作者：张一文
本文在PMCAFF社区发布，转载请注明作者及出处。
在产品的工作日常中，特别是C端产品，基本是和数据分不开的，每天看各种数据，而这个看数据的过程就是流量分析。这里的流量指广义的流量，并不一定单指日活。它是指所有的流量，比如用户从哪儿来，经过什么过程，产生什么价值，如果流量波动了，为何波动。
从流量分析的定义来看，可以分为以下四部分：
渠道分析——从哪来；
转化分析——经过什么过程；
价值分析——产生什么价值；
波动分析——日常的监控分析。
下面我逐个说说我的看法：
渠道分析
渠道分析包含三部分：常见渠道及渠道分类；
渠道推广的整个过程；
渠道的关键指标及分析方法。
常见渠道及渠道分类
我们常见的渠道，如下图所示。
渠道分为内部渠道和外部渠道，内部渠道包括内部的产品矩阵。比如，今日头条会给抖音带量，内部渠道往往都是免费使用。外部渠道往往需要付费，包括多个渠道。第一是搜索引擎，比如打开百度会看到有很多广告的推广；第二是 App 内的广告，比如今日头条里会经常看到京东或双 11 的链接；第三是社交媒体，比如微信朋友圈的广告；第四是软件市场，比如应用宝、华为手机市场、豌豆荚等。
内部渠道和外部渠道都是为了拉新、拉增而用。对于一款健康的 App，前期靠渠道（特别是外部渠道）的品牌带量，后期靠自传播或者免费推广。大多公司都会单独设有渠道运营经理岗位，分析师在这部分的价值体现不会很大。
我们再看下渠道的分类，如下图所示。
横坐标是渠道给我们产品带来的量级，从左到右是越来越高。纵坐标是渠道本身的质量，一般我们可以用留存来看，有些同学可能会用收入衡量渠道质量，其实本质一样，因为留存跟收入本身就是高度相关性的指标。假设我们就是用留存来衡量，那么按照量级和质量画这样一个四象限，可以把渠道分为 4 类。
量级少，但是质量比较高。对于这种渠道，需要扩量，需在扩量的基础上仔细观察数据。
量级多，同时质量也高。代表渠道非常好，这部分渠道需加快变现能力。
量级多，质量不太好。说明用户不匹配，交互有问题，这部分渠道需要拆解，精细化运营。
量级少，质量也差，这部分渠道直接放弃即可。
其实所有的分析都是先分析一级渠道，然后在此基础上进行拆解。比如，一级渠道的 A 渠道留存很差，我们要进一步对 A 渠道进行二级渠道拆解，看是所有二级渠道差还是部分二级渠道差，这里所有质量的好与差都是相对大盘来说。
渠道推广的整个过程
有些同学对渠道的整个推广过程理解不深刻，我举个例子来说明渠道推广的整个流程，如下图所示。
第一步是外部渠道，然后在外部渠道里，放了一个文案展示，点击文案展示之后会有一个落地页，落地页里面会提示用户进行下载，用户下载之后是打开 App ，打开 App 浏览一遍之后就是注册 App，然后直到最后一步退出。从外部渠道到注册的整个过程实际上是一个漏斗，在这里面分析师可以提供一些优化建议。假设我搜索“外卖”两个字，出现的第一个链接是“外卖送药 京东到家”，这链接下方有个广告的标签，这是“京东到家”在百度搜索投放的外部渠道。当我点击进去之后，文案展示如上图所示，有“15元优惠券”的文案提示，下方有个横框，你有没有觉得这儿有一点不合理，因为没有提示输入什么。有些用户第一次打开会犹豫这里是不是输入手机号码，当我把手机号码输入进去之后，点击“立即领取”，就会出现一个下载页面。在下载的过程中又有很多弹窗，比如说外部风险提示等。
当 App 下载完成后，用户打开后在里面浏览或者注册，所有的这些步骤就是渠道推广的整个过程。虽然看似很简单的例子，但在页面的交互还是设计又或是产品的文案方面，都有很多优化点。
渠道的关键指标及分析方法
第三是渠道的关键指标以及分析方法。
关键指标指前期看有效用户数和次留，中期看次日、7 日、30 日留存，后期看 ROI。
其中要注意，由于渠道都是收费的，所以有效用户数会有刷量的嫌疑，所以除了看直接量级，还要看有主动行为的用户数，所有渠道最终的目的还是商业变现，所以一定要计算每个渠道的 ROI，及时把 ROI 小于 1 的渠道砍掉。
分析方法包括结构分析、趋势分析、对比分析、作弊分析。
结构分析：先按照一级渠道来拆解，再按照二级渠道来拆解。
趋势分析：需看每个渠道的变化趋势，包括量级和留存。
对比分析：不同渠道间的趋势对比。
作弊分析：包含用户行为分析和机器学习，这块可以用 Python 来完成。
