在互联网时代，信息纷繁复杂，令人目不暇接，但真正实用的并非那些看似酷炫的内容。许多看似平淡无奇的方法，却能有效解决诸多问题。
以下是我多年从事互联网运营分析必定会用到的十种经典方法。倘若能将这些方法烂熟于心，那么互联网运营分析的核心部分也就基本掌握了，其实并没有想象中那么困难。
我们从第十种方法开始倒叙讲解，这些方法的重要性不分伯仲，但排在后面的往往更为关键。
方法十：Link Tag 的流量标记
对流量源头进行 Link tag 标记，这无疑是所有方法中最为基础且关键的一种。此方法不仅适用于网站的流量来源，对于 app 下载来源的监测同样适用（但后者需要满足特定条件）。
Link tag 的含义在于，在流量源头的链出链接上（即访问 URL 上）添加尾部参数。这些参数不仅不会影响链接的正常跳转，还能够清晰标明该链接所属的流量源（从理论上讲，能够标明流量源的属性数量没有限制）。
Link tag 无法单独发挥作用，必须与网站分析工具或者 app 分析工具相互配合才行。
Link tag 是流量分析的基石，若要严谨地分析流量，不论是常规分析，还是归因分析（attribution analysis），都离不开 link tag 这种方法。
方法九：转化漏斗
转化分析的基本模型当属转化漏斗（conversion funnel），想必大家都不陌生。
转化漏斗通常会将最终的转化设定为某种目标的达成，最为常见的便是实现销售，因此很多时候人们会将转化与销售混为一谈。然而，转化漏斗中的最终转化也可以是其他任何目标的实现，比如一次使用 app 的时间超过 10 分钟（session duration >10minutes）。对于增长黑客而言，构建漏斗是颇为常见的工作。
漏斗能协助我们解决两方面的问题。其一，在某个过程中是否存在流失现象，如果有，我们能够从漏斗中察觉，并通过进一步的分析来堵塞这个流失点；其二，在一个过程中是否出现了不应有的环节，从而对转化的主进程造成损害。
构建漏斗颇为简单，不管是在 web 端还是 app 端，它都是极为好用的方法之一。不过，漏斗使用的诀窍却相当丰富，而且漏斗方法还会与其他方法搭配使用，趣味无穷。
方法八：微转化
大家都熟悉转化漏斗，但并非所有人都关注微转化。想要依靠一个转化漏斗持续提升转化率并非易事，而微转化却能够做到。转化漏斗解决的是转化过程中的重大问题，然而这类问题终归有限，在解决这些问题后，若要继续优化转化，就必须运用微转化。
微转化指的是在转化的必经流程之外，但仍会对转化产生影响的各类元素。这些元素与用户的互动，会影响用户的感受，直接或间接地左右用户的决策。
例如，商品的某些图片展示并非转化过程中必须查看的内容，但它们的存在是否会对用户的购买决策产生影响？这些图片便属于微转化元素。
个人觉得，研究微转化比研究转化更具趣味性。
方法七：合并同类项
合并同类项是一种容易被大家忽略的常用方法。我们往往十分注重细分，但有时也需要了解更为宏观的表现。
合并同类项便是这样一种方法。举个例子，我问你，一个电子商务网站，所有商品页的整体表现怎样？它们作为一个整体的跳出率如何，停留时间怎样，用户满意度又如何等等，你能回答吗？
如果我们逐一查看每个商品页的表现，然后再把所有页面的数据相加进行分析，那实在是太过繁琐（甚至根本无法实现分析）。此时，我们就必须采用合并同类项的方法。
如何进行合并？可以利用分析工具的过滤工具或者查找替换功能。
（PS：不支持此类功能的工具就不用考虑了，因为它根本不应出现在增长黑客的专业装备箱中）。
合并同类项还有诸多用途，比如要了解 web 或者 app 某个版块（频道）的整体表现，或者要了解整个导航体系的使用情况，这都必须运用该方法。
方法六：A/B 测试
通过数据来优化运营和产品的逻辑十分简单——发现问题，想出主意，制作原型，测试定型。
例如，你发觉转化漏斗中间存在漏洞，于是你认为，肯定是商品价格不合理，导致大家不想购买。你发现了问题——漏斗，并且也想到了办法——调整定价。
但这个主意是否可行，并非仅凭想象，必须让真实用户来验证。于是你进行 AB 测试，一部分用户看到原价格，另一部分用户看到新价格。要是你的主意确实有效，新价格就会带来更好的转化。果真如此，新的价格就会被确定下来（定型），开始在新的转化高度上运行，直到你又发现新的需要改进的问题。
增长黑客的一个主要理念，就是不做庞大而全面的东西，而是不断推出能够迅速验证的小巧而精准的内容。如何进行快速验证？主要方法就是 A/B 测试。
在当今的互联网世界，由于流量红利时代的终结，对快速迭代的需求大幅提高，这也使得我们更加重视测试的力量。
在 web 上进行 A/B 测试较为简便，在 app 上难度则要大得多，但解决办法还是不少的。国外的经典 app 以及那些收费的游戏，几乎每天都在进行 A/B 测试。
方法五：热图及对比热图
热图是大家都喜爱的功能，它是直观记录用户与产品界面交互的有力工具。不过在实际运用中，或许大家很少深入探究！
热图对于 web、app 的分析都极为重要！如今的热图相较于过去，功能有了极大的提升。
在 web 端，过去一些难以解决的问题，比如只能查看链接的点击情况、点击位置偏差、对浮层部分点击的标记、对链出链接的标记等等，现在已经有出色的工具能够提供众多新的解决方案。
