本文作者在體驗(yàn)產(chǎn)品騰訊移動(dòng)分析MTA后，通過(guò)數(shù)據(jù)優(yōu)化產(chǎn)品和運(yùn)營(yíng)策略分析，?且分享其對(duì)產(chǎn)品Redesign的思路，enjoy~

本文目錄如下：

1. 產(chǎn)品介紹

1.1產(chǎn)品簡(jiǎn)介

1.2產(chǎn)品功能

1.2.1自定義看板

1.2.2全面應(yīng)用分析

1.2.3廣告監(jiān)測(cè)

1.2.4開發(fā)組件

1.3產(chǎn)品優(yōu)勢(shì)

1.3.1多平臺(tái)部署

1.3.2精細(xì)分析

1.3.3低耗穩(wěn)定

2. 通過(guò)數(shù)據(jù)優(yōu)化產(chǎn)品和運(yùn)營(yíng)策略

2.1數(shù)據(jù)優(yōu)化產(chǎn)品.

2.1.1多多記賬產(chǎn)品架構(gòu)與分析

2.1.2多多記賬數(shù)據(jù)接入與分析

2.1.3數(shù)據(jù)埋點(diǎn)與創(chuàng)新設(shè)計(jì)思考

2.1.4設(shè)計(jì)方案可行性實(shí)踐

2.2數(shù)據(jù)優(yōu)化運(yùn)營(yíng)策略

2.2.1多多記賬運(yùn)營(yíng)策略分析

2.2.2多多記賬數(shù)據(jù)接入與分析

2.2.3營(yíng)銷數(shù)據(jù)與創(chuàng)新設(shè)計(jì)思考

2.2.4設(shè)計(jì)方案可行性實(shí)踐

3. 產(chǎn)品Redesign

3.1更傻瓜式的體驗(yàn)

3.1.1數(shù)據(jù)分析的模型準(zhǔn)備

3.1.2看板數(shù)據(jù)存在的缺陷

3.1.3看板數(shù)據(jù)方案升級(jí)

3.1.4頁(yè)面分析存在的缺陷

3.1.5頁(yè)面分析方案升級(jí)

3.2更豐富的數(shù)據(jù)與格式

3.2.1格式打包現(xiàn)狀

3.2.2多維度格式產(chǎn)出

3.3可視化埋點(diǎn)功能的優(yōu)化

3.3.1可視化埋點(diǎn)功能用戶體驗(yàn)

3.3.2埋點(diǎn)設(shè)備連接優(yōu)化

3.4新零售等行業(yè)應(yīng)用場(chǎng)景接入

3.4.1新零售行業(yè)

3.4.2金融行業(yè)

3.4.3在線教育行業(yè)

4. 對(duì)標(biāo)產(chǎn)品分析與改進(jìn)?

4.1競(jìng)品對(duì)比

4.1.1諸葛IO

4.1.2友盟+

4.1.3神策IO

4.1.4 TalkingData

4.1.5 GrowingIO

4.1.6易觀方舟

4.1.7小結(jié)

4.2 SOWT分析

4.2.1優(yōu)勢(shì)

4.2.2劣勢(shì)

4.2.3機(jī)遇

4.2.4挑戰(zhàn)

5. 結(jié)語(yǔ)

1. 產(chǎn)品介紹

1.1 產(chǎn)品簡(jiǎn)介

騰訊移動(dòng)分析（下文均寫作MTA平臺(tái)）是一款具有移動(dòng)應(yīng)用數(shù)據(jù)分析能力的產(chǎn)品，能夠提供實(shí)時(shí)數(shù)據(jù)統(tǒng)計(jì)分析服務(wù)，監(jiān)控版本質(zhì)量、渠道狀況、用戶畫像屬性及用戶細(xì)分行為，通過(guò)數(shù)據(jù)可視化展現(xiàn)，協(xié)助產(chǎn)品運(yùn)營(yíng)決策。

1.2 產(chǎn)品功能

1.2.1 自定義看板

可拖拽和自定義添加看板數(shù)據(jù)，多通道數(shù)據(jù)處理方式，高性能實(shí)現(xiàn)關(guān)鍵數(shù)據(jù)的秒級(jí)監(jiān)控；根據(jù)實(shí)時(shí)數(shù)據(jù)，隨時(shí)掌握用戶動(dòng)態(tài)，提升產(chǎn)品能力、調(diào)整運(yùn)營(yíng)策略。

1.2.2 全面應(yīng)用分析

可查看實(shí)時(shí)數(shù)據(jù)和歷史趨勢(shì)，掌握應(yīng)用運(yùn)營(yíng)動(dòng)態(tài)，通過(guò)簡(jiǎn)易的操作，為APP打造豐富的自定義事件和漏斗模型。使用豐富用戶畫像體系，直接了解到用戶行為特征等，具象了解并定位用戶。深挖用戶行為與畫像，了解用戶生命周期，更有效的精準(zhǔn)投放和決策。

1.2.3 廣告監(jiān)測(cè)

渠道概況、版本分析、用戶留存等多種維度數(shù)據(jù)任意交叉組合，快速定位推廣效果、提升用戶質(zhì)量，為產(chǎn)品運(yùn)營(yíng)及迭代提供數(shù)據(jù)基礎(chǔ)。同時(shí)支持 H5 應(yīng)用營(yíng)銷活動(dòng)、分享鏈接、廣告頁(yè)面跳轉(zhuǎn)統(tǒng)計(jì)，更容易掌握渠道投放效果，優(yōu)化運(yùn)營(yíng)質(zhì)量。

1.2.4 開發(fā)組件

及時(shí)查看和記錄用戶應(yīng)用產(chǎn)生異?；蝈e(cuò)誤的次數(shù)。了解影響人數(shù)和設(shè)備數(shù)，智能預(yù)警減少用戶不必要損失，降低用戶粘性風(fēng)險(xiǎn)。

1.3 產(chǎn)品優(yōu)勢(shì)

1.3.1 多平臺(tái)部署

支持Android、iOS主流平臺(tái)，為開發(fā)者提供秒級(jí)數(shù)據(jù)監(jiān)控及統(tǒng)計(jì)分析服務(wù)，用戶活躍情況一目了然，幫助提高產(chǎn)品質(zhì)量。

1.3.2 精細(xì)分析

多維數(shù)據(jù)隨意組合，高度自定義事件助推產(chǎn)品精細(xì)化運(yùn)營(yíng)。數(shù)據(jù)圖表理解簡(jiǎn)單，展現(xiàn)用戶基本屬性、行為特征愛好等，更容易了解用戶愛好，挖掘用戶潛在價(jià)值。

1.3.3 低耗穩(wěn)定

服務(wù)器支撐實(shí)時(shí)發(fā)送策略，上報(bào)策略精細(xì)到每條日志，可以分別設(shè)置上報(bào)、重試策略，保障重要數(shù)據(jù)不丟失。同時(shí)，極低的CPU和內(nèi)存消耗，極大降低應(yīng)用的系統(tǒng)負(fù)擔(dān)；加強(qiáng)自殺機(jī)制，在極端的條件下一旦crash也不影響APP。

2. 通過(guò)數(shù)據(jù)優(yōu)化產(chǎn)品和運(yùn)營(yíng)策略

2.1 數(shù)據(jù)優(yōu)化產(chǎn)品

2.1.1 多多記賬產(chǎn)品架構(gòu)與分析

通過(guò)體驗(yàn)多多記賬，將產(chǎn)品分為側(cè)滑欄、主界面和交互設(shè)計(jì)三大塊，具體架構(gòu)如圖1所示。多多記賬主要主打輕便智能的語(yǔ)音記賬服務(wù)，核心功能在于語(yǔ)音輸入轉(zhuǎn)化為文字、對(duì)輸入信息進(jìn)行分類。

因此基于KANO模型分析（如圖2所示），基本屬性為語(yǔ)音輸入和自動(dòng)分類，一維屬性為分類的準(zhǔn)確度、語(yǔ)音轉(zhuǎn)換文字效率、賬本分類精細(xì)程度、同步數(shù)據(jù)等，魅力因素包括外觀設(shè)置、從其他平臺(tái)的數(shù)據(jù)導(dǎo)入等。

圖1 多多記賬產(chǎn)品功能結(jié)構(gòu)圖

圖2 KANO模型

2.1.2 多多記賬數(shù)據(jù)接入與分析

MTA平臺(tái)數(shù)據(jù)以csv格式存儲(chǔ)，本文主要對(duì)用戶生命周期中的用戶構(gòu)成、用戶行為使用時(shí)段、用戶挖掘中基本屬性和觀察設(shè)備四大數(shù)據(jù)進(jìn)行接入和分析。由于多多記賬目前應(yīng)用只有一個(gè)主界面，因此不對(duì)頁(yè)面訪問(wèn)量、頁(yè)面路徑做進(jìn)一步分析。本文數(shù)據(jù)采用為4/26-5/26期間數(shù)據(jù)。

（1）用戶構(gòu)成

在MTA平臺(tái)上，用戶構(gòu)成主要以柱狀圖形式展現(xiàn)（如圖3所示），可直觀得出每周用戶最大的模塊。但是本周新增和本周回流的顏色較為相近，對(duì)比分析較為費(fèi)勁。

