导读：今天分享的主题是指标体系分析与增长实践。火山引擎是字节跳动旗下的云服务平台，把字节发展过程中积累的一些经验，通过增长方法、技术、工具和能力开放给外部企业，帮助企业在数字化转型过程中实现持续增长。火山引擎包含的产品多种多样，今天介绍的是两个数据产品，一个是行为分析平台（DataFidner），一个是 A/B 实验平台（DataTester）。
增长实际上是一个老生常谈的话题了，大家都很熟悉，但在实践过程中仍然有很多的疑问。比如指标体系应该怎么搭建，如何通过数据分析找到关键瓶颈，找到之后又应该怎么做等等。今天就是针对这些问题来进行分享。
01 构建指标体系
首先来介绍一下指标体系的构建。
1. 指标拆解思路
做指标增长首先需要找到北极星指标，也就是唯一重要指标，指引全公司向同一个方向发展。在这个里面我们有一个地方需要注意，就是北极星指标能够体现产品给用户提供的核心价值。这个指标变化是能够代表你的产品不断健康发展的。例如问答类社区的北极星指标就是问题回答数。像音乐类 APP，就是总听歌时长，电商类可能就是总 GMV。
找到北极星指标之后，如何利用它？这个时候就需要按照关联因素再逐步拆解。我们日常讲任何生意都能用简单的数学模型来描述，包括活跃用户数就可以拆成新增活跃和已有活跃，新增活跃又可以拆成访客流量、新用户激活率，已有用户可以拆成已有用户和老用户的留存率。
这样就非常具象化了，比如访客流量就找市场部，新用户激活率除了跟市场部的流量质量有关系外，也和产品有关系，比如注册流程是否够简单，新用户引导是否够清晰，又比如老用户的留存率，可以找产品运营和用户运营。所以指标的拆解，最终的目的是要把最重要的指标细化，变成一个个公式的因子，从而找到增长的方向和负责的部门。这些因子又有关联的因素，比如访客流量关联到的因素就是推广的曝光量、线索的转化率、推广的内容。所以指标拆解会让你的增长有迹可寻。
2. 北极星指标拆解
下面举一个实际的例子。
以火山引擎服务过的一家企业为例，其商业模式是返现业务。它会把用户导流到各大电商平台或者是外卖平台，如果用户从它这里跳转到外卖平台或者是电商平台完成了下单之后，可以从这个 APP 拿到平台那边的返佣。以这样的一个业务为例，GMV 就是他们的北极星指标。因为 GMV 越高，拿到的抽成越多，同时又因为它主要的业务板块是外卖和电商，所以可以把 GMV 拆成外卖 GMV 加电商 GMV，外卖的 GMV 是外卖的付费用户数乘以客单价。对外卖 GMV 再做一层拆解，付费用户数可以分为新用户、老用户，新用户消费可以拆成新用户 UV，新用户激活率，老用户消费拆成老用户 UV、留存率，以及外卖抵达率和购买转化率和客单价。当然也可以有其它的拆解思路。最关键的就是要把它拆成一个个关联影响因子，这个因子能够和日常的工作关联起来，能够把指标拆解到具体的业务方向上，才能够知道一旦这个指标出了问题，要做什么动作，才可能去优化这个指标。接下来就要去搭建指标体系。
3. 依据增长模型构建指标体系
要搭建指标体系，先要看现有的数据。通常来讲，我们会通过这几个角度来设计一个全盘的指标体系：
① 基础活跃：要了解用户的基础数据分布情况，新老用户的分布，活跃情况等。
② 用户体验：用户对于流程的完成率，关键环节的转化率等。
③ 用户运营：日常 APP 里面的一些活动，比如优惠券的使用情况，用了之后的客单价是否提高了，用完了之后的复购率是否提高了。
④ 商品营收：最终商品的销售成果，首购、复购的情况，订单目标是否完成等等。
从以上这些方面，我们可以构建出一个完整的指标体系。
构建完指标体系之后，我们需要设计埋点方，并用 SDK 上报采集这些数据。
4. 依据指标体系设计数据采集方案
以火山引擎的增长分析（DataFinder）为例，火山引擎的行为分析数据，产品的底层模型有一张事件表一张用户表，事件表用来存储用户的事件，用户来到我们的 APP 会发生用户启动浏览、购买等行为，我们把用户的一种或者是一类行为抽象成一个个事件，同时在动作发生时用来描述这个事件信息的，我们把它叫做事件的属性。用户表是存储描述用户本身的信息，比如注册时间、VIP 等级。通过这两张表就可以完整的获取到我们想要的指标，就可以描述出一个用户在什么时间、什么地点，以什么样的形式做了一件什么事。埋点方案的示例可以参考上图右侧。
