下面這篇文章是筆者整理分享的關(guān)于分析工具搭建數(shù)據(jù)指標體系的相關(guān)內(nèi)容，里邊包含了方法論中的基本流程和理論知識以及We分析工具實操的知識，有想了解的同學可以看一看哦！

在學習數(shù)據(jù)分析的時候，發(fā)現(xiàn)很多的文章，要么只涵蓋數(shù)據(jù)分析的基礎(chǔ)知識，要么只關(guān)注數(shù)據(jù)分析工具的操作細節(jié)，缺乏實際方法的實戰(zhàn)教學。因此，本文的目標是將方法論與工具結(jié)合起來，向讀者解釋如何實際應(yīng)用這些方法來構(gòu)建有價值的數(shù)據(jù)指標體系。

一、方法論——基本流程和理論知識

1. 明確業(yè)務(wù)目標和問題

在明確業(yè)務(wù)目標和問題時，團隊應(yīng)該與各個利益相關(guān)方進行充分的溝通，以確保每個人都理解并共享相同的愿景。這個過程涉及到：

1. 定義業(yè)務(wù)愿景：明確組織的長期愿景和目標。這可能包括擴展市場份額、提高客戶滿意度、降低成本、提高產(chǎn)品質(zhì)量等。
2. 確定具體的業(yè)務(wù)問題：具體描述當前業(yè)務(wù)中需要解決的問題或面臨的挑戰(zhàn)、疑惑或機會，它們可能是影響業(yè)務(wù)成功的障礙或需要進一步了解的情況。比如銷售下降、客戶流失、競爭壓力、市場趨勢等。
3. 與利益相關(guān)方對話：與業(yè)務(wù)領(lǐng)導、市場團隊、銷售團隊和其他關(guān)鍵利益相關(guān)方交流，以確保他們的需求和期望得到考慮和反映在數(shù)據(jù)指標體系中。

2. 識別關(guān)鍵績效指標

關(guān)鍵績效指標是組織實現(xiàn)其長期戰(zhàn)略目標的關(guān)鍵驅(qū)動因素。這些指標通常與業(yè)務(wù)績效、成本控制、市場份額、客戶滿意度等關(guān)鍵領(lǐng)域密切相關(guān)。北極星指標六要素法，可以幫助我們準備的定位關(guān)鍵績效指標：

• 標準1：你的產(chǎn)品的核心價值是什么？這個指標可以讓你知道你的用戶體驗到了這種價值嗎？所謂核心價值就是產(chǎn)品為用戶解決的痛點和滿足用戶的需求是什么。比如，對于一個投資應(yīng)用，其核心價值就是投資，所以這個北極星指標應(yīng)該和用戶進行投資有關(guān)。對于一個約會應(yīng)用，其核心價值是約會，所以北極星指標應(yīng)該和用戶完成約會有關(guān)。北極星指標最終應(yīng)該是用戶成功體驗了產(chǎn)品價值的指示燈。
• 標準2：這個指標能夠反映用戶的活躍程度嗎？MySpace以“總注冊用戶數(shù)”作為北極星指標，就是一個累積的靜態(tài)指標，沒有反映出用戶當前的活躍程度。日活躍用戶數(shù)、周活躍用戶數(shù)和月活躍用戶數(shù)這樣的指標會好一些，但是對于“活躍”的定義也要深入思考，不僅僅要看用戶是否持續(xù)登錄，也要看用戶是否完成了使用產(chǎn)品的“關(guān)鍵行為”。
• 標準3：如果這個指標變好了，是不是能說明整個公司是在向好的方向發(fā)展？北極星指標應(yīng)該可以從宏觀上反映出公司的經(jīng)營狀況，即使你不看其他細節(jié)，只要看一眼這個指標，就可以大體上知道公司發(fā)展的趨勢。比如，對于Uber來說，如果只是把注冊司機數(shù)作為北極星指標，顯然就忽略了乘客這一方面，僅僅是注冊司機變多而乘客數(shù)沒有跟上，并不一定說明Uber的生意變好了。因此Uber的北極星指標應(yīng)該能夠反映司機和乘客的供需平衡，因此“總乘車數(shù)”就是更為合適的一個指標。
• 標準4：這個指標是不是很容易被整個團隊理解和交流呢？北極星指標的定義最好不要太復(fù)雜。一般來說，建議選一個絕對數(shù)作為北極星指標，而不是比例或百分比，比如，“總訂單數(shù)”就比“訂單額超過100元的訂單比例”容易理解，也更便于各個團隊之間協(xié)作和交流。
• 標準5：這個指標是一個先導指標，還是一個滯后指標？比如，SaaS公司可能會使用月費收入作為北極星指標，這不是一個壞指標，但是它卻是一個滯后指標，因為有的用戶很可能已經(jīng)停止使用幾個月了，卻還在付月費。在這種情況下，“月活躍用戶數(shù)”可能是一個更好的先導指標。先導指標的好處在于可以讓你提前看到問題，盡早行動。因為等到用戶已經(jīng)停用產(chǎn)品幾個月之后，取消了產(chǎn)品訂閱，此時你再想挽救，往往就太遲了。
• 標準6：這個指標是不是一個可操作的指標？簡單地說，如果對于一個指標，你什么也做不了，那它對你來說相當于不存在。

