A. 六步實現數據驅動運營
數據驅動運營是老生常談了，但是有好多新手並不懂如何去做數據運營，本文則系統的介紹了如何分6步來實現數據運營。
1.目的
通過對運營數據進行分析，幫助我們進一步對用戶進行差分運營。
2.核心
分析問題包含哪些方面，在佔比高並且自己可以發力的點上去優化。
運營是一個包含了諸多瑣碎事項的工作，運營人員要會拆分自己的工作項，並根據不同工作項的特點有針對地對特定的運營數據進行分析，才能事半功倍。
那麼怎麼 拆分工作項 呢？可以按照面對的用戶群體分解，通常與用戶分級聯系在一起，將工作拆分成面向所有 普通用戶、面向活躍用戶、面向付費用戶等等 。也可以按照項目將自己的工作進行拆分。還可以按照時間順序確定不同階段的目標，根據自己的目標來拆分工作項。
拆分完工作項後，針對每一個工作項有不同的指標，我們要根據工作項的特點進一步拆分和細化運營數據指標，然後通過對每一個指標的分析來判斷運營問題並不斷優化運營方案。
拆分的維度 可以按照數據的包含結構，也可以按照每一個工作項包含的子項進行拆分。
以用戶運營為例，用戶運營包含了用戶的拉新、促活、留存、付費轉化等方面。而就拉新來說，關鍵的指標有注冊用戶的規模、增長速度；渠道質量——注冊渠道有哪些，渠道的注冊轉化率如何；注冊流程質量——完成注冊的用戶數、注冊流程中用戶蹦失節點統計；注冊用戶行為追蹤——完成注冊後用戶的行為統計。
細化分析目標是指根據運營目標，確定能夠進行優化的數據點。 這一步是為接下來的數據提取處理分析奠基的。
舉個簡單的例子，假如現在做完一場活動，想知道下一次舉辦相同或相似活動時有哪些地方可以優化，需要關心的點除了最終參與效果還有：活動推廣的渠道有哪些，每一個渠道的參與路徑是怎樣的，路徑中的每一步參與人數有多少，轉化率達到多少，等等。明確了分析目標後，就可以確定要提取的數據點有哪些。
在提取數據這里涉及一個數據埋點的問題，在產品設計的早期，運營人員就要規劃好運營關鍵點，列出埋點清單提交給開發人員，以免後期運營過程中想要查看某一個數據但卻沒有數據記錄信息。
此外，提取出來的數據要經過一系列的處理後方可進入分析階段。
（1）數據分析方法
常見的數據分析方法有對比分析法、結構分析法、平均分析法、權重分析法、杜邦分析法等等。
1）對比分析法
指按照不同的維度進行對比，以探尋數據的變化，發現其中蘊含的規律或啟示。
對比的維度包含了 ：與預期目標對比、不同時間段的對比、與同行對比、與運營前的效果對比、不同用戶間的對比、不同操作間的對比，等等。
接下來用一個 例子講解如何通過對不同時間段數據的對比來進行用戶畫像並根據用戶畫像做出運營策略的調整。
上邊這張折線圖反應的是某產品的日活躍用戶數變化規律。2016年4月初到7月初其基本是成周期變化，且周期為一個星期，數據較大的點主要是在周末，因此我們可以推測這個產品的主要用戶是學生。而且在6月的時候日活躍數據略有所下降，7月中旬以後數據上升且變化這與學生期末考試和放假的時間也基本吻合，進一步佐證了用戶畫像。
2）結構分析法
被分析總體內的各部分與總體之間的對比分析，常用結構相對指標（=(部分/總體)*100%）來表示，這個數值越大表明該部分在整體中所佔權重越大，其重要性越大，對整體的影響也就越大。
3）平均分析法
反映的是一定條件下，某個指標的一般水平，多用於衡量業務的健康度。
比方說某個商品有A、B、C三個銷售渠道，假如想了解這三個銷售渠道誰對營收貢獻最大，可以統計這三個渠道的平均銷售額。這個時候要注意，平均分析法的「平均」是有前提的，它必須建立在用來計算平均值的數據是否都是有效的。比方說現在A渠道有一天的銷售數據突然驟減為0，這是很反常的，這個時候要去查問題到底出在哪，如果是因為比方說那天A渠道出現了某些突發故障，那麼應該剔除這個數據再計算平均值。
