数据运营体系内容

从运营人必备的11个数据分析模型、数据分析流程地图、7大常见数据分析方法、运营人如何学好数据分析、电商的工作数据分析模板、做增长需要关注的26个数据指标等多个维度，讲述了数据运营的体系内容。

数据运营 体系内容

• 运营人必备的11个数据分析模型
  • 1、事件分析
  • 2、属性分析
  • 3、渠道分析
  • 4、session分析
  • 5、留存分析
  • 6、归因分析
  • 7、热图分析
  • 8、分布分析
  • 9、漏斗分析
  • 10、间隔分析
  • 11、路径分析
• 数据分析流程地图
• 7大常见数据分析方法
  • ①对比分析
    • 对比分析，是数据分析中最基础、最常用、也是最实用的分析方法之一。 该方法主要是指将两个及以上对象的数据指标进行比较，阐述对比对象在数量上的差异，从而得出业务在不同阶段的变化趋势及规律
    • 比较常见的对比分析方式： 从时间趋势上进行环比、同比、定基对比， 从空间上进行A/B 测试对比、相似空间对比、先进空间对比， 从特定标准上进行与目标值、假定值、平均值对比
    • 举个例子：转化/活跃指标，今天与昨天进行环比，本周一和上周一进行周同比，某个公司与行业平均水平对比......
  • ②细分分析
    • “不细分无分析”， 这是我们细分分析时常见的一句话。 足见细分分析是一个非常重要的手段，一步一步拆分，就是在不断问为什么的过程
    • 细分分析一般有两种：
      • （1）逐步细分， 是由粗到细、由浅入深，逐步进行细分的过程。
        • 比如：销售额下降或上涨， 先拆到国家、省、市/地区、门店，对比观察哪个区域变大带来的； 流量质量变差，先拆到付费、免费， 付费拆到应用市场、社交媒体...， 再拆到Google Play、App Store、Facebook、Twitter、Snapchat等。 总结下来一句话：细分是逐步细化就步步向下钻取，拆解......
      • （2）交叉细分
        • 交叉分析，是在纵向分析法和横向分析法的基础上， 从交叉、立体的角度出发， 由浅入深、由低级到高级的一种分析方法，它弥补了独立维度进行分析没法发现的一些问题。
      • 比如：四象限、RFM模型
  • ③A/Btest
    • “分桶才是最科学的”，A/B Test是为同一个目标制定两个方案，在同一时间维度， 分别让相同（相似）的用户群组随机使用一个方案， 收集各群组的用户体验数据和业务数据，最后根据显著性检验分析评估出更优方案并正式采用
    • 比如：比如有A、B两个文案，通过随机的方式让用户看到、使用其中一个文案，然后评估两组人群的跳出、点击、使用等数据
  • ④漏斗分析
    • 漏斗分析是一套流程式数据分析，它能够科学反映用户行为状态以及从起点到终点各阶段用户转化率情况的重要分析模型
    • 常见于注册登录转化、浏览交易转化、进店销售转化等场景，通过量化每一步的转化率，来衡量一个商业或产品的成败及可优化调整的点
    • 比如：一款电商类APP，从用户下载APP、访问、注册、浏览、交易，计算出每一步的数值及漏斗比例
  • ⑤留存分析
    • “用户来得快，走得也快”， 留存率，是做运营或用户增长的同学都必看的一个指标， 它是衡量一块业务是否健康的关键指标，做好留存会带来长远的复利效应， 没有留存就没有未来
    • 留存分析，在数据运营领域有着十分重要的地位， 常见留存指标有次日留存、七日留存率、次周留存率、次月留存率、T+N日/周/月留存率等等， 表示目标用户在一段时间后回访产品或回到产品中完成某个行为的比例
    • 比如：有100人安装且访问了APP，次日有40人继续访问， 次日留存率就是40%，第7天有20人继续访问，第7天留存率就是20%...
