零基础搭建运营数据分析知识体系

文 | TalkingData

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。

1.方法论

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。

2.方法

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

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

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

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。

用户细查

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。

漏斗分析

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。

留存分析

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。

1.宏观

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。