極簡數據分析法：如何用數據視角洞察真相

文|李少加（《進化式運營》作者） 插畫|高效芸

對職場精英而言，「事實」永遠比「主觀判斷」更重要。

「數據分析」能力儼然已是當下各行各業精英的標配能力。

那麼，數據分析到底為何物？我們又該用數據之眼洞察真相，進而以「數據驅動增長」？

本文，李少加將以「公眾號數據分析」為例，無論你是否為運營人，都將從中獲得全新的數據思考視角。

如果說，去年下半年起，廣大公眾號運營者就已經嗅到絲絲寒流，那今年以來，則可說是暴風雪前夕——大量公眾號出現各種退化現象（不妨翻下一些公眾號歷史數據即可發現）：

• 冬粉量明明還在增長，整體閱讀量卻下降

• 冬粉量雖在增長，但增速明顯變慢、停滯

• 以往屢試不爽的吸粉活動好像效果也微乎其微

• ……

順其自然？當然不。

在當下商業競爭的叢林世界中，「勝利」永遠只有一個標準：比別人跑得「更快」。

因此，革新、自我進化永遠都是唯一的出路，一種生存常態。

對，這就是拙作《進化式運營》書名的由來

但是，問題來了。

當我們努力進行各種內容革新，比如定位調整、內容層次優化、內容創新、活動升級等等時……

究竟怎樣才能知道「改變」究竟是變好了、還是變壞了、還是不溫不熱？

對，就是大家平常用來「看冬粉增了多少、看閱讀量、看轉發量、收藏量」然後就好像再沒啥作為的公眾號後台的那一小丟丟「數據」。

這個「利用數據洞察真相」的行為，江湖人士往往美其名曰：數據分析。

然而，這個稱呼李少加認為極具誤導性。

因為，數據的真正用法不是分析驅動，而是「設計」驅動。

下面，在正式進入公眾號數據分析前，我們不妨先花3分鐘時間科普個數據分析的正確用法：

一、數據分析的科學姿態：設計模型在先，分析結論在後

從運營視角來看，本質上，所有的「高階運營」無非只做兩件事：

• 當運營數據的增速滿足目標時，則做提升運營效率的工作：比如，讓運營過程流程化、標準化，以此提升效率

• 當運營數據不滿足目標或想進一步提升增速時，則做提升運營「效度」的工作，比如，持續「採納新的運營策略」，並「快速驗證」策略的有效性

在當下以及未來漫長的時光里，絕大部分公司，尤其是身處互聯網叢林深處的運營人士，更需要做第二類事情：

提升運營效度——即不斷通過數據驗證運營創新是否可行。從而比對手跑得更快，比昨天的自己跑得更快。

這才是數據的最大用武之地：驗證新策略的有效性。否則任何運營創新無異於閉著眼睛上戰場，瞎打一通。

注意：本文所指的數據是特指企業內部的「小數據」，它與目前市場火熱的大數據概念有著本質的區別，切莫混淆。

由此，我們不難推測，數據的標準用法從來就不是：攀比誰的演算法牛逼，誰的工具裝逼，更不是比誰的可視化效果漂亮……

數據的標準玩法應當具備下述簡單清晰的5個步驟：

聲明：由數據挖掘跨行業標準過程CRISP-DM演化而來

1.確定你想驗證的核心指標

2.設計一個能夠驗證該指標變動的可靠數據模型

3.實施新的運營策略

4.收集測試前、測試后的環比周期數據

5.將數據代入模型公式中進行驗證

由此可見，所謂公眾號「數據分析」的第一步，應當是先問自己一個更底層更核心的問題：

於公眾號運營而言，我們真正該關心的數據指標是什麼？

然後再基於這個核心指標去「設計數據驗證模型」。

對於不同行業、不同戰略地位、不同變現模式的公司，其公眾號運營核心指標往往是不同的。

但整體而言，李少加在拙作《進化式運營》中曾提出的公眾號商業價值公式：

此公式中提到的三大核心指標對所有公眾號運營無疑都是極端重要的。

下面，又到我們的示例時間。

李少加將依據上述公眾號商業價值公式的核心指標作為目標，示例3個數據驗證模型，拋磚引玉。

一個公眾號商業變現價值的質量取決於「公眾號對其自身冬粉的影響力」。

但是，「對他人影響力」這個指標非常籠統，我們該如何設計數據驗證模型呢？

我們可以從忠誠冬粉行為的蛛絲馬跡中捕獲相關數據。

一般一個公號忠誠冬粉最典型的行為有哪些呢？我們運營方能看到的，那必然是：

李少加在「少加點班」公眾號進行過為期一年的統計：上述兩類冬粉的掉粉率是整體掉粉率的1%左右，充分證明，將其作為「忠誠用戶」的參考變數是靠得住的。

這種統計方法豈不是忽略了「沉默的忠誠用戶」（即雖然背後默默支持，但既不打賞也不留言）？

那麼，還有哪些參數能夠作為評估「公眾號影響力」的指標呢？

另一個參數則是每篇推文的「收藏量與閱讀量的比值」。考慮到「運營效益最大化」原則，李少加認為，前面兩個參數已經能充分反映出內容策略究竟是否變好了，因而這個參數可視為備用指標。