3. 分解指標

分解數(shù)據(jù)指標是建立數(shù)據(jù)指標體系的關(guān)鍵步驟，它要求將業(yè)務(wù)目標和問題轉(zhuǎn)化為具體的、可測量的數(shù)據(jù)指標。這一步驟有助于確保數(shù)據(jù)收集和分析與業(yè)務(wù)目標緊密相關(guān)，為數(shù)據(jù)驅(qū)動的決策提供了堅實的基礎(chǔ)。

1. 分析KPI的構(gòu)成：首先，仔細分析每個KPI的構(gòu)成。了解KPI是如何衡量整體績效的，以及它與業(yè)務(wù)目標的關(guān)系。
2. 將KPI拆解為可操作的組成部分：將每個KPI拆解為與之相關(guān)的具體組成部分。這些組成部分應(yīng)該是可以度量的，與KPI直接相關(guān)，并且有助于理解績效的各個方面。
3. 對子指標進行分類：將子指標根據(jù)它們的性質(zhì)和功能進行分類。例如，可以將它們分為財務(wù)指標、運營指標、市場指標等，以便更好地組織和理解。
4. 評估子指標的重要性：對每個子指標評估其對整體KPI的貢獻和重要性。確定哪些子指標在實現(xiàn)KPI時具有更大的影響力。
5. 確保子指標可衡量：確保每個子指標都是可衡量的，并且可以通過可靠的數(shù)據(jù)源來度量?？紤]數(shù)據(jù)的可收集性和可用性。

4. 明確數(shù)據(jù)源

數(shù)據(jù)源的種類多種多樣，它們是搭建數(shù)據(jù)指標體系的關(guān)鍵組成部分。了解不同類型的數(shù)據(jù)源有助于明確從哪里收集數(shù)據(jù)以支持所選的關(guān)鍵指標。

1）內(nèi)部數(shù)據(jù)源

內(nèi)部數(shù)據(jù)源是組織內(nèi)部的數(shù)據(jù)產(chǎn)生源。這些數(shù)據(jù)源通常是與組織的內(nèi)部系統(tǒng)和流程相關(guān)聯(lián)的，包括但不限于：

• 銷售系統(tǒng)：包括訂單數(shù)據(jù)、銷售額、庫存情況等。
• 客戶關(guān)系管理系統(tǒng) (CRM)：包括客戶信息、互動歷史、客戶服務(wù)記錄等。
• 分析工具：包括網(wǎng)站、APP、小程序等的流量、用戶行為、轉(zhuǎn)化率等數(shù)據(jù)。
• 財務(wù)系統(tǒng)：包括財務(wù)報表、成本、利潤等財務(wù)數(shù)據(jù)。
• 生產(chǎn)系統(tǒng)：包括生產(chǎn)線數(shù)據(jù)、工藝參數(shù)、產(chǎn)品質(zhì)量等。

內(nèi)部數(shù)據(jù)源通常包含了組織自身的運營數(shù)據(jù)，可以提供對業(yè)務(wù)運作的深入洞察。

2）外部數(shù)據(jù)源

外部數(shù)據(jù)源是來自組織外部的數(shù)據(jù)，它們通常包含有關(guān)市場、行業(yè)和競爭環(huán)境的信息。這些數(shù)據(jù)源可以包括：

• 市場研究數(shù)據(jù)：包括市場規(guī)模、趨勢、消費者行為等信息。
• 競爭情報：包括競爭對手的表現(xiàn)、市場份額、價格策略等。
• 社交媒體數(shù)據(jù)：包括社交媒體平臺上的用戶反饋、關(guān)注度、品牌聲譽等。
• 行業(yè)報告和新聞：包括行業(yè)趨勢、法規(guī)變化、市場機會等。

