以前我们关注的是因果关系，而数据思维更多关注的是相关性。

对任何一款产品来说转化率都是最核心的指标，转化率的高低直接决定着一款产品的成败。而转化率指标拆解下来可以分为产品指标和用户指标。产品指标关注的是流程和页面等PV、UV这些细分指标。用户指标关注的行为和动作等下载量、点击量、分享量、转化量等，无非都是围绕这个复合指标来服务。

我们经常会关注的转化率，如注册转化率、购买转化率等，这些转化率与运营息息相关。注册转化率可以衡量我们网站获取用户的能力，购买转化率可以衡量我们的营收能力，那么我们应该如何去提高一款产品的转化率呢？

其实影响转化率的有外部以及内部的三大关键因素、外部是渠道流量、内部是用户营销、和内部网站/APP体验。

渠道流量

渠道流量是我们从外部获取而来。用户营销是对进来的用户进行运营和营销工作。网站/APP体验是可以通过内部产品、设计、工程等部门来优化，也属于内部因素。

渠道流量的转化可以有两个数据思路方向去做，渠道的优选和量化，我们做活动营销一般都会尽量保持足够多的渠道，当然渠道也分等级的，这时候我们就要对这些渠道进行筛选，保留质量高的渠道淘汰劣质渠道。

通过漏斗分析对比每个渠道最后的转化率，我们可以看到最后4个渠道的质量是比较差的，这时候我们就要把这些劣质的渠道给淘汰了。

OK,经过上面的步骤后，我们已经筛选好投放渠道之后就要对这些渠道量化进行资源分配以达到效果最大化。比如，目前有5个渠道可选，在预算有限的情况下，如何去分配投放比例呢？以前我们都是靠直觉和经验拍个脑袋决定投放比例，现在我们依靠数据思维来量化每个渠道的转化率找到最优投放策略。

1. A代表上面是用户的质量很好，不过量很低的渠道，基于这种情况我们是否应该加大投放力度。
2. B是用户质量好数量也多的渠道，是一个最佳优选的投放渠道。
3. C无论是从数量还是质量上都是最差的渠道，理应被淘汰出局
4. D是这种情况数量多不过质量很差的渠道，这时我们应该思考一下是否去优化一下渠道，比如文案，关键字、落地页设计等，提高知道流量质量。

用户营销

用户营销是对用户进来我们的网站/APP之后，对用户进行一系列的运营活动，拉新、激活、唤醒等，通过这些活动刺激用户反复购买提高每个用户的ARPU值，从而提高最终的转化率。

1. 通过目标用户的用户画像继而确认投放渠道因此获取用户。
2. 在第一条的基础之上，找到了目标用户之后实现精准营销方案，通过对这些用户进行激活、唤醒等精细化运营策略。

在此通常的做法是对用户的价值度进行等级划分，而对用户价值度进行分级一般都是使用RFM模型。

该机械模型R代表用户最近一次距现在的购买行为时间、F代表购买的总体频率，M花了多少钱三项。通过建立RFM模型，我们可以把用户分为8类。

那么对用户的价值度分类之后，我们在做营销活动时，就不直接面向全体用户了，对这些用户打上标签之后，完全可以实现精准化营销目的，比如：我要做一次高额物品活动，这样我就可以直接面对高潜力用户推送活动，因为这样的用户更有可能购买高额物品。如果我做的是小额物品满减满送推送活动，我就直接面向活跃小金额用户，刺激他们反复购买，提高ARPU值。

除了这些，还有其他的分类模式，当然，要结合自己的业务场景来进行划分，比如区域、性别、偏好等。

优化网站/APP体验

一个网站或则是APP的体验如何会影响到用户最终的购买转化率，把用户进来后的每个环节拆解下来，每个节点都要做相应的数据监控以及分析每个环节用户的行为动作等，这些关键因素包括但不仅限于，新手指引、支付环节的流畅性、页面是否简洁和操作是否容易？图片质量如何？看起来是否清晰？以及搜索的匹配是否精准？

1.新手指引：比如某社区网站，新手进来的留存率太低，因为用户进来之后没有做任何的引导，导致用户的学习成本太高，一下就流失掉了。

2.支付环节的流畅性：有时候客户想购买物品，最后因为支付环节太复杂而选择放弃购买。

3.页面简洁和操作：像有些大型的购物网站，页面操作按钮就会特别多，有时候他们会影响到最终的购买转化。

4.图片质量：图片质量对一个用户的购买决策影响是非常大的。这里举个栗子，Airbnb当时的成交量还是很小的时候，通过聘请专业摄影师上门给房子拍摄精美图片之后，成交量立刻蹭蹭的往上涨。

5.搜索是否精准：比如我在一个购物网站上搜索苹果手机，最后搜索出来的是真苹果，其结果就是严重影响到用户体验。

在这里我们其实可以通过漏斗分析，发现每个环节的转化率，然后再通过用户行为分群等不同维度来细查每个用户的行为，比如：某电商购物网站“把物品放进去购物车没有支付“的用户进行分群之后细查每个用户之后发生的所有行为，最终发现中间支付环节有个BUG，导致用户无法支付，最终影响到购买转化率，这些都是需要通过数据追踪细细探查出来的。

总结

从上面这三个维度的方向去思考如何提高转化率，渠道的筛选、用户的精准营销、以及最后的用户体验等去做深入分析。数据分析最主要的首先是数据思维，从前期的数据采集到数据处理再到最后的数据解释贯穿其中。

最后在这里我再举个数据思维的典型案例：

国外某社区，当时新用户的黏性非常差，之后通过用户的行为对比分群之后发现新进来的用户关注5个人以上的比没关注够5个人的留存率高非常多。在这里我们先不用管它具体是什么原因造成这种结果，我们要做的就是引导新用户进来之后关注5个人以上就行了，最后通过这个引导社区的整体新用户留存率增长了许多倍。

作者：博弈（微信号 fu_yongcheng），90后，连续创业者，擅长数据分析，现任某企业运营合伙人

本文由 @博弈 原创发布于人人都是产品经理。未经许可，禁止转载。