对产品经理来说，数据是帮他们做设计检测的，在检验结果的时候，可以通过数据来验证一下，到底有没有达成这样一个目标。那一起从文中看看如何将用户行为数据，合理地应用在产品迭代中。

对于产品经理来说，数据的重要性无需多言，用户看到的可能更多的是产品的皮肤。但是作为产品经理，他需要了解整体的经络组织和骨骼，尤其是要知道数据作为血液如何在流通。

我们沉淀了一些产品设计过程中的经验，今天就和大家具体的分享一下。

先大致说一下我们部门，我们部门是网易的文化担当，产品包括云阅读、网易漫画、网易蜗牛阅读和Lofter，所以我们部门平时做的事情，大多数都是帮用户去发现内容。

在用户寻找内容的过程中，怎样能让用户跟内容进行匹配，这是我们一直在研究的事情。

接下来正式进入今天的分享，我们分享的内容主要分为四块：

1. 来源：我们是从哪些平台获取相关数据的？或者说我们在设计的时候要需要埋哪些点，能够方便以后获取这些数据。
2. 方法：有了原材料我们怎么样去加工？这一块主要讲的就是分析的方法论的框架。
3. 指标：有了这个理论框架之后，怎么样去评估当前的效果？这个时候需要有一个指标的衡量，并且指标要保证它的一致性。
4. 案例：我们前面的分析是如何落实到具体的案例中的？

所以主要的内容是围绕这四方面来进行的。

方法论

第一个部分是数据来源。

我们现在用的比较多的是这几个平台：前三个是移动应用数据分析、有数和hubble data，是我们公司自己做的产品，第四、第五个是热力图和轨迹图，是我们自己基于业务特点做的一些自定义的设计。 最后一个部分是分析师，有些产品涉及的逻辑比较多，这个时候就要借助于数据分析师，请他们帮我们提取一些数据。

接下来是我们产品迭代的逻辑，整个框架是这样的：

整个流程是一个闭环，那么在这个过程中数据起到一个什么样的作用？

对于用户需求这一块，我们可以更充分地了解用户的需求是什么样的，如果有多个假设，怎么样从数据上让逻辑更加严谨？

对我们来说，数据是帮我们做设计检测的，我们在检验结果的时候，可以通过数据来验证一下，到底有没有达成这样一个目标。

下面就是一个具体的评估目标的框架，我们的原则是：从需求中归纳事件，从事件中提炼指标。

因为用户的需求转化之后会归纳成一系列的事件，这个事件又会对应相应的指标，我们从建立分析框架的时候就会想我们的业务的需求，或者目的是什么？比如提升付费转化率、提高用户满意度等等。

有了这些目的之后就要思考，我们要用什么事件去评估，评估标准是什么？ 评估的维度又是什么？

八大案例分析

数据分析覆盖整个用户生命周期，包括拉新、促活、留存、转化、变现和自传播等常见的业务场景。我们的案例分享也会从这几方面来讲。

1. 判断渠道价值

第一个是从拉新的维度来讲：拉新这个部分，首先要判断渠道的价值。

• 从内容角度来看：阅读是更加碎片化的，和我们几年前的渠道完全不一样，因为大家的注意力基本上集中在自媒体。同时，用户的需求更功利了，用户可能更在意的是如何快速看完一本书，或者如何快速看完一部电影，所以我们发现很多关于精读、速读的内容都非常受欢迎，包括影评也是这个道理。
• 从传播角度来看：由之前的传统媒体转到了自媒体，流量分发也受到很大的影响，现在主要是口碑传播。
• 从价值角度来看：我们传统的逻辑是“从一个渠道里面买一个用户需要多少钱”，而现在我们考虑的更多的是“每一个关键词的投入产出比”。我们会把不同渠道的合作数据作为主要的衡量标准，考虑它的投入产出比，所以我们会考虑在渠道合作时所产生的激活率、次留，包括是3日和7日留存，以及后续的一个付费情况，都是我们每天会去检测的事情。

2. 顺藤摸瓜

第二个案例是从转化的角度来讲的：这个例子叫顺藤摸瓜，它是我们在网易云阅读里做的一个事情。

云阅读里很多出版书的用户会在他的书里提到其它的书，这是一种很典型的场景。如果我们识别之后，发现这本书在我们平台是有的，我们就会把它差异化显示。

这种做法的意思就是说：用户不需要再通过传统的方式——复制书名，去搜索框搜索，再去找到这本书。用户不需要依赖这样的一个路径，所以“顺藤摸瓜”缩短了用户找书的路径。

这个部分优化之后，这块的转化率是非常高的。我们也知道，在用户发现内容的过程中，缩短用户触达的路径是一件很有价值的事情。

因此，除了书籍正文以外，我们在书籍的评论区或者在书籍的社区，都可以用这种方式推荐一些书，不管是别的用户，还是我们小编推荐的，其实都是增加了内容的曝光。

因为如果你去看这本书，就说明你对这个作者本身是认同的，也会对他推荐的书籍更感兴趣。后面甚至会衍生出UGC社区的内容，也会有一些商业化的尝试。

比如：《我的24岁美女总裁》这本书，它是一本言情小说，文章中会有很多开车的场景。那么雪佛兰广告商可能会找到我们，把这本书里面的开车统一换成开雪佛兰，刚才的数据给了我们这样的一个可能性，这种广告就是一种具体的应用方式。