那是不是平均值越高說明業務越健康呢？
不一定。比方說A賣的是羽絨服 ，B賣的是短裙，夏季的時候A的銷售均值比B低，這並不能說明A的業務就比B的差。
平均分析法適用於雙方的業務和所處的情況比較接近也即我們常說的，具有可比性時，才有意義。
4）權重分析法
將多個指標轉化為一個能夠反映綜合情況的指標來進行分析評價，具體的做法是確定各個指標的權重，然後對處理後的指標進行匯總後計算出綜合評價指數。常用以對處於並列關系的子類進行分析。
如圖所示，某產品有三個推廣渠道——A、B和C。這三個渠道又細分為通過購買母嬰類產品的推薦轉化、參加相關線下活動的轉化 以及來自公眾平台的轉化。若要衡量A、B、C三個渠道的質量如何，可以給各個細分渠道設置某個權重，定義「渠道質量」這個指標對應的公式（如：渠道質量=購買了母嬰類產品後的推薦轉化人數*60%+線下活動轉化人數*30%+公眾號轉化人數*10%），通過加權求和後比較這三個渠道的質量高低。
那權重的設置依據是什麼呢？一個是要根據各個細分指標的重要性，另一個來自於以往的運營結果。還是以剛剛那個產品為例，假設產品是跟母嬰類相關的，那麼根據以往的運營經驗，通過購買了母嬰類商品後的推薦引流來的用戶，後續轉化為活躍用戶的概率更高，那麼這個渠道的權重就可以相應的設高點，而通過公眾號導流來的用戶流失率極高，其權重就可以比較低。
5）杜邦分析法
杜邦分析法是由美國杜邦公司創造並 最先採用的一種綜合分析方法。利用各個指標間的內在聯系，可以對自己的運營狀況及效益進行綜合分析評價。
如圖所示，假設產品更新後最近的收入降低了，老闆讓分析下原因出在什麼地方、可以做出哪些調整，那麼我們可以 將收入拆分 ——收入=付費人數*ARPU（每用戶平均收入）。接下來對付費人數進行拆分，付費人數=活躍人數*付費滲透率。據觀察，付費滲透率幾乎沒有變化，而活躍人數下降了，進一步細分活躍人數。活躍人數=新用戶中的活躍用戶+老用戶中的活躍用戶，倘若老用戶中的活躍人數上升了，而新用戶的活躍人數下降了，可以進一步將其拆分。然後分析，新用戶=推廣覆蓋人數*轉化率，在轉化率基本不變的情況下，將推廣渠道細分，根據數據，渠道一下降了而渠道二上升了 ， 不斷進一步拆分，直到指標不能再細分 後，針對細分後的指標分析其中哪些對最終的收入影響較大，產生變化的原因是什麼，是否可以通過人為的調整方案後進行改善，等等。
（2）造成數據波動的原因
常見造成數據變化的原因：時間、推廣與觸達、運營活動、關聯特性、用戶屬性和構成、故障、業界趨勢。
前三個就不詳細展開了，這里講下後邊幾個要素。所謂關聯特性其實就是剛剛通過杜邦分析法拆分出來的要素，而用戶屬性和構成要素是指針對不同的用戶，同個產品或活動的日活、付費等數據是會發生變化的。業界趨勢對運營數據的影響：舉個去年很火的例子——O2O，去年O2O這個概念炒的特別火的時候，大量資本砸錢進入這個市場，在各種補貼的刺激下，用戶激增，現在市場較為成熟後，用戶數增長就比較平緩了。
仔細觀察可以發現，以上數據分析流程實際上形成了一個閉環。總結匯報完畢，我們需要將得出的結論運用到實踐中，繼續觀察數據的變化並不斷優化我們的運營策略。
為了能夠更好地幫助剛開始建立運營體系的企業解決一些日常工作中的痛點，推薦你上一門由作者總策劃的課《互聯網人的數據運營實踐訓練營》，由長年工作在大型互聯網企業內部，踩過過無數的「數據坑」，平均經驗都在十年以上，都符合格拉德威爾在「一萬小時定律」中的描述的四位老師： 安琦、黃捷、黃一能、王曄傳授 ！時間：2016年12月17日-18日 8:30-17:30，一定能有效地幫助你。
報名： http://event.3188.la/530802826