外部數(shù)據(jù)源可以提供有關(guān)市場和競爭環(huán)境的重要見解，有助于更好地理解外部因素對業(yè)務(wù)的影響。

3）用戶生成內(nèi)容

• 用戶生成內(nèi)容是由用戶生成的數(shù)據(jù)，通常包括用戶評論、產(chǎn)品評級、社交媒體帖子、博客文章等。這些內(nèi)容可以提供有關(guān)產(chǎn)品和服務(wù)的反饋，以及用戶對品牌的看法。
• 用戶生成內(nèi)容可以通過社交媒體監(jiān)測工具、在線評論平臺等方式進行收集和分析。

4) 傳感器數(shù)據(jù)

• 傳感器數(shù)據(jù)通常用于監(jiān)測物理世界的變化。這些數(shù)據(jù)可以來自各種傳感器，如氣象站、工廠設(shè)備、交通監(jiān)控系統(tǒng)等。它們提供了實時的、物理世界的信息。
• 傳感器數(shù)據(jù)在工業(yè)自動化、環(huán)境監(jiān)測、物流等領(lǐng)域具有廣泛的應(yīng)用。

5) 社交媒體數(shù)據(jù)

• 社交媒體數(shù)據(jù)包括用戶在社交媒體平臺上的互動、分享、評論等行為。這些數(shù)據(jù)可以提供有關(guān)品牌知名度、用戶反饋和市場趨勢的信息。
• 社交媒體數(shù)據(jù)通?？梢酝ㄟ^API訪問，并使用社交媒體分析工具進行分析。

5. 定義指標概念

當我們定義指標時，明確其度量方法至關(guān)重要。它確保不同團隊和人員在數(shù)據(jù)采集和報告時都遵循相同的規(guī)則，從而減少混淆和誤解。讓不同時間和地點的數(shù)據(jù)可以進行比較，使得數(shù)據(jù)更有意義。

此外，明確的度量方法可以降低錯誤和數(shù)據(jù)質(zhì)量問題的風險。它還能夠幫助我們更容易地解釋和傳達數(shù)據(jù)，提高數(shù)據(jù)的可理解性。

定義數(shù)據(jù)指標度量方法的模板如下：

• 指標名稱：定義指標的名稱
• 指標描述：在這里提供對指標的簡明描述，明確它的含義和作用。
• 計算公式：指定用于計算該指標的數(shù)學公式或計算方法。確保計算方法清晰和具體。
• 度量方案：描述如何度量和收集與該指標相關(guān)的數(shù)據(jù)，包括數(shù)據(jù)源、數(shù)據(jù)單位和數(shù)據(jù)收集頻率。
• 數(shù)據(jù)源：指定從何處獲取指標所需的數(shù)據(jù)。這可以是內(nèi)部系統(tǒng)、外部數(shù)據(jù)提供商、用戶調(diào)查等。
• 數(shù)據(jù)單位：定義該指標的度量單位，例如貨幣、百分比、數(shù)量等。
• 數(shù)據(jù)收集頻率：規(guī)定數(shù)據(jù)收集的頻率，例如每日、每周、每月，以確保數(shù)據(jù)的及時性和一致性。

6. 數(shù)據(jù)收集

在數(shù)據(jù)收集階段，需要了解和掌握數(shù)據(jù)分析的基本知識，包括埋點事件、事件屬性、事件拆解、埋點方式等。數(shù)據(jù)收集不僅可以解答特定的業(yè)務(wù)問題，還為組織提供了有關(guān)用戶行為、產(chǎn)品性能和市場趨勢的有價值信息。這種數(shù)據(jù)驅(qū)動的方法有助于組織更好地理解其受眾、優(yōu)化產(chǎn)品和服務(wù)，并做出更明智的決策。

埋點事件：是數(shù)據(jù)分析中的關(guān)鍵概念，指的是在應(yīng)用程序、網(wǎng)站或移動應(yīng)用中追蹤和記錄用戶的各種操作和行為。埋點事件=觸發(fā)條件+事件行為+事件結(jié)果+事件屬性。

