本文作者在体验产品腾讯移动分析MTA后，通过数据优化产品和运营策略分析， 且分享其对产品Redesign的思路，enjoy~

本文目录如下：

1. 产品介绍

1.1产品简介

1.2产品功能

1.2.1自定义看板

1.2.2全面应用分析

1.2.3广告监测

1.2.4开发组件

1.3产品优势

1.3.1多平台部署

1.3.2精细分析

1.3.3低耗稳定

2. 通过数据优化产品和运营策略

2.1数据优化产品.

2.1.1多多记账产品架构与分析

2.1.2多多记账数据接入与分析

2.1.3数据埋点与创新设计思考

2.1.4设计方案可行性实践

2.2数据优化运营策略

2.2.1多多记账运营策略分析

2.2.2多多记账数据接入与分析

2.2.3营销数据与创新设计思考

2.2.4设计方案可行性实践

3. 产品Redesign

3.1更傻瓜式的体验

3.1.1数据分析的模型准备

3.1.2看板数据存在的缺陷

3.1.3看板数据方案升级

3.1.4页面分析存在的缺陷

3.1.5页面分析方案升级

3.2更丰富的数据与格式

3.2.1格式打包现状

3.2.2多维度格式产出

3.3可视化埋点功能的优化

3.3.1可视化埋点功能用户体验

3.3.2埋点设备连接优化

3.4新零售等行业应用场景接入

3.4.1新零售行业

3.4.2金融行业

3.4.3在线教育行业

4. 对标产品分析与改进 

4.1竞品对比

4.1.1诸葛IO

4.1.2友盟+

4.1.3神策IO

4.1.4 TalkingData

4.1.5 GrowingIO

4.1.6易观方舟

4.1.7小结

4.2 SOWT分析

4.2.1优势

4.2.2劣势

4.2.3机遇

4.2.4挑战

5. 结语

1. 产品介绍

1.1 产品简介

腾讯移动分析（下文均写作MTA平台）是一款具有移动应用数据分析能力的产品，能够提供实时数据统计分析服务，监控版本质量、渠道状况、用户画像属性及用户细分行为，通过数据可视化展现，协助产品运营决策。

1.2 产品功能

1.2.1 自定义看板

可拖拽和自定义添加看板数据，多通道数据处理方式，高性能实现关键数据的秒级监控；根据实时数据，随时掌握用户动态，提升产品能力、调整运营策略。

1.2.2 全面应用分析

可查看实时数据和历史趋势，掌握应用运营动态，通过简易的操作，为APP打造丰富的自定义事件和漏斗模型。使用丰富用户画像体系，直接了解到用户行为特征等，具象了解并定位用户。深挖用户行为与画像，了解用户生命周期，更有效的精准投放和决策。

1.2.3 广告监测

渠道概况、版本分析、用户留存等多种维度数据任意交叉组合，快速定位推广效果、提升用户质量，为产品运营及迭代提供数据基础。同时支持 H5 应用营销活动、分享链接、广告页面跳转统计，更容易掌握渠道投放效果，优化运营质量。

1.2.4 开发组件

及时查看和记录用户应用产生异常或错误的次数。了解影响人数和设备数，智能预警减少用户不必要损失，降低用户粘性风险。

1.3 产品优势

1.3.1 多平台部署

支持Android、iOS主流平台，为开发者提供秒级数据监控及统计分析服务，用户活跃情况一目了然，帮助提高产品质量。

1.3.2 精细分析

多维数据随意组合，高度自定义事件助推产品精细化运营。数据图表理解简单，展现用户基本属性、行为特征爱好等，更容易了解用户爱好，挖掘用户潜在价值。

1.3.3 低耗稳定

服务器支撑实时发送策略，上报策略精细到每条日志，可以分别设置上报、重试策略，保障重要数据不丢失。同时，极低的CPU和内存消耗，极大降低应用的系统负担；加强自杀机制，在极端的条件下一旦crash也不影响APP。

2. 通过数据优化产品和运营策略

2.1 数据优化产品

2.1.1 多多记账产品架构与分析

通过体验多多记账，将产品分为侧滑栏、主界面和交互设计三大块，具体架构如图1所示。多多记账主要主打轻便智能的语音记账服务，核心功能在于语音输入转化为文字、对输入信息进行分类。

因此基于KANO模型分析（如图2所示），基本属性为语音输入和自动分类，一维属性为分类的准确度、语音转换文字效率、账本分类精细程度、同步数据等，魅力因素包括外观设置、从其他平台的数据导入等。

图1 多多记账产品功能结构图

图2 KANO模型

2.1.2 多多记账数据接入与分析

MTA平台数据以csv格式存储，本文主要对用户生命周期中的用户构成、用户行为使用时段、用户挖掘中基本属性和观察设备四大数据进行接入和分析。由于多多记账目前应用只有一个主界面，因此不对页面访问量、页面路径做进一步分析。本文数据采用为4/26-5/26期间数据。

