六步搭建數據化運營知識體系

數據化運營的概念隨著大數據時代的到來被炒得越來越火熱，提到數據分析、數據運營讓很多產品、運營新人覺得瞬間高大上很多。隨著數據概念的火熱，如增長黑客、GrowingIO等一系列的數據分析指導產品增長的書籍、產品變得越來越受人追捧。對於互聯網行業來說，無論是產品經理還是運營，都需要具備一定的數據運營能力，本文將幫助沒有數據化思維的小夥伴搭建基礎的數據化運營體系。

本文會按照上圖中的數據化運營業務流程進行分析，從明確目標、數據指標制定、數據獲取、數據分析、形成策略、驗證優化這六個方面來搭建數據化運營的知識體系。

一、明確目標

任何一次有價值的數據運營行為都是由目的性的，這個目的可以是短期、一次性希望達成的目標，也可以是長期性、周期性希望達成的目的。無論如何一定要有目標，目標指導數據運營的思路和方法。

1.1數據化運營的本質

這裡先拋出數據化運營的本質：數據化運營的本質是對用戶的運營，數據都源自於用戶的屬性和行為。

為什麼數據化運營本質是用戶運營？拿增長黑客中海盜船模型來說，產品生命周期全過程就是一個用戶獲取、用戶活躍、用戶留存、付費轉化、口碑傳播的閉環流程。這流程中每一個節點其實都是對用戶行為的激發以完成每一個階段的目標。產品所獲取的數據也都是用戶使用產品生產的數據，所以數據化運營的本質就是通過用戶行為分析指導產品成長。

1.2數據化運營的目的

上面提到每一次數據運營任務都要有目的性，那麼根據數據運營場景劃分，大致可分為以下4種：

1.針對具體某一指標進行數據化運營

這種情況往往出現在boss要求短期內實現數據指標量級上的一個跨越，如新增用戶達到100萬、活躍率達到30%，留存率達到20%、轉化率達到5%等等。

這類數據化運營目的是短期或一次性的，通常通過對數據分析找到用戶刺激方式，如活動等讓產品短期內迅速達到指定目標。

2.掌握產品生態

掌握產品生態指將數據運營應用到日常工作流程當中，當做日常生產流程中的一部分。這樣做的目的主要是通過數據沉澱、數據分析了解產品的用戶群有哪些，用戶分類是什麼情況，利用產品對用戶的精細化運營。

此外還有一個目的就是了解產品生態的上下游，如上游用戶獲取情況，下游用戶的轉化和分發情況，對於平台類產品或需要上下游業務支撐的產品來說，對於產品後期發展有很大的價值。

3.發現潛在方向

大數據時代，尤其是大數據產品的需求發現往往是通過數據分析結果發現用戶需求，從而衍生出來解決用戶需求的產品。所以，有些情況下通過對數據的分析可以發現更多用戶沒有通過表象展現出來的問題和痛點。拿數據挖掘中經典的啤酒尿布案例來說，就是通過對用戶購買數據的關聯性分析，從而發現了尿布和啤酒兩個看似毫無關係的物品之間的潛在聯繫，從而通過一定的運營策略提升兩者的購買量。

所以通過數據化運營，也可以找到用戶的潛在需求，從而誕生一款解決用戶問題的新功能或新產品。

4.通過問題解決問題

某婚戀網站近期有大量用戶投訴有女性用戶作為酒託賣酒，作為產品的負責人，需要去解決酒托用戶問題，減少用戶投訴。那麼如何通過舉報的女性用戶去定位更多的酒托呢？

首先通過問題去定位數據，找到被舉報的酒托用戶行為數據和屬性，發現這類用戶近期頻繁添加大量男性用戶，每次同時與多個男性用戶同時聊天，並且聊天時間較短。結合用戶行為及用戶屬性，從用戶資料庫中定位疑似酒托用戶，再通過數據監控去識別是否為真實酒托。

上述這個案例就是通過問題去定位數據，通過數據運營找到解決問題的方法，從而更好的解決問題。

二、數據指標制定 2.1明確指標

在這裡要區分宏觀指標和可行動指標的區別：

宏觀指標，通常是boss或leader提出的指標，這類指標一般沒有可執行性，如leader分配任務要求你本月讓產品盈利20萬。這個指標並沒有實際指導價值。

可行動指標，通常是可以執行的指標，如通過微信引流新用戶10萬，提升付費轉化率到5%等，這些是可以找到具體執行策略的指標。

在日常工作當中會經常遇到將宏觀指標轉化為可行動指標的問題，所以用什麼方法去對指標進行轉化就成為了核心問題。這裡推薦使用OKR指標拆解法，通過OKR體系，將宏觀指標進行拆解，分解成一個個可行動指標，通過對可行動指標的達成，最終達成宏觀指標要求。關於OKR指標拆解方法可參考網上結構化思維的相關介紹。

