本文內容由神策數據根據數據驅動大會現場演講整理而成。本文主要內容如下：

• 坑位運營起源
• 數據分析與坑位運營
• 如何進行坑位運營
• 實踐案例

溫馨提示：完整版 PPT 可點擊閱讀原文下載。

開始分享之前，想了解一下在座各位在工作過程中，是否分析過以下幾個問題的答案：

第一，過去一個月，產品首頁 Banner 位置，給您的產品帶來多少直接收益？

第二，在運營人員投放的位置當中，哪一個可運營的位置帶來的收益最高？

第三，推薦商品位置中，哪個順序的位置的收益效果是最好的？

……

如果大家對以上問題的答案都是否定的，那麼接下來的內容會對大家有較高的價值。我將針對這些問題，與大家分享“坑位運營”的內容。

一、坑位運營起源

目前，在網上通過搜索引擎搜索“坑位”發現，並沒有關於“坑位”的明確定義，能搜索到的相關信息大概都來自於淘寶，即搜索結果下面的內容展示區域或聚划算等活動的商品展示位置，被稱作“坑位”。但這些在我們其他應用的運營中，適應範圍較窄，所以，神策數據需要給“坑位”一個更廣義的定義——可以承載內容信息並且可以運營的位置區域。舉例來說，常見產品中的很多位置區域，比如 Banner 位置、搜索位置、品牌推薦位置、商品分類位置甚至推薦位置，這些位置內容很多都是可運行和可更改的，我們把這些稱作為坑位。

1.一個用戶典型的購買路徑

對於坑位，我們需要了解其在用戶的購買路徑中會產生哪些影響，當一個用戶從落地頁進入到首頁，通過 Banner 進入到活動頁面，發現活動頁面並無自己想要的東西，隨即跳出，通過搜索位置尋找想購買的東西，但又發現搜索結果也無法滿足需求。過程中雖然他進入商品詳情頁，但發現推薦的相關產品中並無自己喜歡的商品，遂又返回產品首頁。之後他將想要購買的商品加入到購物車，又因為湊單、滿減等營銷信息返回購買頁面添加更多商品，於是搜索各類評價，最終加入購物車完成結算，這中間 Banner、活動、搜索、推薦、湊單、滿減等都可以算做坑位。

如果我們將用戶實現購買路徑的過程分成發現落地頁、發現商品、瞭解商品、完成購買決策 4 個階段，我們會發現坑位大多數時候都出現在發現商品這個階段，至此，我們可以理解坑位多數時候是輔助用戶發現商品的。

我喜歡將用戶在產品中價值實現受到的影響因素分成三種：流量質量、產品功能、流量引導。

我們可以用現實生活中的商場來比作是你的產品應用，那麼：

流量質量：當用戶站在商場門前時，她本身是否有錢、是否有強的購買慾望決定了她踏進商場時，購買的可能性高低。

產品功能：就像一個商場中的基礎設施，能決定在整個商場中購物是否順暢。如一個提供了電梯功能的商城比一個只有樓梯功能的商場體驗就好很多。

流量引導：商場中的地圖和抬頭看過去的指示牌，就像地圖，都在告訴每一個顧客喜愛的商品應該去哪個方向購買。

當我們瞭解這些之後，回過頭來看，我們發現坑位特別像影響用戶中實現價值要素中的流量引導因素，故此，我們先將坑位核心目的定位為“流量引導”。

2.坑位運營的目的

當流量進入，我們需要引導其完成購買任務，以實現流量價值最大化，因為在當前互聯網的現狀下：

1. 流量價格非常高，只有實現將每一份流量的價值最大化，才能改變燒錢現狀從而獲得盈利。

2. 爭取在每一份流量的總體價值中，佔據更大的比重，是一種新的競爭優勢，比如淘寶不能和京東、拼多多等平臺比拼用戶增長，提升流量價值可能是最佳選擇。

二、數據分析與坑位運營

從上一節，我們瞭解坑位的定義和其必要性，那麼在現實的坑位運營中，大家曾遇到什麼問題？數據分析在解決這些問題的過程中又能起到什麼作用呢？我們將回到解決問題的基本思路過程上，會發現問題大多出現在評估環節上，我們可以做出各種 Banner 運營計劃，但很多時候，卻無法對其產生了多少最終收益進行評估，也很難針對該位置的針對性改進。

