操作的用戶分群，比如電商平臺把看過商品評論頁的用戶做出分群，來驗證評論是不是對最終的轉(zhuǎn)化有促進作用。
如下圖，看過評論的用戶注冊完成的轉(zhuǎn)化率（下圖右側(cè)）是53.1%，是高于總體的；如果反而比總體低，那評論這里的一些設(shè)置就可能出現(xiàn)了問題。
常見的情況是設(shè)備或瀏覽器不適配，在分瀏覽器或設(shè)備的維度區(qū)分的時候，轉(zhuǎn)化率很低，及時發(fā)現(xiàn)定位和修復(fù)問題。
排查后發(fā)現(xiàn)上述都沒有問題時，就需要查看用戶的原始訪問軌跡，有的用戶走完了大部分的轉(zhuǎn)化路徑，但是最后一步就是放棄了，如果這樣的用戶很多，就需要結(jié)合具體的產(chǎn)品去看。
對于客單價過高，用戶在這一步猶豫的情況，這時我們需要推一把用戶。需要打通用戶行為和用戶ID，然后進一步有針對性地運營；比如說對這些用戶發(fā)一些代金券或者優(yōu)惠券，刺激轉(zhuǎn)化。
轉(zhuǎn)化分析是一項系統(tǒng)的工作，涉及產(chǎn)品和運營的各個方面。提升轉(zhuǎn)化的前提是對轉(zhuǎn)化步驟進行充分拆解，從流量的源頭開始評估轉(zhuǎn)化效果，借助多維度數(shù)據(jù)對問題進行定位。
雷鋒網(wǎng)注：本文作者曾少勤畢業(yè)于北京大學(xué)，先后就職于秒針、百度、GrowingIO，有豐富的數(shù)據(jù)分析經(jīng)驗。原文發(fā)于GrowingIO技術(shù)博客，授權(quán)雷鋒網(wǎng)發(fā)布。轉(zhuǎn)載請聯(lián)系我們授權(quán)，并保留出處和作者，不得刪減內(nèi)容。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
