数据如何指导用户运营

㈠ 如何用数据驱动产品和运营

内容被日益关注绝非偶然，在人口红利褪尽、流量成本激增的情况下，原先可以获得巨大流量红利的赛道（工具、平台、社交网络）早已被以BAT为代表巨头牢牢把持。“流通”环节的生意没有机会了，机构只能把目光投向“生产”环节——做内容吧。在可预见的未来，内容将会成为新的“流量红利”来源。

然而，并不是有了好的内容，流量和用户就会随之而来，正所谓酒香也怕巷子深。那么如何才能找到流量和用户呢？现在移动端的用户数已经大幅超越PC端的用户数，随之而来的是流量入口从以网络为代表的搜索引擎转向以微信、微博、今日头条、手淘等为代表的超级APP。

看到内容的风口之后，众多机构纷纷投入其中，生产内容的成本随之快速上涨。虽然都知道超级IP的威力巨大，但是打造却并非一日之功。与此同时流量渠道的日益分散化，导致机构需要在渠道运营方面投入更多的时间和精力才能获得足够的流量和用户，运营的成本也在无形之中被推高了。面对这种形势，机构想要在竞争中取得一席之地，就必须开始摆脱之前的粗放式运营，开始用数据驱动用户的增长，构建精细化的运营体系，提升内容的传播效果，找到投入产出比最高的流量渠道。

然而，想要开展数据驱动的机构却面临无法获取数据的窘境。比如在微信上面发布直播，只能使用第三方工具，但是由于第三方工具没有和微信进行对接，同时也没有开放后台的数据查看权限。导致完全无法了解用户观看直播的情况，数据驱动和精细化运营也就无从谈起。

潜在用户 ：顾名思义，就是机构的目标用户，但是还没有和教育机构产生直接关系的用户；

微信“粉丝” ：关注微信公众号的用户，当然也包括添加了微信个人好友，加入了微信群的用户；

注册用户 ：成为“粉丝”之后，对于教育机构具有一定的认可，从而产生了注册行为，但是还没有产生购买行为的用户；

沉睡用户：产生购买行为的用户但是最近30天内没有进一步的互动行为。这部分原因因为种种原因不再使用消费机构生产的内容，这时候就要思考如何通过促销等手段将这批用户再次激活；

购买用户：产生过购买行为的用户，可以是付费课程，也可以是0元体验课；购买用户又可以按照最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)三个维度进行进一步的分层。根据不同的用户属性制定后续的营销和服务方案；

以前，机构在微信中基本上是只能发送语音、图文和小视频，借助微学伴，机构可以发布的内容形式可以更加多样化，比如直播、课程等，通过形势更加丰富的内容，增加与用户的互动。

机构在微信生态圈中开展内容运营和用户运营的过程中，会有各种各样的动作行为，通过微学伴提供的整体解决方案，可以实现对于数据有效的监测与收集。机构在微学伴看到相关的数据后就可以对内容进行优化，对用户进行分层管理。有了数据，教育在开展营销推广和内容制作的时候就不再是“盲人摸象”，而是“有的放矢”。

㈡ 【笔记】运营必须掌握的数据分析方法和意识

掌握数据分析的方法和意识，前提是要有较好的逻辑和推理分析能力，用逻辑分析能力分析出数之间的关系，让数据来指导你的运营工作。

数据对于运营的价值有哪些？

1、数据可以反映出一款产品当前的状态好坏和所处阶段

如果一个产品目前的用户已经有30—40万，那么运营团队的工作重点可能就是加大该产品的推广和营销力度，而如果它现在的用户只有1万，那更应该做的可能是踏实把产品体验给做好。

2、假如做完了一件事但效果不够好，数据可以告诉你，问题出在哪里。

通过分析你做这件事情的流程，看哪里的数据表现不够好，问题可能就出在这里。

3、假如你想要实现某个目标，数据可以帮助你找到达成目标的最佳路径

同样，列出完成目标需要达成的变量，然后从中寻找易变量；

4、极度精细的数据分析可以帮助你通过层层拆解，对用户更了解，也对整个站内的生态更有掌控力

5、数据当中可能隐藏一些潜在的能让你把一件事变得更好的线索和彩蛋，有待于你去发现和挖掘；当你发现一个指标发生突变的时候，你是不是应该对此做点什么？

数据的第二类价值体现：如果你想达成某个特定目标，如何通过数据来评估和具体化你的最佳达成路径——还是通过“指标拆解”来达成目标；

数据的第三类价值体现：极度精细的数据分析可以帮助你层层深入，对用户更了解，也对整个站内的生态更有掌控力，这里需要先引入两个概念——维度和度量

维度就是具体的数据指标，通常表现为某个量化过后的数据值；维度是去看待这些指标的不同角度。比如up,你可以从24小时时间的维度去看，以评估每天在不同时段的流量分布情况。

