運營入門：從0到1搭建數據分析知識體系

時間 2019-12-07

標籤運營入門搭建數據分析知識體系简体版

原文原文鏈接

對於數據分析，我發現不少運營都有這樣一些困惑：html

不知道從哪裏獲取數據；
不知道用什麼樣的工具；
不清楚分析的方法論和框架；
大部分的數據分析流於形式；

……數據庫

其實，數據分析並無你們想象的那麼難！接觸了不少數據從業者，總結了這篇文章，但願對有志於學習數據分析的運營同窗有所幫助。編程

1、概念：數據和數據分析

其實你們一直都在接觸數據和數據分析，可是對於二者具體的定義又很難說清楚。我曾經作過一個調查，問一些運營同窗，下面5個選項哪些屬於「數據」概念的範圍。後端

圖1：哪些屬於「數據」概念範圍瀏覽器

大部分人都知道把「4.報表」選上，可是很難有人會認爲上面5個選項都是。其實這反映了一個很廣泛的現象：不少人都會先入爲主，認爲數據就是各類表格、各類數字，例如excel報表、各類數據庫。其實這是一個錯誤或者說有誤差的認識，它會使得咱們對數據的認識變得很狹隘。微信

（一）什麼是數據？

數據（data）是描述事物的符號記錄，是構成信息或者知識的原始材料。這種哲學層次的定義，讓數據的範圍極大豐富，也符合目前「大數據」發展的須要。試想一下，如今不少搜索引擎作的「圖片識別」、「音頻識別」難道不是數據分析的一部分嗎？框架

做爲一名互聯網企業的運營從業者，咱們接觸到的數據可能沒有那麼複雜，可是也有不少類別。機器學習

圖2：互聯網企業運營從業者可能接觸到的數據編程語言

從數據的來源來看，能夠分爲企業外部數據和內部數據。外部數據主要包括社會人口、宏觀經濟、新聞輿情和市場調研數據；內部數據包括用戶行爲數據、服務端日誌數據、CRM與交易數據。不一樣數據的獲取途徑、分析方法、分析目的都不經相同，不一樣行業、不一樣企業在實際分析中也都各有偏好。函數

那麼咱們常見的「信息」和「數據」有何不一樣？

數據是信息的載體和表現形式；信息是數據的內涵，信息加載於數據之上。以書本和知識爲例，書本屬於數據概念範疇，知識屬於信息概念範疇；書本是知識的一種載體和表現形式，知識是書本的內涵和昇華。

（二）什麼是數據分析？

數據分析是指從數據中提取有用的信息，並指導實踐。

這裏有兩個點須要注意：首先，咱們須要提取的是有用的信息，而不是自嗨；其次，這些信息須要用來指導實踐，而不是流於形式。

2、思路：方法論和方法

不少新人入門數據分析的時候，要麼鬍子眉毛一把抓，要麼無從下手。這都是缺乏分析思路的表現，須要宏觀的方法論和微觀的方法來指導。

那麼方法論和方法有什麼區別？

方法論是從宏觀角度出發，從管理和業務的角度提出的分析框架，指導咱們接下來具體分析的方向。方法是微觀的概念，是指咱們在具體分析過程當中使用的方法。

（一）方法論

數據分析的方法論不少，這裏我給你們介紹一些常見的框架。

PEST分析法：從政治（Politics）、經濟（Economy）、社會（Society）、技術（Technology）四個方面分析內外環境，適用於宏觀分析。
SWOT分析法：從優點（Strength）、劣勢（Weakness）、機遇（Opportunity）、威脅（Threat）四個方面分析內外環境，適用於宏觀分析。
5W2H分析法：從Why、When、Where、What、Who、How、How much 7個常見的維度分析問題。
4P理論：經典營銷理論，認爲產品（Product）、價格（Price）、渠道（Place）和促銷（Promote）是影響市場的重要因素。
AARRR：增加黑客的海盜法則，精益創業的重要框架，從獲取（Acquisition）、激活（Activation）、留存（Retention）、變現（Revenue）和推薦（Referral）5個環節增加。