（1）用户构成

在MTA平台上，用户构成主要以柱状图形式展现（如图3所示），可直观得出每周用户最大的模块。但是本周新增和本周回流的颜色较为相近，对比分析较为费劲。

图3 周用户构成趋势截图

导出的CSV文件截图如图4所示，相比上图，按照每周的各个版本的用户构成进行分层输出，有助于有一定基础的运营通过表格对每个版本用户进行对比，了解每个版本的活动周期，能够减少不必要的资源浪费和开销。但是导出的CSV文件标题全都是Array，而需要进入控制台后台进行对比才可以清楚每一行每一列所代表的意思，比较繁琐不便。同时用户分层支持不同用户群的分析，能够有效对于需求的升级进行A/B测试。

图4 用户构成CSV文件截图

（2）使用时段

在MTA平台上，用户使用时段主要以折现图形式展现（如图5所示），通过斜率变化可以得到每个小时时段内启动次数、新增用户首次使用次数、活跃用户使用次数的增长变化情况。通过图中可以读出在12时、18时和20时达到极值，因此多多记账在产品升级方面可以与午餐晚餐时间事件进行结合。

图5 使用时段截图

导出的CSV文件截图如图6所示，相比上图，能够进一步在通过折线图大致判断的基础上用精确数据来进行深度分析，更有助于准确分析产品功能和需求。

图6 使用时段CSV文件截图

（3）基本属性

在MTA平台上，用户基本属性主要以多种混合形式展现（如图7所示），很好的展示了男女比例、年龄分布、学历分布、地域分布。通过本页可以直观的得到男女需求比例大约是6：4，且用户集中在18-29岁之间，学历以高中、本科为主，广东、江苏使用人群较多。通过得到的数据进一步还可以推理出更具体的用户画像，有助于进一步对产品人群定位和需求进行分析和扩展。

图7 基本属性截图

导出的CSV文件截图如图8所示，相比上图，作用仅为方便进行表格数据统计和存档，同时在测试的过程中，学历的图中数据与导出的CSV数据不符，应该是未完善系统导致的bug。

图8 基本属性CSV文件截图

（4）观察设备

在MTA平台上，用户基本属性主要以柱状图形式展现（如图9所示），根据用户使用进行排序，能够一目了然的对用户的手机设备类别、网络喜好、运营商进行分析，进一步完善用户画像。

图9 观察设备截图

导出的CSV文件截图如图8所示，相比上图，作用仅为方便进行表格数据统计和存档，同时在测试的过程中，笔者认为网络环境模块中，若要将4G模块单独提出来，对蜂窝网络（CellNetwork）应该做一定说明，以免让使用者产生误导，对用户画像的分析有一定的偏差。

图10 观察设备CSV文件截图

2.1.3 数据埋点与创新设计思考

由于字数有限，本文不提及用户行为画像分析的评测，结合多多记账这个demo例子和KANO模型，为了进一步进行帮助产品岗位平台使用者完成用户画像描绘和产品需求挖掘，可以使用MTA平台的可视化埋点和用户分群功能来促进数据优化产品。

（1）可视化埋点

在MTA平台上，通过事件分析进入可视化埋点，如图11所示进入可视化埋点连接界面。笔者通过小米5S PLUS手机和MIUI系统自带的扫一扫进行图中操作后，提示已发送请求，但是控制台未有反应，使用旧方式依旧没有反应。

图11 可视化埋点连接界面

通过帮助文档我们可以了解到，进入可视化埋点后（如图12所示），对于所有button类、textChange类、click类均可埋点。埋点区域会产生埋点区的操作日志，同时还有埋点的树状列表，可进行相关操作。进一步的，对埋点事件形成漏斗模型，通过转化率可以有效修复用户画像和需求偏差。例如通过对比【语音记账->手动记账】和【手动记账->语音记账】的转化率，可以作为用户在使用过程中对语音记账的依赖程度。

结合KANO模型，对于必要需求、一维属性和魅力因素进行埋点，并通过数据量化为喜欢、理应如此、无所谓、能忍受和不喜欢五个层级，有助于对应用产品更好的分析目前的需求和必要性。

图12 可视化埋点界面

（2）用户分群

在MTA平台上，通过用户挖掘进入用户分群，如图13所示进入用户群列表界面，通过新建用户群按钮对用户画像进行分类。

图13 用户分群界面

通过对用户的多项属性进行拼接、对设备属性进行筛选以及直接使用漏斗模型完成A/B测试，或者对自定义事件响应次数筛选用户，能够有效的对用户群体进行分类。以方便对不同用户群体细分需求。同时通过人群导出可对数据进行进一步的分析。

用户分群后，对不同类型的用户群提供差异化、个性化服务，结合KANO模型，拟合出不同用户群的需求曲线，进一步细分和迭代用户需求。

2.1.4 设计方案可行性实践

由于IOS和Android端版本差别较大，这里仅分析IOS端数据。通过版本分布和用户构成的数据，1.5.8版本使用的人最多，活跃用户达到1,512，活跃用户占比87.3%，其次是1.5.3版本，活跃用户76，活跃用户占比4.39%，通过对版本记录（图14）的分析，产品的稳定性对用户的使用需求是第一位。

