数据是冰冷和客观的，会告诉你残酷的真相，也会告诉你潜在的希望。。在早期的市场调研行业，就有“定性研究来自定量数据”的说法和做法，这是这些东西在互联网世界被扩大化，主要是那些先进的信息化技术让数据获得、分析和使用变得不再抽象，但互联网产品“快速迭代”的特点，让数据分析变更更加紧迫和重要，做产品和运营的，如果不懂点数据分析的知识，基本上算是没有入行。。。

数据分析能力对于运营人是非常重要的（当然，更加重要的核运营核心竞争力是产品思维和营销策划能力）。然而有趣的是，很多的运营人员过分地专注于自己的营销能力上（如文案能力、活动策划能力）却忽略了数据分析能力的提升。

数据分析在运营中的作用

运营人是与业务最贴近的人群。拥有高效的数据分析能力，有助于我们快速制定与业务增长高度相关的运营决策。优秀的运营人做出来的数据分析，对业务更加有实际的指导意义，不会流于形式，不会沦为单纯的“取数”、“做表”、“写报告”。

对于互联网时代的销售——运营而言，数据分析主要有三个作用。

具体化地描述当前产品的状态、用户的状态，发现问题，帮助作出运营决策；验证所做的运营策略，是否有效；探索与预测未来的可能性，实现产品与运营的优化；

这三个作用也是逐级递进的，从现有行为挖掘数据，通过数据反推行为，再通过数据预测未来。数据分析不可能脱离产品，所有分析的数据源自产品与用户行为，分析的结论又服务于产品和激活用户行为。

应有的分析思维

增长公式思维

要改变物体的运动状态，必须要有力或场的存在，产品规模增长和用户增长，必然有其增长引擎。

企业的增长=系数1*因素1+系数2*因素2+….+系数n*因素n

通过对业务的理解，找到驱动业务的因素，这是经验之谈，基于我们对业务的熟悉，用户之敏感，对营销的理解来确定，通过快速迭代与实验来验证我们所选定的各种因素是否合理。

先谈谈因素，举个极度简单的例子：

收入-费用=利润

企业利润下降了，是什么原因？核心驱动力就是收入减少了或者费用提升了。

可不要忘记了在因素前，还有一个系数，因为影响核心业务的因素实在是太多了，我们应该找到关键因素，这个系数就是描述因素对于核心业务的影响程度的。

再举一个极度简单的例子：

商场营业额=商场负1楼收入+商场1楼收入+商场2楼收入,负一层是商场停车场、一楼是男女时尚服装、二楼是美食广场。我们按照个人经验，加上了系数，商场营业额=1*商场负1楼收入+30*商场1楼收入+5*商场2楼收入。具体理由是服装商场毛利高，人们过来也是冲着商场的核心业务的。所以，商场1楼收入就成为了最关键的因素，当我们要考虑的因素太多的时候，系数大的因素就成为了我们需要首先考虑的关键因素了。这里说的并不是数学公式，增长公式里面的加号是指增长因素的有机叠加，而不是数学上的简单相加。

金字塔思维

金字塔原理有一个核心法则：相互独立，完全穷尽。它是优秀的思维方式与表达方式。相互独立，说的是每个分论点彼此应该没有冲突和耦合，都属于独立的模块。完全穷尽，则是所有的分论点都被提出，不会有遗漏。在初期，我们很难做到完全穷尽，但是我们必须带着这个思维去思考。

有一天，我的下属找我汇报，跟我说：

豪哥，这次活动参与用户只有30000多人，报名转化率只有30%。最近产品转化也不佳，服务器经常宕机，渠道引导注册乏力，貌似用户的需求也下降了，竞争对手的动作也让一些用户跑到了他们那里了。