• 觸發(fā)條件：指的是導致特定事件發(fā)生的前提條件或觸發(fā)因素。這包括用戶的行為、應(yīng)用程序的狀態(tài)或環(huán)境的變化，這些條件觸發(fā)了事件的發(fā)生。觸發(fā)條件有助于確定事件何時發(fā)生以及為什么發(fā)生。例如：進入頁面，打開應(yīng)用，加載完畢等。
• 事件行為：描述了事件的具體性質(zhì)和用戶的互動方式。這包括用戶的點擊、輸入、導航、瀏覽、分享、表單提交等。
• 事件結(jié)果：事件結(jié)果涵蓋了事件發(fā)生后的效果或影響。這可以是用戶的狀態(tài)變化、頁面的跳轉(zhuǎn)、數(shù)據(jù)的記錄、通知的發(fā)送等。
• 事件屬性：它們是與事件相關(guān)的附加信息或變量。事件屬性可以提供有關(guān)事件的更多上下文和詳細信息，使數(shù)據(jù)分析更豐富和精確。例如，在商品購買事件中，事件屬性可以包括商品名稱、價格、購買數(shù)量、用戶ID等信息。

埋點事件的收集方式可以有多種選擇，包括手動埋點、自動埋點和混合埋點：

• 手動埋點：在手動埋點中，開發(fā)人員需要編寫代碼來明確定義要收集的事件和屬性，然后將代碼嵌入應(yīng)用程序中。這種方法提供了最大的靈活性，但需要更多的工程開發(fā)工作。
• 自動埋點：自動埋點是通過工具或框架自動生成事件追蹤代碼。這種方式減少了開發(fā)工作，但可能限制了事件的粒度和靈活性。
• 混合埋點：混合埋點結(jié)合了手動和自動埋點的優(yōu)點。開發(fā)人員可以手動定義重要的事件，同時使用自動生成的代碼來捕獲一般性的事件。這種方法在靈活性和效率之間取得了平衡。

7. 數(shù)據(jù)分析

數(shù)據(jù)分析在業(yè)務(wù)決策和優(yōu)化中發(fā)揮著至關(guān)重要的作用。以下是數(shù)據(jù)分析的幾個重要方面，包括事件分析、漏斗分析、事件流分析和留存分析：

1）事件分析：事件分析是數(shù)據(jù)分析的核心，用于深入了解用戶行為和互動事件。它包括以下關(guān)鍵要素：

• 趨勢分析： 通過觀察事件隨時間的變化趨勢，可以了解特定行為的發(fā)展和演化，例如用戶活躍度的季節(jié)性變化。
• 對比分析： 對比不同事件或?qū)傩灾g的差異，以找出關(guān)鍵因素。例如，比較不同廣告渠道的轉(zhuǎn)化率，以確定哪個渠道效果更好。
• 排序分析： 將事件按照某種指標進行排序，以識別最重要的事件或?qū)傩?。這有助于集中精力優(yōu)化關(guān)鍵領(lǐng)域。
• 構(gòu)成分析： 了解事件的組成成分，例如，哪些屬性對事件的影響最大。這有助于識別關(guān)鍵因素。
• 分布分析： 分析事件發(fā)生的分布情況，例如，事件在不同地理位置或設(shè)備上的分布，以便更好地理解用戶群體。

2）漏斗分析：

漏斗分析用于理解用戶轉(zhuǎn)化過程，通常應(yīng)用于產(chǎn)品或服務(wù)的優(yōu)化。

它包括以下內(nèi)容：

• 事件漏斗：漏斗包括一系列事件，用于描述用戶從初始步驟到最終轉(zhuǎn)化的路徑。例如，從注冊到購買的轉(zhuǎn)化過程。
• 轉(zhuǎn)化窗口期： 轉(zhuǎn)化窗口期是指用戶完成漏斗中的每個步驟所需的時間段。這有助于確定用戶是否在預(yù)期時間內(nèi)完成轉(zhuǎn)化，以及在哪個步驟中存在流失。

3）事件流分析：

事件流分析幫助理解用戶在應(yīng)用程序或網(wǎng)站上的詳細行為流程。

它包括以下內(nèi)容：

• 事件序列： 記錄用戶在應(yīng)用程序中執(zhí)行的事件序列，從而深入了解用戶的路徑和行為。
• 用戶路徑分析： 分析用戶在應(yīng)用程序中的路徑，例如從登錄到購物車，以識別最常見的用戶行為路徑。
• 時間線分析： 顯示用戶在應(yīng)用程序中的行為時間線，幫助識別用戶的關(guān)鍵互動時刻。

