数据分析脱离不了业务，不同的业务所关注的数据不同，比如互联网、快消等，行业不同，关注的数据点也不同。在互联网行业普遍产品的数据分析中，我认为渠道分析、转化分析和留存分析是用户行为分析比较重要的的三个点。
了解 Growth Hacker（增长黑客）的同学会发现，这三点其实对应着的是 AARRR 模型的前三个环节，即用户获取（Acquisition）、用户激活（Activation）和用户留存（Retention）。这三个环节覆盖了用户从获取、激活转化、活跃、留存到最后的流失；也在一定程度上决定了 AARRR 模型的最后两个环节用户变现（Revenue）和推荐传播（Referral）。
渠道分析保证优质、高 ROI 的流量来源；转化分析保证用户能准确地触达需求，保证高注册、高成单；留存分析保证产品活跃用户正向增长，最终完成持续地变现。
其实事物的核心往往很简单，数据分析所要达到的目的就是「增长」。
所以说，渠道、转化和留存是用户行为数据分析中比较重要的三个点。
Part 1 | 渠道分析
企业为了获取新用户，一般都会在外部渠道进行资源投放，例如 SEM、广告联盟、社交媒体等等。外部渠道的的投放都是需要真金白银的支持，所以对获客渠道的分析至关重要，它直接决定我们能否将一定的预算效果最大化。
通过渠道分析，我们能够获取到网站的 uv/pv （或者App 的 DAU / NDAU）等等，查看新用户的分渠道流量，进而根据投放资金计算渠道 ROI 。
渠道分析一般通过以下方式：
1. 访问 / 下载来源，搜索词
网站的访问来源，App 的下载渠道，以及各搜索引擎的搜索关键词，通过数据分析平台都可以很方便的进行统计和分析，分析平台通过归因模型判断网站流量来源，在 App 中分渠道来打包，产品经理在分析这些流量时，只需要用自建或者第三方的数据平台追踪流量变化即可，第三方平台如国外知名的 Google Analytics 、国内的用户行为数据分析工具
等；
2. 自主投放追踪
平时我们在微信等外部渠道投放文章、H5 等，许多产品都会很苦恼无法追踪数据。
分析不同获客渠道流量的数量和质量，进而优化投放渠道。
目前常用的监测方法是 UTM 链接,在投放的外部链接中加入 UTM 参数。UTM 参数包括 utm_source（广告来源）、utm_mediam（广告媒介）、utm_campaign（广告系列）、utm_content（广告内容）和 utm_term（广告字词），可以多维度对获客渠道进行监测。Google Analytics、
都支持 UTM 监控。
上图展示了一个在线旅游平台的广告投放的详细效果，运营人员可以针对现有渠道的获客数量和质量进行优化。关于 UTM 链接的具体使用方法和场景应用可以参考这篇文章：
。
3. 实时流量分析
实时监测产品的访问走势，尤其要关心流量异常值。举个例子，某互联网金融平台因为一个产品 Bug 导致用户疯狂抢购造成的流量峰值，产品经理发现实时数据异常后迅速下线该产品修复 Bug，避免了损失扩大。
4. 优化获客渠道
如何优化获客渠道，其实是有一套系统的方法论的，新型的波士顿矩阵可以很好的分析这个问题。
我们按照不同渠道的获客成本和获客质量或者数量对渠道进行分类，如上图分成了四个大类。渠道 1 成本高、质量高，这种渠道需要进一步评估；渠道 2 质量高、成本低，应该加大投放；渠道 3 成本高、质量低，可以考虑放弃；渠道 4 成本低、质量差，有待进一步评估。
当然，上面提供的是一个方法论；现实业务中，我们需要对其进行量化。这个就涉及到我们接下来要介绍的转化率，因为转化和新用户的质量息息相关。
Part 2 | 转化分析
