用户行为分析：如何用数据驱动增长

全书还是挺有收获，在一个医疗行业的数分，前面几个章节基本已经全部摸透了，包括用户行为分析、客户流失分析、大屏看板等等；规划—采集—分析—应用这个PDCA循环中，已经到了分析再到应用的环节，这个出策略到执行的环节，现在自己的工作内容还是很欠缺，需要继续加油，前面几个章节的内容没有太多内容，后续的几个章节还是很有收获，有豁然开朗的感觉，以下是一些内容笔记： 1、比如“增长黑客”“首席增长官”，还有今天已经被从业者视为区分是否为增长小白的入门级概念——“AARRR模型（又称海盗模型）。 2、社会进入一个生产能力相对过剩、商品供应极大丰富的时代时，卖方市场变为买方市场，弄懂消费者的所思所想成了商业竞争的核心战场。 3、事实上，所谓“超级用户”，就是既有重度消费行为，又有重度互动行为的消费者，他们不但自己能够为品牌贡献超高的消费额度，还能够影响周边的人带来新客。 4、通过监测它们的线上行为数据，该品牌不断调优会员权益，又通过推出月度、季度、年度付费会员的模式，遴选出用户忠诚度金字塔。 5、用户属性数据是指描绘用户特征的数据，根据人口统计学特征，可以从静态、动态及未来发展趋势三个方面观察用户，包含性别、年龄、职业、民族等统计变量。 6、用户交易数据看成一种商务结算而非用户行为，在以订单为中心的逻辑下，我们看到的是一笔笔订单，关心订单总额、订单数量，考核业绩目标完成的情况，进而指导企业内部计划预算和生产履约的过程。 7、现在基于用户行为数据的分析，这种画像的颗粒度可以精细到每一个人。这为“千人千面”的精细化运营奠定了基础。 8、用户交易数据和用户属性数据融入用户行为数据的数据融合一直是很多企业IT（信息技术）和数据部门的痛点，但阻碍我们融合数据的可能不仅是技术和标准问题，更是经营管理者的意识问题。 9、企业不能只知道索取用户数据，而是要通过与用户建立信任关系，为用户提供优秀的产品和服务，让用户愿意将自己的数据授权给企业。企业拿到用户数据后又能反哺业务，为用户提供更优质的产品和服务，做到双赢。 10、供给侧的数字化能降低企业的Bottom line（成本线），需求侧的数字化能提升企业的Top line（营收线）。在数字化的进程里，如何发掘和发挥数据价值，是数字化最重要的课题之一。 11、决策，而不是仅仅根据经验拍脑袋完成。我们将企业业务创新发展的过程分为三个关键环节：预测未来、精准营销、评估用户价值。 12、准营销的概念只凸显了精准二字，还有一个更难实现的隐藏属性没有体现——高频。 13、企业的关注点在空间维度可以从单一的交易环节放大至用户在平台互动的全流程，在时间维度可以从用户初次接触，延续到永远流失的完整生命周期。 14、没有一个企业会说自己没有数据分析。每次的经营分析会上，企业管理者都会看到大量的数据报表，这些数据大多是对经营结果的总结和分解，这是因为经营数据大多来自于财务和管理数据，其相对简单的维度和数据量，并不支撑数据发掘的洞察方法。 15、团队能够提供的仍然是BI报表式的分析报告，用数据来陈列经营管理的事实，而不是借助更多的方法工具来发掘增长的机会的发现和机会的发掘，而策略是可以转化成行动的判断。 16、数据没有治理，最直接的表现就是数据多、数据乱、报表多还看不懂，即使建立了数据可视化看板，指标体系的规划应该从公司战略目标出发。 17、OSM模型将帮助大家进行目标策略的拆解及衡量，使企业目标能够结构化清晰呈现。数据规划一定是围绕业务目标展开的。我们在管理企业时，会用到一种叫作OKR（Objectives and Key Results，目标与关键成果法）的目标管理工具。 18、在选定目标时，需要注意四个原则，即选定目标的DUMB原则：切实可行(Doable)、易于理解(Understandable)、可干预可管理(Manageable)、正向有益的(Beneficial)。 19、数据和行业的基准(Benchmark)设定，其设定原则是：要对内部有一定的挑战性，但又不是遥不可及的。 