4）留存分析：

留存分析用于衡量用戶在一段時間內(nèi)保持活躍的情況，以及用戶回流率。

它包括以下內(nèi)容：

• 起始行為： 確定用于計算留存率的初始行為，例如用戶的第一次登錄或首次購買。
• 留存行為： 定義了用戶在留存周期內(nèi)必須執(zhí)行的行為，以確保他們被視為留存用戶。
• 留存周期： 指定留存率計算的時間范圍，如1天、7天、30天等，以了解用戶在不同時間段內(nèi)的忠誠度。

這些數(shù)據(jù)分析方法幫助組織更好地理解用戶行為、產(chǎn)品性能和市場趨勢，為業(yè)務(wù)決策提供深入的見解和數(shù)據(jù)支持。通過結(jié)合這些分析方法，組織可以更精確地識別問題、優(yōu)化流程，并制定更有效的策略。

二、We分析工具實操——以電商小程序為案例

1. 明確業(yè)務(wù)目標和問題

• 業(yè)務(wù)目標： 提高電商小程序的購物車轉(zhuǎn)化率。
• 業(yè)務(wù)問題： 為什么購物車中的商品較少用戶購買，導致轉(zhuǎn)化率下降？

2. 識別關(guān)鍵績效指標

• 購物車轉(zhuǎn)化率：購物車內(nèi)商品結(jié)算的用戶數(shù)量 / 訪問購物車頁面的用戶數(shù)量。
• 平均購物車價值：購物車內(nèi)訂單總價值 / 購物車內(nèi)訂單數(shù)量。
• 跳出率：進入購物車頁面后未進行任何操作的用戶數(shù)量 / 訪問購物車頁面的用戶數(shù)量。

3. 分解指標

1）購物車轉(zhuǎn)化率

分子：購物車內(nèi)商品結(jié)算的用戶數(shù)量。

進一步拆解：添加商品到購物車后結(jié)算的用戶數(shù)量，直接進入購物車并完成購買的用戶數(shù)量。

分母：訪問購物車頁面的用戶數(shù)量。

進一步拆解：訪問購物車頁面但未進行任何操作的用戶數(shù)量，添加商品到購物車的用戶數(shù)量，查看購物車的用戶數(shù)量。

2）平均購物車價值

分子：購物車內(nèi)訂單總價值。

進一步拆解：每個訂單的總價值。

分母：購物車內(nèi)訂單數(shù)量。

進一步拆解：訂單數(shù)量。

3）跳出率

分子：進入購物車頁面后未進行任何操作的用戶數(shù)量。

進一步拆解：用戶在購物車頁面停留時間很短，沒有進行任何瀏覽或交互的用戶數(shù)量。

分母：訪問購物車頁面的用戶數(shù)量。

進一步拆解：訪問購物車頁面但未進行任何操作的用戶數(shù)量，添加商品到購物車的用戶數(shù)量，查看購物車的用戶數(shù)量。

4. 明確數(shù)據(jù)源

數(shù)據(jù)源包括電商小程序的內(nèi)部數(shù)據(jù)庫、用戶行為分析工具以及第三方購物行為數(shù)據(jù)。

5. 定義指標概念

1）購物車轉(zhuǎn)化率

度量方法： 百分比

計算公式：購物車轉(zhuǎn)化率 = (購物車內(nèi)商品結(jié)算的用戶數(shù)量 / 訪問購物車頁面的用戶數(shù)量) * 100%

度量方案：每月購物車轉(zhuǎn)化率、不同設(shè)備類型的購物車轉(zhuǎn)化率、不同用戶來源的購物車轉(zhuǎn)化率

2）平均購物車價值

度量方法：貨幣金額

計算公式：平均購物車價值 = 購物車內(nèi)訂單總價值 / 購物車內(nèi)訂單數(shù)量

度量方案：每月平均購物車價值、不同商品類型的平均購物車價值、不同用戶群體的平均購物車價值

3）跳出率

度量方法： 百分比

計算公式：跳出率 = (進入購物車頁面后未進行任何操作的用戶數(shù)量 / 訪問購物車頁面的用戶數(shù)量) * 100%

度量方案：每月跳出率、不同購物車頁面版本的跳出率、不同廣告渠道的跳出率

6. 數(shù)據(jù)收集

• 事件名稱： 事件的名稱，例如“商品加購”
• 事件描述： 事件的簡要描述，例如“用戶將商品添加到購物車”
• 觸發(fā)條件： 事件發(fā)生的觸發(fā)條件，例如“用戶點擊了‘加入購物車’按鈕”
• 事件行為： 事件的具體行為描述，例如“用戶點擊了‘加入購物車’按鈕”
• 事件結(jié)果： 事件發(fā)生后的效果或影響，例如“商品成功添加到購物車”
• 事件屬性： 事件相關(guān)的屬性信息，