從我瞭解到的一些客戶裡面，曾使用過單因素變量控制的方式對坑位效果進行評估，這種方法在一定程度上不失為可選方案。

（1）單因素變量控制並不容易做到完全可控，如果產品處在增長期，產品增長本身就是一個影響因子，很容易忽略此類因素的影響。

（2）評估方式低效，如果 2 天內只控制 1 個坑位變動，那麼評估 20 個坑位內容改變就需要 40 天時間，這樣的效率任何企業都無法接受。

現在，我們希望用數據分析中歸因的方式解決坑位運營中評估的問題。

1.坑位歸因

定義：將產品的最終收益的功勞分配給轉化路徑中各個不同的坑位上

目的：效果評估

2.常見的歸因模型

為了實現歸因，我們需要了解一些常用的歸因模型，而歸因模型是指一種或一組規則，用於確定如何將利益功勞分配給轉化路徑中的接觸點。

（1）末次觸點歸因

最後一個點擊的接觸點將獲得 100% 的銷售功勞；這是一個最典型的歸因方式，在常見的網頁分析報告及報告工具中幾乎都可以看到這樣的歸因結果。由於完全不考慮整個過程中消費者到底接觸過多少個觸點，該模型完全忽視了漏斗上層和中層部分的行為對轉化的影響。

（2）首次觸點歸因

如果用戶沒有機會了解商品，就永遠不可能購買商品。與末次觸點歸因相反，指哪些坑位第一次將用戶帶入商品頁面，就將 100% 的功勞歸功於其。該模型會高估單個觸點的影響力。這種情況下，首次觸點歸因模型就會過分強調驅動用戶認知的、位於轉化漏斗最頂端的觸點，但以上兩種方式都相對簡單直接，有時會引起異議。

（3）線性歸因

在線性歸因模型中，轉化路徑中的每個接觸點將平分銷售功勞（圖例中每個均獲得 20%）。

線性歸因模型的優點是它是一個多觸點歸因模型，因此會將功勞劃分給轉化漏斗中各個不同階段的坑位觸點。缺點是它無法正確衡量各種營銷觸點的不同影響。

（4）時間衰減歸因

在時間衰減歸因模型中，最接近銷售或轉化時間的接觸點將獲得最多的功勞。該模型基於一個假設，該假設認為觸點越接近轉化，對轉化的影響力就越大。這種假設的問題是它永遠也不會給位於漏斗頂部的觸點一個公平的分數，因為它總是距離轉化最遠的那個。

（5）位置歸因

將末次觸點歸因和首次觸點歸因折中，首次、末次各取 40%，中間 20% 平均分配給中部。

另外，還有比較複雜的自定義、算法歸因模型等。

3.渠道歸因 VS 坑位歸因

由於歸因模型的概念起源於渠道效果評估，所以我們需要了解渠道歸因和坑位歸因的一些相同和不同點。一些信息點簡述如圖，其中需要注意幾點：

首先，二者都採用動態評估。

動態評估：只要有新的數據進來，就可以重新做一輪評估。

靜態評估：如傳統營銷學的“4P”營銷理論，一次評估需要耗費很長時間，做評估的時間可能數月，甚至一年。

第二，二者的影響級別不同。

渠道歸因是訪問級別的歸因，坑位歸因是事件級別的歸因，二者的影響級別或者影響程度不同。

第三，二者所需週期不同。

渠道評估的是質量，一個用戶從某個渠道來到平臺，需要時間瞭解商品，一個用戶的質量並不能單靠一天的數據進行評估，渠道評估最好需要積累一週左右的數據以增強評估的準確性。但坑位評估是流量導向，導向效果是立馬顯現的，所以只要有一天時間，就可以對坑位進行評估。這是二者在評估方面展現的極大差異。