听完之后，我是一脸萌逼的，孩子你在说啥？

我们的大脑很难同时记住多个独立的论点，如果我们把它们用一定的逻辑串联起来，听你说话的人才会理解你的观点。

按照相互独立，完全穷尽的思想，我们可以把他汇报的点先列出来：

活动参与人数30000人（这到底是多还是少？需要对比过往数据进行分析）报名转化率30%（这到底是多还是少？需要对比过往数据进行分析）产品转化不佳服务器宕机渠道乏力用户需求下降竞争对手行为

我们在用金字塔方法整理之，其实汇报人的核心思想应该是最近产品的销售额下降了，其它都是支持这个销售额下降结论的表象可一些可能的原因，我们运营销售额=新客销售额+老客销售额和 新客销售额=新客流量*新客转化*新客客单价两条增长公式，找出增长关键因素为流量、流量转化、老客复购整理出以下金字塔。

分类思维

用户分群、市场细分、产品细分，在进行运营决策时，我们处处用到分类思维。事物之间均存在共性与差异性，分类思维的基本思路是，核心指标差距甚远的事物，我们可以把他们分开。如上文提到的企业增长因素，我们就可以把相关的关键因素加以分类。

通过销售增长率与市场占有率两个相互制约的因素，波士顿矩阵把企业产品分类成明星、现金牛产品、问题产品、瘦狗产品，进而分析和规划企业产品组合，以达到企业的盈利目的。

漏斗思维

漏斗模型是产品运营分析的万金油，用户从进入到最终转化，每个环节都会有流失，每个环节都会有转化率，每个环节的人数都在依次递减，用户的每一条路径就形成了一个漏斗。

漏斗思维有两个要点，第一，要关注漏斗的每一步的流失情况，分析每一步流失背后的原因，逐步减少用户流失。第二，不仅要考虑流失原因，我们还需要考虑上下层的关系。举个例子，某产品为了拉新，进行有诱导性文案“注册送iPhone”，勾引用户进入，虽然在第一阶段，可以带来大流量，但是用户进来后若发现货不对板，则很有可能导致后续转化率很低，并且让用户感受很差，对产品产生负面评价。

应该懂得分析工具

始终要记住，我们是运营或者产品，我们不是数据分析师，在精力有限的情况下，你需要精通两个工具，一个是Excel，一个是PPT。Excel主要是进行数据处理、数据清洗、数据可视化的，而PPT则主要是用来展现数据分结果、撰写报告以指导运营的。

对于产品和运营而言，数据分析的最终目的就是解决问题。不要一味追求图表的好看与高级的数据分析方法，掌握20%的数据分析方法和工具就能够解决80%的数据分析的问题。

数据分析的流程

对于数据分析，我们可以定义为：用适当的统计方法，对收集回来的大量数据，加以汇总和开发，以达到提取信息、形成结论、指导工作等目的。

我认为，数据分析应该有以下流程：

1.明确目的与思路：这次数据分析是为了解决什么问题

这是数据分析的第一步，我们必须带着问题去找答案，数据的量是巨大的，而且数据之间又相互关联，不带着问题上路就会迷失在数据的海洋中。

不仅要带着问题，我们还需要带着正确的问题去上路，下面举一个例子。

不好的问题：为什么新用户下单量一直没提升？怎么样才能提升新客转化？合理的问题：最近下线了用户注册后自动送新手大礼包，是否导致了新客转化下降？

明确目的之后，要确定自己的分析思路，分析思路主要是各种商业分析模型和营销分析模型，这些商业模型是我们运营的核心竞争力，相比起数据分析师，我们更加了解营销，更加了解产品，这里不展开叙述。

《谁说菜鸟不会数据分析》里面提到了一下常用的营销管理方法论。

PEST分析法：用于对宏观环境的分析，包括政治（political）、经济（economic）、社会（social）和技术（technological）四方面。5W2H分析法：何因（Why）、何事（What）、何人（Who）、何时（When）、何地（Where）、如何就（How）、何价（How much）。4P营销理论：分析公司的整体营运情况，包括产品（product）、价格（price）、渠道（place）、促销（promotion）四大要素。用户行为理论：主要用于网站流量分析，如回访者、新访者、流失率等，在众多指标中选择一些适用的。

