导言
在当今竞争激烈的数字环境中，网络推广已成为企业取得成功不可或缺的因素。网络推广既是一门艺术，也是一门科学，需要融合数据驱动的决策和创造性的洞察力。本文探讨了网络推广中艺术和科学的交集，并提供了融合这两种方法的策略。
数据驱动决策
数据是网络推广的基础。通过分析网络流量、转换率和客户行为等关键指标，营销人员可以深入了解目标受众、优化活动并衡量效果。数据驱动的方法使营销人员能够:
- 确定最有效的营销渠道
- 针对特定受众群体定制信息
- 跟踪活动效果并进行必要的调整
创造性洞察力
虽然数据至关重要，但创造性洞察力在网络推广中也发挥着至关重要的作用。营销人员需要跳出思维定势，提出新颖、引人入胜的内容和活动，以吸引目标受众。创造性洞察力使营销人员能够:
- 建立与目标受众的情感联系
- 创建令人难忘且可分享的内容
- 在竞争中脱颖而出
融合艺术与科学
网络推广成功的关键在于融合数据驱动决策和创造性洞察力。以下是一些策略，可以让营销人员有效地融合这两种方法:
- 基于数据洞察激发创意： 分析数据以识别目标受众的兴趣、痛点和行为。使用这些见解来激发有针对性和吸引力的创意概念。
- 利用数据优化创意： 跟踪和测量创意执行的效果，并根据数据反馈优化创意以提高性能。
- 创建由数据支持的故事： 使用数据来支持营销叙事，使品牌信息更有说服力和可信。
- 建立基于洞察力的目标： 根据数据分析设置明确的营销目标，并使用这些目标来指导创意决策。
- 与创意团队合作： 营销人员和创意团队之间的紧密合作对于确保创造力与数据策略保持一致至关重要。
案例研究
以下是一些融合艺术与科学的网络推广案例研究:
- 耐克： 耐克通过利用数据分析来了解跑步者的行为和动机，创建了高度针对性和激励性的数字活动。其“Find Your Greatness”活动以鼓舞人心和令人难忘的创意而闻名，并通过跟踪关键指标来优化。
- Dollar Shave Club： Dollar Shave Club利用幽默和创新性的视频内容来吸引目标受众。其“Our Blades Are Fing Great”活动产生了病毒式的成功，是创造力与数据驱动决策相结合的典范。
- 宜家：宜家通过创建有用且引人入胜的内容，建立了与顾客的情感联系。其“IKEA Hacks”系列展示了如何以创造性的方式使用宜家的产品，通过提供价值和灵感来吸引目标受众。
结论
网络推广是艺术和科学的结合体。通过融合数据驱动决策和创造性洞察力，营销人员可以创建有效的活动，吸引目标受众、建立品牌知名度并推动转化。通过拥抱这种融合方法，企业可以在当今竞争激烈的数字环境中取得成功。
什么是增长黑客？
揭示增长黑客的奥秘：驱动企业爆发式增长的艺术与科学
在当今商业世界中，增长黑客这一概念犹如一股革新力量，起源于美国，却在全球范围内掀起了一场关于企业快速发展的革命。 它的核心使命，如同 Dropbox、Hotmail 和 Facebook 的成功催化剂，就是通过一套科学的用户增长策略——AARRR 模型（获取、激活、留存、收入、推荐），来推动用户数量的几何级增长。
国内企业也逐渐意识到增长黑客的价值，纷纷设立用户增长工程师这样的职位，这些团队不再仅仅关注创意或设计，而是凭借数据驱动的方法，挖掘增长的潜力。 他们依赖如 Quora 的策略研究，以及 Google Analytics 的用户行为分析，将数据转化为驱动产品改进的引擎。 增长黑客不仅仅是一种理论框架，更是实践与工具的完美融合，如 Mixpanel 的即时分析、Kissmetrics 的客户行为洞察，甚至是 Qualaroo 的在线调研和 Optimizely 的 A/B 测试，都在帮助企业验证最佳增长路径。
数据驱动的增长艺术
增长黑客的艺术性在于，他们通过精细的数据分析找到增长的突破口。 例如，Twitter 通过数据挖掘深入理解用户需求，从而提高用户留存率，这就是增长黑客如何将科学与艺术结合，通过实验与洞察来获取用户忠诚度的实例。 工具如 Usertesting 提供产品反馈，Yesware 追踪邮件效果，而 Tribeboost 则助力增加关注，每一个环节都旨在优化用户体验，提升产品黏性。