圖3 周用戶構(gòu)成趨勢(shì)截圖

導(dǎo)出的CSV文件截圖如圖4所示，相比上圖，按照每周的各個(gè)版本的用戶構(gòu)成進(jìn)行分層輸出，有助于有一定基礎(chǔ)的運(yùn)營(yíng)通過(guò)表格對(duì)每個(gè)版本用戶進(jìn)行對(duì)比，了解每個(gè)版本的活動(dòng)周期，能夠減少不必要的資源浪費(fèi)和開銷。但是導(dǎo)出的CSV文件標(biāo)題全都是Array，而需要進(jìn)入控制臺(tái)后臺(tái)進(jìn)行對(duì)比才可以清楚每一行每一列所代表的意思，比較繁瑣不便。同時(shí)用戶分層支持不同用戶群的分析，能夠有效對(duì)于需求的升級(jí)進(jìn)行A/B測(cè)試。

圖4 用戶構(gòu)成CSV文件截圖

（2）使用時(shí)段

在MTA平臺(tái)上，用戶使用時(shí)段主要以折現(xiàn)圖形式展現(xiàn)（如圖5所示），通過(guò)斜率變化可以得到每個(gè)小時(shí)時(shí)段內(nèi)啟動(dòng)次數(shù)、新增用戶首次使用次數(shù)、活躍用戶使用次數(shù)的增長(zhǎng)變化情況。通過(guò)圖中可以讀出在12時(shí)、18時(shí)和20時(shí)達(dá)到極值，因此多多記賬在產(chǎn)品升級(jí)方面可以與午餐晚餐時(shí)間事件進(jìn)行結(jié)合。

圖5 使用時(shí)段截圖

導(dǎo)出的CSV文件截圖如圖6所示，相比上圖，能夠進(jìn)一步在通過(guò)折線圖大致判斷的基礎(chǔ)上用精確數(shù)據(jù)來(lái)進(jìn)行深度分析，更有助于準(zhǔn)確分析產(chǎn)品功能和需求。

圖6 使用時(shí)段CSV文件截圖

（3）基本屬性

在MTA平臺(tái)上，用戶基本屬性主要以多種混合形式展現(xiàn)（如圖7所示），很好的展示了男女比例、年齡分布、學(xué)歷分布、地域分布。通過(guò)本頁(yè)可以直觀的得到男女需求比例大約是6：4，且用戶集中在18-29歲之間，學(xué)歷以高中、本科為主，廣東、江蘇使用人群較多。通過(guò)得到的數(shù)據(jù)進(jìn)一步還可以推理出更具體的用戶畫像，有助于進(jìn)一步對(duì)產(chǎn)品人群定位和需求進(jìn)行分析和擴(kuò)展。

圖7 基本屬性截圖

導(dǎo)出的CSV文件截圖如圖8所示，相比上圖，作用僅為方便進(jìn)行表格數(shù)據(jù)統(tǒng)計(jì)和存檔，同時(shí)在測(cè)試的過(guò)程中，學(xué)歷的圖中數(shù)據(jù)與導(dǎo)出的CSV數(shù)據(jù)不符，應(yīng)該是未完善系統(tǒng)導(dǎo)致的bug。

圖8 基本屬性CSV文件截圖

（4）觀察設(shè)備

在MTA平臺(tái)上，用戶基本屬性主要以柱狀圖形式展現(xiàn)（如圖9所示），根據(jù)用戶使用進(jìn)行排序，能夠一目了然的對(duì)用戶的手機(jī)設(shè)備類別、網(wǎng)絡(luò)喜好、運(yùn)營(yíng)商進(jìn)行分析，進(jìn)一步完善用戶畫像。

圖9 觀察設(shè)備截圖

導(dǎo)出的CSV文件截圖如圖8所示，相比上圖，作用僅為方便進(jìn)行表格數(shù)據(jù)統(tǒng)計(jì)和存檔，同時(shí)在測(cè)試的過(guò)程中，筆者認(rèn)為網(wǎng)絡(luò)環(huán)境模塊中，若要將4G模塊單獨(dú)提出來(lái)，對(duì)蜂窩網(wǎng)絡(luò)（CellNetwork）應(yīng)該做一定說(shuō)明，以免讓使用者產(chǎn)生誤導(dǎo)，對(duì)用戶畫像的分析有一定的偏差。

圖10 觀察設(shè)備CSV文件截圖

2.1.3 數(shù)據(jù)埋點(diǎn)與創(chuàng)新設(shè)計(jì)思考

由于字?jǐn)?shù)有限，本文不提及用戶行為畫像分析的評(píng)測(cè)，結(jié)合多多記賬這個(gè)demo例子和KANO模型，為了進(jìn)一步進(jìn)行幫助產(chǎn)品崗位平臺(tái)使用者完成用戶畫像描繪和產(chǎn)品需求挖掘，可以使用MTA平臺(tái)的可視化埋點(diǎn)和用戶分群功能來(lái)促進(jìn)數(shù)據(jù)優(yōu)化產(chǎn)品。

（1）可視化埋點(diǎn)

在MTA平臺(tái)上，通過(guò)事件分析進(jìn)入可視化埋點(diǎn)，如圖11所示進(jìn)入可視化埋點(diǎn)連接界面。筆者通過(guò)小米5S PLUS手機(jī)和MIUI系統(tǒng)自帶的掃一掃進(jìn)行圖中操作后，提示已發(fā)送請(qǐng)求，但是控制臺(tái)未有反應(yīng)，使用舊方式依舊沒有反應(yīng)。

圖11 可視化埋點(diǎn)連接界面

通過(guò)幫助文檔我們可以了解到，進(jìn)入可視化埋點(diǎn)后（如圖12所示），對(duì)于所有button類、textChange類、click類均可埋點(diǎn)。埋點(diǎn)區(qū)域會(huì)產(chǎn)生埋點(diǎn)區(qū)的操作日志，同時(shí)還有埋點(diǎn)的樹狀列表，可進(jìn)行相關(guān)操作。進(jìn)一步的，對(duì)埋點(diǎn)事件形成漏斗模型，通過(guò)轉(zhuǎn)化率可以有效修復(fù)用戶畫像和需求偏差。例如通過(guò)對(duì)比【語(yǔ)音記賬->手動(dòng)記賬】和【手動(dòng)記賬->語(yǔ)音記賬】的轉(zhuǎn)化率，可以作為用戶在使用過(guò)程中對(duì)語(yǔ)音記賬的依賴程度。

結(jié)合KANO模型，對(duì)于必要需求、一維屬性和魅力因素進(jìn)行埋點(diǎn)，并通過(guò)數(shù)據(jù)量化為喜歡、理應(yīng)如此、無(wú)所謂、能忍受和不喜歡五個(gè)層級(jí)，有助于對(duì)應(yīng)用產(chǎn)品更好的分析目前的需求和必要性。

圖12 可視化埋點(diǎn)界面

（2）用戶分群

在MTA平臺(tái)上，通過(guò)用戶挖掘進(jìn)入用戶分群，如圖13所示進(jìn)入用戶群列表界面，通過(guò)新建用戶群按鈕對(duì)用戶畫像進(jìn)行分類。

圖13 用戶分群界面

通過(guò)對(duì)用戶的多項(xiàng)屬性進(jìn)行拼接、對(duì)設(shè)備屬性進(jìn)行篩選以及直接使用漏斗模型完成A/B測(cè)試，或者對(duì)自定義事件響應(yīng)次數(shù)篩選用戶，能夠有效的對(duì)用戶群體進(jìn)行分類。以方便對(duì)不同用戶群體細(xì)分需求。同時(shí)通過(guò)人群導(dǎo)出可對(duì)數(shù)據(jù)進(jìn)行進(jìn)一步的分析。

用戶分群后，對(duì)不同類型的用戶群提供差異化、個(gè)性化服務(wù)，結(jié)合KANO模型，擬合出不同用戶群的需求曲線，進(jìn)一步細(xì)分和迭代用戶需求。

2.1.4 設(shè)計(jì)方案可行性實(shí)踐

由于IOS和Android端版本差別較大，這里僅分析IOS端數(shù)據(jù)。通過(guò)版本分布和用戶構(gòu)成的數(shù)據(jù)，1.5.8版本使用的人最多，活躍用戶達(dá)到1,512，活躍用戶占比87.3%，其次是1.5.3版本，活躍用戶76，活躍用戶占比4.39%，通過(guò)對(duì)版本記錄（圖14）的分析，產(chǎn)品的穩(wěn)定性對(duì)用戶的使用需求是第一位。

