CHAPTER 06
第6章
数据运营很重要
6.1 数据运营的主要工作
数据运营，在众多运营工作中显得比较特殊，其他运营工作更多的是与前端的产品和用户打交道，而数据运营更多的是与后端数字打交道。通过对各种产品数据和用户数据的分析，找到数据中存在的问题，并提供解决方案，指导产品的发展方向。数据运营，在移动互联网的各个环节都有着至关重要的作用。
6.1. 1 数据运营的目的和意义
在日常的产品工作和运营工作中，会经常通过“看数据”来找到更合理的方案。很多公司会专门设置相关的数据部门，负责数据统计和数据分析；有的公司会将数据统计放入研发部门，然后将数据分析的人员放到具体的业务部门。
美国麻省理工学院一项针对数字业务的研究发现，大多数情况下进行数据驱动决策的企业，生产率较一般企业高4%，利润则要高6%。数据运营，也有的公司叫数据分析，主要工作是通过分析产品和用户数据，找出数据变化的原因，根据分析结果优化产品和运营，并对未来的数据走势做出预测，为产品决策提供合理建议，最终目的是使数据得到有效增长。
笔者在最开始就已经指出，运营的目的是增加用户，提升用户的活跃和留存，最终获得更高的收入。数据运营的目的与运营的目的是一致的，在用户增长、用户活跃、用户留存和增加收入的每个阶段，都需要有严格的数据监控，保证效果最大化。
数据运营的前提是必须要收集尽可能多的数据，这是数据分析的基础。同时，要设定合理的数据目标，如设定了“用1个月，将某产品的次日留存率提升5%”的数据目标，之后要分析对数据目标造成影响的因素有哪些。对次日留存率造成影响的指标，包括新增用户、活跃用户、是否付费用户等。下面，就要确定是否将这些造成影响的指标进行准确的数据上报；然后持续观察和分析，看看每个指标对最终目标的影响情况；最后，分析各个造成影响的指标的具体情况，如分析出某个渠道用户质量较低，而影响了整体的新增用户留存的原因，并提出可行的方案，提交给产品人员和运营人员，如图6—1所示。
图6—1 数据分析
出色的运营人员会在做决策前先分析相关数据，并通过数据来指导产品的发展方向。
6.1.2 数据运营的3个维度
作为一名合格的数据运营人员，应该充分了解产品的所有数据。一款移动端产品的核心数据，基本包括3个维度：用户基础数据、产品使用数据和用户画像数据，如图6—2所示。下面，我们以一个网络社区为例子，来看看这些数据具体包括哪些内容。
图6—2 3个维度分析数据
用户基础数据，用来反馈使用产品的用户的整体基本情况，也是数据运营人员日常中接触最多的数据。这些数据包括日活跃用户、周活跃用户、月用户活跃等用户活跃数据，日新增用户、周新增用户、月新增用户等新增用户数据，启动次数、启动时间、总使用时长，用户留存情况，分渠道的用户数据等。网络社区的数据运营，更关注新用户数、活跃用户数和用户使用时长，等数据指标。
产品使用数据，基本也是用户的使用数据，一般从各种维度来反馈用户在产品内的使用行为。比如，产品页面的浏览率、浏览人数、流失率，push推送的到达率和点击率，每个用户进入产品后的行为是什么样的，用户是从哪些页面跳出应用的，用户的订单转化率是怎么样的，支付转化率是什么样的，会员用户和非会员用户的使用习惯有什么差异等。同时，这部分数据还包括了产品的功能数据，主要指产品内的各个功能的埋点数据，反映出产品内各功能用户的使用情况。从数据看出哪些功能是用户比较常用的，该功能的使用场景是什么样的，用户从什么场景中点击到这个功能模块等。以网络社区为例，用户在网络社区的行为包括访问、浏览帖子，回复、评论帖子，以及发帖、转发、分享等。后期做用户运营时，可以根据用户使用功能的不同，对其进行分类，有针对性地提升某类用户的指标。