2.收集收据：从站内数据库或外部找到与问题相关的数据

人类每一天的行为，产生了海量的数据，当你睁开双眼，你的体重、身高、心率、血压，统统都是数据，外面的温度、湿度、PM2.5也是数据。

那么，我们去哪里寻找我们需要的数据呢？按照从宏观到微观，我们把数据来源分成了一下五个阶段：宏观数据、对应行业用户数据、互联网用户数据、同类产品数据、自有产品数据。其中，产品和运营的同志，需要着重关注关注对应互联网行业数据、同类产品数据、自身产品数据。

3.数据处理与清洗

数据清洗是指发现并纠正数据文件中可识别的错误的最后一道程序，包括检查数据一致性，处理无效值和缺失值等。

这里用几个例子来说明，首先是数据一致性：根据每个变量的合理取值范围和相互关系，检查数据是否合乎要求，发现超出正常范围、逻辑上不合理或者相互矛盾的数据。例如，性别为男却有妇科的治疗记录。对于这类型数据，我们可以拿出数据源重新核实，有时需要直接删除掉。无效值：用户的身高为负数，两条完全重复的数据，这些都可以视为无效值。而缺失值就如字面意思，缺失的值，对于无效值或缺失值，我们可以对其进行估算或删除。

使用删除重复项来清洗数据

4.建立数据模型，数据分析

终于开始真正的数据分析了。是的，我并没有坑你，数据分析师每天要花80%以上的时间在收集和清洗出符合数据分析，数据分析过程主要是这样的。

观察数据，看看当前产品状态是怎么样的？为什么会这样子？大环境发生了什么变化？我们做了什么动作？判断接下来可能发生什么？

数据分析有以一些基础的分析方法，熟练使用这些数据分析方法，我们就能够通过研究数据，回答上面的问题了。

对比分析法

将两个或两个以上的数据进行比较，分析出他们的差异，从人揭示了这些数据所代表的事物发展规律。我们经常会听说横向对比和纵向对比，在同一挑时间条件下不同指标的比较，就是横向对比，如对比中美俄日各国的GDP。纵向比较则是对比同一条件下不同时期的数值，如我国每年的GDP对比。

在进行数据分析的时候，选择恰当的对比系尤为重要。

与目标对比、不同时间对比（环比、同比）不同主体对比（如对比不同引流渠道的转化率）业内对比（对比统一渠道不同产品的引流转化率）运营动作前后对比（发放优惠券用户与未发放优惠券用户对比）与平均水平或中位数进行对比（小学生最喜欢拿自己成绩和班里平均分比较了）

通过对比，我们才能判断指标背后反映的情况，判定产品当前的状态。

增长公式与加权分析法

前文我们提到，核心指标会有其对应的增长公式，而每一个对应的增长驱动力所占的权重又是不同的。此处介绍一下，如何确定权重的简单方法——目标矩阵法。目标优化矩阵的工作原理是把人脑的模糊思维，简化为计算机的0/1思维，最后得出量化结果。

目标矩阵主要是把决策因素放在一个矩阵内，让团队内经验较为丰富的同事来判定各因素的重要性。

接下来，我们举个例子，假设你的择偶标准有如下因素：有房有车、帅、高学历、人品好、时间长。我们建立以下矩阵：

用有房有车跟帅对比，有房有车更重要，输入1用有房有车跟人品好对比，有房有车更重要，输入1用有房有车跟人品好对比，有房有车没那么重要，输入0

有房有车对比完成后，依次对比其他项，填入合计:

对0分项进项修正，如给它加个0.5分 。并计算权重：

最后，计算合计/所有指标的总计*100%，计算出来的就是该项权重值。

矩阵分析法

矩阵关联分析法是一个形象生动又好用的分析方法，矩阵分析法把两个重要或以上的指标进行关联。矩阵分析法主要能够解决如何分配资源的决策问题，有针对性地确定公司在管理方面需要提升的重点。