數據分析的方法論不少，這裏不能一一列舉；沒有最好的方法論，只有最合適的。下面我詳細介紹一下 AARRR 方法論，對於精益化運營、業務增加的問題，這個方法論很是契合。

圖3：AARRR方法論

對於互聯網產品而言，用戶具備明顯的生命週期特徵，下面我以一個O2O行業的APP爲例闡述一下。

首先經過各類線上、線下的渠道獲取新用戶，下載安裝APP。安裝完APP後，經過運營手段激活用戶；好比說首單免費、代金券、紅包等方式。經過一系列的運營使部分用戶留存下來，而且給企業帶營收。在這個過程當中，若是用戶以爲這個產品不錯，可能推薦給身邊的人；或者經過紅包等激勵手段鼓勵分享到朋友圈等等。

須要注意的是，這5個環節並非徹底按照上面順序來的；運營能夠根據業務須要靈活應用。 AARRR的五個環節均可以經過數據指標來衡量與分析，從而實現精益化運營的目的；每一個環節的提高均可以有效增加業務。咱們下面的分析也是圍繞這個方法論展開的。

（二）方法

根據運營工做的實際須要，在參考了 GrowingIO 陳明的文章《一名優秀的數據分析師是怎樣煉成的》基礎上，我整理了7種分析方法。藉助常見的網站/APP數據分析產品，咱們很是快速的完成這7種分析。

1.趨勢分析

趨勢分析是最簡單、最基礎，也是最多見的數據監測與數據分析方法。一般咱們在數據分析產品中創建一張數據指標的線圖或者柱狀圖，而後持續觀察，重點關注異常值。

在這個過程當中，咱們要選定第一關鍵指標（OMTM，One Metric That Matter），而不要被虛榮指標（vanity metrics ）所迷惑。

以社交類APP爲例，若是咱們將下載量做爲第一關鍵指標，可能就會走偏；由於用戶下載APP並不表明他使用了你的產品。在這種狀況下，建議將DAU（Daily Active Users，日活躍用戶）做爲第一關鍵指標，並且是啓動而且執行了某個操做的用戶才能算上去；這樣的指標纔有實際意義，運營人員要核心關注這類指標。

2.多維分解

多維分解是指從業務需求出發，將指標從多個維度進行拆分；這裏的維度包括但不限於瀏覽器、訪問來源、操做系統、廣告內容等等。

爲何須要進行多維拆解？有時候一個很是籠統或者最終的指標你是看不出什麼問題來的，可是進行拆分以後，不少細節問題就會浮現出來。

舉個例子，某網站的跳出率是0.4七、平均訪問深度是4.3九、平均訪問時長是0.55分鐘。若是你要提高用戶的參與度，顯然這樣的數據會讓你無從下手；可是你對這些指標進行拆解以後就會發現不少思路。

下面展現的是一個產品在不一樣操做系統下的用戶參與度指標數據。

圖4：不一樣操做系統用戶的參與程度

仔細觀察的話，你會發現移動端平臺（Android、Windows Phone、IOS）的用戶參與度極差，表如今跳出率極高、訪問深度和平均訪問時長很低。這樣的話你就會發現問題，是否是咱們的產品在移動端上沒有作優化致使用戶體驗很差？在這樣一個移動互聯網時代，這是很是重要的一個問題。

3.用戶分羣

用戶分羣主要有兩種分法：維度和行爲組合。第一種根據用戶的維度進行分羣，好比從地區維度分，有北京、上海、廣州、杭州等地的用戶；從用戶登陸平臺進行分羣，有PC端、平板端和手機移動端用戶。第二種根據用戶行爲組合進行分羣，好比說每週在社區簽到3次的用戶與每週在社區簽到少於3次的用戶的區別，這個具體的我會在後面的留存分析中介紹。