在 app 端则分为两种情形，内容类的 app 对热图的需求较弱；而工具类的 app 对热图的需求则相当显著。前者的屏幕中以并列内容为主，且内容动态变化，热图的应用价值不高；后者则特别需要通过热图反映用户的使用习惯，并结合 app 内其他的参与度分析（in-app engagement）来优化功能和布局设计，所以热图对它们至关重要。
要想充分发挥热图的作用，一个重要的要点在于几乎不能仅依靠一个热图来解决问题。我常常采用集中对比热图的方法。
其一，进行多种热图的对比分析，尤其是点击热图（触摸热图）、阅读线热图、停屏热图的对比分析；
其二，细分人群的热图对比分析，例如不同渠道、新老用户、不同时段、AB 测试的热图对比等等。
其三，深度不同的互动所反映的热图也有所不同。这种情况也值得利用热图对比功能。例如点击热图与转化热图的对比分析等。
总之，在分析众多用户交互时，热图堪称神器，只不过，热图的强大远超你的想象！
方法四：Event Tracking（事件追踪）
互联网运营数据分析的一个重要基础是网站分析。如今的 app 分析、流量分析、渠道分析，以及后续将提到的归因分析等等，都是在网站分析的基础上发展而来的。
然而，早期的网站分析存在一个特点，那就是对于用户在页面上的互动行为记录，只能记录一种，即点击 http 链接（点击 URL）。随着技术的进步，页面上不仅有 http 链接，还有众多 flash（如今 flash 已逐渐被淘汰）、JavaScript 的互动链接、视频播放、链接到其他 web 或者 app 的链接等等，用户点击这些内容都无法被旧方法记录下来。
不过，有问题就会有解决办法，于是人们发明了事件追踪来应对上述问题。事件追踪本质上是对这些特殊互动的定制化监测，而且由于是定制化，反而带来了更多的好处，即能够额外添加关于这个活动的更多说明（以事件追踪这个方法的附件属性的形式）。结果，这个方法甚至有点反客为主，即使是一些 http 链接，许多分析老手也喜欢为其添加事件追踪（技术上完全可行），以获取更多的额外监测属性说明。
随着 app 的出现，由于 app 的特殊性（屏幕小，更强调在一个屏幕中完成互动），分析 app 的页面（实际上应该是 app 的屏幕）间跳转的重要性远不如 web 上的页面跳转，但分析 app 上的点击行为的重要性则极为巨大，这就使得我们在分析 in-app engagement 时，必须大量依靠 event，而相对较少使用页面（更准确地说是屏幕）。这就是说，在 app 端，event 反而成为主导，页面（更准确应该是屏幕）则成为辅助！
这也是为何你必须掌握这个方法的原因。
方法三：Cohort 分析
Cohort 分析尚未有一个被所有人统一采用的译名。有的称为队列分析，有的称为世代分析，还有的称为队列时间序列分析。大家可以参考维基百科：
无论叫什么，cohort 分析在数据运营领域都变得极其重要。原因在于，随着流量经济的消退，精细化的互联网运营特别需要深入洞察留存情况。Cohort 分析的最大价值也正体现于此。Cohort 分析通过对性质完全相同的可对比群体的留存情况进行比较，从而找出影响短、中、长期留存的因素。
Cohort 分析受到欢迎的另一个原因是它使用起来非常简单，却又十分直观。Cohort 仅用一张简单的图表，甚至无需四则运算，就能直接描述用户在一段时间周期内的留存（或流失）变化情况。甚至，Cohort 还能帮助进行预测。
我一直觉得 cohort 分析是最能体现简单即美的典型方法。
方法二：Attribution（归因）
归因并非人尽皆知，能运用好的更是寥寥无几。不过，考虑到人们购买某一物品的决策，可能受到多种因素（数字营销媒体）的影响，比如通过广告知晓该商品的存在，利用搜索进一步了解该商品，然后在社交渠道上看到该商品的公众号等等。这些因素的综合作用，促使一个人下定决心购买。
如何了解数字营销渠道之间的这种先后关系或者相互作用？如何设置合理的数字营销渠道策略以促进这种关系？在评估一个渠道时，如何将归因考虑在内从而更客观地衡量？这些都需要用到归因。
如果你是互联网营销的负责人，归因分析是必不可少的分析方法。详情可参考精准获客之前文章：SEM 总监成长记 | 营销活动中的归因模型
方法一：细分
严格来讲，细分并非一种具体的方法，而是一切分析的根源。因此它当之无愧排名第一。
我常说的一句话是，无细分，毋宁死。没有细分还做什么分析呢。
细分有两类，一类是特定条件下的区分。例如：在页面中停留 30 秒以上的访问（session）；或者只包含北京地区的访客等。其实这就是过滤。另一类是维度（dimension）之间的交叉。例如：北京地区的新访问者。也就是分群（segmentation）。
细分几乎能帮助我们解决所有问题。比如，我们之前提到的构建转化漏斗，实际上就是将转化过程按照步骤进行细分。流量渠道的分析和评估也需要大量运用细分的方法。
维度之间的交叉是更能体现一个人分析水平的细分方法。比如，我的朋友孙维（卡车之家的数据负责人），他将用户的反馈作为 event tracking 的属性（放在了 event action 属性中），提交给 GA，然后在自定义的报告中，将用户反馈和用户的其他行为交叉起来，从而了解有某一类反馈的用户，他们的行为轨迹是怎样的，进而推测出发生了什么问题。
在分析跳出率时，我们也会将着陆页（landing page）和它的流量源（traffic source）进行交叉，以判断高跳出率是由着陆页导致，还是由流量造成。这也是典型的维度交叉细分的应用。
暂无评论内容