目　　录

推荐语

前　言　做“商海”中的虎鲸

致　谢

第1章　走进用户行为数据分析

1.1　用户行为数据登场 // 1

1.1.1　没有用户行为数据的困境 // 2

1.1.2　商业进化：一切向用户靠拢 // 3

1.2　什么是用户行为数据 // 7

1.2.1　狭义的用户行为数据 // 7

1.2.2　广义的用户行为数据 // 9

1.2.3　用户行为数据的“5 1”要素 // 12

1.2.4　用户行为数据的隐私与权限 // 14

1.3　用户行为数据的一个趋势和两个价值 // 15

1.3.1　一个趋势：在数字孪生世界下，用户行为数据的迁移 // 15

1.3.2　价值一：理解用户需求，指导业务升级 // 17

1.3.3　价值二：预测用户行为，引导业务创新 // 21

1.4　如何让用户行为数据发挥价值 // 26

1.4.1　用户行为数据驱动增长常见的困难 // 26

1.4.2　数据驱动增长金字塔：规划—采集—分析—应用 // 27

第2章　数据规划

2.1　数据驱动增长的“总设计师” // 29

2.1.1　数据规划常见的问题 // 29

2.1.2　如何进行数据规划 // 31

2.2　指标体系规划的三大思路 // 32

2.2.1　OSM模型 // 32

2.2.2　UJM模型 // 36

2.2.3　场景化 // 40

2.3　指标分级 // 42

2.4　数据看板 // 44

2.4.1　数据看板的意义 // 44

2.4.2　数据看板的分类：战略看板、分析看板、实时看板 // 46

2.4.3　如何搭建数据看板 // 51

2.4.4　搭建数据看板常见的六大问题 // 58

第3章　数据采集

3.1　数据采集常见的问题 // 62

3.2　用户行为数据采集方法：埋点和无埋点 // 64

3.2.1　埋点和无埋点的定义 // 64

3.2.2　埋点采集和无埋点采集的适用场景 // 68

3.2.3　不同场景如何选择采集方式：以App注册为例 // 70

3.2.4　客户端埋点或服务端埋点 // 72

3.3　如何高效落地数据采集 // 74

3.3.1　埋点方案四要素 // 74

3.3.2　埋点的团队协作流程 // 80

3.3.3　数据指标管理 // 84

3.4　数据集成，搭建客户数据平台（CDP） // 87

3.4.1　从用户行为数据到客户数据平台 // 88

3.4.2　客户数据平台的三种类型 // 91

3.4.3　实现客户数据平台的四大原则 // 93

3.4.4　案例：电商如何搭建客户数据平台 // 97

第4章　数据分析

4.1　业务导向的数据分析整体思路 // 104

4.2　用户流转地图 // 106

4.2.1　全域—全局—局部 // 106

4.2.2　绘制用户流转地图 // 107

4.2.3　案例：B2B企业官网的用户流转地图 // 112

4.3　十大数据分析模型 // 116

4.3.1　事件分析 // 116

4.3.2　漏斗分析 // 118

4.3.3　热图分析 // 119

4.3.4　留存分析 // 122

4.3.5　留存魔法师 // 123

4.3.6　事件流分析 // 125

4.3.7　用户分群分析 // 127

4.3.8　用户细查 // 129

4.3.9　分布分析 // 130

4.3.10　归因分析 // 131

4.4　渠道分析 // 133

4.4.1　找到最优投放渠道 // 133

4.4.2　打造黄金落地页 // 138

4.5　运营分析 // 144

4.5.1　被低估的搜索框 // 144

4.5.2　活动迭代分析 // 148

4.6　产品健康度分析 // 151

4.6.1　产品健康度是“用户体验的体检” // 151

4.6.2　关键行为矩阵与功能留存矩阵 // 153

4.6.3　案例：内容型App的产品健康度分析 // 155

第5章　数据应用

5.1　数据应用无处不在 // 159

5.2　A/B测试 // 160

5.2.1　广泛应用的A/B 测试 // 160

5.2.2　七个步骤建立A/B测试的闭环 // 162

5.2.3　案例：A/B测试提升影视会员产品的付费转化率 // 172

5.3　产品迭代 // 174

5.3.1　产品迭代全流程 // 174

5.3.2　六大要素量化、评估产品迭代效果 // 177

5.3.3　案例：数据驱动App首页迭代 // 181

5.4　精细化运营 // 189

5.4.1　精细化运营的关键 // 189

5.4.2　用户标签与用户画像 // 193

5.4.3　用户分层运营 // 198

5.4.4　案例：盟大集团（产业互联网）如何进行用户全生命周期运营 // 206

5.5　机器学习 // 212

5.5.1　机器学习与数据挖掘 // 212

5.5.2　用户行为数据提升推荐算法效率 // 215

5.5.3　案例：预测客户购买行为 // 220

第6章　用户行为数据驱动增长实战

6.1　欧冶云商：数据驱动B2B增长 // 226

6.1.1　B2B增长的挑战和机遇 // 226

6.1.2　探索产品的核心价值主张 // 228

6.1.3　优化用户转化路径 // 232

6.1.4　精细化的会员运营体系 // 242

6.2　推荐获客量增长500%：好好住的增长团队实践 // 247

6.2.1　为什么好好住要搭建增长团队 // 247

6.2.2　从0到1搭建增长团队的三个步骤 // 248

6.2.3　闭环式的工作流程 // 251

6.2.4　好好住的推送迭代 // 256

6.3　月活跃用户数从0到8万：地产行业如何打造小程序私域流量池 // 259

6.3.1　“公盘私客”发展过程中的问题与机遇 // 260

6.3.2　创新产品“中原C管家”的思考和孵化 // 261

6.3.3　0元推广费用，“中原C管家”的增长效果 // 265

6.3.4　用户行为数据赋能经纪人营销 // 268

6.4　酷开网络：增长无处不在，OTT领航家庭经济的数字化转型 // 273

6.4.1　酷开网络的增长框架 // 273

6.4.2　明道：洞察家庭用户与精细化场景流程 // 276

6.4.3　取势：指标管理体系建设，挖掘精细化流量的价值 // 277

6.4.4　优术：分析引擎体系建设，提升转化率 // 282

6.4.5　践行：关注用户全生命周期，用增长实验实现流量再生 // 287

6.4.6　案例：洞察流量—大转盘抽奖活动的用户旅程 // 287

后记 // 295