如何应用漏斗模型辅助数据诊断与决策？
|
基于目的抽象出流程：比如想解决用户从打开到下单的转化问题，或者想让用户更顺畅的体验到产品的Aha时刻（即用户体验到产品最大价值的那个时刻），可以基于用户实际体验，抽象为“打开-浏览-详情-加入购物车-下单-支付-反馈”这一系列流程。再比如从认知到购买的流程，被提炼为AIDA。 这一步听起来简单，好像只要按已有的模型或者实际用户行为/认知的路径梳理出来就行。但实际上有很多难点，比如产品/app的元素功能很多、用户的行为其实很复杂，像例子中的电商App，实际上页面层级会很多、用户也可能会在各种页面上“逛”。要如何梳理出关键步骤，构建有效的用户路径图，并衡量其间转化，其实是个难点。 还有像AARRR或者AIDA这种“大”模型，可以提供宏观策略上的参考，但在精细分析，比如复杂媒体环境下不同渠道带来的认知或者获客时，如何取舍、如何处理不同漏斗间的交集或者嵌套，其实都会有些难度。 数字化：抽象出流程后，就得拿到每个流程的数据，才好真正开始分析。对于企业而言，最好当然是建立自己的数字化体系、数据仓库，监测自己的用户/客户全部行为数据。或者也可以借助外部供应商的SaaS/Paas之类的数据平台做部分业务的数字化。除了行为数据之外，也可以用问卷调研的方式获得用户态度或心理数据。 不过，其实数据存在于生活中的各个角落。对于小规模的活动，甚至个人，都可以灵活地应用这两步。 比如个人在社群做文字或者直播分享，最大覆盖多少人或多少微信群，有多少人观看直播，有多少人评论，多少人转发，直播后有多少人添加微信，有多人截图分享，其实都可以量化，并且计算转化率，还可以在不同场次/不同社群间对比。 哪怕是小卖部，其实也可以统计每天多少人流路过，多少人进店，多少人购买……并不一定非得是大公司才用得到。 局限和深入分析漏斗模型虽然很常用，但也不是万能的。最大的局限在于，漏斗分析是一个纯诊断工具，也就是说它可以告诉你哪里出了问题，但是即没有办法回答为什么出现这样的问题，也不能回答如何解决这样的问题。通常还要结合消费者调研和更多的数据分析，来挖掘问题背后的原因以及探寻改进的方向。 而且，单独做一个漏斗其实往往看不出太多东西，很多时候要对比才有意义。
比如还是肖恩埃利斯，在问卷调查公司Qualaroo领导增长团队时，通过深度分析和对比，对比“试用后购买产品的用户”vs“试用后没购买产品的用户”之间的差异，发现： 购买的用户在试用调查问卷系统时收到了至少50条反馈，而产品的Aha时刻（即用户体验到产品最大价值的那个时刻）正是用户发现自己能回收足量的结果，并从中得到有指导意义的反馈。所以50条反馈是一个很重要的价值拐点，回收数据超过这个数，用户就能感知产品价值。 于是他们做了很多试验，来尽可能帮助用户提升回收问卷的数量。比如视频教程，指导用户做更简短且有效的问卷，以及在哪里投放问卷回收概率高，比如推荐模板、推荐NPS等等，以及让客服人员主动联系用户提供发布问卷的建议。最终大幅提高了用户激活率。
作者：Allen，微信公众号：Allen走走神 本文素材来自互联网 （编辑：源码网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |