如何搭建一套正确、高效的数据驱动运营体系

作者 | 郭淑明 ，GrowingIO 业务增长负责人

来源 | GrowingIO 数据分析公开课第 21 期

随着精细化理念的不断深入人心，“数据运营” 这一概念得到了大家越来越多的重视。但是什么是正确的数据指标，如何正确地采集数据，如何用数据驱动业务增长？这些常见的数据迷思，困扰着大多数的产品、运营、市场甚至管理层。 今天这篇文章，就跟大家分享一下如何搭建一套正确、高效的数据运营体系。 一、什么是数据运营

“数据运营” 有两层含义，狭义指“数据运营”这一工作岗位。它跟内容运营、产品运营、活动运营、用户运营一样，属于运营的一个分支。从事数据采集、清理、分析、策略等工作，支撑整个运营体系朝精细化方向发展。近年来，越来越多的互联网企业开设了“数据运营”这一工作岗位，主要分布在一线运营部门。与数据分析师这一岗位不同的是，数据运营更加侧重支持一线业务决策。

广义指“用数据指导运营决策、驱动业务增长”的思维方式，即数据化运营。属于运营的一种必备技能或者思维方式，泛指通过数据分析的方法发现问题、解决问题、提升工作效率、用数据指导运营决策、驱动业务增长。

综上所述，数据分析是数据运营的一项必备技能。

（一）为什么数据分析是运营的一项必备技能

数据分析的百度指数趋势

从外部环境上，我们可以看到从 2011 年到现在，数据分析的百度指数持续上涨。2014 - 2015 是重要节点，原因是从 09 年移动互联网开始以来，随着智能手机第一波换机潮和第二波换机潮，带动移动互联网发展。大量的企业入场，让增长的成本变得非常高，于是通过数据分析的精细化运营，变得越来越重要。

运营JD的数据分析要求

从招聘上也能看出来，我们看了目前市面上许多公司对于运营的 JD（职位描述），无论是内容运营、产品运营、活动运营还是用户运营，都要求数据分析能力。

（二）数据运营的职责

我们找了 100 篇数据运营招聘 JD（职位描述）文本的基础上，使用 R 对其进行分词，并且绘制了词云。

数据运营的职责

通过这个词云不难看出，“数据分析”是数据运营的核心工作，右边的表格展示了排名靠前的关键词及其出现的频次

「数据分析」这个词在100个 JD 中出现了106次，遥遥领先。接下来是分别是「分析报告」、「提供数据」、「数据报表」等词，这也说明提供数据报表、分析报告是数据运营的重要工作。搭建「数据指标」、及时「发现问题」、提供「解决方案」也是 JD 中的高频词汇，这样看数据运营岗位的具体职责就一目了然了。

总结起来，我们将其归纳为数据规划、数据采集、数据分析三大层次：

1.数据规划：收集整理业务部门数据需求，搭建数据指标体系；

2.数据采集：采集业务数据，向业务部门提供数据报表；

3.数据分析：通过数据挖掘、数据模型等方式，深入分析业务数据；提供数据分析报告，定位问题，提出解决方案。

下面我们就从这 3 个环节去展开，详细地为大家讲解如何搭建一套正确、高效的数据运营体系。

二、数据规划

数据规划是整个数据运营体系的基础，它的目的是搞清楚「要什么」。只有先搞清楚自己的目的是什么、需要什么样的数据，接下来的数据采集和数据分析才更加有针对性。

数据规划有两个重要概念：指标和维度。

（一）指标

指标（index），也有称度量（measure）。指标用来衡量具体的运营效果，比如 UV、DAU、销售金额、转化率等等。指标的选择来源于具体的业务需求，从需求中归纳事件，从事件对应指标。

指标体系

指标分为数量型指标和质量型指标，Web 的 pv、uv、访问量，App 的 DAU、NDAU 等等，都是数量型指标；平均访问时长、访问深度、跳出率等等这些是质量型指标。

1.如何选择核心指标

在这里我们引入一个概念——OMTM，

OMTM（One Metric That Matters） 唯一重要的指标，也称为北极星指标。

选择 OMTM 的四大标准：

• 和商业目标紧密结合；
• 反映客户的价值需求；
• 指标简单易懂；
• 能够计算汇总 。
  
  

选择错误指标的案例-Viddy

这里我们可以引用一个案例，著名的视频社交分享应用 Viddy，授权可以通过登录 Facebook 来创建帐号和分享，就跟国内常见的各种 App 中微信、QQ 等第三方帐号一样。