图14 app store 版本记录截图

通过对用户画像的分析，IOS端使用男女占比为男54.69%、女45.31%，年龄分布方面，25-29岁占40%、18-24岁占36.92%，学历以高中72.31%为主，地域分布方面以广东18.75%、江苏17.19%、上海12.5%位居前三。因此我们可以总结用户画像是以青年为主，且多居住在沿海城市。所以通过用户分群，将18-29岁、沿海作为选定条件，作为主要用户对象。结合KANO模型，主打“用完即走”，同时针对青年，基于腾讯社交基因推出游戏化手段，集卡游戏、与他人组建家庭共享账本等功能作为魅力因素，并对新功能进行埋埋点，通过一个月的数据分析了解用户喜好。

在MTA平台上，数据看板模块可以新建看板对产品新功能进行实时查看。因此对于MTA平台，可以增加对工具类产品、用户服务类产品的大类分析，以及可以添加的精细化领域分析，帮助MTA平台使用者更好的上手和分析。

2.2 数据优化运营策略

2.2.1多多记账运营策略分析

多多记账作为典型的工具类互联网产品，在这里我们采用运营漏斗模型，基于AARRR模型改进，如图15所示。

图15 运营漏斗模型

核心目标主要包括用户增长、留存增长和转化增长，核心动作包括关注、兴趣、渴望、记忆、购买和分享。核心指标就包括各个阶段的转化率、功能使用频率、用户活跃度、留存率、付费商品转化率、用户分享数等。

由于多多记账产品功能中，仅包括用户增长和留存增长，因此运营的关注点更多的应该放在用户拉新能力和用户活跃指数。

2.2.2 多多记账数据接入与分析

MTA平台数据以csv格式存储，本文主要从用户行为、流量访问、用户生命周期、用户分群四大块为中心，结合现有MTA平台，分析数据的接入。

（1）以用户行为为中心

在MTA平台上，用户基本属性主要以折现图形式展现（如图16所示），根据趋势图可以得出一段时间内的人均时长的均值，还可以得到使用时长的分布。

图16 用户使用频率趋势图截图

导出的CSV文件截图如图17所示，相比上图，数据体现更加具体，通过对数据的求平均等处理，可以得到可视化界面得不到的平均值等结果。

图17 使用时长CSV文件截图

（2）以流量访问为中心

由于多多记账仅存在主页面、侧滑栏以及总账单查看，不具备页面行为分析的价值。同时笔者在使用MTA平台过程中，页面访问、页面路径、页面来源三个子模块没有任何使用提示，用户体验差，页面名称管理界面也未直接漏出。

通过页面访问模块可以得到人均访问时长、访问次数、访问人数和跳出率。页面路径和页面来源的访问流具有极大的参考价值，但是在MTA平台上未能够完美体现。

（3）以用户生命周期为中心

在MTA平台上，用户基本属性主要以折线图形式展现（如图18所示），通过活跃度、留存率和流失回流对用户生命周期进行建模，对比新用户、激活用户、活跃用户、衰退用户、流失用户，分析各个人群数量，进而分析对应的关于产品、用户行为、转换、留存、注册相关等分析。

图18 用户活跃度截图

（4）以用户分群为中心

用户分群主要按照年龄、地域、消费能力、习惯进行分群，按照新用户、使用用户、活跃用户、付费用户、高价值贡献用户分层。分析个人群数量，寻找KOL领袖，对不同分群用户精准投放活动和广告。在上述已对用户分群做了相关评测，这里就不再赘述。

2.2.3 营销数据与创新设计思考

区分前文中的产品数据挖掘，运营数据挖掘更关注活动的转化率、分享次数和用户留存率。所以运营更需要去挖掘用户价值，寻找爆点传播途径、针对用户痛点基于用户调研制作活动策划。因此可以使用MTA平台的版本/渠道分析以及安装来源分析的推广计划来促进数据优化运营策略。

（1）版本分布

在MTA平台上，通过版本/渠道分析进入版本分布，如图19所示。版本分布提供了包括新增用户、新增账号、升级用户、活跃用户、活跃账号、启动次数、次均时长、MAU、累计用户、新增用户等多项数据展示。

图19 版本分布截图

结合运营漏斗模型，可以计算关注、兴趣、渴望、记忆、购买和分享核心动作的转化率，配合版本分布分析用户痛点、痒点。

（2）推广计划

在MTA平台上，通过安装来源分析进入推广计划，如图20所示。通过添加推广计划，选定投放时间，进一步的，配置推广渠道。

通过推广渠道配置，需要进行增值服务申请，在这里我们可以感受到MTA平台的to B商业模式。申请好和配置完成后，点击投放效果进入投放效果和渠道效果页面。

图20 推广计划截图

图21 推广活动内测申请截图

通过对投放和渠道的趋势图搜集，可以得出哪段时间内数据出现极值，对于极值进行进一步监控，确定是在哪个渠道、哪个KOL意见领袖推广下得到的，邀请其前来举办活动，进一步引爆爆点拉动用户增长。