那怎麼統計這兩個參數呢？

打賞人數很容易統計，後台直接可以查到，統計一個時間周期的打賞人數即可，而「正向留言」的用戶數，因為需要主觀判斷，李少加在拙作《進化式運營》中拋出的思路是：

利用公眾號後台的「標識功能」對用戶進行標識處理，進而可以在「用戶分析」欄中找到統計數據。

比如下圖評論則顯然是一個正向留言：

而我們只需要在公眾號後台用滑鼠移動到該冬粉名上，在彈出的標籤窗口中點擊下圖所示出，打上標籤即可：

下面做個簡單示例：

假設我們在4月份對公眾號內容主題進行了微調，然後想知道新的定位跟舊的定位誰更好，那麼，我們就可以：

當然，調整的這兩周盡量要避開大假期、或其他相關大事件的影響。

將兩周數據匯總到下表，示例如下：

至此，我們可以簡單依照下述模型公式分別計算下調整前、后，各自一周的「影響力數值」：

我們可以設計一個簡單的量化公式，如下：

新增影響力指標 = 留言冬粉*權重 + 打賞冬粉*權重

這就轉化成國小數學問題了，套用上述計算下：

調整前，一周的影響力指標=192*1 +92*1.5=330

調整后，一周的影響力指標=357*1+248*1.5=729

由於調整后這段時間還受到冬粉自然增長的正面影響，因此建議對調整后的影響力值（729）再扣除掉約2%的正向影響。

因此，修正后的調整后影響力指標約為：729*98%=714

整體影響力之差約為：714-330=384,這相比調整前一周的影響力(330)，足足提升了116%，充分說明了內容定位調整后的正確性。

當然，這個模型、公式、權重等都非常靈活，畢竟我們的目標是「對比」，而不是深究量化的指標精準度問題。

上述的「對用戶影響力」指標的數據驗證模型主要適合的情況有：

• 內容定位調整

• 內容風格調整

• 商業化變現前後（即驗證變現行為是否傷害了忠誠用戶的感情）

下面，再示範下另一個公眾號的核心指標：用戶活躍度應該怎麼驗證

因此，在運營公眾號過程中確保活躍率是否健康、是否持續提升就尤為重要了。

那麼，我們應選取哪些指標作為用戶活躍的考慮參考因素？

是常見的閱讀數、點贊數、打賞數、收藏數、還是轉發數、留言數？

李少加認為，以上都不是。

• 閱讀完整率，即閱讀完文章的人數與閱讀總人數的比值；

• 普通留言比率（剔除掉負面留言），即當天留言人數與閱讀總人數的比值；

• 點贊比率，即當篇文章點贊人數與閱讀總人數的比值（閱讀完的人才會發生點贊行為）；

我們只需分別統計一個周期內，上述指標各自的「均值」即可。然後彼此獨立與前一個周期的同一指標對比，看看是否三個指標各自都有所增長，彼此交叉驗證。

當然，為顯著提升數據差異，用累積平方和之差再開方也行。李少加認為，我們的目的是對比哪個內容策略更好，只要能夠比較即可，故均值就能滿足要求。

下面進行示例。

假設某位姓馬的老闆投資了「少加點班」，於是我公眾號在4月份將內容層次整體提升了一個水平，然後我們想驗證下這種高水平的內容是否更符合用戶對內容的偏好，於是，我們同樣抽取四月份跟三月份的某一周的數據進行對比：

