叫板星巴克的瑞幸咖啡，背后有什么数据分析套路？

叫板星巴克的瑞幸咖啡，背后有什么数据分析套路？_爱运营

本文由作者曾锐林撰写

腾讯大学作为腾讯特色的学习交流平台，致力于服务腾讯业务合作伙伴及用户，面向互联网产业链开放，通过线下学习活动及线上平台，传播腾讯经验，分享行业知识及优秀实践，助力合作伙伴成长，推动开放共赢的互联网生态圈的建立。

产品设计和优化基于数据而高于数据。数据是反映产品效果的一种有力辅助手段，因此，在设计产品、迭代功能前，最好都提前规划好本次“更新换代”的数据统计分析体系，并在上线后不断观察，根据数据反馈指导进一步的产品优化。然而，面对繁杂的数据指标和功能流程，该如何快速而清晰搭建起合适的数据衡量体系，是一个很重要的问题。

无论是搭建一套完整的体系，还是单纯用于衡量某个功能/优化的上线效果，一般而言，可以从下面四个步骤进行：

一、明确要统计分析的业务功能

数据是产品效果的表达方式，在搭建数据体系前，必须先明确业务类型、明确验证目标：

1、业务

不同的行业领域，其关注点是有很大差异的。

互联网金融领域，看重的是保有量非0的用户数、用户的资金保有量、申购量、用户财富指数等；电商行业，看重的是产生购买行为的用户数、用户购买金额、购买频次、复购周期等；社交类产品，看重的是用户活跃程度，如日活跃时长、社区活跃度（评论、发帖）等。

2、场景

是功能优化迭代验证效果？是差异化竞争的对比分析？是基于用户场景的拉新、留存、促活？还是流失场景的挽留？

产品数据体系，一般而言可以分为数据统计、数据分析两大类。

数据统计更多与产品功能效果挂钩，用于衡量某一个产品指标，如用户数量、DAU、MAU、用户购买金额等；数据分析则更多用于产品路径流程剖析、问题发现、迭代指导、运营效果反馈等场景。

不同的业务、不同的目标，决定了我们要选取什么数据指标来衡量。

二、拆分衡量指标/提出分析假设

明确了业务场景、统计/分析目标，下一步则是继续拆分合适的衡量指标；对于数据分析需求来说，还需要在此之前提出分析的假设。以下举例说明：

1、分析某个产品功能的转化率

转化率一般可分为注册转化率、申购转化率、场景用户转化率、入口转化率等，亦即“用户对某款产品路转粉”的过程。

进一步拆分，转化率链路上的关键数据，分别有：曝光UV → 点击UV → 转化用户数，对应的则是“用户看到 → 用户感兴趣并尝试 → 用户被转化”的行为。

将转化率放到场景中做分析，目标一般有两种：看某个产品/运营流程的转化效果，统计新用户从接触到最终被成功转化的转化率，多用漏斗模型来表现转化率数据；对于多渠道多入口触达的产品，或产品功能正在进行A/B test，需通过比较多渠道多入口的转化率，对比每一个路径的效果。这两种模型在之前的《思维 | 数据驱动决策的10种思维》的文章中有提到。

2、通过活跃度分析指导产品优化方向

活跃度指标可分为用户登录/访问频次、场景设置频次、申购/购买频次、互动频次等，主要是看用户在产品上的留存和活跃程度，比如用户近30天内登录过10次，用户近90天内发生了30次申购行为。

有些产品/功能上线后，用户抱着尝鲜的态度被转化，使用为数不多的几次后即流失，即可明确下一阶段工作重点是提升用户的留存率。相反，有的产品用户留存率很高，但深究发现用户大部分处于不活跃状态，即可明确下一阶段的工作重点是用户促活。

3、监控用户健康度

产品的健康度在某种意义上说跟活跃度有点交叉，有些广义的概念可把活跃度包含于健康度内。

比如，ARPU值、用户流动性、会员体系下的用户升降级速度…都是衡量一款产品健康度的指标。

以会员体系下的用户升降级速度为例：设计一套会员体系时，数据体系的搭建就必须有事前规划测算、事中验证跟踪、事后调整这3个阶段。事前的规划测算一般需花费较大的时间和精力演算，因为一旦会员规则对外放开了，就不好轻易做调整。也因此，第3个阶段的调整，最好是能避免则避免。

会员体系需要拟合升降级曲线，一般达到的效果就是升级先易后难，降级留有一定buffer值。升级太快降级太慢，有导致体系被击穿、成本hold不住等风险，升级太慢降级太快，用户不买账没粘性。升降级速度，体现的是该产品的健康程度。

4、用户流失节点分析

很多产品上线一段时间后，发现流失率越来越高，这个时候可关注用户在整个链路上的流失节点：用户主要是在哪一步开始流失的，用户流失的集中时间点是在什么时候，从流失节点着手进行产品优化、适当的流失挽留堵漏等操作。

