2022年互联网增长数据分析手册

hillGrowinglO

互联网增长的第一本

数据分析手册

—产品干货/真实案例/即学即用一

GrowinglO新一代数据分析产品

目录

序

为什么微软溢价50%并购Linkedln:估值、增长、变现和背后的魔法

第一章数据概览

1.1你有没有想过，不埋点也可以采集数据，而且更快更全面

1.2融资2000万美金之后，我们跟他聊了聊怎么做好增长

第二章数据驱动增长

2.1产品经理：一个优秀的数据产品经理是怎样炼成的

2.2产品经理：为什么目标和执彳播没有问题，产品却越做越差

2.3打造更好的用户体验，需要这四个步骤

2.4SAAS企业如何做好用户体验

第三章指标

3.1走出只关注PV、UV的误区，数据分析这样做才能解决问题

3.2老板问的指标都记不住，还想做百万年薪数据分析师

3.3从「埋点」到「无埋点」，是过去和未来的差别

第四章衡量拉新

41提高渠道R0I:如何打破用户"只看不买"魔咒，把流量转化为注册和购买

第五章转化

5.1注册率提升30%?手把手教你实践增长黑客

5.2产品经理如何通过数据分析提升转化率

第六章留存

6.1先度量，再增长：实现90%客户留存

6.2做好用户留存，产品、市场和运营有这些应对方法

GrowinglO新一代数据分析产品

第七章行业实践

7.1如何用数据分析推进SaaS公司客户成功

7.2数据分析如何破解SaaS企业客户留存难题

7.3数据驱动下的SaaS企业客户成功

7.4互联网金融增长宝典：三大步骤提高转化，搞定用户运营

7.5电商精细化运营的五大关键指标和三个关键思路

后记

为增长而来一GrowinglO2016产品发布会张溪梦演讲实录

GrowinglO新一代数据分析产品

为什么微软溢价50%并购Linkedln:估值、

增长、变现和背后的魔法

本文作者张溪梦，GrowinglO创始人、CEO,前Linkedln美国商业分析部高级总监，美

国DataScienceCentral评选其为"世界前十位前沿数据科学家"。

今天可能大家都听到了Linkedln被微软262亿美元收购的消息，一个接近溢价50%的

offer,把世界上第一大职业社交网络、也是世界上第二大的SaaS（软件即服务）的厂商融

入到微软迅速崛起的商业云战略中。很多朋友会问，为什么Linkedln会有这么高的估值，

为什么微软会溢价50%收购Linkedln。

很多朋友问我，「一个社交网络值吗？」「价格是高了，还是低了？」

其实事物的核心往往很简单，并购、估值、溢价的本源就是「增长」。微软收购Linkedln在

某种程度上说，是通过并购来获得进一步增长。非常重要的一点，Linkedln在过去6年

间从一7000万左右年营收的企业，一下子增长至30亿美元营业额的企业，五年业务

增长超过40倍。这种增长速度在企业服务领域里面是惊人的。

6年多以前，我第一次在Linkedln的公司例会上听到彼得德鲁克的一句话，他说：如果

一个事情，你不能衡量它的话，那么你就不能增长它。这句话的核心理念沉淀出了Linkedln

的企业价值观。增长带动数据分析，数据带动变现，变现进一步促进增长。而且这种文化折

射出硅谷里面蔓延的精益创业的文化，即创业公司必须要做三件事——Build（建立）、

Measure（衡量\Learn（学习）。这句话在过去的6年间不断得到验证，不断通过各种

各样的方式在产品，运营，销售，市场推广等各个领域得到大规模的实践。

很多人曾经怀疑Linkedln的估值过高,实际上华尔街给予Linkedln的估值，基于很多

非常基础的指标。其中一个重要的公式就是获客成本（CAC）和用户生命周期价值（LTV）

之间的关系,Linkedln获取企业客户的成本远远低于普通的SaaS竞争对手。比如说我们

曾经打造的整个销售线索数据系统，客户成功分析系统，市场营销数据分析系统，产品分析

GrowinglO新一代数据分析产品

系统等等让各个部门做到完全数据分析驱动。这里的直接结果就是，Linkedln对比普通运

营良好的SaaS企业，她的CAC/LTV比值，一般只有竞争对手的一半左右。销售和市场

的总cost，比竞争对手或同类型的公司低一倍以上。这就让整个的公司增长在同等资源支

持下要快好几倍。

LinkedlnS&Mas%ofRevComparedtoSaaSMedian

150%-

100%-

图片

因为大量的客户都是企业级客户，Linkedln的企业级客户销售效率是业内最佳公司之一。

