• 网站首页
  • 国内
  • 国际
  • 产业
  • 宏观
  • 公司
  • 体育
  • 评论
  • 人物
  • 投资理财
  • 增长产品中,量化数据分析的几个方法

    发布时间: 2020-09-16 13:53首页:主页 > 国内 > 阅读()

    增长为什么要做量化

    做增长产品的数据分析,和其他的数据分析,个人认为最大的特色在于量化,为什么要做量化?因为,做增长,是个强数据驱动的方法,要把有限的资源发挥出最大的价值,所以必须准确计算出每个Driver的ROI,才能更有效分配资源,做到效率最大化,把好钢用在刀刃上。

    举例几个场景:

    每次拉新,不但要量化拉新人数,还要量化后续的持续贡献价值

    每次拉活,同样,老板关心后续的持续价值

    每次活动,老板不但会问,这次活动有多少人参与,还会问,这次活动贡献了多少增量贡献,如果没有这次活动,DAU会是多少?

    上线新模块,和活动类似,老板会关心这个模块为大盘带来了多少增量贡献?

    可以看出,我把增长产品的量化规为2大类,外部拉量(拉新、拉活)和促进活跃:

    外部拉量:拉新方面,业界有比较成熟的LTV模型,难点在于对LTV模型的预估,拉活方面,一般我们只计算当次(当然不严谨,拉活的后续持续贡献非常复杂)

    促进活跃:例如做了运营活动,上线新功能、新模块,本质上都是在促进活跃,这里问题的关键就在于,到底促进了多少活跃,后续滚动下来有多大收益?往往,促进活跃投入的资源是非常大的,准确量化增量贡献不易,此部分也是本文讨论的重点。

    拉新拉活的量化

    这部分,只简单谈一下,因为我的业务范围拉新拉活量化比较少,没有经验,借鉴下比较基础的量化方法

    拉新,采用y = ax^b分渠道量化预估,虽然还有很多高大上的算法,但是这个公式实现成本最低的,方法还不错

    拉活,对于DAU的贡献,只计算当日首次启动,对于使用时长的贡献等等,按每个session计算

    增长产品中,量化数据分析的几个方法

    促活贡献的简单量化方法

    促活方面,有几个简单的量化方式,虽然不好,但是较为简单,可以参考,后续将会讨论2种比较复杂的量化方式

    染色法:对于参与或深度参与的,设定一个阈值,认为是带来的

    对比法:对比渗透与未渗透的用户,对比一个周期内活跃天,或周期内总使用时长,作为贡献,但是此方法有严重的幸存者偏差,需要对渗透有着较为严格的定义,例如有一定深度的阈值

    时间对比法:对小部分用户做强刺激的时候,常采用对比法,时间上对比,例如对某个渠道做了某些特殊的承接,可以对比渠道不同时间的留存。此方法看似不严谨,但是其实想一想,这是我们应用最多的方法,资本市场,每个Q的财报,常用的同比、环比,本质上就是这种方法;一般公司对部门定的KPI或OKR,都是这种方式,公司不会给一个对照组,用绝对值量化贡献。

    AB实验法:我认为AB实验的对比,是比较好的方法。这里,要注意2点,第一,有的时候AB实验会层层叠加,简单的AB实验无法量化出短期贡献和长期贡献,第二,有一些时候,因为网络效应的存在或者开发排期的原因,不是所有的产品都有AB实验能力。

    增长产品中,量化数据分析的几个方法

    多层域AB实验法——准确量化短期和长期贡献

    以我负责的模块为例,老板们会关心

    长期以来贡献了多少DAU?

    每次产品迭代,提高了多少?

    严谨一点,我们采用了AB实验的方式核算,最终可能会发现一个问题:短期迭代贡献,不等于长期贡献,为什么呢?(本文重点讲述AB实验,对于1+1≠2话题,详细请看本人的文章《数据分析中,为什么1+1不等于2?》)

    有的时候,迭代A和迭代B,有着相互放大的作用,这个时候就会 1+1 > 2

    还有的时候,迭代A和迭代B,本质上是在做相同的事情,这个时候就会 1+1 < 2

    有些场景,我们的业务需要和去年或上个季度的自身对比,同时业务还不断在多个方面运用AB Test迭代

    这个时候,我们准确量化一个长期产品模块的贡献,就需要一个【贯穿】所有活动的对照组,在AB实验系统中通俗称作贯穿层

    增长产品中,量化数据分析的几个方法

    (说明:实验中,各层的流量是正交的,简单理解,例如,A层的分流采用用户ID的倒数第1位,B层的分流采用用户ID的倒数第2位,在用户ID随机的情况下,倒数第1位和倒数第2位是没有关系的,也称作相互独立,我们称作正交。当然,AB Test实验系统真实的分流逻辑,是采用了复杂的hash函数、正交表,能够保证正交性。)

    这样分层后,我们可以按照如下的方式量化贡献:

    计算长期的整体贡献:实验填充层-填充层填充组 VS 贯穿层2-贯穿层填充

    每个小迭代对整个系统的贡献:实验层中的实验组 VS 对照组

    周期内,系统全部迭代与上个周期的比较:实验填充层 VS 贯穿层1

    特别声明:文章内容仅供参考,不造成任何投资建议。投资者据此操作,风险自担。
    广告
    广告

    网站首页 - 国内 - 国际 - 产业 - 宏观 - 公司 - 体育 - 评论 - 人物 - 投资理财

    本站不良内容举报联系客服QQ:123456789 官方微信:12345678 服务热线:12345678

    未经本站书面特别授权,请勿转载或建立镜像

    Copyright © 2002-2020 外汇储备新闻资讯网 版权所有