對于數據分析，我發現很多運營都有這樣一些困惑：

1. 不知道從哪里獲取數據;
2. 不知道用什么樣的工具;
3. 不清楚分析的方法論和框架;
4. 大部分的數據分析流于形式。

其實，數據分析并沒有大家想象的那么難

[[182453]]

概念：數據與數據分析

大家一直在說收集數據和數據分析，但是對于兩者具體的定義又很難說清楚。很多人都會先入為主，認為數據就是各種表格、各種數字，例如excel報表、各種數據庫。其實這是一個錯誤或者說有偏差的認識，它會使得我們對數據的認識變得很狹隘。

1.什么是數據?

數據(data)是描述事物的符號記錄，是構成信息或者知識的原始材料。這種哲學層次的定義，讓數據的范圍極大豐富，也符合目前“大數據”發展的需要。

作為一名運營人，我們接觸到的數據可能沒有那么復雜，但是也有很多類別。

從數據的來源來看，可以分為企業外部數據和內部數據。外部數據主要包括宏觀經濟、新聞輿情、社會人口、和市場調研數據;內部數據包括用戶行為數據、服務端日志數據、CRM與交易數據。不同數據的獲取途徑、分析方法、分析目的都不經相同，不同行業、不同企業在實際分析中也都各有偏好。

2.什么是數據分析?

數據分析是指從數據中提取有用的信息，并指導實踐。

但需要注意的是：

這些信息需要用來指導實踐，而不是流于形式;

需要提取的是有用的信息，而不是自嗨。

思路：方法論與方法

很多人剛接觸數據分析的時候，都深感無從下手。所以我們需要宏觀的方法論和微觀的方法來指導。那么方法論和方法有什么區別?

1. 方法論是從宏觀角度出發，從管理和業務的角度提出的分析框架，指導我們接下來具體分析的方向。
2. 方法是微觀的概念，是指我們在具體分析過程中使用的方法。

1.方法論

數據分析的方法論很多，這里我給大家介紹一些常見的框架。

• AARRR：增長黑客的海盜法則，精益創業的重要框架，從獲取(Acquisition)、激活(Activation)、留存(Retention)、變現(Revenue)和推薦(Referral)5個環節增長。
• 4P理論：經典營銷理論，認為產品(Product)、價格(Price)、渠道(Place)和促銷(Promote)是影響市場的重要因素。
• 5W2H分析法：從Why、When、Where、What、Who、How、How much 7個常見的維度分析問題。
• PEST分析法：從政治(Politics)、經濟(Economy)、社會(Society)、技術(Technology)四個方面分析內外環境，適用于宏觀分析。
• SWOT分析法：從優勢(Strength)、劣勢(Weakness)、機遇(Opportunity)、威脅(Threat)四個方面分析內外環境，適用于宏觀分析。

數據分析的方法論很多，沒有***的方法論，只有最合適的。詳細介紹一下 AARRR 方法論，對于精益化運營、業務增長的問題，這個方法論非常契合。

對于互聯網產品而言，用戶具有明顯的生命周期特征，下面我以一個O2O行業的APP為例闡述一下。

• 通過各種線上、線下的渠道獲取新用戶，下載安裝APP。
• 安裝完APP后，通過運營手段激活用戶;比如說首單免費、代金券、紅包等方式。
• 通過一系列的運營使部分用戶留存下來，給企業帶營收。
• 如果用戶覺得這個產品不錯，可能推薦給身邊的人;或者通過紅包等激勵手段鼓勵分享到朋友圈等等。

需要注意的是以上環節并非完全按照上面順序來的;運營可以根據業務需要靈活應用。 AARRR的五個環節都可以通過數據指標來衡量與分析，從而實現精益化運營的目的;每個環節的提升都可以有效增長業務。

2.方法

借助常見的網站/APP數據分析產品，我們非常快速的完成這7種分析。

趨勢分析

趨勢分析是最簡單、最基礎，也是最常見的數據監測與數據分析方法。通常我們在數據分析產品中建立一張數據指標的線圖或者柱狀圖，然后持續觀察，重點關注異常值。

在這個過程中，我們要選定***關鍵指標(OMTM，One Metric That Matter)，而不要被虛榮指標(vanity metrics )所迷惑。

以社交類APP為例，如果我們將下載量作為***關鍵指標，可能就會走偏;因為用戶下載APP并不代表他使用了你的產品。在這種情況下，建議將DAU(Daily Active Users，日活躍用戶)作為***關鍵指標，而且是啟動并且執行了某個操作的用戶才能算上去;這樣的指標才有實際意義，運營人員要核心關注這類指標。