数据驱动整个的变现团队（销售，市场，运营，产品）用超快的速度获取了客户，最有效率

的减少了用户的流失，同时在单位时间内，在既有客户上有效率地变现和增长。这是华尔街

一直给予Linkedln较高估值的核心原因。

Linkedln早期的变现战争

数据是Linkedln增长战略里面一个很重要的环节，无论在产品设计、业务运营里面，数

据都是一个很重要的环节。Linkedln是2002年底成立的，2003年业务框架基本上设计

完成，成立早期它就已经把用户数据和变现的框架讲得很清楚了。

GrowinglO新一代数据分析产品

整体战略就是这三个圆圈，第一个是用户的增长、使用和活跃度，第二个是产生大量的数据，

然后数据变现，进行业务变现和增长，再次促进用户使用，产生数据，变现，使用，增长,

数据变现。

哈弗曼（Linkedln创始人&CEO）设计Linkedln战略的时候，他收集大量的用户信息，

想了三种变现方式：

•第一种，通过用户的基本信息来变现，比如说公司发布职位。

•第二种，用户数量增长到一定程度的时候，有B2B企业投广告。

•第三种，当有大量人的信息以后，公司的猎头会用这个平台来找候选人。

变现的方式他也想得很清楚但并没有在第一天就去做他核心关注的是用户体验和使用度，

是整体的增长，增长产生大量的数据，他从数据里学习，未来才做变现。

Linkedln在只有1万用户的时候就开始用数据驱动业务。早期的时候，第一批用户获取

就完全靠创始人冷启动，所有的联合创始人和最早期的10个员工，每个人需要拉500个

朋友进来，这就是他获取的第一批1万个用户。

之后，招来第一个产品经理，开始做下一轮的增长，从1万到2万5千，这段时间他们

去观测两个渠道，一个是电子邮件，一个是搜索：

Linkedln刚出来创始团队都有一些光环,所以会有用户主动搜索Linkedln或者搜索人。

我们从数据里发现，从SEO的渠道里进来的用户，比电子邮件邀请进来的人数量差不多,

但在产品平台上的活跃度要高3倍。这是之前没有想到过的，于是做了一个决定：如果要

获取同样数量的用户，他们更愿意投入资源在使用频次更高、更愿意把时间花在这里的，所

以，放弃低活跃的用户，专注活跃的用户。

我认为，这是他的产品战略执行层面里面第一个事情正确做的事情。

创业者应该从什么时候开始关注数据？

Greylock也是投资人，以前是Pinterest的产品经理。当时增长速度非常快，每年他们都

是几倍的增长，他总结出来一套框架，在产品整个生命周期里面，创始人在什么时候应该对

数据敏感？

GrowinglO新一代数据分析产品

在产品最早期，不需要太多数据，凭借创始人的直觉，产品经理的直觉，做决策占很大的比

例。但是到后来的话，数据化运营就越来越重要了。一个人在里面不可能永远的赢，一

个团队不断变大的话，不可能所有的员工都有直觉决策力，到未来以后数据来驱动决策能保

证效率。

数据会告诉你很多信号，这些信号让你有一个标准，可促进增长的空间，你带着假设迅速的

验证。我们现在还在持续的优化，今天我们变成20%多的转化率了。

对数据的敏感度和判断力是可以通过日积月累培养的。

Linkedln的CEO每天早晨是五点半、六点就起床，发大量的邮件，为什么搜索效率增加

了，为什么昨天广告营收是这样的，产品经理就跟着起床，全公司的数据分析就跟着起床,

全公司运营人就跟着起床。到后来，我们说全公司最好的分析师是谁，是CEO,他对所有

的数据了若执掌。2014年，我邀请他去我们组里做一次分享，大家问他，你每天看那么多

文件不烦吗？他说，对他来说不是一个报表，像一张热力图一样，他一看就有感觉了，就知

道问题在哪儿。而且到后来数据已经变成了他的一种感觉，对数据的直觉和对产品的深入使

用，令他很快就定位到问题所在。这也是为什么Linkedln的NetIncome,会比很多亏

损的SaaS企业在财务报表上面好得多的一个原因。这又再次推动Linkedln估值的提高。

LinkedlnNetIncomeas%ofRevComparedtoSaaSMedian

(Dn

u

3

9>

ct:

H-0

/

BS

①

E

o

o

u

-

l

①-150%-

N

GrowinglO

数据分析

・200%----------------------------------------------------------------------------

