四大业务场景解析数据化运营的最佳实践
稿源：站长之家用户
导读：“要想做好数据化运营，最佳实践就是业务和技术并重，这也是永洪不断努力践行和优化的方面，我们不只是给客户提供产品，还包括完善的后期的服务——实施、培训，甚至数据咨询等，我们都有相关的配套服务，这样可以让客户真正地把数据价值落地，在业务场景中将数据价值变现。”——永洪科技高级副总裁王桐
以下内容整理自王桐先生在7月23号永洪上海大数据峰会上的演讲原文。
作为一家以产品见长，不管在技术还是在易用性等方方面面，都希望把产品打磨到极致，并以它为生存之根本的一家公司，为了体现对产品的信心，我这个环节演示的时间会大于PPT的时间。我们结合实际分析的业务场景来看一下数据化运营的最佳实践是什么样的。
今天涉及到的场景包括四个方面：1.用户画像的场景，它的数据化分析是怎么做的;2.销售型的企业，它的销售分析可以怎样做;3.对于一些有流通环节的物流企业，物流分析怎么做;4.还有任何一家企业的老板和财务都会非常关心的，企业财务指标的分析可以用怎样的方式去做。从这四个角度看怎样做数据化运营这件事情。
　　场景一，用户画像的场景
这也是现在在数据分析领域里面非常热门、非常经典的数据分析的用处。上午黄总也讲了美的集团怎样在全球做自己的用户画像，然后指导业务。首先我们要回答一个问题，做用户画像的目的到底是什么?其实做用户画像有两个大的目的是最典型的。
1.服务于产品研发设计人员，对于一个电商平台，可能有选品人员、买手和研发设计人员，用户画像可以作为他们的业务指导依据。
以前传统企业上新品的时候往往是闭门造车，根据自己的想象觉得消费者和用户喜欢什么，然后就做一个什么样的产品。这样就会导致市面上新品存活率很低，即使是宝洁这样的巨头公司，其实它的新品存活率也不超过百分之十几。所以大量的研发、资源和资金都浪费在这里面。
那么通过用户画像可以改变什么?当选品和研发设计人员想设计或者挑选一个新的产品提供给用户的时候，可以先针对目标用户群体做数据分析和需求调研，看看这部分用户的喜好和特点是什么，然后再有的放矢地设计新品，这样可以提高新品的存活率。
举一个传统家电业的例子。假设现在想要针对年轻女性设计一款新的电视，那么研发设计人员就可以勾选“电视、女性，年龄段”等等多维的条件，这样缩小了范围，就会发现用户诉求、功能诉求、购买渠道排名，然后就能够实时聚焦到这部分用户群体和电视产品相应的分析结果。
我们来看功能诉求这一块，功能诉求通过一个“词云”来展示，用户在功能诉求上面最突出的几个词，我们可以看到3D电视、智能电视，这是年轻女士非常青睐的电视功能。然而有客户曾经遇到过一个非常反直觉的真实案例，4K电视是这两年比较火的新的概念，但对于年轻女性来讲，她们对4K电视并不感兴趣。所以如果不做用户需求的调研，就贸然地赶新技术的潮流，针对年轻女性设计一款4K电视，那么新品的存活率一定不容乐观。
其实在实际的业务应用场景中，除了功能诉求以外，还可以在仪表盘上面放N个不同功能诉求维度的词云图。另外，像颜色诉求、价位诉求、尺寸诉求和类型诉求，这些都可以做一个聚焦的细分。
对于企划人员来说，其实只通过几个简单的操作就可以在一分钟内，快速得到一个既具体、又精准的结论。如果想针对一部分用户设计一款3D、智能、白色、52寸以下、4500元以下、壁挂的一个电视，可以想象一下，如果拿到这样具体的指导，其实后面要做的事情就是把工业设计、美观的部分做好就可以了。首先新品的调研和研发的周期就会得到一定程度的缩短，可以提高效率。再者，消费者在做购买决策的时候，会发现他心里所有的硬性条件这个产品都能满足，他只需要看一下品牌和样式，就能做出消费决策。比起传统的方式，这样非常简单的方式更容易被人接受。企业通过非常简单的方式，就可以几倍地提高新品存活率，这样在市场中想要通过新品扩大市场占有率，就是非常可行的事情了。