2.2.4设计方案可行性实践

由于IOS和Android端版本差别较大，这里仅分析IOS端数据。通过版本分布和用户生命周期的数据，我们可以得到近一个月回流用户和流失用户的差值为负，标志着产品这段时间内用户体验不好，运营情况较差，通过计算DAU、MAU以及DAU/MAU比值，得到用户的活跃度，通过平均可以得出DAU在1973名左右，MAU在6539左右，用户粘性为0.3025，因此有必要在近期内开展活动来唤醒用户。通过对比留存率，用户在次日、2天后、3天后留存为39.35%、30.06%、27.33%，后续也成线性变化，因此，如何在前三天提高粘性是运营要做的第一件事情。

通过MTA平台的推广活动功能，对主流平台进行精准投放，通过实践和数据对比，给不同的平台更改不同的权重，同时通过平台对异常数据进行探究，进一步的，结合运营漏斗模型，对低转化率的环节进一步开展相关活动。

3. 产品Redesign

腾讯移动分析MTA平台具有专业的移动应用数据分析能力，为应用提供实时数据统计分析服务，监控版本质量、渠道状况、用户画像属性及用户细分行为，通过数据可视化展现，协助产品运营决策。

MTA平台的功能结构如图22所示。根据功能结构图可以总结MTA平台主要分为五个功能：自定义看板功能、营销分析功能、运维分析功能、用户数据分析功能、通用配置功能。

• 自定义看板功能：用户通过新建看板自定义设置想要看的指标。
• 营销分析功能：用户通过对推广单元管理，对推广活动进行监测。

图22 腾讯移动分析MTA结构图

• 运维分析功能：用户通过查看用户反馈、接口反馈和crash明细提升对APP的稳定性。
• 用户数据分析功能：用户通过对事件、用户画像、用户生命周期等进行分析，对原始数据可以进行导出。
• 通用配置功能：用户可以对数据进行订阅、对数据的上报进行策略调整等。

在利用数据做好精细化产品需求挖掘和运营的同时，常见数据不准确、不完备、不细致三大问题。为了解决这三大问题，一个就要做到细（4W1H）：Who、When、Where、How、What以及多源（客户端、服务端、数据库等）全量而非抽样，要打通数据。除了可视化埋点和代码埋点采集方法外，对数据建模、数据分析也十分重要。在数据建模方面，传统数据库存在经验性、性能差等特点，需要采用OLAP模型建立数据仓库，抽象用户行为事件，在不同维度组合、过滤。在数据分析方面，常用的方法包括多维事件分析（事件、维度、指标）、漏斗分析、留存分析、时间序列分析、A/B分析、用户分群等等。针对不同用户要采用不同的策略，根据用户的属性信息、行为数据、行为序列等进行区分，通过数据运营，观察效果。

因此本文通过深度使用腾讯移动分析MTA平台，对本产品提出以下功能的重设计——包括对数据看板、页面分析的重设计、数据格式的重设计、可视化埋点事件分析的重设计，以更好的产品带个客户更好的决策意义，帮助客户完成付费转化。

3.1 更傻瓜式的体验

3.1.1 数据分析的模型准备

在进行数据分析前，无论是产品本身还是用户本身，都应该明白使用MTA平台的目的是为了进行精细化运营。在前文中，已经通过运营漏斗模型和KANO模型用作对产品和运营的分析，在这里引入数据双引擎模型，如图23所示，通过精细化运营需要解决的其实是如何实现数据、算法和产品之间的闭环，并将工作交给平台手动/自动完成。

图23 双引擎模型图

相比于诸葛IO提出的事件模型、神策IO提出的“事件+用户”模型、GrowingIO提出的四可数实体模型，双引擎模型更注重事件的闭环，用数据驱动高效、个性化的产品运营和需求更新。

双引擎模型简单来说，将数据看做汽油，驱动算法引擎，算法引擎实现自身闭环，对算法进行迭代优化，同时将优化算法和模型传入“云+端”的产品中，由云提供数据聚合、模型计算，端实现用户需求和数据增殖，最终数据再次接入算法引擎，形成引擎闭环。

3.1.2 看板数据存在的缺陷

目前的默认看板可以显示出新增用户、DAU、用户趋势、设备分析和Crash分析，但如果不是具有一定实践经验的用户，那么只能够看最浅的趋势，不能够深层的挖掘和分析。对平台使用的用户可能是公司CEO、可能是产品、运营、技术或者是市场，对于每个职务的业务都不尽相同，所以看板也应该不相同，对此针对这个缺陷可以增加默认看板。

3.1.3 看板数据方案升级

CEO关注总体用户表现、营收相关指标；产品经理关注用户使用路径、转化漏斗、关键功能使用等数据；运营人员关注用户活跃度和用户生命周期；技术人员关注产品的报错次数和出错原因；而市场推广人员关注不同渠道的质量。因此针对五个业务需求默认五大看板，同时可以提供多种展现方式（柱状图、折线图、饼状图等），以方便使用者更高效的完成业务初级分析。

3.1.4 页面分析存在的缺陷

在本文第二部分的数据驱动分析中，笔者需要通过基础数据的罗列后，对数据进行二次对比、分析才可以得到一定效果的用户画像、用户行为和产品需求。结合双引擎模型，可以对页面分析的数据通过较少的成本完成精细化的策略制定。对于用户和决策者，并不是希望得到一堆罗列的数据，而是希望将罗列的数据进行分析变成信息，通过信息完成产品和用户的升级。