多維分解

多維分解是指從業務需求出發，將指標從多個維度進行拆分;這里的維度包括但不限于瀏覽器、訪問來源、操作系統、廣告內容等等。

有時候一個非常籠統或者最終的指標你是看不出什么問題來的，但是進行拆分之后，很多細節問題就會浮現出來。

舉個例子，某網站的跳出率是0.47、平均訪問深度是4.39、平均訪問時長是0.55分鐘。如果你要提升用戶的參與度，顯然這樣的數據會讓你無從下手;但是你對這些指標進行拆解之后就會發現很多思路。

下面展示的是一個產品在不同操作系統下的用戶參與度指標數據。

仔細觀察的話，你會發現移動端平臺(Android、Windows Phone、IOS)的用戶參與度極差，表現在跳出率極高、訪問深度和平均訪問時長很低。這樣的話你就會發現問題，是不是我們的產品在移動端上沒有做優化導致用戶體驗不好?在這樣一個移動互聯網時代，這是非常重要的一個問題。

用戶分群

用戶分群主要有兩種分法：維度和行為組合。***種根據用戶的維度進行分群，比如從地區維度分，有北京、上海、廣州、杭州等地的用戶;從用戶登錄平臺進行分群，有PC端、平板端和手機移動端用戶。第二種根據用戶行為組合進行分群，比如說每周在社區簽到3次的用戶與每周在社區簽到少于3次的用戶的區別，這個具體的我會在后面的留存分析中介紹。

用戶細查

正如前面所說的，用戶行為數據也是數據的一種，觀察用戶在你產品內的行為路徑是一種非常直觀的分析方法。在用戶分群的基礎上，一般抽取3-5個用戶進行細查，即可覆蓋分群用戶大部分行為規律。

我們以一個產品的注冊流程為例：

用戶經歷了如下的操作流程：【訪問官網】-【點擊注冊】-【輸入號碼】-【獲取驗證碼】。本來是非常流暢的一個環節，但是卻發現一個用戶連續點擊了3次【獲取驗證碼】然后放棄提交。這就奇怪了，用戶為什么會多次點擊驗證碼呢?這個時候我建議您去親自體驗一下您的產品，走一遍注冊流程。

你會發現，點擊【獲取驗證碼】后，經常遲遲收不到驗證碼;然后你又會不斷點擊【獲取驗證碼】，所以就出現了上面的情況。絕大多數產品都或多或少存在一些反人類的設計或者BUG，通過用戶細查可以很好地發現產品中存在的問題并且及時解決。

漏斗分析

漏斗是用于衡量轉化效率的工具，因為從開始到結束的模型類似一個漏斗，因而得名。

漏斗分析要注意的兩個要點：***，不但要看總體的轉化率，還要關注轉化過程每一步的轉化率;第二，漏斗分析也需要進行多維度拆解，拆解之后可能會發現不同維度下的轉化率也有很大差異。

某企業的注冊流程采用郵箱方式，注冊轉化率一直很低，才27%;通過漏斗分析發現，主要流失在【提交驗證碼】的環節。

經過了解發現，郵箱驗證非常容易出現注冊郵箱收不到郵件的情況，原因包括郵件代理商被屏蔽、郵件含有敏感字被歸入垃圾郵箱、郵件送達時間過長等等。既然這么多不可控因素影響注冊轉化率，那就換一種驗證方式。換成短信驗證后，總體轉化率提升到了43%，這是非常大的一個增長。

留存分析

留存，顧名思義就是新用戶留下來持續使用產品的含義。衡量留存的常見指標有：次日留存率、7日留存率、30日留存率等等。我們可以從兩個方面去分析留存，一個是新用戶的留存率，另一個是產品功能的留存。

以社區網站為例，“每周簽到3次”的用戶留存率明顯高于“每周簽到少于3次”的用戶。簽到這一功能在無形中提升了社區的用戶的粘性和留存率，這也是很多社群或者社區主推這個功能的原因。

***注冊微博，微博會向你推薦關注10個大V;***注冊LinkedIn，LinkedIn會向你推薦5個同事;申請信用卡時，發卡方會說信用卡消費滿4筆即可抽取【無人機】大獎;很多社交產品規定，每周簽到5次，用戶可以獲得雙重積分或者虛擬貨幣。在這里面“關注10個大V”、“關注5個同事”、“消費4筆”、“簽到5次”就是我想說的Magic Number，這些數字都是通過長期的數據分析或者機器學習的方式發現的。實踐證明，符合這些特征的用戶留存度是***的;運營人員需要不斷去push，激勵用戶達到這個標準，從而提升留存率。

