方法十：Link Tag的流量标记

Link tag标记流量源头 ，绝对是所有方法中最为基本重要的一种。这种方法不仅仅适用于网站的流量来源，也同样适用于app下载来源的监测（但后者需要满足一定的条件）。

Link tag的意思，是在流量源头的链出链接上（链出URL上）加上尾部参数。这些参数不仅不会影响链接的跳转，而且能够标明这个链接所属的流量源是什么（理论上能够标明流量源的属性数是无限的）。

Link tag不能单独起作用，必须要在网站分析工具或者app分析工具的配合下工作。

Link tag是流量分析的基础，要严肃的分析流量，不仅仅是常规分析，还包括归因分析（attribution analysis），都需要使用link tag的方法。

方法九：转化漏斗

分析转化的基本模型是转化漏斗（conversion funnel），这个大家都应该很熟悉了。

转化漏斗最常见的是把最终的转化设置为某种目的的实现，最典型的就是实现销售，所以大家很多时候把转化和销售是混为一谈。但转化漏斗的最终转化也可以是其他任何目的的实现，比如一次使用app的时间超过10分钟（session duration >10minutes）。对于增长黑客而言，构建漏斗是最为常见的工作。

漏斗帮助我们解决两方面的问题，第一、在一个过程中是否发生泄漏，如果有泄漏，我们能在漏斗中看到，并且能够通过进一步的分析堵住这个泄漏点；第二、在一个过程中是否出现了其他不应该出现的过程，造成转化主进程受到损害。

漏斗的构建很简单，无论web还是app，都是最好用的方法之一。但漏斗使用的奥秘则很丰富。而且漏斗方法还会和其他方法混合使用，乐趣无穷。我在互联网数据运营的课程中也会具体讲解。

方法八：微转化

人人都懂转化漏斗，但不是所有人都关注微转化。但是你想指望一个转化漏斗不断提升转化率太困难了，而微转化却可以做到。转化漏斗解决的是转化过程中的大问题，但大问题总是有限的，这些问题搞定后，你还是需要对你的转化进行持续优化，这个时候必须要用到微转化。

微转化是指在转化必经过程之外，但同样会对转化产生影响的各种元素。这些元素与用户的互动，左右了用户的感受，也直接或者间接的影响了用户的决定。

比如，商品的一些图片展示，并不是转化过程中必须要看的，但是它们的存在，是否会对用户的购买决定产生影响？这些图片就是微转化元素。

方法七：合并同类项

合并同类项是大家容易忽视的常用方法。我们往往非常重视细分，但有的时候我们却需要了解更宏观的表现。

合并同类项就是这样的方法。举一个例子，我问你，一个电子商务网站，所有商品页的整体表现如何？它们作为一个整体的bounce rate怎么样，停留时间怎么样，用户满意度怎么样等等，你能够回答吗？

如果我们查看每一个商品页的表现，然后再把所有一个一个页面的数据加总起来作分析，就太麻烦了（根本无法实现分析）。这个时候，我们必须要合并同类项。

如何合并？利用分析工具的过滤工具或者查找替换功能。不支持这样功能的工具你可以考虑扔掉了，因为这根本不应放在增长黑客的专业装备箱中。

合并同类项还有很多用途，比如你要了解web或者app一个版块（频道）的整体表现，或者你要了解整个导航体系的使用情况，这都是必须使用的方法。

方法六：AB测试

增长黑客不谈AB测试是耻辱。

通过数据优化运营和产品的逻辑很简单——看到问题，想个主意，做出原型，测试定型。

比如，你发现转化漏斗中间有一个漏洞，于是你想，一定是商品价格不对头，让大家不想买了。你看到了问题——漏斗，而且你也想出了主意——改变定价。

但是这个主意靠不靠谱，可不是你想出来的，必须得让真实的用户用。于是你用AB测试，一部分的用户还是看到老价格，另外一部分用户看到新价格。若是你的主意真的管用，新价格就应该有更好的转化。若真如此，新的价格就被确定下来（定型），开始在新的转化高度上运行，直到你又发现一个新的需要改进的问题。

增长黑客的一个主要思想之一，是不要做一个大而全的东西，而是不断做出能够快速验证的小而精的东西。快速验证，如何验证的？主要方法就是AB测试。

今天的互联网世界，由于流量红利时代的结束，对于快速迭代的要求大大提升了，这也使我们更加在意测试的力量。

在web上进行AB测试很简单，在app上难度要高很多，但解决方法还是很多的。国外那些经典app，那些卖钱游戏，几乎天天都在AB测试。

方法五：热图及对比热图

热图是一个大家都喜欢的功能，它是最直观的记录用户与产品界面交互的工具。不过真用起来，可能大家很少真正去深究吧！

热图，对于web、app的分析，都非常重要！今天的热图相对于过去的热图，功能得到了极大的提升。

在web端，过去一些解决不好的问题，比如只能看链接的被点击情况，点击位置错位，对浮层部分点击的标记，对链出链接的标记等等，现在已经有好的工具能够提供很多新的办法去解决。在app端则分为两种情况，内容类的app，对于热图的需求较弱；但工具类的app对于热图的需求则很显著。前者的screen中以并列内容为主，且内容动态变换，热图应用价值不高；后者则特别需要通过热图反映用户的使用习惯，并结合app内其他的engagement的分析（in-app engagement）来优化功能和布局设计，所以热图对它们很重要。