46810

YearsSincedFounded

图片

Linkedln每年反复要去问的一个问题是：如果只有一件事全公司要做的话，是什么？得用

GrowinglO新一代数据分析产品

数字来证明的：一星期内加到5个联系人的用户，他们的留存/使用频度/停留时间是那

些没有加到5个联系人的用户的三倍到五倍，这是他们找到的驱动增长的魔法数字。

但是当时这样的人非常非常少，于是他们在产品各个入口都增加社交关系。Linkedln还有

一个上传地址簿的功能，还给你推荐哪些人你可能认识，同时把这些功能点放在各个产品页

面的入口。

Linkedln最早的时候并不知道为什么增加社交关系会产生那么大的留存度，我们分析了起

码有两三百个各种不同的指标，最后没有任何一个指标能告诉我们，就是因为这个原因。

可是加权以后的结果是这些用户在上面花了很多时间，间接就成为变现的可能。但是产品经

理就把非常复杂的问题简化，让所有的东西都关注这一个点：关注这个魔法数字，让更多的

用户在第一周里加到5个联系人。于是，当时增长速度是非常快的。

数据驱动应该成为企业文化

数据驱动首要的第一点是，CEO要认识到它的价值；第二点，我们需要基本的框架和方法

论，框架很简单，就是三个，有个idea迅速落地，进行验证，进入下一次闭环；第三点,

必须要变成一种数据文化。

在Linkedln全公司都有这样一种数据文化：

产品部门：虽然今天有4亿用户，但是从1万到2万5千个用户的时候就开始用数据

分析。例如2004年发现不同渠道来的用户活跃度不一样，决定做更活跃的用户。

客户服务利用用户的使用数据判断哪个客户会流失。例如使用度下降的客户会流失，客服

每天观察各个客户公司的指标，及时跟进联系客户增加留存。

销售部门95%以上的销售每个星期都在用用户行为数据，判断哪一家公司有购买服务的

可能。他们对每一个客户进行数据应用量的排名，根据使用度高、使用频次多、上次距离近

等各种因素进行排序，销售团队客户服务团队会有针对性的互动。智能预测客户流失，客户

需求，为销售人员，客服人员提供协助。

GrowinglO新一代数据分析产品

市场部门用数据每周都会优化广告投放，价格变动，电子邮件营销，线下活动效果的衡量

来促进营业额的提升。

过去很多年，在美国的生活是很舒服的，我之所以从Linkedln离开，是因为我们亲身感

受数据驱动的力量.2010年的时候我们做了销售分析，把公司按照使用度来排名，让销售

就盯最活跃的和最不活跃的五个用户，当时给Linkedln带来超过200%以上的增长。

数据驱动对变现有多重要？

创业时，首先你要有一个很好的概念，让他迅速地落地，然后我们用数据去证明它是不是有

效率。现在流量越来越贵，所以，我们需要通过迅速循环的方法，用数据来证明我们做的事

是有效果的，这种效果可以很快地叠加和堆积，形成未来的增长，这就是精益创业的核心。

举个例子，网站用户注册，大家都在做，但这里面有很多的坑。Linkedln优化了好几年,

非常小的改动，就能带来几何倍数的变化。

GrowinglO的用户注册步骤是三个页面，有一段时间，我们的最终注册转化率是7.7%,

听上去8%和15%又能怎么样呢？但是很多东西要看细节，我们当时把这个注册转化率

通过浏览器做了一个分群，发现用Chrome的人注册成功率是12%,用IE的注册成功

率是1%.

注册漏斗创建者：cheroontao创建的同：2016-04-01

O本月“化“匍：1天内

淘宽器：Ctxome浏览现：正

|总共化,12.2%z］总内化*1.44%”