5. 多维数据分析
数据方案设计完毕了，交给开发同学去埋点，并且做好了数据校验上线之后，我们就可以在产品中配置对应的指标看板，这样就可以一目了然的观察数据的波动和异常。这里可能会有一些问题，比如数据天天看每天都差不多怎么办？以及看出了异常，但是不知道怎么做下一步的分析。
我们再回到最初构建的指标拆解模型。图中数据已经做了脱敏，可以明显地看到哪个指标有优化的空间，非常明显是外卖业的抵达率，这就相当于总流量的不到 10%，所以很多流量白白浪费了，所以我们要针对这块进行优化。另外，新用户的激活率 20%，也有很大的用户空间。
找到了瓶颈之后，接下来就要看如何提升这个指标。
02 设计策略增长优化
这一章节就来介绍非常核心的部分，指标设计、策略、增长优化。
1. Lift 模型
《测出转化率》一书中有一个非常经典的模型，叫做 Lift 模型，它是目前公认的 A/B 测试方案最科学的模型，也是应用最广泛的模型。它提出策略迭代有 6 大原则：
首先是价值主张，也就是给用户提供什么样的价值；相关性和清晰度，指的是页面呈现给用户的信息是否与价值主张相关，是否与用户诉求相关，文案描述够不够清晰；注意力和焦虑感，指的是页面有没有过多的杂乱因素会分散用户的注意力，是否有让用户做一些行动，比如填写身份证号码等，引起用户的焦虑感，导致他的跳出或者流失；紧急度，就是要营造出一种机不可失的感觉。
2. 目的是让用户产生动力
最终我们的目的就是让用户对我们的产品产生行动力，不管是让用户注册、点击、浏览、收藏、分享还是付费，都是要让用户去行动。
用户的动力就等于他在页面感知到的好处，减去感知到的成本。比如上文提到的外卖返现业务，着陆页投放的核心主旨是新用户注册就可以领 99 元无门槛优惠券，在这个场景里，用户感知到的好处就是 99 块无门槛优惠券，需要付出的成本就是输入手机号并且输入验证码，然后注册成为用户。E 乘以 F 的幂次方，指的是展现的信息，与用户进来这个页面时候的预期是否相吻合。比如我进来的时候，通过前一个页面进来的时候我想看到的就是无门槛优惠券，但进来之后有很多繁杂的规则，那么就不符合我的预期，这时就可能起了一些反作用。所以当呈现给用户的信息越符合用户的预期，并且信息的聚焦度越高，那么用户的行动力就会越强。
接下来具体介绍上面提到的六个原则。
3. 相关性
相关性，就是确保页面的内容和用户希望看到的内容相关，也就是你的价值主张是否与用户诉求密切相关。一个很好的案例就是这个公司的定期投资的功能。
上图中列出了项目初始版的文案，以及优化版的文案。我们可以很明显地看到，初始版的文案实际上跟用户几乎是没有什么关联性的。优化迭代后的文案把好处和成本描述得非常清晰，用户就会很明显的感知到我需要付出的成本，以及它能给我带来的好处是否划算。
4. 清晰度
清晰度是最容易出优化文案的，改一个文案，改一个图片，改一个图标，改一个按钮的颜色非常的简单，可能带来意想不到的效果。另外需要注意的一点是，文案不要有歧义，要做到真诚、清晰地表达，减少用户的认知成本。
5. 注意力
注意力，这里指的是单页面的元素数量与设计排列的权衡。如果要更加简单，那么信息应该是非常聚焦的。相反，如果一个页面进来全部都是五花八门的图片，或者是很多突出的亮点、按钮，那么用户可能根本分不清你的重点是什么，也不知道该怎样去做出行动。
6. 焦虑感
焦虑感是用户转化路径上的双刃剑。
一方面，不得不说某些情况下焦虑感确实促进转化，比如商家常常贩卖焦虑，容貌焦虑、财富焦虑等等。
但另一方面，贩卖焦虑也很容易引起反感，反而形成一些负面作用。比如当你的产品给用户一种不可靠的感觉，或者是本身产品功能缺失，或者是让用户填写一些敏感信息的时候，用户可能就会选择放弃。
7. 紧急度
关于紧急度，有两个部分，一部分是外部驱动，还有一部分是内部驱动。外部驱动其实是营造与用户相关的紧急氛围，比如限量、限购其实就是塑造一种紧急度。另外一种就是内部驱动，确实是紧急需要的，是刚需。
总结一句话，我们要遵循行动力公式的基本原则，贯彻落实相关性、清晰度、注意力、焦虑感以及紧急度 5 大方针，持续地去做实验的迭代和优化。
03 指标增长思路
