系列 | 数据化运营大纲
3.15，作为一个长相靠谱、内容靠谱，更新时间不靠谱的公众号运营者，没有被大家投诉，我很欣喜。
本篇文章的主题，是数据化运营。在写完《从零开始，构建数据化运营体系》后，我一直在想，能不能写得再好一点？
我胸中有很多付诸笔端的想法在鼓动，虽然在近两年的工作中，数据化运营是最得心应手的工作，但是写出来总差那么一点意思。另外一个角度看，是不够融会贯通。
于是我希望，在七周成为数据分析师的系列后，把数据化运营作为第二个系列来完成。每次写文章，对自己也是一种总结和提升。
下面是一份「简略」的大纲，更恰当地说是草稿。当不久的将来开始正式写作时，肯定会更好。
我们将数据化运营分成四个环节：数据收集，数据加工，数据运营，数据反馈。它是运营和产品视角的闭环。
将闭环简化成四个模型，那么它们分别是：
数据收集： 以用户和产品的交互为输入，原始数据（行为、业务、流量、外部）为输出。
数据产品： 以原始数据为输入，以加工数据（标签、画像、维度、指标、算法结果）为输出。
数据运营： 以加工数据为输入，以运营策略（用户、内容、活动、电商）为输出。
用户触达： 以运营策略为输入，以反馈行为（转化率、点击率、响应率）为输出。
数据收集
虽然数据收集是技术的事，但是产品和运营人员也应该了解相关的细节。什么是网页参数，什么是服务器日志，数据是如何被收集起来的…下图就是一段服务器日志，是收集数据的方式之一。
255.255.255.255 - - [18/Sep/2016:00:00:00 +0000]
"GET /images/my.jpg HTTP/1.1" 200 19939
"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/29.0.1547.66 Safari/537.36"
如果不了解，当你问到研发：为什么这一块数据没有收集到啊，研发大哥只会翻一个白眼说：你没有要求布置啊。
布置即是埋点，埋点不是一项新兴的技术，它在Web时代就有了。
很多场景中，业务方是埋点需求的发起者。这也是我强调的，运营和产品需要了解埋点，否则，这一块很容易变成坑。
在数据化运营体系，对埋点的要求只会更高。前端埋点、后端埋点、可视化埋点、服务器埋点，各类方式层出不穷。技术问题不需要担心，担心的是应用。
虽说，给我一组行为埋点数据，我用Excel也能写出协同过滤。可如何最大价值的发挥效用，在埋点初期就应该考虑清楚。所以埋点需要花稍微多一点的篇幅介绍。
最后，学会爬虫，爬虫是一种高性价比高体力活的技能。爬虫有三种主要方式，静态网页爬取，JSON/API爬取，动态JS爬取，再加上各种反爬虫机制的应对。当爬虫水平能爬取微信和淘宝时，已经是草木竹石皆可为剑了。
利用爬虫，运营能做很多好玩的事情。比如出现一个热点新闻，大家马上抓取相关数据，然后新媒体同学洋洋洒洒一篇文章：《大数据告诉你，XXX是什么样的》，《我们分析十万条影评后，得出这部电影XXX》，《XX网站最火热的十条内容》。比憋内容好多了。
数据加工
这依旧是技术研发的范畴。
数据加工的业务核心是指标，我们首先得熟悉各种主流指标的含义和应用。
很多产品运营们会问，是否需要理解数据架构？
上图是网上扒来的数据架构，好消息是并不需要学会。但你总归要理解一个概念，比如什么是MapReduce，什么是离线什么是实时，什么是缓存，什么是T+1。
这是为了降低沟通成本，也是方便大家理解数据化运营背后的逻辑。为什么有些报表和数据不能立马获取，为什么有些个性化推荐，如网易云音乐，只能每天定时更新？
一个好的数据化运营体系，需要业务人员和技术不断磨合才能搭建起来。此时，你也会是一位合格的数据产品经理了。
一些数据产品的设计逻辑可以选择性学习，包括用户画像、广告、CRM等。它们在一定程度上是相通的，比如用户画像和广告的人群定向，区别于静态和动态。
用户画像是集大成者的时髦应用，不同公司的用户画像也不相同。有些用NoSQL、有些则是宽表。用户画像应基于业务出发，切记避免形式主义的画像，你卖保健品的，知道用户喜欢军事有什么用？
机器学习是更时髦的应用，我认为，产品和运营了解些机器学习相关的知识挺有帮助，这是数据化运营的方向之一。