GropO一■员谢26.16KMHGroMBO.・寅窈兔

“24.1%~4.32%

防邈f注册贝…?.49k9H3新注W注39页.“

“53.5%“37.0%

»S79591B厮然段箕-先■儡・费…

A*94.7MX90.0%GrowinglO

数据分析

洪艮新建明翼-HUB充页…8V

因为我们用了一套新的Java的框架，在老版windows浏览器里得不到支持。因止匕我们

GrowinglO新一代数据分析产品

接下来只要提高IE的注册成功率，就可以把整体的成功率提高。

在数据分析之前，我们其实查过很多文献，普通一个SaaS软件的话，基本上从访客到最

后成功的注册应该是5%左右，我们当时觉得7%还挺好，但实际上很多人想进来，想买

东西都买不了，因为他根本堵在中间了。

为什么离开Linkedln出来创业GrowinglO

我们在过去十几年的工作经验中，亲眼见到了，亲手实践了若干的数据分析项目。看到了数

据分析在各种企业里面巨大的价值，这种价值是超过很多人的想象的。而且这种数据驱动的

价值能够在各种企业里面得到彰显。但是我们也看到了，很多的企业没有做到最简单的三件

事，错过了用数据驱动增长的机会：

•没有认识到数据分析带来的巨大价值。

•没有掌握数据分析的非常简单的方法论和框架，企业内部没有足够的人才来应用这套框

架。

•没有使用正确的，适合现代潮流的分析工具来做到事半功倍。

这是我们创业GrowinglO的原因。GrowinglO对很多企业都有好处，他不只是对大的互

联网企业，其实，小的创业企业没有那么多资源和时间，更需要工具化.今天是工具化的时

代，如何很快的用工具来实现价值，是一个核心的竞争力的体现。

返回至目录

GrowinglO新一代数据分析产品

你有没有想过，不埋点也可以采集数据，而

且更快更全面

本文作者单元明，GrowinglO联合创始人，在产品和市场分析方面有多年工作经验,在成

立GrowinglO公司之前，在美国若干知名企业Coursera,LinkedIn,Rock&Fuel公司，

担任性能分析、商业分析经理和移动产品分析管理工作。

数据分析和数据驱动业务增长已经被越来越多的企业和员工所认同，大数据/漏斗分析/

分析模型和算法也被很多人津津乐道。但所有的数据分析都有一个基础，数据获取。

对于很多互联网公司而言，数据获取通常的做法是在web网站，或者app内不同的页面

里，根据不同产品以及需求在不同位置嵌入的相对应代码来收集数据，俗称埋点。对很多互

联网公司的市场营销，PM,分析师，工程师来说，通过埋点来收集数据都是一个绕不过的

坎。

但是埋点数据采集会碰到各种各样的问题，以做市场营销为例，可能包含以下情况：

•各种追踪像素，信号指示或者JavaScript片段嵌入在网页内部

•用于效果检测和追踪

•用于网页分析，重定向投放（再营销），个性化广告，关联市场营销，邮件，按点击付

费渠道，或者SEO等

•标签代码对于很多数字营销来说，极其重要。在缺乏功能性标签代码的情况下，一个

数据分析方案可能完全没有可用的数据。

大家可能都有这样的经验，一方面越来越多的投放渠道需要在网站上行加代码来收集数据,

需要的事件类型数据多，多个不同页面都需要加代码，工程量大；另一方面，网站本身也需

要加代码来监测和统计不同渠道的效果。

每加一种代码，市场部门的同事都要跟PM,技术磕半天，代码审核，需求沟通，需求文

档，排期，非生产环境测试，上线，数据比对。这样的流程走下来，代码何年何月加完。

GrowinglO新一代数据分析产品

从国外Tagmanagement的研究报告来看，从需求沟通到代码加完，平均用时是3周。

碰上技术排期，优先级还不够的，几个月都有可能。

埋点沟通成本高，周期长，这样的情况下效率大大降低，这样的速度促销活动早都做完了，

完全跟不上业务人员的需求。

而PM要吐槽的更多，做产品的这年头不可能不看数据，因为老大们天天追着要。新产品快

上线了，PM追着技术要埋点，磕了半天技术同意帮忙加代码了。以为胜利在望，但PM马

上又犯难了，抓哪些数据，在什么地方埋点？这往往是技术童鞋可能要问的第一个问题。

产品的人不懂技术，技术的人不熟悉产品童鞋的具体需求，或者说产品的童鞋也很难说清楚

数据的需求毕竟他们也不是分析师。这样的情况一旦出现，产品和技术相互沟通成本极高，

而且反反复复，最后产品快上线了，得，代码还没加完，老大们如何看数据？

这也许还不是最悲剧的，代码布置了，产品也上线了，最后居然发现数据收错了。多么痛

的领悟，很多人可能都有感觉，活动越做越多，产品更新和调整越来越快。每一件事情，既

然做了，都需要数据说话。沟通成本高，埋点周期长，同样成为产品童鞋碰到的大问题。

最后造成的结果是，阻碍公司内部对产品的分析的追踪，迟滞业务决策和调整的效率。

另外，为了快速增长和适应新需求，产品经常高速迭代，旧的页面撤下，新的页面换上，同

时进行的多项AB测试，改功能，改呈现。

伴随每一次迭代的则是不停地清理旧的数据标签，增加新的标签，就算每次工程实现上都准

确无误，业务方进行分析时也得小心翼翼，得知道什么时间段什么标签才是真正有效的，-

不留神用了无效标签得出的结论就可能是错的。

以上市场、产品小伙伴碰到的问题是很多企业的实际情况。

尽管硬件和软件，以及IT架构层面的技术进步，让大数据成为可能，但在很多企业走向数

据驱动业务的道路上，数据采集依然是一个很大的障碍。

GrowinglO新一代数据分析产品

收集哪些数据，数据收集慢，收集错误，收集不准确，都成为一个个实际的困难。而目前解

决这些困难往往耗费不同岗位同事间大量的沟通成本，需要研发或者技术进行长时间重复

而且低价值的劳动。

但不克服这些重重困难，分析师，PM,市场营销，企业决策层等不同部门，不同层面的分

析决策都会受到或大或小的影响，迟滞业务发展速度。

企业需要重视数据驱动的价值，同时更好的解决数据收集的问题，因为这是做好数据分析的

第一步。找到一种更专业，更准确，更快速的方式解决数据采集的问题，将是业界的福音！

哦，好吧，最后福音来了！

今年5月，前Linkedln美国商业分析部高级总监张溪梦从硅谷回国，带领来自Linkedln、

eBay、Coursera,亚信等国内外顶级互联网及数据公司的团队创办GrowinglO.

他曾亲手建立了Linkedln将近90人商业数据分析和数据科学团队，支撑了Linkedln公司

所有与营收相关业务的高速增长。

作为新一代GrowinglO新一代网站和移动端数据分析平台。运用无埋点采集，迅速生成数

据分析结果，提供针对市场推广、产品体验、以及客户成功等精益化运营分析模块。

在客户的页面或者是APP自动来埋点，不再需要手动埋点，想知道什么，立刻就可以知道，

智能抓取关键用户行为，几分钟建立APP和网站数据BI运营体系，这就是GrowinglO开

发的技术。

比如说一个网页，只要圈点它，就能知道转化率、访问、点击和价值，不需要任何埋点。可

以详细分析用户行为，提高用户活跃度，提升产品体验；智能解析用户转化原因，提高用户

转化率；预测客户流失，复杂数据挖掘模型支持客户成功。市场、产品、数据分析师、还有

CTO们、CEO们等等所有要用到数据的同学们集体欢呼吧！

好啦，广告打完了，欢迎大家注册，免费试用哦。

返回至目录

GrowinglO新一代数据分析产品

融资2000万美金之后，我们跟他聊了聊怎

么做好增长

本文作者，经纬创投微信公众号，创始人曰栏目。

今天的“创始人曰"来自于GrowinglO创始人张溪梦(SimonZhang)，他们是一家专注

于数据分析的公司。Simon曾为领英商业数据部门高级总监，该部门为整个公司的销售、

市场、运营等工作提供数据分析支持工作，做出了非常好的成绩。他还有个无比“金光闪闪"

