宏观环境不景气后，数字化转型、数据化运营成了企业降本增效的重点战略方向之一，本文主要从数据运营的角度，分享数据在产品运营过程能够起到的作用，数据赋能运营的步骤及方法

一、为什么数据对产品这么重要？

互联网发展至今，数据化管理已经深入到每个公司的管理理念当中，从过去的拍脑袋决策到用数据说话。相信很多产品、运营几乎每天上班后第一件事，就是打开报表看KPI表现；给老板汇报或者职级晋升，甚至面试，老板们不只想听到你做了什么事情，更想听到的是你做的产品数据怎么样，或者你做了哪些事情，让数据有所提升。

每款产品的诞生发展都有明确的目标，而为了监控这些目标的达成，会制定一系列的KPI，由此产生了各种各样的数据。可以说，数据是用来衡量产品业务发展的工具，有了它，老板、商务、产品、运营不同角色对业务的理解和判断，才会有统一的标尺。

举个例子，AB两个产品经理同时给老板汇报清明专题活动项目价值时，A产品经理A：活动很成功，大量用户参与活动，产生很多订单和营收，可以加大活动补贴力度。B产品说：曝光环节，在A渠道投放10000用户，带来20000人激活转化，线上CAC(平均线上获客成本)50块，活动ROI（投入产出比，收益/投入）1.2，可以继续加大活动力度。

如果你是老板，你更倾向哪个产品经理的汇报方式？答案很显然是后者。既然数据这么重要，在产品运营阶段，产品经理应该如何围绕数据展开工作呢？今天，就具体分享数据运营的四步法。

第一步，建立指标体系

用户增长界，在确定产品指标体系时有个专有名词“北极星指标”或者叫第一关键指标法（OMTM：one metric that matters），它是一个阶段内衡量业务表现最关键的唯一指标，像北极星一样指引着产品前进，能反映产品经理对产品核心价值的追求。

这里面要注意的一是“一个阶段内”，即产品不断向前发展，市场也在变化，每个阶段的指标可能同，如初创期关注用户量级，中后期关注营收；二是“最关键”即是真正能够衡量业务健康度的关键指标，而不是虚荣指标，早期Facebook在定义KPI时把注册用户数当做关键指标，产品设计流程围绕注册流程的优化和引导，运营团队使用各种运营手段来刺激用户注册，逐步发现，虽然注册用户数不断增长，但是出现很多用户注册了两三年，但再也没有访问或者已经流失不再访问的情况，对于一款社交型应用，如果长时间不活跃的用户是没有价值的，因此，把注册用户数当作北极星指标会导致产品和运营策略的跑偏，后来Facebook把活跃用户数作为北极星指标。

北极星指标确定后，就要定义和拆解指标体系了，因为在在实际工作中，往往多个团队共同协作来达成产品的北极星指标，这也要求北极星指标要客观、简单，便于理解和拆解。

以某视频网站的北极星指标是内容订阅用户数，如何拆解成各个团队的执行指标呢？首先，我们来看影响这个北极星指标的达成，从订阅属性的应用角度，影响用户订阅行为的很大程度是内容供给侧，对于提高内容订阅用户数，一般可以拆解成三个方面：第一个是提高用户订阅数，第二个是提升订阅内容的吸引力，第三个是拉长用户订阅的周期。

这三个方面其实还可以继续细分，以提高内容订阅用户数举例，我们又可以拆解为三个方面：第一个是新用户的激活，第二个是老用户的召回，第三个是体验或使用用户的转化。

类似这样的拆解，就为产品运营确定了工作目标，负责拉新、推广的同学能知道自己每天要拉来多少新用户，要保证新用户的质量，让用户有更多的留存。这样的话，既有眼前明确的小目标，能指导工作落地，又有大的、全局性的北极星指标，让工作方向明晰、有意义。

可以看出，上述过程的拆解，并不是严格意义的KPI由上到下的定量拆解，更多的是围绕影响北极星指标达成的因素，进行相关产品策略的制定。

另外一种是基于指标计算公式间的拆分，例如DAU和MAU的关系来看，DAU=MAU*访问天次/30（当月天数）=（当月新激活MAU+历史回流MAU）*访问天次/天数=【（当月新激活UV*留存率*访问天次） +（历史老用户回流UV*留存率*访问天次）】*访问天次/天数。

这种拆解方式看到网上不少文章有过介绍，不作赘述。

第二步，找到合适的运营方法

指标体系拆解了之后要从不同的数据维度，找到相匹配的运营方法。

以某视频付费会员数为例，北极星指标是付费会员数，从不同的数据指标出发，就衍生出了不同的运营方法：比如，要提高新用户数量，得靠渠道推广、靠各种用户增长手段；而如果要提升用户订阅内容的吸引力，就需要内容运营岗位的同学想办法，通过合作、筛选、主题运营或者算法推荐，为用户提供更匹配、更有价值的内容；再比如，要拉长用户付费周期，就需要商业化的运营，包括定价策略、引导会员开通策略，甚至活动运营，也就是在一定周期内设置一些促销热点活动，从而加长用户的订阅周期。

总的来说，运营方式并没有一个绝对的划分标准，我们往往基于业务的核心目标，以及拆解具体的执行数据指标后，根据业务发展阶段和团队特点，找出当下运营的重点，从而确定具体的运营方法。

同时，需要指出的是，运营分工也在不断演进。比如过去拉新用户，更多属于渠道推广的工作，而现在，为了从拉新、到用户激活、再到用户留存、用户召回形成一体，许多公司会引入用户增长的理念，围绕这一目标，让产品策划、产品运营甚至技术开发同学，组建一个专门的小团队，来独立推进。