4.用戶細查

正如前面所說的，用戶行爲數據也是數據的一種，觀察用戶在你產品內的行爲路徑是一種很是直觀的分析方法。在用戶分羣的基礎上，通常抽取3-5個用戶進行細查，便可覆蓋分羣用戶大部分行爲規律。

咱們以一個產品的註冊流程爲例：

圖5：用戶行爲軌跡

用戶經歷了以下的操做流程：【訪問官網】-【點擊註冊】-【輸入號碼】-【獲取驗證碼】。原本是很是流暢的一個環節，可是卻發現一個用戶連續點擊了3次【獲取驗證碼】而後放棄提交。這就奇怪了，用戶爲何會屢次點擊驗證碼呢？

這個時候我建議您去親自體驗一下您的產品，走一遍註冊流程。你會發現，點擊【獲取驗證碼】後，常常遲遲收不到驗證碼；而後你又會不斷點擊【獲取驗證碼】，因此就出現了上面的狀況。絕大多數產品都或多或少存在一些反人類的設計或者BUG，經過用戶細查能夠很好地發現產品中存在的問題而且及時解決。

5.漏斗分析

漏斗是用於衡量轉化效率的工具，由於從開始到結束的模型相似一個漏斗，於是得名。

漏斗分析要注意的兩個要點：第一，不但要看整體的轉化率，還要關注轉化過程每一步的轉化率；第二，漏斗分析也須要進行多維度拆解，拆解以後可能會發現不一樣維度下的轉化率也有很大差別。

某企業的註冊流程採用郵箱方式，註冊轉化率一直很低，才27%；經過漏斗分析發現，主要流失在【提交驗證碼】的環節。

圖6：註冊轉化率

通過了解發現，郵箱驗證很是容易出現註冊郵箱收不到郵件的狀況，緣由包括郵件代理商被屏蔽、郵件含有敏感字被納入垃圾郵箱、郵件送達時間過長等等。既然這麼多不可控因素影響註冊轉化率，那就換一種驗證方式。換成短信驗證後，整體轉化率提高到了43%，這是很是大的一個增加。

6.留存分析

留存，顧名思義就是新用戶留下來持續使用產品的含義。衡量留存的常見指標有：第二天留存率、7日留存率、30日留存率等等。咱們能夠從兩個方面去分析留存，一個是新用戶的留存率，另外一個是產品功能的留存。

圖7：兩種用戶羣體的留存差別

第一個案例：以社區網站爲例，「每週簽到3次」的用戶留存率明顯高於「每週簽到少於3次」的用戶。簽到這一功能在無形中提高了社區的用戶的粘性和留存率，這也是不少社羣或者社區主推這個功能的緣由。

圖8：留存魔法數字

第二個案例：首次註冊微博，微博會向你推薦關注10個大V；首次註冊LinkedIn，LinkedIn會向你推薦5個同事；申請信用卡時，髮卡方會說信用卡消費滿4筆便可抽取【無人機】大獎；不少社交產品規定，每週簽到5次，用戶能夠得到雙重積分或者虛擬貨幣。

在這裏面「關注10個大V」、「關注5個同事」、「消費4筆」、「簽到5次」就是我想說的Magic Number，這些數字都是經過長期的數據分析或者機器學習的方式發現的。實踐證實，符合這些特徵的用戶留存度是最高的；運營人員須要不斷去push，激勵用戶達到這個標準，從而提高留存率。

7.A/B測試與A/A測試

A/B測試是爲了達到一個目標，採起了兩套方案，一組用戶採用A方案，一組用戶採用B方案。經過實驗觀察兩組方案的數據效果，判斷兩組方案的好壞。在A/B測試方面，谷歌是竭盡全力地嘗試；對於搜索結果的顯示，谷歌會制定多種不一樣的方案（包括文案標題，字體大小，顏色等等），不斷來優化搜索結果中廣告的點擊率。