例如：

1. 商品名稱：商品的名稱
2. 門店名稱：門店的名稱
3. 用戶ID：用戶的唯一標識符
4. 時間戳：事件發(fā)生的時間

• 指標類型： 事件相關(guān)指標的類型，例如整數(shù)、比例、留存等
• 數(shù)據(jù)類型： 指標的數(shù)據(jù)類型，例如總和、人數(shù)、次數(shù)等
• 數(shù)據(jù)存儲位置： 事件數(shù)據(jù)將存儲在何處，例如數(shù)據(jù)庫、數(shù)據(jù)倉庫、云存儲等
• 數(shù)據(jù)收集周期： 多久收集一次事件數(shù)據(jù)，例如實時、每小時、每天等
• 數(shù)據(jù)質(zhì)量控制： 確保數(shù)據(jù)質(zhì)量的措施，例如數(shù)據(jù)驗證、清洗和糾錯
• 數(shù)據(jù)安全性： 保護數(shù)據(jù)安全和隱私的措施，例如數(shù)據(jù)加密、訪問控制等

備注： 附加說明或備注，例如特定的數(shù)據(jù)處理規(guī)則或其他細節(jié)

收集完以上所有的信息，需要配置在數(shù)據(jù)分析工具里，以We分析舉例。

①配置屬性：

②配置事件：

③配置指標：

7. 數(shù)據(jù)分析

1）事件分析：

我們首先執(zhí)行事件分析，以了解用戶在購物車轉(zhuǎn)化過程中的行為。

• 事件名稱：購物車轉(zhuǎn)化
• 事件描述：用戶將商品添加到購物車并成功完成購買。
• 事件屬性：商品名稱、購物車中的商品數(shù)量、用戶ID等。
• 我們查看購物車轉(zhuǎn)化事件的歷史趨勢，以確定是否存在時間相關(guān)的變化。

2）漏斗分析

接下來，我們使用漏斗分析來識別用戶轉(zhuǎn)化過程中的關(guān)鍵步驟，以及哪些步驟導致流失。

漏斗包括以下事件：

• 用戶瀏覽產(chǎn)品頁面。
• 用戶將商品添加到購物車。
• 用戶查看購物車。
• 用戶完成購買。

我們分析每個步驟的轉(zhuǎn)化率，以確定哪個步驟存在問題。例如，如果“查看購物車”后的轉(zhuǎn)化率較低，可能需要優(yōu)化購物車頁面的設(shè)計。

小貼士：學習轉(zhuǎn)化的定義（來源：growingio操作手冊）

轉(zhuǎn)化定義：用戶進入漏斗后，在規(guī)定的時間范圍，按照分析者規(guī)定的行為，規(guī)定順序完成了目標事件即為轉(zhuǎn)化。

由此看來完成轉(zhuǎn)化有三個方面： 規(guī)定的時間，規(guī)定的行為，規(guī)定的行為順序，缺一不可。

下面舉一些例子：

假設(shè)用戶在規(guī)定時間內(nèi)依次完成 ABCD 則為轉(zhuǎn)化，那么：
●ABCD：用戶按照規(guī)定的路徑完成了轉(zhuǎn)化。常見真實場景如 訪問 注冊 安裝 SDK；訪問 聽歌 購買會員。
●ABCBCBCCD：用戶反復(fù)多次后完成轉(zhuǎn)化。常見真實場景如 表單注冊，產(chǎn)品購買時在詳情頁和下單頁反復(fù)后完成購買。
●ABCABCD： 用戶重新開始完成了轉(zhuǎn)化。常見真實場景如用戶購買時發(fā)現(xiàn)明天購買更便宜，明天重新開始購買。
●ABCED：用戶除了進行規(guī)定步驟還做了其他操作完成了轉(zhuǎn)化。常見真實場景如 C 和 D 之前看是否看 demo，來看 demo 的作用。
●ABCF：用戶沒有完成轉(zhuǎn)化，在 C 流失。常見真實場景如發(fā)現(xiàn)產(chǎn)品太貴，去其他平臺上看價格。
●ABCBF：用戶沒有完成轉(zhuǎn)化，在節(jié)點 B 流失。常見真實場景如回到上級頁面后發(fā)現(xiàn)不符合需求，離開漏斗。
●ABC…D （… 代表轉(zhuǎn)化了，但沒在規(guī)定時間完成）： 用戶雖然按照順序完成了轉(zhuǎn)化，但未在規(guī)定時間內(nèi)完成。常見真實場景如試用期 14 天，十四天內(nèi)成單給與九折優(yōu)惠，超過 14 天沒有獎金。
●AD：未轉(zhuǎn)化。
●ABABCDBCABCD：用戶完成了兩次轉(zhuǎn)化。