的头衔——美国DataScienceCentral曾将他评选为"世界前沿数据科学家Top10”。

6月28日，GrowinglO发布V2.0版本，在无埋点技术和全量实时的数据分析功能的基础

上,GrowinglO全新上线了更精细的漏斗对比、用户细查、热力图等实用功能。同时，

GrowinglO宣布获得了经纬中国、NEA、Greylock的A轮两千万美元的融资，创下同类

SaaS行业同等阶段融资额度新高。

借着这个机会，我们与Simon聊了聊关于创业者如何高效获取客户，以及如何留住他们的

话题，用户喜欢什么、讨厌什么，怎么才能留住他们？好在，随着科技的发展，这门看似“只

能靠猜"的工作，已经可以通过科学来解决。以下，是来自Simon的观点，Enjoy:

数据分析在国内一些特别大的企业，比如BAT里，才能得到重视，当然这得益于他们的长

期积累，对数据和运营结合的比较好。这是我回国以后的总体感受，国内企业对数据本身,

以及数据所能提供价值的认识程度，没有美国那边那么深入，并且差异还蛮大的。

为什么许多公司的数据分析流于形式？主要差异表现在三个层面：

1)价值的认知

许多公司处于疯狂增长时期，大家一拍脑子做的决定，可能已经产生很多价值了；这种情况

下他们很难意识到数据决策能产生比暴力性增长更大的价值。

GrowinglO新一代数据分析产品

2）基本方法论的认知

意思是核心但简单的方法论。目前国内对基础的方法论没有太多的认知，可能因为国内发展

时间还比较短，而美国已经开发好几十年了。

3）实际操作方法的认知

国内一线员工用数据来指导工作运营，比如产品、客户、销售等实际操作经验相对来说少一

些。一方面，因为发展时间短，另一方面，数据使用理念积累也相对较少。

不过，国内公司已在迅速地提升这种认知。但这个认知，是分阶梯的，循序渐进的一个过程。

在美国，认知和方法论已经慢慢进行了良好的统一——技术和业务之间，用数据来融合。

在国内的话，技术和业务的鸿沟巨大。工程师被硬性要求建数据系统，但他并不真正了解业

务端；业务端对技术也不是非常熟悉，导致很多需求并不能直接用现有技术手段来实现。彼

此的不了解，进一步加剧了数据使用的缓慢。鸭同鸡讲，造成的就是效率减低，不能看到价

值实现。彼此都不能从中获益，最后就变成了凭感觉来做决策，而不是真正通过数据运营来

做决策。

很多公司从头开始做的时候，大量时间花在建设技术平台的过程中。技术平台首先很复杂,

需要各种不同的工程人员；第二，很多公司都是从头摸索，但数据分析体系需要一系列流程

和人才，每个都不能太薄弱，才能真正串起来。今天中国的竞争太激烈，企业发展速度太快。

大家没有足够的时间成本，像BAT,Google这样去重新沉淀一些好东西出来。这也是，

为什么很多企业都没看到数据产生价值的原因。

许多国内的企业家，最开始意识不到数据的价值；等意识到数据的价值时，他的期期望又往

往很高。这种大鸿沟，也无法让价值真正落地，甚至让人们产生"这个价值是否真能实现"

