数据分析师如何满足运营的需求？

怎么做一个有用的数据分析？本文讲述了数据分析的4个步骤：定方向、梳理业务、构建思路、开始行动，让你的数据分析能够满足运营的需求，

很多做数据的同学，最怕听“有用”俩字。做个数据分析项目已经很难了。做个有用的项目更难。今天我们举个场景，手把手教一下该咋弄。

请听题：某短视频平台，游戏直播业务的日活用户1000万左右，但90%观看时间不足10分钟，运营希望尽可能多的让用户观看10分钟以上，请分析下该干哪些事情。

拿到题目，先不要着急跑数，牢记灵魂三问（自己问自己哦）：

问1：这是个啥层级问题？

A．战略级

B．战术级

C．战斗级

问2：这是个啥类型的问题

A．是多少

B．为什么

C．怎么做

问3：当前状态下要输出什么成果

A．给几个数

B．报表

C．专题报告

D．模型

E． ABtest

一、先定方向

很多同学一拿到题目，脑海里立马蹦出：活跃率、转化率、平均时长、用户画像等等名词外加一大堆指标。

这时候一定要告诉自己：稍等片刻。

想要摆脱无休无止的临时取数，第一步就是有个做项目的样子。把项目目标、工作范围、输出产物、交付时间这些整明白。然后正式开工。特别是遇到这种运营很头疼的专项问题，这时候不立项，还等何时。先把旗子插起来，再开工。

既然要插旗子，就涉及上边的灵魂三问，这三个问题都是跟项目目标、输出方向有关的。首先，数据分析可以支持的问题有三个层级，区别见下图：

这是个典型的战术级问题。已经定了要提高每日观看10分钟以上用户数量，但是具体怎么做方向都没有，这时候就得先搞清方向，再想细节。第一题答案：B

数据分析可以直接解决的问题有五大类，可以间接解决的问题有三大类（如下图）。

第二题选C。这个问题是个典型的“怎么做”问题。运营要的是具体执行建议，因此就不能光在数据层面缠绕，得结合运营可以干的事情来思考。

注意，这个问题连方向都没有，因此落到执行层面，先不要纠结要不要上美女陪玩，代金券是5元还是10元这些细节，要先解决“做哪些”的大类问题。

数据分析的产出物有很多，每一类产出有特定用途（如下图），结合本次目标，最好先输出一个专题报告，大家达成共识以后往战斗层去推进，才容易落地。

二、梳理业务

问4：这个题的题眼在哪里？

• 短视频
• 游戏直播
• DAU
• 观看时长

很多同学在解这个题的时候都直插DAU=DOU + DNU；或者直插观看时间分成1-5分钟，6-9分钟，10+分钟；或者直插直播入口1、2、3。

我们说的题眼，是指对解决最重要的影响因素。短视频平台不稀罕，直播也不稀罕，可为啥这次运营偏偏挑游戏直播?

因为游戏直播在业务逻辑上有一些先天优势：

• 游戏IP天生有粉丝，传播成本低
• 游戏直播竞技性、观赏性好
• 游戏打一局时间比较长，用户粘性天生好

可能基于这些理由，运营才会特别盯上游戏直播这块，并且会发出“为啥连10分钟都看不了”的疑惑。

三、构建思路

在构建思路的时候要特别注意：我们面对的问题是由真实的用户产生，数字只是问题的度量。

只要玩过游戏的人都知道：游戏玩家是活生生的人，不是1个DAU。他们有明确且真实的需求，玩魔兽的玩家就是对Loktar！

很有感觉，玩农药的00后也不太会去关注街霸。按道理说，玩游戏的粉丝只要能看到喜欢的主播，是不至于瞄一眼就走的。所以看似只是时间不够长，背后原因可能千头万绪（如下图）：

如果要一个个研究，估计得忙到黄花菜都凉了。而且作为项目输出，其结论会很分散。既然都立项了，要想办法沉淀些能复用的东西。

仔细思考其中的逻辑，我们会发现：其实问题的核心，来自用户、主播、产品三个方面，可以归纳为四大问题：

1. 用户不行；
2. 主播不行；
3. 产品不行；
4. 用户和主播没有匹配上。

以上四个问题里三个可以用评估体系来完成。通过建立用户需求、产品质量、主播质量的监控体系，来评估用户、主播、产品到底质量如何，质量是否稳定（举例如下图）。

这样做既能结束运营对基础情况两眼一抹黑的状态，又能为匹配问题打好基础，还能沉淀一套评估方法论和监控指标，甚至有希望上一个小数据产品来做长期监控。可谓一箭三雕。作为项目产出，远远比写一堆PPT价值大的多。

搞掂了评估体系，匹配的问题就很容易看明白：我们要按照用户喜好的游戏类型，有空看直播的时间点来推相关的直播。基于以上分析，下最终结论也变得轻松：

• 用户质量不行，大部分不是游戏真爱粉——更精准找真实用户
• 主播质量不行，名气/技术不行，就是不吸粉——签约有知名度强力主播
• 产品质量不行，用户就是经常跳出——优化产品流程/界面
• 匹配不行——根据用户和主播标签，提高推送信息准确度，找更容易转化用户的推送时间

以上，基本思路理清楚，后边可以定交付时间、排工作优先级、安排项目组成员，之后就正式开工了。

注意：在项目开始前，预先给出结果判断非常重要。

有可能上述4个假设问题里，有些运营已有明确结论，有些运营不想改/不能改/不会改，有些运营毫不在乎。

提前沟通能直接绕开这些沟沟坎坎，极大的减少分析完以后被人质疑：“你说的有什么用！”“你说的很好，可这毫无意义”“你说完了我还是不知道怎么干”的问题。保持沟通，在后续项目推进中同样重要。

四、下地干活

订好计划以后就能下地干活了。干活过程中注意：

• 完成一个议题沟通一次，切记憋大招。
• 有部分共识以后，不用等全部结束，可以直接往战斗级推进，早日出落地成果。
• 监控数据变化，如果大形势变化，适时调整方向。

我们常说：好的开始是成功的一半。实际上在数据分析项目里，好的开始是成功的四分之三。大部分项目是败在前期的业务不了解，思路没理清，没有控制好业务方期望上——期望太高，最后失望/期望太低，后期重视度不够。

真正开工以后主要坑点就是沟通太少，憋得太久导致期望值越来越高，最后失望也越来越大。其次的坑点就是推进太慢，落地结果迟迟看不到。所以才强调：不用等全部，有部分亮点出来，该上更细节的分析/策略研讨，就直接上马了。

五、最后思考

本题是运营没有预设前提的情况下进行的。因此，探索性分析成分很多，分析逻辑相对复杂。如果运营有预设前提，比如：

• 我们怀疑是因为主播不行导致用户观看时长不够；
• 我们想更精细了解用户观看直播的需求来拉动观看时长；
• 我们想搞一个看10分钟有抽奖的活动来拉动观看时长。

大家思考下，该怎么回答。在思考之前，先思考“这三个问法本身有什么区别，会导致开展项目的时候有什么侧重点差异”。

如果大家感兴趣的话，我们选其中一个来深入分享，敬请期待哦。

#专栏作家#

接地气的陈老师，微信公众号：接地气学堂，人人都是产品经理专栏作家。资深咨询顾问，在互联网，金融，快消，零售，耐用，美容等15个行业有丰富数据相关经验。

本文原创发布于人人都是产品经理。未经许可，禁止转载

题图来自Unsplash，基于CC0协议