第三步，分析和改善数据指标的完成情况

指标明确后会有一系列的产品迭代或运营活动来达成目标，那如何评价策略的好坏呢，最常用的有两种数据方法，漏斗分析法，和A/B Test。

漏斗分析就是把用户行为路径抽象，如电商交易型产品，用户从访问到下单会经历多个流程环节， 比如外卖产品频道区下单转化率8%，作为产品经理你的KPI是提升至12%，老板问你，你准备怎么做呀？你该如何回答？看下竞品？

利用漏斗分析，把下单过程拆分成首页、列表页、详情页、提单页、支付页后，分析每个环节的用户转化，发现从首页进入列表页只有40%，提单到支付成功只有30%，这两个环节的流失率最高，可能的原因有哪些呢，是不是可以先从这两个环节入手呢？

此时，你就可以这样回答老板的灵魂拷问：我们拆解了各个核心节点的转化，发现有两个环节表现不好，需要改善：一个是从首页到列表页的流量分发，我们判断可能原因有这么几点……；第二个是提单到支付，我们判断可能原因是这么几点……因此，我们打算从这几个方面来提升运营效果。这个分析是不是就很有理有据、清晰易懂。

接下来，再来看看第二方法，A/BTest，就是通过不同版本之间的对比，来验证取舍最优方案，用数据说话。

举个例子。做一个投放红包、拉新用户的运营活动，用户可以通过活动页领取1-10元不等的红包，页面下方会引导用户到APP上提现，从而达到拉新和拉活用户的目标。作为产品经理有点拿捏不准到底是哪个文案效果更好，此时可以通过系统进行小流量投放测试，来看哪一组的点击率更高，结果显示：“立即提现”按钮点击率比“领取到账”高25%。这就说明“立即提现”的字眼更吸引人，这时就可以把更大的流量，甚至全部流量都投放在这个“立即提现”的活动页面上。

第四步，做好数据导向的总结优化

最后是数据的总结复盘和迭代优化。所有产品、运营工作的目标，都是为了达成业务数据指标。拆解了数据指标后，制定执行策略，看数据分析效果，效果好，就要思考怎么扩大效果；效果不好，就需要定位原因，重新制定策略。而整个看数据、找问题、定位优化过程，就是总结复盘、迭代优化的过程。

二、总结

数据化运营主要四步走：

1.定义和拆解数据指标。北极星指标是产品一个阶段内最关键的唯一指标，像北极星一样指引着产品前进；这个指标需要客观、简单、便于团队理解，并能由不同的团队拆解和分工完成；

2.团队根据不同的数据指标维度，找到相匹配的运营方法，达成指标；

3.在运营执行过程中，通过漏斗分析法和A/BTest两个非常实用的数据分析方法，来拆解检验运营效果；

4.运营效果好，产品团队要及时总结复盘，扩大效益；如果运营效果不好，就要找到原因，重新制定策略。

有了基础的数据化运营方法论之后，对于常态化的运营流程，数据产品经理可以进一步抽象成数据产品，利用产品化的工具，提升数据化运营的效率。

最近求职课的很多同学都找到了满意的工作，进入大厂。为了提升同学们的职场竞争力，陈老师特别推出一个系列文章。从数据分析的基础方法到具体问题处理，系统讲解一下。第一期，当然得从数据指标体系讲起。因为几乎所有数据分析工作都会提“建立数据指标体系”。

同学们现实的困惑是：你说报表我就见过，我天天都在更新。可这玩意怎么就体系了呢？做了体系又怎么样呢？为啥我不觉得我做的是体系？今天系统解答一下。要讲，就从数据指标讲起。

一、为啥需要数据指标

以下话是不是经常听到：

“大概有1万多人吧”

“有很多顾客都不满意”

“感觉我们门店都没人了”

不确定、不具体、不准确。

我们平时过日子都是这么说话的。没毛病，因为具体的消息是有很大成本的，大部分时候我们就是随口说说而已。但是企业经营要是都靠这个那就死翘翘了，花多少钱赚多少钱都不清楚，老板非气得翘辫子。

数据指标就是对抗这种不确定的。

如果我们把上边的表述改成：

4月1日新注册用户9800人，超目标1000人

4月1日当日A产品退货100件，累计30天退货率2.5%

4月1日全国到店用户30万人，到店率30%，低于32%的期望值

是不是爽快多了。这就是数据指标的直观用途。

二、为啥需要数据指标体系

实际工作中，想要准确说清楚一件事是挺麻烦的，比如我们想说：“2月份A产品卖得非常棒！”如果对方想较真的话，可以挑一堆刺出来（如下图）

一个问题，往往有很多方面，只用一个指标不能充分说明问题。这就需要一组有逻辑的数据指标来描述，这就是数据指标体系。

三、数据指标体系五大件

1. 第一要素：主指标（一级指标）

用来评价这个事到底咋样的最核心的指标。比如说：“产品卖得好”。直观地想到是“销售金额”这个指标，因为这是我们卖货直接收到手里的钱，钱多了当然好。

每个指标得有以下要素：

• 业务含义：在业务上它的意义是……
• 数据来源：哪个系统采集原始数据
• 统计时间：在XX时间内产生的该数据
• 计算公式：如果有比例、比率，得说清楚谁除谁；如果是汇总，得说清楚谁加谁。

注意：有可能需要多个主指标，来做综合评价。比如产品卖得好，光看金额还不够，可能还要关注毛利，这才是真正赚到的钱。可能还得看销售数量，因为销售数量和库存直接挂钩，得防止积压太多。这样就至少有了三个主指标：销售金额、销售件数、销售毛利。