的质疑，缺乏耐心。

什么样的公司需要注意数据？

一般来说，目前国内比较重视数据的是高客单价，重转化的公司，比如互联网金融、电商、

交易平台'SaaS、在线旅游类的公司。这类客户客单价高，不是完全拼流量，如此创业者才

有提高转化的动力。

GrowinglO新一代数据分析产品

宏观的讲，创业者会经历4-5个产品、企业的生命周期。

第一个阶段，叫冷启动。这个时候公司特别早期，天使轮或者A轮，甚至融资还未成功。处

在这个阶段的公司，用大数据驱动是一个伪命题——因为客户数量有限，样本性不足。他们

需要更多地去了解潜在客户的需求，去"求"客户来用这个产品。

第二个阶段，增长前期。就是冷启动接近完成。有经验的创业者，会开始布局和增长有关系

的一些核心指标，比如说日/月活跃，留存度。这些指标的目的不是为了衡量产品当前当下

的表现，而是为了未来做增长时有可比较的基准。

并且，这些指标能够告诉我们，什么时候我们应该去做增长。产品本身没有黏度的话，去烧

钱做增长，它不会真正地增长起来。因为流失速度超过增长速度。以前很多烧钱的企业能成

功，是因为竞争没有那么激烈，用户没有那么多种选择。但是今天如果你的产品很差，留存

不高，口碑也不好，烧再多的钱也不能获得真正核心的自然增长。

第三个阶段，增长期。这个阶段就能看出来好的创业公司，和普通创业公司的巨大差别——

效率。无论PR还是做活动，都需要人力和时间成本。如何在增长中，找到效率最高的渠道？

这个我觉得，是创业公司之间PK的核心竞争力。

如果不做数据驱动，靠直觉，一次两次可以，但没有人能进连赢一万次。所以，直觉需

要和数据进行结合，这样企业能迅速优化各个渠道，来提高单位时间的转化效率。通过单位

时间转化效率的不断提高和叠加，来变成企业的核心竞争力。一个不用数据驱动的公司，和

一个用数据驱动的公司。假设运营策略一样，资本储备类似，客户也一样，能迅速从数据里

学习的企业，一定会胜出。

第四个阶段，是变现期。业务变现，要求很高的用户基数。一般互联网产品，其中一小部分

高活跃、体验好的用户，会转化为付费用户。类似一个漏斗，不断地去筛，这里面就是要拼

运营的效率了。

比如说，电商用户的转化漏斗一般是：访问——注册——搜索——浏览——加入购物车一

一支付，或者到未来的退货。这是非常非常长的一个漏斗，真正要做好数据化运营，要对漏

斗的每个环节持续地进行追踪。为什么呢？因为不能衡量，就很难去做增长。

GrowinglO新一代数据分析产品

一个好的企业，特别是以后要做营收的企业，必须要关注各个部门各个环节的转化效率。这

种转化效率，要达成的手段，可以通过市场营销的方法、产品改进的方法、甚至客户运营的

方法。而其中每个环节小幅提高，加在一起就是一个倍数的提高。这种倍增，如果没有做过

数据化运营的人，很难体会到会有多大。

比如，以前我们在领英做数据驱动转化时，要推送某篇EDM，同样发给10万人，拍脑袋

决策的转化是0.01%，但是经由数据驱动部门做个简单的数据模型，同样推送后，转化率提

升到了0.3%,高出很多。如果每周都那么做的话，这种转化效果，还是非常非常可观的。

每个产业都有自己不同的KPL比如SaaS行业，用户注册能不能成功，多么简单的问题，

但是很多企业可能会忽略；用户注册成功以后，你是否有定位自己的核心产品功能点，这个

用户是否使用了你的核心功能？哪些核心产品功能能让用户留下?哪些功能不能？这些都应

该在产品分析里记录，但如果没有数据，怎么去分析？怎么去衡量呢？

这些东西很多美国公司都总结完了，都已经用了十几年了。这些经验，国内很多企业，可以

模仿和学习，没有必要再重新蒙着眼睛走一遍，那是浪费时间和资源。

还有一点，企业应该运营化。什么概念？就是说，数据分析，它不是一个运动式的，而是日

常性事务——每天、每周、每月、每季度，我们都在看这些东西。不断调优、学习、促进，

这是一个很重要的过程。但是习惯培养蛮痛苦的，因为很多的创业者都很忙，哪有时间去看

那些东西。

中国公司对于数据存在哪些共性的迷思？

我觉得国内公司对数据分析的理解分两极：一种认为这是纯技术，还有一部分是比较迷信，

认为只要一上大数据，就变成高大上的公司了。我觉得这两种方式，都存在一定的误解。

核心的话，我觉得你做的这个东西能不能有价值，有没有效果？用效果来衡量是最直接的。

另外一些公司想自建平台，搭建很大的团队，效率和产出都比较低，这个我建议大家慎重。

随着生态圈的不断发展，现在很多工具都很好用，你得学会用工具。这是创业者成功的一些

很好的辅助——不能说因为你会用工具，所以你就创业成功；但是好的创业者，一定能用这

些各种工具，达成目标。

GrowinglO新一代数据分析产品

好的数据分析应该是是怎么样的？

好的数据分析，能够让公司里所有人都获益。它不是一种特权，不是只给公司里的一两个人

看，而是能够让公司里面各个运营部门，特别是前线打仗的部门，能够直接得到好处。普通

只讲战略,只讲大方向，只给CEO看，只给VP或者运营看——这不够。需要把它给工作

在一线的员工，让他们用起来。这个我觉得是区分一个数据驱动型企业，和非数据驱动型企

业一个很大的区别。效率提升，是所有人提升，而不是一两个人提升。

一个公司要建完整的数据分析机制，首先应该从业务开始。所有的数据分析运营或者数据体

系，都应该从业务，从客户开始。这个数据分析体系，不应该只解决非常狭窄的一个或者两

个问题，需要有体系和大局观。然后，实际上数据分析里面，最难的一个部分是数据搜集和

数据整理，这个过程最耗费时间，可能因为刚开始的计划就做的不够周全。所以说，在数据

采集和数据整理方面，应该很有计划的重视。

到后面，数据分析，不能只仅仅停留在报表的基础上，价值还是不够多。最终还是，那些数

字出来以后，告诉别人应该怎么做是对的、有效的。这里面的话，就是有很深学问，需要很

强的操作能力。

所以说一个企业，既要有大局观，又要注重可执行性。我建议一般企业想自建的话，应该先

从一个单点突破，找到一个转化点，看到了价值，通过这一次的实践，再学习下一次实践的

方法。这也是一个学习的过程。不要上来就建立庞大系统，上来就把50个数据圆圈综合在