圖14 app store 版本記錄截圖

通過(guò)對(duì)用戶畫像的分析，IOS端使用男女占比為男54.69%、女45.31%，年齡分布方面，25-29歲占40%、18-24歲占36.92%，學(xué)歷以高中72.31%為主，地域分布方面以廣東18.75%、江蘇17.19%、上海12.5%位居前三。因此我們可以總結(jié)用戶畫像是以青年為主，且多居住在沿海城市。所以通過(guò)用戶分群，將18-29歲、沿海作為選定條件，作為主要用戶對(duì)象。結(jié)合KANO模型，主打“用完即走”，同時(shí)針對(duì)青年，基于騰訊社交基因推出游戲化手段，集卡游戲、與他人組建家庭共享賬本等功能作為魅力因素，并對(duì)新功能進(jìn)行埋埋點(diǎn)，通過(guò)一個(gè)月的數(shù)據(jù)分析了解用戶喜好。

在MTA平臺(tái)上，數(shù)據(jù)看板模塊可以新建看板對(duì)產(chǎn)品新功能進(jìn)行實(shí)時(shí)查看。因此對(duì)于MTA平臺(tái)，可以增加對(duì)工具類產(chǎn)品、用戶服務(wù)類產(chǎn)品的大類分析，以及可以添加的精細(xì)化領(lǐng)域分析，幫助MTA平臺(tái)使用者更好的上手和分析。

2.2 數(shù)據(jù)優(yōu)化運(yùn)營(yíng)策略

2.2.1多多記賬運(yùn)營(yíng)策略分析

多多記賬作為典型的工具類互聯(lián)網(wǎng)產(chǎn)品，在這里我們采用運(yùn)營(yíng)漏斗模型，基于AARRR模型改進(jìn)，如圖15所示。

圖15 運(yùn)營(yíng)漏斗模型

核心目標(biāo)主要包括用戶增長(zhǎng)、留存增長(zhǎng)和轉(zhuǎn)化增長(zhǎng)，核心動(dòng)作包括關(guān)注、興趣、渴望、記憶、購(gòu)買和分享。核心指標(biāo)就包括各個(gè)階段的轉(zhuǎn)化率、功能使用頻率、用戶活躍度、留存率、付費(fèi)商品轉(zhuǎn)化率、用戶分享數(shù)等。

由于多多記賬產(chǎn)品功能中，僅包括用戶增長(zhǎng)和留存增長(zhǎng)，因此運(yùn)營(yíng)的關(guān)注點(diǎn)更多的應(yīng)該放在用戶拉新能力和用戶活躍指數(shù)。

2.2.2 多多記賬數(shù)據(jù)接入與分析

MTA平臺(tái)數(shù)據(jù)以csv格式存儲(chǔ)，本文主要從用戶行為、流量訪問(wèn)、用戶生命周期、用戶分群四大塊為中心，結(jié)合現(xiàn)有MTA平臺(tái)，分析數(shù)據(jù)的接入。

（1）以用戶行為為中心

在MTA平臺(tái)上，用戶基本屬性主要以折現(xiàn)圖形式展現(xiàn)（如圖16所示），根據(jù)趨勢(shì)圖可以得出一段時(shí)間內(nèi)的人均時(shí)長(zhǎng)的均值，還可以得到使用時(shí)長(zhǎng)的分布。

圖16 用戶使用頻率趨勢(shì)圖截圖

導(dǎo)出的CSV文件截圖如圖17所示，相比上圖，數(shù)據(jù)體現(xiàn)更加具體，通過(guò)對(duì)數(shù)據(jù)的求平均等處理，可以得到可視化界面得不到的平均值等結(jié)果。

圖17 使用時(shí)長(zhǎng)CSV文件截圖

（2）以流量訪問(wèn)為中心

由于多多記賬僅存在主頁(yè)面、側(cè)滑欄以及總賬單查看，不具備頁(yè)面行為分析的價(jià)值。同時(shí)筆者在使用MTA平臺(tái)過(guò)程中，頁(yè)面訪問(wèn)、頁(yè)面路徑、頁(yè)面來(lái)源三個(gè)子模塊沒有任何使用提示，用戶體驗(yàn)差，頁(yè)面名稱管理界面也未直接漏出。

通過(guò)頁(yè)面訪問(wèn)模塊可以得到人均訪問(wèn)時(shí)長(zhǎng)、訪問(wèn)次數(shù)、訪問(wèn)人數(shù)和跳出率。頁(yè)面路徑和頁(yè)面來(lái)源的訪問(wèn)流具有極大的參考價(jià)值，但是在MTA平臺(tái)上未能夠完美體現(xiàn)。

（3）以用戶生命周期為中心

在MTA平臺(tái)上，用戶基本屬性主要以折線圖形式展現(xiàn)（如圖18所示），通過(guò)活躍度、留存率和流失回流對(duì)用戶生命周期進(jìn)行建模，對(duì)比新用戶、激活用戶、活躍用戶、衰退用戶、流失用戶，分析各個(gè)人群數(shù)量，進(jìn)而分析對(duì)應(yīng)的關(guān)于產(chǎn)品、用戶行為、轉(zhuǎn)換、留存、注冊(cè)相關(guān)等分析。

圖18 用戶活躍度截圖

（4）以用戶分群為中心

用戶分群主要按照年齡、地域、消費(fèi)能力、習(xí)慣進(jìn)行分群，按照新用戶、使用用戶、活躍用戶、付費(fèi)用戶、高價(jià)值貢獻(xiàn)用戶分層。分析個(gè)人群數(shù)量，尋找KOL領(lǐng)袖，對(duì)不同分群用戶精準(zhǔn)投放活動(dòng)和廣告。在上述已對(duì)用戶分群做了相關(guān)評(píng)測(cè)，這里就不再贅述。

2.2.3 營(yíng)銷數(shù)據(jù)與創(chuàng)新設(shè)計(jì)思考

區(qū)分前文中的產(chǎn)品數(shù)據(jù)挖掘，運(yùn)營(yíng)數(shù)據(jù)挖掘更關(guān)注活動(dòng)的轉(zhuǎn)化率、分享次數(shù)和用戶留存率。所以運(yùn)營(yíng)更需要去挖掘用戶價(jià)值，尋找爆點(diǎn)傳播途徑、針對(duì)用戶痛點(diǎn)基于用戶調(diào)研制作活動(dòng)策劃。因此可以使用MTA平臺(tái)的版本/渠道分析以及安裝來(lái)源分析的推廣計(jì)劃來(lái)促進(jìn)數(shù)據(jù)優(yōu)化運(yùn)營(yíng)策略。

（1）版本分布

在MTA平臺(tái)上，通過(guò)版本/渠道分析進(jìn)入版本分布，如圖19所示。版本分布提供了包括新增用戶、新增賬號(hào)、升級(jí)用戶、活躍用戶、活躍賬號(hào)、啟動(dòng)次數(shù)、次均時(shí)長(zhǎng)、MAU、累計(jì)用戶、新增用戶等多項(xiàng)數(shù)據(jù)展示。

圖19 版本分布截圖

結(jié)合運(yùn)營(yíng)漏斗模型，可以計(jì)算關(guān)注、興趣、渴望、記憶、購(gòu)買和分享核心動(dòng)作的轉(zhuǎn)化率，配合版本分布分析用戶痛點(diǎn)、癢點(diǎn)。

（2）推廣計(jì)劃

在MTA平臺(tái)上，通過(guò)安裝來(lái)源分析進(jìn)入推廣計(jì)劃，如圖20所示。通過(guò)添加推廣計(jì)劃，選定投放時(shí)間，進(jìn)一步的，配置推廣渠道。

通過(guò)推廣渠道配置，需要進(jìn)行增值服務(wù)申請(qǐng)，在這里我們可以感受到MTA平臺(tái)的to B商業(yè)模式。申請(qǐng)好和配置完成后，點(diǎn)擊投放效果進(jìn)入投放效果和渠道效果頁(yè)面。

圖20 推廣計(jì)劃截圖

圖21 推廣活動(dòng)內(nèi)測(cè)申請(qǐng)截圖

通過(guò)對(duì)投放和渠道的趨勢(shì)圖搜集，可以得出哪段時(shí)間內(nèi)數(shù)據(jù)出現(xiàn)極值，對(duì)于極值進(jìn)行進(jìn)一步監(jiān)控，確定是在哪個(gè)渠道、哪個(gè)KOL意見領(lǐng)袖推廣下得到的，邀請(qǐng)其前來(lái)舉辦活動(dòng)，進(jìn)一步引爆爆點(diǎn)拉動(dòng)用戶增長(zhǎng)。

2.2.4設(shè)計(jì)方案可行性實(shí)踐

由于IOS和Android端版本差別較大，這里僅分析IOS端數(shù)據(jù)。通過(guò)版本分布和用戶生命周期的數(shù)據(jù)，我們可以得到近一個(gè)月回流用戶和流失用戶的差值為負(fù)，標(biāo)志著產(chǎn)品這段時(shí)間內(nèi)用戶體驗(yàn)不好，運(yùn)營(yíng)情況較差，通過(guò)計(jì)算DAU、MAU以及DAU/MAU比值，得到用戶的活躍度，通過(guò)平均可以得出DAU在1973名左右，MAU在6539左右，用戶粘性為0.3025，因此有必要在近期內(nèi)開展活動(dòng)來(lái)喚醒用戶。通過(guò)對(duì)比留存率，用戶在次日、2天后、3天后留存為39.35%、30.06%、27.33%，后續(xù)也成線性變化，因此，如何在前三天提高粘性是運(yùn)營(yíng)要做的第一件事情。

