为什么运营也要学会数据分析

       前几天偶然看见一个标题：《月薪10万的运营和月薪1万的运营差在哪儿》，没忍住点了进去，发现是讲数据分析的。

       很早就有人提出了“数据化运营”的概念，简单来说，就是通过数据化的工具、技术、方法来辅助运营工作，从而提升运营效果。运营岗位一直处于一个比较尴尬的地位：门槛不高、工作繁杂，因此需要通过一些以数据支撑的、逻辑严密的方法来提升工作质量。由此行业内形成了一套数据化运营的体系与方法，帮助运营解决工作中遇到的实际问题，在此我们简单讨论一下如何构建数据化运营的体系解决实际问题。

确定目标

       首先我们要明确的一点是，数据分析一定要以目标为导向，不要为了做数据分析而去分析。也就是说在做数据分析时，心中应该带着问题，我们的目的就是用数据分析解决这个问题。而不是为了向领导展示我今天干了活儿，所以随便找了一堆数据，一通分析之后得到一个完全没有任何指导意义的结论。另外，不要带着对结果的预设做数据分析。毕竟，数据分析是用来解决实际问题的。

在日常工作中我们可能会遇到类似这样的问题：

●资源有限，应该选择哪一个渠道进行推广？

●产品的DAU（日活跃用户数量）下降了，因为什么？

●这次大促销GMV（网站成交金额）很低，有哪些原因？

●我应该在什么时间点，采取措施挽回流失用户？

……

这些问题都可以成为我们做数据分析的目的。

收集数据

       做数据分析，一定得先收集足够的数据。通常来说，这是极为繁琐但又是至关重要的一步。因为很多时候，我们需要以十万甚至百万为量级的数据来作为分析的素材，但运营又缺乏相关技术性的手段，因此主要采取两种办法：

●借助已有数据工具

       网上有许多现有的、一体化程度很高的数据分析工具可供我们使用，从百度指数到小程序数据助手再到阿拉丁数据助手都可以达到收集数据的需求，甚至它们对数据的一些简单分析挖掘，可以为我们后续深入分析提供参考。

●在产品内埋点

       另一种较为科学也是使用较多的方式是在产品的内部埋点。通过在产品不同位置注入代码统计，并搭建起相应的后台查询，来搜集产品流程信息和使用状况，包括访客数量（UV）、页面访问数量（PV）、停留时长（Time On Site）、跳出率（Bounce Rate）等。当然也可以通过第三方工具（GrowingIO、神策数据、个推等）进行埋点。

收集时也需要确保数据真的可用，具体可以分为三个方面：典型性、真实性、代表性。

数据清洗

       顾名思义，数据清洗就是把“脏的”数据清洗掉，即发现并纠正数据中可识别的错误。当数据量较小时，可以人工完成数据清洗，但面对海量数据，往往需要计算机完成清洗。在清洗数据时需要注意三方面的错误：数据不一致、数据的缺失和重复、无效数据。

●数据不一致

通常指超出正常范围、逻辑上不合理或者相互矛盾的数据。

如：需要统计自然数，但是数据中出现了-2。

●数据的缺失和重复

在收集数据时，数据部分缺失或某些数据被重复录入。

●无效数据

虽然数据本身没有错误，但并不能作为衡量指标。

如：需要调查本班身高170至180的男生信息，则体重就是一个无效数据。

建模分析

       最后也是最重要的一步——建立（数学）模型分析数据。运用不同方法和不同工具最终获得的结果不尽相同，常见的工具包括excel、gephi、Oracle、SQL Server等，常见方法包括各类数据处理方法、建模方法等，在此就不一一展开，我们只简单讨论几种思路。

●分解

为了衡量某个指标，我们可以将数据拆解成几个更具体的维度。

如：想要比较公众号“冰岩作坊”和“iKnow华科”的体量，我们可以从粉丝数量、常读用户数量、单篇最高阅读量、7日内推文平均阅读量等指标考核。

●对比

通常情况下，只关注某个指标不具有太大的参考意义，我们会将数据进行横向和纵向的对比。

如：公众号“iKnow华科”9月的单篇最高阅读量为39000，这个数据本身不具备参考意义，但与8月单篇最高阅读量作比较、去年9月单篇最高阅读量作比较、其他公众号9月单篇最高阅读量作比较就具有了参考价值。

●结合

有时候单个数据指标的分析并不能得到我们想要的结果，就需要将多个维度的数据结合起来分析。

如：单从“小程序的PV为100000”得出“使用人数很多”的结论是不严密的，还需要结合小程序的UV去判断。

最后，我们简单的看几个数据分析使用的场景。

●用户精细化运营

针对庞大的用户群体，可以通过搜集用户的行为、数据来构建用户画像、打上标签、划分成不同的群体，然后针对不同的用户群体采取不同的运营策略。

如：对于购买意愿较强、购买次数较多的核心用户，重点提高其转化率，实现盈利；对于没有购买行为的用户，可以放弃转化，重点使之分享推广产品。

●关联分析

关联分析多用于推荐机制。

如：某电商平台通过用户的购买数据分析发现购买了某品牌鞋子的用户大多也购买了某品牌的袜子，则可以在鞋子购买成功页面的推荐位摆放袜子，来提高袜子的销量。

●产品转化率分析

在分析产品流程各环节的转化率时，通常会采用漏斗分析法。

如：某电商平台通过埋点搜集了各个页面的UV，并最终计算出了各个环节的转化率（进入下一环节人数/进入上一环节人数）。通过与行业平均水平对比，发现在“点开商品”这一环节转化率大幅低于平均水平，用户流失严重，则可以得出结论：产品最终的转化率低是因为在选品环节出现了问题。

       实际上，数据分析需要的不是多么高级的工具、多么复杂的模型，如何根据实际问题选择合适的方法才是最重要的。这也正是数据分析相对困难的地方：它反映的是每个人分析看待问题的视角，不存在一套能够套用的方法论。但也正因如此，它能给我们的实际工作带来科学、可靠、具有指导意义的帮助。