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(kāi)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(xiāo)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(hù)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(xiě)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(hù)畫(huà)像屬性及用戶(hù)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(hù)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(hù)畫(huà)像體系，直接了解到用戶(hù)行為特征等，具象了解并定位用戶(hù)。深挖用戶(hù)行為與畫(huà)像，了解用戶(hù)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(hù)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(hù)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(xiāo)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(kāi)發(fā)組件

及時(shí)查看和記錄用戶(hù)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(hù)不必要損失，降低用戶(hù)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(kāi)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(hù)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(hù)基本屬性、行為特征愛(ài)好等，更容易了解用戶(hù)愛(ài)好，挖掘用戶(hù)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(lèi)。

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(lèi)，一維屬性為分類(lèi)的準(zhǔn)確度、語(yǔ)音轉(zhuǎn)換文字效率、賬本分類(lèi)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(hù)生命周期中的用戶(hù)構(gòu)成、用戶(hù)行為使用時(shí)段、用戶(hù)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(hù)構(gòu)成

在MTA平臺(tái)上，用戶(hù)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(hù)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(hù)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(hù)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(hù)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(kāi)銷(xiāo)。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(hù)分層支持不同用戶(hù)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(hù)構(gòu)成CSV文件截圖

（2）使用時(shí)段

在MTA平臺(tái)上，用戶(hù)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(hù)首次使用次數(shù)、活躍用戶(hù)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(hù)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(hù)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(hù)畫(huà)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(hù)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(hù)使用進(jìn)行排序，能夠一目了然的對(duì)用戶(hù)的手機(jī)設(shè)備類(lèi)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(hù)畫(huà)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(hù)畫(huà)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(hù)行為畫(huà)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(hù)畫(huà)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(hù)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(méi)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(lèi)、textChange類(lèi)、click類(lèi)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(shù)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(hù)畫(huà)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(hù)在使用過(guò)程中對(duì)語(yǔ)音記賬的依賴(lài)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(hù)分群

在MTA平臺(tái)上，通過(guò)用戶(hù)挖掘進(jìn)入用戶(hù)分群，如圖13所示進(jìn)入用戶(hù)群列表界面，通過(guò)新建用戶(hù)群按鈕對(duì)用戶(hù)畫(huà)像進(jìn)行分類(lèi)。

圖13 用戶(hù)分群界面

通過(guò)對(duì)用戶(hù)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(hù)，能夠有效的對(duì)用戶(hù)群體進(jìn)行分類(lèi)。以方便對(duì)不同用戶(hù)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(hù)分群后，對(duì)不同類(lèi)型的用戶(hù)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(hù)群的需求曲線，進(jìn)一步細(xì)分和迭代用戶(hù)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(hù)構(gòu)成的數(shù)據(jù)，1.5.8版本使用的人最多，活躍用戶(hù)達(dá)到1,512，活躍用戶(hù)占比87.3%，其次是1.5.3版本，活躍用戶(hù)76，活躍用戶(hù)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(hù)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(hù)畫(huà)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(hù)畫(huà)像是以青年為主，且多居住在沿海城市。所以通過(guò)用戶(hù)分群，將18-29歲、沿海作為選定條件，作為主要用戶(hù)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(hù)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(lèi)產(chǎn)品、用戶(hù)服務(wù)類(lèi)產(chǎn)品的大類(lèi)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(lèi)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(hù)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(mǎi)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(hù)活躍度、留存率、付費(fèi)商品轉(zhuǎn)化率、用戶(hù)分享數(shù)等。

由于多多記賬產(chǎn)品功能中，僅包括用戶(hù)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(hù)拉新能力和用戶(hù)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(hù)行為、流量訪問(wèn)、用戶(hù)生命周期、用戶(hù)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(hù)行為為中心

在MTA平臺(tái)上，用戶(hù)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(hù)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(méi)有任何使用提示，用戶(hù)體驗(yàn)差，頁(yè)面名稱(chēng)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(hù)生命周期為中心

在MTA平臺(tái)上，用戶(hù)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(hù)生命周期進(jìn)行建模，對(duì)比新用戶(hù)、激活用戶(hù)、活躍用戶(hù)、衰退用戶(hù)、流失用戶(hù)，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(hù)行為、轉(zhuǎn)換、留存、注冊(cè)相關(guān)等分析。

圖18 用戶(hù)活躍度截圖

（4）以用戶(hù)分群為中心

用戶(hù)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(hù)、使用用戶(hù)、活躍用戶(hù)、付費(fèi)用戶(hù)、高價(jià)值貢獻(xiàn)用戶(hù)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(hù)精準(zhǔn)投放活動(dòng)和廣告。在上述已對(duì)用戶(hù)分群做了相關(guān)評(píng)測(cè)，這里就不再贅述。