2. 第二要素：子指标（二级/三级指标）

主指标可能由几个子部分构成。比如：

销售金额=用户数 * 付费率* 客单价

如果销售金额没达标，我们会很好奇：到底是购买的客户少了，还是卖的人不够多，还是卖得太便宜了，了解细节有利于我们找到真正的问题，这时候就得拆解子指标。

3. 第三要素：过程指标

主指标往往是最终的结果，比如B2B行业的销售金额，是销售线索-售前跟进-需求确认-产品体验-价格谈判-竞标-签约这一系列过程最后的一个结果。光看一个最后结果是无法监督、改进过程的。如果想更进一步管理，就得看得更细一些，从而添加子指标（如下图）

4. 第四要素：分类维度

有可能一件事是很多人、在很长时间内完成的。想知道总销售金额是怎么构成的，每个地区、每个团队分别完成多少，可以增加分类维度。

通过分类维度，把主指标切成若干块，这样能避免平均数陷阱，把整体和局部一起看清楚（如下图）

5. 第五要素：判断标准

即使有了以上四个点，我们还是不能说：A产品卖得好。因为好是个形容词，是和差相对的。因此就需要一个对比的参照物。参照物的选择，本身是个复杂的分析过程，需要做深入的分析。

在构造指标体系的时候，往往这些判断标准是和当前数据一起呈现的。这样在看数据的时候，可以直观地做出判断，使用起来就很方便了。

四、数据指标体系如何发挥作用

小结一下，构成指标体系五部分是：

1. 主指标
2. 子指标
3. 过程指标
4. 分类维度
5. 判断标准

有了这五部分，诊断起问题来非常轻松。

先看主指标+判断标准，比如主指标是：销售金额，先看本月是否达标了，没达标差多少达标。再看年累计达标没有，有多少亏空/盈余。这样很容易看清楚：问题是什么，有多大。

再看分类维度。哪些区域没有做好，是不是一贯做不好；哪些区域做得好，是勉强完成还是持续上涨。这样谁有能力兜底，谁是拖后腿的一目了然。

再看子指标/过程指标。哪个环节没做好，是线索太少了，得加大推广力度；还是跟进成功率低，得提升销售能力；还是报价总miss，得增加一些折扣。怎么处理问题一目了然。

可以说，做好了数据指标体系，基本上能干60%数据分析师的活。好的数据指标体系，就能让业务人员看一眼就知道该在哪里干，该往什么方向干，非常好用。

注意：基于指标体系的诊断，只解决战术问题，不解决战斗层面的细节问题。

比如这些问题：

• 我没有思路，该怎么设计方法？
• 我有三种方法，哪种更适合当前问题？
• 我想用方法一，成功几率有多大？

这些用专题分析的方法更容易解决。毕竟报表报表，只是报告状况的表，至于未来怎么干，得有更针对性的分析才行。

五、如何构造数据指标体系

1. 第一步：明确工作目标，清晰主指标

这是最重要的第一步，先整明白：我做这一堆指标为的是什么。把主指标树清楚，后边判断标准才知道围绕谁做，子指标才知道对应哪些流程。只要是在企业上班的部门，都有各自KPI，因此主指标是肯定能找到的。

2. 第二步：清晰判断标准

这一步也非常重要，涉及到这是“一个有用的报表”还是“一堆花花绿绿的数字”。什么算“好”是一个非常关键的问题。

既然已经找到了主指标，就得为它建立配套的判断标准。这样才能解读数据含义，才知道怎么看分类维度。常见的有四类标准（如下图）。

当然，立标准本身是个很复杂的分析，也可以做得很复杂。但最后，哪些算好，哪些算不好，得区分得很清晰。

3. 第三步：了解业务管理方式，找合适的子指标

有了主指标和主指标的判断标准以后，可以进一步梳理子指标。子指标和业务管理方式有直接关系。

比如销售金额，既能以分公司为单位进行指标拆解，也能以用户为单位进行。具体怎么看，要看业务能怎么管这件事。比如销售一般按区域管理，那就按分公司拆。市场一般按用户管，就按用户拆。总之，业务方便最重要。

4. 第四步：梳理业务流程，设定过程指标

过程指标理论上越多越好，越多过程指标，可以越细地追踪流程，发现问题。但在业务上，不见得每个动作都做了数据采集，因此要结合具体业务流程来，在关键节点加以控制。

5. 第五步：添加分类维度

有很多维度都能当分类维度，选用哪些，完全看业务上能从什么角度管理问题。把对管理有意义的维度加进来。（如下图）

这样就搞掂了一个数据指标体系，过程一点不复杂。大部分时候，实际问题是：没做过数据采集，没有数据记录可以做指标。这才是最头疼的。然而问题是：为啥看起来简单的过程，做出来却没那个体系化的感觉呢？

六、为什么我做的不是指标体系

常见问题一：没有主指标，不知道在干啥。

这是最常见的问题。很多同学的报表是从离职同事那里交接来的。为什么做？做了给谁看？看了又怎样？一问三不知。反正每天照猫花虎，定时更新就好了。

有些同学试图搞清楚，但是业务方自己是糊涂蛋。你问他：你们目标是什么啊？他答：提升GMV啊~~亲，GMV这么宏观的东西，他到底管哪一块？提升的话从多少提升到多少？提升到多少算满意？丫自己做方案也是照猫画虎，稀里糊涂，更不要说和数据分析师讲清楚了。

常见问题二：没有判断标准，不知道说了啥。

这个是另一个常见，且致命的问题。很多同学都是盲目更新报表，数据列了一大堆，到底什么算“好”什么算“不好”，不知道。或者只是天真地认为：涨就是好，跌就是不好。结果引出特别多笑话（如下图）

