覆盖200多个国家、坐拥7亿用户,Camera360如何用数据驱动增长?

陈思多 2017-01-04 icon-tag 数据驱动增长

本文作者:陈思多,Camera 360 大数据与增长 VP,本文整理自『2016 GrowingIO 数据驱动增长大会 』演讲内容。

0.jpg

大家好,我是 Camera 360的思多。我在 Camera 360 主要负责大数据和增长业务,非常高兴今天来和大家分享一下我们对增长的认识。

首先介绍一下我们自己,Camera 360 是一个帮助用户美化照片的手机摄影软件。目前,我们在全球223个国家和地区,拥有7亿用户。从2010年2月创立到拥有1亿用户,我们用了32个月的时间;之后用户增长的速度在不断加快,从6亿到7亿用户,我们只用了5个月的时间。

在这7亿用户背后,我们是如何用数据来驱动增长的呢?

一、让一切皆可量化

数据驱动的基础,需要让产品里每一个细节都是可量化的。这并不是一句废话,因为它做起来可一点都不简单。

01.jpg 

图1:埋点不是一件简单的事情

作为 App,大家都知道最基本的量化方式就是埋点。但是埋点这件事给我们制造了很多麻烦。比如:

1.新版本上线了一个新功能,却发现遗漏了之前的埋点,需要在下一个版本才能添加。

2.数据分析师发现数据异常,找不到原因,最后发现是因为新的埋点ID和旧版本中的无法对应。

3.还有一些遗漏埋点的情况,会导致历史数据无法追溯,只能从新版本重新开始跟踪这项数据。

这是我们实际体会到的血和泪的教训。

我认为增长的本质在于效率。数据驱动在效率上起到的作用在于:数据能最有效、最及时、最客观的告诉你,这件事情做的对还是不对。在此基础上,量化背后的关键词是准确和有效。

从第一次接触到数据分析工具 GrowingIO,第一次和 Simon 沟通时,我就感觉到,GrowingIO 的无埋点技术可以帮我们解脱之前埋点工作的所有负担和杂乱的东西。

让一切可量化,虽然看起来简单,但是如何真正做到高效、准确的量化,却不是那么容易的一件事。

二、PMF 和 MVP 的动态循环

早期我们凭借移动互联网的人口红利获得了自然用户增长。如果把前几年的市场格局用玩游戏来比喻的话,是简单模式,而现在随着人口红利越来越少、竞争压力越来越大,已经逐步进入到困难模式。在这样的模式下,如何保持PMF是非常重要的一件事。

增长的前提一定是 PMF ,PMF指的是产品与市场匹配(Product / Market Fit,PMF)。但是 PMF 不是恒定的,产品刚开始时获得用户的认可,并不意味着它可以永远被用户认可。因为用户的需求是会不断改变的。

为了适应市场的变化,产品也需要跟着转变,需要通过对产品的不断迭代来满足市场,这样才能保证 PMF 是持续成立的。

做增长其实是和产品、功能密切相关的。如何用增长的思想和理论去制定我们要做的功能,如何迭代,迭代是否有效,这是用户增长过程中很重要的一个环节。这其中会涉及到 MVP 的概念,MVP的全称是最小化可行产品 (Minimum Viable Product, MVP)。

通常一个增长的迭代不是拍脑袋决定的,这是很低效的做法。真正的方式应该是:先洞察市场的改变,然后研究和策划产品应该怎么做、产品功能该怎么做,之后核心的一步应该从 MVP 开始,通过数据的验证结果指导我们做产品功能。

 02.jpg

图2:Camera 360用户增长曲线

通过这个曲线大家可以看到,我们从2015年开始有意识地做增长,之后的增长幅度是在不断提升的。这个过程中我们做了很多事情,其中最重要的就是对产品的迭代:比如发布天空系列滤镜、照片挑战、动感贴纸、漫画天空等功能。

总的来说就是两点:

1.PMF 不是恒定不变的,我们需要进行相应的改变;

2.如何改变才能最有效,这个环节就是数据驱动最核心的价值。

通过 MVP 验证数据结果,我们可以知道这个功能是否有效,能带来多大价值,是现在发布还是再修改,以及发布之后是不是还需要市场运营的投入,以及其他额外的工作。

三、全球市场的多元文化和多元需求

(一)全球化市场中面临的挑战

对于全球市场的多元文化和多元需求,我们会面临更大的挑战。由于我们是一个做图像的公司,图像是非常个性化的,不同用户的偏好是不一样的。

在日本,我们90%以上都是女性用户,而且更加集中在10岁到20岁的初、高中女性中。而在泰国则完全不一样:泰国女性用户占65%,男性用户占30%,还有5%的中间地带,而用户年龄则集中在20到30岁。市场反映出的差异性很大,所以我们很难用一个通用的东西让所有人都喜欢。