4.短期偏見

無論是渠道歸因還是坑位歸因，都容易出現短期偏見，即追求短期利益，在進行數據分析的同時考慮產品價值定位、戰略發展等因素，才能圍繞長期目標進行發展。比如在一款內容產品中鑲嵌一些遊戲元素，可以讓用戶停留更久、數據表現更好。但從長期來看，這種行為破壞了整個產品的價值定位，因為內容產品原本提供的是內容並不是遊戲，產品也不併是為了追求用戶停留時長而是為了實現價值。這是兩者都存在的短期偏見。

5.坑位運營工具

神策分析是國內第一款提供坑位歸因分析功能的產品，下圖為坑位歸因的分析界面，可以看到轉化事件、歸因事件、歸因模式，當選擇完所有的條件，點擊查詢即可得到各個不同坑位的效果。

三、如何進行坑位運營

坑位由兩個要素構成，一個是坑位位置本身，另一個是坑位裡面的內容，我們能優化的事情與之對應，一是優化位置本身，一是優化裡面的內容。

如果把產品裡面的坑位看作現實空間裡的土地，坑位裡面承載的內容就是土地上面種植的莊稼。那麼可以將坑位運營的問題轉化為以下問題：

坑位投放何種內容——同一片土地上，種植哪一種莊稼收成高？

• 內容投放到哪個坑位——某一種莊稼種植在哪片土地上，比別的土地要好？
• 坑位的內容輪換——何時在土地上進行下一季莊稼的種植？
• 位置優化——土地上收成不好，是否可以改版土地形式？
• 流量導向——土地上收成好，是否可以將土地面積做大？
• 人群特徵——不同土地之間的收成有什麼不同的特點？

關於如何從數據中洞察問題這一點，許多客戶都特別希望直接從數據裡面找到洞察信息。如此，很容易陷入誤區，因為很多時候僅僅只靠定量數據，並不能提供真實的洞察。比如有研究表明現代人癌症發病率是 2000 年以前人類癌症發病率的 100 倍以上，拿到數據之後會想什麼？很多人第一反應是環境變差以及食品安全等類型的解答。但如果瞭解癌症的話，會發現癌症最大的原因是隨著年齡的增長，癌症發生的概率會越來越高，現代人的壽命可以延伸到七八十歲，而古代人只有 7.7% 的人能活過 60 歲，所以現代人就比 2000 年前更有可能觸發癌症。理解到業務上也是一樣，只有在更懂了業務之後，才可能獲得更多真實有效的信息；而在真實的數據分析場景中，定性數據所提供的信息也是不可或缺的一部分。

把活動投放到坑位裡面，可以根據數據採集評估結果，我們需要使用何種指標去評估坑位運營的效果呢？這裡，我們需要提及坑位運營需要重視的就是坑位產出=單位流量成交金額。假設我作為產品方，分配給運營人員一個流量，平均一個流量帶來多少錢，這就是坑位產出。具體公式如下圖：

現實總是和理想有一定的距離，比如我們拿到準確的曝光點擊率的成本是很高的，很多公司都不能實現好這個指標的計算，所以可以利用上述公式中的一些額外指標，同時要考慮偏差、綜合指標等。

四、實踐案例

以下是我和一個客戶一起合作的關於坑位運營的例子，我們一起從數據採集準備開始，到利用歸因模型進行歸因發現優化點，並在優化之後對具體效果進行了評估。

1.數據準備

在和客戶做數據採集的時候，多數埋點人員不願意將來源信息的參數不斷向後續動作傳遞，比如將數據源從 Banner 位置帶到商品詳情頁，再繼續帶到購物車，之後要把來源信息一直存在購物車裡面，最後再帶到結算訂單，這種方式比較麻煩，同時也很難避免遺漏和丟失，整體比較難做好。