矩阵分析法主要通过建立平面直角坐标系，两条坐标轴分别对应事物的两个属性的表现。

举个例子，我们运营经常使用到的几个与用户沟通的渠道为：短信、APPpush推送、电子邮件EDM、站内信、首页弹窗。假如目前由于开发资源有限，我们只能够先选择两个渠道进行对接，我们该怎么选呢？消息沟通有两个关键的要素，分别是成本和信息的触达率，用这两个参数建立坐标系。得到如下图坐标系，四个象限分别对应如下属性：

根据我们的分析，按照几个渠道的表现将它们放在上述象限表里面。

对上图的各个点，我们进行综合分析，可以看到短信的信息触达率遥遥领先，但是成本很高，所以，短信应该适用于挽回流失客户，因为他们可能已经卸载了APP，其它低触达率的渠道可能无法触达这批用户，我们不得不利用更高的成本来接触他们。APP推送和站内信成本较低，但是对于非活跃用户的触达效果较差，所以我们可以利用这两个渠道对活跃用户进行沟通。而首页弹窗，则数据较为优质的渠道，适合在全量用户推广时使用。

5.下结论、定决策

在我国，决策时一个特别的过程，一般是集体决策，但决策权主要集中在上层少数管理者手中，基层管理人员很少有制定决策的权力，一旦决策制定后，下级就必须严格执行。而阅读本文的产品或运营朋友，则多数都是中下层管理人员，甚至只是执行者。

所以，我们下结论时，必须是上级能够快速看懂和理解的结论，在汇报时，把冗长的数据分析过程归纳为数个相互独立的、具有实质性意义的结论。

6.报告撰写

当你完成了以上各个阶段的数据分析，恭喜你来到了最后一步，报告撰写。报告撰写是展现你数据分析思路和结论的唯一手段。

有点像高考语文三段式作文，报告应该有以下几个部分：

这里还有几个分析报告的要点分享给大家：

结论先行。不写多余的数据，每一个呈现的图标必须要给出相应的结论。一眼就看得出的结论无须写出来，如柱状图的两条柱子明显差异，不需要另外加文字解释增长明显。必须要有落地点：对于数据所呈现出来的产品问题或不足，必须要有响应的解决措施。

永远记住，我们是产品、运营，我们不是数据分析师，我们要着眼在结论、行动与措施上。

运营需要关注与了解的业务指标

基础流量指标

流量指标是互联网运营当中的基础指标，流量包含了好几个指标，以下为最基础的业务指标：

PV（page view）访问页面产生的数据。一个用户访问了5个页面，那么就产生了5个 PV。UV（user view）某个特定页面的访客数。一个页面一个账号无论点进去几次，UV都是1，因为只有一个访客。IP：针对于全站的网络IP数。你在家用电脑登录了这个网站，之后你表哥也用同一台电脑登陆了他的账号，访问了同一个网站，但这个时候IP还是只有1，因为你和表哥用的同一台电脑，网络的IP地址也是一个。页面停留时间：停留时间指用户在网站或页面的停留时间的长短。跳出率：跳出指用户在到达落地页之后没有点击第二个页面即离开网站的情况，跳出率指将落地页作为第一个进入页面的访问中直接跳出的访问比例。计算公式为：跳出率 = 跳出的访问 / 落地页访问各流程转化率：如注册转化率、产品详情页转化率、购物车转化率、支付转化率等等一些列

商业指标

订单量、订单金额每订单金额=订单金额/订单量件单价=商品销售总金额/商品销售量客单价=时间段内商品销售总金额/时间段内下单用户数GMV：平台类电商业务都会关注GMV（GrossMerchandise Volume）即成交总额。