3.1.5 页面分析方案升级

在这里可以借鉴友商的方法，对用户画像描述分为设备id、用户id和平台id，结合双引擎模型，对每个id都采集一份数据，再进行匹配，多维度对用户的行为、所在领域、兴趣偏好等标签进行定义。对原始数据生成标签后，通过聚类、主成分分析等算法对标签进一步提取特征，通过机器学习、深度学习的方法进行数据的建模和算法的迭代，紧接着对数据模型进行用户分群方便产品和运营深度掌握用户情况，最终将用户分群在应用场景中复现，通过“云+端”来实现，进一步洞察和堤防用户流失、挖掘潜在用户和监控欺诈行为。

因此在页面上，不仅仅是数据的累积呈现，同时在应用分析还应该专门开辟一个模块，对数据进行深度分析。通过机器学习自助生成标签，并且提供基础模型和算法供用户选择，随着标签和原始数据的导入，形成个性化模型和算法。同理，在转化路径的选择上，也可以通过标签对最优化、最有价值的路径进行智能筛选。

3.2 更丰富的数据与格式

3.2.1 格式打包现状

目前在应用分析中，对事件、渠道分布、版本分布、用户生命周期、用户行为和用户画像均可以导出CSV格式，但在本文第二部分的使用中，就出现了CSV格式错位、无法查看出关联性等问题。但其高效的传输性能、简单易懂的格式确实是数据分析首选。

3.2.2 多维度格式产出

在数据结构中，还可以以XML格式、JSON格式作为对CSV格式的补充，XML格式完美的解决了CSV格式的痛点问题，但是仅用作数据分析，还是相对复杂的。因此也可以选择JSON格式，将文本特性进行打包，方便用户调取。当然相比CSV文件，XML格式、JSON格式文件也是一种补充和替代

3.3 可视化埋点功能的优化

3.3.1 可视化埋点功能用户体验

由于本次没有开放可视化埋点功能，因此不能全面的体验性能和产品功能，但笔者尝试可视化埋点的设备连接过程时，用户体验效果不佳。主要体现在设备的连接方式上过于繁琐，无论是新版本的扫一扫定位设备还是原本的四指定位设备，因此笔者希望可以在设备连接上做优化。

3.3.2 埋点设备连接优化

基于花费最少资源开销完成设备匹配的思想，可在埋点后台开启设备连接时设置六位临时密钥，再在移动端通过特定网址页面输入临时密钥完成设备id上传和配对，最终在埋点控制台对发送申请的设备进行审核和确定。至此优化连接过程，并且避免了多次匹配的问题。

3.4 新零售等行业应用场景接入

3.4.1 新零售行业

对新零售这个行业风口，其定义为以消费者体验为中心的数据驱动的泛零售状态，其核心为人及是数据。因此非常适合进行数据分析，相比移动数据，更注重描绘用户画像和用户行为。

因此可以开辟专门的板块对新零售行业定制解决方案，对日销售额、实名用户增长量、商品销售预测、购买分析等场景做分析。

3.4.2 金融行业

金融行业需要数据作为支撑，对成交金额、成单数、用户增长、银行卡绑定过人数、活跃用户等进行分析。在MTA平台上，针对借贷业务进行了场景分析，比较详尽的将借贷画像和数据进行存储和分析，并形成标签化。但借贷业务也属于金融行业的一个部分，因此对整个金融行业可以做整体的方案，同时再做更小颗粒度的行业细分。

3.4.3 在线教育行业

在线教育行业需要通过数据了解课程的销售趋势，通过控制课程价格、用户趋势来保证课程业务的开展和销售。因此需要在用户增长趋势、用户留存、课程销售趋势、渠道用户增长等方面进行分析。

4. 对标产品分析与改进

4.1 竞品对比

目前数据分析存在的痛点包括：过于简单、过于复杂、效率太低三个因素。而要用数据运营好一个产品，不仅要还原业务全貌，还需要对团队产生价值，最终达到快速、高效。因此本文从数据采集、数据建模、数据分析三个方面对竞品进行分析。

目前互联网比较主流的数据分析驱动增长的AARRR模型已经比较成熟，贯穿整个产品生命周期。AARRR增长模型是一套工具方法论，但是我们不能忘记我们的数据分析的起点和初衷：产品/市场，业务持续增长（商业价值的持续变现以及客户价值的平衡）。

在产品成长初期，重点关注用户激活率、和留存率，求质量；在产品成长爆发期，重点关注用户获取率和留存率，求高效增长；在产品口碑爆发期，重点关注传播推荐，尝试病毒式增长；最终在产品成熟收割期，重点关注用户增加收入 和 留存率，求客户价值和商业价值变现的平衡。

4.1.1 诸葛IO

诸葛IO是一款基于用户洞察的精细化运营管理工具。以用户跟踪技术和简单易用的集成开发方法，帮助移动应用的运营者们挖掘用户的真实行为与属性。诸葛IO主要解决的痛点问题是精细化运营，主要包括数据概要、数据报表、漏斗转化、用户留存、通知推送、用户档案、用户分组和自定义设置等模块，帮助使用用户从概要到精细化数据分析，进一步完成决策。

