雖然數據分析一直都被視為運營(yíng)人的短板，但是作為一個(gè)運營(yíng)，不會(huì )進(jìn)行數據是不合格的運營(yíng)。也有一些運營(yíng)人，一聽(tīng)見(jiàn)數據分析就頭疼，很害怕去分析各種各樣的數據，看見(jiàn)數據就頭疼。
其實(shí)，運營(yíng)的數據分析也沒(méi)有那么困難。了解了一些基礎的應用場(chǎng)景之后，自己也能很好地進(jìn)行數據分析，而且學(xué)會(huì )了數據分析之后，對于未來(lái)運營(yíng)的方向以及運營(yíng)的改進(jìn)點(diǎn)會(huì )有了更加明確的目標，不再單單靠感覺(jué)進(jìn)行。
今天，就結合自己在實(shí)際工作中遇到的一些情景，來(lái)和大家聊聊，運營(yíng)人在日常的工作中，如何去進(jìn)行數據分析？
數據分析一般有以下3個(gè)目的：
原因分析：
通過(guò)以往的數據分析，發(fā)現數據中存在的問(wèn)題，為未來(lái)優(yōu)化提供數據基礎。比如，通過(guò)用戶(hù)注冊、登錄、活躍等數據，可以看出用戶(hù)在哪個(gè)環(huán)節流失比較多，出現問(wèn)題比較多，那么后期在這個(gè)環(huán)節中，就可以多次進(jìn)行試驗。提升單點(diǎn)的轉化率。利用漏斗分析、趨勢分析是主要的數據分析方法。
未來(lái)預測：
通過(guò)以往的數據分析，找到數據中的某種趨勢或者共性，從而更好地指導未來(lái)的運營(yíng)動(dòng)作。比如在公眾號運營(yíng)中，通過(guò)以往對以往內容的關(guān)鍵詞進(jìn)行分析，找出打開(kāi)率高、閱讀量高、轉發(fā)量高的內容，從而方便后期更好地進(jìn)行選題和內容創(chuàng )作。
現狀分析：
數據是當下最好的體驗，及時(shí)了解當下的運營(yíng)情況以及變化情況，更加趨向于短期的數據分析，如日報，周報，月報等數據分析。在某個(gè)時(shí)間節點(diǎn)里，數據變動(dòng)的原因分析。
對于運營(yíng)來(lái)說(shuō)，數據是運營(yíng)結果的表現，通過(guò)對數據的分析，可以發(fā)現之前運營(yíng)動(dòng)作的優(yōu)點(diǎn)和不足的地方，未來(lái)更好地去進(jìn)行運營(yíng)動(dòng)作，也更好地知道未來(lái)運營(yíng)重心該放在何處。
我個(gè)人更喜歡對有關(guān)聯(lián)的數據進(jìn)行逐一分析，將分析的結果用文字表達出來(lái)，并且針對這一數據結果提出優(yōu)化建議。個(gè)人感覺(jué)，如果不是數據基礎非常好的朋友，不建議直接通過(guò)圖表進(jìn)行分析，這樣可能會(huì )遺忘很多關(guān)鍵內容。數據分析的最終目的，還是發(fā)現以往數據的不足，從數據中找到線(xiàn)索，針對當下情況提出解決辦法，為未來(lái)運營(yíng)動(dòng)作提供數據基礎。
一、數據分析的步驟
對一個(gè)運營(yíng)來(lái)說(shuō)，數據分析的思路也是運營(yíng)的過(guò)程相似，找到數據分析的目的，數據分析的維度，最終從數據分析中可以得出什么樣的結論。
從運營(yíng)動(dòng)作中發(fā)現問(wèn)題，從數據中找到問(wèn)題的根源，尋找造成數據的原因，提出解決問(wèn)題的方案，開(kāi)始執行運營(yíng)動(dòng)作優(yōu)化，再根據數據進(jìn)行優(yōu)化。
數據分析可分為6步走：
明確分析的目的和思路：
運營(yíng)是靠目標驅動(dòng)，做事情帶有很強的目的性，同樣地，在數據分析方面也同樣遵循這個(gè)原則。對數據進(jìn)行分析，最終的目的是什么？我想要解決什么樣的問(wèn)題。
在這里可以采用5W2H的原則來(lái)逐漸確認分析的目的和思路：
what：我的業(yè)務(wù)是什么？業(yè)務(wù)流程是什么？業(yè)務(wù)的核心指標是什么？其他指標是什么？其他數據分析的目的是什么，最終想要解決的是什么樣的問(wèn)題，用什么樣的數據分析方式。
why：為什么會(huì )出現這樣的數據？原因是什么，理論依據是什么，后期解決措施應該如何推進(jìn)。
who：分析的用戶(hù)群體是哪些用戶(hù)，他們有什么樣的特征，出現這樣的數據是否和用戶(hù)群體的某種特性有關(guān)。
