三生三世之数据和运营的爱恨纠葛（上篇）

2017-03-03 12:47:00

整体框架

一、数据与运营

1.1 数据分析的基本概念

使用适当的统计分析方法对收集来的大量数据进行分析，将他们加以汇总和理解并消化，以求最大化地开发数据的功能，发挥数据的作用。数据分析是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。

采集到的数据要用于指导实践，不要纯粹的追求形式化，否则做数据分析的意义不大。

数据分析类别

数据分析的三大作用

1.2 数据驱动运营的基本概念

数据驱动可以帮助运营更好的了解用户群体，利于分析用户行为；便于后续开展拉新、留存、促活以及转化等利于运营效果的行为。

过去以流量为中心的野蛮运营时代已结束，用数据说话，围绕用户行为分析的精细化运营是现今众多运营人员认为较靠谱的方式。

二、数据分析的基本流程

数据分析的基本流程

2.1 明确分析思路和分析目的

很多菜鸟在数据分析时，分析目的不明确，导致分析过程非常盲目。只有明确数据分析的目的，才不会偏离方向，否则得出的数据分析结果不仅没有指导意义，甚至可能将决策者引入歧途，后果严重。

明确数据分析的目的和思路是确保数据分析过程有效进行的先决条件，它可以为数据收集、处理以及分析提供清晰的指引方向。因此，明确数据分析的目的和思路尤为重要。

2.2 数据处理

数据处理前首先要收集好数据，那么收集数据的要点在于按照确定的数据分析内容，收集相关数据，并为数据分析提供素材和依据。一般来说数据包括第一手数据与第二手数据，第一手数据主要指可直接获取的数据，第二手数据主要指经过加工整理后得到的数据。

数据收集的来源有数据库、公开出版物、互联网以及市场调查等，我最经常用到的首先是公司本身的数据库数据，并结合互联网查阅可靠数据网站的数据，必要时再以市场调查辅助。

另外，对于互联网企业，提取数据需要运营人员留心在产品设计的早期就规划好运营关键点，并列出埋点清单提交给开发人员，免得日后出现想要查看某些关键数据却无数据的尴尬境地。

当原始数据收集好后，开始对数据进行处理的第一步：数据清洗，主要是对数据里的重复项、缺失项、矛盾项以及异常的峰值（最高、最低）进行处理。

重复项处理： 1）使用COUNTIF函数；2）“数据”→“排序与筛选”→ 高级

3）使用条件格式 “开始”→“条件格式”→“突出显示单元格规格”→“重复值”

缺失项处理：平均数值填补（所有数据的算术平均值or一段时间内的平均值）

矛盾项处理：主要指错误的数据，检查是数据提取时出现的错误还是数据录入时的错误。

异常峰值处理：一般来说数据产生异常峰值的原因可能是活动刺激、推广渠道和力度加大、系统出现了故障、统计有bug等。

数据处理的第二步：数据加工，很多时候提取出来的数据可能并不适合直接拿来分析，这时候需要用到一些函数和工具来处理数据，比如COUNTIF函数和数据透视表等。经过数据处理（清洗、加工）后的数据就可以用来做初步分析了。

2.3数据分析

数据分析主要是根据数据分析方法论，采用数据分析方法和数据分析工具对处理后的数据进行分析的过程。

1）数据分析方法论

主要用来指导数据分析师进行一个完整的数据分析，它更多的是指数据分析思路。

数据分析方法论

2）数据分析方法

常见的数据分析方法有对比分析法、结构分析法、平均分析法、AB测试分析法、杜邦分析法等。

数据分析方法

3）数据分析工具

常见的数据分析工具有Excel、SPSS、SAS、Access、Xcelsius、PPT、Xmind等软件。

2.4数据展现与报告撰写

1）数据展现

数据展现最常见的方式是采用图表，采用图表很重要的一点是让看数据的人能够一眼就读懂你的数据。

图表的作用

不同类型图表用于展现数据的侧重点不同，如下

不同图表类型表达的数据和信息

在选择使用何种类型的图表时，首先要确定你想要表达的目的，再确定哪种图表适合你的目的，做到真实有效的展示你的数据。此外，不要为了制作所谓“高大上”的数据图表而把数据生搬硬套上去，反而适得其反。

当你的数据图表制作完后，要给图表“添砖加瓦”（如图表标题，图示等）让其更完整的表达你的数据，当然最完美的是再把图表美化下更好了，不过图表美化是让图表看起来简约、整洁和突出对比，而不是花里胡哨的。

2）报告撰写

经过上述一系列的数据收集、处理、加工、分析以及展现后，就要开始进行数据报告的撰写了。

数据分析报告是根据数据分析原理和方法，运用数据来反映、研究和分析某项事物的现状、问题、原因、本质和规律，并得出结论，提出解决问题办法的一种分析应用文体。

数据分析报告的种类

根据不同数据报告的目的和需求作用，可以采用不同的数据报告类型。

根据目的采用报告种类

一个完整的数据报告，一般会包含以下五个部分的内容：

1）报告背景和报告目的

2）数据来源、数据情况等

3）数据展现图表、报表等

4）每个部分的分析和小结

5）总结以及趋势预测

三、数据分析方法论

3.1 PEST模型

从政治（Politics）、经济（Economy）、社会（Society）、技术（Technology）四个方面分析内外环境，适用于宏观分析。

PEST模型

PEST模型便于企业利用不同的角度，从变动的因素上探求某个行业可能的发展潜能，对企业自身的发展前景有个整体方向的把握，并根据变动在战略上做出调整。但是，企业决策往往需要众多因素决定，只依靠宏观分析会太片面，这也是PEST模型的劣势所在。