硬核产品与市场适应性
然而，数据增长并非孤立的行为。 增长黑客深知，产品必须足够硬核，同时紧密结合市场需求。 他们通过用户行为分析来打磨产品，确保在追求增长的同时，产品本身的质量和市场适应性也得到提升。 这样，企业才能在竞争激烈的市场环境中实现高效、可持续的增长。
综上所述，增长黑客是一门平衡艺术，既依赖于数据驱动的增长策略，又需要产品与市场的紧密契合。 只有通过深入理解用户、持续优化产品，企业才能在数据增长的浪潮中立于不败之地，实现真正的爆发式发展。
数据挖掘：客户关系管理的科学与艺术内容简介
在信息科技的快速进步中，数据挖掘技术以其独特的魅力成为了众多专家学者关注的焦点，包括统计学家和数据库专家等专业人士。 这个领域的发展势头迅猛，吸引了越来越多的企业界人士进行深入探讨。 随着信息技术的革新，数据的获取方式愈发精细高效，海量数据的积累如江河奔流，从GB级跃升至TB级，甚至更高维度的数据也日益成为常态。 这些庞大数据量和复杂特性，使得传统的数据分析方法显得力不从心。 计算机性能的不断提升，赋予了我们前所未有的挖掘潜力。 人们期待借助计算机的强大计算能力，对这些海量数据进行深度分析和理解，从而驱动决策的科学化和精准化。 数据挖掘不再仅仅是一门技术，更像是一种科学与艺术的结合，它挖掘出隐藏在数据背后的商业价值和洞察，为企业决策提供强有力的支持。 在这个过程中，数据挖掘成为了连接理论与实践、科学与艺术的桥梁，为企业的发展和创新提供了强大的工具。
写给设计师看的数据知识
作为设计师，你是否遇到过这些问题: 一直都在做产品的体验优化设计，但怎么知道是否真的有所改进？有 A、B 两种设计方案，要怎么理性地判断和选择最优的那种？都说要以用户为中心做设计，除了用户调研，还有什么别的方式可以了解用户？以上那些问题，其实都可以通过数据验证得出结论。 在产品研发流程中，数据是基石，也是驱动设计的核心因素。 本文通过常见的概念和案例分析，总结了关于数据方面的一些基本知识，主要内容包括:
设计师为何要看数据？设计师要看哪些数据？设计师如何使用数据？设计中常遇到的问题。一、设计师为何要看数据？1.1 更好地了解用户设计师需要了解用户，而数据则是对用户的目标、行为、态度等情况的量化。 通过数据分析，我们可以更好地洞察用户的需求，进而为用户提供更好的体验服务。
1.2 有力地支撑设计不同于艺术的感性和纯粹，商业设计需要的是理性地观察和思考，数据是理性化的一种方式，是发现问题、判断思路、验证设计的重要依据，可以帮助设计师提升设计的正确率。
二、设计师要看哪些数据？2.1 常见数据指标在分析和使用数据之前，需要清楚地了解不同数据指标的定义，以下列举出了一些设计师常用的数据指标及其定义。
2.1.1 UV点击率UV点击率是指有点击行为的访客数与页面访客数之比，即CUV/UV。 比如 100 个访客访问，有 30 个人点击了页面上的链接，则UV点击率为 30%，反映页面对整个用户群的粘性。
2.1.2 人均页面浏览量人均页面浏览量是指页面浏览量与页面访客数之比，即PV/UV。 比如 100 个访客访问了 200 次，人均页面浏览量就是 2 次/人，反映产品的热度和深度。
2.1.3 转化率转化率是指完成目标的访客数与全部访客数之比，即目标页面UV/总UV。 比如 100 个访客访问 App，有 20 个人登录，则登录转化率就为 20%，用来衡量流程页面的转化效能，是任务型产品的重要衡量指标。
2.1.4 跳失率跳失率是指只浏览了一个页面的访客数与全部访客数之比，即ExitUV/总UV。 比如 100 个访客中，有 10 个人只浏览了一个页面就离开，则跳失率为 10%，反映产品是否有足够的吸引度吸引用户深入访问。
