6步理解数据分析在运营中的使用

01

数据在运营中的作用

目标指导数据运营的思路和方法

1
怎么理解数据的应用？

数据在运营的使用其实就是指通过用户行为分析用来指引产品的发展。数据的主要来源为用户的属性特征和行为模式特点。产品生命周期通常被定义为一个拉新、促活、留存、转化、传播的闭环流程。每一个步骤流程都是通过对用户行为的引导和激发而实现的。在这一过程中用于分析的数据都产生于用户使用产品的全过程。

2
数据在运营中如何发挥作用？

数据的重要性已经被大家广泛了解到了，都说现在是大数据时代，运营自然也离不开数据，如果总结一下数据的作用，可以分为以下几方面：

1）辅助判断产品的运营情况

形容一个产品运营的好坏，我们已经习惯了不用某一类形容词或标识来描述，而通常用数据来表明影响力、产品满意度、使用的广泛程度等。所以数据能辅助我们对产品的发展阶段进行定位，了解产品发展的速度及平均水平。

2）帮助找到实现目标的最佳路径

既然数据能判别产品的运营状况，那么一些具体的目标也自然而然被定义为某类数据指标，例如如新增用户100万、活跃率提升10%，转化率达到1%等等。通过对关键数据的分析，可以找到优化运营方式的最佳途径，最终让产品短期内迅速达到预期的目标。

3）挖掘用户的潜在需求

通过对用户行为数据的分析，可以发现用户可能的潜在需求，进而对产品进行优化和扩产，甚至可能影响产品的迭代，当然这各部分可能跟产品经理要做的事情是互相重合的，但同时对运营下一步的部署也是非常有用的。如何不断的深挖产品卖点，必须通过数据来反应，空想是行不通的。

5）显现运营问题

不论是内容运营还是活动运营，效果是否能达到预期都是通过数据来反映的，如果达到预期，那说明前期的运营工作安排可以继续执行，如果数据上表明不能达到预期的效果，那么是哪儿出了问题？是目标制定不当？还是执行过程中的差错？还是哪些客观因素导致了不良的结果。对问题数据的分析将帮助我们规避下一步工作中可能出现的风险，优化运营方案。

一切的一切，对数据一定要诚实，虚假的数据带来的将是一整串的蝴蝶效应。

02关键数据有哪些？
制订需要分析的关键指标

1
关键数据指标

在这里我们要先分清楚什么样的数据指标能真正用来执行：

宏观数据指标：通常是指boss在工作开展中提出的阶段性计划指标，这一数字一般比较宽泛，是整体的指标或相对长期的运营目标，无法切实知道具体运营工作。一般需要将其转化或拆解为可执行的具体关键指标，如本月盈利10万是运营的整体目标。那如何达到？并不能直接被执行。

可执行的数据指标：仍然用上述例子，可以用于执行的数据指标为：通过xxx引流200人次点击，注册转化率10%，付费用户转化率2%。这些关键数字都是可以被执行的指标。

对要达到的长期目标进行拆解，拆解称为当下可以执行的关键指标，这一过程其实在日常生活和其他工作中也会常常用到，所以可参见OKR指标拆解法，通过对宏观目标的拆解，达成可执行指标的确定。具体方法可参考知乎上有关结构化思维的相关介绍。

2
基本数据

运营总是离不开拉新、促活、留存、转化、传播，数据也必然在这个过程中收集。

拉新：新用户注册数

促活：注册用户使用数据

留存：注册用户流失数据

转化：付费用户数据

传播：互动传播用户数（微信、微博等平台的传播等）

3
用户属性数据

用户特征画像：根据用户的属性标签，行为特点等构建使用产品的用户特征画像，构建用户画像的目的是为了对用户进行分类，在运营的过程中按照分类精细化运营。例如：电商通过对用户的分类，进行精准化产品推荐，社区论坛可以有针对性对KOL用户进行精准运营。

用户终端数据：终端数据也就是用户使用的终端设备数据，比如，手机型号，操作系统等等，通过这些数据可以发现用户的行为偏好的差别。

版本数据：如果产品是APP，那么还需要关注用户使用的版本数据分布，用来判别版本更新是否对用户使用产生了影响。

4
渠道数据

渠道来源：即用户通过何种渠道获得产品的宣传信息，及注册登陆的。很多网站及APP在首次付费成功后会发邮件对用户进行调查，其中常常包括这类问题的调查。

渠道效果：每个渠道的特点不同，造成不同渠道对于产品的推广作用也不尽相同，通过不同渠道获取的用户数量甚至质量也不相同，这一数据的设置将辅助判断渠道的质量，以便在运营过程中调整渠道的使用比重。

5
用户行为数据

用户参与度：用户访问页面时间，频率等。

行为路径：即用户完成某一个任务时经过了哪几个页面，做了哪些操作。

自定义事件：根据产品需求，对某一个特定的用户事件进行数据统计分析用户行为。

基于业务的漏斗分析：常见于电商用户行为分析，从用户登录到最终支付的用户流失情况，判断在哪个环节出现问题以及时优化。

03
如何获取数据？
采集需要的数据并对数据进行处理

明确目标，定义好需要分析的数据指标后，那么下一步就是依据数据指标提取数据了。产品在上线后会不断积累、沉淀用户的注册、登录、使用等各个维度的数据。在数据获取阶段要做的就是采集需要的数据，并且对数据进行处理已达到可以用于数据分析的效果。