用户画像数据，这些数据通常是最有价值也是最需要加以运用的，通常会集合商业化目的来一起收集和使用。通过标签等形式，为每个用户打造相对应的用户画像，向有相同兴趣标签的新用户推送一致的内容，并通过不断的优化和学习，实现更精准的用户画像。要想使用户画像更完善，可以结合一些外部数据来进行联合推荐，如可以了解到喜欢听周杰伦歌曲的这类用户，都喜欢购买什么类型的衣服等。了解用户更喜欢哪类内容，给用户推荐相应的帖子，也可以根据用户标签给用户推荐一些符合的商业化广告。
以上这些数据，是从简单到相对复杂的几个层级，逐渐从用户分析到商业收入，这些数据都是做数据运营的同学必须了解和掌握的基础数据类型。结合每个产品的不同特点，会有不同的侧重，如电商类产品会更注重产品使用数据，关注订单的转化率和流失率等；以广告为核心收入的产品，会注重对用户画像数据的使用。
6.2 数据分析驱动精细化运营
数据并不是只为产品而服务的，运营更需要“数据驱动”，将数据分析运用到运营的每个环节，有明确、有效的指标，才能实现精细化运营。
作为数据运营人员，需要从数据中找到规律，分析数据上升和下降的节点，并找到相应原因，从而指导运营工作。
6.2.1 来看看一些案例吧
下面，来看一个和收入相关的案例。
一个移动工具类应用，主要收入模式是广告收入，而近期的广告收益下降较多，即使在平时高点的周期点，收益也有下降，这时需要从数据角度找原因。
我们可以按照前面提到的数据运营的几个维度来分析。
首先要看用户的基础数据，看活跃用户和新增用户是否有减少；如果是新产品，基本上新增用户占活跃用户比例较大，新增的减少对于活跃用户数量会有比较大的影响。活跃用户减少，会直接引起用户的浏览时间减少，导致广告收入下降。如果新增用户减少了，那么必须找到下降的原因，是某个大渠道减少了投入，还是所有渠道都减少了。如果是所有渠道都减少了投入，是不是竞品做了某些推广，导致新增减少。如果是活跃用户减少，是不是产品本身的问题，导致用户无法使用；或者产品发布新版后，不能达到用户满意而流失了用户。
其次，从产品使用数据来看，必须确认产品相关的功能数据是否正常，如果功能使用数据没有太多改变，可以看一下广告模块是否出现了问题，导致广告无法正常展示等。还要看一下用户在有广告展示的页面的行为是否正常、浏览时间是否下降明显、广告的点击率是否变化明显等。同时，关注广告页面的产品设计及运营规则是否出现了调整，是否造成了广告展示频率的下降。
最后，从用户画像上来看，必须明确是否延续了原有的广告展示规则，是否根据用户的兴趣标签进行了广告匹配，广告内容是否让用户感到厌恶等。
要从数据变化中，敏感地从各个方面找寻出数据变化的原因，从而采取相应的措施。分析数据，本质上是根据数据变化找到对应的解决方案。
下面，再来看一个和用户运营相关的案例。
一个电商应用，在初期阶段开展邀请有礼活动，老用户通过微信、微博、短信、电子邮件等方式邀请新用户来注册、使用产品，每星期邀请来的注册用户最多并且达到一定值的老用户可以获得一台手机。数据运营人员对于这类和用户相关度较高的数据，应关注的是用户基础数据和产品使用数据。
首先是用户基础数据，基本上是和老用户相关。包括老用户分享的人数、次数，每种分享渠道的次数、每个渠道的点击数、转化为注册的人数、邀请到不同人数的老用户分布情况，以及新增用户的注册流失率及主要在哪一步流失。
然后是产品使用数据，基本和新用户相关。新用户到来后的活跃情况、使用时长、使用频次、使用轨迹、下单情况、付费转化率及后续1天、3天、1个星期、两个星期和1个月的留存情况等。后续能用到的数据就是与用户画像相关的数据，这些数据会更多地运用到前端商品的推荐上。
通过对用户基础数据、产品使用数据及用户画像数据的结合分析，基本可以判断出哪种渠道的分享拉新成功率最高（即注册为产品用户），哪个渠道的新用户质量最高（即新用户有消费行为），老用户对于这类活动的参与程度与反馈情况等。同时，要从成本环节来匹配送出的奖品与新增的用户之间的投入产出比，以及成本投入与活动新增用户产生的总销售额的投入产出比。通过以上这些数据，基本能够判断出开展的活动对于刺激新增是否有效。