理解了这两个概念之后，就会对数据分析有更深的理解：所谓的数据分析，其实就是界定清楚你要评估的度量有哪些之后，然后需要你知道要从哪些维度去看待这些度量，偶尔还有可能需要在不同的维度和度量之间交叉做一些分析和对比，最后得出结论，把结果用图标等方式呈现出来。

比如对于一个主要讲创新的产品，需要对已有的用户做哪些分析？是不是要对用户根据不同行的行业做一个细分，然后再横向对比不同行业间同等阶层的用户听课习惯，是不是就可以给不同的用户推荐其可能感兴趣的课程？是不是再新产品上线的时候，就知道该主要针对哪些用户来宣传？分别推送给他们不同的服务和引导他们去完成不同的用户行为，这样的精细化运营，是不是可以大大助推你的用户留存和活跃？

一般来说，对数据做分析之后，一般可以做出的评估有两种：

1、判断数据是否有需要注意的异常情况，如有异常，及时分析原因；

2、给自己的运营工作找一些方向性的指导；

最后补充，作为一个运营负责人，要定期针对关键性的用户行为定期做全方位、多维度的分析，做到每一个关键用户行为的用户习惯和当前产品指标中的关键问题来了然于胸。

再者，很多产品往往都是20%的重点用户给该产品带来80%的价值。所以，也要培养自己重点去关注对你最有价值的那部分用户的意识，比如至少把50%的精力用于关注他们。

数据当中还可能隐藏着一些潜在的能够帮助你把一件事情变的更好的线索，可以按照下面这个逻辑去发现它：

1、找出产品中，当前肯跟存在问题的某个关键度量；

2、对于这些度量惊醒纵览，从它的构成里去看是否所有的用户或我们的所有服务在这个度量上的表现都很差，还是说有一部分用户或服务在该度量上的表现是显著高于其它用户或服务的。

3、对于哪些表现显著要好的其它用户和服务在不同维度上进行进一步挖掘，寻找他们背后的一些用户行为或特征，然后再把这些特征放大到极致。

综合来看，数据对于运营的价值就在于帮你找到一块战场上的发力点和突破口。

文章源自《运营之光2.0》读书笔记

㈢ 六步实现数据驱动运营

数据驱动运营是老生常谈了，但是有好多新手并不懂如何去做数据运营，本文则系统的介绍了如何分6步来实现数据运营。

1.目的

通过对运营数据进行分析，帮助我们进一步对用户进行差分运营。

2.核心

分析问题包含哪些方面，在占比高并且自己可以发力的点上去优化。

运营是一个包含了诸多琐碎事项的工作，运营人员要会拆分自己的工作项，并根据不同工作项的特点有针对地对特定的运营数据进行分析，才能事半功倍。

那么怎么 拆分工作项 呢？可以按照面对的用户群体分解，通常与用户分级联系在一起，将工作拆分成面向所有 普通用户、面向活跃用户、面向付费用户等等 。也可以按照项目将自己的工作进行拆分。还可以按照时间顺序确定不同阶段的目标，根据自己的目标来拆分工作项。

拆分完工作项后，针对每一个工作项有不同的指标，我们要根据工作项的特点进一步拆分和细化运营数据指标，然后通过对每一个指标的分析来判断运营问题并不断优化运营方案。

拆分的维度 可以按照数据的包含结构，也可以按照每一个工作项包含的子项进行拆分。

以用户运营为例，用户运营包含了用户的拉新、促活、留存、付费转化等方面。而就拉新来说，关键的指标有注册用户的规模、增长速度；渠道质量——注册渠道有哪些，渠道的注册转化率如何；注册流程质量——完成注册的用户数、注册流程中用户蹦失节点统计；注册用户行为追踪——完成注册后用户的行为统计。

细化分析目标是指根据运营目标，确定能够进行优化的数据点。 这一步是为接下来的数据提取处理分析奠基的。

举个简单的例子，假如现在做完一场活动，想知道下一次举办相同或相似活动时有哪些地方可以优化，需要关心的点除了最终参与效果还有：活动推广的渠道有哪些，每一个渠道的参与路径是怎样的，路径中的每一步参与人数有多少，转化率达到多少，等等。明确了分析目标后，就可以确定要提取的数据点有哪些。

在提取数据这里涉及一个数据埋点的问题，在产品设计的早期，运营人员就要规划好运营关键点，列出埋点清单提交给开发人员，以免后期运营过程中想要查看某一个数据但却没有数据记录信息。

此外，提取出来的数据要经过一系列的处理后方可进入分析阶段。

（1）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、权重分析法、杜邦分析法等等。

1）对比分析法

指按照不同的维度进行对比，以探寻数据的变化，发现其中蕴含的规律或启示。

对比的维度包含了 ：与预期目标对比、不同时间段的对比、与同行对比、与运营前的效果对比、不同用户间的对比、不同操作间的对比，等等。

接下来用一个 例子讲解如何通过对不同时间段数据的对比来进行用户画像并根据用户画像做出运营策略的调整。

上边这张折线图反应的是某产品的日活跃用户数变化规律。2016年4月初到7月初其基本是成周期变化，且周期为一个星期，数据较大的点主要是在周末，因此我们可以推测这个产品的主要用户是学生。而且在6月的时候日活跃数据略有所下降，7月中旬以后数据上升且变化这与学生期末考试和放假的时间也基本吻合，进一步佐证了用户画像。