还有一个例子,我们产品初期的一个核心功能是人像美化。人像美化里最重要和最直观的一点,不同人种和肤色的人对于『美肤』的需求完全是不一样的。亚洲用户通常喜欢美肤的效果比较强一点。但是欧美白种人的文化中,他们希望更多的保留自己的特征。比如他们不希望脸上的雀斑被消除,这是他们认可美的一种方式。

 03.jpg

图3:不同国家用户留存情况

借助数据分析工具GrowingIO的用户留存分析功能,我们发现上面这个规律:这张图展示了几个国家的用户留存情况,用户留存率最高的国家(蓝色线)和留存率最低的国家(橙色线)之间相差了近一倍。这是直接从数据层面告诉我们大家的需求是不一样的。

04.jpg 

图4:某功能的渗透率情况

这是我们某个功能的渗透率,即有多少用户会使用这个功能;我们发现渗透率最高的有50%,而最低的不到10%。

这里我想和大家重点说明的是,对我们的产品来说,全球市场下不同文化的人种,他们的需求是完全不一样的。所以在 PMF 中,市场是有很大差异的。这个时候,我们应该用数据去解决这个问题。

(二)全球市场的差异策略

在这种情况下,我们可以做多维度的用户分群研究,用户分群可以帮助我们客观的从数据层面洞察用户的特质,观察哪些用户群喜欢这项功能。

用户分群的维度对我们来说,最基础的维度是国家。还可以继续深挖,比如用户的一些特性,用户对某些功能的偏好程度,都可以作为划分的维度。从中可以发现非常多的差异,同时也告诉我们其中有巨大的价值。

我们可以基于用户分群做 MVP 的深度实验,比如,有目的的把美肤程度比较强的功能推给中国用户,美肤程度没那么强的功能推给欧美用户。在这个实验的基础上,做个性化的功能投放和运营,包括产品中给用户呈现的产品特征,以及市场和运营策略。

最后,当我们发现有些群体,我们很想要覆盖,但我们产品很难搞定的时候,我们可以直接做细分垂直的产品,去突破在这个群体中的增长瓶颈。

05.jpg 

图5:日本地区新增用户量

这是我们在日本地区新增用户量的图,可以看到在1-2月区间有很明显的增长,几乎翻了一倍。当时我们在1月份推出了动感贴纸功能,这个功能可以基于人脸识别,在用户脸上贴上各种有趣的贴纸。基于用户分群和 MVP 实验,我们发现这项功能在日本非常受欢迎。得到这样的洞察和结论后,我们刻意加大了这项功能在日本市场的推广力度,因此取得了非常好的增长。

四、漏斗模型的无限解构

我相信大家对转化漏斗都很熟悉,我想阐述的是,对于转化漏斗,我们是不是真正发挥出了它的价值了呢?

(一)如何解构漏斗模型

我觉得对于漏斗需要做无限向下的解构,像显微镜一样不断的调倍率,重新寻找解决路径和方法。比如从A到R这个路径的转化率不高,面对这个问题,我们应该怎么解决?

06.jpg 

图6:漏斗解构

首先我们要明确用漏斗解决什么问题,在这基础上充分解构这个漏斗。从A到R的转化问题,我们可以把A再拆开,拆成A1、A2、A3,再看哪一步是主要问题,假设是A2,再把A2拆开,再看其中的主要问题。

最理想的状态是,我们能解构到唯一变量的颗粒度。然后我们就能够精准定位并且解决这个问题,带来用户增长。

(二)App『推送』的漏斗模型解构

做移动App的同学一定会发『推送』消息,这是挽回用户最直接的手段。如果把『推送』的漏斗仅拆解为发送了多少用户,有多少用户点击这种程度,我们很难实际有效地解决问题。

 07.jpg

图7:『推送』问题漏斗解构图

这是我们分析一次『推送』的问题解构:

1. 蓝色部分表示和『推送』服务或机制相关的影响因素;

2. 绿色部分更多的是和客户端相关;

3. 红色部分表示用户接触到这个『推送』后,活动策划、运营、物料等是否可以吸引到用户。

这三者类别不同,对应的需要解决的问题也不同。

举个例子,我们之前发现一个问题,我们筛选了一个目标『推送』的用户群,从消息发出到传达用户的手机上,其中的用户流失非常大。当我们拆解漏斗分析后发现,最大的流失出现在『实际下发』环节。

为什么有这样的问题呢?