我們先統計下每篇推文留言比率的變化：

從上表可以看出，內容提升后留言平均比率比之前的變化幅度：

（2.8%-1.8%）/1.8%=55.5%

提升率超過了50%，這初步說明內容層次提升對用戶活躍起到了明顯的成效。

緊接著再看下每篇推文點贊比率的變化：

從上表可以看出，內容提升後點贊平均比率比之前的變化幅度：

（2.2%-1.5%）/1.5%=46.7%

提升率將近50%，交叉驗證了上述留言比率數據並無異常，亦說明內容層次提升起到了明顯的成效。

最後，我們再看下閱讀完整率是否因為內容質量提升而有所下降（畢竟這年頭曲高和寡的現象廣泛存在）

這時候，有經驗的運營人可能會問，公眾號後台哪有閱讀完整率的數據啊？

嘿嘿~這時候我們就可以利用「流量主」功能啦，流量主裡面的「曝光數」幾乎就等於完整閱讀完文章的人數了。

之前個別人對我放開廣告的行為表示不解，我目的是為了統計閱讀完整率，僅此而已。

當然，如果你的公號暫不具備開通廣告展示功能，亦可以在文章末尾設計一個簡單的投票，變相獲得閱讀完整率。

比如，可以詢問「覺得本文對你收穫大么？」通常閱讀完的人都會順手投個票，哪怕存在前述的「沉默用戶」，於「對比」而言，對兩個周期的影響是一致的，因而依然可行。

通過上表數據，我們可以簡單計算出，內容提升后閱讀完整率的均值比之前的變化幅度：

（35%-33.3%）/35%=4.8%

好奇的朋友可思考下：

此處為何採用「比率」而不直接用「數值」；又為何不將「轉發比率」納入參考因子中，想不透的可在「少加點班」後台回復「答案201704」即可查看。

通過這兩個例子的分析，相信各位已經對「如何善用公眾號後台數據」有個強烈的認知了。

前面談的都是基於「新的內容策略」對公眾號核心指標是「變好還是變壞」的驗證，屬於大刀闊斧的動作。

但是，現實中我們在運營公眾號時經常會做一些局部的，如春風拂面般的輕量級優化，那麼面對輕量級優化我們又是否有更輕量級的數據分析策略呢？

下面，李少加再分享一個簡單的玩法：

如何設計一些方法，局部優化公眾號某一核心環節的轉化率。

四、公眾號局部優化的效果驗證

看過《進化式運營》的朋友應該對「用戶視角」思考運營問題的方法論感觸很深。

我們想下，對於公眾號的新冬粉而言，當他初次關注公眾號時，通常會推送一批新關注引導語，比如公眾號「混子曰」剛關注時會收到自動推送的圖片：

大家是否想過，這其實是一個絕佳的「推薦機會」？

抱著這個念頭，李少加設計了兩套新關注引導語。因此，需要測試哪套引導語能夠更好的提升新用戶對公眾號的印象，進而增加對歷史內容的瀏覽量，並最終提升內容的流動率。

這意味著，讓歷史推文、那些優質內容能夠再次煥發青春，這無疑能夠增加流量，增加被轉發、曝光的幾率，同時也能被動的提升公眾號價值公式中：用戶活躍率、公眾號對其影響力，這兩個核心價值指標。

一次極小成本的投入即可獲得一勞永逸的運營效益的提升，何樂而不為 ?

那麼，我們應當如何衡量引導語好壞呢？

李少加常用的策略，通過「菜單點擊率」的變化判斷。

很多運營人都不咋用這個數據，著實可惜

優秀的「關注引導語」必然能夠提升冬粉對公眾號的「探索」熱情，而探索必然是通過菜單的點擊來完成。

故此，我們同樣可以摘取兩個不同的引導語，在某一時間周期內，每天新增冬粉的數目、每天菜單的點擊人數，然後計算每天菜單點擊人數與新增冬粉的比值，最後算下平均值（為了削弱特殊情況的噪音影響）

示例如下：

我們不難計算出，B版本引導語的菜單點擊平均比率比A版本提升了：

（0.69-0.49）/ 0.49 = 40.8%

孰優孰劣一目了然。

全文總結

我們經常會看到「數據驅動增長」的說法，但切勿望文生義的奢望數據本身能夠驅動用戶增長。

而「數據」只是為我們的各種新的運營策略是否「變好」提供了及其重要的客觀參考，是我們判斷真相的「眼睛」。

這才是「數據驅動增長」的內涵：用數據科學的指導、優化工作

當然，對於「少點加班」的各位熱衷思考的讀者朋友們，必然明白本文的思路遠不止於應用在公眾號數據分析的範疇。

無論你是做產品運營、做市場分析、客戶分析、做內部人力資源管理、行政管理甚至是炒炒股分析行業下的變化，或者分析你的阿貓阿狗是否喜歡新的玩具……都可以靈活應用本文的思路：

• 明確需要「試驗的新方法」

• 思考強關聯的數據參數

• 設計評估方法

• 獲取數據，套入模型

• 對比新方法是否「更優」

最終作出科學的判斷：是固化新方法呢，還是繼續探索更好的策略。

通過本文也可以側面看出，對於廣大運營人而言，「思考力、想象能力、建模能力」遠比許多人認為的重要得多。

如果一個運營人只渴望尋找可以模仿、借鑒、拿來即用的套路，那麼他被運營界淘汰出局只是時間問題。