转化与价值分析
渠道转化和价值的分析，我们分为两个点，第一是漏斗分析，第二是功能模块分析（常规分析、价值分析）。
漏斗分析
漏斗分析是数据分析师看一款产品必不可少的阶段，我以京东 App 电商模块为例，如下图所示。
如果需要提升某一步转化率，核心思想都是按照用户基础属性和行为属性来细分。
基础属性：手机品牌、地域、imei 特征。
举例：主界面全部 UV 到店面页 UV 为 50%，我们想提高至 60%，需要进一步拆分。比如，华为手机和苹果手机等品牌各自的转化率是多少，华北、华南、华东等地域的转化率是多少，按照这种基础属性，最后甚至都可以拿到用户的基础画像。当你按照这些维度去拆解，你就能更精细化运营。
行为属性：入口、时段、用户活跃度、用户标签。
举例：用户是通过桌面图标还是弹窗还是外链进入的页面，早、中、晚的用户量级，用户活跃度的区分，不活跃的老用户被激活后的活跃度观察。
总之需按照用户的基础属性和行为属性来拆分，对有问题的群体进行针对性优化，才能更精细化。
功能模块的常规分析
用户进来主页面之后不一定非要走漏斗，因为用户还可以使用各种各样的功能，对于功能模块来说，我们往往会看这三个指标。
功能渗透率=功能用户数/大盘用户数（使用某功能用户在大盘的占比）；
功能的功能留存率：第一天使用该功能同时第二天也使用该功能的用户数/第一天使用该功能的用户数；
功能大盘留存率：第一天使用该功能同时第二天是大盘用户的用户数/第一天使用该功能用户数。
对于 2 和 3，可以进一步理解。功能留存是指第二天还要使用该功能，大盘留存是指第二天只要打开 App 就可以。
另外一个必须关注的数据是大盘用户，大盘用户等于所有功能用户排重加上不使用任何功能用户（逛一逛的用户）。对于不使用任何功能的用户也要监控起来，只有这样才是完整的大盘。
功能模块的价值分析
衡量功能的真正价值有三个指标。
功能核心用户数：有多少用户是这功能的核心用户，它的定义是符合某种要求的功能用户数，一般用使用次数、使用时长、使用天数等具备某种行为来定义“核心”。这里面如果单纯看用户数可能会出现一个悖论——所有功能在涨，但大盘在跌。
功能对大盘贡献度，比如对大盘留存提升的贡献。
功能 A 对大盘留存的提升贡献=功能A渗透率*功能A的大盘留存率提升数。
严格来说，只有 A/B 测试才能说明功能对大盘贡献度，但实际应用中不可能所有功能都做 A/B 测试，所以这种计算可以对不同功能进行横向对比。
功能带来的收入对比：每个功能每个月赚多少钱。
分析师对收入部分可能没接触过，但实际过程中会有单独的计费系统，基本上你拉一个月的收入数，除以你的功能用户数即可，计算起来非常简单，所以这一块不用刻意担心。
以刚刚功能价值举例，如下图所示。
对于功能 A （上图左）我们发现最近两周的用户数呈直线上升趋势，但我们看核心用户数指标（上图右）实际上没有涨，在中间反而还跌了一段时间。这里核心用户数口径是产生点击行为的用户数，也就是必须使用这个功能的用户数。
实际工作过程中，这种情况很常见。大家可以去看一下自己的某产品，当你分别看用户数和核心用户数时，趋势可能不一样，这就是核心用户数的价值。因为只有核心用户数才是你这个功能的真正用户，其他用户很有可能通过其他方式带量，比如你上线了一个小图标，或有一个红点提示。
下面我们再来看一个功能对大盘的贡献度的例子，如下图所示。
我们以功能 B 和功能 C 为例，比如功能 B 的渗透率是 20%，功能 C 的渗透率是 25%。功能 B 对大盘留存提升 3%，由 55% 提升到 58%。而功能 C 提升了 1%，由 45% 提升到 46% 。
那么功能 B 对大盘周留存的提升贡献为 0.6% ，功能 C 对大盘周留存的提升贡献为 0.25% 。
从这个层面出发，功能 B 当前要比功能 C 对大盘的贡献要多，所以这就是当我们去评估功能价值时用到的一些指标。
其实你日常在看功能的时候，除了看功能的使用 UV ，还要进一步看更多的数据，这才能真正说明功能有没有问题，是不是比较健康。
我个人工作的感触如下:
产品的每一次决策都要基于逻辑性很强的数据证明，“我觉得”这种词没有任何说服力，很容易被挑战，先有数据再有结论，不要先入为主。
每个产品经理都有自己内部的指标，但必须要去衡量你当前做的事情对大盘 KPI 的贡献度，只有大盘好才是真的好.