常见问题三：没有拆解子指标，对着主指标发呆。

这个问题往往是部门分工问题的后遗症。

常见问题四：没有按业务流程构造子指标，单纯堆砌数据。

很多同学构建数据指标体系，喜欢堆砌数据。放一堆指标以显得丰富。可实际上如果不按业务流程找子指标，指标之间逻辑性就很差，看起来经常莫名其妙。更不要说，很容易弄出来类似“你幸福吗”这种稀奇古怪的玩意。

常见问题五：没有根据业务选分类维度，胡乱拆解。

把用户性别、年龄、地域、VIP等级、来源渠道、终端型号等等维度一通丢，显得报表很丰富，实际上业务意义不清楚。

你问他为什么拿男女分类，他答：分出来差异大……至于差异大了还能咋样，业务上有没有能力针对性别做事情，又不知道了。

以上种种问题，本质上都是没有站在对业务有用的角度进行思考。单纯地为了搞指标而搞指标。

这和工作习惯有直接关系。很多同学不是试图自己去理解业务流程，了解业务目标，而是去找一个“权威”“正式”“完美”“通用”版的指标体系。结果就是只会到处抄抄抄，看似做了很多，结果连看数据的人都没几个。

想改变，当然得从基础抓起，不要觉得我有个“数据XX的头衔”，就得看各种高深的算法理论才算有用。搞理论是科学家的事，在企业上班就得干点实际有用的东西。想助力业务，当然得从一线业务认真研究起。

活动运营，可能是直接促进销售转化，也有可能是拉拉用户活跃，保持平台人气。比如做社群运营，可能是纯粹为了把公域用户先捞回来，也能基于社群做服务或者销售转化。

更有可能，比如做1次大型活动，要先做引流推广，再转化，再做售后支持，一场活动下来，各个类型工作都有关联。这种工作特点，使得做运营数据分析的时候，得特别注意以下四点：

第一：清晰目标

运营工作目标多，因此事前清晰目标很重要。清晰目标才能选择合适的方案，配置恰当的资源，事后分析也才有方向。

运营常见的目标设定方式有三种：

1、达成绝对值目标，比如：在5月内，实现总用户100万。

2、达成比例/比例类目标，比如：5月份全月，交易转化率从10%提升到15%。

3、达成增量目标，比如：在5月份内，较自然增长额外拉动交易3000万。

这里目标1、2都可以直接用数据观察，但目标3涉及“自然增长”的定义，必须事前谈清楚。不然事后很可能无法分析。常见的自然增长定义有3种（如下图所示）每一种都各有利弊，并没有一个完美方案，因此事前一定要和老板、各部门达成共识。

这里经常有人偷懒，在事前不设量化目标，只是笼统说一句：“为提升业绩”、“为拉升用户活跃”……企图在事后，通过数据分析的手段来区分哪些是自然增长，哪些是活动效果。结果经常区分不出来，搬石头砸自己的脚，大家要引以为戒。

第二：梳理指标

运营工作形式灵活，因此经常需要根据实际工作流程，来设定数据指标。一来方便监控执行进度，二来在复盘的时候，好观察哪个环节出了问题，便于追查原因，寻找机会。

比如，运营部门上一个“签到领福利”的活动，每月打卡7/14/21次可以得奖励，奖励包含优惠券，希望同时刺激用户活跃+转化。此时要把下面这些过程指标都梳理出来，方便后续追踪数据，复盘效果（如下图所示）：

1、从什么渠道输出信息。

2、一共吸引多少用户参与。

3、 每个阶段有多少人完成。

4、领取奖励后多少人消费。

注意，如果有连续开展的运营活动，需要持续追踪用户参与情况。比如上边说的打卡签到，在持续n个月以后，会有相当数据积累，可以观察：

1、 整体影响到用户是否增加。

2、有多少用户重复参与。

3、有多少用户从不参与。

不同的数据走势，可以得出不同结论（如下图），结合数据走势，可以更好地判断：一个运营手段应持续做下去，还是做出调整。

第三：打好标签

影响运营效果的因素很多，推广渠道、推广文案、活动形式、操作步骤、转化商品、优惠力度等等，都会影响到效果好坏。因此需要在开始干活之前，先对推广文案、推荐商品、操作流程等关键因素，打好标签，才好在事后进行分析（如下图）。

除了单个标签外，还可以对运营措施整体打标签，对整体情况进行判断。比如提升用户活跃，领红包、签到、大转盘、积分榜等等好几种手段都可以用，每种手段都可以配置奖励，此时就可以利用标签，把各种手段分组对比，从而了解每一种手段的效果范围，为后续运营提供经验积累（如下图）。