3. 转化率

第三个案例还是关于转化率。我们刚刚讲过，除了第三方的数据，其实我们还有管理后台。

管理后台做的事情主要是两块：

• 第一个是点击率；
• 第二个是用户行为轨迹。

我们能够细分跟踪每一个用户的轨迹，通过热力图的方式记录，你可以知道用户的点击分布是集中在哪里的；你可以根据热力图去做一些决策。

比如：我们在详情页强行植入了一个广告，但是转化率只有0.02%，你会发现用户根本是不买账的。如果是按点击率收费的话，那我们完全没有必要做这件事情，你甚至可以把它砍掉，做一些更有助于用户做决策的事情。

我们在知道大部分用户的行为是集中在哪里后，我们会持续做一些强化，或者是有意识地去做一些引导，看看用户是不是接受这种引导。

4. 充值和付费转化

第四个还是转化的案例，我们想提高存储额度或者付费的额度，所以要提高它的充值和付费转化率。

我们之前的版本是为了让用户买得更快，所以我们加了一些快速支付，这是大家常见的场景。比如说：这本书一共三块钱，我们就设计一个快速支付，让他一次性就买掉了，从理论上来说路径非常短。

后来我们看到收入数据并没有上升，我们就想怎么样才能优化？

所以这个时候就有两个典型的问题：我们要不要去掉快速支付？要不要提高起充金额？

这个时候，我们本能的会想到，用户看一本书需要三块钱，但是充值只能充值六块钱，这个时候付费用户数量会减少，对吧？这个是我们需要考虑的。

另外一方面你会发现：让用户把钱充到APP里，这个时候用户可能望而却步，付费转化率会降低。所以我们就真的做了一个改版，并且拿几个渠道试了一下，我们最终的数据表明它的充值转化率并没有降低，而且充值人数反而变高了。

这个是为什么呢？

因为我们在买的时候，如果把钱充进去了，下次购买就会很方便，走内部系统，不需要跳转支付页面。另外用户在想看一本书的时候，不会因为你提高了几块钱就放弃充值，所以我们在改版之后，付费数据确实有相应的提升。

但是如果你不去接触数据的话，从本能角度思考，就会觉得去掉快速支付是一件很危险的事情，因为用户感觉使用起来没有那么方便了。但实际上去掉之后你会发现用户支付起来会更方便，因为钱是留在我们平台的，不需要任何支付流程。

5. 提高用户留存率

第五个案例主要是关于提高用户留存率。

提高留存这一块，我们做了很多的尝试。我们之前举办过一个随机性质的红包活动，比如说：有一百个人来抽奖，就相当于在资金池里贡献了一百分，过了零点，大家一起来开奖，但是他有一个延时的反馈效果，用户不知道我今天拿到的是多少。

所以我们虽然觉得这种赌博的性质会引起用户的兴趣，但是延时的反馈效果其实是起不到很好的激励的，于是我们就把它改成了一个即时反馈的红包活动，并且把整个逻辑设计成：红包会有一个基数，在这个基数的前提下，它的概率从1到6是不一样的，红包基数是3块钱的话，就是3×1、3×2、3×3，一直到36块钱这样一个逻辑。

版本上线之后，我们发现它的数据是上升的，但是到后面突然下降了，下降的原因就是我们给红包设置的有效期非常的短。

第一批的红包已经过期了，用户觉得红包太短就会不买账，这个时候我们做了两个事情：

• 第一个是延长红包的有效期；
• 第二个是把签到的基数又进行了相应的增加，然后用户的接受度又慢慢地提升上去了。

所以这就是监测数据对于当前产品的一个作用。除此之外，通过这种尝试有助于控制运营成本。因为红包是我们平台发出去的，这部分成本都是我们负担的，我们可以通过多轮尝试来找到一个平衡点，给出什么样的金额用户愿意来玩，同时也在我们能够为这个功能所付出的运营成本的范围内。

流失其实是每个产品都会遇到的，但流失分为几种。

比如：

• 首日流失：用户来了就觉得不合适，可能是产品跟他不匹配；
• 受挫流失：用户觉得你的新手指引或者是操作上有些困难，所以流失了；
• 自然流失：用户因为一本书而来，看完后没发现其他吸引他的书籍，就离开了。