20、经常做线下活动的电商平台，还会经常将线下活动的流量引至线上私域，所以需要对应“线下活动导流私域流量”这一场景。 有了OSM模型和UJM模型并匹配到各个细分场景后，整个指标体系就可以从一个非常大的战略目标层层拆解到一线工作人员可落地执行的场景中。 21、能讲故事，能聚焦目标。这一要素对应图表无序的问题。很多数据看板的搭建者都不清楚数据看板到底在监控什么数据、描绘什么问题，更不用说把数据看板交付给业务团队了 22、标签并不能直接解决精细化运营的问题，因为它只是划分方法。那么如何对用户进行划分，实现怎样的运营策略？我们常常建议结合业务模型具体问题具体分析。 例如，RFM模型就是电商领域常用的一种业务模型（见图3-15）。根据最近一次消费(Recency)、消费频率(Frequency)和消费金额(Mone-tary)这三个指标对用户进行分层。 23、CDP数据仓库即客户数据平台（Customer Data Platform）数据仓库，是一种专门用于存储和管理客户相关数据的系统。以下是关于它的一些介绍： 特点 • 整合性：能集成来自多个不同数据源的数据，如线上线下销售数据、社交媒体数据、客服记录等，将分散的客户信息整合到一个统一的平台。 • 实时性：可实时或近实时地处理和更新数据，让企业能及时依据最新的客户数据做出决策。 • 面向客户：聚焦于客户数据的管理和分析，深度洞察客户的行为、偏好、需求等，以实现精准营销、个性化服务等。 功能 • 数据收集与清洗：收集各种渠道的客户数据，并对数据进行清洗和预处理，去除错误、重复的数据，提高数据质量。 • 数据存储与管理：以高效的方式存储大量的客户数据，支持数据的快速查询和检索，同时确保数据的安全性和稳定性。 • 数据分析与洞察：提供数据分析工具和算法，挖掘客户数据中的有价值信息，如客户细分、购买预测、客户生命周期价值评估等。 • 数据应用与共享：将分析结果输出到各种业务系统中，如营销自动化系统、客户服务系统等，实现数据的共享和应用，驱动业务增长。 CDP数据仓库帮助企业更好地了解客户，提升客户体验，优化营销策略，从而增强企业的竞争力和盈利能力。 24、当新客流入的速度大于老客流失的速度时，假设客单价不变，销售业绩就会越来越好；反之就有陷入衰退的风险。我们需要根据数据指标显示出来的问题，快速调整运营策略，选择加大新客拉新的力度还是加大老客留存的力度，或者双管齐下。 25、销售支持还有内容分发和任务中心的作用，售前和售后都可以在“中台”领取任务或者内容，推动客户签约、续约及增购。 内循环留资优化，外循环销转提效。除了内循环外，我们还要思考如何实现外循环。通常，当客户的产品体验良好并取得了一定的效果，且B2B企业和客户建立了比较良好的关系后，便可以开始生成客户案例等相关合作。通过不断生成的客户成功案例，又可以帮助B2B企业获得更多的潜在客户。 26、通过数据洞察发现，消费者购买券包会明显提升复购率，“成熟期”的定义为“365天内订单支付成功≥10次”“365天内用户最后一次订单支付成功距今天数≤7天”，这是要保证用户是重度且未流失用户。“高频下单用户”的定义为“近30天内订单支付成功≥3次”，这是要保证用户近期为高频消费用户。 27、通过GrowingIO用户分群分析中的用户标签功能，结合用户行为数据与业务结果数据，运营部门找到了精准人群。找到精准人群后，运营人员就可以通过GrowingIO的智能运营后台设置，仅对这群用户进行当他们打开小程序时出现58元券包活动的弹窗这样的精准触达。 28、UJM模型，全称为User - Journey - Map模型，即用户旅途地图。它是用户在使用产品过程中的生命旅程，指用户从首次接触直至下单以及享受产品或服务期间，用户与企业产品或者平台互动的全过程。以下是对UJM模型的具体介绍： 应用步骤 • 梳理用户旅途地图：明确用户从开始接触产品到最终完成购买以及后续使用过程中的各个阶段，比如电商APP的用户旅途可能是了解平台→在平台上逛→对某件商品感兴趣→付费下单→复购。 29、