敢于说真话，实事求是——没做好就是没做好，关键是你接下来怎么做，当前有没有找到真正问题。
流量波动逻辑性分析
下面我们来看下流量波动的逻辑性分析，常见的流量波动分析包括日活和留存，所以我主要围绕这两个来展开。
日活
日活波动受外部影响和内部影响。
外部影响包括行业变化和竞品变化，而竞品的变化跟竞品的策略有关，所以外部影响就分为常识、外部事件、竞品策略。
内部影响包含数据统计、用户基础属性、用户行为属性。
数据统计：数有没有搞错——数据采集和统计口径。
用户基础属性：用户从哪里来，通过什么方式进入——渠道（新增用户变化）、入口（手机型号）、画像。
用户行为属性：用户进来干了什么——具体功能的变化，跟版本可能有关。
当我们按照金字塔原理的逻辑来拆分产品，就不会有遗漏，这就是日活波动采取的一个逻辑性思考。
留存
接下来看留存，留存相对来说要复杂一点。留存波动包含新用户留存和老用户留存，新用户留存与渠道和渠道过程有关，老用户留存有两个影响因素：核心功能用户留存、非核心非功能用户留存，所以要区分来看。
老用户留存：核心功能的留存加上非核心功能的留存，这里核心功能可以进一步拆解为功能 A 的留存加上功能 B 的留存加上功能 C 的留存。
假设留存下跌，会出现以下情况：
A、B、C 中有 1 个留存下跌，这种情况最好解释，直接解释由于谁下跌即可。
A、B、C 中有两个以上留存下跌，这要看其中谁是主要下跌因子，找到它。如果下跌幅度都差不多，则需进一步观察。如果还是持续下跌，必然是产品某核心部分出问题，围绕指标体系做一次产品全盘分析，找到它。如果跌了几天之后回去了，可能跟外部影响因素有关，暂时不管。
在留存这件事上，由于是比例，排查起来会比较费神，保持耐心跟业务方多沟通，就一定能够找到主要影响因子。流量分析是分析师每天都要做的一件事，小到看日报，大到波动排查几个月，所以一定要非常熟悉各类核心数据，要能够很好地说出数据的规律并能够进行预测。当数据出现稍微一点点异常时，你能够很敏锐地感觉到，然后去排查，之所以这样说，是因为我有过很多次经历。
比如，某产品近三天日活分别是 1000w、1020w、1025w，按照产品规律，第四天应该在1050w 左右，如果第四天是 1035w，这就说明必然某部分出问题了。所谓的数据敏感性就是指对数据产品的微观感知能力，这需要大量的沉淀和思考才能做到。
总结
今天主要是跟大家分享了流量分析，流量分析本质上就是解决用户从哪来，干了什么，带来什么价值。整体可以概括为三个部分。
渠道分析——渠道的整个过程和分析方法；
功能模块价值分析——漏斗分析、功能常规指标和价值指标分析；
流量波动逻辑性分析——一定要有逻辑性，在过程非常严密的基础上得到正确的结果。
