科技獵干貨|互聯網運營數據分析的十大經典方法，樸實卻能解決問題
眼花繚亂的東西很多，真正派上用場的，卻不見得是那些看起來炫酷的。很多方法樸實無華，卻解決大量的問題。
下面十個方法都是我這么多年做互聯網運營分析時一定會用到的最經典的方法。這些方法如果爛熟于心，其實互聯網運營分析的最核心部分也就掌握差不多了。真沒那么復雜。
Link tag 標記流量源頭 ，絕對是所有方法中最為基本重要的一種。這種方法不僅僅適用于網站的流量來源，也同樣適用于 app 下載來源的監測（但后者需要滿足一定的條件）。
Link tag 的意思，是在流量源頭的鏈出鏈接上（鏈出 URL 上）加上尾部參數。這些參數不僅不會影響鏈接的跳轉，而且能夠標明這個鏈接所屬的流量源是什么（理論上能夠標明流量源的屬性數是無限的）。
Link tag 不能單獨起作用，必須要在網站分析工具或者 app 分析工具的配合下工作。
分析轉化的基本模型是轉化漏斗（conversion funnel），這個大家都應該很熟悉了。
轉化漏斗最常見的是把最終的轉化設置為某種目的的實現，最典型的就是實現銷售，所以大家很多時候把轉化和銷售是混為一談。但轉化漏斗的最終轉化也可以是其他任何目的的實現，比如一次使用 app 的時間超過 10 分鐘（session duration >10minutes）。對于增長黑客而言，構建漏斗是最為常見的工作。
漏斗幫助我們解決兩方面的問題，第一、在一個過程中是否發生泄漏，如果有泄漏，我們能在漏斗中看到，并且能夠通過進一步的分析堵住這個泄漏點；第二、在一個過程中是否出現了其他不應該出現的過程，造成轉化主進程受到損害。
人人都懂轉化漏斗，但不是所有人都關注微轉化。但是你想指望一個轉化漏斗不斷提升轉化率太困難了，而微轉化卻可以做到。轉化漏斗解決的是轉化過程中的大問題，但大問題總是有限的，這些問題搞定后，你還是需要對你的轉化進行持續優化，這個時候必須要用到微轉化。
微轉化是指在轉化必經過程之外，但同樣會對轉化產生影響的各種元素。這些元素與用戶的互動，左右了用戶的感受，也直接或者間接的影響了用戶的決定。
比如，商品的一些圖片展示，并不是轉化過程中必須要看的，但是它們的存在，是否會對用戶的購買決定產生影響？這些圖片就是微轉化元素。
合并同類項是大家容易忽視的常用方法。我們往往非常重視細分，但有的時候我們卻需要了解更宏觀的表現。
合并同類項就是這樣的方法。舉一個例子，我問你，一個電子商務網站，所有商品頁的整體表現如何？它們作為一個整體的 bounce rate 怎么樣，停留時間怎么樣，用戶滿意度怎么樣等等，你能夠回答嗎？
如果我們查看每一個商品頁的表現，然后再把所有一個一個頁面的數據加總起來作分析，就太麻煩了（根本無法實現分析）。這個時候，我們必須要合并同類項。
如何合并？利用分析工具的過濾工具或者查找替換功能。不支持這樣功能的工具你可以考慮扔掉了，因為這根本不應放在增長黑客的專業裝備箱中。
增長黑客不談 AB 測試是恥辱。
通過數據優化運營和產品的邏輯很簡單——看到問題，想個主意，做出原型，測試定型。
比如，你發現轉化漏斗中間有一個漏洞，于是你想，一定是商品價格不對頭，讓大家不想買了。你看到了問題——漏斗，而且你也想出了主意——改變定價。
但是這個主意靠不靠譜，可不是你想出來的，必須得讓真實的用戶用。于是你用 AB 測試，一部分的用戶還是看到老價格，另外一部分用戶看到新價格。若是你的主意真的管用，新價格就應該有更好的轉化。若真如此，新的價格就被確定下來（定型），開始在新的轉化高度上運行，直到你又發現一個新的需要改進的問題。
增長黑客的一個主要思想之一，是不要做一個大而全的東西，而是不斷做出能夠快速驗證的小而精的東西。快速驗證，如何驗證的？主要方法就是 AB 測試。
今天的互聯網世界，由于流量紅利時代的結束，對于快速迭代的要求大大提升了，這也使我們更加在意測試的力量。
熱圖是一個大家都喜歡的功能，它是最直觀的記錄用戶與產品界面交互的工具。不過真用起來，可能大家很少真正去深究吧！
熱圖，對于 web、app 的分析，都非常重要！今天的熱圖相對于過去的熱圖，功能得到了極大的提升。
在 web 端，過去一些解決不好的問題，比如只能看鏈接的被點擊情況，點擊位置錯位，對浮層部分點擊的標記，對鏈出鏈接的標記等等，現在已經有好的工具能夠提供很多新的辦法去解決。在 app 端則分為兩種情況，內容類的 app，對于熱圖的需求較弱；但工具類的 app 對于熱圖的需求則很顯著。前者的 screen 中以并列內容為主，且內容動態變換，熱圖應用價值不高；后者則特別需要通過熱圖反映用戶的使用習慣，并結合 app 內其他的 engagement 的分析（in-app engagement）來優化功能和布局設計，所以熱圖對它們很重要。