如互金平台定投功能的使用，经过观察和分析可能会发现，用户在第一次扣款前后的流失率最高，且扣款高峰会伴随着流失高峰，可能的原因有以下：

扣款前：用户设置时仅抱着尝鲜的心态，在扣款（实际发生资金行为）前及时终止定投“止损”；或者对扣款行为的安全感不足。

扣款后：对资金的安全和流动性存在担忧；自身无法保证银行卡资金在扣款日是充足的，因资金不足扣款失败而放弃。

找到了可能的问题所在，即可对齐进行相应的用户教育和引导，降低流失率。一个水缸多个孔，堵住其中1个或几个，水流失的速度自然就慢了下来。

5、通过假设潜在用户画像进行投放验证

产品对用户做触达的时候，总会选择潜在目标用户，以提高转化率等各项指标。但何为“目标用户”，用户的年龄？用户所在的地区？用户的在线支付频次？需要通过多次投放尝试总结，可假设多个变量，通过调整潜在目标用户的画像进行用户包提取触达，比较多个投放渠道之间的数据差异，从而达到验证的目的。

三、寻找对比数据

没有对比的效果指标评价，都是耍流氓。一款产品上线效果，产品经理要看到其中的利弊，并且找到合适的参照物来对比效果，才可以做出评价和结论。

举个例子：一款社区类产品上线至今，总用户数100万，日均活跃用户8万人。

这个数据是好是坏？我们需要找到一个对比衡量的标准，对比竞品，我们这个活跃用户水平算是较高的？对比过去的日均活跃用户5万人，则很明显有了提高。

因此，得到产品的上线效果数据后，需要找到对应的产品做标的，而这个标的，可以是竞品、可以是历史经验数据沉淀、也可以是行业内默认的标准等。

四、明确获取数据渠道

规划好了数据衡量体系，接下来即是产品上线前的数据埋点工作和上线后的数据获取来源，有下面的一串口诀：转化数据点击流，用户属性渠道号，反馈抽样用问卷，广义普适第三方。

1、转化数据点击流

在看用户登录访问、购买等产品的路径转化数据时，常选择用户数为统计分析维度，这个时候，用相对简单的点击流埋点，一般可满足需求；主要统计产品流程中，每一步操作的用户数量，可形成漏斗模型。

2、用户属性渠道号

在申购金额、购买数量和金额、评论互动等带有用户属性的场景下，需要适当深挖，这个时候可以用渠道号等标记对用户进行“打标”，方便跟踪监控用户的后续行为。

3、反馈抽样用问卷

有的时候，我们需要探究用户行为原因，了解用户的主观操作意向，获取用户使用反馈时，通过上述的纯客观数据是难以得出合适的指导意见的，该情况下可以选择问卷的方式进行；可以获取足够反馈问题的样本数据。

4、广义普适第三方

有一些第三方数据平台，如友盟、TalkingData、微信指数、百度指数等数据平台，适用于监控大行业大领域数据。如通过微信指数，可知道某个词汇的近期网络搜索次数，环比增减情况，添加对比词汇等。

方法论讲完，是不是还有点似懂非懂？以下我们将以最近很火的luckin coffee为例，看看它是否有可复制的数据分析套路？

五、luckin coffee背后的数据分析

对于luckin coffee来说，品牌定位更多在“职场咖啡”与“社交咖啡”上，因此，在获客初始节点，进行了不同商圈的线下试点门店铺设，通过各类优惠福利做app的推广下载和刺激用户分享获客。该阶段，如若进行数据分析，则首先需要明确分析目标：

1、明确分析目标

线下不同商圈的试点效果

用户对职场咖啡的诉求及预期

app推广效果/社交咖啡营销裂变效果

2、拆分衡量指标/提出分析假设

针对上述3点，可进一步提出对应的分析假设并寻找、拆分衡量指标:

① IT白领办公区域的门店效果优于市中心商圈；外带门店销售量高于堂食门店

② 中午13:00~14:00和下午15:00~17:00是点单高峰；外卖订单30~40分钟内送达符合用户心理预期，30分钟内则可超出预期；职场白领更偏好美式，女生更偏好瑞纳冰系列等

③ 社交分享推广目标，如老用户人均分享3次/周，人均转化拉新3人/周，人均购买3杯/周，复购率在60%以上等

针对上述分析假设，为更客观进行数据比较，可将上述假设进一步抽象为数据衡量指标，例如：

① 用各商圈门店的日均销售咖啡杯数、各品类咖啡（价格）销售数量占比、外卖&堂食销售数量占比来衡量各试点门店的销售效果，辅助扩张铺设/缩减投入的决策；

② 收集购买咖啡的用户画像属性数据，匹配性别、年龄、购买时间段、品类爱好、客户对外送单的反馈等，进而筛选出业务主打客群，完善饮品和服务细节；

③ 通过数据埋点的方式，追踪客户的app UV/PV、咖啡购买杯数、优惠券链接分享次数、通过该分享链接点击进入并注册转化的新用户数量、用户在注册1周内二次下单的占比等数据；可得出对应app下单转化率、分享率、分享点击率、老拉新转化数、复购率等可精准客观对比的数据。

3、寻找对比数据

很多人都用luckin coffee来对标星巴克、连咖啡，将三者作为竞争对比。同理，如何衡量luckin coffee交出的这份答卷数据的好坏，则可通过对标星巴克、连咖啡相关业务的数据情况，如星巴克门店日销售量、日销售额，星巴克用星说礼品卡的销售量、赠送量等，将两者进行数据对比，进而得出结论。

按照数据体系搭建的四步法则，在产品上线前后提前做好产品数据的统计分析布局，验证效果、功能优化不再无从下手！

原文始发于微信公众号（DataHunter）