用戶行爲分析：如何用數據驅動增長

全書還是挺有收穫，在一個醫療行業的數分，前面幾個章節基本已經全部摸透了，包括用戶行爲分析、客戶流失分析、大屏看板等等；規劃—採集—分析—應用這個PDCA循環中，已經到了分析再到應用的環節，這個出策略到執行的環節，現在自己的工作內容還是很欠缺，需要繼續加油，前面幾個章節的內容沒有太多內容，後續的幾個章節還是很有收穫，有豁然開朗的感覺，以下是一些內容筆記： 1、比如“增長黑客”“首席增長官”，還有今天已經被從業者視爲區分是否爲增長小白的入門級概念——“AARRR模型（又稱海盜模型）。 2、社會進入一個生產能力相對過剩、商品供應極大豐富的時代時，賣方市場變爲買方市場，弄懂消費者的所思所想成了商業競爭的核心戰場。 3、事實上，所謂“超級用戶”，就是既有重度消費行爲，又有重度互動行爲的消費者，他們不但自己能夠爲品牌貢獻超高的消費額度，還能夠影響周邊的人帶來新客。 4、通過監測它們的線上行爲數據，該品牌不斷調優會員權益，又通過推出月度、季度、年度付費會員的模式，遴選出用戶忠誠度金字塔。 5、用戶屬性數據是指描繪用戶特徵的數據，根據人口統計學特徵，可以從靜態、動態及未來發展趨勢三個方面觀察用戶，包含性別、年齡、職業、民族等統計變量。 6、用戶交易數據看成一種商務結算而非用戶行爲，在以訂單爲中心的邏輯下，我們看到的是一筆筆訂單，關心訂單總額、訂單數量，考覈業績目標完成的情況，進而指導企業內部計劃預算和生產履約的過程。 7、現在基於用戶行爲數據的分析，這種畫像的顆粒度可以精細到每一個人。這爲“千人千面”的精細化運營奠定了基礎。 8、用戶交易數據和用戶屬性數據融入用戶行爲數據的數據融合一直是很多企業IT（信息技術）和數據部門的痛點，但阻礙我們融合數據的可能不僅是技術和標準問題，更是經營管理者的意識問題。 9、企業不能只知道索取用戶數據，而是要通過與用戶建立信任關係，爲用戶提供優秀的產品和服務，讓用戶願意將自己的數據授權給企業。企業拿到用戶數據後又能反哺業務，爲用戶提供更優質的產品和服務，做到雙贏。 10、供給側的數字化能降低企業的Bottom line（成本線），需求側的數字化能提升企業的Top line（營收線）。在數字化的進程裏，如何發掘和發揮數據價值，是數字化最重要的課題之一。 11、決策，而不是僅僅根據經驗拍腦袋完成。我們將企業業務創新發展的過程分爲三個關鍵環節：預測未來、精準營銷、評估用戶價值。 12、準營銷的概念只凸顯了精準二字，還有一個更難實現的隱藏屬性沒有體現——高頻。 13、企業的關注點在空間維度可以從單一的交易環節放大至用戶在平臺互動的全流程，在時間維度可以從用戶初次接觸，延續到永遠流失的完整生命週期。 14、沒有一個企業會說自己沒有數據分析。每次的經營分析會上，企業管理者都會看到大量的數據報表，這些數據大多是對經營結果的總結和分解，這是因爲經營數據大多來自於財務和管理數據，其相對簡單的維度和數據量，並不支撐數據發掘的洞察方法。 15、團隊能夠提供的仍然是BI報表式的分析報告，用數據來陳列經營管理的事實，而不是藉助更多的方法工具來發掘增長的機會的發現和機會的發掘，而策略是可以轉化成行動的判斷。 16、數據沒有治理，最直接的表現就是數據多、數據亂、報表多還看不懂，即使建立了數據可視化看板，指標體系的規劃應該從公司戰略目標出發。 17、OSM模型將幫助大家進行目標策略的拆解及衡量，使企業目標能夠結構化清晰呈現。數據規劃一定是圍繞業務目標展開的。我們在管理企業時，會用到一種叫作OKR（Objectives and Key Results，目標與關鍵成果法）的目標管理工具。 18、在選定目標時，需要注意四個原則，即選定目標的DUMB原則：切實可行(Doable)、易於理解(Understandable)、可干預可管理(Manageable)、正向有益的(Beneficial)。 19、數據和行業的基準(Benchmark)設定，其設定原則是：要對內部有一定的挑戰性，但又不是遙不可及的。 