通過(guò)MTA平臺(tái)的推廣活動(dòng)功能，對(duì)主流平臺(tái)進(jìn)行精準(zhǔn)投放，通過(guò)實(shí)踐和數(shù)據(jù)對(duì)比，給不同的平臺(tái)更改不同的權(quán)重，同時(shí)通過(guò)平臺(tái)對(duì)異常數(shù)據(jù)進(jìn)行探究，進(jìn)一步的，結(jié)合運(yùn)營(yíng)漏斗模型，對(duì)低轉(zhuǎn)化率的環(huán)節(jié)進(jìn)一步開展相關(guān)活動(dòng)。

3. 產(chǎn)品Redesign

騰訊移動(dòng)分析MTA平臺(tái)具有專業(yè)的移動(dòng)應(yīng)用數(shù)據(jù)分析能力，為應(yīng)用提供實(shí)時(shí)數(shù)據(jù)統(tǒng)計(jì)分析服務(wù)，監(jiān)控版本質(zhì)量、渠道狀況、用戶畫像屬性及用戶細(xì)分行為，通過(guò)數(shù)據(jù)可視化展現(xiàn)，協(xié)助產(chǎn)品運(yùn)營(yíng)決策。

MTA平臺(tái)的功能結(jié)構(gòu)如圖22所示。根據(jù)功能結(jié)構(gòu)圖可以總結(jié)MTA平臺(tái)主要分為五個(gè)功能：自定義看板功能、營(yíng)銷分析功能、運(yùn)維分析功能、用戶數(shù)據(jù)分析功能、通用配置功能。

• 自定義看板功能：用戶通過(guò)新建看板自定義設(shè)置想要看的指標(biāo)。
• 營(yíng)銷分析功能：用戶通過(guò)對(duì)推廣單元管理，對(duì)推廣活動(dòng)進(jìn)行監(jiān)測(cè)。

圖22 騰訊移動(dòng)分析MTA結(jié)構(gòu)圖

• 運(yùn)維分析功能：用戶通過(guò)查看用戶反饋、接口反饋和crash明細(xì)提升對(duì)APP的穩(wěn)定性。
• 用戶數(shù)據(jù)分析功能：用戶通過(guò)對(duì)事件、用戶畫像、用戶生命周期等進(jìn)行分析，對(duì)原始數(shù)據(jù)可以進(jìn)行導(dǎo)出。
• 通用配置功能：用戶可以對(duì)數(shù)據(jù)進(jìn)行訂閱、對(duì)數(shù)據(jù)的上報(bào)進(jìn)行策略調(diào)整等。

在利用數(shù)據(jù)做好精細(xì)化產(chǎn)品需求挖掘和運(yùn)營(yíng)的同時(shí)，常見數(shù)據(jù)不準(zhǔn)確、不完備、不細(xì)致三大問(wèn)題。為了解決這三大問(wèn)題，一個(gè)就要做到細(xì)（4W1H）：Who、When、Where、How、What以及多源（客戶端、服務(wù)端、數(shù)據(jù)庫(kù)等）全量而非抽樣，要打通數(shù)據(jù)。除了可視化埋點(diǎn)和代碼埋點(diǎn)采集方法外，對(duì)數(shù)據(jù)建模、數(shù)據(jù)分析也十分重要。在數(shù)據(jù)建模方面，傳統(tǒng)數(shù)據(jù)庫(kù)存在經(jīng)驗(yàn)性、性能差等特點(diǎn)，需要采用OLAP模型建立數(shù)據(jù)倉(cāng)庫(kù)，抽象用戶行為事件，在不同維度組合、過(guò)濾。在數(shù)據(jù)分析方面，常用的方法包括多維事件分析（事件、維度、指標(biāo)）、漏斗分析、留存分析、時(shí)間序列分析、A/B分析、用戶分群等等。針對(duì)不同用戶要采用不同的策略，根據(jù)用戶的屬性信息、行為數(shù)據(jù)、行為序列等進(jìn)行區(qū)分，通過(guò)數(shù)據(jù)運(yùn)營(yíng)，觀察效果。

因此本文通過(guò)深度使用騰訊移動(dòng)分析MTA平臺(tái)，對(duì)本產(chǎn)品提出以下功能的重設(shè)計(jì)——包括對(duì)數(shù)據(jù)看板、頁(yè)面分析的重設(shè)計(jì)、數(shù)據(jù)格式的重設(shè)計(jì)、可視化埋點(diǎn)事件分析的重設(shè)計(jì)，以更好的產(chǎn)品帶個(gè)客戶更好的決策意義，幫助客戶完成付費(fèi)轉(zhuǎn)化。

3.1 更傻瓜式的體驗(yàn)

3.1.1 數(shù)據(jù)分析的模型準(zhǔn)備

在進(jìn)行數(shù)據(jù)分析前，無(wú)論是產(chǎn)品本身還是用戶本身，都應(yīng)該明白使用MTA平臺(tái)的目的是為了進(jìn)行精細(xì)化運(yùn)營(yíng)。在前文中，已經(jīng)通過(guò)運(yùn)營(yíng)漏斗模型和KANO模型用作對(duì)產(chǎn)品和運(yùn)營(yíng)的分析，在這里引入數(shù)據(jù)雙引擎模型，如圖23所示，通過(guò)精細(xì)化運(yùn)營(yíng)需要解決的其實(shí)是如何實(shí)現(xiàn)數(shù)據(jù)、算法和產(chǎn)品之間的閉環(huán)，并將工作交給平臺(tái)手動(dòng)/自動(dòng)完成。

圖23 雙引擎模型圖

相比于諸葛IO提出的事件模型、神策IO提出的“事件+用戶”模型、GrowingIO提出的四可數(shù)實(shí)體模型，雙引擎模型更注重事件的閉環(huán)，用數(shù)據(jù)驅(qū)動(dòng)高效、個(gè)性化的產(chǎn)品運(yùn)營(yíng)和需求更新。

雙引擎模型簡(jiǎn)單來(lái)說(shuō)，將數(shù)據(jù)看做汽油，驅(qū)動(dòng)算法引擎，算法引擎實(shí)現(xiàn)自身閉環(huán)，對(duì)算法進(jìn)行迭代優(yōu)化，同時(shí)將優(yōu)化算法和模型傳入“云+端”的產(chǎn)品中，由云提供數(shù)據(jù)聚合、模型計(jì)算，端實(shí)現(xiàn)用戶需求和數(shù)據(jù)增殖，最終數(shù)據(jù)再次接入算法引擎，形成引擎閉環(huán)。

3.1.2 看板數(shù)據(jù)存在的缺陷

目前的默認(rèn)看板可以顯示出新增用戶、DAU、用戶趨勢(shì)、設(shè)備分析和Crash分析，但如果不是具有一定實(shí)踐經(jīng)驗(yàn)的用戶，那么只能夠看最淺的趨勢(shì)，不能夠深層的挖掘和分析。對(duì)平臺(tái)使用的用戶可能是公司CEO、可能是產(chǎn)品、運(yùn)營(yíng)、技術(shù)或者是市場(chǎng)，對(duì)于每個(gè)職務(wù)的業(yè)務(wù)都不盡相同，所以看板也應(yīng)該不相同，對(duì)此針對(duì)這個(gè)缺陷可以增加默認(rèn)看板。

3.1.3 看板數(shù)據(jù)方案升級(jí)

CEO關(guān)注總體用戶表現(xiàn)、營(yíng)收相關(guān)指標(biāo)；產(chǎn)品經(jīng)理關(guān)注用戶使用路徑、轉(zhuǎn)化漏斗、關(guān)鍵功能使用等數(shù)據(jù)；運(yùn)營(yíng)人員關(guān)注用戶活躍度和用戶生命周期；技術(shù)人員關(guān)注產(chǎn)品的報(bào)錯(cuò)次數(shù)和出錯(cuò)原因；而市場(chǎng)推廣人員關(guān)注不同渠道的質(zhì)量。因此針對(duì)五個(gè)業(yè)務(wù)需求默認(rèn)五大看板，同時(shí)可以提供多種展現(xiàn)方式（柱狀圖、折線圖、餅狀圖等），以方便使用者更高效的完成業(yè)務(wù)初級(jí)分析。

3.1.4 頁(yè)面分析存在的缺陷

在本文第二部分的數(shù)據(jù)驅(qū)動(dòng)分析中，筆者需要通過(guò)基礎(chǔ)數(shù)據(jù)的羅列后，對(duì)數(shù)據(jù)進(jìn)行二次對(duì)比、分析才可以得到一定效果的用戶畫像、用戶行為和產(chǎn)品需求。結(jié)合雙引擎模型，可以對(duì)頁(yè)面分析的數(shù)據(jù)通過(guò)較少的成本完成精細(xì)化的策略制定。對(duì)于用戶和決策者，并不是希望得到一堆羅列的數(shù)據(jù)，而是希望將羅列的數(shù)據(jù)進(jìn)行分析變成信息，通過(guò)信息完成產(chǎn)品和用戶的升級(jí)。