第四：按图索骥

如果做好了前三步，在做运营数据分析的时候，难度就非常小了。

1、对比目标，看完成了多少，看投入是否超支，先下个判断：本次做得好/不好。

2、对比同样目标下，历次运营活动的效果，看本次属于：上、中、下什么水平。

3、检查过程指标，看看引流→承接→转化，哪个环节有问题。

4、对比不同标签下转化效果差异，看哪种手段好用/不好用。

这样就能输出结论了。

在工作中，经常看到运营分析没结论，是因为：

1、目标不清晰，或者干脆没目标，光有一堆数据，没结论。

2、过程指标收集少，只知道最后转化不行，不知道为啥不行。

3、缺少标签，无法把运营手法量化，无法评价好坏。

做好准备，才有好的分析结果，切记切记。

小结

综上可见，想要做好运营分析，需要掌握数据指标体系梳理、标签制作、分析思路等综合能力，才能适应各种场景的要求。

作者：接地气的陈老师

来源公众号：接地气的陈老师

在快速发展和创新的数据分析领域，2024 年有望成为突破性趋势的一年，这些趋势将重新定义企业从数据中提取洞察的方式。

下文将分析2024 年 5 大数据分析趋势，揭示将塑造数据驱动决策未来的工具和策略。

趋势一：人工智能落地将成为关键战略

人工智能 (AI) 和机器学习 (ML) 的融合必将在 2024 年彻底改变数据分析。人工智能的运用不仅仅是一种趋势，更是一种必然。

这是释放人工智能和机器学习技术全部潜力的战略方法。随着组织努力应对大量非结构化数据，将人工智能用于数据分析成为自动化流程、优化效率和简化决策的关键。

应对措施：要拥抱可操作的人工智能，企业必须投资于数据管理，探索外部数据源，并利用人工智能应用程序，例如个性化营销、供应链数字化和人工智能驱动的自动化。

使用低代码/无代码工具为员工提供支持，可以提高生产力并确保竞争力，同时保持对负责任的人工智能和伦理道德考虑的关注。

趋势 2：边缘计算有助于实时数据洞察

在寻求实时洞察的过程中，边缘计算将在 2024 年成为游戏规则的改变者。对于需要闪电般快速响应的行业来说尤其重要，边缘计算可以筛选数据噪声，并立即在现场进行处理。

随着传统云跟上不断增长的数据洪流，边缘计算占据了中心舞台，提供了减少网络带宽、优化运营和节省成本的解决方案。

应对措施：企业必须优先考虑采用边缘计算，以克服实时数据分析中的挑战。该技术能够过滤不必要的数据传输到云，从而确保效率、成本效益并提高生产力。

强大的隐私和数据安全措施对于充分发挥边缘计算的潜力至关重要，要求企业适应不断变化的数据法规和隐私问题。

趋势 3：企业将利用数据网格分散数据所有权以促进创新

数据网格方法已成为开启数据管理未来的强大工具。数据网格倡导数据所有权和控制权的去中心化，将数据视为有价值的产品，促进互操作性，减少存储系统的压力，并确保符合安全和监管标准。

应对措施：企业应该采用数据网格理念来分散数据所有权，鼓励组建以领域为中心的数据团队，并授权团队选择符合其特定领域需求的工具。

在域数据团队中嵌入治理可以简化决策、减少瓶颈并提高数据管理的敏捷性。

趋势 4：合成数据彻底改变数据分析隐私

随着隐私问题的升级，合成数据将成为 2024 年的革命性趋势。合成数据诞生于计算机程序，通过提供注重隐私的替代方案来证明其价值。

Gartner 预测，到 2024 年，人工智能和分析解决方案使用的数据将有 60% 是合成数据，这将展示其在保护隐私和释放数据分析全部功能方面的变革潜力。

应对措施：企业必须战略性地整合合成数据，以解决数据稀缺、隐私问题并提高运营效率。识别合成数据可以取代敏感信息的场景、投资自动化数据生成工具以及跟上合成数据技术的步伐是充分利用这一趋势的关键步骤。

趋势 5：数据素养将成为有效利用数据的超级力量

2024 年，数据素养将成为一种重要工具，使组织能够有效使用数据、解释可视化、根据见解采取行动并负责任地处理数据。随着员工越来越多地与数据交互，数据素养成为一项磨练的技能，将组织转变为数据驱动的实体。

应对措施：企业必须优先考虑广泛的培训，以提高数据素养，使数据更容易访问，并使员工具备数据素养。可用性、速度、安全性、稳定性和可扩展性的核心原则必须支撑数据素养工作，以确保数据分析的持久成功。

总之，当我们驾驭2024 年数据分析的动态格局时，拥抱顶级趋势不仅是一种选择，而且是战略要务。

运用人工智能、采用边缘计算、利用数据网格、整合合成数据以及优先考虑数据素养是释放数据驱动决策全部潜力的关键。

抓住这些机遇的组织无疑将在这个不断发展的数据分析时代引领潮流，将自己定位为数字时代的先驱。

作者：晓晓

来源公众号：数据驱动智能（ID：Data_0101）

本文系统地讲解了数据分析的标准流程，包括两种基本流程和六种具体情况，以及数据分析的结果应该如何应用到实际中。如果你感觉自己做了数据分析，得到的结果却不尽人意，就来阅读本文吧。

01 从问题出发的流程

此类流程，典型有三步：问题→数据→答案，一般业务部门会沿着这个路径思考。比如你是一个销售主管，你最关心的肯定是自己业绩表现，于是你会先看：

1. 问题1：我的团队业绩如何？
2. 数据1：当月达标情况……今年累计达标情况……
3. 答案1：目前已达标，超额20%。

当然，有可能你思考得更深入一些。比如公司目前有一个业绩排名奖：全国每月同比增长排名前5的团队，可以拿一笔奖金。现在已经20号了，你很想知道自己有没有机会拿到这个奖。

于是，你会进一步分析：

1. 问题2：目前排行+未来10天预计增速，能否让我拿到这个奖。
2. 数据2：截至19日，同比增长排行……未来10天，各团队预计完成情况。
3. 答案2：从目前行业+未来增速来看，我能/不能拿到奖金。

注意！问题2比问题1要复杂很多，因为问题1只需要统计历史数据就好了，问题2得预测未来10天的走势。

在怎么预测上，可能有好几种方法，比如：

• 简单用前20天趋势，模拟未来10天走势。（趋势外推）
• 根据去年同期的走势，模拟未来10天走势。（周期性分析）
• 根据手头尚在跟进的客户*预计转化率，推荐结果。（业务模型）
• 根据销售人数、销售费用等数据建模，再预测结果。（算法模型）

