最近运营的同事来找我，分析一个和分享行为有关的数据。事情是这样的，为了鼓励用户分享内容到微信等社交平台，运营制定了奖励机制：每分享出去一篇内容，奖励给用户1积分，每天最多奖励6积分。积分在商城中可以兑换商品，所以其价值（成本）还是比较高的。

分享奖励机制上线后并没有过多宣传，但越来越多的用户发现了这一奖励，每天的分享次数逐渐攀升，在微信中产生的PV和UV也稳步提升。但与此同时，运营发现送出的奖励积分增长的更快，也就是说成本上升的速度远高于回报，于是他们直接把每天的奖励积分上限从6降到了1，并准备好被愤怒的用户们“喷”。

出人意料的是，大多数用户的反应竟然是举手赞成，他们说这样杜绝了那些“刷分的”，保证了“公平”（这让我想起来一句老话“不患贫，患不均”）。但同时，微信中产生的PV和UV骤减，运营同事陷入了两难，于是来求助我，看能否在数据中找到下一步行动的建议。

初步分析

考虑到这是前后两种规则的变化，我先找了奖励为6分和1分的两个日期进行对比，发现分享次数下降了41%之多。然后我对比了有分享行为的UV，发现仅仅下降了4%而已。到此我们可以看出，确实是那4%“刷分的”用户的离去，造成了分享总次数大幅下降。

对于普通的数据统计系统，基本上就“只能帮到这里了”，好在我用的是Google Analytics，于是我借助GA强大的“高级细分”功能，对数据进行了进一步的挖掘。

深入分析

要解决问题，首先要准确的定义问题：

奖励上限是6积分的时候成本过高，极少数人获得了大量积分，引起多数人不满，并且分享次数中也可能含有“水分”（例如分享给自己，或者发一条私密朋友圈等行为，并不会有效带来微信内流量）。奖励上限是1积分时，缺乏激励导致分享次数太少，带来的微信内流量也太少。

于是我们把问题定义为：如何确定一个合适的奖励上限，既能把成本转化为有效的流量，还能兼顾用户的主观感受？

刚才我们统计过，分享总次数减少了41%，但分享的UV仅仅减少了4%而已。要深入分析数据，通常离不开细分。所以面对这个数据时我的想法是：能否对这4%的用户群体继续进行拆解？

“分享的UV”换一个说法就是“分享了至少1次的用户数”，那么“分享了至少2次”、“分享了至少3次”这些用户数又是多少呢？这时候我们需要用到GA的高级细分中的“顺序”功能：

在“顺序”功能中，我们可以设置用户的行为，筛选出“先做了xx，然后又做了xx”的用户。因此要得到“分享了至少2次”这个群体，就可以把条件设置成：第1步：分享，第2步：分享。同理，“分享了至少3次”就设置3步分享行为即可。于是，我们得到了以下的结果：

可以看到在前后两种奖励规则之下，分享次数越多的用户，其数量的降幅也越大。而且分享至少2次和3次的人数降幅，从22%突然提升到53%，我们可以解读为，从分享3次的用户开始，有明显的“为了积分而分享”的行为。而那些分享2次的用户，即使得不到更多的积分，也并没有明显减少分享行为。所以我给运营同事的建议是，如果希望奖励机制对那些“发自内心分享”的用户最有利，那么就可以把每日奖励上限提升到2积分试试看。如果需要一定的刺激，带来更多的分享和微信流量，那么可以试试上限3积分。

接下来，我们应该按照数据对奖励规则进行调整，然后监控数据变化并再一次进行分析和迭代。总结一下，要深入分析数据，就必须把总数/平均数进行拆解，从中找出“长板”与“短板”，然后扬长避短或是查缺补漏。而要达到这个目的，目前免费又好用的工具依然是Google Analytics中的高级细分。所以在今后的文章中，我还会尽量多讲解高级细分的案例，欢迎大家继续关注。