3.1.5 頁(yè)面分析方案升級(jí)

在這里可以借鑒友商的方法，對(duì)用戶畫像描述分為設(shè)備id、用戶id和平臺(tái)id，結(jié)合雙引擎模型，對(duì)每個(gè)id都采集一份數(shù)據(jù)，再進(jìn)行匹配，多維度對(duì)用戶的行為、所在領(lǐng)域、興趣偏好等標(biāo)簽進(jìn)行定義。對(duì)原始數(shù)據(jù)生成標(biāo)簽后，通過(guò)聚類、主成分分析等算法對(duì)標(biāo)簽進(jìn)一步提取特征，通過(guò)機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的方法進(jìn)行數(shù)據(jù)的建模和算法的迭代，緊接著對(duì)數(shù)據(jù)模型進(jìn)行用戶分群方便產(chǎn)品和運(yùn)營(yíng)深度掌握用戶情況，最終將用戶分群在應(yīng)用場(chǎng)景中復(fù)現(xiàn)，通過(guò)“云+端”來(lái)實(shí)現(xiàn)，進(jìn)一步洞察和堤防用戶流失、挖掘潛在用戶和監(jiān)控欺詐行為。

因此在頁(yè)面上，不僅僅是數(shù)據(jù)的累積呈現(xiàn)，同時(shí)在應(yīng)用分析還應(yīng)該專門開辟一個(gè)模塊，對(duì)數(shù)據(jù)進(jìn)行深度分析。通過(guò)機(jī)器學(xué)習(xí)自助生成標(biāo)簽，并且提供基礎(chǔ)模型和算法供用戶選擇，隨著標(biāo)簽和原始數(shù)據(jù)的導(dǎo)入，形成個(gè)性化模型和算法。同理，在轉(zhuǎn)化路徑的選擇上，也可以通過(guò)標(biāo)簽對(duì)最優(yōu)化、最有價(jià)值的路徑進(jìn)行智能篩選。

3.2 更豐富的數(shù)據(jù)與格式

3.2.1 格式打包現(xiàn)狀

目前在應(yīng)用分析中，對(duì)事件、渠道分布、版本分布、用戶生命周期、用戶行為和用戶畫像均可以導(dǎo)出CSV格式，但在本文第二部分的使用中，就出現(xiàn)了CSV格式錯(cuò)位、無(wú)法查看出關(guān)聯(lián)性等問(wèn)題。但其高效的傳輸性能、簡(jiǎn)單易懂的格式確實(shí)是數(shù)據(jù)分析首選。

3.2.2 多維度格式產(chǎn)出

在數(shù)據(jù)結(jié)構(gòu)中，還可以以XML格式、JSON格式作為對(duì)CSV格式的補(bǔ)充，XML格式完美的解決了CSV格式的痛點(diǎn)問(wèn)題，但是僅用作數(shù)據(jù)分析，還是相對(duì)復(fù)雜的。因此也可以選擇JSON格式，將文本特性進(jìn)行打包，方便用戶調(diào)取。當(dāng)然相比CSV文件，XML格式、JSON格式文件也是一種補(bǔ)充和替代

3.3 可視化埋點(diǎn)功能的優(yōu)化

3.3.1 可視化埋點(diǎn)功能用戶體驗(yàn)

由于本次沒有開放可視化埋點(diǎn)功能，因此不能全面的體驗(yàn)性能和產(chǎn)品功能，但筆者嘗試可視化埋點(diǎn)的設(shè)備連接過(guò)程時(shí)，用戶體驗(yàn)效果不佳。主要體現(xiàn)在設(shè)備的連接方式上過(guò)于繁瑣，無(wú)論是新版本的掃一掃定位設(shè)備還是原本的四指定位設(shè)備，因此筆者希望可以在設(shè)備連接上做優(yōu)化。

3.3.2 埋點(diǎn)設(shè)備連接優(yōu)化

基于花費(fèi)最少資源開銷完成設(shè)備匹配的思想，可在埋點(diǎn)后臺(tái)開啟設(shè)備連接時(shí)設(shè)置六位臨時(shí)密鑰，再在移動(dòng)端通過(guò)特定網(wǎng)址頁(yè)面輸入臨時(shí)密鑰完成設(shè)備id上傳和配對(duì)，最終在埋點(diǎn)控制臺(tái)對(duì)發(fā)送申請(qǐng)的設(shè)備進(jìn)行審核和確定。至此優(yōu)化連接過(guò)程，并且避免了多次匹配的問(wèn)題。

3.4 新零售等行業(yè)應(yīng)用場(chǎng)景接入

3.4.1 新零售行業(yè)

對(duì)新零售這個(gè)行業(yè)風(fēng)口，其定義為以消費(fèi)者體驗(yàn)為中心的數(shù)據(jù)驅(qū)動(dòng)的泛零售狀態(tài)，其核心為人及是數(shù)據(jù)。因此非常適合進(jìn)行數(shù)據(jù)分析，相比移動(dòng)數(shù)據(jù)，更注重描繪用戶畫像和用戶行為。

因此可以開辟專門的板塊對(duì)新零售行業(yè)定制解決方案，對(duì)日銷售額、實(shí)名用戶增長(zhǎng)量、商品銷售預(yù)測(cè)、購(gòu)買分析等場(chǎng)景做分析。

3.4.2 金融行業(yè)

金融行業(yè)需要數(shù)據(jù)作為支撐，對(duì)成交金額、成單數(shù)、用戶增長(zhǎng)、銀行卡綁定過(guò)人數(shù)、活躍用戶等進(jìn)行分析。在MTA平臺(tái)上，針對(duì)借貸業(yè)務(wù)進(jìn)行了場(chǎng)景分析，比較詳盡的將借貸畫像和數(shù)據(jù)進(jìn)行存儲(chǔ)和分析，并形成標(biāo)簽化。但借貸業(yè)務(wù)也屬于金融行業(yè)的一個(gè)部分，因此對(duì)整個(gè)金融行業(yè)可以做整體的方案，同時(shí)再做更小顆粒度的行業(yè)細(xì)分。

3.4.3 在線教育行業(yè)

在線教育行業(yè)需要通過(guò)數(shù)據(jù)了解課程的銷售趨勢(shì)，通過(guò)控制課程價(jià)格、用戶趨勢(shì)來(lái)保證課程業(yè)務(wù)的開展和銷售。因此需要在用戶增長(zhǎng)趨勢(shì)、用戶留存、課程銷售趨勢(shì)、渠道用戶增長(zhǎng)等方面進(jìn)行分析。

4. 對(duì)標(biāo)產(chǎn)品分析與改進(jìn)

4.1 競(jìng)品對(duì)比

目前數(shù)據(jù)分析存在的痛點(diǎn)包括：過(guò)于簡(jiǎn)單、過(guò)于復(fù)雜、效率太低三個(gè)因素。而要用數(shù)據(jù)運(yùn)營(yíng)好一個(gè)產(chǎn)品，不僅要還原業(yè)務(wù)全貌，還需要對(duì)團(tuán)隊(duì)產(chǎn)生價(jià)值，最終達(dá)到快速、高效。因此本文從數(shù)據(jù)采集、數(shù)據(jù)建模、數(shù)據(jù)分析三個(gè)方面對(duì)競(jìng)品進(jìn)行分析。

目前互聯(lián)網(wǎng)比較主流的數(shù)據(jù)分析驅(qū)動(dòng)增長(zhǎng)的AARRR模型已經(jīng)比較成熟，貫穿整個(gè)產(chǎn)品生命周期。AARRR增長(zhǎng)模型是一套工具方法論，但是我們不能忘記我們的數(shù)據(jù)分析的起點(diǎn)和初衷：產(chǎn)品/市場(chǎng)，業(yè)務(wù)持續(xù)增長(zhǎng)（商業(yè)價(jià)值的持續(xù)變現(xiàn)以及客戶價(jià)值的平衡）。

在產(chǎn)品成長(zhǎng)初期，重點(diǎn)關(guān)注用戶激活率、和留存率，求質(zhì)量；在產(chǎn)品成長(zhǎng)爆發(fā)期，重點(diǎn)關(guān)注用戶獲取率和留存率，求高效增長(zhǎng)；在產(chǎn)品口碑爆發(fā)期，重點(diǎn)關(guān)注傳播推薦，嘗試病毒式增長(zhǎng)；最終在產(chǎn)品成熟收割期，重點(diǎn)關(guān)注用戶增加收入 和 留存率，求客戶價(jià)值和商業(yè)價(jià)值變現(xiàn)的平衡。

4.1.1 諸葛IO

諸葛IO是一款基于用戶洞察的精細(xì)化運(yùn)營(yíng)管理工具。以用戶跟蹤技術(shù)和簡(jiǎn)單易用的集成開發(fā)方法，幫助移動(dòng)應(yīng)用的運(yùn)營(yíng)者們挖掘用戶的真實(shí)行為與屬性。諸葛IO主要解決的痛點(diǎn)問(wèn)題是精細(xì)化運(yùn)營(yíng)，主要包括數(shù)據(jù)概要、數(shù)據(jù)報(bào)表、漏斗轉(zhuǎn)化、用戶留存、通知推送、用戶檔案、用戶分組和自定義設(shè)置等模塊，幫助使用用戶從概要到精細(xì)化數(shù)據(jù)分析，進(jìn)一步完成決策。