这就是我们常说的：复杂需求。当需求变复杂的时候，数据分析的流程也会变长，主要在数据环节，越复杂的方法，需要越多的数据准备。那么，有哪些是复杂方法呢？

02 四种复杂度下，分析流程

复杂度一级：认识现状。这种最简单，直接统计历史数据即可，比如截至1月3日，今年新增加的用户数/累计完成的销售业绩；1月3日时间点上，商品库存有多少等等。注意！单纯罗列数据，并不能解释现状好坏，需要数据+判断标准，比如累计销售业绩+业绩考核标准，这样才能发现问题。

在这种情况下，数据分析流程就是：业务想了解现状→统计数据指标+判断标准→描述现状。

复杂度二级：原因分析。典型的问题，比如业务问：“为什么我的业绩没达标？”注意，此时业务有假设和没假设，处理流程不一样:

总之，想做得深入，一定要业务题假设才行，不然数据自己把指标拆来拆去，很有可能只输出诸如：“因为人数少了，所以没达标，建议把人数搞高！”一类肤浅结论。

复杂度三级：优化表现。典型的问题，比如“我要怎么做，才能让业绩冲第一”。此时，需要把前边两个复杂度的问题全部做完，才能有结论。

所以，优化表现类流程会特别长。很多数据分析师不知道怎么提业务提升建议，其实就是因为缺少了前边这几步铺垫，啥情况都不了解，肯定没法直接提建议。

复杂度四级：预测走势。在上一节已经举过预测例子，实际上，凡是预测类的问题都很复杂。起码得先了解现状，知道问题点，知道业务有没有计划做改进动作，收集一大堆信息以后才能做合理预测。

此时：

• 如果不考虑业务动作，那么可以直接用趋势外推，分析流程就很短：业务想知道预测结果 → 观察过往趋势→按过往趋势拟合函数→直接外推结果。
• 如果业务想考虑自己的动作，比如“我追加投入会怎样”，这时流程就复杂了，业务想知道预测结果 → 观察过往趋势→建立模型，量化投入影响→代入参数，预测结果。

总之，业务上提问越复杂，需要分析的环节越长，前期铺垫越多，不然很难输出有价值的结论。

03 从数据出发的流程

还有一种情况，就是业务端没主动提需求，但是数据分析师需要主动从数据里读出业务含义，发现业务问题。此时的基本流程是：数据→问题→答案。

但是！这个流程经常走不下去。因为很多很多数据分析师只看得到数据，对业务情况不了解。因此不知道该怎么解读这个数。比如：

• 知道累计销售额是多少，但不知道业务考核标准，因此没法解读“好/不好”。
• 知道销售排行是啥，但不知道业务的排行奖励细则，因此没法看出谁有潜力拿奖。
• 知道销售不好，是因为某个产品卖得很差，但不了解产品属性，没法深入分析。

因此本篇用了很长篇幅介绍业务视角如何展开分析，就是为了提醒那些每天对着报表发呆的同学，多和业务沟通，多加深对业务背景/业务状况的了解。好在，有很多公司业务和数据沟通还是很紧密的，因此，可以优化下“数据→问题→答案”的基本流程。

• 比如：从异动出发，数据→异常波动→业务沟通→问题确认→深入分析/问题结束。这种一般是数据分析师发现了指标异动，之后向业务确认。如果异动是业务主动发起/早就知道/已经采取措施应对，那就不再纠结，如果是意外情况，就再深入分析，直到落实问题原因。
• 比如：从标杆出发，数据→寻找标杆→业务沟通→可复制性确认/问题结束。这种一般是数据上，发现某个产品/某个地区/某个渠道表现特别好，此时数据可以向业务主动确认“是不是一个机会点”“值不值得推广”。如果业务早就知道了，那就结束。如果业务感兴趣，就深入分析标杆可复制性，推动标杆推广
• 比如：从部门联动角度：数据→关联情况分析→信息共享→问题确认→深入分析/问题结束。这种一般是做经营分析的时候，比如发现销售走势下滑，提醒供应注意积压风险；比如发现营销花钱很猛，关注现金流；比如发现业务计划大活动，提醒客服/售后准备。先共享信息，再看相关部门是否有应对，如果没有应对再深入分析。

以上，所有流程总结如下图，方便大家取用：

本文是一份关于淘宝用户行为数据的分析报告，作者主要对淘宝用户行为和商品特性进行数据分析，并根据分析结果提出了一些想法与建议，与大家分享。

01 项目背景

选取了2017年11月25日至2017年12月3日之间，有行为的约500名随机用户的所有行为（行为包括点击、购买、加购、喜欢），数据量约5万，分析了用户行为与商品规律。

注：因获得数据时间范围有限，该数据为临近双十二数据，因此以下结论并不严谨，仅是为了锻炼数据分析能力。

02 分析思路

03 分析过程

3.1 前提

数据来源：阿里天池。

分析工具：MySQL 8.0，Navicat for MySQL。绘图工具：Excel。

对数据进行数据清洗后再进行进一步分析，处理过程略，下文中仅显示数据处理后结果，不展示处理过程。

3.2 整体数据

3.2.1 数据体量

3.2.2 整体数据概览

3.2.3 日均数据概览

从图中数据可以看出，12月2日和12月3日的日访客数和点击数较前几日更多，可能由于这两日为周末，且双十二临近，但访客数与点击数的提升并未影响成交量，因缺少后续数据，故暂时推测为这是为双十二活动预热。