PEST模型常见于世界500强企业在分析宏观国内外环境时使用，因此覆盖面不是特别广，此处不再赘述。

3.2 AARRR模型（增长黑客的海盗法则）

从获取（Acquisition）、活跃（Activation）、留存（Retention）、收益（Revenue）和传播（Refer）5个环节分析，适用于精益化运营分析。

AARRR模型

AARRR模型通常用于互联网中一款移动产品的生命应用周期分析，接下来据此深入探讨。

1）获取

获取通常是指用户的获取，也就是应用的下载量。但运营的目的并不在于仅让用户下载，而是要启动使用这个产品，往往激活量成了运营人员关注的重点。

2）活跃度

查看用户活跃度的主要目的之一是了解推广渠道质量的好坏，很多差的渠道带来大量的僵尸粉（一次启动就不用），另一方面，产品本身的高质量也是吸引客户的重要原因，如果用户使用产品经常发现bug，闪退等，那么用户体验也不会好到哪里去，更不用谈论活跃度了。

运营人员一般关注移动应用的数据指标有：DAU(日活跃用户)、MAU(月活跃用户)、每次启动平均使用时长和每个用户每日平均启动次数等，综合分析评价用户的活跃度。

3）留存

检验渠道质量的另一个方面是看用户的留存率，有些产品从次日留存就可以看出这个渠道的质量好坏。

留住老用户往往比获取新用户的成本要高得多，在不断拉新用户的同时，也要兼顾用户的留存，不要赔了夫人又折兵。提高留存率的关键之一是通过日留存率、周留存率、月留存率等指标监控应用的用户流失情况，并在用户流失之前采取相应的手段，激励这些用户继续使用产品。

4）收益

几乎所有产品做出来都是为了获取收入，因此收益成为运营核心的一部分。一般移动应用的收益方式主要有付费应用，应用内付费以及广告付费。当然这些费用都会间接或直接从用户身上获取，提高用户量、活跃度以及留存率都是为了能够让用户尽可能的使用并付费，从而增加收入。

运营人员关注收益最重要的数据指标是：ARPU(平均每用户每月收入)。

5）传播

一款好的应用应该是口碑很好的，用户乐于去分享的，因此传播可以为应用带来很多高质量的使用用户，且这种用户获取方式是低成本的。现在社交网络如此发达，好的产品得到传播的机会也大大增加，因此全身心做好一款口碑好的产品尤为关键。

3.3 5W2H模型

5W2H模型

从What（用户要什么？）Why（为什么要？）Where（从哪儿得到？）When（我们什么时候做？）Who（对谁做？）How much（给多少？）How（怎么做？）这七个方面分析的模型，适用于用户行为、业务专题等分析，使用范围较广，运营人员可根据需求使用。

四、数据分析方法

4.1 AB测试分析法

A/B测试是运营人员为了达到一个目标，采取了两套方案，一组用户采用A方案，一组用户采用B方案。通过实验观察两组方案的数据效果，判断两组方案的好坏。

A/B测试分析法

当运营人员发现某个功能对用户的活跃度有着很大的关系，但又不是完全确定，这个时候采用A/B测试，将用户分成两组，一组可以体验这个功能，另一组则没有这个功能，最后来验证这个功能是否要留下来。

现在的互联网，流量红利时代的结束，对于产品快速迭代的要求也越来越高，因此必要时采用A/B测试还是很实用的一个方法。

4.2杜邦分析法

杜邦分析法是由美国杜邦公司创造并最先采用的一种综合分析方法。利用各个指标间的内在联系，可以对自己的运营状况及效益进行综合分析评价。

杜邦分析法案例

如图所示，假设微信公众号2月的阅读量大幅上升了，运营人员需要分析下原因何在，以后可以往哪方面发力持续增加文章阅读量。那么第一方面看看是不是粉丝数量增加了，如果是，继续往下拆分看看是不是最近活动带来大量新用户，接着往下看是哪个渠道带来的用户多，如果以上都不是，可以探讨微信公众号的文章质量是不是有所上升，是文章内容上去了还是文章排版改善了，逐级拆分找到最终阅读量上升的原因，并在未来加大这方面的调整，促进阅读量的持续增加。

4.3 漏斗分析法

漏斗分析是用于衡量转化效率的工具，因为从开始到结束的模型类似一个漏斗，因此命名漏斗分析法。

漏斗分析要注意两个数据：第一，不仅要看总体的转化率，还要关注转化过程每一步的转化率；第二，漏斗分析也需要进行多维度拆解，拆解之后可能会发现不同维度下的转化率也有很大差异。