当你理解机器学习/数据挖掘能够做什么，你才能与数据、技术配合它落地。永远别期待数据部门凭空优化业务，他们需要业务部门提供方向和指导。一个懂机器学习的运营，起码值他们请三顿饭。
话说回来，单纯理解，哪怕是一个文科生，一个月也能懂几个主流的算法模型了。比如决策树，就是if-then的集合，非常简单，因为简单，所以运算速度快，速度快就可以应用在一些特定的场景，比如新用户的内容推荐系统。这种理解，有助于设计更好的产品。
所以，得让产品和运营们，也了解起机器学习啊。
数据运营
终于轮到业务的环节，这里将着重介绍如何将数据转换成策略。
首先，需要数据化运营的思维。如果运营还是用老虎机、大转盘、抽宝箱的「三板斧思维」，业务走不长远。
我曾经说过，运营和Growth Hacker只差一个数据运营的距离。无需特地吹捧国外的增长黑客，只要数据化用的好，人人都是增长黑客嘛，哈哈。
接下来以实际的工作内容解构数据化运营。
用户运营的数据化，分为用户行为和用户体系。
用户行为通过埋点数据分析。
桑基图是最合适的图表（偷懒拿旧图了），上图只是活跃状态的变化。不妨想一下，同样的图表，用来分析用户在产品上的操作路径，比如某个功能模块的使用、退出、跳转，是否能优化产品呢？
除了行为，还要挖掘用户数据，之前一篇文章的分层和分群，就是其中之一。另外也包括用户流失预测等。
活动运营，我准备把流量合并在这块，因为活动都是Web页面的形式，两者的道理是相通的。这块也有不少专门的技巧。
大家知不知道，微信会在第三方分享出来的web页面上，打上&from=timeline、groupmessage、singlemessage的参数。分别对应朋友圈分享、群分享、好友分享。大家有没有研究过，哪些运营活动或者内容，更容易被分享到朋友圈，哪些内容更容易被分享到群？如果加上用户参数，你还能监控到哪类用户的分享效果特别好。我就基于此AB测试优化朋友圈的内容点击率，提高了30%左右。
同样的，活动运营也能用统计学进行优化，怎么计算活动中奖的概率模型，预估成本？它是典型的二项分布。不同的中奖概率，对应什么样的用户数学期望？如何调整概率达到效果最优，玩法也有很多。
内容运营是数据化的一个难点，因为文本很难量化。从大层面考虑，我们能监控舆情数据，而细节，我们将进行文本分析。
不需要专门学会自然语言处理。而是当用户评论你的产品时，如何判断他们评论的情绪是积极还是消极？当评论有十万条时，怎么去更好的分析？
除了上述最主要的工作内容，我们还要学习商业化运营。这里的商业运营，是涉及到各类营收、GMV的运营策略。包括电商、广告、会员等。
除了技巧，得花些时间，把策略变成产品和工具。这一块，就涉及到运营后台/平台的搭建了。
数据反馈
最后就是数据反馈了。
AB测试是数据化运营的大杀器。好的AB测试，需要设计相应的运营策略。如何设置对照组和控制组，如何划分出流量，怎么样的样本才能满足置信度的要求。何种手段能够证明运营策略成功了？
除了AB测试，得继续熟悉各类反馈指标，点击率、转化率、响应率。包括机器学习的精确率、准确率、召回率、AUC和ROC曲线、Lift提升图。这会把大家的思维，从单纯的转化，带到更高层的维度。
比如用户购买商品，转化率是30%，这是普通运营的视角。数据化运营会怎么看待这个数据呢？他会把用户切割到一个维度，叫做购买可能性。比如用户有90%的可能性购买，用户有80%的可能性购买，用户有10%的可能性购买…这些可能性都是机器学习预测出来的概率，不同概率的转化率不同。最终划分出一个区间，譬如选择40%以上可能性的用户才去做强营销。
好的运营平台，运营人员会获得这类基于预测的数据，告诉你用户对某些运营活动、策略、营销的响应会怎么样，运营人员就基于此选择用户，做到性价比最优化。
于此，数据化运营是阶段性的结束了，之后则是优化改进策略，作为新的开始。
这一次，我还希望，大家一起来完成。大家提出工作中的问题，你觉得哪个业务环节可以数据化运营，或者欠佳，或者做的好，都可以告诉我。因为数据化是以业务为核心，我没有各个领域的经验，所以更愿意倾听一线业务的反馈。
End.
作者：秦路 （中国统计网特邀认证作者）
关键字：数据, 产品运营
版权声明
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！