6.2.2 通过正循环不断优化数据
无论是产品还是运营，在测试效果时都需要数据来佐证，其中用的最多的是a/b测试。a/b测试，又叫ab testing，指的是某个产品功能或某个页面同时上线a、b两个版本，随机给一部分用户展示a版本，给另外一部分用户展示b版本，然后通过比较两个版本的实际效果，来确定最终将哪个版本正式发到线上。要注意的是，a/b测试更多的是部署在服务器端，以保证产品和运营需求能随时切换和调整。
比如，图6—3所示的产品，对某个栏目的展现形式做了a/b测试，图中左侧为单本图书展现样式，包括封面、书名、简介、热度及分类，图中右侧为横排展现样式，一行有3本，只展示封面和书名。如果a/b测试的目的是通过改变样式而增加书城首页顶部的图书收入，而两个样式展示的是同样内容，那就需要比较同等数量的用户在a和b版本下的产品收入；如果在一定持续时间内（通常至少7天）两者的收入对比，其中一个能比另外一个高5%以上，则通常被定义为有效。
通过a/b测试，可以获得用户对于不同的产品版本的实际反馈，通过对比找到产生问题的原因，通过不断的尝试和测试，达到正循环的效果。
图6—3 某阅读产品a/b测试
除了a/b测试外，不同工种的做运营的同学还必须充分了解与自身工作相关的数据，通过不停地尝试，将数据引入正向循环。
做内容运营的同学，需要关注和不断优化以下数据。
内容的展示数据：是否有足够的阅读量，阅读人数有多少，读完率是多少，用户停留时长是多少。
内容的转化数据：通过阅读能否引导用户有进一步的转化，付费人数是多少，付费金额是多少，什么形式的内容对什么类型的用户转化最有效。
内容的传播数据：有多少次分享，分享带来了多少用户和转化。
内容的用户数据：用户看完推送的内容还看了什么内容，看相同内容的用户有什么特征，相似的内容运用不同的展现形式，哪种更能促进用户的点击参与或付费。这些都需要通过数据来进行验证。
做用户运营的同学，关注的数据主要集中在以下用户数据。
用户基础数据：新增用户、活跃用户、流失用户、忠诚用户等在日、周、月、年的数据。
用户召回数据：通常用户在什么时候最容易流失，召回用户时推送什么内容效果最佳，对于付费用户是否采用更个性化的推送方式等。
用户价值数据：付费用户占比，付费用户行为习惯统计等。
活动运营和数据密不可分，活动效果基本可以从数据上看出来，并需要不断优化。
活动投放数据：每个渠道的宣传成本与参与用户数，哪种形式的宣传效果最好。
活动效果数据：每个活动上线后的浏览量、参与人数、参与率、参与活动的用户数据、获奖用户数据等。
活动成本数据：如何有效监控活动成本、单位用户成本，哪种活动形式的效果最好，这些都要通过数据进行分析。
渠道运营需要数据分析来提升渠道质量。
渠道基础数据：每个渠道的新增用户数、活跃用户数、流失用户数、用户留存数。
渠道成本数据：参与付费的渠道的单个广告位的展示量、获得用户数、单用户成本。
其实，产品和运营的每个阶段都伴随着数据运营，运营人员对每个模块的数据进行分析是为了更好地完成各自的工作。有的时候，将这些数据分析结果结合起来看，会发现一些很有意思的数据现象，可以从中为产品在未来的发展找到一些不错的方向。
6.3 小结
（1）数据运营是通过分析产品和用户数据，找出数据变化的原因，根据分析结果优化产品和运营，并对未来的数据走势做出预测，为产品决策提供合理建议，其最终目的是使数据得到有效增长。
（2）作为一名运营人员，可以从用户基础数据、产品使用数据和用户画像数据这3个维度来分析数据。
（3）千万不要忘记，很多时候数据推断都是靠猜测，这些猜测需要经过线上的测试反复验证，不断地校准数据，并得到更多的数据结论。
（4）有时候数据也会“骗人”，要相信数据，但不能只看数据。