when：數據分析的日期是從什么時(shí)候到什么時(shí)候，中間采用了什么樣的運營(yíng)策略。
where：是在哪里，哪部分的數據，是否和位置有一定的關(guān)系。
how：如何去進(jìn)行數據分析，用什么樣的數據分析方法最有效。
how much：數據分析花費的時(shí)間和成本各是多少。用戶(hù)在上邊花費的時(shí)間是多少。
從數據分析中，我們可以了解到單個(gè)渠道的獲客效率，單個(gè)渠道的轉化率，以及用戶(hù)arpu值。有些渠道的用戶(hù)轉化率高，但是arpu值低，不同的渠道有不同的用戶(hù)屬性和用戶(hù)的價(jià)值點(diǎn)，也導致最終數據的結果會(huì )出現差異。
數據收集
運營(yíng)數據收集，越詳細越好，所以在要求前期進(jìn)行數據統計的時(shí)候就需要有關(guān)大局觀(guān)，將后期數據分析可能會(huì )用到的數據盡可能多地收集起來(lái)，以方便后期進(jìn)行數據分析。
對于新媒體來(lái)說(shuō)，文章的標題，文章的關(guān)鍵詞，文章的情緒點(diǎn)，文章閱讀量，轉發(fā)分享量，好看量，每日漲粉量，掉粉量等數據，每天或者每周進(jìn)行一次統計，方便后期做數據分析。
同時(shí)，也需要了解市場(chǎng)上同類(lèi)產(chǎn)品的一個(gè)情況，去了解競爭品的情況才能更好地了解自己的實(shí)際情況。有對比才知道自己處于行業(yè)一個(gè)什么水平，未來(lái)還有多大的空間。
數據處理
對收集到的數據進(jìn)行加工整理，形成適合數據分析的樣式，從大量的，雜亂無(wú)章、難以理解的數據中，抽取并推導出對于解決問(wèn)題有價(jià)值，有意義的數據。包括數據清洗，數據轉化、數據提取以及數據計算等處理方法。
數據分析
運用適當的數據分析的方法和工具，對處理過(guò)的數據進(jìn)行分析，提取有價(jià)值的信息，形成有效結論。
數據展現
對數據進(jìn)行可視化地展現，盡可能地多用圖標、趨勢圖、餅圖等形式進(jìn)行說(shuō)明和解釋?zhuān)軌蛑庇^(guān)地傳達出數據分析的結果和觀(guān)點(diǎn)。如果是最終數據是供自己參考，那么在數據展現時(shí)，能夠清楚地了解到自己想要的數據，能夠從數據中得到一定的啟發(fā)即可。
如果是需要供領(lǐng)導作決策和參考，則需要表現數據的可視化，在數據圖標中做進(jìn)一步的分析和說(shuō)明。
撰寫(xiě)報告，提出解決方案
如果是自己進(jìn)行數據分析，則對數據進(jìn)行分析處理后，發(fā)現數據變化的原因，并提出解決出現這個(gè)數據的解決辦法，投入優(yōu)化和使用中。在多次測試中，找到解決問(wèn)題的最優(yōu)解。
如果數據分析的結果要最終給領(lǐng)導做決策，為領(lǐng)導決策提供一定的數據和理論依據，則需要完整地表達出數據的最終結果是什么，是什么樣的原因導致了這樣的數據，未來(lái)可以針對這樣的數據有什么樣的解決辦法。
數據分析的最終結果，是為了解決某個(gè)問(wèn)題提供數據基礎，或者從數據中找到之前的未來(lái)動(dòng)作的優(yōu)點(diǎn)和不足，為未來(lái)進(jìn)一步加強或者改善提供支撐?？扛杏X(jué)這樣的事情本身就極為不靠譜，最終還是得從數據出發(fā)，找到解決辦法。
二、常用的數據分析模型
運營(yíng)在面對一堆數據的時(shí)候就發(fā)怵了，該從哪些維度進(jìn)行分析，和業(yè)務(wù)端結合，該用什么樣的數據分析方法論。接下來(lái)，就和大家聊下關(guān)于數據分析方法論的事情，看到數據的時(shí)候，如何運營(yíng)這些數據分析模型和業(yè)務(wù)結合。以下這些數據分析的模型，是我們在數據分析中常用的一些模型。
RFM模型
電商里邊常用的數據分析模型，根據這個(gè)模型可以分析出這個(gè)用戶(hù)是否屬于高價(jià)值用戶(hù)，是否能夠進(jìn)行有效召回。
R表示最近一次的消費，最近一次消費時(shí)間非常近，對用戶(hù)進(jìn)行召回的可能性非常大，用戶(hù)的價(jià)值值得進(jìn)一步的深挖。
F表示消費頻率，在某段周期內，用戶(hù)購買(mǎi)的頻率。
M表示消費金額，單次消費金額越高，說(shuō)明用戶(hù)的價(jià)值越大。