20、經常做線下活動的電商平臺，還會經常將線下活動的流量引至線上私域，所以需要對應“線下活動導流私域流量”這一場景。 有了OSM模型和UJM模型並匹配到各個細分場景後，整個指標體系就可以從一個非常大的戰略目標層層拆解到一線工作人員可落地執行的場景中。 21、能講故事，能聚焦目標。這一要素對應圖表無序的問題。很多數據看板的搭建者都不清楚數據看板到底在監控什麼數據、描繪什麼問題，更不用說把數據看板交付給業務團隊了 22、標籤並不能直接解決精細化運營的問題，因爲它只是劃分方法。那麼如何對用戶進行劃分，實現怎樣的運營策略？我們常常建議結合業務模型具體問題具體分析。 例如，RFM模型就是電商領域常用的一種業務模型（見圖3-15）。根據最近一次消費(Recency)、消費頻率(Frequency)和消費金額(Mone-tary)這三個指標對用戶進行分層。 23、CDP數據倉庫即客戶數據平臺（Customer Data Platform）數據倉庫，是一種專門用於存儲和管理客戶相關數據的系統。以下是關於它的一些介紹： 特點 • 整合性：能集成來自多個不同數據源的數據，如線上線下銷售數據、社交媒體數據、客服記錄等，將分散的客戶信息整合到一個統一的平臺。 • 實時性：可實時或近實時地處理和更新數據，讓企業能及時依據最新的客戶數據做出決策。 • 面向客戶：聚焦於客戶數據的管理和分析，深度洞察客戶的行爲、偏好、需求等，以實現精準營銷、個性化服務等。 功能 • 數據收集與清洗：收集各種渠道的客戶數據，並對數據進行清洗和預處理，去除錯誤、重複的數據，提高數據質量。 • 數據存儲與管理：以高效的方式存儲大量的客戶數據，支持數據的快速查詢和檢索，同時確保數據的安全性和穩定性。 • 數據分析與洞察：提供數據分析工具和算法，挖掘客戶數據中的有價值信息，如客戶細分、購買預測、客戶生命週期價值評估等。 • 數據應用與共享：將分析結果輸出到各種業務系統中，如營銷自動化系統、客戶服務系統等，實現數據的共享和應用，驅動業務增長。 CDP數據倉庫幫助企業更好地瞭解客戶，提升客戶體驗，優化營銷策略，從而增強企業的競爭力和盈利能力。 24、當新客流入的速度大於老客流失的速度時，假設客單價不變，銷售業績就會越來越好；反之就有陷入衰退的風險。我們需要根據數據指標顯示出來的問題，快速調整運營策略，選擇加大新客拉新的力度還是加大老客留存的力度，或者雙管齊下。 25、銷售支持還有內容分發和任務中心的作用，售前和售後都可以在“中臺”領取任務或者內容，推動客戶簽約、續約及增購。 內循環留資優化，外循環銷轉提效。除了內循環外，我們還要思考如何實現外循環。通常，當客戶的產品體驗良好並取得了一定的效果，且B2B企業和客戶建立了比較良好的關係後，便可以開始生成客戶案例等相關合作。通過不斷生成的客戶成功案例，又可以幫助B2B企業獲得更多的潛在客戶。 26、通過數據洞察發現，消費者購買券包會明顯提升復購率，“成熟期”的定義爲“365天內訂單支付成功≥10次”“365天內用戶最後一次訂單支付成功距今天數≤7天”，這是要保證用戶是重度且未流失用戶。“高頻下單用戶”的定義爲“近30天內訂單支付成功≥3次”，這是要保證用戶近期爲高頻消費用戶。 27、通過GrowingIO用戶分羣分析中的用戶標籤功能，結合用戶行爲數據與業務結果數據，運營部門找到了精準人羣。找到精準人羣后，運營人員就可以通過GrowingIO的智能運營後臺設置，僅對這羣用戶進行當他們打開小程序時出現58元券包活動的彈窗這樣的精準觸達。 28、UJM模型，全稱爲User - Journey - Map模型，即用戶旅途地圖。它是用戶在使用產品過程中的生命旅程，指用戶從首次接觸直至下單以及享受產品或服務期間，用戶與企業產品或者平臺互動的全過程。以下是對UJM模型的具體介紹： 應用步驟 • 梳理用戶旅途地圖：明確用戶從開始接觸產品到最終完成購買以及後續使用過程中的各個階段，比如電商APP的用戶旅途可能是瞭解平臺→在平臺上逛→對某件商品感興趣→付費下單→復購。 29、