這裏須要注意的一點，A/B測試以前最好有A/A測試或者相似準備。什麼是A/A測試？A/A測試是評估兩個實驗組是不是處於相同的水平，這樣A/B測試纔有意義。其實這和學校裏面的控制變量法、實驗組與對照組、雙盲試驗本質同樣的。

3、流程：宏觀、中觀和微觀

有了具體的分析方法還不夠，運營要作好數據分析還須要一個清晰的流程。在這裏我從宏觀、中觀和微觀三個層次給你們介紹一下。

（一）宏觀

1.中國古代樸素的分析哲學

其實數據分析自古有之，中國古代不少名人從事的其實就是數據分析的工做；他們的名稱可能不是數據分析師，更多的是「丞相」、「軍師」、「謀士」，如張良、管仲、蕭何、孫斌、鬼谷子、諸葛亮。

他們經過「歷史統計」-「經驗總結」-「預測將來」爲本身的組織創造了極大的價值，這是中國古代樸素的分析哲學的重要內容。

2.精益創業的MVP理念

風靡硅谷的精益創業，它推崇MVP（最簡化可行產品）的理念，經過小步快跑的方式來不斷優化產品、增加用戶。

圖9：構建-衡量-優化

在運營工做中，咱們要大膽嘗試，將想法轉化成產品和運營方法。而後分析其中的數據，衡量產品或者運營的效果。若是好的話保持並大力推廣，若是很差的話總結問題及時改進。在「構建-「衡量」-「學習」的不斷循環中逐漸優化，這個流程是很是適合運營工做的。

（二）中觀

《誰說菜鳥不會數據分析》書中介紹了更爲具體的分析流程：1.明確分析目的和思路 →2.數據收集 →3.數據處理 →4.數據分析 →5.數據展示 →6.報告撰寫。

這個流程只是從「數據」的角度闡述了先後的流程，並未結合業務實際；並且它將數據分析的落腳點定位於「報告撰寫」是具備誤導性的，由於數據分析的最終目的是爲了指導實踐，而不是寫一份報告。可是這個流程仍具備參考價值，尤爲是「明確分析目的和思路」對於新手入門具備必定的指導意義。

（三）微觀

下面介紹的是一個很是詳細的分析流程，藉助於必定的分析工具，咱們能夠按照這個思路對您的網站/APP進行細緻入微的分析。

圖10：微觀數據分析流程

這是GrowingIO商務分析師檀潤洋在《提升用戶留存，產品、市場和運營都有哪些方法》中介紹的流程，我認爲適用於大部分的運營數據分析。

它的前提是用數據分析工具作好數據採集和監控工做，把精力集中在業務分析上。這個流程的核心是「MVP」的理念，「發現問題」-「設計實驗」-「分析結果」，經過數據來不斷優化產品和運營。

4、應用：體系和分析

（一）案例1：搭建數據分析體系

小張今年剛畢業，在某公司從事新媒體工做，負責微信的平常運營。小張並不清楚微信運營的核心目的，嘗試了不少方法，原創、翻譯、改寫了不少文章發佈在微信上，可是閱讀量時高時低，整體通常。

經理讓小張想辦法改進一下微信運營，提升微信的粉絲數和閱讀數；可是張三毫無頭緒，無從下手。這是不少運營真實的寫照，瑣碎的工做容易讓人忘記思考，這極可能就發生在你個人身邊。

咱們從數據分析的角度對這個案例進行了診斷，總結了小張存在的這些問題：

不清楚本身須要關注哪些核心指標；
不清楚目標用戶的特徵（用戶屬性、用戶畫像等）；
對本身過往工做缺少系統分析（數據採集、監測和分析）。

從業務增加的角度出發，我給小張量身定作了一套數據分析體系，配合其內容工做的開展。

第一點，內容定位。

運營須要明確知道本身的目標或者KPI，而後選擇一個核心關鍵指標（OMTM）進行監測。若是是創業公司，初期可能須要拉新，那麼核心指標是註冊用戶數或者新訪問用戶數。若是是資訊媒體，注重影響力和覆蓋面，那麼核心指標應該是微信閱讀數或者網頁PV。