2.2.3 營(yíng)銷(xiāo)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(hù)留存率。所以運(yùn)營(yíng)更需要去挖掘用戶(hù)價(jià)值，尋找爆點(diǎn)傳播途徑、針對(duì)用戶(hù)痛點(diǎn)基于用戶(hù)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(hù)、新增賬號(hào)、升級(jí)用戶(hù)、活躍用戶(hù)、活躍賬號(hào)、啟動(dòng)次數(shù)、次均時(shí)長(zhǎng)、MAU、累計(jì)用戶(hù)、新增用戶(hù)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(mǎi)和分享核心動(dòng)作的轉(zhuǎn)化率，配合版本分布分析用戶(hù)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(jiàn)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(hù)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(hù)生命周期的數(shù)據(jù)，我們可以得到近一個(gè)月回流用戶(hù)和流失用戶(hù)的差值為負(fù)，標(biāo)志著產(chǎn)品這段時(shí)間內(nèi)用戶(hù)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(hù)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(hù)粘性為0.3025，因此有必要在近期內(nèi)開(kāi)展活動(dòng)來(lái)喚醒用戶(hù)。通過(guò)對(duì)比留存率，用戶(hù)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(kāi)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(zhuān)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(hù)畫(huà)像屬性及用戶(hù)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(xiāo)分析功能、運(yùn)維分析功能、用戶(hù)數(shù)據(jù)分析功能、通用配置功能。

• 自定義看板功能：用戶(hù)通過(guò)新建看板自定義設(shè)置想要看的指標(biāo)。
• 營(yíng)銷(xiāo)分析功能：用戶(hù)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(hù)通過(guò)查看用戶(hù)反饋、接口反饋和crash明細(xì)提升對(duì)APP的穩(wěn)定性。
• 用戶(hù)數(shù)據(jù)分析功能：用戶(hù)通過(guò)對(duì)事件、用戶(hù)畫(huà)像、用戶(hù)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(hù)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(jiàn)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(hù)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(hù)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(hù)分群等等。針對(duì)不同用戶(hù)要采用不同的策略，根據(jù)用戶(hù)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(hù)更好的決策意義，幫助客戶(hù)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(hù)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(hù)”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(hù)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(hù)、DAU、用戶(hù)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(hù)，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(hù)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(hù)表現(xiàn)、營(yíng)收相關(guān)指標(biāo)；產(chǎn)品經(jīng)理關(guān)注用戶(hù)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(hù)活躍度和用戶(hù)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(hù)畫(huà)像、用戶(hù)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(hù)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(hù)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(hù)畫(huà)像描述分為設(shè)備id、用戶(hù)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(hù)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(lèi)、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(hù)分群方便產(chǎn)品和運(yùn)營(yíng)深度掌握用戶(hù)情況，最終將用戶(hù)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(hù)流失、挖掘潛在用戶(hù)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(zhuān)門(mén)開(kāi)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(hù)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(hù)生命周期、用戶(hù)行為和用戶(hù)畫(huà)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(hù)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(hù)體驗(yàn)

由于本次沒(méi)有開(kāi)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(hù)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(kāi)銷(xiāo)完成設(shè)備匹配的思想，可在埋點(diǎn)后臺(tái)開(kāi)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(hù)畫(huà)像和用戶(hù)行為。

因此可以開(kāi)辟專(zhuān)門(mén)的板塊對(duì)新零售行業(yè)定制解決方案，對(duì)日銷(xiāo)售額、實(shí)名用戶(hù)增長(zhǎng)量、商品銷(xiāo)售預(yù)測(cè)、購(gòu)買(mǎi)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(hù)增長(zhǎng)、銀行卡綁定過(guò)人數(shù)、活躍用戶(hù)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(huà)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(xiāo)售趨勢(shì)，通過(guò)控制課程價(jià)格、用戶(hù)趨勢(shì)來(lái)保證課程業(yè)務(wù)的開(kāi)展和銷(xiāo)售。因此需要在用戶(hù)增長(zhǎng)趨勢(shì)、用戶(hù)留存、課程銷(xiāo)售趨勢(shì)、渠道用戶(hù)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(hù)價(jià)值的平衡）。

在產(chǎn)品成長(zhǎng)初期，重點(diǎn)關(guān)注用戶(hù)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(hù)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(hù)增加收入 和 留存率，求客戶(hù)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(hù)洞察的精細(xì)化運(yùn)營(yíng)管理工具。以用戶(hù)跟蹤技術(shù)和簡(jiǎn)單易用的集成開(kāi)發(fā)方法，幫助移動(dòng)應(yīng)用的運(yùn)營(yíng)者們挖掘用戶(hù)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(hù)留存、通知推送、用戶(hù)檔案、用戶(hù)分組和自定義設(shè)置等模塊，幫助使用用戶(hù)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(hù)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(hù)id、諸葛id，保證用戶(hù)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(kāi)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(hù)進(jìn)行推送，描繪精準(zhǔn)用戶(hù)畫(huà)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(kāi)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(kāi)發(fā)者提供專(zhuān)業(yè)的數(shù)據(jù)統(tǒng)計(jì)分析、開(kāi)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(hù)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(hù)分群和用戶(hù)畫(huà)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(hù)分群和用戶(hù)畫(huà)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(hù)按照用戶(hù)在APP中的行為分析，用戶(hù)畫(huà)像包含基礎(chǔ)屬性、偏好信息、手機(jī)行業(yè)、汽車(chē)行業(yè)這四大類(lèi)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(hù)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(hù)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(xún)，客戶(hù)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(hù)在產(chǎn)品上的各種行為。事件模型包括事件（Event）和用戶(hù)（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(lèi)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(lèi)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(xún)。