3.3 用户分析

3.3.1 复购率和跳失率

复购率=购买次数>1的用户/所有购买用户

跳失率=点击次数为1的用户/所有点击用户

从复购率可以看出，一半以上的用户有复购行为，且跳失率为0，说明淘宝对用户有足够的吸引力，让用户停留。

因仅有9天的数据，对用户复购时间特征没有足够的数据进行分析，因此没有对复购时间特征进行分析。

3.3.2 用户行为分析

用户行为可分为四种：点击、收藏、加购、购买，对这四类行为进行分析。

因用户购买途径有4种：点击-购买；点击-收藏-购买；点击-加购-购买；点击-收藏-加购-购买。因此，从上图中暂时无法判断点击、收藏、加购与成交数的关系，需进一步分析。

将用户成交方式分为四类：仅有点击行为；仅有收藏行为；既有收藏行为又有加购行为；仅有加购行为。分别计算出这四类人群的成交率。成家率=有下单行为的该类用户/该类用户总人数。可以看出，有收藏加购行为的和仅加购用户的购买率相较另外两者更高，因此，可以推测，用户的加购行为在一定程度上可以提高成交率。

3.3.3 用户时间分布分析

以日为单位对用户行为进行分析，可以看出，加购量与点击量几乎呈正相关趋势，收藏数与点击数相关性也较好，而购买量则与其他量没有呈现出明显的相关性。由前文我们已经推测，12月2日与12月3日点击量较高是由于周末和双十二近邻的缘故，但成交量没有随之提升同样可能是由于双十二活动预热所致，要研究成交量与其他行为的关系需要更多的数据进行进一步分析。

以小时为单位对用户行为进行分析，可以看出，晚上7点到11点是用户点击量行为的高峰期，此时用户加购量也随之增加，但下午1点却是用户下单的高峰期。因此，如果商家想以增长曝光度为目的，可以在晚上7点到11点之间做活动，如果是以提高营收为目的的活动，则可以在下午1点左右开始。

3.4 商品分析

3.4.1 商品转化分析

对商品进行转化漏斗分析，可以看出从点击到购买有很大的流量损失。同样，对不同渠道的商品购买方式进行分析。

3.4.2 购买路径分析

对商品购买路径进行分析，点击购买率=商品仅点击后购买量/商品仅点击量，收藏购买率与加购购买率同上。可以看出，加购购买率明显高于收藏购买率与点击购买率。

3.4.3 热门商品分析

分别对点击量、收藏量、加购量和购买量前十的商品大类进行分析。可以看出点击量、收藏量和加购量前几名较后几名差距较大，但是购买量却没有表现出明显的差距，说明没有爆款的出现。

根据四者韦恩图可以看出，点击、收藏与加购前十品类的重合度较高，但购买量前十品类与其他三者的重合度却没有那么高，说明对于部分品类商品而言，虽然能吸引许多用户，但是购买转化率却相对较低，这部分产品的转化率有释放空间。

04 结论与建议

4.1 结论

通过以上分析，可以得到以下结论:

1. 在2017年11月25日至2017年12月3日这段时间内，淘宝用户的回购率相对较高，跳失率低，说明淘宝对用户有着较好的留存效果。
2. 从用户角度看，加购后成交率较收藏后成交率与直接点击成交率更高。
3. 用户在点击量与加购量几乎呈正相关趋势，周末和活动邻近之前的点击量与加购量均有所提升，但购买量并未有显著提升。周末对用户购买量的影响需要更多数据进一步分析。用户在晚上7点到11点之间打开淘宝的频率极高，但成交量却是下午1点的时候更高，说明淘宝成为了用户的一种消遣方式，而不仅仅是购物工具。
4. 从商品角度而言，商品加购后成交率较直接点击后成交率与收藏后成就率更高。
5. 虽然商品点击量、收藏量、加购量前十的商品呈现出一定的差距，但成交量前十的商品差距却不大。且成交量前十的商品中有近一半商品未在另外3个榜单之中。
6. 整体而言，淘宝的用户留存率较高，但夜间成交量转换率和热搜商品品类的成交转化率有提升空间。

4.2 建议

通过上述结论，对淘宝和商家提出以下建议：

获客：

对于商家而言，如果想要提高曝光度，获得更多流量，可在周末晚上7点到11点之间开始活动。

成交率转化：

由上述分析可以看出，淘宝的用户留存量较高，但消费潜能却有待释放，因此提出以下建议：

1. 无论从用户消费习惯还是商品成交特性看，加购后成交率较点击购买和加入收藏购买成交率更高。因此，对于淘宝而言，可增加用户将商品加入购入车的入口，在商品的收藏界面可添加加购入口。对于商家而言，可设置加购优惠，提高用户加购率。
2. 用户在下午1点的成交率最高，因此对于以提高成交量为目的的活动，可在中午或下午1点开始。而夜间虽然用户流量高，但成交量却一般，说明淘宝对于用户而言有一定的消遣属性。因此，一方面淘宝可以提高自身产品的趣味性让自身成为用户的消遣工具，另一方面，可在该时间段进行一些活动比如直播等提高商品优惠释放用户消费潜能。
3. 有的商品品类虽然有着良好的点击量、收藏量与加购量，但成交量却并不高，对于这类产品，可通过淘宝官方进行联合活动，提高成交转化率。

写在最后

因获得的数据时间范围有限，而自己的电脑处理更大体量的数据较慢，因此整体处理的数据体量并不大，对于通过数据发现产品中的问题，也希望能与各位进行有关方面的交流。

作者：ZWM

来源：ZWM

在这个互联网时代，我们把大部分的营销场景都设置在了互联网上。

在互联网上做营销，我们需要有互联网营销思维，它可以帮助我们理清互联网营销的方向、目标、策划、执行等方面的问题。同样，作为广告优化师在做分析时，也需要有数据分析思维。