2.针对业务需求。通过我们的产品做出这样一个仪表盘，其实是几分钟就可以做到。但是选哪些分析指标和维度把它们组合到一起，放到同一个页面上面，便是业务需要考虑的事情了。因为每一个图表都是数据不同的角度，既然业务人员把这些图表放到一个页面上面，说明他们之间肯定存在关联关系和业务逻辑，那怎样的一个业务逻辑，包括筛选器怎样摆放、布局、整合思考逻辑，这就是需要业务功底的地方。
所以业务的功底和IT技术相结合，就能做出一个简单易用又实用，并且效果非常好的数据分析的仪表盘。我们动辄言称大数据，其实真正做好的结果，并不一定是多难懂、多复杂的东西，因为实用的东西一定是简单的，这样才容易被理解、被掌握，然后才容易在企业内部做大范围的推广，才能做到人人都是数据分析师，但凡它有点复杂、有些门槛，都会让事情变得不那么可控。
我们知道，只要涉及到做BI或者做数据分析，一定是IT和业务并重的事情。IT数据处理的部分，比如说某个词云的词的数据源是怎么来的，它的算法可能是比较综合的，可能这部分的数据有0.8的权重来自于过去ERP里面已成交的购买记录，另外0.2的权重可以分配给从网络上面抓回来的舆情数据，把分词提取出来。这样既看了过去的实时分析结果，又看了未来的热点和可能的趋势，综合起来得出这么一个功能诉求的标签。
3.另外一个典型的目的是精准营销。对什么人、卖什么产品、什么渠道卖、用什么样的方式卖?这需要结合用户的喜好和特点，因地制宜地制定营销策略和内容。
比如说还是同样的新品，这个新品已经做出来了，那在什么渠道首发呢?首发的促销应该在哪一个线下活动的渠道上面做?哪个效果是最好的、能够一炮走红?
假设现在整体的电视渠道是苏宁、精品、国美、社区店这样的排名，假设通过数据分析，最终做的是一款3D的电视，它的渠道排名和整个电视销量的渠道排名可能会不一样。我们放大一下图表，就会发现其他所有的图表都是一起联动的。这个数据就能告诉我们答案，如果做智能电视首发渠道应该是苏宁，而不应该是精品店或者社区店，因为在智能电视里面，苏宁的排名是第一的，首发促销的活动在这个渠道上面做，可能得到的效果是最好的。
　　场景二，销售收入分析的场景
如果对用户基本的属性做一个调研，我们可以基于过去用户购买的客单价，还有通过调研手段得到他的年收入，也综合地得到一些标签，包括区域分布、性别、职业、年龄、教育水平等等，这样就能快速地掌握某个用户群体整体的特征。
上午我们CEO讲了很重要的一点，过去数据分析的瓶颈是静态报告，刚才我们有一个动态的例子，这个动态其实可以应用在每一个图表当中，因为每一个图表都是我们看数据的一个角度，应该从任意一个角度进去，从其他任意一个角度出来，这样完成一个无穷无尽组合的交叉对比分析的过程。
比如想看一下三十几岁的这部分中年人或者中青年人的教育水平、区域分布、性别比例、职业比例到底是什么样，应该怎么做呢?很简单，选中这部分人群年龄的柱子，跟刚才一样，再放大一下，这时候就看到教育水平、性别比例，这样局部用户的特点马上就知道了，然后就可以针对这部分用户的特点去制定营销的策略和内容。如果下一次企业想针对二十多岁年轻人设计产品的时候，也是同样的道理，同一个页面可以反复应用，不断支撑未来无穷无尽的业务上的需求。
分析的页面之间是有层次的，这是偏宏观的分析。假设要了解“时尚新贵”这个标签的用户群体购买力是怎样的，把报表都放在同一个页面上会显得特别的拥挤，而且会干扰决策者看数据和思考。那么做成不同的页面，用符合业务逻辑的方式把它们串接起来，点一下“时尚新贵”这个气泡，我们就可以到家庭购买力的分析页面上，“时尚新贵”这部分人群的家庭收入水平、住房情况。我们可以看到“时尚新贵”过去总消费是三千多万，60%的人都是属于中购买力，29%是属于高购买力，只有4%的人是属于低购买力，这样就对这部分的用户有一个更深刻的了解。
如果换一部分人群，“保守谨慎”。可以点击一下“保守谨慎”的气泡，然后我们就会看到“保守谨慎”这部分人的购买力的情况。可以看到总消费五百多万，75%的人属于低购买力，年收入的情况也会相对比较少。所以把页面做出不同的层次，每个页面尽量的简洁、简约，这是非常重要的。