数据运营很重要
6.1 数据运营的主要工作
数据运营，在众多运营工作中显得比较特殊，其他运营工作更多的是与前端的产品和用户打交道，而数据运营更多的是与后端数字打交道。通过对各种产品数据和用户数据的分析，找到数据中存在的问题，并提供解决方案，指导产品的发展方向。数据运营，在移动互联网的各个环节都有着至关重要的作用。
6.1. 1 数据运营的目的和意义
在日常的产品工作和运营工作中，会经常通过“看数据”来找到更合理的方案。很多公司会专门设置相关的数据部门，负责数据统计和数据分析；有的公司会将数据统计放入研发部门，然后将数据分析的人员放到具体的业务部门。
美国麻省理工学院一项针对数字业务的研究发现，大多数情况下进行数据驱动决策的企业，生产率较一般企业高4%，利润则要高6%。数据运营，也有的公司叫数据分析，主要工作是通过分析产品和用户数据，找出数据变化的原因，根据分析结果优化产品和运营，并对未来的数据走势做出预测，为产品决策提供合理建议，最终目的是使数据得到有效增长。
笔者在最开始就已经指出，运营的目的是增加用户，提升用户的活跃和留存，最终获得更高的收入。数据运营的目的与运营的目的是一致的，在用户增长、用户活跃、用户留存和增加收入的每个阶段，都需要有严格的数据监控，保证效果最大化。
数据运营的前提是必须要收集尽可能多的数据，这是数据分析的基础。同时，要设定合理的数据目标，如设定了“用1个月，将某产品的次日留存率提升5%”的数据目标，之后要分析对数据目标造成影响的因素有哪些。对次日留存率造成影响的指标，包括新增用户、活跃用户、是否付费用户等。下面，就要确定是否将这些造成影响的指标进行准确的数据上报；然后持续观察和分析，看看每个指标对最终目标的影响情况；最后，分析各个造成影响的指标的具体情况，如分析出某个渠道用户质量较低，而影响了整体的新增用户留存的原因，并提出可行的方案，提交给产品人员和运营人员，如图6—1所示。
图6—1 数据分析
出色的运营人员会在做决策前先分析相关数据，并通过数据来指导产品的发展方向。
6.1.2 数据运营的3个维度
作为一名合格的数据运营人员，应该充分了解产品的所有数据。一款移动端产品的核心数据，基本包括3个维度：用户基础数据、产品使用数据和用户画像数据，如图6—2所示。下面，我们以一个网络社区为例子，来看看这些数据具体包括哪些内容。
图6—2 3个维度分析数据
用户基础数据，用来反馈使用产品的用户的整体基本情况，也是数据运营人员日常中接触最多的数据。这些数据包括日活跃用户、周活跃用户、月用户活跃等用户活跃数据，日新增用户、周新增用户、月新增用户等新增用户数据，启动次数、启动时间、总使用时长，用户留存情况，分渠道的用户数据等。网络社区的数据运营，更关注新用户数、活跃用户数和用户使用时长，等数据指标。
产品使用数据，基本也是用户的使用数据，一般从各种维度来反馈用户在产品内的使用行为。比如，产品页面的浏览率、浏览人数、流失率，push推送的到达率和点击率，每个用户进入产品后的行为是什么样的，用户是从哪些页面跳出应用的，用户的订单转化率是怎么样的，支付转化率是什么样的，会员用户和非会员用户的使用习惯有什么差异等。同时，这部分数据还包括了产品的功能数据，主要指产品内的各个功能的埋点数据，反映出产品内各功能用户的使用情况。从数据看出哪些功能是用户比较常用的，该功能的使用场景是什么样的，用户从什么场景中点击到这个功能模块等。以网络社区为例，用户在网络社区的行为包括访问、浏览帖子，回复、评论帖子，以及发帖、转发、分享等。后期做用户运营时，可以根据用户使用功能的不同，对其进行分类，有针对性地提升某类用户的指标。