数据分析思维可以有效地帮助我们优化账户，同时也能提高我们的工作效率。

对于广告优化师来说，后台操作已经熟悉得不能再熟悉了。但是在操作的时候，我们应该明白：

• 账户有什么问题？
• 操作的目的是为了什么？
• 为什么要这么操作？
• 操作完之后会带来什么结果？

大多数的竞价员在日常的工作中，频繁地调整后台，比如：否词、加价、降价、调匹配模式等等，而只有少部分的人知道自己为什么这么做，这么做会带来什么效果。

这就是为什么很多竞价员工作了很多年，却成为不了一名真正的广告优化师，仅仅只是一个后台操作员的原因。

而这个问题出现，就在于我们做数据分析时没有一个正确的数据分析思维。

什么是数据分析思维？

以下我将从5个方面来讲解：

1. 发现问题
2. 分析问题
3. 制定方案
4. 执行方案
5. 复盘

首先，来看一组客户原先自运营的广告投放数据：

发现问题

看完上图的数据，我们一目了然地发现：

问题1：广州、重庆、郑州、西安的线索量很少，数值分别为：40、20、4、6，并且平均线索成本都偏高。

问题2：成都的平均线索成本是六个城市中最低的，但是线索量也只有70个，虽然比上面四个城市稍微高一些，但是相对于深圳的211个线索量还是偏低的。

分析问题

经过初步的观察，我们发现了上述问题，但这么看，仅仅只是看到了表面。

数据分析思维中，最为重要的一点就是：透过现象看本质，解决本质问题，才能有效地优化广告效果。

从表面上看，由于广州、重庆、郑州、西安线索量偏少，造成了平均线索成本偏高，但是我们要清楚线索量偏少的本质原因是什么？

（1）广州

我们先对比一下深圳和广州的数据：

从以上数据我们发现，广州的线索率仅仅只有60.6%，正常值应该在80%以上。

通常来说，线索率偏低的原因跟客服的业务能力有关，所以查看了一下商桥会话记录，发现广州的受众人群和深圳的受众人群有所差异。同样的话术，深圳的咨询能得到线索甚至是成交，而广州的咨询却不行，这就是问题所在。

广州的展现量、点击量大约是深圳的1/3，但是咨询量却只有深圳的1/4，这样就造成了广州的咨询率只有4.85%。

根据咨询率偏低的问题，我们深入分析发现落地页制作得并不好，并且落地页在广州地区转化能力偏差。为了提高广州的咨询率，我们可以单独制作符合广州人群的落地页进行转化，线索率方面我们可以通过对客服人员的话术培训。

按照目前广州66个咨询，如果线索率能达到深圳的80.5%能有53个线索，成本能降到￥368.83。

（2）重庆

重庆其实和广州差不多，本质问题都是咨询率偏低，只有4.15%。

假如咨询率能提高至深圳的7.03%，那么咨询量将提高1.66倍，咨询成本将降至￥165.81。

（3）成都

成都的线索量少的问题，我们从中分析：

• 线索量=咨询量×线索率
• 咨询量=点击量×咨询率
• 点击量=展现量×点击率

根据公式可知：线索量与线索率、咨询率、点击率、展现量有关。

从上面的数据我们会发现，成都的线索率为所有城市最高的87.5%，咨询率为10.10%，点击率为2.92%，都属较好的数值。

但是成都的展现量只有深圳的23%，所以本质问题是成都的展现量偏低。

在效果较好的情况下，我们可以尝试进行拓量，带来更多转化。

（4）郑州和西安

最后，我们分析一下郑州和西安的线索量少的原因，发现这两个城市的消费加起来仅仅只比重庆高一些。

两个城市的流量是比较少的，所以还需要进一步地拓量，这样才有足够的数据去支撑我们分析原因，只有充足的数据才能正确分析出问题所在 。

这五个城市的问题看似都是线索量偏低，但实际分析出来，各有各的不同，这也就是我们所说的透过现象看本质，本质问题才是我们需要解决的问题。

不要看到问题就立即对后台进行一顿操作，这是竞价员普遍存在的问题，盲目操作有时只会越调越糟糕。

制定方案

根据上述问题分析，我们开始制定具体的优化方案：

在制定优化方案的时候，我们要明确知道优化方案的目的性，并且需要将目标量化，设定KPI（关键绩效指标），有助于我们后期复盘检验效果。

执行方案

之后我们按照方案进行操作，在这里就不过多地赘述了。但要注意的是，在执行之前，我们要定一个检验效果的时间周期。

在这个周期内，如果效果甚微，就执行下一个方案，在整个方案执行完之后，我们就开始进行复盘。

操作记录

我们在操作后台的时候，要做操作前的记录，清楚自己操作了什么。

这样能避免操作错误，并且在出现问题时可以找到原因，还能清晰地看出做了哪些操作，操作完有没有效果。

这是一个严谨的广告优化师需要做的，也能避免很多不必要的麻烦。

复盘

回顾目标：方案的KPI是什么？

效果对比：实现了这个KPI吗？

分析原因：为什么没有实现？

总结优化：之后需要怎么调整？

回顾我们做了什么？从中明白问题的本质。

复盘是自我剖析的一个过程，我们需要对关键事件进行回顾，深入分析重点环节出现的问题。比如：为什么没有达到预想中的效果？是不是操作有问题？是不是方向错误了？需要怎么解决？

复盘的时候需要不断地反问自己，从回顾中找出答案，明白问题所在。复盘可以有效地避免以后犯同样的错误，把经验变成自身的能力，并且提高工作效率。

这是一个合格的优化师必备的技能，也是一种不断提升自我的方式。

总结

贯穿整个数据分析思维的宗旨是：深入理解行动的本质目的性。

千万不要为了优化而优化，而是为了提升广告效果而进行数据分析和优化广告！

作者：增长超人

来源：增长超人