2.1.5 平均停留时长平均停留时长是指浏览某一页面时，访客停留时长与页面访客数之比，即Time/UV。 比如 100 个访客在详情页一共停留了 01:22:56，则平均停留时长约为 00:00:50。 在任务型产品中，停留时间越长表明信息架构越不清晰、效率低；而在内容型产品中，更长的停留时间表明内容对用户更具吸引力。
2.2 用户体验指标设计师一般聚焦于用户体验质量的提升，因此需要满足用户体验相关的数据指标才能更好地完成设计目标。 根据用户体验周期的 5 个阶段 (触达-行动-感知-回访-传播)，对应得出以下 5 个体验指标，简称 “5度” 指标。
2.2.1 吸引度指标吸引度是指在操作前，产品能否吸引用户来使用、能否吸引用户产生相应的行为；相关的吸引度指标包括: 知晓率、到达率、点击率、退出率等。
2.2.2 完成度指标完成度是指在操作过程中，用户能否完成产品目标对应的操作，以及完成过程中的操作效率；相关完成度指标包括: 首次点击时间、操作完成时间、操作完成点击数、操作完成率、操作失败率等。
2.2.3 满意度指标满意度是指完成操作后，用户产生的主观感受和满意度；相关满意度指标包括: 操作难易度、布局合理度、界面美观度、内容易读性等。
2.2.4 忠诚度指标忠诚度是指完成一次使用后，用户会不会再次使用该产品；相关忠诚度指标包括: 30天/7天回访率、跨平台的使用重合率等。
2.2.5 推荐度指标推荐度是指用户能否将此产品推荐给其他人使用，数据指标主要为净推荐值 (NPS)。
三、设计师如何使用数据？3.1 明确目的 3.1.1 确定设计目标首先根据产品改版或迭代的目标制定出阶段性的设计目标，例如: 产品需要提高首页轮播图的点击率，对应的设计目标则要服务于产品目标，但可以从设计专业的角度、特长、手段，参与实现产品目标。 设计目标可以用表达式概括为: 设计目标 = 用「某设计策略」给目标用户带来「某价值」，以助力「某变现方式」。
3.1.2 设定数据指标当确定好设计目标后，接下来是设定出衡量设计目标的数据指标，数据指标可以建立一个统一的判断标准，直观地反映设计方案与设计目标之间的差距，成为迭代优化的重要依据。 数据指标的设定不是单一的，而是多维度的，例如: 判断某活动页的吸引度是否有所增加，相关的数据指标可设定为: 页面 UV 到达率、点击 UV 转化率、点击 PV 转化率等。
3.2 收集数据3.2.1 做好数据埋点
在产品设计前，需要通过观察访问量、点击率、转化率等数据来寻找优化突破口，想要获得这些数据，就需要先做好数据埋点。 所谓埋点，就是在正常功能逻辑中添加统计代码，将需要的数据统计出来，对于产品迭代而言具有重要的指导意义。
3.2.2 利用统计工具不同公司有不同的数据统计方式，一般大公司会建立自己的数据分析系统，也有很多公司会采用第三方统计工具来收集和分析数据。需要注意的是，Web 和 App 的数据统计工具及埋点方式是不同的，常见的第三方统计工具有:
Web 统计工具: Alexa、Google Analytics、网站统计等；App 统计工具: Flurry、移动统计、友盟、诸葛IO等。3.3 分析数据
3.3.1 什么是数据分析？数据分析是以业务场景和业务目标为思考起点，业务决策作为终点，按照业务场景和目标分解为若干影响的因子和子项目，围绕子项目做基于数据现状分析，找到改善现状的方法。
3.3.2 数据分析的方法数据分析一般会包含但不限于以下几种方法，例如:
单项分析法: 趋势洞察、渠道归因、漏斗分析、热图分析、A/B分析、留存分析等；组合分析法: 针对某个细分点，进行多维度组合分析；场景分析法: 根据用户的使用场景，按时间、地点、任务进行分析。 3.3.3 数据分析案例一从某电商 App 的漏斗图中发现，在商品加入购物车之前的转化率都比较高，但在付款流程中转化率急剧降低至 8％，需要改善购买转化率低的问题。
通过事件分析，我们发现用户在「付款页」停留时间过长，约为 102秒。在付款成功和付款失败的两类人群中，通过机型差异的对比和网络环境的对比，分析得出以下原因:
机型适配性较差，开发时对小众机型度较低；付款页面加载缓慢，严重消耗了用户的耐心。针对以上问题，我们采取对应的解决方案:
增强小众机型的版本适配性；通过缩减图片、优化框架、预加载等策略，提升页面加载速度；加入 Loading 动画设计，提升页面的趣味性，缓解用户等待时的焦虑感。 3.3.4 数据分析案例二通过数据发现，一段时间内某社交 App 用户的注册转化率急剧下降，由原来的 60% 下降到了 20%，需要找到原因并即时优化。
针对注册用户数这个细分点，我们采用组合分析法，进行几个维度的分析来寻找原因:
App 网络是否正常？推广注册页是否异常？获取短信验证码是否异常？设置手势密码是否异常？ 3.4 输出结果 3.4.1 制定方案根据设计目标和设定好的数据指标，就可以开始制定设计方案了。 其中，设计策略是制定设计方案的源头，明确设计策略之后，首先要做的是挖掘决定策略实现效果的关键因素，再由关键因素推导出最终的设计方案。 举个例子，如果把增强视觉效果作为提高广告位 Banner 点击率的策略之一，那么 Banner 色彩搭配是否协调、构图是否巧妙、文案表达是否清晰等，就成了策略能否奏效的关键因素。
3.4.2 验证设计设计方案制定完成后，并不意味着设计工作就此结束，还有非常重要的一步，就是用我们已经设定好的数据指标，去衡量和验证设计方案是否达到预期目标。 举个例子，针对某 B 端产品信息架构的问题，采取了信息功能的卡片分类、功能查找测试等多种研究方式，并且在列表中增加最近使用功能。 新版上线后，用户找到所需功能平均时长为 87 秒，比改版前快了 21 秒，效率提升了 15.4％，本次优化达到了预期的效果。 最后，不管验证结果是否达标，都是有价值的。 “达标”是对设计过程的肯定，“未达标”则是对下一版改进方向的指引。
四、设计中常遇到的问题4.1 无法获取数据怎么办？ 4.1.1 使用相似数据当无法拉取到目标数据时，可以使用近似或同类数据来代替。 例如: 设计某电商首页的页面宽度时，需要了解用户电脑的分辨率情况，但后台无法获取数据，那么可以用权威机构近期发布的中国电商用户群或中国网民的显示器分辨率情况作为参考数据。
4.1.2 开展用户调研用户调研可以收集到统计工具无法获取的用户行为数据，也可以更加真切的了解用户的诉求、使用感受、满意度等信息。 这是最普遍、最直接的方式来把用户的主观感受数据化。
4.1.3 通过分析推导如果无法直接获取目标数据，可以利用现有的数据间接分析推导出目标数据，比如前面提到的单项分析法、组合分析法等，灵活地使用这些统计方法，可以获得更多有价值的信息。
4.2 数据使用注意事项 4.2.1 合理分配时间将收集数据、整理数据、分析数据、输出报告这四个阶段提前做好安排，预估每个阶段需要花费的时间，标注出重点内容，合理分配时间。
4.2.2 注重数据分析将重点放在数据的分析上，而非数据的大量收集上。 若在数据的收集上投入大量时间，在交付需求前很难有时间深入分析数据，最后提交的总结也会没有太大价值，所以，在获得足够的信息后便可进入数据的整理和分析阶段。
4.2.3 数据有时效性数据可以反映趋势、效果、偏好等信息，但随着时间的推移，数据也会发生相应的变化。 数据具有时效性，历史数据可能无法反映当下的情况，也就不能拿来做设计决策。 数据越实时，越能作为对当下问题判断的依据。
写在最后无论是用数据指标做效果衡量，还是用数据指标进行问题判断和原因锁定，客观公正的态度和科学的实验方法都是最重要的。 数据相关的知识体系非常复杂，甚至需要有专职的数据分析师或用户研究员参与，文中列举的是一些基础的数据分析方法，或许不太全面，也是个人阶段性的心得总结。 作为一名理性的设计师，通过观察数据、挖掘数据、分析数据，利用数据来助力产品和业务的成功，是我们成长的重要阶段，也是我们的伟大使命。
本文到此就要告一段落了，如果对你有一点帮助就请点个赞吧～ 你也可以我的公众号「彭彭设计笔记」，我会不定期更新UI/UX 设计类精品文章，感谢你的阅读。
彭彭设计笔记（公众号）
作者：彭彭