一起，想建立一套数据科学框架。我觉得一般要这样干的话，除非你有很多资源，否则一定

会失败的。

如何打破数据无法"物尽其用"的怪圈？

过去的几个月，我们跟客户打交道发现，有的企业用我们的产品用得非常好，有的企业就还

好。通常内部有人核心负责数据的企业，会用的就非常好；有的企业没有核心的人来追这件

事情，做得就比较一般。所以，在运营部门里面，至少得有一个人有一定的数据分析概念。

就好像我们把一套高级手术仪器搬到公司去，如果没人会操作也不行。

我认为最好的知识获取方式，就是实际操作。实际操作的前提，是最好有一个稍微懂一些的

人，能带着做几次。然后转起来、学起来了，这就是获取数据分析知识最快、最有效的方式。

GrowinglO新一代数据分析产品

我不觉得纯读书或者读一些课本，看一些外面的大数据指导类的书籍，能有这种效果。有了

这个人，再能从懂这方面的人和公司产品获取方法论的支持，这种学习机制就建立起来了。

这个还是蛮重要的，否则系统虽然强大，但是没人会操作，就无法物尽其用。

初创公司常见问题

特别早期的公司，它们关注的东西非常标准化。比如说，他们想知道新增用户、留存用户、

强势渠道、新用户使用哪些产品的功能等问题。每个公司优势和缺点都不一样，我举两个例

子吧：

比如说，有一个客户，他们是SaaS公司，做了很多线下活动，然后往线上导流。但他从来

就没有观测过自己的注册转化，结果量来了，但转化率很低，最后实际注册还是很低，后来

通过对注册流程的简单优化，转化能提升三四倍。

还有比如有电商客户，以前就看有多少人来交易了，交易额是多少，然后周/月/季度增长率

多少。但早期进来的人一般都是核心用户增长速度比较快。而后很快就进入了一个平台期，

为什么？

这就是因为里面很多东西做得不够细，很多被稀释掉了。比如像竞拍，来了很多用户，看上

去好像很繁荣，但如果品类太多，就会造成每个单品里竞拍用户减少。一少下来以后，价格

就会减低，减低完了以后，导致GMV下降，增长率下降。

这种情况下，它需要去考虑一一把更多的用户，聚焦在相对少的单品里面来，进而提高客单

价。这么做的好处是，卖家能提高销售额，更愿意在你的平台做销售；而买家也会有种买到

稀缺物品的感觉。

留存是一个创业企业想要成功，最核心，也最需要解决的问题。有了留存率，就基本有了增

长率。早期拉来的核心用户，一般留存度都比较高；后期拉来的用户相对黏度比较低。比较

成功的互联网产品，一般早期都是关注核心用户，满足了核心用户的需求，再通过这个不断

往下扩散。所以说，留存度还是应该得到更多关注的。

同时，也需要对留存用户进行分解。留下的用户，一部分是新用户，一部分是老用户，看上

去都是用同样一个时间来衡量的，但实际上是不同的。很多创业公司，有时候没有把它分来

GrowinglO新一代数据分析产品

来看：比如留存用户里面，有多少是新用户，多少是老用户；老用户留存率是什么样的，新

用户留存率又是什么样的？

Facebook把用户分成了七个层次。这七个层次什么意思呢？就是说，这一周每个用户的活

跃度是不同的，有的人来了七天，有的是六天、五天、四天、三天、两天。它每天用户的活

跃度，分到非常细。然后，它在这个维度上，再继续拆分成新用户和老用户。

拆解完了以后，就可以针对每种不同类型的用户运营了。比如，它可以去分析一周来五天以

上的用户，使用哪些功能。

我的建议是在产品早期，应该把产品的留存做好了，再去做新增，这样创始人的精力会更聚

焦。因为如果同时做拉新又做留存，就是分兵两处，你就顾不过来。有了高留存也会对拉新

有帮助，找到高留存用户的获取渠道，然后可以持续不断的复制运营。

第二点，你有了好的留存以后，你可以迅速的去做扩张。因为扩张完了，用户会留下，你的

增长速度会加快。

这里实际上有一条非常现成的方法论，因为如果你没有找到很好的留存，你做的业务就是一

个烧钱业务。如果融资环境很差的话，那么这个业务就容易失败。但如果你用户黏度很高，

你的运营成本就很低，这样创始人能够管理整个资源投放。我觉得产品冷启动之后，就需要

有这种基础的思维方法在里面；在增长期的话，需要极端专注。

早期靠直觉，后期靠科学。

越早做一些数据铺垫我觉得对一个公司越有好处，它是一个不断迭代和积累的过程。但是，

不要本末倒置，不要上来刚能启动就做AB测试，没有必要，因为你还没有积累足够的用户

量，由此分析的数据也没有代表性。

我最后简单总结一下，数据分析的五个阶段：

第一个阶段，是什么都没有的；

第二个阶段，需要公司能够回溯历史：知道自己产品在发生什么，这是最基础的、最原始的

一个阶段；

GrowinglO新一代数据分析产品

第三个阶段，内部做产品、做运营、做市场营销的人，需要问为什么：这个阶段，是预测，

即预测某种人群，下面会干什么事，这样能有针对性地，更好地去开发产品；

第四个阶段，是要有解决方案：就是我预测到了这组人会这么做，那么我给它一个更好的方

案，让它有更好的转化、留存，带来更好的拉新效果；

第五个阶段，是优化，多样产品线如何能找到最好的平衡点：在价格、营销，产品设计，销

售各个角度有一个平衡点，这个平衡点是创业者的利益最大化点，也是用户最喜欢这个产品

的点。

这五个阶段，需要花时间来不断积累的，不要跳跃，跳跃往往失败，从基础做起。

返回至目录

GrowinglO新一代数据分析产品

产品经理：一个优秀的数据产品经理是怎样

炼成的？

本文作者陈新涛，GrowinglO产品经理

近些年来，随着GrowthHack、精益化运营、数据化运营等概念渐入人心，数据产品这个

名字被提及的次数越来越多。

但究竟什么是数据产品？数据产品如何来解决商业问题？如何现在最火的商业概念如

Growthhacking等落地的？如何设计一个能够满足用户需求的数据产品？本文将和大家

一起分享这些问题。

什么是数据产品？

简单来讲，就是以数据为主要自动化产出的产品形态。这里强调自动化产出概念，是为了区

分像Gartner之类的数据研究咨询公司。跟类似GrowinglO这种实时互联网分析产品相

比，显然，他们的报告也可以理解为以数据为主要产出的产品，但并不具备自动化产出的特

性.