A/B測試與A/A測試

A/B測試是為了達到一個目標，采取了兩套方案，一組用戶采用A方案，一組用戶采用B方案。通過實驗觀察兩組方案的數據效果，判斷兩組方案的好壞。

在A/B測試方面，谷歌是不遺余力地嘗試;對于搜索結果的顯示，谷歌會制定多種不同的方案(包括文案標題，字體大小，顏色等等)，不斷來優化搜索結果中廣告的點擊率。

流程：宏觀、中觀和微觀

有了具體的分析方法還不夠，運營要做好數據分析還需要一個清晰的流程。在這里從宏觀、中觀和微觀三個層次給大家介紹一下。

1.宏觀

風靡硅谷的精益創業，它推崇MVP(最簡化可行產品)的理念，通過小步快跑的方式來不斷優化產品、增長用戶。

在運營工作中，我們要大膽嘗試，將想法轉化成產品和運營方法。然后分析其中的數據，衡量產品或者運營的效果。如果好的話保持并大力推廣，如果不好的話總結問題及時改進。在“構建-“衡量”-“學習”的不斷循環中逐漸優化，這個流程是非常適合運營工作的。

2.中觀

我們可以試著樹立整體的流程：1.明確分析目的和思路 →2.數據收集 →3.數據處理 →4.數據分析 →5.數據展現 →6.報告撰寫。

這個流程只是從“數據”的角度闡述了前后的流程，并未結合業務實際;但值得注意的是數據分析的最終目的是為了指導實踐，而不是寫一份報告。

3.微觀

下面介紹的是一個非常詳細的分析流程，借助于一定的分析工具，我們可以按照這個思路對網站/APP進行細致入微的分析。

但這個流程是具有前提的，前提是用數據分析工具做好數據采集和監控工作，把精力集中在業務分析上。這個流程的核心是“MVP”的理念，“發現問題”-“設計實驗”-“分析結果”，通過數據來不斷優化產品和運營。

應用：體系與分析

1.案例:搭建數據分析體系

你們喜愛的彩蛋君在公司從事新媒體工作，負責微信的日常運營，閱讀量時高時低，總體一般。彩蛋君想辦法改進一下微信運營，提高微信的粉絲數和閱讀數;

我們從數據分析的角度對這個很多運營人都面對的問題進行了討論：

1. 不清楚自己需要關注哪些核心指標;
2. 不清楚目標用戶的特征(用戶屬性、用戶畫像等);
3. 對自己過往工作缺乏系統分析(數據采集、監測和分析)。從業務增長的角度出發，為配合其內容工作的開展，定制一份分析體系至關重要。

***點，內容定位。

運營需要明確知道自己的目標或者KPI，然后選擇一個核心關鍵指標(OMTM)進行監測。如果是創業公司，初期可能需要拉新，那么核心指標是注冊用戶數或者新訪問用戶數。如果是資訊媒體，注重影響力和覆蓋面，那么核心指標應該是微信閱讀數或者網頁PV。

第二點，用戶畫像。

無論是哪一種運營崗位，都需要明確知道自己的(目標)用戶是那些人?這些人都有哪些特征，他們的關注點和痛點是什么?如果你的用戶是產品經理，那么可以嘗試爬蟲抓取產品經理網站上有關的問題，然后做文本分析：這是定量層面的分析。同時，通過調查訪問和問卷調研，獲取更加深入的用戶特征信息：這是從定性層面的分析。

第三點，持續監測。

借助數據分析工具，對核心關鍵指標(OMTM)進行持續監測。對于指標異常情況，我們需要及時分析和改進。

第四點，數據分析。

統計和分析過往內容的數據，找出哪些內容、哪些標題、哪些形式、哪些渠道的效果更好，然后朝這方面不斷優化。

2.案例：分析業務核心指標

電子郵件營銷是現在很多企業仍在采用的營銷和運營方式，某互聯網金融企業通過EDM給新用戶(有郵件地址但是未注冊用戶)發送激活郵件。一直以來注冊轉化率維持在20%-30%之間，8月18日注冊轉化率暴跌，之后一直維持在10%左右。

這是一個非常嚴重的衰退，需要立即排查原因。EDM渠道注冊轉化率涉及到太多的因素，需要一個一個排查，我們列舉可能的原因：

• 技術原因：ETL(數據抽取、轉化、載入)出現問題，導致后端數據沒有及時呈現在BI報表中;
• 宏觀原因：季節性因素(節假日等)，其余郵件沖擊(其余部門也給用戶發郵件稀釋了用戶的注意力);
• 微觀原因：郵件的標題、文案、排版設計，注冊流程設計。

一個簡單的業務指標，會影響到它的因素可能是多種多樣的，所以我們需要對可能涉及到的因素進行精細化衡量才能不斷優化。***發現，產品經理在注冊環節添加了『綁定信用卡』，導致注冊轉化率大幅度下降。