再回到第一个章节中的例子，来看一下指标增长的思路。
1. 针对外卖页抵达率 7% 的瓶颈，我们能做什么
针对外卖页抵达率 7% 的瓶颈，我们在火山引擎 A/B 测试（DataTester）中开了 3 个实验，第一个实验是针对入口，去提供更加醒目的外卖页的入口 tab，原版本的入口 tab 是饿了么和美团外卖的图标，只有图标没有文字。优化后的版本，一个是以红包的形式，加文案“外卖返现”，二是加 1 个汉堡加可乐，加上点外卖的文案。通过这样的调整来提高外卖 tab 的点击率，从而提升外卖页抵达率。
第二个实验是，通过前面的数据分析发现，绝大部分用户通过红包去完成下单。前文中提到过用户领的红包到底有没有用，绝大部分用户可能在有红包的时候下单的动力更强，所以说明大家对红包很在意。所以针对外卖的承接页和返现页分别设计了优化方案，用 A/B 测试来找更优版本。我们先看这个承接页，你看它一开始的时候其实是 3 个图片，大块的图片，它的配图文案以及按钮都不太清晰。
第三个实验是，在原始版本里面红包的体现并不是特别突出，所以这里突出我们的价值主张，强调红包的存在。
以上就是针对外卖页抵达率低而提出的三个优化方案。
2. 实验结果
上图是火山引擎 A/B 测试产品给出的一个实验结果。
3. 这并不是需要大团队才能做的事儿
这并不是需要大团队才能做的工作，其实只要 3~5 个人就可以了。而且如果成熟度比较高的产品，像火山引擎的 A/B 测试这样的产品，会非常高效。
4. 小结
最后总结一下我们的整个体系。首先我们会去搭建一个小的增长团队，也就是虚拟小组，比如产品、数据分析开发就可以了。之后，同步一下增长黑客的认知，我们整理出北极星指标，指标差异拆解完之后，通过数据看板去比对增长瓶颈到底在哪里，哪个指标是现阶段最紧迫要提升、要优化的。聚焦这一领域去做 A/B 测试，定期去做实验数据分析，然后去设计更多的实验方案。
可以定期去做增长的复盘会议，并且去做持续的优化方案。当某一个阶段之后，之前的聚焦领域再去提升的收益已经不大的时候，就可以换一个方向、换一个聚焦点，去做增长的循环，这个就是整个增长的流程。
04 抖音集团案例实践
抖音集团的案例实践其实还是延续前文中的方法策略，先做指标拆解，找到瓶颈，再去设计策略优化，去做一些优化迭代的方案，再去观察数据效果，这样去不断循环。
1. 案例一 懂车帝
第一个案例是懂车帝，他希望能够提升短视频的播放量，实现整体用户的促活。我们把播放量拆成了播放人数和人均播放次数。播放人数可以按照不同的入口拆解，最终找到的瓶颈是首页推荐流量非常大，但是播放量比较低。我们也参考了同类竞品，加入了组卡形式。然后发现整个的提升效果非常明显。
人均播放次数这边是按照不同的模块去拆解，用所有模块的播放次数加起来，发现新用户下滑 feed 流模块的人均播放次数最低。我们就猜想根据前期的验证，加入新引导提示可能会有比较大的提升。
上面两个产品的策略，都通过火山引擎 A/B 测试来验证过，策略上线后最终播放量提升了 300%，实验效果非常明显。
懂车帝的第二个实验，希望在不影响未登录用户的情况下提升登录率。转化漏斗的定位问题是触发登录率过低，需要给未登录的用户增加登录引导。增加了登录引导之后，通过路径图可以看到，用户没有按照我们既定给他设计的产品路径走，通过这个用户路径我们就可以找到是加入登录引导，可能会对实验流程更好。所以这个时候就采取 A/B 实验，在每个入口尝试不同的引导方式，最终实验出来一个更优的方案，登录率提升将近 10%，这也是一个非常可观的提升。
2. 案例二 抖音
再来看抖音的案例，也是希望提升登录率，登录率又按照不同的用户群体去拆分，发现中老年群体的登录率低于大盘，所以这个时候需要对这块做一个整体优化。根据中老年群体的登录率，我们又找到了其登录转化漏斗发现最大的流失环节是在同一隐私条例这块。
与其他的产品对比，也发现它的提醒没有那么直接，所以我们在这里去尝试对未点击同意条例直接提交用户，进行一个弹窗非常明显的提示，这个提示就是增加清晰度，经验证是有效的。结果就是大盘整体提升 0.5%，虽然只是 0.5%，但是因为抖音的体量是非常大的，所以 0.5% 的数据用户量已经是百万级别的，所以效果也是非常明显的。
3. 总结