明确了概念后，我们就可以对它拆分细化。从用户群体来区分，可以分为三类：

•企业内部使用的数据产品，如自建BI和推荐系统；

•针对所有企业推出的商业型数据产品，如GoogleAnalytics和GrowinglO;

•用户均可使用的GoogleTrends和淘宝指数等等。

在以上举的例子里，推荐系统可能会让人有些费解。其实，同用户画像，搜索排序类似的算

法一样，它们本质上是根据用户数据和相应的数据模型，建立的一套评分标签体制。因此,

在很多企业的划分里，也是属于数据产品的范畴，本文暂不涉及此类产品。

GrowinglO新一代数据分析产品

为什么需要数据产品?

来自硅谷的新一代数据分析产品GrowinglO创始人张溪梦非常推崇德鲁克的一句话：If

youcan'tmeasureit,youcan,timproveit（如果你无法衡量，你就无法增长X这

与GrowthHack核心理念--数据驱动增长，不谋而合。

增长让企业经营者的念念不忘，而实践的曲线，就潜藏在数据产品中。

举例，在Facebook中，直接汇报给MarkZuckerberg的GrowthTeam就专门下辖了

Data&Analysis和Infrastructure两个数据团队做数据的采集计算和展示。他们会对

Facebook所有的数据进行监控，以及根据效果持续优化。

Facebook对DataDriven重视到了什么程度？一个VP带领的30人团队做了一年的主

页改版，在三个月内灰度上线过程中因数据表现不佳，直接回滚。对比之下，国内的人人网

照抄那一次改版后，沿袭至今。可以这么说，Facebook高速稳定的增长背后，数据产品功

不可没。

FacebookGrowthTeam（图来自前Facebook工程师、峰瑞资本技术合伙人覃超）

如何设计数据产品？

对于产品设计来讲，一些固定的步骤必不可少。厘清这些内容后，大到系统级的产品规划，

GrowinglO新一代数据分析产品

小到功能级的产品设计，概念上都会清晰很多，我们将它抽象成了五个步骤：

・面向什么用户和场景

•解决什么问题/带来什么价值

•问题的分析思路是什么

•需要用到什么样的指标

•这些指标该怎么组合展现

1.面向什么用户和场景

任何产品设计均需要明确面向的用户和场景，因为不同用户在不同场景下打开你产品的姿

势也大不相同。

•不同用户有不同的价值。这个方法主要面向第一类即企业内部产品。这里并不主张职

位歧视，只是从数据能产生的价值来看，高层的一个正确的决断可以节省下面无数的

成本。

•不同层级用户关心的粒度不一样，永远要提供下一个颗粒度的分析以及可细化到最细

粒度的入口.数据分析本质上就是不断细分和追意变化。

•不同类型的用户使用数据的场景不一样，要围绕这些场景做设计。如Sales类型的客

户，他们更多的场景是在见客户的路上快速看一眼数据，那么移动化和自动化就很关

键。在设计的时候，原则就是通过手机界面展现关键指标，不涉及详细分析功能。而且

在某些指标异动时能及时通过手机通知。而办公室的数据分析师，则必须提供PC界面

更多细化分析对比的功能。

要了解自己的用户，必须和他们保持长期有效的沟通。如GrowinglO的PM，每周都会有

和销售和客户沟通的习惯，而且每位PM入职后，必须兼职一段时间的客服。只有这样，

PM才能更好的了解用户以及他们的使用场景，设计出更好用的产品。

2.解决什么问题/带来什么价值

这本质上是要明确产品满足了用户的什么需求。但凡需求，均有价值和优先级。

GrowinglO新一代数据分析产品

•首先判断核心需求是什么，可用Demand/Want/Need方法分析。用户来找你要可乐

(Demand),如果你没有可乐就无法满足用户。但其实他只是要解渴(Want),需要的

只是一杯喝的东西就够了(Need)。

•其次判断需求的价值，可用PST方法分析。P:x轴，用户的痛苦有多大；Y轴，有多

少用户有这种痛苦；z轴：用户愿意为这付出多少多少成本。相乘得出的结果才是这个

需求的价值。

以一个利用GrowinglO的新功能做出来的漏斗图为例。

客户最开始说的是我们要个漏斗分析(Demand)的功能，但核心需求(Want)是改善用户

使用产品过程中的流失问题。那么不同不同层次的用户，在不同的使用时间，在不同的

环节都需要进行监控和优化，最终设计出来的就是这个可以根据不同纬度不同环节进行对

比分析的GrowinglO漏