谈论数据的基础
数据的定义
所谓数据，就是与产品和运营相关的一些数值。是研究和分析的基础素材。
这是部分通用的运营数据，其中三个数据类型是所有运营人员需要了解的：渠道数据、成本数据、收益数据。
渠道数据用来衡量渠道质量、渠道作用，它由产品定位的客群和产品的特性所决定。
成本数据和收益数据，则会从不同层面反映出运营的效果。需要提醒的是，运营必然要付出成本，不是金钱就是资源或者其他形式的成本。请一定要认真评估每一个运营行为所带来的收益背后的成本。 而所谓“收益”，并不等价与“收入”。
明白了渠道、成本、收益这三类数据是指导运营的核心数据之后，我们就可以根据自身的产品特性去设定需要获取哪些数据。
如何获取与分析数据
获取数据的方式各种各样，除了产品自身的数据还可以通过谷歌分析、百度统计这类第三方工具获得数据。但关键在于，运营人员要了解什么样的数据是重要的，这些数据的前后关联是怎样的。这是一个联动的过程，不是一个单一的行为。同时还需注意，有一些数据是在产品上线初期就需要具备的，而另一些数据则可以根据后续运营需求适时加入。
确定数据的准确性
包含了选择数据维度的合理性、数据统计的准确性，是数据分析的基础。
明确影响数据的因素
数据会受到多种因素的影响，有内部的也有外部的，应当尽可能多了解所有层面的影响因素，以确保对数据的解读是在一个相对正确的范围内。
重视长期的数据监测
在运营数据分析中，经常会使用环比和同比等方式来对比数据。环比是本日与前一日的对比、本月与上月的对比、本季度与上季度的对比；同比是今年当日与去年当日的对比、今年当月与去年当月的对比、今年当季度与去年当季度的对比。环比显示短期的数据波动，而同比可以帮我们了解大环境下的数据波动。
保持客观的视角
在数据分析的过程中，保持客观非常重要。 有时候，运营人员在解读数据之前会无意识地有预设立场，这种预设立场破坏了本应持有的客观视角，因此不可取。另外，有意预设立场涉及职业道德，也是职业发展中常见的问题，必须避免。
注意剔除干扰项
在实际运营工作中，我们会碰到很多问题，这些问题是干扰项，例如，在一个相对平稳的曲线中，突然在某个点上出现了强烈波动，那么我们需要全面了解波动产生的原因，如果无法确认原因，就剔除这个波动，否则我们很难获得一个正确的结论。
数据分析的方法、误区与数据说谎的手法
首先，我们要明白一个核心观点：运营数据分析的关键不在于数据，而在于分析。或者说，所有数据分析的关键都在于分析，而不是数据本身。
然后，我们要明确一个前提；数据分析的能力是渐进的，对数据的敏感度是需要培养的。
最后，我们要懂一个事实；数据表达出的信息与多种因素相关，运营人员尝试学习运营数据分析之前，要尽量抛开预设立场，并且明白不同类别的数据在不同的阶段其重要性也是不同的。
网站建立的初期，流量指标非常关键，但是流量本身并不仅仅是一项指标，它包含了好几项内容，最关键的有以下一些：
UV：独立访客数
PV：页面访问量
每一个用户，每打开一个页面就是一个PV
RV：重复访客
TP：页面停留时间
Traffic Sources ：流量来源渠道
这个统计的是不同渠道带来的UV量
到了持续运营阶段，单一流量指标的意义已经不大，更重要的是用户的留存、活跃指标，甚至是付费用户的规模。 在这个阶段，跟踪所有流量来源的渠道质量依然很重要，需要强化的是用户行为的分析，要拆分出各种维度、各种路径的留存、活跃、转化的情况，以及分析用户的兴趣点，建立用户的成长模型等等。
到了成熟期，运营人员需要关注用户流失的速度、分析流失的原因，对依然留存与活跃的用户给予重点的关注。 数据分析在成熟期的意义是延续网站的生命周期，持续为存量用户提供优质服务。
到了衰退期，运营人员要做好数据的保存工作。 如果网站要结束运营，应提前做好各种准备和通知。
数据使用的方法
- 掌握历史数据
数据的维度越全面，运营人员对网站的生命周期，乃至用户的生命周期的把握就会越清晰。
- 从历史数据中归纳规律
历史数据不是拿来看的，而是用来分析的。分析其中的规律，在什么节点数据上升，什么节点数据下降，找出原因，形成经验，对运营人员的工作来说至关重要。
- 通过规律反向进行数据预测
运营人员掌握了规律，就具备了做数据预测的基础。可以提前对一些节点做规划。
- 学会对数据进行拆解
数据量越大、维度越多，数据越需要拆解，可以分为按照时间的拆解和按照相关性的拆解。运营人员懂得拆解数据，意味着有能力把控运营的节奏。
- 运营数据分析的误区
- 不要用单一类型的数据去评价全局
- 不要夸大偶然事件，认为带来必然结果
一个活动上线之后，发现运营数据有很大的提升，但可能只是一个偶然事件。如果认为这样的活动形式必然对数据有所帮助，那么需要更多地数据来佐证它，并适时将这种活动转化为机制，如果真的有效的话。
- 避免用结论推到原因
容易犯的一个错误是：发现数据增长了，然后寻找各种对数据增长可能有帮助的事件，并且将数据增长的原因归功于这些事件。希望找出原因，最好的方式是再现。
4.避免唯数据论
数据只是一个参考，不是一个结论。
运营数据说谎的手法
