所有运营增长人必学的数据运营分析模型

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。 那到底什么是数据运营? 数据运营能做什么? 有哪些经常用到的数据分析模型？

“数据运营” 有两层含义, 狭义指 “数据运营” 这一工作岗位, 广义指“用数据指导运营决策、 驱动业务增长” 的思维方式。

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。广义的“数据运营” 概念, 即数据化运营, 泛指用数据指导运营决策、 驱动业务增长。

二、 数据运营与其他运营的区别?

在互联网企业内, 广泛存在用户运营、 内容运营、 产品运营、 活动运营、 社群运营等运营岗位, 部分企业还有品类运营、 流量运营、 APP运营等细分岗位。

那么数据运营与其他运营区别在哪里?

从工作岗位上看, 数据运营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。

从思维方式上看,数据(化)运营属于运营的一种技能;无论对于用户运营、内容运营、产品运营、还是活动运营、社群运营、数据(化)运营都是一种必备技能或者思维方式,即通过数据分析的方法发现问题、解决问题、提升工作效率、促进业务增长。

本文我们以广义的 “数据运营” 概念为主, 和大家分享如何用数据指导运营决策, 驱动业务增长。

三、 数据运营有哪些常用的场景?

数据运营覆盖整个用户生命周期,包括拉新,转化、促活,留存和变现等常见的业务场景。

那在具体的业务场景下, 数据运营又是如何操作的呢?

下面是来自GrowingIO联合创始人吴继业的分享, 谈到了他在eBay和Linkedln数据运营经历。

(一)拉新

eBay特别注重是哪个搜索引擎、 哪个关键词带来的流量; 关键词是付费还是免费的。从谷歌那边搜素引擎词带来了很多流量, 但是这些流量是否在eBay 上成单, 所以这个数据还要跟eBay 本身数据结合、 然后再做渠道分配, 到底成单的是哪个渠道。 整个数据链要从头到尾打通, 需要把两边的数据整合之后才能做到。

(二)转化

以注册转化漏斗为例, 第一步我们知道网页上有哪些注册入口, 很多网站的注册入口不只一个,需要定义每个事件;我们还想知道下一步多少人、多少百分比的人点击了注册按钮、 多少人打开了验证页; 多少人登录了, 多少人完成了整个完整的注册。

期间每一步都会有用户流失, 漏斗做完后, 我们就可以直观看到, 每个环节的流失率。

(三)促活

还有一个是用户使用产品的流畅度.我们可以分析具体用户行为,比如访问时长,在那个页面上停留时间特别长,尤其在APP上会特别明显.再有是完善用户画像,拿用户行为分析做用户画像是比较准的。

(四)留存

用户流失不是说一下子就流失了,一些细微、小的一些行为,就能预示他将来会流失。在LinkedIn的时候,我们要去追踪用户的使用行为。比如说有没有登录、登录之后有没有搜简历、有没有上传简历等等。用户这些点点滴滴的行为,都很重要。有了这些数据支撑,LinkedIn的产品、销售每天都要去看用户报告,最简单的就是用户使用行为有没有下降, 哪些行为下降, 哪些用户用的特别好等, 以此来维护用户关系.

(五)变现

Linkedln 是一家2C又2B的公司, 在全球有4亿的用户, 有很多真实用户的简历信息. 2B的业务是Linkedln 为每一个企业HR销售的, 目的就是帮助美国的企业去找中高端的人才,这里面有很多的不同的产品线。Linkedln本身就是一个社交网络,用户是经理、VP还是总监,还是业务类的,市场的、销售的等等这些数据在Linkedln 上都聚合成一个公司的纬度。

有了这个公司的纬度之后,我们就能够很快让销售拿着这个卖给客户。比如要跟星巴克谈业务, 最能震撼到星巴克 HR 的数据是人才流失率的列表。

如上图,其员工在最近一年有哪些是从别的公司加入进来,上一家公司是谁,用蓝色显示。左边做的是星巴克员工流失,其跳槽去了哪家公司,用红色显示.