（1）數(shù)據(jù)采集能力

采用SDK埋點(diǎn)，精細(xì)化分析核心轉(zhuǎn)化流程, 分析不同渠道和不同推廣方式的投放效果。

（2）數(shù)據(jù)建模能力

在諸葛IO中，區(qū)別于傳統(tǒng)的基于PV、UV等指標(biāo)的數(shù)據(jù)統(tǒng)計(jì)方法，采用“事件模型”（如圖24所示）來(lái)描述用戶在產(chǎn)品上的各種行為。每個(gè)設(shè)備都會(huì)記錄三個(gè)id，設(shè)備id、設(shè)備上的用戶id、諸葛id，保證用戶數(shù)據(jù)的準(zhǔn)確性。

圖24 事件模型概念圖

（3）數(shù)據(jù)分析能力

諸葛IO擁有三大解決方案：廣告監(jiān)測(cè)、獲取分析和智能觸達(dá)。廣告監(jiān)測(cè)包括行為打通、實(shí)時(shí)監(jiān)測(cè)、效果衡量、數(shù)據(jù)開放四個(gè)核心優(yōu)勢(shì)；由于不同企業(yè)業(yè)務(wù)不同，衡量效果的行為也不同，所以諸葛IO支持自定義轉(zhuǎn)化目標(biāo)來(lái)進(jìn)行獲取分析；智能觸達(dá)依托諸葛IO分析產(chǎn)品的數(shù)據(jù)采集框架和基礎(chǔ)功能，能夠自動(dòng)/手動(dòng)向滿足條件用戶進(jìn)行推送，描繪精準(zhǔn)用戶畫像。

4.1.2 友盟+

友盟+以移動(dòng)應(yīng)用統(tǒng)計(jì)分析為產(chǎn)品起點(diǎn)，發(fā)展成為提供從基礎(chǔ)設(shè)置搭建-開發(fā)-運(yùn)營(yíng)服務(wù)的整合服務(wù)平臺(tái)，致力于為移動(dòng)開發(fā)者提供專業(yè)的數(shù)據(jù)統(tǒng)計(jì)分析、開發(fā)和運(yùn)營(yíng)組件及推廣服務(wù)。友盟從2010年成立，具有較老資質(zhì)。由于友盟+是由友盟和CNZZ合并而來(lái)的，不僅僅可以對(duì)APP進(jìn)行分析，還可以對(duì)WEB端進(jìn)行分析，進(jìn)行消息推送和社會(huì)化分享，同時(shí)還對(duì)電商、移動(dòng)、新零售場(chǎng)景進(jìn)行廣告監(jiān)測(cè)。

（1）數(shù)據(jù)采集能力

采用SDK埋點(diǎn)，精細(xì)化分析核心轉(zhuǎn)化流程, 分析不同渠道和不同推廣方式的投放效果。

（2）數(shù)據(jù)建模能力

友盟+依舊采用的是傳統(tǒng)的基于PV、UV分析方式，統(tǒng)計(jì)用戶參與度，包括使用時(shí)長(zhǎng)、使用頻率、訪問(wèn)頁(yè)面、使用間隔。對(duì)于模型主要采用單維度分析，包括渠道分析、留存分析、錯(cuò)誤分析、漏斗模型等。

（3）數(shù)據(jù)分析能力

友盟+在基礎(chǔ)分析的功能上，對(duì)用戶分群和用戶畫像進(jìn)行商業(yè)化增值付費(fèi)使用。主要包括分群推送、用戶分群和用戶畫像三大板塊。分群推送主要是對(duì)選定人群進(jìn)行推送，分群用戶按照用戶在APP中的行為分析，用戶畫像包含基礎(chǔ)屬性、偏好信息、手機(jī)行業(yè)、汽車行業(yè)這四大類標(biāo)簽。

4.1.3 神策IO

神策IO為企業(yè)提供可視化數(shù)據(jù)分析，實(shí)現(xiàn)企業(yè)數(shù)據(jù)驅(qū)動(dòng)。核心競(jìng)爭(zhēng)優(yōu)勢(shì)在于私有化部署與可視化埋點(diǎn)。神策提供可以私有化部署的數(shù)據(jù)分析工具，采用 SaaS + PaaS 的模式，解決了市場(chǎng)上的三大痛點(diǎn)：一是數(shù)據(jù)安全和客戶數(shù)據(jù)資產(chǎn)積累；二是PaaS模式的靈活擴(kuò)展，企業(yè)可以自行整合CRM系統(tǒng)、個(gè)性化推薦等系統(tǒng)；三是多維分析模型、漏斗、留存、用戶分群、回訪等功能相比上一代分析工具更為強(qiáng)大，比如漏斗、留存可以對(duì)歷史數(shù)據(jù)立即定義立即查詢，客戶可以基于此靈活組合、自定義相關(guān)指標(biāo)。

（1）數(shù)據(jù)采集能力

采用SDK埋點(diǎn)，精細(xì)化分析核心轉(zhuǎn)化流程, 分析不同渠道和不同推廣方式的投放效果。通過(guò)調(diào)用API將數(shù)據(jù)發(fā)送到 Sensors Analytics。

（2）數(shù)據(jù)建模能力

在 Sensors Analytics 中，采用“事件模型（Event 模型）”來(lái)描述用戶在產(chǎn)品上的各種行為。事件模型包括事件（Event）和用戶（User）兩個(gè)核心實(shí)體，在 Sensors Analytics 中，分別提供了接口供使用者上傳和修改這兩類相應(yīng)的數(shù)據(jù)，在使用產(chǎn)品的各個(gè)功能時(shí)，這兩類數(shù)據(jù)也可以分別或者貫通起來(lái)參與具體的分析和查詢。

事件（Event）采用4W1H（Who、When、Where、How、What）五要素描述，而用戶（User）則對(duì)應(yīng)一個(gè)真實(shí)的用戶，與事件進(jìn)行關(guān)聯(lián)。

（3）數(shù)據(jù)分析能力

基于事件模型，在事件分析時(shí)，需要通過(guò)限制條件來(lái)查看PV、UV、渠道效果和計(jì)算精度等屬性。除此外，還有漏斗分析、留存分析、分布分析、用戶路徑分析、用戶行為序列、用戶分群、網(wǎng)頁(yè)熱力分析、用戶屬性分析等分析途徑。通過(guò)漏斗分析對(duì)完成轉(zhuǎn)化/確認(rèn)流失用戶進(jìn)行二次篩選；留存分析可以消除用戶增長(zhǎng)對(duì)用戶參與數(shù)據(jù)帶來(lái)的影響；分布分析可以查看用戶DAU、MAU，注重用戶粘性；用戶路徑分析能夠了解用戶在使用產(chǎn)品時(shí)的路徑分布情況。用戶分群方面，被分為普通分群和預(yù)測(cè)分群，普通分群是依據(jù)用戶的屬性特征和行為特征將用戶群體進(jìn)行分類，預(yù)測(cè)分群是根據(jù)用戶以往的行為屬性特征，運(yùn)用機(jī)器學(xué)習(xí)算法來(lái)預(yù)測(cè)他們將來(lái)會(huì)發(fā)生某些事件的概率。

4.1.4 TalkingData

TalkingData是一家專注于移動(dòng)互聯(lián)網(wǎng)綜合數(shù)據(jù)服務(wù)的創(chuàng)業(yè)公司。服務(wù)內(nèi)容從基本的數(shù)據(jù)統(tǒng)計(jì)，到深入的數(shù)據(jù)分析、挖掘，可以為移動(dòng)互聯(lián)網(wǎng)企業(yè)提供全方位的大數(shù)據(jù)解決方案。

（1）數(shù)據(jù)采集能力

無(wú)埋點(diǎn)技術(shù)，直接植入SDK，業(yè)務(wù)人員根據(jù)業(yè)務(wù)需求定制數(shù)據(jù)采集規(guī)則。

（2）數(shù)據(jù)建模能力

依舊采用的是傳統(tǒng)的基于PV、UV分析方式，統(tǒng)計(jì)用戶參與度，包括使用時(shí)長(zhǎng)、使用頻率、訪問(wèn)頁(yè)面、使用間隔。對(duì)于模型主要采用單維度分析，包括渠道分析、留存分析、錯(cuò)誤分析、漏斗模型等。