  • ⑥相关分析
    • 相关分析，研究现象之间是否存在某种依存关系，从而发现业务运营中的关键影响及因素。 相关关系的测定方法包括：散点图、相关系数等
    • 相关分析，主要有以下3种类型：
      • （1）单相关：两个因素之间的相关关系叫单相关，即研究时只涉及一个自变量和一个因变量；
      • （2）复相关 ：三个或三个以上因素的相关关系叫复相关，即研究时涉及两个或两个以上的自变量和因变量相关；
      • （3）偏相关：在某一现象与多种现象相关的场合，当假定其他变量不变时，其中两个变量之间的相关关系称为偏相关。
      • 比如：受教育程度与收入、学习时间与学习成绩、用户浏览页面多少与购买商品数量的关系？
  • ⑦聚类分析
    • “物以类聚人以群分”， 聚类分析是常用的数据分析方法之一， 其核心是基于数据之前存在相似性
    • 聚类的方法有 K均值（K-Means）， 谱聚类（Spectral Clustering）， 层次聚类（Hierarchical Clustering）， 具体就不赘述。常见于以下2个场景应用：
      • （1）用户细分：根据相似性将用户划分成不同的族群，并研究各个族群的特征并做业务应用。
      • （2）异常检测：发现正常与异常的用户数据，识别其中的异常行为
      • 比如：基于用户的注册信息、访问行为、交易信息（商品、金额等）， 通过聚类分析得到相似人群、不同人群，并对比在不同维度、指标的特征差异，制定精细化运营的策略
• 运营人如何学好数据分析
  • 一、数据思维书单
    • 1、《谁说菜鸟不会数据分析(入门篇)》
      • 亮点：以小说般通俗易懂的方式讲解，基于通用的Excel工具，加上必知必会的数据分析概念， 整个框架完全按照数据分析工作的完整流程来讲解，真实且有代入感。
    • 2、《精益数据分析》
      • 亮点：整本书围绕精益创业展开，融合了精益创业法、客户开发、商业模式画布和敏捷/持续集成等内容， 同时还内含了30多个极具价值的案例分析，如果以后有创业想法的小伙伴，强烈推荐阅读。
    • 3、《深入浅出数据分析》
      • 亮点：以类似“章回小说”的活泼形式，生动地向读者展现优秀的数据分析人员应知应会的技术： 数据分析基本步骤、实验方法、最优化方法、假设检验方法等， 同时这还是很多大厂的程序员必读书籍，千万不要错过。
  • 二、数据工具与应用
    • 1、Excel（运营人必掌握）
      • 推荐书籍《你早该这样玩Excel》
    • 2、SQL
      • 做数据分析，SQL也是必会的工具，因为我们要利用SQL语句来取数、清洗数据。
      • 推荐书籍：
        • 《MySQL必知必会》
    • 3、Python
      • 一般来说，有关数据分析的编程语言有Python和R语言， 其中R语言倾向于统计分析、绘图，而Python偏向数据处理，实用性更高一点， 所以对于新手来说，入门学Python是比较好的选择。
      • 推荐书籍：
        • 《深入浅出Python机器学习》
    • 4、R语言
      • R语言是倾向于统计分析、绘图，到了进阶阶段， 能掌握R语言是非常加分的项，并且这几年求职大厂时会R语言已经成了一项基本技能，需要数据分析师熟练掌握。
      • 推荐书籍：
        • 《Learning R》
• 电商的工作数据分析模板
  • 电商数据分析工作总结
• 做增长需要关注的26个数据指标
  • 一、两类基本数据字段
    • 1）用户信息数据：
      • 比如姓名、性别、出生年月、籍贯、婚姻、学历，手机、邮箱等字段
    • 2）用户行为数据字段：
      • User id（哪个用户）+Active（哪种操作）+Time（何时产生）。
  • 二、做增长环节的各个数据维度梳理
    • 1、拉新环节的5个数据指标：
      • 1）浏览量
      • 2）点击量