市场环境流失也是不可避免的，这有一个典型案例。比如：说微信，有了微信之后，其实大家对短信的使用就越来越少了。

我们为了提高用户的留存率，其实会做一部分的召回。这个部分召回的逻辑是这样的，我们会界定用户做过哪些事情，把用户进行细分，例如说：做过某件事情，对于我们而言，他就是我们的核心用户。

我们针对有这部分行为的用户做一个集合，然后给他们发红包，进行召回，其实我们发现这一部分召回的效果挺好的。

6. 双十一活动

第六个案例是一个变现的案例——双十一活动。

我们之前一直在做的双十一活动——全场免费或者全场一折，有一次我们连做了11天全场一折的活动，但是后来我们做数据分析的时候发现一个问题，这次活动的销售成绩非常差。如果是从提升收入的角度办这场活动，那么整个数据对于消费的冲击是很大的。

另外一个弊端就是来一月、二月消费数据也是在下降的，因为我们提前透支了用户的需求，每个用户每个月能看的书的量是固定的，在一折活动中大家都屯了很多书，所以后面的销售数据就会受到相应的影响。

而且我们也会监测舆情，我们会发现用户会有一个定向的思维，他会觉得云阅读什么时候再打折我就等到打折那天再买书。

这边我引用了《精益数据分析》里的一句话：

“跟踪一日、一周、一月内的流失率，因为用户会以不同原因在不同时间段流失掉。第一天后便流失掉的用户可能是嫌弃游戏的教程太过糟糕，或是游戏本身对他们没有吸引力；一周后流失掉的用户可能觉得你的游戏不够耐玩；而一个月后流失掉的用户则可能是由于游戏的更新规划处理得不够好，了解用户何时流失有助于掌握用户流失的原因以及阻止流失的方法。”

用户什么时候流失或者是数据什么时候有波动，不仅仅是当前的问题，可能和前期所做的决策也会有相应的影响。

7. 数据趋势分析

第七个案例是数据趋势的分析。

不同内容形态的产品给我们呈现的规则也是不一样的，比如说：看这两个数据报表，前面一个是以周为规律的波动，开学很高，周末也很高，后面一个的数据规律相对来说少一点，而且双十一是一个低点。

这两个数据，前面是漫画的。因为漫画的浏览量和本身更新的周期有关，漫画最普遍的是周末更的，所以它的数据会非常明显，到周末就很高。此外开学和周末数据最高，因为漫画的用户其实都是小孩子、都是学生，所以会出现这样一种现象。

对于阅读而言，这个数据更加印证了我们做双十一活动其实是没有什么益处的，在我们阅读书里面的省的钱根本就不够别人去淘宝店秒杀的，所以到了这一天，包括春节假期，我们的数据都会到一个交易低点。

在这里，数据主要有两个作用：数据监测和趋势预测。当前的数据是否异常？为什什么会这样？要及时发现问题，定位问题。以及通过整个趋势图，预测接下来一段时间的指标趋势，为后期的工作提供帮助。

8. 关注行业和自身资源

最后一个案例关于行业和自身资源。

有段时间360网盘被关了，我们当时就紧急做了一件事情，宣传了云阅读导入本地书的功能。绿色这条线是我们当时急剧上升的数据，后面为什么没有去做这件事情？

因为政治上不太正确，所以后面就没有继续做。说这个案例的意思就是说，如果行业有什么变化，我们可以和自身业务进行一个结合，这是我们切入市场的一个点，就像蹭热点一样。

最后和大家分享一句话：“太阳底下无新鲜事”，这是圣经里面的一句话。

积累和经验对于每一个产品经理来说都是非常重要的，做过的项目，我们要做一些体验记录、分类以及归纳，你现在做阅读产品，但是其实对于漫画或者是其他内容，或者其他to C的任何一个产品，其实说到底都是相通的，做提炼归纳分类之后就会有相应的方法。

这个时候再加上整体思路指导的沉淀，就会变成相应的经验，再加上相关的理论知识。对于产品经理来说，其实有一个闭环的主线，就是不断的总结，再去尝试，然后会有新的案例，然后再进行总结这样一个发展过程。

今天的分享就到这里，希望大家都能有自己的收获，能够把用户行为数据合理地应用在产品迭代中，也希望大家能多总结多归纳，“太阳底下无新鲜事”，希望大家都能沉淀出自己的心得和体验！

作者：顾红清 | 网易文漫产品经理。硕士毕业于江南大学设计学院，先后就职于阿里巴巴、网易，现负责网易云阅读各平台产品设计。

本文由 @网易云 | 云信 原创发布于人人都是产品经理。未经许可，禁止转载

题图由作者提供