再看一个我们销售的例子。经常有客户在前期接触的时候会问我们：你们能做什么样的数据分析?到底是做销售的?还是市场的?还是财务的?我们会告诉客户，不管你有什么样的数据，只要你有数据，我们就可以帮助你做分析。也就是说只要你有了数据，你想对它做任何的价值变现和落地实现，中间整个通道上面需要的所有环节，都可以用我们的一站式的大数据分析平台进行打造和实现。
这是销售汇总的报告，我们可以看一些宏观的指标，包括总销售额、总利润额、产品和区域的交叉对比。跟刚才一样，点一下总销售额，可以到销售明细的报告的情况。这时候动态报告和业务具体是怎样结合的?我再举一个例子，比如说在产品利润趋势的这个曲线，我们发现从7月份开始连续三四个月都是下滑的，发现问题肯定是不够的，怎么去找到问题的答案呢?永洪数据科学研究院在讲课时也会讲，对于发现问题、找到答案的过程，我们用到数据分析的思想就是细分的思想，要对它做不同维度、不断地细分，看到底是哪一个区域利润下降了，哪个产品在哪个时间段利润下降了。直到定位到具体的某一个责任人的时候，这个时候才停止。
怎样做这个细分呢?跟刚才的操作其实一样，把这四个月的数据圈选住，再联动一下，这个时候所有的图表都会淡化掉，只高亮显示选中的四个月的数据。哪些产品在这四个月的库存相对比较高，说明有可能是造成利润细化的原因;哪些产品的收入在这四个月相对比较少，这就有可能是造成下滑的原因。造成任何一个问题的原因往往不是单一的，这样可以在一个页面上把这些原因一目了然的看清楚，这样有一个全局的掌控。
有人可能会问，为什么不像刚才一样放大?放大以后，这个图表不会有淡化和高亮对比的效果，而且如果用放大的方式，我们看到的就是这些产品四个月来的收入和毛利的数据。为什么这一次用高亮的联动方式呢?因为如果只用那种放大的聚焦，最后筛选出来这些产品，可能我们看到一些产品收入高或者低，其实这不能说明问题。因为一些产品本来可能在公司收入占比就比较低，所以它一直是销售收入占比最低的产品，这说明收入低是很正常的，不是造成利润下滑的原因，所以必须把局部的数据跟整体的数据做对比才能知道哪些产品这四个月相对的表现不好，然后去发现造成利润下滑的原因。
假设高亮的对比，初步判断是1.5匹的空调造成利润下滑，我们应该怎样去验证?也很简单。双击一下1.5匹的空调的柱子，以它为中心，做一个全局联动，这时候产品利润趋势这张图就淡化掉了，然后新出来一根高亮的线，这根线是1.5匹的空调在这张图上面的利润走势，我们发现从7月份开始连续三四个月确实是下滑的，说明之前的判断是没有错的。假设我们换一个产品，2.0匹的空调，会发现它在这三四个月的表现比较平稳，说明它不是造成利润下滑的原因，这样通过相对比才能真正地找到原因。
　　场景三，跟流通环节相关的，物流的场景
很多企业生产的都是有形的产品，不管是自建物流还是跟第三方物流合作，我们总要对它有感知才能知道这部分到底做得好不好，这样才能改进和优化它。
这是我们做的一个物流整体分析的仪表板，对于物流这部分，我们最关心的是每个环节类似于漏斗的情况。比如说在流程图里我们看到总发货多少件，每一步的比例是怎样的，这样全球累积发货总的比例都可以在这边看。
对于物流来讲时长越短越好，颜色越深说明时间用得越长，说明有改进空间。在全球区域上面会看到，美国和加拿大颜色比较浅，说明用的总时长比较短、做得比较好。聚焦以后，我们会发现它们几乎所有的环节都是低于7天良好的目标线的，离14天的警戒线还很远。它的平均在途周期、平均在建周期是怎样的，我们都可以用这个方式做相应的处理。
中间发现每一步都有衰减，说明肯定有很多未完成的订单，这些订单可以直接穿透到未完成的货物列表，去看哪些属于未完成的，并做一些排名。发现超过12天未收的都会有红色显示，超过7天有黄色警告的显示，我们可以看哪些属于延时比较严重的，并且这部分的货在哪些国家，属于什么合同类型，然后就知道是不是合同类型或者这个区域有一些问题了，然后再深入的看一看。
　　场景四，我们看一下财务的场景
财务是不管我们做什么行业，最终都要归口的分析。财务分析是一个博大精深的领域，怎样用数据去做好指标体系和分析体系，来指导业务运营的优化?
