干貨 | 做運營必須掌握的數據分析思維，你還敢說不會做數據分析？
Warning: Invalid argument supplied for foreach() in /data/cxweb/www/gupowang.com/public/article/view.html on line 71
7年前
來源 | 超運營思維
作者 | 超哥Jason
對于運營數據分析，我相信很多小伙伴會存在以下問題：
面對異常數據經常出現“好像做了什么？好像發生了什么？所以可能造成了影響”的主觀臆測？
面對數據報表，不知道該怎么分析？不知道該分析什么？
數據分析作為運營最基礎的一項技能，你是否真正的將其價值發揮出來，合格的運營一定是數據驅動運營，而非運營驅動數據！
1
從單一維度到體系化的思考，是做數據分析必須做出的轉變！對于數據分析你需要有體系化的數據框架！
我們在考慮問題的時候都會遵循一個思路，即從宏觀到微觀，從全局到局部，數據分析也不例外。數據分析在產品運營中的地位在這里也無需多說，做數據分析一定要建立在對產品數據體系詳細了解的基礎上的，在做數據分析時候需要在心中建立起數據體系，產品數據維度體系由大到小可以分為宏觀數據、中觀數據、微觀數據三大層面：
以上數據分析緯度并非包含了我們運營的產品的所有數據緯度，在做數據分析時，我們需要結合自己的產品情況來做有用數據篩選。當然運營在提出具后臺需求時一定是基礎數據需求，常見的如用戶概況數據、PV數、UV數、UID數、啟動次數、留存率、跳出率、頁面訪問路徑等，很多運營人員在完善數據后臺需求時，提出一大堆數據，并且很多數據涉及到復雜的定義和計算，這樣只會增大后臺數據的運算壓力，對運營分析實際用出并不大，反而影響數據的查看效率。運營數據分析可根據后臺基礎數據結合Excel表格導出功能，以及借助第三方數據平臺來進行輔助分析，這樣不僅能夠降低后臺數據開發成本，也能大大提高數據分析效率。
2
做數據分析需要以目標為導向，學會做數據維度的逐級拆分，以結構化思維來做運營數據的全面的，系統性的分析。
在做產品運營的數據分析時，我們可以按照以下思路來進行：
① 確定數據分析目標
② 明確數據目標的關鍵影響維度拆解
③ 找出不同數據緯度之間的關聯關系從而建立起數據關系模型
④ 發現問題數據及出現原因
⑤ 針對問題數據影響維度做相應的優化
比如我們以天貓店鋪利潤情況進行分析，店鋪運營最關注的就是營業額，但最本質的還是盈利情況，按照上面提到的思路進行分析：
① 數據分析目標：店鋪的利潤情況分析
② 確定數據目標的關鍵影響維度拆解：
③ 找出不同緯度維度之間的關聯關系從而建立起數據分析模型：
利潤=銷售額-成本=流量*轉化率*客單價-（店鋪固定成本+運營成本+貨品成本+人員成本）。
④ 根據數據模型發現問題數據：
要想實現店鋪利潤（L）額最大化：L（max）=R（max）-C（min）
如果店鋪出現虧損，那么一定是R＜C，也就是成本大于收入，我們假設出現以下情況：
根據上述的假設思路，我們可以得出，在成本合理的情況下，店鋪出現了虧損，那么可以得出是銷售額太低，銷售額不高額影響原因是流量轉化率低。因此針對這種情況我們要做的就是提高店鋪的轉化率。
⑤ 針對問題數據影響維度做相應的優化：提升轉化率
我們可以通過以下幾個方面來提高轉化率：
——提升產品包裝
——優化詳情頁圖片和介紹文案
——優化消費者下單支付路徑和體驗
——提升客服服務水平和促單技巧
——做好用戶評價管理優化
——實行相應的促銷策略，如滿減、滿贈、折扣等
……