2）结构分析法

被分析总体内的各部分与总体之间的对比分析，常用结构相对指标（=(部分/总体)*100%）来表示，这个数值越大表明该部分在整体中所占权重越大，其重要性越大，对整体的影响也就越大。

3）平均分析法

反映的是一定条件下，某个指标的一般水平，多用于衡量业务的健康度。

比方说某个商品有A、B、C三个销售渠道，假如想了解这三个销售渠道谁对营收贡献最大，可以统计这三个渠道的平均销售额。这个时候要注意，平均分析法的“平均”是有前提的，它必须建立在用来计算平均值的数据是否都是有效的。比方说现在A渠道有一天的销售数据突然骤减为0，这是很反常的，这个时候要去查问题到底出在哪，如果是因为比方说那天A渠道出现了某些突发故障，那么应该剔除这个数据再计算平均值。

那是不是平均值越高说明业务越健康呢？

不一定。比方说A卖的是羽绒服 ，B卖的是短裙，夏季的时候A的销售均值比B低，这并不能说明A的业务就比B的差。

平均分析法适用于双方的业务和所处的情况比较接近也即我们常说的，具有可比性时，才有意义。

4）权重分析法

将多个指标转化为一个能够反映综合情况的指标来进行分析评价，具体的做法是确定各个指标的权重，然后对处理后的指标进行汇总后计算出综合评价指数。常用以对处于并列关系的子类进行分析。

如图所示，某产品有三个推广渠道——A、B和C。这三个渠道又细分为通过购买母婴类产品的推荐转化、参加相关线下活动的转化 以及来自公众平台的转化。若要衡量A、B、C三个渠道的质量如何，可以给各个细分渠道设置某个权重，定义“渠道质量”这个指标对应的公式（如：渠道质量=购买了母婴类产品后的推荐转化人数*60%+线下活动转化人数*30%+公众号转化人数*10%），通过加权求和后比较这三个渠道的质量高低。

那权重的设置依据是什么呢？一个是要根据各个细分指标的重要性，另一个来自于以往的运营结果。还是以刚刚那个产品为例，假设产品是跟母婴类相关的，那么根据以往的运营经验，通过购买了母婴类商品后的推荐引流来的用户，后续转化为活跃用户的概率更高，那么这个渠道的权重就可以相应的设高点，而通过公众号导流来的用户流失率极高，其权重就可以比较低。

5）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。

如图所示，假设产品更新后最近的收入降低了，老板让分析下原因出在什么地方、可以做出哪些调整，那么我们可以 将收入拆分 ——收入=付费人数*ARPU（每用户平均收入）。接下来对付费人数进行拆分，付费人数=活跃人数*付费渗透率。据观察，付费渗透率几乎没有变化，而活跃人数下降了，进一步细分活跃人数。活跃人数=新用户中的活跃用户+老用户中的活跃用户，倘若老用户中的活跃人数上升了，而新用户的活跃人数下降了，可以进一步将其拆分。然后分析，新用户=推广覆盖人数*转化率，在转化率基本不变的情况下，将推广渠道细分，根据数据，渠道一下降了而渠道二上升了 ， 不断进一步拆分，直到指标不能再细分 后，针对细分后的指标分析其中哪些对最终的收入影响较大，产生变化的原因是什么，是否可以通过人为的调整方案后进行改善，等等。

（2）造成数据波动的原因

常见造成数据变化的原因：时间、推广与触达、运营活动、关联特性、用户属性和构成、故障、业界趋势。

前三个就不详细展开了，这里讲下后边几个要素。所谓关联特性其实就是刚刚通过杜邦分析法拆分出来的要素，而用户属性和构成要素是指针对不同的用户，同个产品或活动的日活、付费等数据是会发生变化的。业界趋势对运营数据的影响：举个去年很火的例子——O2O，去年O2O这个概念炒的特别火的时候，大量资本砸钱进入这个市场，在各种补贴的刺激下，用户激增，现在市场较为成熟后，用户数增长就比较平缓了。

仔细观察可以发现，以上数据分析流程实际上形成了一个闭环。总结汇报完毕，我们需要将得出的结论运用到实践中，继续观察数据的变化并不断优化我们的运营策略。

为了能够更好地帮助刚开始建立运营体系的企业解决一些日常工作中的痛点，推荐你上一门由作者总策划的课《互联网人的数据运营实践训练营》，由长年工作在大型互联网企业内部，踩过过无数的“数据坑”，平均经验都在十年以上，都符合格拉德威尔在“一万小时定律”中的描述的四位老师： 安琦、黄捷、黄一能、王晔传授 ！时间：2016年12月17日-18日 8:30-17:30，一定能有效地帮助你。

报名： http://event.3188.la/530802826