用户画像数据，这些数据通常是最有价值也是最需要加以运用的，通常会集合商业化目的来一起收集和使用。通过标签等形式，为每个用户打造相对应的用户画像，向有相同兴趣标签的新用户推送一致的内容，并通过不断的优化和学习，实现更精准的用户画像。要想使用户画像更完善，可以结合一些外部数据来进行联合推荐，如可以了解到喜欢听周杰伦歌曲的这类用户，都喜欢购买什么类型的衣服等。了解用户更喜欢哪类内容，给用户推荐相应的帖子，也可以根据用户标签给用户推荐一些符合的商业化广告。
以上这些数据，是从简单到相对复杂的几个层级，逐渐从用户分析到商业收入，这些数据都是做数据运营的同学必须了解和掌握的基础数据类型。结合每个产品的不同特点，会有不同的侧重，如电商类产品会更注重产品使用数据，关注订单的转化率和流失率等；以广告为核心收入的产品，会注重对用户画像数据的使用。
6.2 数据分析驱动精细化运营
数据并不是只为产品而服务的，运营更需要“数据驱动”，将数据分析运用到运营的每个环节，有明确、有效的指标，才能实现精细化运营。
作为数据运营人员，需要从数据中找到规律，分析数据上升和下降的节点，并找到相应原因，从而指导运营工作。
6.2.1 来看看一些案例吧
下面，来看一个和收入相关的案例。
一个移动工具类应用，主要收入模式是广告收入，而近期的广告收益下降较多，即使在平时高点的周期点，收益也有下降，这时需要从数据角度找原因。
我们可以按照前面提到的数据运营的几个维度来分析。
首先要看用户的基础数据，看活跃用户和新增用户是否有减少；如果是新产品，基本上新增用户占活跃用户比例较大，新增的减少对于活跃用户数量会有比较大的影响。活跃用户减少，会直接引起用户的浏览时间减少，导致广告收入下降。如果新增用户减少了，那么必须找到下降的原因，是某个大渠道减少了投入，还是所有渠道都减少了。如果是所有渠道都减少了投入，是不是竞品做了某些推广，导致新增减少。如果是活跃用户减少，是不是产品本身的问题，导致用户无法使用；或者产品发布新版后，不能达到用户满意而流失了用户。
其次，从产品使用数据来看，必须确认产品相关的功能数据是否正常，如果功能使用数据没有太多改变，可以看一下广告模块是否出现了问题，导致广告无法正常展示等。还要看一下用户在有广告展示的页面的行为是否正常、浏览时间是否下降明显、广告的点击率是否变化明显等。同时，关注广告页面的产品设计及运营规则是否出现了调整，是否造成了广告展示频率的下降。
最后，从用户画像上来看，必须明确是否延续了原有的广告展示规则，是否根据用户的兴趣标签进行了广告匹配，广告内容是否让用户感到厌恶等。
要从数据变化中，敏感地从各个方面找寻出数据变化的原因，从而采取相应的措施。分析数据，本质上是根据数据变化找到对应的解决方案。
下面，再来看一个和用户运营相关的案例。
一个电商应用，在初期阶段开展邀请有礼活动，老用户通过微信、微博、短信、电子邮件等方式邀请新用户来注册、使用产品，每星期邀请来的注册用户最多并且达到一定值的老用户可以获得一台手机。数据运营人员对于这类和用户相关度较高的数据，应关注的是用户基础数据和产品使用数据。
首先是用户基础数据，基本上是和老用户相关。包括老用户分享的人数、次数，每种分享渠道的次数、每个渠道的点击数、转化为注册的人数、邀请到不同人数的老用户分布情况，以及新增用户的注册流失率及主要在哪一步流失。
然后是产品使用数据，基本和新用户相关。新用户到来后的活跃情况、使用时长、使用频次、使用轨迹、下单情况、付费转化率及后续1天、3天、1个星期、两个星期和1个月的留存情况等。后续能用到的数据就是与用户画像相关的数据，这些数据会更多地运用到前端商品的推荐上。
通过对用户基础数据、产品使用数据及用户画像数据的结合分析，基本可以判断出哪种渠道的分享拉新成功率最高（即注册为产品用户），哪个渠道的新用户质量最高（即新用户有消费行为），老用户对于这类活动的参与程度与反馈情况等。同时，要从成本环节来匹配送出的奖品与新增的用户之间的投入产出比，以及成本投入与活动新增用户产生的总销售额的投入产出比。通过以上这些数据，基本能够判断出开展的活动对于刺激新增是否有效。