我们发现,一开始我们的『推送』依赖于一家第三方服务商来覆盖全球的推送服务,很容易出现问题。发现这个问题后,我们把安卓的『推送』服务换成了混合模式;海外我们会用谷歌的『推送』服务,国内则会找可以提供这样服务的大厂商。解决了这个问题后,我们发现第一个环节的漏斗转化率相比之前提高了50%。

从『消息到达』到『消息展示』的过程中也有很大损失。最常见的情况是安卓手机上会有管理手机应用的程序,会屏蔽『推送』消息。当时我们为了让用户有更好的体验,做了一个保护。用户在晚上12点以后不会收到『推送』消息,或者用户每天收到的『推送』数量是有限的,超出的部分会自动被吞掉。但因为我们的保护机制中的漏洞,系统自动拦截了一些消息,导致转化率降低。

通过上面的消息推送案例,不难发现:如果我们用的漏斗是一个很粗略的漏斗,是无法解决问题的。需要一步步解构、定位问题,然后去解决,这样才能带来有效的用户增长。

五、Testing 远不止A和B

做增长就是要做无数的测试,在测试这方面我们是非常有经验的。在说法上虽然是A/B Testing ,但一定不只是A和B。

(一)扩大测试群的重要

前段时间看到一篇文章,说A/B测试很多时候是产品经理的把戏,做测试的目的只是为了拿数据去说服老板,证明我这样做这个功能是对的。但我对这个观念不太认同,因为大多数情况下,很难在测试之前就有非常清晰的假设。

而且每一个测试都有海量的变量空间,哪怕只是一个按钮的设计,就有大小、颜色、文案等组合,而且这个变量空间是无限大,可以无限组合的。在这样的前提下,如果要把这个测试做到极致,针对这个按钮,我们需要做一百种、一千种测试,才能得到最优的方案。

所以做A/B测试一定是需要尽可能的扩大测试群,尽可能的把测试做得极致、完整,添加更多的变量和因素,这样才能得到更好的效果。这其中最核心的是效率问题,有些公司可能连支持 A/B 两个方面的测试都很难,这的确是一个问题,但可以尽可能的去优化。

(二)优化测试策略

这里有一个案例和大家分享,如果有做海外业务或者 App 的公司,大家一定有 Facebook 广告投放的行为和经验。我们发现 Facebook 是支持无限大测试的能力的,用户可以通过各种各样的方式筛选你想要的用户、以及广告投放方式。

 08.jpg

图8:广告投放效果气泡图

这张图的横轴是成本,纵轴是收益,每个气泡圈代表了一个广告主能获取到的用户量级。其中绿色的气泡反映出我们的广告效果很好,红色则代表效果不好。我们会以这样的方式评估我们广告的效果。

我们会根据不同气泡的状态和位置,执行优化策略。如果在右下角的位置,我们会停止投放。左上角的位置我们会加大投放力度。中间位置的红色气泡,我们会想办法让他跨越这条线,带来更多的价值。

在这套机制下,我们的一个优化师每天大概会优化几十到上百个广告,这样会降低获客成本。在有些国家,我们现在可以做到几美分获取一个用户。

六、数据驱动的必备三件套

最后做个总结,要去做数据驱动增长这件事,有一个必备的三件套。

第一点, CEO 驱动。

因为数据驱动是全公司的事,如果大家没有统一这样的思想是没办法驱动的,所以最核心的一定是有 CEO 的驱动。

第二点,验证模型。

这个模型不是通用的,因为会关乎我们的A/B测试,所以这个模型需要每次设计,但这个模型的好坏会直接关系到效率。我们会随时用这个模型去评估,我们做的这件事是对的还是错的。好的模型不需要等测试结束,在测试中就能看出很多东西。

第三点,最重要的就是工具。

因为为了提升效率,不可能所有东西都靠自己完成,所以借助数据分析工具的力量是十分有必要的。在这方面数据分析工具 GrowingIO 给了我们非常大的帮助,也给我们的效率提升带来了非常大的价值。

我今天的分享就到这里,希望大家能够有所收获,非常感谢!


GrowingIO是新一代基于用户行为的数据分析产品,数据采集无需埋点,用户行为数据分析更专业。登陆www.growingio.com立即注册免费试用,或者关注微信公众号GrowingIO获取更多数据分析干货。