（1）数据采集能力

采用SDK埋点，精细化分析核心转化流程, 分析不同渠道和不同推广方式的投放效果。

（2）数据建模能力

在诸葛IO中，区别于传统的基于PV、UV等指标的数据统计方法，采用“事件模型”（如图24所示）来描述用户在产品上的各种行为。每个设备都会记录三个id，设备id、设备上的用户id、诸葛id，保证用户数据的准确性。

图24 事件模型概念图

（3）数据分析能力

诸葛IO拥有三大解决方案：广告监测、获取分析和智能触达。广告监测包括行为打通、实时监测、效果衡量、数据开放四个核心优势；由于不同企业业务不同，衡量效果的行为也不同，所以诸葛IO支持自定义转化目标来进行获取分析；智能触达依托诸葛IO分析产品的数据采集框架和基础功能，能够自动/手动向满足条件用户进行推送，描绘精准用户画像。

4.1.2 友盟+

友盟+以移动应用统计分析为产品起点，发展成为提供从基础设置搭建-开发-运营服务的整合服务平台，致力于为移动开发者提供专业的数据统计分析、开发和运营组件及推广服务。友盟从2010年成立，具有较老资质。由于友盟+是由友盟和CNZZ合并而来的，不仅仅可以对APP进行分析，还可以对WEB端进行分析，进行消息推送和社会化分享，同时还对电商、移动、新零售场景进行广告监测。

（1）数据采集能力

采用SDK埋点，精细化分析核心转化流程, 分析不同渠道和不同推广方式的投放效果。

（2）数据建模能力

友盟+依旧采用的是传统的基于PV、UV分析方式，统计用户参与度，包括使用时长、使用频率、访问页面、使用间隔。对于模型主要采用单维度分析，包括渠道分析、留存分析、错误分析、漏斗模型等。

（3）数据分析能力

友盟+在基础分析的功能上，对用户分群和用户画像进行商业化增值付费使用。主要包括分群推送、用户分群和用户画像三大板块。分群推送主要是对选定人群进行推送，分群用户按照用户在APP中的行为分析，用户画像包含基础属性、偏好信息、手机行业、汽车行业这四大类标签。

4.1.3 神策IO

神策IO为企业提供可视化数据分析，实现企业数据驱动。核心竞争优势在于私有化部署与可视化埋点。神策提供可以私有化部署的数据分析工具，采用 SaaS + PaaS 的模式，解决了市场上的三大痛点：一是数据安全和客户数据资产积累；二是PaaS模式的灵活扩展，企业可以自行整合CRM系统、个性化推荐等系统；三是多维分析模型、漏斗、留存、用户分群、回访等功能相比上一代分析工具更为强大，比如漏斗、留存可以对历史数据立即定义立即查询，客户可以基于此灵活组合、自定义相关指标。

（1）数据采集能力

采用SDK埋点，精细化分析核心转化流程, 分析不同渠道和不同推广方式的投放效果。通过调用API将数据发送到 Sensors Analytics。

（2）数据建模能力

在 Sensors Analytics 中，采用“事件模型（Event 模型）”来描述用户在产品上的各种行为。事件模型包括事件（Event）和用户（User）两个核心实体，在 Sensors Analytics 中，分别提供了接口供使用者上传和修改这两类相应的数据，在使用产品的各个功能时，这两类数据也可以分别或者贯通起来参与具体的分析和查询。

事件（Event）采用4W1H（Who、When、Where、How、What）五要素描述，而用户（User）则对应一个真实的用户，与事件进行关联。

（3）数据分析能力

基于事件模型，在事件分析时，需要通过限制条件来查看PV、UV、渠道效果和计算精度等属性。除此外，还有漏斗分析、留存分析、分布分析、用户路径分析、用户行为序列、用户分群、网页热力分析、用户属性分析等分析途径。通过漏斗分析对完成转化/确认流失用户进行二次筛选；留存分析可以消除用户增长对用户参与数据带来的影响；分布分析可以查看用户DAU、MAU，注重用户粘性；用户路径分析能够了解用户在使用产品时的路径分布情况。用户分群方面，被分为普通分群和预测分群，普通分群是依据用户的属性特征和行为特征将用户群体进行分类，预测分群是根据用户以往的行为属性特征，运用机器学习算法来预测他们将来会发生某些事件的概率。

4.1.4 TalkingData

TalkingData是一家专注于移动互联网综合数据服务的创业公司。服务内容从基本的数据统计，到深入的数据分析、挖掘，可以为移动互联网企业提供全方位的大数据解决方案。

（1）数据采集能力

无埋点技术，直接植入SDK，业务人员根据业务需求定制数据采集规则。

（2）数据建模能力

依旧采用的是传统的基于PV、UV分析方式，统计用户参与度，包括使用时长、使用频率、访问页面、使用间隔。对于模型主要采用单维度分析，包括渠道分析、留存分析、错误分析、漏斗模型等。