- 拉伸图表
- 修改坐标轴
- 故意选择有利的样本
- 样本规模差异
跳出数据看数据
我们在进行数据分析的时候，其实想要了解的不仅仅是数据，而是数据背后的用户。因此，读懂数据的关键是读懂数据背后的人。那么，如何读懂数据后背的人呢？
抛弃预设立场
分析数据的第一步是要抛弃预设的立场，先不要急着定义数据展现的意义，而是研究数据的波动和波动的节点。 通过这一步去确立要研究哪些相关事件，研究用户行为还是系统事件。这一步是定位，但不要定性。
深挖用户行为与系统事件
定位完成后，就要去挖掘对应时间节点的相关事件，包括系统事件（版本升级、服务器错误、系统异常等）和用户行为（时间节点前后一段时间相关联用户的持续行为，比如是否做了什么活动等），通过这一步找出可能造成影响的动作和事件。
尝试换位思考
不管定位原因是系统还是用户，都要换位思考。假设自己是用户，在对应的时间节点和对应的事件行为发生时，有怎样的感知、反馈，模拟可能的状态。
需要注意的是，要把用户的真实反馈模拟出来，必要时找一些用户进行调研。通过这一步，进一步了解数据变化的原因，并对后续整合数据，如何操作进行思考。
整合关键数据
整合关键数据，是指整合可能有用的核心数据，譬如历史数据、关联数据、竞品数据等，最后得出结论：
- 造成数据变化的原因究竟是什么？
- 有什么办法可以改善或者促进数据的变化？
- 总结经验，类似情况再次发生时，应该进行何种处置与预案。
最重要的是，要整合所有路径的数据，串起所有流程去看对应的行为，孤立的一个数据不说明任何问题。
运营的核心数据
内容运营的核心数据
对一个网站而言，其内容运营的核心数据包含如下几个方面：
内容的展示数据
它是最基础的数据，其意义和价值在于：提供给内容运营者一个直观而基础的数据，用来展示内容被点击、查阅的情况，从而分析内容是否为网站提供了相应的帮助。
内容的展示数据可能包括但不限于：
- 内容的点击次数；
- 内容页面的蹦失率
- 内容页面的停留时长
内容的转化数据
内容的转化数据，是相对展示数据而言更深层的数据，它往往用于判断内容是否能够促进用户的转化，比如从活跃转向付费。
内容转化数据可能包括但不限于：
- 内容中付费链接的点击次数、付费成功次数；
- 内容页面广告的点击次数、广告的停留时间、二次转化成功率。
内容的黏性数据
考虑展示数据时，如果进一步分析用户重复阅读的次数，那么结合每次阅读的停留时间，就可以得到黏性数据。
对于黏性数据，其实完全可以采用会员管理系统里的RFM客户关系管理模型来进行分析，获得内容或者用户的黏性值和分布，从而指导日后的内容运营工作。
内容的扩散与分享数据
内容的分享频次和分享后带来的流量统计，可以说明内容对某类用户的价值和作用情况，这对需要通过分享带来用户的网站，以及需要引爆热点和病毒传播的运营有着重大的意义和价值。
用户运营核心数据
运营人员在不同的时期需要关注不同的用户运营的数据情况，此处我们仅提到一些基本的核心数据。
用户注册数据
注册数据可能包括但不限于：
- 注册用户的规模、增长速度——现在有多少用户，未来何时会有多少用户；
- 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；
- 注册用户行为跟踪——完成注册后当时用户的行为统计。
用户留存数据
留存数据可能包括但不限于：
- 留存用户的规模，从注册到留存的转化率——已有注册用户中，多少注册用户会留下来，能否提升转化率，让更多的用户留存；
- 用户登录的时间、频率——留存的用户使用产品的习惯是登陆后使用吗？如果是的话，他们都是什么时候登录，几天登录一次？
- 用户使用网站服务的时间、时长、频率等——每次用户使用产品，会停留多长时间，使用核心功能还是辅助功能，使用功能的频率是怎样的。
用户活跃数据
活跃数据可能包括但不限于：
- 活跃用户的规模、增长速度，从注册到活跃的转化率——留下来的用户是活跃的用户，那么活跃的定义是什么，有多少用户符合这个定义，活跃用户的增长速度；
- 活跃用户的行为统计——活跃用户使用产品的哪些功能，他们每次使用产品的路径是不变的吗？对于新的功能，他们是如何使用的？
- 用户使用网站服务的频率、内容、行为——用户对网站的功能的使用情况，包括频率等；他们对内容的接受情况。
用户付费数据
付费数据大致包括：
- 付费用户规模、增长速度、注册到付费/活跃到付费的转化率——这决定了产品的盈利能力，收入增长的速度和宽度；
- 付费金额、频率等——简单来说，用户在此花多少钱，多久花一次钱？
- 付费用户的日常行为跟踪——了解用户不花钱的时候的一些行为。
用户流失数据
流失数据大致包括：
- 流失用户的规模、速度——用户流失了多少？每天流失的速度是10个还是10万个？这决定了产品的生命周期还能延续多久；
- 流失用户的日常行为跟踪——他们在流失之前做了什么？
- 用户流失的原因分析——为什么用户做了这些动作之后就会流失？
- 流失用户挽回策略和效果分析等——能够挽回这些用户吗？什么样的动作对挽回他们有帮助？这些动作可以长期做吗？