6.2.2 通过正循环不断优化数据
无论是产品还是运营，在测试效果时都需要数据来佐证，其中用的最多的是a/b测试。a/b测试，又叫ab testing，指的是某个产品功能或某个页面同时上线a、b两个版本，随机给一部分用户展示a版本，给另外一部分用户展示b版本，然后通过比较两个版本的实际效果，来确定最终将哪个版本正式发到线上。要注意的是，a/b测试更多的是部署在服务器端，以保证产品和运营需求能随时切换和调整。
比如，图6—3所示的产品，对某个栏目的展现形式做了a/b测试，图中左侧为单本图书展现样式，包括封面、书名、简介、热度及分类，图中右侧为横排展现样式，一行有3本，只展示封面和书名。如果a/b测试的目的是通过改变样式而增加书城首页顶部的图书收入，而两个样式展示的是同样内容，那就需要比较同等数量的用户在a和b版本下的产品收入；如果在一定持续时间内（通常至少7天）两者的收入对比，其中一个能比另外一个高5%以上，则通常被定义为有效。
通过a/b测试，可以获得用户对于不同的产品版本的实际反馈，通过对比找到产生问题的原因，通过不断的尝试和测试，达到正循环的效果。
图6—3 某阅读产品a/b测试
除了a/b测试外，不同工种的做运营的同学还必须充分了解与自身工作相关的数据，通过不停地尝试，将数据引入正向循环。
做内容运营的同学，需要关注和不断优化以下数据。
内容的展示数据：是否有足够的阅读量，阅读人数有多少，读完率是多少，用户停留时长是多少。
内容的转化数据：通过阅读能否引导用户有进一步的转化，付费人数是多少，付费金额是多少，什么形式的内容对什么类型的用户转化最有效。
内容的传播数据：有多少次分享，分享带来了多少用户和转化。
内容的用户数据：用户看完推送的内容还看了什么内容，看相同内容的用户有什么特征，相似的内容运用不同的展现形式，哪种更能促进用户的点击参与或付费。这些都需要通过数据来进行验证。
做用户运营的同学，关注的数据主要集中在以下用户数据。
用户基础数据：新增用户、活跃用户、流失用户、忠诚用户等在日、周、月、年的数据。
用户召回数据：通常用户在什么时候最容易流失，召回用户时推送什么内容效果最佳，对于付费用户是否采用更个性化的推送方式等。
用户价值数据：付费用户占比，付费用户行为习惯统计等。
活动运营和数据密不可分，活动效果基本可以从数据上看出来，并需要不断优化。
活动投放数据：每个渠道的宣传成本与参与用户数，哪种形式的宣传效果最好。
活动效果数据：每个活动上线后的浏览量、参与人数、参与率、参与活动的用户数据、获奖用户数据等。
活动成本数据：如何有效监控活动成本、单位用户成本，哪种活动形式的效果最好，这些都要通过数据进行分析。
渠道运营需要数据分析来提升渠道质量。
渠道基础数据：每个渠道的新增用户数、活跃用户数、流失用户数、用户留存数。
渠道成本数据：参与付费的渠道的单个广告位的展示量、获得用户数、单用户成本。
其实，产品和运营的每个阶段都伴随着数据运营，运营人员对每个模块的数据进行分析是为了更好地完成各自的工作。有的时候，将这些数据分析结果结合起来看，会发现一些很有意思的数据现象，可以从中为产品在未来的发展找到一些不错的方向。
6.3 小结
（1）数据运营是通过分析产品和用户数据，找出数据变化的原因，根据分析结果优化产品和运营，并对未来的数据走势做出预测，为产品决策提供合理建议，其最终目的是使数据得到有效增长。
（2）作为一名运营人员，可以从用户基础数据、产品使用数据和用户画像数据这3个维度来分析数据。
（3）千万不要忘记，很多时候数据推断都是靠猜测，这些猜测需要经过线上的测试反复验证，不断地校准数据，并得到更多的数据结论。
（4）有时候数据也会“骗人”，要相信数据，但不能只看数据。