时间: 2021-07-30 10:57:41 人气: 12 评论: 0
对于数据分析，产品、运营需要懂多少才算懂？
数据分析能力对于产品和运营人员都是重要的，有多重要？我们直接上数据。
我们用Python爬取了前程无忧网上500条关于活动运营、内容运营、用户运营的职位要求，把他们进行词频分析，得出了以下的图表。
我们得出以下结论：用人需求方普遍认为，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，我所带的团队也有这个弊病，故写下这篇文章，供大家参考。
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**流于形式，不**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。
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。
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**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**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：
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。
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**有流失，每个环节都**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。
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。
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：
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**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。
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**数据分析》里面提到了一下常用的营销管理方法论。
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。
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**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
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。
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**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。
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**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：
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。
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。
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：
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。
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：
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。
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**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**次数。上述四个指标能够有效地评判一**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**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。
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**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。
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。
本文由 @梁彦豪 原创发布于人人都是产品经理。未经许可，禁止转载。
题图来自unsplash，基于CC0协议