1
数据采集

数据的来源主要有两种，一种是通过数据埋点，然后提取相应的数据字段。另一种是通过用户的使用日志文件分析用户数据及用户行为。

数据埋点：两种方式，一种是在产品设计阶段通过提交相应需求由研发团队设计底层数据模型时将需要在产品上线后特别注意的数据字段进行标识。另外一种则是通过第三方统计平台，如GrowingIO等，这些第三方统计平台利用前端技术可以统计到大部分用户行为数据，减少产品自身开发和改造，但是对于个性化的数据分析需求还需要通过产品底层的设计来满足。

用户使用日志：即用户登录产品后每一次操作都会被记录下来，保证用户的使用行为可以查询，同时针对用户的一些误操作可以通过日志文件进行恢复。

2
数据处理

为什么要做数据处理？有一点数据挖掘经验的人可能会了解，实际生产环境下产生的数据并非是理想状态下的，可能某一条记录某一个字段因为系统或人为原因造成了缺失，对于数据的不完整性也可能导致数据分析结果的不准确性，所以在数据分析前要对采集到的数据进行数据清洗和数据预处理。（如果对数据处理感兴趣可以参见专业数据挖掘书籍中关于数据处理的章节，如《数据挖掘导论》）

1）数据清洗

数据清洗指对采集的不规范数据进行清洗，如对数据存在缺失的进行填充，对于数值性数据比较常用的方法就是选取数据前后若干天的数据取平均作为缺失数据值进行填充。其他可能出现数据不规范的现象还有很多，如对于用户年龄字段数据采集时发现个别用户年龄字段数值大于了100，就需要通过数据稽查去发现问题所在。

2）数据预处理

原始数据与数据分析需要的数据维度可能会有所不同，比如采集到的原始数据是按照天进行汇总的，但是数据分析需要的是按月汇总的数据。那么在进行数据分析前，就需要将每个用户的日数据进行汇总，得到每个用户的月数据后才能进行分析。

04
数据分析方法
对多维度数据控制变量进行分析

1
数据分析框架

专业的数据挖掘算法有很多，如关联分析、聚类分析、神经网络等等。在这里不过多介绍，只是结合产品、运营日常工作场景介绍几种常见的分析框架。

1）用户画像洞察

用户画像洞察是通过对用户数据的聚合，将数据转换成形象化的虚拟用户模型。通过用户画像展现具有某一类特征的用户群体。将用户群依据用户画像进行分类，为精细化用户运营提供数据支撑。

同时通过对用户画像的构建也有利用产品经理、运营把握用户。在进行功能迭代和活动运营时，可以有针对性的制定策略，提升效率。

2）用户行为分析

用户行为分析中最常用的就是漏斗分析模型，即用户在完成某一项特定任务时要经过多个步骤，在每一个步骤中都会产生用户流失，为了保证更多用户顺利完成任务，通过对漏斗模型的分析发现问题所在，优化关键步骤的用户体验，达成最终目标

3）产品流程分析

对用产品新上线的功能模块，可以通过用户行为来验证新功能的好坏，使用用户体量有多少，用户在使用时是否在某些环节产生困扰，通过用户行为分析来验证功能效果好坏。在分析时，要根据产品的具体业务流程设计分析方法，结合业务场景才能更多的发现问题。

上述介绍的三种数据分析框架是最基础的，对于非专业领域的数据分析挖掘来说，数据分析方法首先要结合产品的业务场景，根据具体业务指导分析方法和分析流程。如果想达到好的分析效果，还要结合自家产品制定个性化数据分析方案。

2
数据可视化

数据分析的结果往往都是枯燥的，无法让领导或执行同事清晰理解，所以需要对数据分析结果进行可视化处理，让领导明白数据分析的结果是什么，让同事明白根据分析结果如何进行下一步工作。

1）可视化方式

根据数据类型以及展现形式的不同，可视化方式有展现时间关系的时序图；展现占比的饼状图；展现数据分布的柱状图等等。可参考《谁说菜鸟不会数据分析》、《深入浅出数据分析》等入门书籍。

2）可视化工具

简单的数据分析工作用Excel就可以完成，复杂一些的有SPSS、Tableau等专业化数据分析工具。这里还推荐一个Echarts，这本是一个前端图表框架，但是简单易用，通过对应的图表模板，只需要将数据导入框架模板即可生成可视化图表。

3
数据报告

数据报告是对数据分析任务的总结，向上对领导汇报，向下与同事共同制定策略完成下一阶段任务。所以根据看报告的用户不同，需要有针对性的调整其中部分内容。数据分析报告大致需要以下几个内容：分析背景&目标，数据源选取，数据分析方法&框架，数据可视化，数据分析结果&建议。本着具体问题具体分析的原则，根据数据分析报告的目的进行个性化完善。

05
形成策略
简略

策略的制定取决于数据化运营的目的和数据分析的结果，通过目的和结果形成针对性的策略。这方面每一次数据分析形成的策略都不一样，所以在这里不再进一步展开，根据具体问题以及具体的业务场景制定有效策略即可。

06
验证优化
简略

如同精益创业中MVP理论一样，数据分析的结果生成的策略并非一定有效， 并不一定可以快速达到预期效果。在策略执行的同时，通过数据的积累沉淀，监控相应数据指标情况，对策略进行优化，已达到最终的目的。

总结：以上为数据化运营知识体系的六个组成部分，通过上述六个方面构成了数据化运营业务流程闭环。需要注意的是，任何数据化运营任务都要以业务为导向，依据具体业务场景选择数据分析思路、方法。切忌，不要为了数据分析而数据分析，数据分析一定要源于业务。