通过这个简单的分布,就可以迅速看出来人才流失情况。如果是蓝的多,说明这家公司的人才吸引方面是强的,如果是红色的多,说明这家公司人才储备和招聘方面正处于颓势。我们把数据展示给最终客户,基本上就可以拿到单子。我们可以通过数据来讲故事。我们一开始做了很多的报告,销售可以拿去讲故事,可以很快促进成单。

数据是反映产品和用户状态最真实的一种方式, 通过数据指导运营决策、 驱动业务增长,这才是“数据运营”的精髓!

四、数据运营的具体工作是什么？

我将数据运营归纳为数据数据规划、数据采集、数据分析三大层次。

• 数据规划：收集整理业务部门的数据需求，搭建可行的数据指标体系。
• 数据采集：采集业务数据,向业务部门提供数据报表。
• 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。
  

1、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。

这里有两个重要概念:指标和维度!

(ー)指标体系

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。

我们以一个电商网站为例,分析一下选择指标的过程:

1、 明确需求: 网站主要业务是商品销售, 希望通过数据分析来提升网站销售金额。

2、 归纳事件:用户购买是一连串关键事件的结果, 包括访问网站、 浏览商品、 注册账号、加入购物车、开始结算、支付等。

3、对应指标:不难得出公式,销售金额=访问流量*下单转化率*支付转化率*客单价。

通过上述分析, 得出销售金额是OMTM (第一重要指标, One Metric That Metter的结论。 同时, 整个销售金额的指标体系包括访问流量、 下单转化率、 支付转化率和客单价四个可操作的指标。

(二)维度体系

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。选择维度的原 则是:记录 那些对指标可能产生影响的维度。

以电商网站为例,我们需要监测不同访问用户的访问来源(广告还是自然流量)、平台(PC还是移动端)、 活跃度(浏览购买频次)等等。对于初创公司来说的, 性价比最高的做法就是用 SaaS服务,通过第三方的 SDK 来完成多维度数据的获取。

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。

2、数据采集

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。巧妇难为无米之炊,数据采集的重要性不言而喻。数据运营要发挥数据采集、数据报表呈现的职责。

(一)数据采集

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。

2.1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。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。

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, 埋点成为了数据从业者的一大痛点。

2.2可视化埋点

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. Mixpanel 采用了可视化的埋点方案。

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。

2.3无埋点

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GrowinglO采取的就是无埋点的技术方案。

相比于埋点方案,无埋点成本低、速度快,不会发生错错埋、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。

(二)、数据报表

定期向业务部门提交数据报表是数据运营的工作之一, 包括日报、 周报、 月报甚至年报。数据报表建立在数据指标体系的基础上,数据运营应该让这部分工作尽量自动化。搭建数据看板(Dashboard)是除了数据报表之后又一项工作,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。在资源充足的企业,往往采用自建的方式搭建数据平台;对于中小企业,合理借助第三方数据工具是一个非常不错的选择。

上图展示的是GrowinglO的流量概览看板,自动展示相关数据指标。在数据采集和数据可视化这个环节,数据运营应该善于借助工具,减少在数据采集、数据清理、数据可视化上面耗费的时间.

3、 数据分析

数据分析是数据运营的重点工作, 数据规划和数据采集都是为了数据分析服务的。 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。

选择什么样的数据分析方法要和你的业务场景相结合, 下面这个表格汇总了目前常见的运营数据分析方法。

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。一个好的数据运营一定要及时发现问题、定位问题,并提出可行的解决方案。

五、数据运营常用的10个数据分析方法

数据分析已经成为运营的必备技能之一,熟练掌握数据分析方法已经成为运营的核心竞争力。对于互联网产品运营,我们总结了10个常用的数据分析方法,覆盖整个用户生命周期。

1、来源管理

通过对投放的目标链接加上监测参数,实现对网页访问来源、App下载渠道的监

测。目前主流的解决方案是UTM机制,数据分析工具 Google Analytics、Growing使用的都是这套机制。在你的网站已经加载监测代码的基础上,可以给你的投放链接加上下面的5个常用参数,分别是 utm source(广告来源)、 utm campaign(广告名称)utm mediun(广告媒介)、 utm content(广告内容)和 utm term(关键词)。

