公開課筆記 | 從0到1搭建數據運營體系

隨著精細化理念的不斷深入人心，「數據運營」 這一概念得到了大家越來越多的重視。但是什麼是正確的數據指標，如何正確地採集數據，如何用數據驅動業務增長？這些常見的數據迷思，困擾著大多數的產品、運營、市場甚至管理層。

今天這篇文章，就跟大家分享一下如何搭建一套正確、高效的數據運營體系。

一、什麼是數據運營

「數據運營」 有兩層含義。

狹義指「數據運營」這一工作崗位，它跟內容運營、產品運營、活動運營、用戶運營一樣，屬於運營的一個分支。從事數據採集、清理、分析、策略等工作，支撐整個運營體系朝精細化方向發展。近年來，越來越多的互聯網企業開設了「數據運營」這一工作崗位，主要分佈在一線運營部門。與數據分析師這一崗位不同的是，數據運營更加側重支持一線業務決策。

廣義指「用數據指導運營決策、驅動業務增長」的思維方式，即數據化運營。屬於運營的一種必備技能或者思維方式，泛指通過數據分析的方法發現問題、解決問題、提升工作效率、用數據指導運營決策、驅動業務增長。

數據分析已經成為數據運營的一項必備技能。

數據分析的百度指數趨勢

外部環境，從 2011 年到現在，數據分析的百度指數持續上漲。2014 - 2015 是重要節點，原因是從 09 年移動互聯網開始以來，隨著智能手機第一波換機潮和第二波換機潮，帶動移動互聯網發展。大量的企業入場，讓增長的成本變得非常高，於是通過數據分析的精細化運營，變得越來越重要。

運營工作的數據分析要求

從招聘上也能看出來，目前市面上許多公司對於運營的 JD（職位描述），無論是內容運營、產品運營、活動運營還是用戶運營，都要求數據分析能力。

（二）數據運營的職責

我們找了 100 篇數據運營招聘 JD（職位描述）文本的基礎上，使用 R 對其進行分詞，並且繪製了詞雲。

通過這個詞雲不難看出，「數據分析」是數據運營的核心工作，右邊的表格展示了排名靠前的關鍵詞及其出現的頻次。

「數據分析」這個詞在100個 JD 中出現了106次，遙遙領先。接下來是分別是「分析報告」、「提供數據」、「數據報表」等詞，這也說明提供數據報表、分析報告是數據運營的重要工作。搭建「數據指標」、及時「發現問題」、提供「解決方案」也是 JD 中的高頻辭彙，這樣看數據運營崗位的具體職責就一目了然了。

總結起來，我們將其歸納為數據規劃、數據採集、數據分析三大層次。

• 數據規劃：收集整理業務部門數據需求，搭建數據指標體系；

• 數據採集：採集業務數據，向業務部門提供數據報表；

• 數據分析：通過數據挖掘、數據模型等方式，深入分析業務數據；提供數據分析報告，定位問題，提出解決方案。

下面我們就從這 3 個環節去展開，詳細地為大家講解如何搭建一套正確、高效的數據運營體系。

二、數據規劃

數據規劃是整個數據運營體系的基礎，目的是搞清楚「要什麼」。只有先搞清楚目的是什麼、需要什麼樣的數據，接下來的數據採集和數據分析才能更有針對性。

數據規劃有兩個重要概念：指標和維度。

指標（index），也有稱度量（measure）。指標用來衡量具體的運營效果，比如 UV、DAU、銷售金額、轉化率等等。指標的選擇來源於具體的業務需求，從需求中歸納事件，從事件對應指標。

指標體系

指標分為數量型指標和質量型指標，Web 的 pv、uv、訪問量，App 的 DAU、NDAU 等等，都是數量型指標；平均訪問時長、訪問深度、跳出率等等這些是質量型指標。

1.如何選擇核心指標

在這裡我們引入一個概念——OMTM，OMTM（One Metric That Matters） 唯一重要的指標，也稱為北極星指標。

選擇 OMTM 的四大標準：

• 和商業目標緊密結合；

• 反映客戶的價值需求；

• 指標簡單易懂；

• 能夠計算匯總 。

選擇錯誤指標的案例

這裡我們可以引用一個案例，著名的視頻社交分享應用 Viddy，授權可以通過登錄 Facebook 來創建帳號和分享，就跟國內常見的各種 App 中微信、QQ 等第三方帳號一樣。

前期他們以「創建賬號的數量」來作為核心指標，我們可以看到在做了授權 Facebook 登錄后，2012 年上半年訪問量飆升，但是到了 2012 年下半年訪問量暴跌。這就是問題所在，Viddy 的員工認為賬號創建數量是一個正確的指標，所以他們拼盡全力去提升這個指標。實際上，他們並沒有發現業務的重點。

