数据驱动业务增长的底层逻辑（2.0版）

2020 年 11 月 15 日 人人都是产品经理

关注并将「人人都是产品经理」设为星标

每天早 07 : 45 按时送达

随着国内经济增速逐渐放缓，大数据和5G新兴技术逐渐成为趋势的时代背景下，科学、有效地引领各个产品业务线持续增长，已成为企业发展的首要任务。然而，市场需求的多样化和个性化日趋复杂，市场竞争愈加激烈。任何一个企业经营的背后，都应有一套系统性的思维框架，来应对各种各样可能遭遇到的困境。

在此背景下，如果可以有效地利用大数据技术，将决策方向从“业务经验驱动”向“数据量化驱动”转型，可以更好地管理企业、驱动业务线的改进、并挖掘业务的增长点。本文从三个方面，来探讨关于数据驱动业务增长的底层逻辑。

全文共 4322 字，阅读需要 9 分钟

—————— BEGIN ——————

“数据”，往往是最真实的信息，其记录了事物的本质及规律，蕴含着事物发展的机会和价值。而善于发现和利用数据的价值，定会发掘更多的惊喜！用“数据”说话，寻求业务痛点和需求，以数据驱动业务发展，使业务实现高效增长！

通常来说，没有人希望拒绝一条昂然向上的曲线；同样，没有哪一家公司会拒绝业务增长的方法。用数据来驱动业务增长，是增长的方法里面，比较重要的一环。

“数据驱动业务增长”是指以企业产品业务线海量数据的收集、存储、可视化、分析、挖掘作为核心支撑的，全体业务线人员参与的，以精准、细分和精细化为特点的运营战略。

即针对运营、产品、市场、客服等部门的运营数据，通过可视化、数量化、精细化、可预测等一系列数据分析方法论以及理论和经验，来进行业务分析，挖掘业务增长点的这么一套理论方案。

具体来讲，数据驱动业务增长的主要形式，包括如下：

产品流量分析
互联网流量分析
目标用户行为路径分析
目标用户群体转化情况分析
活动营销效果优化分析
活动方案策划及推广效果优化分析
用户画像分析
产品功能优化迭代分析
营销与销售业绩分析
企业及部门成本分析
竞品调研以及监控数据分析
渠道效果分析
等等

即便如此，面对海量的数据，还是有很多人感到茫然无措，不知道如何下手、在哪下手，如何开展以及如何得出结论。

下面我们就来了解一下，关于“数据驱动业务增长”的底层逻辑思维，希望在具体的数据驱动业务增长实际应用中能给大家提供一些数据分析的思路。

何为底层逻辑

我们首先来了解：何为“底层逻辑”？

底层逻辑，广义上是指关于某种事物的认知，狭义上的意思则是对于具体到某个产品的规则。

在《底层逻辑》这本书里是这么写的：

所谓底层逻辑，就是从事物的底层、本质出发，寻找解决问题路径的思维方法。底层逻辑越坚固，解决问题的能力也就越强。

当我们在思考问题时，其核心是寻找一个切入点，从这个点开始思考，思考结束后作出了一个决定。

在思考的过程中，当且仅当思考的方向，是围绕着底层逻辑来思考时，其做出的决定才是和初心一致、最贴合内心的决定，也是真实的人性反馈。

而如何去找到思考的切入点呢？

我们不妨可以从商业系统里的定位，来作为底层逻辑的思考核心。

举一个例子：例如腾讯，在早期的时候，它的底层逻辑就是创造一个让人与人可以容易地交流的软件。从这个逻辑出发来确定的定位，就是“连接”。连接什么？连接人与人，连接人与物，连接物与物，连接世界等等。这就是从“连接”——这个底层逻辑上生发出来的商业路径。