一个比较大的集团性企业的集团领导和职能的领导一般看财务的时候都是怎样做的分析?对于集团的领导来讲，他关心肯定的是比较宏观的一些指标，比如说五大财务能力，包括营业收入、总利润等等。我们可以用这种红绿灯和红绿箭头，让大领导们快速地知道现在哪一点是好的，哪一点是比较凑合的，哪一点有点问题了，我们要快速地找到这些问题的原因。
同时，我们做数据分析的时候不能把思想设得特别局限和狭隘，有时候一些跟数据分析相关的图表，可能并不是一个数据分析的图表或者报表，但是会帮助用户和领导来更好地做分析，这些信息可能并不是结构化的数据，其实也有必要放在同样的页面上，帮助我们进行分析。比如说我想知道EVA(税后净营运利润减去投入资本的机会成本后的所得)下降对于股票的走势会是什么情况?我们可以把股票的走势直接放到这里面，这样两者一对比可以看出更多的结论，包括最近公司涉及到的一些重大事项是怎么样，哪些因素影响了EVA的下降，包括后面一些财务的排名等等。
我们可以进一步看营业收入的详细指标的分析。比如说看EVA详细的分析。我们可以做模拟数据，因为上午浙大的陈教授已经讲了，数据可视化不仅仅是结果的展现，还有模拟的仿真。对于EVA来讲，利益支出少一点、研发多投一点会怎么影响利润，都可以在这里面调整，这样可以快速地给领导做出一个模拟的数据分析，后面的决策怎样做，即便有十种想法都能够在五分钟之内快速地验证。
一个公司的大老板看财务的时候，就不是狭隘的三张报表了，比如说市场竞争的分析、经营业绩指标，还有重点任务的指标和达成，都可以在这里面，由公司的领导去看，当然也可以筛选时间去看。
对于一个职能的领导，比如说CFO或者财务总监，也可以看自己的指标，像总策划项目有多少风险项以及后续具体的任务执行情况都可以在里面看。
以上我从用户画像、销售收入，从物流还有从财务四个应用场景进行分析，并举了几个在座的朋友们会接触到的一些场景，然后给大家做一个直观的分享，重点强调一个点，要想做好数据化运营，最佳实践就是业务和技术并重，这也是永洪不断努力践行和优化的方面，我们不只是给客户提供产品，还包括完善的后期的服务——实施、培训，甚至数据咨询等，我们都有相关的配套服务，这样可以让客户真正地把数据价值落地，在业务场景中将数据价值变现。
王桐，永洪科技高级副总裁。北京航空航天大学工学硕士，拥有8年商业智能领域的产品销售、市场营销经验，此前效力于甲骨文和IBM，均在咨询、销售岗位担任重要职位，曾成功推进多个大型项目的实施，在电商、政府、金融、互联网等行业积累了丰富经验。
有好的文章希望站长之家帮助分享推广，猛戳这里
本网页浏览已超过3分钟，点击关闭或灰色背景，即可回到网页案例解析如何进行运营的数据分析
文章主要概述了数据分析的方法与流程，并通过案例解析如何进行运营的数据分析。干货好文，与大家分享。
对于数据分析，我发现很多运营都有这样一些困惑：
不知道从哪里获取数据;
不知道用什么样的工具;
不清楚分析的方法论和框架;
大部分的数据分析流于形式。
其实，数据分析并没有大家想象的那么难
概念：数据与数据分析
大家一直在说收集数据和数据分析，但是对于两者具体的定义又很难说清楚。很多人都会先入为主，认为数据就是各种表格、各种数字，例如excel报表、各种数据库。其实这是一个错误或者说有偏差的认识，它会使得我们对数据的认识变得很狭隘。
1.什么是数据？
数据（data）是描述事物的符号记录，是构成信息或者知识的原始材料。这种哲学层次的定义，让数据的范围极大丰富，也符合目前“大数据”发展的需要。
作为一名运营人，我们接触到的数据可能没有那么复杂，但是也有很多类别。
从数据的来源来看，可以分为企业外部数据和内部数据。外部数据主要包括宏观经济、新闻舆情、社会人口、和市场调研数据;内部数据包括用户行为数据、服务端日志数据、CRM与交易数据。不同数据的获取途径、分析方法、分析目的都不经相同，不同行业、不同企业在实际分析中也都各有偏好。