與之相對比的，谷歌+ 用自己的方法把用戶提升到 1.7 億，方法就是把有趣的內容放到郵件中和好友分享。谷歌+ 專註於「前往谷歌+ 並且每周至少分享 2 個更新信息」的用戶數量指標，他們專註於向用戶傳遞產品的價值，而不是僅僅提升某一個數字。

2.如何規劃核心指標

電子書落地頁舉例

以我們 GrowingIO 做的電子書下載落地頁舉例。

指標的選擇來源於具體的業務需求，從需求中歸納事件，從事件對應指標。

選擇指標的步驟

從落地頁的業務需求開始，分析選擇指標的過程如下。

通過上述分析，得出下載量是 OMTM（第一重要指標，One Metric That Metter）的結論。同時，整個指標體系包括訪問流量、CTA 點擊率、註冊轉化率三個可操作的指標，基於可操作的指標，才可以更好地優化核心指標。

（二）維度

1.什麼是維度？

維度是用來對指標進行細分的屬性，比如廣告來源、瀏覽器類型、訪問地區等等。

維度分類

2.多維度分析

流量猛增現象

舉個例子，我們在每天觀察數據的時候，突然某天下午 5 點流量暴增，我們想查找出原因。

按照「訪問來源」分析

首先從訪問來源維度拆解，我們發現從 5 點開始，主要是微信的流量突然上漲。

按照「落地頁面」分析

然後我們從落地頁面維度拆解，就可以發現流量主要落地頁是 E 和 G 兩個頁面。

最後我們就可以得出結論：下午 5 點從微信突然湧進大量流量到 E 和 G 頁面，與內容的同學同步了一下，是他們在微信上推了一個落地到 E 和 G 頁面的活動。

3.如何選擇分析維度？

選擇維度的原則是：記錄那些對指標可能產生影響的維度，以及盡量記錄全面的、多維度的數據。

磨刀不誤砍柴工。數據運營需要和業務部門（市場、銷售、運營、產品等等）不斷溝通，只有做好數據規劃，接下來的數據採集和數據分析才能更加高效。

數據採集是數據分析的基礎，傳統的數據採集是一件非常花時間、精力、人力的事情，對於很多企業來說是一個巨大的門檻。過去數據分析整個流程經常是 80% 的時間在數據採集上，只有不到 20% 的時間是用於數據分析的。

（一）採集什麼數據

趨勢變化

從流量為王的互聯網上半場，到流量越來越貴的互聯網下半場，獲取用戶的成本越來越高， 2013、2014 年左右，工具類 App 激活一個用戶的成本才幾毛錢，兩年不到，獲取一個下載的成本就到了幾塊錢。金融類 App 一個激活用戶的成本可以達到上百元。

所以企業開始從粗放式運營向精細化運營轉變，關注的數據也從單純的渠道流量數據，增加了更多對用戶行為數據的分析。

目前來看，對用戶行為數據的採集成為了數據運營較為看重的部分。

事件組成元素

用戶行為是由一個一個事件（event）組成的。這些事件包括時間、地點、任務、人物、內容、交互。

（二）如何採集數據

1.數據採集方案

數據採集方案

目前有三種常見的數據採集方案，分別是埋點、可視化埋點和無埋點。

埋點採集

埋點，也稱打點，通過在產品（網頁、APP等）中手動添加統計代碼收集需要的數據。打點又可以細化出前端打點與伺服器打點。假如要收集用戶註冊數，就需要在註冊按鈕處載入相應的統計代碼。Google Analytics（谷歌統計）、百度統計等工具採用的就是這一方法。

但因為埋點的工程量大、周期長，而且容易發生漏埋、錯埋的情況，所以成為了數據從業者的一大痛點。

可視化埋點

可視化埋點是埋點的延伸，通過可視化交互的方式來代替手動埋點。這種方式降低了用戶使用的門檻，提升了效率。

但無論是埋點還是可視化埋點，數據運營都需要起到承前啟後的作用：收集業務部門數據需求，撰寫需求文檔，向工程部門提交埋點需求，本質上還是一種埋點方案。

無埋點

無埋點顛覆了傳統的「先定義再採集」的流程，只需要載入一個 SDK 就可以採集全量的用戶行為數據，然後可以靈活自定義分析所有行為數據。用戶行為數據分析產品 GrowingIO 採取的就是無埋點的技術方案。前段時間，國外的 Mixpanel 也推出了無埋點解決方案。