根據RFM模型，我們可以將用戶(hù)分為幾種類(lèi)型用戶(hù)，針對不同類(lèi)型的用戶(hù)用不同的方式去進(jìn)一步提升用戶(hù)價(jià)值，最終達到提升GMV的作用。
AARRR模型-漏斗模型
漏斗模型是在用戶(hù)運營(yíng)中常用的一套模型，用戶(hù)從最終的拉新，到最后的自傳播都經(jīng)歷了一系列的數據縮減和消退模式。
上一個(gè)步驟離下一個(gè)步驟的轉化率是多少，和行業(yè)的轉化率相比存在什么樣的差異，每個(gè)渠道的轉化效率存在著(zhù)什么樣的差異。
通過(guò)漏斗模型來(lái)看，用戶(hù)從最開(kāi)始的獲客到最后的變現，是否出現有什么異常情況，每個(gè)渠道之間是否存在明顯的差異！
如果要在短期內達到運營(yíng)目的（提升日活或者收入），是在拉新還是促活上下力會(huì )更有效果呢？
用戶(hù)行為理論：AIDMA模型
漏這個(gè)模型和上邊的漏斗模型相似，用戶(hù)從最初的感興趣階段到最后愿意分享的環(huán)節，每一個(gè)環(huán)節都經(jīng)歷了消退。
用戶(hù)從淘寶上進(jìn)行搜索，到最終的支付下單，會(huì )經(jīng)歷不同的步驟，對步驟拆分地越仔細，越能發(fā)現用戶(hù)在哪個(gè)環(huán)節進(jìn)行了流失，以及重點(diǎn)去分析用戶(hù)流失的原因。
內容傳播模型
內容閱讀量=老用戶(hù)數x點(diǎn)擊率+老用戶(hù)數x分享率x用戶(hù)好友數x點(diǎn)擊率+新用戶(hù)x點(diǎn)擊率+新用戶(hù)x分享率x點(diǎn)擊率
NU – New Users（新用戶(hù)數）
AU – Active Users（活躍用戶(hù)數）
R% – Retention Rates（留存率）
S% – Share Rates（分享率）
F – Friends（好友數）
C% – Conversion Rates（轉化率）
AU 01 = NU X0 × R N1%
NU 01 = AU 01 × S N1% × F × C N1%
= NU 00 × R N1% × S N1% × F × C N1%
= NU X0 × K N1%
NU X1 = NU X0 × K N1%
…………
NU X4 ≈ NU X0 × K N1%4
NU n ≈ NU 0 × K %n
所以，一篇傳播力度非常廣的文章一定是通過(guò)多次分享傳播帶起來(lái)的，單純地靠已有的用戶(hù)群進(jìn)行打開(kāi)，本身就具有局限性，很難達到火爆的現象。
三、以電商為例，該如何去進(jìn)行數據分析？
接下來(lái)，我將自己的實(shí)際經(jīng)驗，和大家分享下電商行業(yè)如何去進(jìn)行數據分析，根據分析的不同結果，又該采取什么樣的運營(yíng)手段去解決數據背后的那些問(wèn)題點(diǎn)。
對于一個(gè)電商來(lái)說(shuō)，最重要的就是流量以及最終的轉化率問(wèn)題，不同的流量來(lái)源，最終的轉化率不同。對于每個(gè)渠道進(jìn)來(lái)的流量進(jìn)行逐一分析，看看用戶(hù)通過(guò)這個(gè)渠道進(jìn)來(lái)的用戶(hù)路徑是什么樣的，最終轉化率是怎么樣的，在哪個(gè)環(huán)節最容易出現問(wèn)題。
通過(guò)下邊的那個(gè)圖，我們可以看出店鋪的常規流量來(lái)源，再從每一個(gè)環(huán)節去提升流量的最終支付轉化率。
其次，利用RFM模型來(lái)對已經(jīng)轉化的用戶(hù)做用戶(hù)運營(yíng)，提高已經(jīng)轉化用戶(hù)的留存率和最終的價(jià)值。
按照用戶(hù)在某段時(shí)間內的消費頻率，消費金額以及最近一次消費記錄可以推算出這個(gè)用戶(hù)是不是重點(diǎn)維系用戶(hù)，未來(lái)是不是還可以對用戶(hù)進(jìn)行充分地價(jià)值挖掘。再結合運營(yíng)手段，短信召回，建立會(huì )員制度等，充分提高每一個(gè)已經(jīng)轉化用戶(hù)的價(jià)值。詳細可見(jiàn)，實(shí)操|(zhì)關(guān)于提升短信營(yíng)銷(xiāo)ROI的總結，這里邊詳細講述了如何利用RFM模型提升用戶(hù)單個(gè)價(jià)值。
作者；汪婷 運營(yíng)汪日常雜談，與你分享那些運營(yíng)的成功與走過(guò)的坑。
聯(lián)系客服