2.2指標構成

本文對常用的數據指標進行了總結和分析，請注意本文提出的所有數據指標都是基於常用和大眾的數據指標，根據不同的產品和不同業務請具體指標具體分析，不要盲目照搬套用。

1.基礎指標

基礎指標體系參考了AARRR模型的五個階段，

拉新：新用戶註冊數

活躍：用戶登錄數（日、周、月）

留存：流失用戶數（日、周、月）

轉化：付費用戶數

傳播：分享用戶數（微信分享、微博分享等，具體參考產品分享功能設計）

2.用戶屬性

用戶畫像，依據用戶屬性和用戶行為構建的用戶畫像，用戶畫像的目的是分析用戶行為特徵，對用戶進行分類，精細化運營用戶。對於社區產品可以有針對性的運營KOL用戶，對於電商產品可以對用戶做精準化推薦。

終端畫像，這裡的終端特指移動智能終端即智能手機，通過對用戶群終端分析，了解用戶群構成，如操作系統、手機型號等，更利用發現用戶行為偏好。

3.用戶來源

渠道分佈，用戶通過哪個渠道下載了APP，登錄並註冊APP。

渠道效果，每個渠道的獲取用戶數，轉化成為註冊用戶的數量，判斷渠道獲取新用戶質量好壞。

版本分佈，用戶使用APP不同版本的用戶佔比，通過分析可以判斷產品版本更新后是否出現造成用戶體驗過差的問題。

4.用戶行為

用戶參與度，用戶訪問頁面時間，頻率等。

行為路徑，即用戶完成某一個任務時經過了哪幾個頁面，做了哪些操作。

自定義事件，根據產品需求，對某一個特定的用戶事件進行數據統計分析用戶行為。

基於業務的漏斗分析，常見於電商用戶行為分析，從用戶登錄到最終支付的用戶流失情況，判斷在哪個環節出現問題以及時優化。

三、數據獲取

明確目標，定義好需要分析的數據指標后，那麼下一步就是依據數據指標提取數據了。產品在上線後會不斷積累、沉澱用戶的註冊、登錄、使用等各個維度的數據。在數據獲取階段要做的就是採集需要的數據，並且對數據進行處理已達到可以用於數據分析的效果。

3.1數據採集

數據的來源主要有兩種，一種是通過數據埋點，然後提取相應的數據欄位。另一種是通過用戶的使用日誌文件分析用戶數據及用戶行為。

埋點業內有兩種方式，一種是在產品設計階段通過提交相應需求由研發團隊設計底層數據模型時將需要在產品上線后特別注意的數據欄位進行標識。另外一種則是通過第三方統計平台，如GrowingIO等，這些第三方統計平台利用前端技術可以統計到大部分用戶行為數據，減少產品自身開發和改造，但是對於個性化的數據分析需求還需要通過產品底層的設計來滿足。

用戶使用日誌即用戶登錄產品后每一次操作都會被記錄下來，保證用戶的使用行為可以查詢，同時針對用戶的一些誤操作可以通過日誌文件進行恢復。

3.2數據處理

為什麼要做數據處理？有一點數據挖掘經驗的人可能會了解，實際生產環境下產生的數據並非是理想狀態下的，可能某一條記錄某一個欄位因為系統或人為原因造成了缺失，對於數據的不完整性也可能導致數據分析結果的不準確性，所以在數據分析前要對採集到的數據進行數據清洗和數據預處理。（如果對數據處理感興趣可以參見專業數據挖掘書籍中關於數據處理的章節，如《數據挖掘導論》）

1.數據清洗

數據清洗指對採集的不規範數據進行清洗，如對數據存在缺失的進行填充，對於數值性數據比較常用的方法就是選取數據前後若干天的數據取平均作為缺失數據值進行填充。其他可能出現數據不規範的現象還有很多，如對於用戶年齡欄位數據採集時發現個別用戶年齡欄位數值大於了100，就需要通過數據稽查去發現問題所在。