3）留存分析

最后，我們進行留存分析，以了解用戶的回流情況和用戶忠誠度。

我們選擇留存周期為7天，并使用以下事件：

• 起始行為：用戶首次將商品添加到購物車。
• 留存行為：用戶在7天內(nèi)完成購買。

我們計算購物車轉(zhuǎn)化事件的7天留存率，以確定用戶在購物車階段的忠誠度。如果留存率低，可能需要改進購物車體驗。

小貼士：留存分析怎么看？（來源：growingio操作手冊）

留存圖中的數(shù)據(jù)是根據(jù)留存表來繪制的，我們針對留存表來說明一下數(shù)據(jù)統(tǒng)計口徑。首先，需要明確的是，留存表中的每個絕對值，指的都是人數(shù)。

下面，我們把留存表分成 “匯總行”和”日期行”：

“匯總行”的數(shù)據(jù)是依據(jù) “日期行”的數(shù)據(jù)來計算的。下面具體解讀一下：

5722：這個是日期行的 “用戶量”一列，代表的是 9 月 18 日，”目標用戶”中完成”起始行為”的用戶量，這是后續(xù)用戶留存的基數(shù)。圖中給出的 “日顆粒度”，如果是周顆粒度，那么這個單元格中的用戶量是當前自然周的獲取的用戶去重得到的獨立用戶量。

26.9%：這個是日期行的留存率圖中的留存率數(shù)據(jù)。

Tips 給出了統(tǒng)計口徑；5722 個滿足起始行為的用戶，有 1537 個用戶在第二天(09月/19日)完成了留存行為。次日留存率的計算：26.9% = 1537（人）/5722（人）

117012：這個是匯總行 “用戶量”列。是日期行每一行的 “用戶量”數(shù)據(jù)直接算數(shù)相加得到的，沒有做去重。需要特別注意，這個數(shù)據(jù)不是在選定的時間范圍內(nèi)的實際用戶量，因為這個數(shù)據(jù)沒有去重。

12.2%：這個是匯總行的留存率數(shù)據(jù)。這個留存率數(shù)據(jù)是日期行每一行數(shù)據(jù)加權(quán)平均得到的。

具體算法是：

12.2% = 每個日期行 “3日后” 列的用戶量算數(shù)相加/ 對應(yīng)每個日期行 “用戶量” 列的用戶量算數(shù)相加。

為了更好地理解計算口徑，下面是一個示例：

三、結(jié)論和改進措施

通過數(shù)據(jù)分析，我們可能得出以下結(jié)論：

●購物車轉(zhuǎn)化率下降可能是由于購物車頁面設(shè)計不佳導致的。
●購物車頁面的瀏覽到轉(zhuǎn)化率很低，需要改進購物車頁面的用戶體驗。
●用戶在購物車階段的忠誠度較低，需要采取措施提高購物車轉(zhuǎn)化率。

基于這些結(jié)論，我們可以制定改進措施，例如優(yōu)化購物車頁面設(shè)計、提供更好的購物體驗以及實施促銷策略，以提高購物車轉(zhuǎn)化率并提升電商小程序的業(yè)績。

通過這個實際案例，我們明確了業(yè)務(wù)目標，識別了關(guān)鍵績效指標，分解了指標，明確了數(shù)據(jù)源和定義了指標，然后進行了數(shù)據(jù)收集和分析，以更好地理解問題并采取相應(yīng)的措施來提高轉(zhuǎn)化率。

四、參考文獻

https://docs.growingio.com/op-help/docs/2.6/product-manual/customer-data-platform/
https://developers.weixin.qq.com/miniprogram/analysis/