一、鏈家網
鏈家希望去研究線上數據的需求已經快積累了兩年了，引入 GrowingIO 后我們的產品和開發非常勤奮地用這些數據去彌補我們之前線上數據的不足。
在鏈家網，我們發現使用『地圖找房』功能的用戶群體的轉化率，高于平均轉化率的60%及以上。但是『地圖找房』這個功能的使用率只有7.35%，也就是說沒什么人用。
既然這樣，那是不是說使用『地圖找房』能提升整體的轉化率呢？于是產品經理提出改版方案，就是把『動圖找房』搬到了房源搜索結果頁的列表上。
讓人驚喜的是，只是這么一個小小的改動，就把使用『地圖找房』的用戶提升了30%。
同時新的地圖入口的轉化率比原來的提高了6%-10%，我們整體的轉化率居然提升了9.8%，而這只是產品上一個非常小的改動。這個例子是我們產品經理在加載 GrowingIO 的第一周就想到的一個產品改進，是一個非常有紀念意義的改進，所以拿出來講一下。
如果我們能不斷深入去研究這些數據的話，這些創意就會被我們源源不斷的挖掘出來。
二、狗民網
（一）快速測試
在產品功能更新的過程中，大家可能會對產品功能產生不同的意見，在這種情況下大家需要用數據去驗證。傳統的埋點采集數據成本很高，通過 GrowingIO 的“無埋點”的數據采集技術可以很好的解決這個問題。
今年 10 月份（編者注：2016年）狗民網在 App 里面做了一個 UGC（ User Generated Content，用戶原創內容）瀑布流，每天更新30條優質的UGC。由于一開始的瀏覽量和評論量都不是很多，產品經理建議去除這部分數據的展示，但是研發認為用戶已經養成參考這部分數據的習慣，去除的話用戶點擊會下降。
面對爭執，狗民網做了個簡單的測試，去除了數據標志后，通過GrowingIO的數據看板觀察 UGC 的訪問用戶量和點擊量變化。試驗后第一周數據不但沒下降，反而有了大幅度的提升；為了排除內容變化的干擾，又持續觀察了兩個星期，數據不但沒有下降反而有了大幅度提升。通過試驗數據分析，原本爭執不下的問題得到了很好的驗證和解決。
（二）優化體驗
狗民網在產品分析過程中發現注冊轉化率過低，根據經驗判斷注冊流程很可能有問題。借助用戶分群和用戶細查，觀察用戶的細查路徑，果然發現了一些問題。
用戶無法及時收到短信驗證碼，然后重復點擊獲取驗證碼，導致注冊轉化率過低。
同樣，使用第三方賬號（微信、微博等）登錄APP經常出現無法登錄的情況，從而出現短時間內多次登錄失敗情況。經過分析，狗民網發現用戶信息數據庫不兼容特殊字符，導致很多第三方賬號登錄失敗。經過改進，新用戶的轉化率提升了4.45%。
（三）迭代產品
在產品迭代的過程中，通過 GrowingIO 的用戶留存分析，狗民網著重分析了不同產品功能的留存率，希望找出高粘度的功能。通過對 “俱樂部”、“養寵問答”、“養寵學院”、“購物”、“熱門活動”等9個產品功能的用戶進行留存分析，發現使用“俱樂部”、“養寵問答”、“養寵學院”這三個功能的用戶留存顯著高于其他用戶群體和App的平均水平。
既然使用“俱樂部”、“養寵問答”、“養寵學院”這三個功能的用戶留存率更高，在接下來的產品迭代中，俱樂部功能得到更好的入口和推薦，養寵問答引入專業的寵物醫生、寵物訓練師進入，養寵學院不斷豐富高質量的內容。經過三個月的迭代，用戶總體次日留存率提升了23.3%。
三、獵上網
獵上網整個模式非常類似電商，只不過電商解決的是線上商品資源的交易，而獵上網解決的是人力資源的交易。但很多東西是觸類旁通的，電商行業通用的商品交易總額公式在獵上網也同樣適用：GMV=訂單量×訂單轉化率×客單價。
下面我就跟大家分享一個獵上網自身的增長案例，介紹我們如何通過數據分析發現提升訂單轉化率的增長機會，并及時優化產品，最終實現業務總體增長。
（一）產品分析
獵上網的整個業務可以分為很多模塊：
- 訂單模塊。 即人才推薦，HR 發布職位后，獵頭就會推薦相應的候選人，這就是訂單。
- 人才管理模塊，指獵頭對自己上傳候選人簡歷庫進行管理。
- 算法引擎模塊。包括智能匹配、搜索引擎等。
獵上網對所有這些模塊都會進行監控和數據分析。以“人才管理”模塊為例，看看我們針對用戶行為數據進行分析能發現什么。
首先，我們觀察獵頭的行為發現，獵頭 67%的時間都花在“簡歷創建”上，類似電商平臺的“上新”。而在所有這些“上新”的行為中，65%的情況是獵頭發現平臺上有合適的職位，即圖中綠色部分的“推薦時”。也就是說，絕大多數獵頭默認的優先行為是在平臺上搜索瀏覽企業 HR 發布的職位，進行“選單”，針對職位看自己手里是否有合適的候選人，再來創建簡歷。
而另一方面，當獵頭的人才簡歷庫越來越完備，信息越來越標準化，獵頭又會有很大概率使用“智能匹配”，即平臺推薦。智能匹配有兩種玩法，一是人才匹配職位，二是職位匹配人才。我們發現獵頭更喜歡用人才匹配職位（使用占比 62%），而且這種形式下訂單轉化率也比職位匹配人才模式更高，可以達到 40%。
所以結論就是：獵頭默認的動作偏好是按照職位去找人，也就是“選單優先”。但是當平臺給獵手推薦信息進行“智能匹配”時，他們又更愿意根據簡歷庫中的人才去匹配職位。這是通過 GrowingIO 的用戶行為數據分析我們發現的一個非常有趣的洞察。
（二）產品優化
基于這個洞察我們做了兩件事：
第一，優化搜索引擎。在精準匹配的算法優化上，我們選擇優先做人才匹配職位的算法，而不是職位匹配人才。
第二，建立職位專場，類似淘寶的聚劃算和微淘。
最終的結果就是，獵上網在前三個季度的整體面試成單轉化率提高了 80%。同時職位專場刺激了獵頭激活，獵頭的留存率得到提升，整體成單獵頭數增長了 37%。并且，專場化的運營也使得人才職位匹配度提高，傭金客單價提升了 21 % 。后續，我們又進一步做了“滴一獵頭”和“人才畫像”兩個功能，增長效果也很明顯。
這是獵上網通過 GrowingIO 進行整體用戶行為數據分析，從中發現商業洞察并最終實現增長的一個有趣案例。這其中數據洞察非常重要的一點意義，在于讓我們可以更好地知道怎樣做資源調配。
產品前期開發中有許多功能要做，但當我們把用戶行為偏好的洞察數據給到他們以后，產品就能清晰地知道應該怎樣做不同算法調優的時間分配和優先級安排，實現資源的最優化利用，才能最終實現顯著的業務增長。
聲明：本文由網站用戶維維發表，超夢電商平臺僅提供信息存儲服務，版權歸原作者所有。若發現本站文章存在版權問題，如發現文章、圖片等侵權行為，請聯系我們刪除。