前期他们以「创建账号的数量」来作为核心指标，我们可以看到在做了授权 Facebook 登录后，2012 年上半年访问量飙升，但是到了 2012 年下半年访问量暴跌。这就是问题所在，Viddy 的员工认为账号创建数量是一个正确的指标，所以他们拼尽全力去提升这个指标。实际上，他们并没有发现业务的重点。

与之相对比的，谷歌+ 用自己的方法把用户提升到 1.7 亿，方法就是把有趣的内容放到邮件中和好友分享。谷歌+ 专注于「前往谷歌+ 并且每周至少分享 2 个更新信息」的用户数量指标，他们专注于向用户传递产品的价值，而不是仅仅提升某一个数字。

2.如何规划核心指标

以我们 GrowingIO 做的电子书下载落地页举例。

指标的选择来源于具体的业务需求，从需求中归纳事件，从事件对应指标。

从内容落地页的业务需求开始，分析选择指标的过程如下。

1、明确需求：对页面进行数据分析，提高电子书下载量；

2、归纳事件：用户下载电子书是系列事件的最终结果，包括点击推广链接、访问下载页、开始填写信息、填写信息完成下载；

3、对应指标：下载量 = 访问流量 * CTA 点击率 * 注册转化率。

通过上述分析，得出下载量是 OMTM（第一重要指标，One Metric That Metter）的结论。同时，整个指标体系包括访问流量、CTA 点击率、注册转化率三个可操作的指标，基于可操作的指标，才可以更好地优化核心指标。

（二）维度 1.什么是维度？

维度是用来对指标进行细分的属性，比如广告来源、浏览器类型、访问地区等等。

维度分类

2.多维度分析

举个例子，我们在每天观察数据的时候，突然某天下午 5 点流量暴增，我们想查找出原因。

首先从访问来源维度拆解，我们发现从 5 点开始，主要是微信的流量突然上涨，

然后我们从落地页面维度拆解，就可以发现流量主要落地页是 E 和 G 两个页面，

最后我们就可以得出结论：下午 5 点从微信突然涌进大量流量到 E 和 G 页面，与内容的同学同步了一下，是他们在微信上推了一个落地到 E 和 G 页面的活动。

从案例可以看出，多维度分析能够让我们更清晰的挖掘出数据表象背后的真实原因。

3.如何选择分析维度？

选择维度的原则是：记录那些对指标可能产生影响的维度，以及尽量记录全面的、多维度的数据。

磨刀不误砍柴工。数据运营需要和业务部门（市场、销售、运营、产品等等）不断沟通，只有做好数据规划，接下来的数据采集和数据分析才能更加高效。

三、数据采集

数据采集是数据分析的基础，传统的数据采集是一件非常花时间、精力、人力的事情，对于很多企业来说是一个巨大的门槛。过去数据分析整个流程经常是 80% 的时间在数据采集上，只有不到 20% 的时间是用于数据分析的。

（一）采集什么数据

从流量为王的互联网上半场，到流量越来越贵的互联网下半场，获取用户的成本越来越高， 2013、2014 年左右，工具类 App 激活一个用户的成本才几毛钱，两年不到，获取一个下载的成本就到了几块钱。金融类 App 一个激活用户的成本可以达到上百元。所以企业开始从粗放式运营向精细化运营转变，关注的数据也从单纯的渠道流量数据，增加了更多对用户行为数据的分析。

所以目前来看，对用户行为数据的采集成为了数据运营较为看重的部分。

用户行为是由一个一个事件（event）组成的。

这些事件包括时间、地点、任务、人物、内容、交互。

（二）如何采集数据 1.数据采集方案

目前有三种常见的数据采集方案，分别是埋点、可视化埋点和无埋点。

埋点，也称打点，通过在产品（网页、APP等）中手动添加统计代码收集需要的数据。打点又可以细化出前端打点与服务器打点。假如要收集用户注册数，就需要在注册按钮处加载相应的统计代码。Google Analytics（谷歌统计）、百度统计等工具采用的就是这一方法。

但是因为埋点的工程量大、周期长，而且容易发生漏埋、错埋的情况，所以埋点成为了数据从业者的一大痛点。

可视化埋点是埋点的延伸，通过可视化交互的方式来代替手动埋点。这种方式降低了用户使用的门槛，提升了效率。

但无论是埋点还是可视化埋点，数据运营都需要起到承前启后的作用：收集业务部门数据需求，撰写需求文档，向工程部门提交埋点需求，本质上还是一种埋点方案。

无埋点颠覆了传统的「先定义再采集」的流程，只需要加载一个 SDK 就可以采集全量的用户行为数据，然后可以灵活自定义分析所有行为数据。用户行为数据分析产品 GrowingIO 采取的就是无埋点的技术方案。前段时间，国外的 Mixpanel 也推出了无埋点解决方案。