2、趋势分析

趋势分析是最基本、也是最常见的数据分析方法;通过对业务指标的监测来研究用户行为规律,寻找增长点。

趋势分析有两大作用:数据监测和趋势预测。

当出现异常峰值时运营需要思考为什么会这样,要及时发现问题、定位问题。通过整个趋势图,运营需要预测接下来一段时间的指标走势,为后期工作提供帮助。

3、维度拆解

孤零零的一个数据指标,你是很难从异常数据中发现问题的。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。

以常见的流量指标为例,我们可以从广告来源、地区、操作系统等维度出发,观察哪一类的用户比重更多、哪一类的用户价值更大,从而提升运营的效率。

4、转化漏斗

用户在使用产品的过程中,天然存在系列转化路径,例如注册、下单、下载等等。运营关注转化路径的转化率,包括总转化率及每一步的转化率，转化漏斗以一种可视化的方式将转化路径的每一步都展示出来,运营需要重点关注流失最大的环节,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。

五、留存分析

留存,顾名思义,是指新用户首次访问你的网站后回访你的网站或者APP。留存分析一般用来探索用户、产品与回访之间的关联程度。

我们可以从用户、产品、自定义等多维度出发,分析不同类别的用户群体与留存率之间的关系。互联网运营可以通过分析不同用户群组的留存差异、使用过不同功能用户的留存差异来找到用户增长点。

六、魔法数字

魔法数字( Magic Number)是留存分析的延伸,它和产品的核心功能息息相关,已

经得到了硅谷企业的广泛重视

举个例子,有过下面这些行为的用户留存率都非常高

1、 LinkedIn发现新用户一周内添加5个好友

2、 Dropbox发现用户在2个操作系统上存储文件

3、银行发现信用卡用户一年内消费5笔。

那么,这些数字是怎么计算出来的呢?

总结起来,就是分析用户的行为组合“时间*功能*频次”与用户留存之间的相关系数

相关系数越大,两者的关联性越高。

七、用户分群

精细化运营是目前的趋势,运营需要对不同类别的用户进行精准运营,而维度和指标组合条件是目前常用的筛选方法。

假如上海某电商网站举行一次 Phone手机配件促销活动,可以将“上海市 有过两

次购物记录的 Phone用户”筛选为目标用户进行营销,这样远比漫无目的地群发邮件或者推送更加精准

八、用户细查

观察用户的行为轨迹,探索用户与产品的交互过程;进而从中发现问题、激发灵感亦或验证假设。

产品运营过程中存在很多“怒点”,比如图1中突出的【获取手机验证码】失效,导

致用户重复点击,此时用户细查轨迹可以用来验证我们之前的猜想和假设。

九、热图

热图,也称热力图,用高亮颜色来展示用户的访问偏好;一般来说,红色代表最热区

域。通过热图,运营可以对自己网站每一个元素的被访问情况一目了然。

对于内容型网站,通过热图分析读者的阅读偏好,及时更换最新内容。对于电商或交易平台,通过热图分析用户的购买偏好,及时更新商品信息。对于产品运营来说,借助热图可以及时优化网站或者页面布局,提高转化率等指标。

十、测试

运营需要熟练掌握假设检验的方法论,通过试验或测试来解决运营问题。AB测试是指同时进行多个方案并行测试,但是每个方案仅有一个变量不同;然后以某种规则(例如用户体验、数据指标等)优胜略汰选择最优的方案。

但是对于很多创业公司或者流量不大的产品来说,可以采取直接上线的方式,用全量的流量来测试新的方案。然后对比前后的数据指标,判断前后哪种方案更好。

这10个运营数据分析方法并无优劣之分,在正确的汤景下使用了正确的方法就是高效的。

最后要说的话：

数据充斥在产品和运营的各个环节，所以成功的运营增长一定是基于数据的。在运营的各个环节，都需要以数据为基础。当我们养成以数据为导向的习惯之后，做运营就有了依据，不再是凭经验盲目运作，而是有的放矢。