我們繼續以產品運營為例，比如我們突然發現某天產品的DAU增長幅度變大，按照上述的分析思路我們進行相應的梳理：
3
數據分析更多的是要關注多個數據維度之間的相關關系，而不是單個數據產生的因果關系！通過影響關鍵指標的數據維度的關聯關系建立數據分析模型。
比如我們以公眾號運營為例，公眾號運營的關鍵指標是粉絲數和文章閱讀量，而粉絲數和文章閱讀量的影響緯度肯有很多個。這些緯度之間也存在相應的影響關系，具體如下：
在做公眾號運營的時候，可以嘗試著把你影響文章閱讀量的所有數據全部梳理出來，然后去篩選出相對有用的一些數據維度，然后建立起他們的相關關系。在實際運營過程中，很多運營的小伙伴每周只關注推送了多少篇文章，增長了多少個粉絲，其實還應該關注一些細節數據，比如文章標題、內容長度、內容類型跟閱讀量、轉發量的關系，推送時間和頻次對閱讀量和粉絲增減的影響，另外就是有圖文、純文字、文章圖片數量、公眾號單圖文推送、多圖文推送、頭條推送和非頭條推送對閱讀量的影響等，這些都是需要在運營過程中需要考慮的，并且要養成對這些數據進行記錄的習慣。
在社區運營過程中最基本的模型就是用戶的金字塔模型了，這個金字塔模型的建立是依據用戶的活躍度和貢獻值來建立的，金字塔模型會將用戶分成幾個層級，層級越往上用戶的價值越大，貢獻值越高。當然這個用戶金字塔模型的建立一定不是固定的，而是根據具體的社區數據情況會在層級劃分和每個層級占比上都會有所不同，并且每個層級的具體需求和運營方式都是不同的。比如以某K12教育社區的運營為例：
社區發帖量這一核心數據指標提升，是與整個社區的用戶量，用戶層級比例，用戶層級轉化，每個層級用戶行為，用戶粘性，社區內容質量， 內容展示與推送情況等都存在一定的相關關系。所以在社區的運營過程中就要不斷的促進各個影響維度與社區發帖量的正向關系，那么社區發帖量與其他數據維度的關聯關系如何建立呢？超哥嘗試著做了一個簡單的梳理，相應的數據維度并未全部包含，此關系圖仍需完善，此處只是給出一種梳理思路，具體如下：
4
做運營一定要講數據分析培養成為潛意識行為，運營過程中的一切行為和手段都可以數據化，數據驅動運營。
① 培養數據分析的系統化思維
數據分析一般會存在兩種方向，一種是自上而下，另一種是自下而上。
自上而下的思路在前文已經提到過，具體的思路為：確立數據分析目標——目標影響維度拆解——各數據維度相關關系建立——發現問題數據及出現原因——問題數據優化，這種思路多用戶產品的數據分析體系或者模型的建立，從而保證數據分析的全面性。
自下而上的數據分析思路多用在針對已有數據報表中的數據問題發現，具體思路為：異常數據發現——該異常數據影響因素——影響因素與問題數據之間的相關關系——找出出現異常數據的原因——找到異常數據的解決辦法。
② 培養數據的敏感度
數據敏感度培養別無他法，除了掌握正確的數據分析方法外，就是每天看數據，每天分析數據，用數據說話。
③ 養成數據記錄習慣
做運營過程中會有很多細節數據，需要對這些數據進行記錄，當記錄的數據條數累計到一定程度通過就可以通過匯總的數據發現相應的數據規律，比如：
針對社區UGC帖子、熱帖、精品貼的記錄
針對消息中心PUSH的數據記錄
針對公眾號歷史推文數據的記錄
甚至可以對自己每日的工作內容及工作花費時間的記錄，從而用于工作效率優化
……
數據一定是比較理性和嚴謹的，所以我們需要理性的眼光來對待，當然運營產品的不同，我們需要的數據維度不同，做運營一定要學會給數據做定義，并且要保證其邏輯性和眼嚴謹性，要能經得起推敲。
數據分析是精細化的運營工作，一定要建立起體系化的思維，切勿盲目分析，粗暴分析。
投稿請戳這里！投稿
文章評論(0)