2.數據預處理

原始數據與數據分析需要的數據維度可能會有所不同，比如採集到的原始數據是按照天進行匯總的，但是數據分析需要的是按月匯總的數據。那麼在進行數據分析前，就需要將每個用戶的日數據進行匯總，得到每個用戶的月數據后才能進行分析。

四、數據分析 4.1數據分析框

專業的數據挖掘演算法有很多，如關聯分析、聚類分析、神經網路等等。在這裡不過多介紹，只是結合產品、運營日常工作場景介紹幾種常見的分析框架。

1.用戶畫像洞察

用戶畫像洞察是通過對用戶數據的聚合，將數據轉換成形象化的虛擬用戶模型。通過用戶畫像展現具有某一類特徵的用戶群體。將用戶群依據用戶畫像進行分類，為精細化用戶運營提供數據支撐。

同時通過對用戶畫像的構建也有利用產品經理、運營把握用戶。在進行功能迭代和活動運營時，可以有針對性的制定策略，提升效率。

2.用戶行為分析

用戶行為分析中最常用的就是漏斗分析模型，即用戶在完成某一項特定任務時要經過多個步驟，在每一個步驟中都會產生用戶流失，為了保證更多用戶順利完成任務，通過對漏斗模型的分析發現問題所在，優化關鍵步驟的用戶體驗，達成最終目標。

上圖中拿電商類產品和內容類產品作為舉例，一個用戶在成功購買某件商品或成功消費完某一內容前要經過很多步，這其中每一個環節都會造成用戶的流失。所以在進行漏斗分析時，可以觀察用戶在哪一個環節流失最為嚴重，然後針對相應環節進行分析，找到對應的解決方案，提升用戶的轉化率。

3.用戶行為分析

對用產品新上線的功能模塊，可以通過用戶行為分析來驗證新功能的好壞，使用用戶體量有多少，用戶在使用時是否在某些環節產生困擾，通過用戶行為分析來驗證功能效果好壞。

在對用戶行為分析時，要根據產品的具體業務流程設計分析方法，結合業務場景才能更多的發現問題。

上述介紹的三種數據分析框架是最基礎的，對於非專業領域的數據分析挖掘來說，數據分析方法首先要結合產品的業務場景，根據具體業務指導分析方法和分析流程。如果想達到好的分析效果，還要結合自家產品制定個性化數據分析方案。

4.2數據可視化

數據分析的結果往往都是枯燥的，無法讓領導或執行同事清晰理解，所以需要對數據分析結果進行可視化處理，讓領導明白數據分析的結果是什麼，讓同事明白根據分析結果如何進行下一步工作。

1.可視化方式

根據數據類型以及展現形式的不同，可視化方式有展現時間關係的時序圖；展現佔比的餅狀圖；展現數據分佈的柱狀圖等等。可參考《誰說菜鳥不會數據分析》、《深入淺出數據分析》等入門書籍。

2.可視化工具

簡單的數據分析工作用Excel就可以完成，複雜一些的有SPSS、Tableau等專業化數據分析工具。這裡還推薦一個Echarts，這本是一個前端圖表框架，但是簡單易用，通過對應的圖表模板，只需要將數據導入框架模板即可生成可視化圖表。

4.3數據報告

數據報告是對數據分析任務的總結，向上對領導彙報，向下與同事共同制定策略完成下一階段任務。

所以根據看報告的用戶不同，需要有針對性的調整其中部分內容。數據分析報告大致需要以下幾個內容：

分析背景

目標數據源選取

數據分析方法

框架數據可視化

數據分析結果&建議

本著具體問題具體分析的原則，根據數據分析報告的目的進行個性化完善。

五、形成策略

策略的制定取決於數據化運營的目的和數據分析的結果，通過目的和結果形成針對性的策略。

這方面每一次數據分析形成的策略都不一樣，所以在這裡不再進一步展開，根據具體問題以及具體的業務場景制定有效策略即可。

六、驗證優化

如同精益創業中MVP理論一樣，數據分析的結果生成的策略並非一定有效， 並不一定可以快速達到預期效果。

在策略執行的同時，通過數據的積累沉澱，監控相應數據指標情況，對策略進行優化，已達到最終的目的。

以上為數據化運營知識體系的六個組成部分，通過上述六個方面構成了數據化運營業務流程閉環。需要注意的是，任何數據化運營任務都要以業務為導向，依據具體業務場景選擇數據分析思路、方法。切忌，不要為了數據分析而數據分析，數據分析一定要源於業務。