相比於埋點，無埋點成本低、速度快，不會發生錯埋、漏埋情況。無埋點正在成為市場的新寵，越來越多的企業採用了無埋點方案。在無埋點情景下，數據運營可以擺脫埋點需求的桎梏，將更多時間放在業務分析上。

比如使用 GrowingIO 的圈選工具，需要哪裡的數據，圈選一下就可以立即獲取，省去了手動埋點等待發版的漫長流程，同時不會發生錯埋、漏埋的情況。

2.數據可視化

數據經過收集處理后，下一步就需要可視化，數據可視化在運營應用中的主要形式包括：圖表、圖形、數據看板，

搭建數據看板（ Dashboard ）是除了數據報表之後又一項工作，是指將關鍵業務指標（KPI）和相關數據指標顯示在一個面板中，以可視化圖形的方式展現出來。數據看板往往和企業的 BI 系統連在一起，屬於數據可視化的部分。

數據看板

上圖是用數據分析產品 GrowingIO 做出的看板，每個人，或者說每一項業務，都需要最直觀的將數據展現出來，並且根據圖表層層下鑽，發現問題，所以可以自定義的看板非常重要。

四、數據分析

數據分析是數據運營的重點工作，前面的數據規劃和數據採集都是為數據分析服務的。最終目的是通過數據分析的方法定位問題，提出解決方案，促進業務增長。

所以這也是為什麼我們要推薦無埋點的原因，因為我們希望改變以前「80% 的時間用於採集和清洗數據，不到 20% 的時間用於數據分析」的情況，變成「80% 的時間用於數據分析」，把時間花在更有價值的事情上。

分析方法和運用場景

選擇什麼樣的數據分析方法要和業務場景相結合，上面這個表格匯總了目前常見的運營數據分析方法及運用場景，比如我們投放廣告、追蹤渠道用的 utm，分析轉化的漏斗等等。

不同於數據分析師，數據運營崗位弱化了對編程統計的要求，更加強調在現有工具基礎上靈活使用分析方法。下面我們列舉一下常見的數據分析方法。

（一）數據分析方法

1、維度細分

維度細分

孤零零的一個數據指標，是很難發現問題的。我們需要從多個維度出發，比如地區、平台、瀏覽器、訪問來源等等，拆解指標，定位問題。

2、漏斗分析

用戶在使用產品的過程中，天然存在著系列轉化路徑，例如註冊、下單、下載等等。運營需要各個路徑的轉化率，包括總轉化率及每一步的轉化率。

轉化漏斗工具以可視化的方式將轉化路徑的每一個步驟都展示出來。運營人員可以重點關注流失最大的環節，因為這往往是優化工作 ROI 最高的地方。

除了橫向拆解每一步的轉化率，我們還可以從時間維度觀察每一步轉化率的變化趨勢。

漏斗分析

比如，通過上圖不難發現，某日註冊環節第一步轉化率大幅度下降，從而影響到整體的轉化率。

3、熱圖

熱圖是很常見的一種數據分析圖表，也稱熱力圖，是以特殊高亮的形式顯示用戶頁面點擊位置或用戶所在頁面位置的圖示。藉助熱圖，可以直觀地觀察到用戶的總體訪問情況和點擊偏好。

目前常見的熱圖有 3 種：基於滑鼠點擊位置的熱圖、基於滑鼠移動軌跡的熱圖和基於內容點擊的熱圖，三種熱圖的原理、外觀、適用的場景各有不同。

熱圖分析

上圖是基於內容點擊的熱圖，如數據分析產品 GrwoingIO 熱圖，記錄用戶在網頁內容上的點擊，自動過濾掉頁面空白處（沒有內容和鏈接）的點擊。基於內容點擊的熱圖，追蹤內容變化而變化，記錄相對時間內用戶對內容的點擊偏好。

（二）數據驅動流程

很多明星公司都在數據驅動中發明了很棒的技巧，但是任何技巧都有自己的生命周期。往往當你發現一種技巧的時候，它已經淪為行業標配了，而且也不一定和你的業務相匹配。所以與其依賴技巧，不如依賴流程，這樣團隊才可以像機器一樣高效運作。

在數據分析中，最重要的一點，就是要建立數據驅動的流程。完善的流程可以幫助你快速定位問題、解決問題。從設立增長指標開始，找到小的聚焦領域，分析數據、提出假設、排優先順序、開展實驗、分析優化，不斷循環，直到找到問題所在，並且推動指標改善。