第二點，用戶畫像。

不管是哪種運營崗位，都須要明確知道本身的（目標）用戶是那些人？這些人都有哪些特徵，他們的關注點和痛點是什麼？若是你的用戶是產品經理，那麼能夠嘗試爬蟲抓取產品經理網站上有關的問題，而後作文本分析：這是定量層面的分析。同時，經過調查訪問和問卷調研，獲取更加深刻的用戶特徵信息：這是從定性層面的分析。

第三點，持續監測。

藉助數據分析工具，對核心關鍵指標（OMTM）進行持續監測。對於指標異常狀況，咱們須要及時分析和改進。

第四點，數據分析。

統計和分析過往內容的數據，找出哪些內容、哪些標題、哪些形式、哪些渠道的效果更好，而後朝這方面不斷優化。

（二）案例2：分析業務核心指標

電子郵件營銷是如今不少企業仍在採用的營銷和運營方式，某互聯網金融企業經過EDM給新用戶（有郵件地址可是未註冊用戶）發送激活郵件。一直以來註冊轉化率維持在20%-30%之間，8月18日註冊轉化率暴跌，以後一直維持在10%左右。

圖11：EDM渠道註冊轉化率暴跌

這是一個很是嚴重的衰退，須要當即排查緣由。EDM渠道註冊轉化率涉及到太多的因素，須要一個一個排查，數據分析師幫運營羅列了可能的緣由：

技術緣由：ETL（數據抽取、轉化、載入）出現問題，致使後端數據沒有及時呈如今BI報表中；
宏觀緣由：季節性因素（節假日等），其他郵件衝擊（其他部門也給用戶發郵件稀釋了用戶的注意力）；
微觀緣由：郵件的標題、文案、排版設計，CTA設計，註冊流程設計。

一個簡單的業務指標，會影響到它的因素多是多種多樣的，因此咱們須要對可能涉及到的因素進行精細化衡量才能不斷優化。最後發現，產品經理在註冊環節添加了『綁定信用卡』，致使註冊轉化率大幅度降低。

5、學習：業務、工具和資源

（一）業務層面

數據分析並無想象中的高不可及，掌握好相應的概念、思路、流程，運營均可以作好數據分析。

這裏要着重強調一點，數據分析的目的是指導業務實踐；脫離實踐的數據分析、爲分析而分析的數據分析都是在耍流氓。

不一樣於職業的數據分析師和數據科學家，運營人員作好數據分析的前提是嫺熟的業務理解。從業務的角度來講，數據不是數字，它是用戶的心聲。運營人員要從數據中發現問題，不斷優化，提高用戶體驗、爲用戶創造更多的價值。

（二）工具層面

磨刀不誤砍柴工，作好數據分析工具必不可少。我彙總了下面幾種工具，運營能夠結合本身的實際須要採用。

Excel 是最多見、最基礎的數據分析工具，Excel 裏面的圖表、函數、透視表能知足你們基本的需求。Access 是微軟 office 系列套裝的一部分，是一種小型的關係數據庫；當excel數據量很大、表格之間各類關聯、查詢、更新頻繁的時候，Access就是一種很是不錯的選擇。
Python是一種高級的編程語言，近年來發展很快，它能夠用來作數據分析、編程或爬蟲；R語言是一種數據分析工具，在統計學中普遍使用。目前，Python被普遍用來編寫爬蟲程序，獲取網上的信息，這是對運營人員很是有幫助的。
Google Analytics、百度統計、友盟是常見的網站流量分析工具，Mixpanel、Heap、GrowingIO屬於用戶行爲數據分析工具，較前者功能更加豐富、分析更細緻。