我來讀這本書的初衷是爲了尋找能夠有效驗證用戶體驗效果的數據分析方法，很遺憾從中獲取的有效信息不多，這裏面更多是依託對其工具的使用介紹加上一些通用分析方法。 總體而言仍算開卷有益，也許對產品經理或運營同學來說也確實有幾個值得一看的案例，但實操性上仍有待商榷。

該書較爲系統的介紹如何通過數據驅動業務增長，並通過一系列的案例介紹如何進行數據規劃、數據採集、數據應用、構建指標體系、指標的拆解、數據分析和數據挖掘。但是該書在方法論的提取和總結上欠缺深度，注水較爲嚴重，更像是growing io產品介紹+應用案例集。對數據初學者和初探數據應者而言可以仔細一讀，而對於有經驗的數據人可以根據需要速讀。

張溪夢先生繼《首席增長官》、譯《增長黑客》後的又一力作，有幸第一時間拜讀，真的是乾貨滿滿。全書以數據驅動增長金字塔爲整體框架，分別從數據規劃、數據採集、數據分析、數據應用四個大的方面展開，每個章節都搭配配套的案例解析，深入淺出，淺顯易懂。還有很多數據科學前沿的相關內容，在這裏就不劇透啦～總之，5星推薦～

營銷革命4.0，數字化營銷助力企業增長。

整體來說，這本書作爲小白入行數據分析還是一本比較全面和系統的寶典，還是不錯的。 書中介紹了比較常用的數據埋點方法、指標體系搭建、業務分析方法論以及在實際業務中的數據驅動實踐。涵蓋了數據分析的各個方面。所以從理論層面上來說，是一本入行數據分析瞭解概念和基本方法論的一本書。 書中講解了使用growing io這個產品進行數據驅動的一些案例。藉助這個工具確實可以一定程度上提高數據驅動的效率。但往往更重要的是實際業務的可操作性，在很多企業裏，數據的概念是被大家認同的，但往往你充的數據的計件非常的差，這也就導致很多理想當中的數據驅動並不能在現實中很好的應用。這也是很多公司花了很大精力在做數據治理的原因，當然這個投產比也就不高了，所以爲什麼很多企業最終沒能用數據驅動業務的原因。 所謂巧婦難爲無米之炊，我們有好的工具，但前提是我們要有好的食材。只有當企業內部對數據的重要性形成一致的認同，重視數據的生產和收集，在此基礎上再借助這些工具和方法論，才能夠以比較低的成本，較高的效率去完成數據驅動的目的。 總結來說，這本書介紹了一些數據分析的基本概念，原理和方法論。但數據驅動業務在實際的工作中並沒有那麼的容易，我們不能指望用一個工具解決所有的問題，而是應該重視整個數據鏈路中的每一個環節，這樣才能最終達到數據驅動業務的目的。

非常實用的產品經典，涵蓋案例與實戰部署，值得細讀。 構建數據驅動增長體系，可以按照“4+2+1”的脈絡來執行： 1. ​​明確戰略與目標（O）​​ • 任何數據工作都必須先對齊公司或業務單元的戰略目標，否則後續指標會失焦。本書稱之爲 OSM 模型的“O”——目標。 2. ​​數據規劃（P：規劃）​​ • ​​產出指標體系​​：按照 1~3 級指標拆分，確保戰略目標有 5~8 個一級指標，並用 OSM/UJM/場景化方法向下拆解二級、三級指標。 • ​​建立指標字典​​、命名規則與清理機制，控制指標數量，避免冗餘。 • ​​規劃數據源、埋點方案​​和數據治理策略，爲採集階段打好基礎。 3. ​​數據採集（C：採集）​​ • 依據規劃好的埋點清單和數據字典，完成技術接入，保證數據可追溯、可複用。 • 同步建設數據質量監控，確保後續分析可信。 4. ​​數據分析（A：分析）​​ • 建立統一的分析方法論，如漏斗分析、留存分析、歸因分析等，對關鍵指標進行監控和洞察。 • 通過 A/A、A/B 等實驗框架驗證假設，形成可複製的優化方案。 5. ​​數據應用（D：應用）​​ • 把分析成果嵌入日常運營、產品迭代、廣告投放等場景，實現實時或準實時決策。 • 通過看板、報警、自動化策略觸發，把數據閉環到執行層。 6. ​​迭代與優化（閉環）​​ • 應用落地後，再次回到規劃階段，對指標體系和策略進行迭代，形成“規劃-採集-分析-應用-再規劃”的循環。 7. ​​組織與機制保障​​ • 設立跨職能增長團隊，由增長負責人直接向高層彙報，確保資源與數據話語權。 • 建立共享的數據分析、實驗、產品和設計能力，讓“業務-數據”一體化協作成爲常態。 只要依次完成以上步驟，並在執行中持續迭代，就能讓數據真正成爲驅動業務增長的核心生產要素。

整體來說，對於新入行的人來說作爲行業知識的快速瞭解還是很好讀的，裏面做數據分析的常用模型還是能有些新知識的輸入的，我是在數據分析SaaS行業，書裏雖然更是給c端做app或者小程序/網頁的案例，但是一些效果衡量的分析也是有參考意義的

疑似growingAi 暗廣 不過我應該還會再看一遍 有點用

如果單純地指的是用戶行爲分析，這本書並沒有清晰明確的告訴大家，爲什麼用戶行爲的分析很重要？爲什麼需要用戶行爲分析？如何進行用戶行爲分析？用戶行爲分析中的核心重點在哪裏？這本書反而着重介紹了自己的產品，像是一個產品使用說明書。整體的邏輯性不強，有種什麼都涉及了，什麼都不精的感覺。