（3）數(shù)據(jù)分析能力

基于傳統(tǒng)PV、UV分析，TalkingData以AARRR模型為基礎(chǔ)，將基本數(shù)據(jù)按照拉新、留存、轉(zhuǎn)化進(jìn)行分析，同時(shí)根據(jù)不同場(chǎng)景進(jìn)行場(chǎng)景分析、用戶畫像分析和用戶行為分析。在應(yīng)用概覽模塊，對(duì)7天、30天設(shè)備用戶的活躍度、使用時(shí)長(zhǎng)進(jìn)行統(tǒng)計(jì)分析；在渠道統(tǒng)計(jì)模塊，對(duì)TOP5的渠道做展示分析；留存模塊和用戶趨勢(shì)模塊來(lái)源于DAU、MAU的分析；在用戶質(zhì)量評(píng)估模塊，支持情景感知和判別用戶是否進(jìn)行人機(jī)交互，來(lái)判斷用戶質(zhì)量；在場(chǎng)景分析模塊，基于微信小程序提供的場(chǎng)景ID，對(duì)小程序分析時(shí)進(jìn)一步了解用戶訪問(wèn)場(chǎng)景，同時(shí)對(duì)重點(diǎn)場(chǎng)景二維碼掃碼進(jìn)行重點(diǎn)場(chǎng)景分析，了解掃碼數(shù)量和轉(zhuǎn)化率，同樣對(duì)重點(diǎn)場(chǎng)景頁(yè)面分享也進(jìn)行重點(diǎn)場(chǎng)景分析，了解分享傳播數(shù)量和轉(zhuǎn)化率。

在用戶畫像方面，主要包括性別、年齡、人群特征TGI指數(shù)和移動(dòng)設(shè)備偏好，通過(guò)共同特征和習(xí)慣進(jìn)行用戶分群，輔助分析用戶在關(guān)鍵轉(zhuǎn)化的差異性。在用戶行為分析方面，采用傳統(tǒng)頁(yè)面統(tǒng)計(jì)分析、漏斗模型和可視化埋點(diǎn)三種方式結(jié)合。同時(shí)針對(duì)場(chǎng)景，對(duì)電商領(lǐng)域?qū)ｉT區(qū)分電商業(yè)務(wù)分析匯總了用戶下單、支付核心指標(biāo)，描繪用戶支付能力、購(gòu)買意愿。

4.1.5 GrowingIO

GrowingIO是基于用戶行為的新一代數(shù)據(jù)分析產(chǎn)品，提供全球領(lǐng)先的數(shù)據(jù)采集和分析技術(shù)。企業(yè)無(wú)需在網(wǎng)站或app中埋點(diǎn)，即可獲取并分析全面、實(shí)時(shí)的用戶行為數(shù)據(jù)，以優(yōu)化產(chǎn)品體驗(yàn)，實(shí)現(xiàn)精益化運(yùn)營(yíng)，用數(shù)據(jù)驅(qū)動(dòng)用戶和營(yíng)收的增長(zhǎng)。

（1）數(shù)據(jù)采集能力

無(wú)埋點(diǎn)技術(shù)，直接植入SDK，業(yè)務(wù)人員根據(jù)業(yè)務(wù)需求定制數(shù)據(jù)采集規(guī)則。

（2）數(shù)據(jù)建模能力

GrowingIO提出并應(yīng)用了四個(gè)可數(shù)實(shí)體（Countable Entity，簡(jiǎn)稱Countable）層級(jí)的數(shù)據(jù)模型。在這四個(gè)層級(jí)上，每一個(gè)層級(jí)都有一些維度和指標(biāo)。四個(gè)實(shí)體包括用戶（Visitor（User））、訪問(wèn)（Visit（mApp Open））、頁(yè)面瀏覽（PageView）和事件（Event）。在頁(yè)面級(jí)提供包括頁(yè)面、域名、頁(yè)面來(lái)源在內(nèi)的三個(gè)預(yù)定義維度，還對(duì)四個(gè)可數(shù)實(shí)體提供19個(gè)預(yù)定義指標(biāo)，包括訪問(wèn)用戶量、新訪問(wèn)用戶量、登錄用戶量、新登錄用戶量、訪問(wèn)量、訪問(wèn)用戶人均訪問(wèn)次數(shù)、總訪問(wèn)時(shí)長(zhǎng)（分鐘）、每次訪問(wèn)頁(yè)面瀏覽量、進(jìn)入量、訪問(wèn)用戶人均進(jìn)入次數(shù)、總進(jìn)入時(shí)長(zhǎng)、平均進(jìn)入時(shí)長(zhǎng)、每次進(jìn)入頁(yè)面瀏覽量、跳出次數(shù)、跳出率、退出次數(shù)、退出率和頁(yè)面瀏覽量，可以看出GrowingIO是以用戶為數(shù)據(jù)核心，通過(guò)對(duì)用戶生命周期來(lái)做預(yù)定義指標(biāo)。

（3）數(shù)據(jù)分析能力

基于無(wú)埋點(diǎn)技術(shù)，結(jié)合四可數(shù)實(shí)體模型，主要能夠進(jìn)行事件分析、漏斗分析、留存分析、熱圖分析、用戶活躍分析、用戶分群、智能漏斗和智能留存。

• 在事件分析上，將事件轉(zhuǎn)化為“操作+對(duì)象”，而這里事件主要為傳統(tǒng)PV、UV分析方式，對(duì)所有事件提供多圖標(biāo)展現(xiàn)（1.線圖 2.橫向柱圖 3.縱向柱圖 4.表格 5.數(shù)值 6.氣泡圖 7.維度線圖 8.維度柱圖 9.周期對(duì)比線圖）；
• 在漏斗分析上，主要展現(xiàn)和衡量轉(zhuǎn)化效果，通過(guò)用戶分群對(duì)轉(zhuǎn)化和未轉(zhuǎn)化用戶實(shí)現(xiàn)分群；
• 在留存分析上，通過(guò)自定義目標(biāo)用戶、起始行為、留存行為對(duì)留存情況進(jìn)行分析，通過(guò)對(duì)留存的顆粒度以及行為對(duì)比進(jìn)一步完善分析結(jié)果；
• 在熱圖分析上，通過(guò)頁(yè)面本身的熱區(qū)來(lái)監(jiān)測(cè)頁(yè)面內(nèi)容的熱度；在用戶活躍分析上，用戶被拆解為流失新用戶、流失老用戶、觀察留存用戶、回流用戶和新用戶五類用戶群，通過(guò)對(duì)DAU、MAU的分析進(jìn)行拆解；
• 在用戶分群上，通過(guò)獨(dú)立 Cookie 定義出來(lái)的用戶和賬號(hào)登陸ID的用戶進(jìn)行用戶類型劃分，根據(jù)指標(biāo)（首頁(yè)訪客數(shù)量，點(diǎn)擊按鈕次數(shù)，申請(qǐng)注冊(cè)轉(zhuǎn)化率等）和維度（訪問(wèn)來(lái)源，瀏覽器，操作系統(tǒng)，廣告渠道等）對(duì)用戶進(jìn)行分群。

特別的，GrowingIO具有智能漏斗和智能留存分析。智能漏斗是基于全量數(shù)據(jù)采集，將節(jié)點(diǎn)串聯(lián)而成的用戶行為軌跡，選定轉(zhuǎn)化目標(biāo)，通過(guò)機(jī)器學(xué)習(xí)的方式自動(dòng)分析；智能留存分析是尋找用戶訪問(wèn)初期的行為、頻次與留存的相關(guān)關(guān)系，通過(guò)機(jī)器學(xué)習(xí)的方式分析出促進(jìn)增長(zhǎng)的最低條件。

4.1.6 易觀方舟

易觀方舟是一款精細(xì)化運(yùn)營(yíng)分析產(chǎn)品。將應(yīng)用自身數(shù)據(jù)結(jié)合易觀第三方數(shù)據(jù)，全景畫像，通過(guò)多種模型深度分析用戶行為，多種方式細(xì)分用戶群體，洞察人群差異，輔助運(yùn)營(yíng)決策，多通道有效觸達(dá)用戶，進(jìn)一步數(shù)據(jù)分析閉環(huán)驗(yàn)證效果。幫助企業(yè)選擇優(yōu)質(zhì)渠道、召回用戶、用戶價(jià)值提升等等，最終實(shí)現(xiàn)增收、節(jié)支、提效、避險(xiǎn)。

（1）數(shù)據(jù)采集能力

無(wú)埋點(diǎn)技術(shù)，直接植入SDK，業(yè)務(wù)人員根據(jù)業(yè)務(wù)需求定制數(shù)據(jù)采集規(guī)則。

（2）數(shù)據(jù)建模能力

易觀方舟依舊采用的是傳統(tǒng)的基于PV、UV分析方式，統(tǒng)計(jì)用戶參與度，包括使用時(shí)長(zhǎng)、使用頻率、訪問(wèn)頁(yè)面、使用間隔。對(duì)于模型主要采用單維度分析，包括渠道分析、事件分析、留存分析、領(lǐng)域分析、漏斗模型等。