所以，神策數據推出另外一種解決方案，即為所有坑位運營營銷事件單獨埋點，只要觸發就立刻記錄，購買商品做歸因的時候在時間軸上往前追溯，追溯到詳情頁或者加入購物車的前一個坑位，再通過計算方式來實現坑位歸因。相當於把以前埋點的方式實現的信息採集通過計算的方式進行了解析。雖然增加了神策分析平臺的計算成本，但極大地減輕了工程師做埋點的成本，這是工具所帶來的便利。

2.坑位歸因

根據坑位歸因的結果，我們進行了進一步的分析，發現有的頁面流量大，但轉化效率低，有的頁面轉化效率高，但流量較小。同時，一些坑位也具有類似的情況。我們也很好奇，一個用戶在一個商品購買中，需要經歷幾個坑位，從圖中可以看出，54% 的用戶只從某一個坑位到商品裡面後，就已經作出購買決策；30% 只經歷 2 個坑位，經歷過 2 個坑位當中的，又有 60% 實際上經歷的是同一個坑位。整理來說使用單觸點末次歸因的方式，能將 72% 左右的收益效果進行準確歸因，所以，我個人更偏愛末次歸因模型，因為它簡單實用且計算量較小。關於推薦位位置，我們總容易以為排在第一位的位置一定是最好的，但實際該客戶的數據上看，第二、三位貢獻的最終收益反而是更多的，這是一個讓人很意外的信息。

另外可以與大家分享一個細節數據，在該客戶的產品中，大概達到 100 個位置之後的轉化效果就會出現銳減的情況，可能用戶下拉刷新的位置在這個數量級上。大家可以結合此數據並考慮自己的產品在實際中的情況。

3.有效信息提取

根據坑位歸因的結果，整理了很多推進產品改進的有效信息，在此，列出幾點示例：

（1）收入的主要來源是商品詳情頁的推薦，但該位置推薦的次數轉化率低，若能提供更好的推薦，或更有效利用推薦位，將極大提高用戶的購物效率。

（2）CrossBar 吸引大量用戶，但實際坑位轉化率較低，大量用戶在此做了很多無效點擊，分散用戶的注意力。

（3）搜索作為目的性最強的一種商品搜索手段，成單轉化率低於預期，有較大的優化空間。

（4）購物車位置的推薦、促銷活動、包郵加車等轉化效率最高，適合多做與購物車中商品打包的活動。

（5）208、555 品類排序效果好，收入高，919 品類轉化高，但曝光量相對不足。

4.優化坑位

由於 CrossBar 和分類功能有重疊，且表現效果不好，易分散用戶注意力，所以產品決定去掉 CrossBar，頁面簡潔了很多，流出更多的設計空間給其它坑位，同時也讓用戶更多的注意力使用在更好的分類功能上，以期提高分類轉化效果。同時，去掉效果並不好的“我的頁面商品推薦”，產品本身靠的是人工推薦而非自動推薦，拿掉一些推薦位之後，不僅減少了用戶注意力的分散，同時也一定程度上降低了運營成本。

5.優化內容

要求運營人員每週整理一些經驗優化的規則，每週做實驗優化推薦效果，這是在沒有自動化推薦下做的事情。

6.優化效果

大部分坑位在調整了之後都取得了上升的效果，只有少數出現了效果下降的情況，但整體而言，效果仍然是上漲，相對於坑位運營修改前兩週的情況，整體收益提升了 37.6%。

以上就是我的分享內容，謝謝大家！

更多數據分析乾貨和案例，可關注神策數據公眾號獲取~

閱讀更多 神策數據 的文章

關鍵字: 京東 淘寶 坑位