（3）数据分析能力

基于传统PV、UV分析，TalkingData以AARRR模型为基础，将基本数据按照拉新、留存、转化进行分析，同时根据不同场景进行场景分析、用户画像分析和用户行为分析。在应用概览模块，对7天、30天设备用户的活跃度、使用时长进行统计分析；在渠道统计模块，对TOP5的渠道做展示分析；留存模块和用户趋势模块来源于DAU、MAU的分析；在用户质量评估模块，支持情景感知和判别用户是否进行人机交互，来判断用户质量；在场景分析模块，基于微信小程序提供的场景ID，对小程序分析时进一步了解用户访问场景，同时对重点场景二维码扫码进行重点场景分析，了解扫码数量和转化率，同样对重点场景页面分享也进行重点场景分析，了解分享传播数量和转化率。

在用户画像方面，主要包括性别、年龄、人群特征TGI指数和移动设备偏好，通过共同特征和习惯进行用户分群，辅助分析用户在关键转化的差异性。在用户行为分析方面，采用传统页面统计分析、漏斗模型和可视化埋点三种方式结合。同时针对场景，对电商领域专门区分电商业务分析汇总了用户下单、支付核心指标，描绘用户支付能力、购买意愿。

4.1.5 GrowingIO

GrowingIO是基于用户行为的新一代数据分析产品，提供全球领先的数据采集和分析技术。企业无需在网站或app中埋点，即可获取并分析全面、实时的用户行为数据，以优化产品体验，实现精益化运营，用数据驱动用户和营收的增长。

（1）数据采集能力

无埋点技术，直接植入SDK，业务人员根据业务需求定制数据采集规则。

（2）数据建模能力

GrowingIO提出并应用了四个可数实体（Countable Entity，简称Countable）层级的数据模型。在这四个层级上，每一个层级都有一些维度和指标。四个实体包括用户（Visitor（User））、访问（Visit（mApp Open））、页面浏览（PageView）和事件（Event）。在页面级提供包括页面、域名、页面来源在内的三个预定义维度，还对四个可数实体提供19个预定义指标，包括访问用户量、新访问用户量、登录用户量、新登录用户量、访问量、访问用户人均访问次数、总访问时长（分钟）、每次访问页面浏览量、进入量、访问用户人均进入次数、总进入时长、平均进入时长、每次进入页面浏览量、跳出次数、跳出率、退出次数、退出率和页面浏览量，可以看出GrowingIO是以用户为数据核心，通过对用户生命周期来做预定义指标。

（3）数据分析能力

基于无埋点技术，结合四可数实体模型，主要能够进行事件分析、漏斗分析、留存分析、热图分析、用户活跃分析、用户分群、智能漏斗和智能留存。

• 在事件分析上，将事件转化为“操作+对象”，而这里事件主要为传统PV、UV分析方式，对所有事件提供多图标展现（1.线图 2.横向柱图 3.纵向柱图 4.表格 5.数值 6.气泡图 7.维度线图 8.维度柱图 9.周期对比线图）；
• 在漏斗分析上，主要展现和衡量转化效果，通过用户分群对转化和未转化用户实现分群；
• 在留存分析上，通过自定义目标用户、起始行为、留存行为对留存情况进行分析，通过对留存的颗粒度以及行为对比进一步完善分析结果；
• 在热图分析上，通过页面本身的热区来监测页面内容的热度；在用户活跃分析上，用户被拆解为流失新用户、流失老用户、观察留存用户、回流用户和新用户五类用户群，通过对DAU、MAU的分析进行拆解；
• 在用户分群上，通过独立 Cookie 定义出来的用户和账号登陆ID的用户进行用户类型划分，根据指标（首页访客数量，点击按钮次数，申请注册转化率等）和维度（访问来源，浏览器，操作系统，广告渠道等）对用户进行分群。

特别的，GrowingIO具有智能漏斗和智能留存分析。智能漏斗是基于全量数据采集，将节点串联而成的用户行为轨迹，选定转化目标，通过机器学习的方式自动分析；智能留存分析是寻找用户访问初期的行为、频次与留存的相关关系，通过机器学习的方式分析出促进增长的最低条件。

4.1.6 易观方舟

易观方舟是一款精细化运营分析产品。将应用自身数据结合易观第三方数据，全景画像，通过多种模型深度分析用户行为，多种方式细分用户群体，洞察人群差异，辅助运营决策，多通道有效触达用户，进一步数据分析闭环验证效果。帮助企业选择优质渠道、召回用户、用户价值提升等等，最终实现增收、节支、提效、避险。

（1）数据采集能力

无埋点技术，直接植入SDK，业务人员根据业务需求定制数据采集规则。

（2）数据建模能力

易观方舟依旧采用的是传统的基于PV、UV分析方式，统计用户参与度，包括使用时长、使用频率、访问页面、使用间隔。对于模型主要采用单维度分析，包括渠道分析、事件分析、留存分析、领域分析、漏斗模型等。

（3）数据分析能力

易观方舟对看板进行细分，对老板/产品/运营/市场不同岗位的不同需求、不同场景结合起来，构建多个基础分析模型。同时，拆解为用户获取、了解用户、用户转化和用户留存四大分析模型，对每个分析模型赋予不同的功能。在用户获取上，采用渠道分析分析用户的来源渠道，以及不同渠道的用户表现；在了解用户上，采用事件分析分析用户在应用上的行为，描绘基础用户画像分析用户使用设备的分布、地域分布、用户特征分布等，通过领域偏好、场景偏好和APP偏好深度描绘用户画像；在用户转化上，采用转化漏斗通过事件配置关键业务路径分析转化率、流失情况，采用智能路径对多转化路径进行分析，择优选择最小路径；在用户留存上，采用留存分析衡量用户健康度/参与度，深入用户留存和流失状况进行分析。