（3）數(shù)據(jù)分析能力

易觀方舟對(duì)看板進(jìn)行細(xì)分，對(duì)老板/產(chǎn)品/運(yùn)營(yíng)/市場(chǎng)不同崗位的不同需求、不同場(chǎng)景結(jié)合起來(lái)，構(gòu)建多個(gè)基礎(chǔ)分析模型。同時(shí)，拆解為用戶獲取、了解用戶、用戶轉(zhuǎn)化和用戶留存四大分析模型，對(duì)每個(gè)分析模型賦予不同的功能。在用戶獲取上，采用渠道分析分析用戶的來(lái)源渠道，以及不同渠道的用戶表現(xiàn)；在了解用戶上，采用事件分析分析用戶在應(yīng)用上的行為，描繪基礎(chǔ)用戶畫像分析用戶使用設(shè)備的分布、地域分布、用戶特征分布等，通過(guò)領(lǐng)域偏好、場(chǎng)景偏好和APP偏好深度描繪用戶畫像；在用戶轉(zhuǎn)化上，采用轉(zhuǎn)化漏斗通過(guò)事件配置關(guān)鍵業(yè)務(wù)路徑分析轉(zhuǎn)化率、流失情況，采用智能路徑對(duì)多轉(zhuǎn)化路徑進(jìn)行分析，擇優(yōu)選擇最小路徑；在用戶留存上，采用留存分析衡量用戶健康度/參與度，深入用戶留存和流失狀況進(jìn)行分析。

4.1.7 小結(jié)

六款競(jìng)品在接入方式上對(duì)比如表1所示，其中TalkingData的兼容能力最強(qiáng)，其次是友盟+，最弱的是易觀方舟。

表1 接入方式對(duì)比

六款競(jìng)品在埋點(diǎn)方式上對(duì)比如表2所示，其中GrowingIO主打無(wú)埋點(diǎn)。

表2 埋點(diǎn)方式對(duì)比

六款競(jìng)品在用戶行為分析上對(duì)比如表3所示，神策IO和GrowingIO基于自身模型，較傳統(tǒng)PV/UV模仿分析效果更優(yōu)。

表3 用戶行為分析對(duì)比

六款競(jìng)品在用戶畫像分析上對(duì)比如表4所示，TalkingData分析最全，各平臺(tái)由于自身采集能力、建模方式不同，所以在用戶畫像上側(cè)重各有不同。

表4 用戶畫像分析對(duì)比

競(jìng)品對(duì)比各有異同，各有自身長(zhǎng)處和短板，作為B端產(chǎn)品，更應(yīng)該突出解決問(wèn)題的效率和便利程度，同時(shí)更全面、更能夠讓用戶覺得用的值得。

4.2 SOWT分析

SWOT分析主要包括對(duì)MTA產(chǎn)品的自身優(yōu)勢(shì)、劣勢(shì)、機(jī)遇和挑戰(zhàn)進(jìn)行分析。騰訊移動(dòng)分析MTA平臺(tái)基于騰訊基因，能夠與騰訊開放平臺(tái)、騰訊分析、騰訊QQ互聯(lián)平臺(tái)、騰訊廣告平臺(tái)等合作；但同時(shí)由于風(fēng)口吸引大量創(chuàng)業(yè)者涌入，也會(huì)受到來(lái)自已有市場(chǎng)友商的威脅；目前正處于大數(shù)據(jù)時(shí)代，將數(shù)據(jù)進(jìn)行整合分析無(wú)論是在區(qū)塊鏈領(lǐng)域、人工智能領(lǐng)域還是物聯(lián)網(wǎng)領(lǐng)域都是非常有需要的；但機(jī)遇總是伴隨著挑戰(zhàn)，如何細(xì)化顆粒度，提高數(shù)據(jù)價(jià)值和意義則是很需要進(jìn)一步考究的。

4.2.1 優(yōu)勢(shì)

依托騰訊平臺(tái)，可以從QQ平臺(tái)、微信平臺(tái)調(diào)用接口，可以與開放平臺(tái)、互聯(lián)平臺(tái)、廣告平臺(tái)進(jìn)行合作，同時(shí)可以由騰訊云來(lái)提供技術(shù)支持。就產(chǎn)品自身而言，適配性兼容能力強(qiáng)，同時(shí)具備SDK埋點(diǎn)和可視化埋點(diǎn)，在用戶畫像和行為畫像描述方面，能夠滿足漏斗分析、留存分析等基礎(chǔ)分析，同時(shí)提供金融行業(yè)的相關(guān)資源畫像，整體數(shù)據(jù)采集能力較強(qiáng)。

4.2.2 劣勢(shì)

相比友商為2012年成立、2015年發(fā)展來(lái)看，騰訊移動(dòng)分析平臺(tái)還是稍有遜色之處。雖然有較為優(yōu)越的數(shù)據(jù)采集能力，但在數(shù)據(jù)建模方面沒有自身模型，數(shù)據(jù)分析方面與友商產(chǎn)品趨同。而友商在數(shù)據(jù)建模方面，提出了事件模型、“事件+用戶”模型、四可數(shù)實(shí)數(shù)模型都能在模型的分析上區(qū)別傳統(tǒng)的分析模型。

4.2.3 機(jī)遇

在互聯(lián)網(wǎng)時(shí)代下半場(chǎng)，大數(shù)據(jù)時(shí)代來(lái)臨之際，數(shù)據(jù)不僅僅是分析用戶增長(zhǎng)的工具，更是打破線下和線上的媒介，模糊邊界將數(shù)據(jù)歸一化。在這個(gè)機(jī)遇下，誰(shuí)能夠?qū)?shù)據(jù)分析的更準(zhǔn)確，誰(shuí)就更有話語(yǔ)權(quán)。而對(duì)于數(shù)據(jù)分析的準(zhǔn)確性的標(biāo)準(zhǔn)也沒有定性規(guī)定，因此也需要有人來(lái)完成更多人的認(rèn)同感。

4.2.4 挑戰(zhàn)

藍(lán)海越大，所看到的人也就越多。不僅僅要在與友商的逆境中奔跑，還需要面對(duì)來(lái)自社會(huì)的認(rèn)同。一種新分析模型和方法的提出或者改進(jìn)，都將會(huì)先受到用戶的體驗(yàn)，緊接著是友商的模仿和超越。只有不斷超越自己才可以在藍(lán)海中盤踞較大的一塊位置。

5. 結(jié)語(yǔ)

一款好的產(chǎn)品經(jīng)得起用戶和市場(chǎng)的打磨。騰訊移動(dòng)分析MTA平臺(tái)自身?yè)碛休^強(qiáng)的分析、采集能力，同時(shí)可以通過(guò)多渠道進(jìn)行產(chǎn)品結(jié)合。在以多多記賬為產(chǎn)品分析的過(guò)程中，通過(guò)MTA平臺(tái)對(duì)數(shù)據(jù)優(yōu)化產(chǎn)品以及數(shù)據(jù)優(yōu)化運(yùn)營(yíng)策略的分析，通過(guò)深層次的抽象，能夠得到優(yōu)化產(chǎn)品和運(yùn)營(yíng)策略的方案，但同時(shí)也暴露出目前數(shù)據(jù)分析平臺(tái)的常規(guī)痛點(diǎn)——不能完成更深層次的數(shù)據(jù)挖掘，對(duì)此筆者結(jié)合雙引擎模型對(duì)部分板塊進(jìn)行重新設(shè)計(jì)，主要包括對(duì)不同崗位業(yè)務(wù)的分析、對(duì)深層挖掘的分析、對(duì)數(shù)據(jù)展現(xiàn)及格式多元化、多場(chǎng)景化分析等。接著對(duì)相關(guān)競(jìng)品進(jìn)行分析，知己知彼才能百戰(zhàn)百勝。

對(duì)過(guò)于簡(jiǎn)單、過(guò)于復(fù)雜、效率太低這三個(gè)行業(yè)普遍存在的痛點(diǎn)問(wèn)題，根據(jù)友商競(jìng)品的分析，結(jié)合產(chǎn)品的SWOT分析，筆者認(rèn)為，無(wú)論是哪種數(shù)據(jù)采集、建模和分析方案，都應(yīng)該先根據(jù)大類分析，緊接著對(duì)大類進(jìn)行行業(yè)細(xì)分，不斷拆解顆粒度，最終對(duì)所有的小顆粒進(jìn)行標(biāo)簽化處理。

綜上所述，騰訊移動(dòng)分析產(chǎn)品能夠在數(shù)據(jù)分析領(lǐng)域占據(jù)一席之地，但如何擴(kuò)大和站穩(wěn)，就需要對(duì)產(chǎn)品進(jìn)行不斷迭代，不斷拆分?jǐn)?shù)據(jù)的顆粒度以滿足用戶的各類需求。

相關(guān)閱讀

騰訊移動(dòng)分析產(chǎn)品測(cè)評(píng)大賽報(bào)名開啟，豐厚大獎(jiǎng)等你來(lái)！

騰訊移動(dòng)分析測(cè)評(píng)大賽結(jié)果公布｜這一次，且聽我娓娓道來(lái)

作者：阮楨垚（乳酸鈉楨垚），生而產(chǎn)品（ID:PMzeanyon），分享技術(shù)、產(chǎn)品和運(yùn)營(yíng)的各種好玩的東西

本文為「人人都是產(chǎn)品經(jīng)理」社區(qū)和騰訊移動(dòng)分析聯(lián)合主辦的“騰訊移動(dòng)分析測(cè)評(píng)大賽”中的四等獎(jiǎng)作品，未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來(lái)自 Pixabay，基于 CC0 協(xié)議