用户运营关注之指标

用户运营的主要套路是用户生命周期分析，就是用户从流入、注册、留存、转化、活跃、流失的整个生命周期过程中的数据分析。

用户注册时，需要考虑的主要数据是各引流渠道的成效与用户注册单价，以及用户在注册各流程当中的跳出率和页面停留时间。主要是为了分析各渠道的好坏、注册流程的顺畅程度以及可能存在的各种问题。注册后要关注用户的留存，关注留存率、用户回访频率、核心功能使用时间等。

不转化的用户不是好用户，付费用户人数、付费用户人数占比、增长速度和注册到付费转化率都是我们可能需要关注的，付费的金额、复购的频率、客单价等我们都需要关注，同时还需要关注一直活跃却不转化的用户行为。

活动运营关注之指标

对于每一次活动，我们都可以把他当成一个新产品来运营。活动是短期内促进产品各项指标的突然增加的运营手段，判断活动是否成功，就要看目标指标的提升量，以电商活动为例这个目标指标的提升量，可能是新用户下单转化，新用户客单价、老用户客单价等。

我们还需要通过分析各渠道投放成本、各渠道引流数、各渠道转化数，最后计算出各渠道的ROi，从而判断哪个渠道对于活动引流和转化有较好的效果。

内容运营关注之指标

内容运营需要考虑的是内容能够带来的流量以及流量的变现能力。

内容本身是能够吸引一定流量的，而随着用户对于内容的传播，流量就会呈现裂变式递增，最后，我们还要把流量转化变现。我认为，内容运营需要关注内容的点击次数、内容页面的页面停留时间、内容页面的蹦失率、点赞次数。上述四个指标能够有效地评判一片文章的标题是否吸引，内容对于用户是否有价值，内容是不是属于标题党内容。有价值的内容未必是用户乐于传播的内容，我们还需要去关注内容转发量。

当我们积累了足够多的流量后，我们还要考虑内容的转化变现数据，内容的转化数据因产品形式而异，可以体现为付费链接的点击次数、页面广告的点击次数、所推广之产品或品牌在推广期内的销售额提升等。

不同的产品会有不同的指标体系，此处不能尽列，核心思路是关注用户在产品的转化路径，从核心转化路径去拓宽所需考虑的数据指标。

协助建立BI系统        

BI系统主要是给运营与产品看的。不是所有运营都拥有查看数据库的能力，分工明细的大公司更加不会让运营同学获得数据库权限，运营同学花过多的时间在查找和清洗数据也是不应该的。

于是，我们需要建立数据看板和数据分析系统。数据分析系统是一个内部产品，用户主要是产品和运营，主要由数据产品经理主导，由数据开发工程师开发完成。目的主要是让运营同学可以简单方便地看到自己最关心的核心数据，及时做出运营决策。BI系统可以由公司团队内部开发，也可以使用第三方工具，如神策、Tableau等等。

如何提高数据分析能力

多看数据：每天提早到办公室，看看数据报表，思考数据波动背后的原因，久而久之就会成为数据大师。曾经在知乎上看到，数据分析师提高数据分析能力的办法竟然是背数据，虽然有点偏激，也是很有道理。熟悉业务：数据分析是基于业务的数据分析，运营与产品要非常熟悉业务才能通数据中找到存在的问题。这也是我们在数据分析过程中，比起数据分析师占据优势的地方。既精钻Excel，又要懂其它工具。除了Excel常用函数，还需要精通各种图标和数据可视化工具、数据透视表等。数据库语言SQL也要了解，懂Python就更好了，与数据分析师沟通起来更加迅速，自己也可以对一些简单的数据库进行查找和数据挖掘。

写在最后

运营是一门管理学问，管理能力的提升主要在于实践，本文只能够给大家的是一些实践的思路与方法论，里面的例子也较为简单。大家要把思路与方法论，结合自己的互联网产品加以落实，对框架进行拓展，才能够更有效地掌握数据分析。千里之行始于足下，各位运营人、产品人，共勉。