2.什么是数据分析？
数据分析是指从数据中提取有用的信息，并指导实践。
但需要注意的是：
这些信息需要用来指导实践，而不是流于形式;
需要提取的是有用的信息，而不是自嗨。
思路：方法论与方法
很多人刚接触数据分析的时候，都深感无从下手。所以我们需要宏观的方法论和微观的方法来指导。那么方法论和方法有什么区别？
方法论是从宏观角度出发，从管理和业务的角度提出的分析框架，指导我们接下来具体分析的方向。
方法是微观的概念，是指我们在具体分析过程中使用的方法。
数据分析的方法论很多，这里我给大家介绍一些常见的框架。
AARRR：增长黑客的海盗法则，精益创业的重要框架，从获取（Acquisition）、激活（Activation）、留存（Retention）、变现（Revenue）和推荐（Referral）5个环节增长。
4P理论：经典营销理论，认为产品（Product）、价格（Price）、渠道（Place）和促销（Promote）是影响市场的重要因素。
5W2H分析法：从Why、When、Where、What、Who、How、How much 7个常见的维度分析问题。
PEST分析法：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。
SWOT分析法：从优势（Strength）、劣势（Weakness）、机遇（Opportunity）、威胁（Threat）四个方面分析内外环境，适用于宏观分析。
数据分析的方法论很多，没有最好的方法论，只有最合适的。详细介绍一下 AARRR 方法论，对于精益化运营、业务增长的问题，这个方法论非常契合。
对于互联网产品而言，用户具有明显的生命周期特征，下面我以一个O2O行业的APP为例阐述一下。
通过各种线上、线下的渠道获取新用户，下载安装APP。
安装完APP后，通过运营手段激活用户；比如说首单免费、代金券、红包等方式。
通过一系列的运营使部分用户留存下来，给企业带营收。
如果用户觉得这个产品不错，可能推荐给身边的人;或者通过红包等激励手段鼓励分享到朋友圈等等。
需要注意的是以上环节并非完全按照上面顺序来的;运营可以根据业务需要灵活应用。 AARRR的五个环节都可以通过数据指标来衡量与分析，从而实现精益化运营的目的;每个环节的提升都可以有效增长业务。
借助常见的网站/APP数据分析产品，我们非常快速的完成这7种分析。
趋势分析是最简单、最基础，也是最常见的数据监测与数据分析方法。通常我们在数据分析产品中建立一张数据指标的线图或者柱状图，然后持续观察，重点关注异常值。
在这个过程中，我们要选定第一关键指标（OMTM，One Metric That Matter），而不要被虚荣指标（vanity metrics ）所迷惑。
以社交类APP为例，如果我们将下载量作为第一关键指标，可能就会走偏;因为用户下载APP并不代表他使用了你的产品。在这种情况下，建议将DAU（Daily Active Users，日活跃用户）作为第一关键指标，而且是启动并且执行了某个操作的用户才能算上去;这样的指标才有实际意义，运营人员要核心关注这类指标。
多维分解是指从业务需求出发，将指标从多个维度进行拆分;这里的维度包括但不限于浏览器、访问来源、操作系统、广告内容等等。
有时候一个非常笼统或者最终的指标你是看不出什么问题来的，但是进行拆分之后，很多细节问题就会浮现出来。
举个例子，某网站的跳出率是0.47、平均访问深度是4.39、平均访问时长是0.55分钟。如果你要提升用户的参与度，显然这样的数据会让你无从下手;但是你对这些指标进行拆解之后就会发现很多思路。
下面展示的是一个产品在不同操作系统下的用户参与度指标数据。