4.1.7 小结

六款竞品在接入方式上对比如表1所示，其中TalkingData的兼容能力最强，其次是友盟+，最弱的是易观方舟。

表1 接入方式对比

六款竞品在埋点方式上对比如表2所示，其中GrowingIO主打无埋点。

表2 埋点方式对比

六款竞品在用户行为分析上对比如表3所示，神策IO和GrowingIO基于自身模型，较传统PV/UV模仿分析效果更优。

表3 用户行为分析对比

六款竞品在用户画像分析上对比如表4所示，TalkingData分析最全，各平台由于自身采集能力、建模方式不同，所以在用户画像上侧重各有不同。

表4 用户画像分析对比

竞品对比各有异同，各有自身长处和短板，作为B端产品，更应该突出解决问题的效率和便利程度，同时更全面、更能够让用户觉得用的值得。

4.2 SOWT分析

SWOT分析主要包括对MTA产品的自身优势、劣势、机遇和挑战进行分析。腾讯移动分析MTA平台基于腾讯基因，能够与腾讯开放平台、腾讯分析、腾讯QQ互联平台、腾讯广告平台等合作；但同时由于风口吸引大量创业者涌入，也会受到来自已有市场友商的威胁；目前正处于大数据时代，将数据进行整合分析无论是在区块链领域、人工智能领域还是物联网领域都是非常有需要的；但机遇总是伴随着挑战，如何细化颗粒度，提高数据价值和意义则是很需要进一步考究的。

4.2.1 优势

依托腾讯平台，可以从QQ平台、微信平台调用接口，可以与开放平台、互联平台、广告平台进行合作，同时可以由腾讯云来提供技术支持。就产品自身而言，适配性兼容能力强，同时具备SDK埋点和可视化埋点，在用户画像和行为画像描述方面，能够满足漏斗分析、留存分析等基础分析，同时提供金融行业的相关资源画像，整体数据采集能力较强。

4.2.2 劣势

相比友商为2012年成立、2015年发展来看，腾讯移动分析平台还是稍有逊色之处。虽然有较为优越的数据采集能力，但在数据建模方面没有自身模型，数据分析方面与友商产品趋同。而友商在数据建模方面，提出了事件模型、“事件+用户”模型、四可数实数模型都能在模型的分析上区别传统的分析模型。

4.2.3 机遇

在互联网时代下半场，大数据时代来临之际，数据不仅仅是分析用户增长的工具，更是打破线下和线上的媒介，模糊边界将数据归一化。在这个机遇下，谁能够将数据分析的更准确，谁就更有话语权。而对于数据分析的准确性的标准也没有定性规定，因此也需要有人来完成更多人的认同感。

4.2.4 挑战

蓝海越大，所看到的人也就越多。不仅仅要在与友商的逆境中奔跑，还需要面对来自社会的认同。一种新分析模型和方法的提出或者改进，都将会先受到用户的体验，紧接着是友商的模仿和超越。只有不断超越自己才可以在蓝海中盘踞较大的一块位置。

5. 结语

一款好的产品经得起用户和市场的打磨。腾讯移动分析MTA平台自身拥有较强的分析、采集能力，同时可以通过多渠道进行产品结合。在以多多记账为产品分析的过程中，通过MTA平台对数据优化产品以及数据优化运营策略的分析，通过深层次的抽象，能够得到优化产品和运营策略的方案，但同时也暴露出目前数据分析平台的常规痛点——不能完成更深层次的数据挖掘，对此笔者结合双引擎模型对部分板块进行重新设计，主要包括对不同岗位业务的分析、对深层挖掘的分析、对数据展现及格式多元化、多场景化分析等。接着对相关竞品进行分析，知己知彼才能百战百胜。

对过于简单、过于复杂、效率太低这三个行业普遍存在的痛点问题，根据友商竞品的分析，结合产品的SWOT分析，笔者认为，无论是哪种数据采集、建模和分析方案，都应该先根据大类分析，紧接着对大类进行行业细分，不断拆解颗粒度，最终对所有的小颗粒进行标签化处理。

综上所述，腾讯移动分析产品能够在数据分析领域占据一席之地，但如何扩大和站稳，就需要对产品进行不断迭代，不断拆分数据的颗粒度以满足用户的各类需求。

相关阅读

腾讯移动分析产品测评大赛报名开启，丰厚大奖等你来！

腾讯移动分析测评大赛结果公布｜这一次，且听我娓娓道来

作者：阮桢垚（乳酸钠桢垚），生而产品（ID:PMzeanyon），分享技术、产品和运营的各种好玩的东西

本文为「人人都是产品经理」社区和腾讯移动分析联合主办的“腾讯移动分析测评大赛”中的四等奖作品，未经许可，禁止转载。

题图来自 Pixabay，基于 CC0 协议