事件（Event）采用4W1H（Who、When、Where、How、What）五要素描述，而用戶(hù)（User）則對(duì)應(yīng)一個(gè)真實(shí)的用戶(hù)，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(hù)路徑分析、用戶(hù)行為序列、用戶(hù)分群、網(wǎng)頁(yè)熱力分析、用戶(hù)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(hù)進(jìn)行二次篩選；留存分析可以消除用戶(hù)增長(zhǎng)對(duì)用戶(hù)參與數(shù)據(jù)帶來(lái)的影響；分布分析可以查看用戶(hù)DAU、MAU，注重用戶(hù)粘性；用戶(hù)路徑分析能夠了解用戶(hù)在使用產(chǎn)品時(shí)的路徑分布情況。用戶(hù)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(hù)的屬性特征和行為特征將用戶(hù)群體進(jìn)行分類(lèi)，預(yù)測(cè)分群是根據(jù)用戶(hù)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(zhuān)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(hù)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(hù)畫(huà)像分析和用戶(hù)行為分析。在應(yīng)用概覽模塊，對(duì)7天、30天設(shè)備用戶(hù)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(hù)趨勢(shì)模塊來(lái)源于DAU、MAU的分析；在用戶(hù)質(zhì)量評(píng)估模塊，支持情景感知和判別用戶(hù)是否進(jìn)行人機(jī)交互，來(lái)判斷用戶(hù)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(hù)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(hù)畫(huà)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(hù)分群，輔助分析用戶(hù)在關(guān)鍵轉(zhuǎn)化的差異性。在用戶(hù)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(mén)區(qū)分電商業(yè)務(wù)分析匯總了用戶(hù)下單、支付核心指標(biāo)，描繪用戶(hù)支付能力、購(gòu)買(mǎi)意愿。

4.1.5 GrowingIO

GrowingIO是基于用戶(hù)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(hù)行為數(shù)據(jù)，以?xún)?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(hù)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(chēng)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(hù)（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(hù)量、新訪問(wèn)用戶(hù)量、登錄用戶(hù)量、新登錄用戶(hù)量、訪問(wèn)量、訪問(wèn)用戶(hù)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(hù)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(hù)為數(shù)據(jù)核心，通過(guò)對(duì)用戶(hù)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(hù)活躍分析、用戶(hù)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(hù)分群對(duì)轉(zhuǎn)化和未轉(zhuǎn)化用戶(hù)實(shí)現(xiàn)分群；
• 在留存分析上，通過(guò)自定義目標(biāo)用戶(hù)、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(hù)活躍分析上，用戶(hù)被拆解為流失新用戶(hù)、流失老用戶(hù)、觀察留存用戶(hù)、回流用戶(hù)和新用戶(hù)五類(lèi)用戶(hù)群，通過(guò)對(duì)DAU、MAU的分析進(jìn)行拆解；
• 在用戶(hù)分群上，通過(guò)獨(dú)立 Cookie 定義出來(lái)的用戶(hù)和賬號(hào)登陸ID的用戶(hù)進(jìn)行用戶(hù)類(lèi)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(hù)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(hù)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(hù)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(huà)像，通過(guò)多種模型深度分析用戶(hù)行為，多種方式細(xì)分用戶(hù)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(hù)，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(hù)、用戶(hù)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(hù)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(hù)獲取、了解用戶(hù)、用戶(hù)轉(zhuǎn)化和用戶(hù)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(hù)獲取上，采用渠道分析分析用戶(hù)的來(lái)源渠道，以及不同渠道的用戶(hù)表現(xiàn)；在了解用戶(hù)上，采用事件分析分析用戶(hù)在應(yīng)用上的行為，描繪基礎(chǔ)用戶(hù)畫(huà)像分析用戶(hù)使用設(shè)備的分布、地域分布、用戶(hù)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(hù)畫(huà)像；在用戶(hù)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(hù)留存上，采用留存分析衡量用戶(hù)健康度/參與度，深入用戶(hù)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(hù)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(hù)行為分析對(duì)比

六款競(jìng)品在用戶(hù)畫(huà)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(hù)畫(huà)像上側(cè)重各有不同。

表4 用戶(hù)畫(huà)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(hù)覺(jué)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(kāi)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(kāi)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(hù)畫(huà)像和行為畫(huà)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(huà)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(méi)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(hù)”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(hù)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(méi)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(hù)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(pán)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(hù)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(lèi)分析，緊接著對(duì)大類(lèi)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(hù)的各類(lèi)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(kāi)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(tīng)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