要想熱圖用得好，一個很重要的點在于你幾乎不能單獨使用一個熱圖就想解決問題。我常常用集中對比熱圖的方法。
其一，多種熱圖的對比分析，尤其是點擊熱圖（觸摸熱圖）、閱讀線熱圖、停屏熱圖的對比分析；
其二，細分人群的熱圖對比分析，例如不同渠道、新老用戶、不同時段、AB 測試的熱圖對比等等。
其三，深度不同的互動，所反映的熱圖也是不同的。這種情況也值得利用熱圖對比功能。例如點擊熱圖與轉化熱圖的對比分析等。
互聯網運營數據分析的一個很重要的基礎是網站分析。今天的 app 分析、流量分析、渠道分析，還有后面要講到的歸因分析等等，都是在網站分析的基礎之上發展起來的。
但是，早期的網站分析有一個特點，就是對于用戶在頁面上互動行為的記錄，只能記錄下來一種，就是點擊 http 鏈接（點擊 URL）。不過隨著技術的發展，頁面上不僅僅只有 http 鏈接，頁面上還有很多 flash（現在 flash 都要被淘汰了）、JavaScript 的互動鏈接、視頻播放、鏈接到其他的 web 或者 app 的鏈接等等，用戶點擊這些東西就都無法被老方法記錄下來了。
不過，有問題就一定有方法，人們發明了 event tracking 來解決上面的問題。event tracking 本質上是對這些特殊互動的定制化監測，而由于是定制化，所以反而有了更多附加的好處，即可以額外添加對于這個活動的更多的說明（以 event tracking 這個方法的附件屬性的方式）。結果，這個方法甚至有些反客為主，即使是一些 http 鏈接，很多分析老手也喜歡把它們加上 event tracking（技術上完全可行），以獲得更多的額外監測屬性說明。
隨著 app 的出現，由于 app 的特殊性（屏幕小，更強調在一個屏幕中完成互動），分析 app 的 page（實際上應該是 app 的 screen）間跳轉的重要性完全不如 web 上的 page 之間的跳轉，但分析 app 上的點擊行為的重要性則十分巨大，這就使我們分析 in-app engagement 的時候，必須大量依賴 event，而相對較少使用 screen。這就是說，在 app 端，event 反而是主，page（更準確應該是 screen）反而是輔！
Cohort 分析還沒有一個所有人都統一使用的翻譯。有的說是隊列分析，有的說是世代分析，有的說是隊列時間序列分析。大家可以參考維基百科：隊列研究，找找自己覺得合適的譯名。
無論哪種叫法，Cohort 分析在有數據運營領域都變得十分重要。原因在于，隨著流量經濟的退卻，精耕細作的互聯網運營特別需要仔細洞察留存情況。Cohort 分析最大的價值也正在于此。Cohort 分析通過對性質完全一樣的可對比群體的留存情況的比較，來發現哪些因素影響短、中、長期的留存。
歸因不是人人都聽說過，用好的更是寥寥無幾。 不過，考慮到人們購買某一樣東西的決策，可能受到多種因素（數字營銷媒體）的影響，比如看到廣告了解到這個商品的存在，利用搜索，進一步了解這個商品，然后在 social 渠道上看到這個商品的公眾號等等。這些因素的綜合，讓一個人下定了決心購買。
因此，很多時候，單一的廣告渠道并不是你打開客戶閘門的閥門，而是多種渠道共同作用的結果。
如何了解數字營銷渠道之間的這種先后關系或者相互作用？如何設置合理的數字營銷渠道的策略以促進這種關系？在評價一個渠道的時候，如何將歸因考慮在內從而能夠更客觀的衡量？這些都需要用到歸因。
嚴格說，細分不是一種方法，它是一切分析的本源。所以它當之無愧要排名第一。
我經常的口頭禪是，無細分、毋寧死。沒有細分你做什么分析呀。
細分有兩類，一類是一定條件下的區隔。如：在頁面中停留 30 秒以上的 visit（session）；或者只要北京地區的訪客等。其實就是過濾。另一類是維度（dimension）之間的交叉。如：北京地區的新訪問者。即分群（segmentation）。
細分幾乎幫助我們解決所有問題。比如，我們前面講的構建轉化漏斗，實際上就是把轉化過程按照步驟進行細分。流量渠道的分析和評估也需要大量用到細分的方法。
分析跳出率時，我們也會把 landing page 和它的 traffic source（流量源）進行交叉，以檢查高跳出率的表現是由著陸頁造成，還是由流量造成。這也是典型的維度交叉細分的應用。
內容來源：網站分析在中國
