数据运营入门——方法论+案例

Part 1 数据运营

目的：通过对运营数据进行分析，帮助我们进一步对用户进行差分运营。

核心：分析问题包含哪些方面，在占比高并且自己可以发力的点上去优化。

Part 2 数据分析流程

一、拆分工作项

运营是一个包含了诸多琐碎事项的工作，运营人员要会拆分自己的工作项，并根据不同工作项的特点有针对地对特定的运营数据进行分析，才能事半功倍。

那么怎么拆分工作项呢？可以按照面对的用户群体分解，通常与用户分级联系在一起，将工作拆分成面向所有普通用户、面向活跃用户、面向付费用户等等。也可以按照项目将自己的工作进行拆分。还可以按照时间顺序确定不同阶段的目标，根据自己的目标来拆分工作项。

二、建立指标体系

拆分完工作项后，针对每一个工作项有不同的指标，我们要根据工作项的特点进一步拆分和细化运营数据指标，然后通过对每一个指标的分析来判断运营问题并不断优化运营方案。

拆分的维度可以按照数据的包含结构，也可以按照每一个工作项包含的子项进行拆分。

以用户运营为例，用户运营包含了用户的拉新、促活、留存、付费转化等方面。而就拉新来说，关键的指标有注册用户的规模、增长速度；渠道质量——注册渠道有哪些，渠道的注册转化率如何；注册流程质量——完成注册的用户数、注册流程中用户蹦失节点统计；注册用户行为追踪——完成注册后用户的行为统计。

三、细化分析目标

细化分析目标是指根据运营目标，确定能够进行优化的数据点。这一步是为接下来的数据提取处理分析奠基的。

举个简单的例子，假如现在做完一场活动，想知道下一次举办相同或相似活动时有哪些地方可以优化，需要关心的点除了最终参与效果还有：活动推广的渠道有哪些，每一个渠道的参与路径是怎样的，路径中的每一步参与人数有多少，转化率达到多少，等等。明确了分析目标后，就可以确定要提取的数据点有哪些。

四、提取处理数据

在提取数据这里涉及一个数据埋点的问题，在产品设计的早期，运营人员就要规划好运营关键点，列出埋点清单提交给开发人员，以免后期运营过程中想要查看某一个数据但却没有数据记录信息。

此外，提取出来的数据要经过一系列的处理后方可进入分析阶段。

那么常见的数据处理包含哪些内容呢？

首先，对拿到的数据，我们要进行数据清洗——对数据里的重复项、缺失项、矛盾项以及异常的波峰或者波谷进行处理的过程。对于重复项去重的方法有很多，在此就不做赘述。缺失数据最常见的处理方法是用平均数值填补，这个平均可以是所有数据的算术平均值，也可以是一段时间内的平均值等。而矛盾项指的是错误的数据，如原本应该都是1位的数字，提取到的数据中却出现了不是一位的数字、姓名的字段里出现了邮箱等等，这个时候要检查是数据提取时出现的错误还是数据录入时的错误，如果是提取时的错误并且错误对结果分析的影响较大时，应该及时反馈给相关负责人。

采集到的数据要尤其注意波峰和波谷，因为这往往是问题分析的关键所在。一般来说数据产生波峰或波谷的原因有获得了额外的推广机会、系统出现了故障、统计有bug等等。

其次要对数据做进一步的加工。因为提取出来的数据可能不是适合直接拿来分析的，这个时候往往就会用到一些函数和工具，比方VLOOKUP函数和数据透视表等，得到分析时需要用到的字段及相应的数据。

经过上述的清洗、加工步骤，得到了可以用以进行初步分析的数据。针对这些数据做进一步的处理，以期进行深入的分析。

五、数据分析总结

1、数据分析方法

常见的数据分析方法有对比分析法、结构分析法、平均分析法、权重分析法、杜邦分析法等等。

（1）对比分析法

指按照不同的维度进行对比，以探寻数据的变化，发现其中蕴含的规律或启示。

对比的维度包含了：与预期目标对比、不同时间段的对比、与同行对比、与运营前的效果对比、不同用户间的对比、不同操作间的对比，等等。

接下来用一个 例子讲解如何通过对不同时间段数据的对比来进行用户画像并根据用户画像做出运营策略的调整。

上边这张折线图反应的是某产品的日活跃用户数变化规律。2016年4月初到7月初其基本是成周期变化，且周期为一个星期，数据较大的点主要是在周末，因此我们可以推测这个产品的主要用户是学生。而且在6月的时候日活跃数据略有所下降，7月中旬以后数据上升且变化这与学生期末考试和放假的时间也基本吻合，进一步佐证了用户画像。

（2）结构分析法

被分析总体内的各部分与总体之间的对比分析，常用结构相对指标（=(部分/总体)*100%）来表示，这个数值越大表明该部分在整体中所占权重越大，其重要性越大，对整体的影响也就越大。