相比于埋点方案，无埋点成本低、速度快，不会发生错埋、漏埋情况。无埋点正在成为市场的新宠儿，越来越多的企业采用了无埋点方案。在无埋点情景下，数据运营可以摆脱埋点需求的桎梏，将更多时间放在业务分析上。

比如使用 GrowingIO 的圈选工具，需要哪里的数据，圈选一下就可以立即获取，省去了手动埋点等待发版的漫长流程，同时不会发生错埋、漏埋的情况。

2.数据可视化

数据经过收集处理后，下一步就需要可视化，数据可视化在运营应用中的主要形式包括：图表、图形、数据看板，

搭建数据看板（ Dashboard ）是除了数据报表之后又一项工作，是指将关键业务指标（KPI）和相关数据指标显示在一个面板中，以可视化图形的方式展现出来。数据看板往往和企业的 BI 系统连在一起，属于数据可视化的部分。

上图是用数据分析产品 GrowingIO 做出的看板，每个人，或者说每一项业务，都需要最直观的将数据展现出来，并且根据图表层层下钻，发现问题，所以可以自定义的看板非常重要。

四、数据分析

数据分析是数据运营的重点工作，前面的数据规划和数据采集都是为数据分析服务的。我们的最终目的是通过数据分析的方法定位问题，提出解决方案，促进业务增长。

所以这也是为什么我们要推荐无埋点的原因，因为我们希望改变以前「80% 的时间用于采集和清洗数据，不到 20% 的时间用于数据分析」的情况，变成「80% 的时间用于数据分析」，把时间花在更有价值的事情上。

选择什么样的数据分析方法要和业务场景相结合，上面这个表格汇总了目前常见的运营数据分析方法及运用场景，比如我们投放广告、追踪渠道用的 utm，分析转化的漏斗等等。

不同于数据分析师，数据运营岗位弱化了对编程统计的要求，更加强调在现有工具基础上灵活使用分析方法。下面我们列举一下常见的数据分析方法。

（一）维度细分

孤零零的一个数据指标，是很难发现问题的。我们需要从多个维度出发，比如地区、平台、浏览器、访问来源等等，拆解指标，定位问题。

（二）漏斗分析

用户在使用产品的过程中，天然存在着系列转化路径，例如注册、下单、下载等等。运营需要各个路径的转化率，包括总转化率及每一步的转化率。

转化漏斗工具以可视化的方式将转化路径的每一个步骤都展示出来。运营人员可以重点关注流失最大的环节，因为这往往是优化工作 ROI 最高的地方。

除了横向拆解每一步的转化率，我们还可以从时间维度观察每一步转化率的变化趋势。

比如，通过上图不难发现，某日注册环节第一步转化率大幅度下降，从而影响到整体的转化率。

（三）热图

热图是很常见的一种数据分析图表，也称热力图，是以特殊高亮的形式显示用户页面点击位置或用户所在页面位置的图示。借助热图，可以直观地观察到用户的总体访问情况和点击偏好。

目前常见的热图有 3 种：基于鼠标点击位置的热图、基于鼠标移动轨迹的热图和基于内容点击的热图，三种热图的原理、外观、适用的场景各有不同。

上图是基于内容点击的热图，如数据分析产品 GrwoingIO 热图，记录用户在网页内容上的点击，自动过滤掉页面空白处（没有内容和链接）的点击。基于内容点击的热图，追踪内容变化而变化，记录相对时间内用户对内容的点击偏好。

从热图中，我们会很容易看到哪些位置流量高，用户的注意力高等等。

五、数据驱动的分析流程

很多明星公司都在数据驱动中发明了很棒的技巧，但是任何技巧都有自己的生命周期。往往当你发现一种技巧的时候，它已经沦为行业标配了，而且也不一定和你的业务相匹配。所以与其依赖技巧，不如依赖流程，这样团队才可以像机器一样高效运作。

在数据分析中，最重要的一点，就是要建立数据驱动的流程。完善的流程可以帮助你快速定位问题、解决问题。从设立增长指标开始，找到小的聚焦领域，分析数据、提出假设、排优先级、开展实验、分析优化，不断循环，直到找到问题所在，并且推动你的指标有一定改善。