也可以说，底层逻辑是事物基本的驱动力。

常用的三个底层逻辑

接下来，我们来看一下以数据驱动业务增长的三个底层逻辑。

底层逻辑一：数据分析基本步骤

所有数据分析都应该以业务场景为起始思考点，以业务决策作为终点。不管是什么样的分析流程，都绕不开这五个步骤：是什么、有多少、为什么、会怎样、又如何。

根据这五个步骤，具体来说是这样子的：

第一步，挖掘业务含义，理解数据分析的背景、前提以及想要关联的业务场景结果；

第二步，收集整理数据，梳理用户行为路径；

第三步，从业务场景中拆分出需要分析的数据，将数据可视化，分析业务场景发生的原因；

第四步，从数据结果中，判断并提炼出解读业务数据后的信息，预测未来结果。

第五步，根据数据结果洞察分析，最终形成最优业务决策。

我们以某互联网HR考勤类网站为例。

我们知道：互联网的渠道运营离不开广告投放，所以这款互联网HR考勤类网站尝试过在百度和360搜索上进行持续的广告投放，为公司的官网引流。

最近领导建议，尝试投放神马搜索渠道来获取流量；另外也需要评估，并用数据进行测算，加入知乎、今日头条进行深度广告投放的运营成本。

在这种多渠道的投放场景下，如何进行深度决策？

我们按照上面数据分析流程的五个基本步骤来拆解一下这个问题：

第一步：挖掘业务含义

首先，渠道人员要了解的是想优化的地方是什么，并以此为北极星指标去衡量优化前后的效果对比情况。

对于渠道效果评估，重要的是业务转化：对HR考勤类网站来说，是否“创建企业”要远比“访问用户数量”重要。

所以，无论是神马移动搜索还是知乎、今日头条渠道，重点在于如何通过数据手段，衡量转化效果；同时也可以根据转化效果，进一步优化不同渠道的运营策略。

第二步，梳理用户行为路径

以“创建企业”为核心转化点，分配一定的预算进行流量测试，梳理用户下载激活到创建企业的行为路径，观察对比注册数量及最终转化的效果。

通过埋点，持续关注创建企业数量，进一步判断渠道质量。

第三步，从业务场景中拆分出需要的数据

将数据通过漏斗图可视化，需要比对渠道流量，以及各个渠道追踪流量、落地页停留时间、落地页跳出率、网站访问深度以及订单等类型数据，进行深入分析。

第四步，提炼业务洞察，预测可能会发生的结果

根据数据结果，比对神马搜索、知乎、今日头条投放后的效果，根据流量和转化两个核心KPI，观察结果并推测业务含义。

如果神马移动搜索效果不好，可以思考产品是否适合移动端的客户群体，或者仔细观察落地页表现是否有可以优化的内容等。

第五步，根据数据结果洞察分析，最终产出业务决策

根据数据洞察，指引渠道的决策制定。比如停止神马渠道的投放，继续跟进知乎、今日头条进行评估，或优化移动端落地页、改变用户运营策略等等。

底层逻辑二：内外因素分解法

在数据分析的过程中，会有很多因素影响到业务指标，那么如何找到这些因素呢？在此向大家推荐：内外因素分解法。

内外因素分解法，是把问题进行拆分，其中必须包括内部因素、外部因素，然后再一步步解决每一个部分的过程。

具体如下：

a. 内部因素：包括获客（渠道质量低、活动获取非目标用户）、满足需求（新功能改动引发某类用户不满）、提活手段（签到等提活手段没达成目标、产品自然使用周期低导致上次获得的大量用户短期内不需要再使用等），新手上手难度大、收费不合理、产品服务出现重大问题、活动质量低、缺少留存手段、用户参与度低等等；

b. 外部因素：可采用PEST分析（宏观经济环境分析），政治（政策影响）、经济（短期内主要是竞争环境，如对竞争对手的活动）、社会（舆论压力、用户生活方式变化、消费心理变化、价值观变化等偏好变化）、技术（创新解决方案的出现、分销渠道变化等）、以及市场、竞争对手、节假日等。

另外，这里也需要注意区分，哪些因素为可控，哪些因素为不可控。

例如，对于内容付费网站，其盈利模式一般为购买广告位等。这时，运营人员发现了一个问题，某作者“发布文章”的篇数，在最近的两个月有缓慢下降的趋势。

对于类似的某一数据指标下降的问题，我们应该怎么分析呢？

根据内外因素分解法可分为：

内部可控因素：产品近期上线更新、市场投放渠道变化、产品粘性、新老用户留存问题、核心目标的转化。
外部可控因素：市场竞争对手近期行为、用户使用习惯的变化等。
内部不可控因素：产品策略（移动端/PC端）、公司整体战略、公司客户群定位（比如只做大数据方面的技术类文章）。
外部不可控因素：互联网行业趋势、整体经济形势、季节性变化。

有了内外因素分解法，我们就可以较为全面地分析数据指标，避免可能遗失的影响因素并且对症下药。

底层逻辑三：问题拆解

问题拆解是指，从一个具体的问题，拆分出影响到整体的问题，或者说从单一的解决方案找到一个规模化解决方案的方式。

可以这么说：把一个宏大的目标，拆分成一个个具体的小目标，逐步推进，完成一个个既定的目标，从建立小反馈，到累计大成果。

值得注意的是：在利用拆解思维的时候，需要明确其总目标，找出总目标的关键节点。

我们来看一个简单的例子，例如，某在线教育平台提供免费课程视频，同时售卖付费会员，为付费会员提供更多高阶课程内容。如果我想将一套python技术的付费课程，推送给一群持续在看 C++ 免费课程的用户，那么应该如何用数据来驱动推广呢？

我们按拆解思维的四个步骤，分解如下：

具体问题：预测是否有可能激发某一群组的用户购买课程。
整体影响：首先根据这类人群的c++免费课程的使用情况进行数据分析、数据挖掘的预测，之后进行延伸，比如对整体的影响，除了计算机类，对其他类型的课程都进行关注和感兴趣的人群。
单一回答：针对该群用户进行分析，进而营销推送，并监控最终转化的影响。
规模化方案：之后推出规模化的解决方案，对符合某种行为轨迹和特征的行为进行建模，产品化课程推荐模型。