• 明確目標；

• 根據目標去分析目前的情況以及存在的問題；

• 提出可能解決目前問題或者實現目標的想法；

• 排列一個想法測試的優先順序；

• 開始測試，通過試驗來驗證或者推翻想法。

五、案例分析

下面通過一個實際的案例，來分析在實際業務中，「如何搭建一套正確、高效的數據驅動運營體系」。

我們在內容運營中，做了內容專題落地頁，希望能夠追蹤落地頁的效果，並且優化頁面。

內容落地頁全貌

左邊是落地頁的全貌，包含落地頁必備的三大部分：英雄出擊（Hero Shot），用戶益處（Benfits） 和用戶號召（Call to Action）；右邊是落地頁首屏。

（一）數據規劃

整個內容落地頁，最終是希望更多的用戶完成下載行為，所以「電子書下載量」是我們的 OMTM，通過對這個指標進行拆解，我們得到了下面這個公式：

下載量 = 訪問用戶量 * CTR * 註冊轉化率

落地頁的兩種類型：點擊落地頁和線索產生落地頁。這個落地頁屬於點擊落地頁，它是起流量分發的目的，為線索產生落地頁提供流量。

結合我們做內容專題的目的，【下載電子書】點擊率，也就是公式中的 CTR。

通過無埋點的圈選採集數據，根據指標建立整個落地頁的看板。

數據看板

（三）數據分析

數據分析的兩個層面

數據分析分為定量分析和定性分析。

1.定量分析

定量分析在增長中很重要，起指導方向的作用。它會告訴你什麼地方有機會增長，什麼地方可以做測試。其次是衡量結果，幫助你調整方向。

落地頁的定量分析

我們做增長很多時候是想影響和改變用戶行為，但要記住一點，一個用戶永遠是一個人，不只是一個數據。有時候需要通過一些數據觀察結果，但有時候定性分析也非常重要。

2.定性分析

a.頁面主色調不夠鮮艷，文字和背景對比不突出；

b.文字信息排版太稀疏，一個頁面看完需要多次下拉。

3.提出假設

a.更換落地頁背景色，有助於降低跳出率；

b.增加更多【下載電子書】按鈕，有助於提升點擊率；

c.將電子書圖片添加鏈接，有助於提升轉化率；

d.減少頁面空白，增加信息密度，有助於提升轉化率。

4.排優先順序

如何評估我們的想法是否可行？以及哪個想法應該優先測試？

增長黑客之父 Sean Ellis 總結了一套評估方法–––ICE，分別從 Impact （影響力)、Confidence（自信心）、Ease （難易度）三個角度去打分。

首先是影響力（Impact），這個想法對我們業務增長的作用有多大；如果影響力非常大的話我打10分，如果影響力微弱的話打2-3分。

其次是自信心（Confidence），是否確定這個想法能夠有效。同樣是從1-10打分，10分表明你有足夠自信說明這個想法是有效的。

綜合以上三個角度，我們可以排出比較合理的優先順序。於是我們把「將落地頁背景顏色換成主頁色調」和「新增2個【下載電子書】的banner」這兩條作為高優先順序，開始實驗。

5.開始實驗

1）實驗 1- 落地頁更換背景色

實驗 1 改版

改版后的數據情況驗證了我們的想法，跳出率從 0.36 降低到 0.12，「下載電子書」轉化率從 0.48 提升到 0.61。

2）實驗 2 - 新增 2 個【下載電子書】的 banner

實驗 2 改版

改版前我們是 2 個 CTA Banner，我們增加到 4 個，保證每一屏瀏覽後有個 CTA，實驗后的數據跳出率從 0.12 到 0.13，這是正常的數據波動，轉化率從 0.61 提升到 0.83 。

把兩次實驗的數據進行分析優化，然後實驗驗證其他假設，經過其他假設一一反覆多次實驗，整體轉化率提升了 124% 。

由此，我們得出實驗和增長的正相關關係。下面也可以舉兩個國外的例子說明。

增長舉例

Twitter 曾經也獲得了非常快的增長，但是中間停滯了。2010年，Twitter 成立了一個新的團隊。來了一個新的產品VP，他覺得 Twitter 測試的量不夠。『我們幾個月了才做幾次測試，這太少了，我們必須每周做至少十次測試！』加快測試的頻率后，Twitter 的增長就恢復了。

GrowthHackers.com 也有類似的經歷，在增長的瓶頸期，創始人發現測試的數量太少。於是 Sean Ellis 告訴團隊必須保證每周至少三次測試。做了這個改變之後，他們就容易更快地發現問題、解決問題，增長的速度也更快了。

以上就是本期公開課的全部內容。

想要了解更多數據運營相關內容

《數據運營手冊》

GrowingIO 2017年第2期

一本書搭建數據驅動運營體系

系統、全面介紹數據運營能力