要想热图用的好，一个很重要的点在于你几乎不能单独使用一个热图就想解决问题。我常常用集中对比热图的方法。

其一，多种热图的对比分析，尤其是点击热图（触摸热图）、阅读线热图、停屏热图的对比分析；

其二，细分人群的热图对比分析，例如不同渠道、新老用户、不同时段、AB测试的热图对比等等。

其三，深度不同的互动，所反映的热图也是不同的。这种情况也值得利用热图对比功能。例如点击热图与转化热图的对比分析等。

总之，分析很多用户交互的时候，热图简直是神器，只不过，热图真的比你看到的要更强大！

方法四：Event Tracking（事件追踪）

互联网运营数据分析的一个很重要的基础是网站分析。今天的app分析、流量分析、渠道分析，还有后面要讲到的归因分析等等，都是在网站分析的基础之上发展起来的。

但是，早期的网站分析有一个特点，就是对于用户在页面上互动行为的记录，只能记录下来一种，就是点击http链接（点击URL）。不过随着技术的发展，页面上不仅仅只有http链接，页面上还有很多flash（现在flash都要被淘汰了）、JavaScript的互动链接、视频播放、链接到其他的web或者app的链接等等，用户点击这些东西就都无法被老方法记录下来了。

不过，有问题就一定有方法，人们发明了event tracking来解决上面的问题。event tracking本质上是对这些特殊互动的定制化监测，而由于是定制化，所以反而有了更多附加的好处，即可以额外添加对于这个活动的更多的说明（以event tracking这个方法的附件属性的方式）。结果，这个方法甚至有些反客为主，即使是一些http链接，很多分析老手也喜欢把它们加上event tracking（技术上完全可行），以获得更多的额外监测属性说明。

随着app的出现，由于app的特殊性（屏幕小，更强调在一个屏幕中完成互动），分析app的page（实际上应该是app的screen）间跳转的重要性完全不如web上的page之间的跳转，但分析app上的点击行为的重要性则十分巨大，这就使我们分析in-app engagement的时候，必须大量依赖event，而相对较少使用screen。这就是说，在app端，event反而是主，page（更准确应该是screen）反而是辅！

方法三：Cohort分析

Cohort分析还没有一个所有人都统一使用的翻译。有的说是队列分析，有的说是世代分析，有的说是队列时间序列分析。大家可以参考维基百科：https://zh.wikipedia.org/wiki/%E9%98%9F%E5%88%97%E7%A0%94%E7%A9%B6，找找自己觉得合适的译名。

无论哪种叫法，cohort分析在有数据运营领域都变得十分重要。原因在于，随着流量经济的退却，精耕细作的互联网运营特别需要仔细洞察留存情况。Cohort分析最大的价值也正在于此。Cohort分析通过对性质完全一样的可对比群体的留存情况的比较，来发现哪些因素影响短、中、长期的留存。

Cohort分析受到欢迎的另一个原因是它用起来十分简单，但却十分直观。相较于比较繁琐的流失（churn）分析，RFM或者用户聚类等，Cohort只用简单的一个图表，甚至连四则运算都不用，就直接描述了用户在一段时间周期（甚至是整个LTV）的留存（或流失）变化情况。甚至，Cohort还能帮你做预测。

方法二：Attribution（归因）

归因不是人人都听说过，用好的更是寥寥无几。 不过，考虑到人们购买某一样东西的决策，可能受到多种因素（数字营销媒体）的影响，比如看到广告了解到这个商品的存在，利用搜索，进一步了解这个商品，然后在social渠道上看到这个商品的公众号等等。这些因素的综合，让一个人下定了决心购买。

因此，很多时候，单一的广告渠道并不是你打开客户闸门的阀门，而是多种渠道共同作用的结果。

如何了解数字营销渠道之间的这种先后关系或者相互作用？如何设置合理的数字营销渠道的策略以促进这种关系？在评价一个渠道的时候，如何将归因考虑在内从而能够更客观的衡量？这些都需要用到归因。

方法一：细分

严格说，细分不是一种方法，它是一切分析的本源。所以它当之无愧要排名第一。

我经常的口头禅是，无细分、毋宁死。没有细分你做什么分析呀。

细分有两类，一类是一定条件下的区隔。如：在页面中停留30秒以上的visit（session）；或者只要北京地区的访客等。其实就是过滤。另一类是维度（dimension）之间的交叉。如：北京地区的新访问者。即分群（segmentation）。

细分几乎帮助我们解决所有问题。比如，构建转化漏斗，实际上就是把转化过程按照步骤进行细分。流量渠道的分析和评估也需要大量用到细分的方法。

维度之间的交叉是比较体现一个人分析水平的细分方法。比如，我的朋友孙维（卡车之家的数据负责人），他将用户的反馈作为event tracking的属性（放在了event action属性中），提交给GA，然后在自定义的报告中，将用户反馈和用户的其他行为交叉起来，从而看到有某一类反馈的用户，他们的行为轨迹是什么，从而推测发生了什么问题。

分析跳出率时，我们也会把landing page和它的traffic source（流量源）进行交叉，以检查高跳出率的表现是由着陆页造成，还是由流量造成。这也是典型的维度交叉细分的应用。

作者：宋星