      • 3）下载量
      • 4）新增用户
        • 对于新增用户的界定，每个产品是不一样，一般指的是拿到手机号的用户
      • 5）获取成本
        • 常见的成本的计算方式有 CPM（千次曝光成本）、 CPC（单次点击成本）、 CPA（单次获客成本）
  • 2、活跃环节的5个数据指标：
    • 1）活跃用户数
      • 日活DAU、周活跃 WAU 和 月活跃 MAU（记得去重）
    • 2）活跃率
      • 一般计算公式为，活跃用户数/总注册用户数
    • 3）活跃时长
    • 4）启动次数
    • 5）页面浏览量和浏览人次
  • 3、留存环节的1个数据指标：
    • 1）用户留存率
      • 留存率 = 留存用户 / 当初的总用户量
      • Facebook 有一个著名的 40-20-10 法则， 即新用户次日留存率为 40%，七日留存率为 20%，三十日留存率为 10%， 有此表现的产品属于数据比较好的。
  • 4、转化环节的13个数据指标：
    • 第1种情况，如果是交易类产品， 要看的转化指标
      • 1）GMV
        • 它是一个虚荣指标，只要用户下单，生成订单号， 便可以算在 GMV 里，不管用户是否真的购买了， 京东在双十一对外发布的战报是 GMV。
      • 2）成交额
        • 成交金额指的是用户付款的实际流水，是用户购买后的消费金额， 天猫在双十一对外发布的战报是成交额。
      • 3）销售收入
        • 它指的是成交金额减去退款后剩余的金额，属于内部机密数据了。
      • 4）付费用户量
        • 在产品里边产生过交易行为的用户总量。为了研究用户的付费潜力， 你还可以研究下产品的付费用户比例：付费用户比例 = 付费用户 ÷ 总注册用户
      • 5）ARPU
        • 在单个促销活动中，它指的是每一笔用户订单的收入，总收入/订单数。
      • 6）复购率
        • 单位时间内，消费两次以上的用户数占购买总用户数。
    • 第2种情况，如果是社区型产品， 要看的转化指标
      • 1）内容生成者
      • 2）内容互动者
      • 3）内容价值
        • 指的是通过内容产生的实际收入，具体包含广告收入、分成收入、订阅付费等。
        • 比如你在社区里边发布了一个卖货广告图文，该图文阅读量为 4000，产生的分成收入是 2000 元， 那么内容价值就是 2000 元，内容单个阅读量收入是 0.5 元。
    • 第3种情况，如果是企业型产品， 要看的转化指标
      • 1）体验用户量
      • 2）付费用户量
        • 运营需要以转化率（付费用户总量/体验用户总量）来衡量产品的市场匹配度。
      • 3）追加销售量
        • 运营需要以追加销售比例（总加销售用户/总付费用户）来衡量产品的售后服务能力。
      • 4）平均客户营收
        • 单位时间里平均每位客户带来的营收（销售额/付费用户）， 相应的还有客户终身价值，它指的是客户使用产品过程中的付费总额。
  • 4、传播环节的2个数据指标
    • 1）病毒 K 因子
      • 病毒 K 因子=邀请率（发出的邀请数除以现有用户数）*（新注册数或新用户数除以总邀请数）
      • 当 K 因子大于 1 时，每位用户能至少能带来一个新用户，用户量会像滚雪球般变大，最终达成自传播。 当 K 因子足够大时，就是快口相传的病毒营销。
    • 2）传播周期
      • 传播周期指的是用户完成从传播到转化新用户所需要的时间，通常传播周期越短，意味着用户裂变传播的效果越好。
      • 假设 1000 位种子用户在 10 天邀请了 1500 位用户，那么传播周期为 10 天， K 因子为 1.5，这 1500 位用户在未来的 10 天内将再邀请 2250 位用户。