我来读这本书的初衷是为了寻找能够有效验证用户体验效果的数据分析方法，很遗憾从中获取的有效信息不多，这里面更多是依托对其工具的使用介绍加上一些通用分析方法。 总体而言仍算开卷有益，也许对产品经理或运营同学来说也确实有几个值得一看的案例，但实操性上仍有待商榷。

该书较为系统的介绍如何通过数据驱动业务增长，并通过一系列的案例介绍如何进行数据规划、数据采集、数据应用、构建指标体系、指标的拆解、数据分析和数据挖掘。但是该书在方法论的提取和总结上欠缺深度，注水较为严重，更像是growing io产品介绍+应用案例集。对数据初学者和初探数据应者而言可以仔细一读，而对于有经验的数据人可以根据需要速读。

张溪梦先生继《首席增长官》、译《增长黑客》后的又一力作，有幸第一时间拜读，真的是干货满满。全书以数据驱动增长金字塔为整体框架，分别从数据规划、数据采集、数据分析、数据应用四个大的方面展开，每个章节都搭配配套的案例解析，深入浅出，浅显易懂。还有很多数据科学前沿的相关内容，在这里就不剧透啦～总之，5星推荐～

营销革命4.0，数字化营销助力企业增长。

整体来说，这本书作为小白入行数据分析还是一本比较全面和系统的宝典，还是不错的。 书中介绍了比较常用的数据埋点方法、指标体系搭建、业务分析方法论以及在实际业务中的数据驱动实践。涵盖了数据分析的各个方面。所以从理论层面上来说，是一本入行数据分析了解概念和基本方法论的一本书。 书中讲解了使用growing io这个产品进行数据驱动的一些案例。借助这个工具确实可以一定程度上提高数据驱动的效率。但往往更重要的是实际业务的可操作性，在很多企业里，数据的概念是被大家认同的，但往往你充的数据的计件非常的差，这也就导致很多理想当中的数据驱动并不能在现实中很好的应用。这也是很多公司花了很大精力在做数据治理的原因，当然这个投产比也就不高了，所以为什么很多企业最终没能用数据驱动业务的原因。 所谓巧妇难为无米之炊，我们有好的工具，但前提是我们要有好的食材。只有当企业内部对数据的重要性形成一致的认同，重视数据的生产和收集，在此基础上再借助这些工具和方法论，才能够以比较低的成本，较高的效率去完成数据驱动的目的。 总结来说，这本书介绍了一些数据分析的基本概念，原理和方法论。但数据驱动业务在实际的工作中并没有那么的容易，我们不能指望用一个工具解决所有的问题，而是应该重视整个数据链路中的每一个环节，这样才能最终达到数据驱动业务的目的。

非常实用的产品经典，涵盖案例与实战部署，值得细读。 构建数据驱动增长体系，可以按照“4+2+1”的脉络来执行： 1. ​​明确战略与目标（O）​​ • 任何数据工作都必须先对齐公司或业务单元的战略目标，否则后续指标会失焦。本书称之为 OSM 模型的“O”——目标。 2. ​​数据规划（P：规划）​​ • ​​产出指标体系​​：按照 1~3 级指标拆分，确保战略目标有 5~8 个一级指标，并用 OSM/UJM/场景化方法向下拆解二级、三级指标。 • ​​建立指标字典​​、命名规则与清理机制，控制指标数量，避免冗余。 • ​​规划数据源、埋点方案​​和数据治理策略，为采集阶段打好基础。 3. ​​数据采集（C：采集）​​ • 依据规划好的埋点清单和数据字典，完成技术接入，保证数据可追溯、可复用。 • 同步建设数据质量监控，确保后续分析可信。 4. ​​数据分析（A：分析）​​ • 建立统一的分析方法论，如漏斗分析、留存分析、归因分析等，对关键指标进行监控和洞察。 • 通过 A/A、A/B 等实验框架验证假设，形成可复制的优化方案。 5. ​​数据应用（D：应用）​​ • 把分析成果嵌入日常运营、产品迭代、广告投放等场景，实现实时或准实时决策。 • 通过看板、报警、自动化策略触发，把数据闭环到执行层。 6. ​​迭代与优化（闭环）​​ • 应用落地后，再次回到规划阶段，对指标体系和策略进行迭代，形成“规划-采集-分析-应用-再规划”的循环。 7. ​​组织与机制保障​​ • 设立跨职能增长团队，由增长负责人直接向高层汇报，确保资源与数据话语权。 • 建立共享的数据分析、实验、产品和设计能力，让“业务-数据”一体化协作成为常态。 只要依次完成以上步骤，并在执行中持续迭代，就能让数据真正成为驱动业务增长的核心生产要素。

整体来说，对于新入行的人来说作为行业知识的快速了解还是很好读的，里面做数据分析的常用模型还是能有些新知识的输入的，我是在数据分析SaaS行业，书里虽然更是给c端做app或者小程序/网页的案例，但是一些效果衡量的分析也是有参考意义的

疑似growingAi 暗广 不过我应该还会再看一遍 有点用

如果单纯地指的是用户行为分析，这本书并没有清晰明确的告诉大家，为什么用户行为的分析很重要？为什么需要用户行为分析？如何进行用户行为分析？用户行为分析中的核心重点在哪里？这本书反而着重介绍了自己的产品，像是一个产品使用说明书。整体的逻辑性不强，有种什么都涉及了，什么都不精的感觉。