对于一款产品来说，如何让用户更好地转化，是用户能否留存下来产生价值的关键因素。转化不是一个一步到位的事情，每个环节的优化都可能带来更好的结果。
以注册为例，用户需要经历到达落地页、填写各类信息、激活账号等步骤；
以交易类产品流程的用户行为为例：流量从各个渠道过来，到达我们的落地页，感兴趣的用户开始浏览页面，甚至开始走购买流程，直到最后购买成功，在这个过程中，市场、产品经理和运营要充分利用工具获得更好的转化。
转化分析常用的工具是转化漏斗，简称漏斗（funnel）。如上图所示，新用户在注册流中不断流失，最终形成一个类似漏斗的形状。用户行为数据分析的过程中，我们不仅看最终的转化率，也关心转化的每一步的转化率。例如上图的转化漏斗，总体转化率为 2.6%；但是它是三步转化率的最终结果，它的每一步转化率分别是 6.48%，45.7% 和 87.8%。
影响转化率的因素很多，我们总结了三个大的方面：渠道流量、用户营销、网站 / APP 体验。以渠道流量为例，通过优选渠道并且量化分配我们的投放资源，可以有效提升总体的转化率。
这篇文章详细讲解了从获取流量的来源到用户在产品内使用产品的各个节点，如何做转化率？
这篇文章细化地讲解了如何用提升新用户注册转化率？
Part 3 | 留存分析
在互联网行业里，通常我们会通过拉新把客户引过来，但是经过一段时间可能就会有一部分客户逐渐流失了。那些留下来的人或者是经常回访我们公司网站 / App 的人就称为留存。
留存是 AARRR 模型中重要的环节之一，只有做好了留存，才能保障新用户在注册后不会白白流失。这就好像一个不断漏水的篮子，如果不去修补底下的裂缝，而只顾着往里倒水，是很难获得持续的增长的。
我们经常使用留存图和留存表来表示用户的留存情况，下图展示的是用户留存图（也称留存曲线）。一条留存曲线，如果你不去做什么的话，用户就慢慢流失了。
用户留存分析的过程中，我们可以从用户群组和产品功能两个角度来进行分析。
通常情况下，用户在早期流失现象非常严重。产品需要让用户快速容易的体验到产品的价值。一旦用户发现产品对自己的价值，继续使用和探索产品新功能的概率就会增大很多。
分析用户对不同产品功能的使用粘性与活跃度。一般我们不仅需要关注整个网站 / App 的留存，还需要关注核心行为的留存率，比如重复购买的情况。对产品进行迭代时，我们还可以使用产品功能留存观测这个功能的留存率整体有没有提高。
关于留存，你可以看这篇文章
。
Part 4 | 增长黑客的核心：AARRR 模型
用户行为数据分析是一个非常大的话题，如何做好这方面的分析不可能一蹴而就。况且不同行业、不同平台、不同发展阶段的企业都有自己的侧重点，要根据实际情况灵活调整。但是总的来说，用户行为数据分析是有规律可循的，目前增长黑客的 AARRR 模型就是一个不错的选择。更多增长方面的内容，可以参考这篇文章，
我们一直在做互联网行业数据分析知识的普及，目前我们已经做了 14 期「GrowingIO数据分析公开课」，面向产品经理、运营等等，这里是我们整理出来的「互联网增长的第一本数据分析手册」：里面汇聚了我们自己在用户行为数据分析方面的增长实践总结，希望能帮助大家少踩到很多坑，提高用户行为数据分析的效率。
这是一本神奇的书。
产品经理用它来分析数据、拆解指标，实现流程的良性运转；
市场运营用它来解析数据、确定方法，实现运营效果最大化。
30%注册率的提升，90%的客户留存，硅谷数据之神手把手教你实践增长黑客。
翔实的分析方法，真实案例与心得，GrowingIO 团队的创业实战分享都在这里了！
严格意义上这不算是一本书，但是能够手把手教你如何做数据分析。
获取完整书籍下载，点击
。
注：文中实时、漏斗等功能均来自
。