仔细观察的话，你会发现移动端平台（Android、Windows Phone、IOS）的用户参与度极差，表现在跳出率极高、访问深度和平均访问时长很低。这样的话你就会发现问题，是不是我们的产品在移动端上没有做优化导致用户体验不好?在这样一个移动互联网时代，这是非常重要的一个问题。
用户分群主要有两种分法：维度和行为组合。第一种根据用户的维度进行分群，比如从地区维度分，有北京、上海、广州、杭州等地的用户;从用户登录平台进行分群，有PC端、平板端和手机移动端用户。第二种根据用户行为组合进行分群，比如说每周在社区签到3次的用户与每周在社区签到少于3次的用户的区别，这个具体的我会在后面的留存分析中介绍。
正如前面所说的，用户行为数据也是数据的一种，观察用户在你产品内的行为路径是一种非常直观的分析方法。在用户分群的基础上，一般抽取3-5个用户进行细查，即可覆盖分群用户大部分行为规律。
我们以一个产品的注册流程为例：
用户经历了如下的操作流程：【访问官网】-【点击注册】-【输入号码】-【获取验证码】。本来是非常流畅的一个环节，但是却发现一个用户连续点击了3次【获取验证码】然后放弃提交。这就奇怪了，用户为什么会多次点击验证码呢?这个时候我建议您去亲自体验一下您的产品，走一遍注册流程。
你会发现，点击【获取验证码】后，经常迟迟收不到验证码;然后你又会不断点击【获取验证码】，所以就出现了上面的情况。绝大多数产品都或多或少存在一些反人类的设计或者BUG，通过用户细查可以很好地发现产品中存在的问题并且及时解决。
漏斗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，因而得名。
漏斗分析要注意的两个要点：第一，不但要看总体的转化率，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。
某企业的注册流程采用邮箱方式，注册转化率一直很低，才27%;通过漏斗分析发现，主要流失在【提交验证码】的环节。
经过了解发现，邮箱验证非常容易出现注册邮箱收不到邮件的情况，原因包括邮件代理商被屏蔽、邮件含有敏感字被归入垃圾邮箱、邮件送达时间过长等等。既然这么多不可控因素影响注册转化率，那就换一种验证方式。换成短信验证后，总体转化率提升到了43%，这是非常大的一个增长。
留存，顾名思义就是新用户留下来持续使用产品的含义。衡量留存的常见指标有：次日留存率、7日留存率、30日留存率等等。我们可以从两个方面去分析留存，一个是新用户的留存率，另一个是产品功能的留存。
以社区网站为例，“每周签到3次”的用户留存率明显高于“每周签到少于3次”的用户。签到这一功能在无形中提升了社区的用户的粘性和留存率，这也是很多社群或者社区主推这个功能的原因。
首次注册微博，微博会向你推荐关注10个大V;首次注册LinkedIn，LinkedIn会向你推荐5个同事;申请信用卡时，发卡方会说信用卡消费满4笔即可抽取【无人机】大奖;很多社交产品规定，每周签到5次，用户可以获得双重积分或者虚拟货币。在这里面“关注10个大V”、“关注5个同事”、“消费4笔”、“签到5次”就是我想说的Magic Number，这些数字都是通过长期的数据分析或者机器学习的方式发现的。实践证明，符合这些特征的用户留存度是最高的;运营人员需要不断去push，激励用户达到这个标准，从而提升留存率。
A/B测试与A/A测试
A/B测试是为了达到一个目标，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。
在A/B测试方面，谷歌是不遗余力地尝试;对于搜索结果的显示，谷歌会制定多种不同的方案（包括文案标题，字体大小，颜色等等），不断来优化搜索结果中广告的点击率。
流程：宏观、中观和微观
有了具体的分析方法还不够，运营要做好数据分析还需要一个清晰的流程。在这里从宏观、中观和微观三个层次给大家介绍一下。
