一、链家网

链家希望去研究线上数据的需求已经快积累了两年了，引入 GrowingIO 后我们的产品和开发非常勤奋地用这些数据去弥补我们之前线上数据的不足。

在链家网，我们发现使用『地图找房』功能的用户群体的转化率，高于平均转化率的60%及以上。但是『地图找房』这个功能的使用率只有7.35%，也就是说没什么人用。

既然这样，那是不是说使用『地图找房』能提升整体的转化率呢？于是产品经理提出改版方案，就是把『动图找房』搬到了房源搜索结果页的列表上。

让人惊喜的是，只是这么一个小小的改动，就把使用『地图找房』的用户提升了30%。

同时新的地图入口的转化率比原来的提高了6%-10%，我们整体的转化率居然提升了9.8%，而这只是产品上一个非常小的改动。这个例子是我们产品经理在加载 GrowingIO 的第一周就想到的一个产品改进，是一个非常有纪念意义的改进，所以拿出来讲一下。

如果我们能不断深入去研究这些数据的话，这些创意就会被我们源源不断的挖掘出来。

二、狗民网

（一）快速测试

在产品功能更新的过程中，大家可能会对产品功能产生不同的意见，在这种情况下大家需要用数据去验证。传统的埋点采集数据成本很高，通过 GrowingIO 的“无埋点”的数据采集技术可以很好的解决这个问题。

今年 10 月份（编者注：2016年）狗民网在 App 里面做了一个 UGC（ User Generated Content，用户原创内容）瀑布流，每天更新30条优质的UGC。

由于一开始的浏览量和评论量都不是很多，产品经理建议去除这部分数据的展示，但是研发认为用户已经养成参考这部分数据的习惯，去除的话用户点击会下降。

面对争执，狗民网做了个简单的测试，去除了数据标志后，通过GrowingIO的数据看板观察 UGC 的访问用户量和点击量变化。
试验后第一周数据不但没下降，反而有了大幅度的提升；
为了排除内容变化的干扰，又持续观察了两个星期，数据不但没有下降反而有了大幅度提升。|
通过试验数据分析，原本争执不下的问题得到了很好的验证和解决。

（二）优化体验

狗民网在产品分析过程中发现注册转化率过低，根据经验判断注册流程很可能有问题。借助用户分群和用户细查，观察用户的细查路径，果然发现了一些问题。

用户无法及时收到短信验证码，然后重复点击获取验证码，导致注册转化率过低。

同样，使用第三方账号（微信、微博等）登录APP经常出现无法登录的情况，从而出现短时间内多次登录失败情况。
经过分析，狗民网发现用户信息数据库不兼容特殊字符，导致很多第三方账号登录失败。经过改进，新用户的转化率提升了4.45%。

（三）迭代产品

在产品迭代的过程中，通过 GrowingIO 的用户留存分析，狗民网着重分析了不同产品功能的留存率，希望找出高粘度的功能。通过对 “俱乐部”、“养宠问答”、“养宠学院”、“购物”、“热门活动”等9个产品功能的用户进行留存分析，发现使用“俱乐部”、“养宠问答”、“养宠学院”这三个功能的用户留存显著高于其他用户群体和App的平均水平。

既然使用“俱乐部”、“养宠问答”、“养宠学院”这三个功能的用户留存率更高，在接下来的产品迭代中，俱乐部功能得到更好的入口和推荐，养宠问答引入专业的宠物医生、宠物训练师进入，养宠学院不断丰富高质量的内容。经过三个月的迭代，用户总体次日留存率提升了23.3%。

三、猎上网

猎上网整个模式非常类似电商，只不过电商解决的是线上商品资源的交易，而猎上网解决的是人力资源的交易。但很多东西是触类旁通的，电商行业通用的商品交易总额公式在猎上网也同样适用：
GMV=订单量×订单转化率×客单价

下面我就跟大家分享一个猎上网自身的增长案例，介绍我们如何通过数据分析发现提升订单转化率的增长机会，并及时优化产品，最终实现业务总体增长。

（一）产品分析

猎上网的整个业务可以分为很多模块：

1、订单模块。 即人才推荐，HR 发布职位后，猎头就会推荐相应的候选人，这就是订单。

2、人才管理模块，指猎头对自己上传候选人简历库进行管理。

3、算法引擎模块。包括智能匹配、搜索引擎等。

猎上网对所有这些模块都会进行监控和数据分析。以“人才管理”模块为例，看看我们针对用户行为数据进行分析能发现什么。

首先，我们观察猎头的行为发现，猎头 67%的时间都花在“简历创建”上，类似电商平台的“上新”。而在所有这些“上新”的行为中，65%的情况是猎头发现平台上有合适的职位，

即图中绿色部分的“推荐时”。

也就是说，绝大多数猎头默认的优先行为是在平台上搜索浏览企业 HR 发布的职位，进行“选单”，针对职位看自己手里是否有合适的候选人，再来创建简历。

而另一方面，当猎头的人才简历库越来越完备，信息越来越标准化，猎头又会有很大概率使用“智能匹配”，即平台推荐。
智能匹配有两种玩法，一是人才匹配职位，二是职位匹配人才。
我们发现猎头更喜欢用人才匹配职位（使用占比 62%），而且这种形式下订单转化率也比职位匹配人才模式更高，可以达到 40%。

所以结论就是：猎头默认的动作偏好是按照职位去找人，也就是“选单优先”。但是当平台给猎手推荐信息进行“智能匹配”时，他们又更愿意根据简历库中的人才去匹配职位。

这是通过 GrowingIO 的用户行为数据分析我们发现的一个非常有趣的洞察。

（二）产品优化

基于这个洞察我们做了两件事：
第一，优化搜索引擎。在精准匹配的算法优化上，我们选择优先做人才匹配职位的算法，而不是职位匹配人才。
第二，建立职位专场，类似淘宝的聚划算和微淘。

最终的结果就是，猎上网在前三个季度的整体面试成单转化率提高了 80%。同时职位专场刺激了猎头激活，猎头的留存率得到提升，整体成单猎头数增长了 37%。

并且，专场化的运营也使得人才职位匹配度提高，佣金客单价提升了 21 % 。

后续，我们又进一步做了“滴一猎头”和“人才画像”两个功能，增长效果也很明显。

这是猎上网通过 GrowingIO 进行整体用户行为数据分析，从中发现商业洞察并最终实现增长的一个有趣案例。

这其中数据洞察非常重要的一点意义，在于让我们可以更好地知道怎样做资源调配。

产品前期开发中有许多功能要做，但当我们把用户行为偏好的洞察数据给到他们以后，产品就能清晰地知道应该怎样做不同算法调优的时间分配和优先级安排，实现资源的最优化利用，才能最终实现显著的业务增长。