（3）平均分析法

反映的是一定条件下，某个指标的一般水平，多用于衡量业务的健康度。

比方说某个商品有A、B、C三个销售渠道，假如想了解这三个销售渠道谁对营收贡献最大，可以统计这三个渠道的平均销售额。这个时候要注意，平均分析法的“平均”是有前提的，它必须建立在用来计算平均值的数据是否都是有效的。比方说现在A渠道有一天的销售数据突然骤减为0，这是很反常的，这个时候要去查问题到底出在哪，如果是因为比方说那天A渠道出现了某些突发故障，那么应该剔除这个数据再计算平均值。

那是不是平均值越高说明业务越健康呢？

不一定。比方说A卖的是羽绒服 ，B卖的是短裙，夏季的时候A的销售均值比B低，这并不能说明A的业务就比B的差。

平均分析法适用于双方的业务和所处的情况比较接近也即我们常说的，具有可比性时，才有意义。

（4）权重分析法

将多个指标转化为一个能够反映综合情况的指标来进行分析评价，具体的做法是确定各个指标的权重，然后对处理后的指标进行汇总后计算出综合评价指数。常用以对处于并列关系的子类进行分析。

如图所示，某产品有三个推广渠道——A、B和C。这三个渠道又细分为通过购买母婴类产品的推荐转化、参加相关线下活动的转化 以及来自公众平台的转化。若要衡量A、B、C三个渠道的质量如何，可以给各个细分渠道设置某个权重，定义“渠道质量”这个指标对应的公式（如：渠道质量=购买了母婴类产品后的推荐转化人数*60%+线下活动转化人数*30%+公众号转化人数*10%），通过加权求和后比较这三个渠道的质量高低。

那权重的设置依据是什么呢？一个是要根据各个细分指标的重要性，另一个来自于以往的运营结果。还是以刚刚那个产品为例，假设产品是跟母婴类相关的，那么根据以往的运营经验，通过购买了母婴类商品后的推荐引流来的用户，后续转化为活跃用户的概率更高，那么这个渠道的权重就可以相应的设高点，而通过公众号导流来的用户流失率极高，其权重就可以比较低。

（5）杜邦分析法

杜邦分析法是由美国杜邦公司创造并 最先采用的一种综合分析方法。利用各个指标间的内在联系，可以对自己的运营状况及效益进行综合分析评价。

如图所示，假设产品更新后最近的收入降低了，老板让分析下原因出在什么地方、可以做出哪些调整，那么我们可以将收入拆分——收入=付费人数*ARPU（每用户平均收入）。接下来对付费人数进行拆分，付费人数=活跃人数*付费渗透率。据观察，付费渗透率几乎没有变化，而活跃人数下降了，进一步细分活跃人数。活跃人数=新用户中的活跃用户+老用户中的活跃用户，倘若老用户中的活跃人数上升了，而新用户的活跃人数下降了，可以进一步将其拆分。然后分析，新用户=推广覆盖人数*转化率，在转化率基本不变的情况下，将推广渠道细分，根据数据，渠道一下降了而渠道二上升了 ，不断进一步拆分，直到指标不能再细分后，针对细分后的指标分析其中哪些对最终的收入影响较大，产生变化的原因是什么，是否可以通过人为的调整方案后进行改善，等等。

2、造成数据波动的原因

常见造成数据变化的原因：时间、推广与触达、运营活动、关联特性、用户属性和构成、故障、业界趋势。

前三个就不详细展开了，这里讲下后边几个要素。所谓关联特性其实就是刚刚通过杜邦分析法拆分出来的要素，而用户属性和构成要素是指针对不同的用户，同个产品或活动的日活、付费等数据是会发生变化的。业界趋势对运营数据的影响：举个去年很火的例子——O2O，去年O2O这个概念炒的特别火的时候，大量资本砸钱进入这个市场，在各种补贴的刺激下，用户激增，现在市场较为成熟后，用户数增长就比较平缓了。

3、总结

分析了那么多数据，最终是要将分析后的结论汇报给老板的。那么总结的内容包含哪些呢？一般来说，要说明问题出现在什么地方，哪些地方是可以进行优化改进的。

在展示结论的时候，往往要用到图表和PPT，PPT不是本篇文章的重点内容，在此不做赘述。那么关于图表有哪些需要注意的点呢？

首先要选取合适的图表，比方说如果想看的是不同项目在总的项目中的占比情况，可以用饼图，如果想看数据的变化趋势，当项目只有几个的时候可以采用条形图或柱状图，如果数据项非常多，则可以采用折线图。

其次，图表要完整，应包含：标题、坐标轴及单位、图例（、脚注、资料来源），等等。

此外，一张图反映一个观点，且标题要直截了当说明数据反映的问题。比方说分析了某个产品用户活跃的时间段，在标题里不应该写“用户活跃时间段”，而应写出图表反映的结论——“某某时间段用户活跃度较大，某某时间段用户活跃度较小”，这样一目了然，老板也能很快地了解你这个图表所要表达的核心信息。

六、反馈及投入应用

仔细观察可以发现，以上数据分析流程实际上形成了一个闭环。总结汇报完毕，我们需要将得出的结论运用到实践中，继续观察数据的变化并不断优化我们的运营策略。