风靡硅谷的精益创业，它推崇MVP（最简化可行产品）的理念，通过小步快跑的方式来不断优化产品、增长用户。
在运营工作中，我们要大胆尝试，将想法转化成产品和运营方法。然后分析其中的数据，衡量产品或者运营的效果。如果好的话保持并大力推广，如果不好的话总结问题及时改进。在“构建-“衡量”-“学习”的不断循环中逐渐优化，这个流程是非常适合运营工作的。
我们可以试着树立整体的流程：1.明确分析目的和思路 →2.数据收集 →3.数据处理 →4.数据分析 →5.数据展现 →6.报告撰写。
这个流程只是从“数据”的角度阐述了前后的流程，并未结合业务实际;但值得注意的是数据分析的最终目的是为了指导实践，而不是写一份报告。
下面介绍的是一个非常详细的分析流程，借助于一定的分析工具，我们可以按照这个思路对网站/APP进行细致入微的分析。
但这个流程是具有前提的，前提是用数据分析工具做好数据采集和监控工作，把精力集中在业务分析上。这个流程的核心是“MVP”的理念，“发现问题”-“设计实验”-“分析结果”，通过数据来不断优化产品和运营。
应用：体系与分析
1.案例：搭建数据分析体系
你们喜爱的彩蛋君在公司从事新媒体工作，负责微信的日常运营，阅读量时高时低，总体一般。彩蛋君想办法改进一下微信运营，提高微信的粉丝数和阅读数;
我们从数据分析的角度对这个很多运营人都面对的问题进行了讨论：
不清楚自己需要关注哪些核心指标;
不清楚目标用户的特征（用户属性、用户画像等）;
对自己过往工作缺乏系统分析（数据采集、监测和分析）。从业务增长的角度出发，为配合其内容工作的开展，定制一份分析体系至关重要。
第一点，内容定位。
运营需要明确知道自己的目标或者KPI，然后选择一个核心关键指标（OMTM）进行监测。如果是创业公司，初期可能需要拉新，那么核心指标是注册用户数或者新访问用户数。如果是资讯媒体，注重影响力和覆盖面，那么核心指标应该是微信阅读数或者网页PV。
第二点，用户画像。
无论是哪一种运营岗位，都需要明确知道自己的（目标）用户是那些人?这些人都有哪些特征，他们的关注点和痛点是什么?如果你的用户是产品经理，那么可以尝试爬虫抓取产品经理网站上有关的问题，然后做文本分析：这是定量层面的分析。同时，通过调查访问和问卷调研，获取更加深入的用户特征信息：这是从定性层面的分析。
第三点，持续监测。
借助数据分析工具，对核心关键指标（OMTM）进行持续监测。对于指标异常情况，我们需要及时分析和改进。
第四点，数据分析。
统计和分析过往内容的数据，找出哪些内容、哪些标题、哪些形式、哪些渠道的效果更好，然后朝这方面不断优化。
2.案例：分析业务核心指标
电子邮件营销是现在很多企业仍在采用的营销和运营方式，某互联网金融企业通过EDM给新用户（有邮件地址但是未注册用户）发送激活邮件。一直以来注册转化率维持在20%-30%之间，8月18日注册转化率暴跌，之后一直维持在10%左右。
这是一个非常严重的衰退，需要立即排查原因。EDM渠道注册转化率涉及到太多的因素，需要一个一个排查，我们列举可能的原因：
技术原因：ETL（数据抽取、转化、载入）出现问题，导致后端数据没有及时呈现在BI报表中;
宏观原因：季节性因素（节假日等），其余邮件冲击（其余部门也给用户发邮件稀释了用户的注意力）;
微观原因：邮件的标题、文案、排版设计，注册流程设计。
一个简单的业务指标，会影响到它的因素可能是多种多样的，所以我们需要对可能涉及到的因素进行精细化衡量才能不断优化。最后发现，产品经理在注册环节添加了『绑定信用卡』，导致注册转化率大幅度下降。
作者：TalkingData
来源：爱运营
您将要订阅:
40821位用户
一个关注移动互联网领域的分享平台，旨在帮助移动互联网创业者以及APP运营者能够更好的推广、运营自己的APP应用。
【上一篇】：
【下一篇】：
相关文章：
猜你喜欢：
用微信扫描二维码分享至好友/朋友圈