1、明确目标；

2、根据目标去分析目前的情况以及存在的问题；

3、提出可能解决目前问题或者实现目标的想法；

4、排列一个想法测试的优先级；

5、开始测试，通过试验来验证或者推翻我们的想法。

然后开始新一轮的分析、假设、排优、测试，在不断优化中实现增长。

六、案例分析

下面通过一个实际的案例，来分析在实际业务中，「如何搭建一套正确、高效的数据驱动运营体系」。

我们在内容运营中，做了内容专题落地页，希望能够追踪落地页的效果，并且优化页面。

左边是落地页的全貌，包含落地页必备的三大部分：英雄出击（Hero Shot），用户益处（Benfits） 和用户号召（Call to Action）；右边是落地页首屏。

（一）数据规划

整个内容落地页，最终是希望更多的用户完成下载行为，所以「电子书下载量」是我们的 OMTM，通过对这个指标进行拆解，我们得到了下面这个公式，

下载量 = 访问用户量 * CTR * 注册转化率

落地页的两种类型：点击落地页和线索产生落地页。这个落地页属于点击落地页，它是起流量分发的目的，为线索产生落地页提供流量。

结合我们做内容专题的目的，【下载电子书】点击率，也就是公式中的 CTR

（二）数据采集

通过无埋点的圈选采集数据，根据指标建立整个落地页的看板。

（三）数据分析

数据分析分为定量分析和定性分析

1.定量分析

定量分析在增长中很重要，起指导方向的作用。它会告诉你什么地方有机会增长，什么地方可以做测试。其次是衡量结果，帮助你调整方向。

比如我们用热图工具查看整个落地页的点击情况，可以得出数据：

a.落地页跳出率 0.36

b.【下载电子书】点击率 0.48

我们做增长很多时候是想影响和改变用户行为，但要记住一点，一个用户永远是一个人，不只是一个数据。有时候需要通过一些数据观察结果，但有时候定性分析也非常重要。

2.定性分析

我们基于定性分析，通过访谈、使用调研，可以得出几个结论：

a.页面主色调太淡，不够鲜艳，文字和背景对比不突出；

b.文字信息排版太稀疏，一个页面看完需要多次下拉。

3.提出假设

基于以上的定性分析和定量分析，我们提出以下假设：

a.更换落地页背景色，有助于降低跳出率；

b.增加更多的【下载电子书】按钮，有助于提升点击率；

c.将电子书图片添加链接，有助于提升转化率；

d.减少页面空白，增加信息密度，有助于提升转化率。

4.排优先级

如何评估我们的想法是否可行？以及哪个想法应该优先测试？

增长黑客之父 Sean Ellis 总结了一套评估方法–––ICE，分别从 Impact （影响力)、Confidence（自信心）、Ease （难易度）三个角度去打分。

首先是影响力（Impact），这个想法对我们业务增长的作用有多大；如果影响力非常大的话我打10分，如果影响力微弱的话打2-3分。

其次是自信心（Confidence），是否确定这个想法能够有效。同样是从1-10打分，10分表明你有足够自信说明这个想法是有效的。

最后是实施的难易程度（Ease）。

综合以上三个角度，我们可以排出比较合理的优先级。于是我们把「将落地页背景颜色换成主页色调」和「新增2个【下载电子书】的banner」这两条作为高优先级，开始实验。

5.开始实验

1）实验1- 落地页更换背景色

改版后的数据情况验证了我们的想法，跳出率从 0.36 降低到 0.12，「下载电子书」转化率从 0.48 提升到 0.61。

2）实验2 - 新增2个【下载电子书】的banner

改版前我们是 2 个 CTA Banner，我们增加到 4 个，保证每一屏浏览后有个 CTA，实验后的数据跳出率从 0.12 到 0.13，这是正常的数据波动，转化率从 0.61 提升到 0.83 。

把两次实验的数据进行分析优化，然后实验验证其他假设，经过其他假设一一反复多次实验，整体转化率提升了 124% 。

由此，我们得出实验和增长的正相关关系。下面也可以举两个国外的例子说明。

Twitter 曾经也获得了非常快的增长，但是中间停滞了。2010年，Twitter成立了一个新的团队。来了一个新的产品VP，他觉得 Twitter 测试的量不够。『我们几个月了才做几次测试，这太少了，我们必须每周做至少十次测试！』加快测试的频率后，Twitter 的增长就恢复了。

GrowthHackers.com 也有类似的经历，在增长的瓶颈期，创始人发现测试的数量太少。于是 Sean Ellis 告诉团队必须保证每周至少三次测试。做了这个改变之后，他们就容易更快地发现问题、解决问题，增长的速度也更快了。

以上就是本期公开课的全部内容。

来源：GrowingIO数据分析