运营人士为什么要学数据分析？

01

运营产生数据，数据支撑运营

数据分析这件事情，听起来像是程序员干的，但它却在悄无声息地接近每一个运营人。

且不说阿里、腾讯这样的巨头，早已经把数据分析作为决策的客观依据。即便是在初创的产品中，用户、运营、销售等数据也已被证实拥有巨大的分析价值。

产品功能如何迭代？转化流程如何优化？如何根据用户画像做精准投放？如何根据用户行为高效促活？……这些之前看似拍脑袋就可以决定的事情，缺点和局限性在客观的数据面前仍然很大。

从前日色变得很慢，而现在每天都有新的东西在产生、繁荣和消亡。你可能会发现，以前行之有效的经验，在商业环境快速迭代中，不再那么可靠，生命周期明显变短。

数据驱动和精细化运营的时代，来得比我们的预料要更早。

比如流量运营，仅仅关注pv、uv等虚荣指标，在今天是远远不够。CPC、DAU、平均访问时长、访问深度、跳出率、平均流量转化等更加精细的指标,以及基于这些指标的大规模数据分析，对于用户行为的判断，更具分析意义。

又比如内容运营，个人的经验和感觉可能需要长期的训练，而这种经验能用多久，未知，但越来越不乐观。基于用户浏览偏好、使用习惯，我们几乎可以得到非常精确的、有指导意义的结论。

比如淘宝根据浏览记录的商品推荐，比如网易云音乐根据相似用户的音乐推荐，今日头条基于用户画像的内容推荐，这些都是数据分析支撑内容运营的典范。

02

从粗犷式运营到精细化运营

其实，在稍微正规一些的产品运营中，精细化运营的趋势越来越明显。下面从运营中最常见的几个流程分别说说：

  拉新  

用户画像

用户画像这件事情看似简单，但其实是因为拍脑袋猜测很简单，精确定义很难。所以以往我们对用户的定义通常是这样的：“25-30岁的白领”、“有阅读习惯的职场青年”、“1-3年经验的程序员”……但这其实并没有多大的意义。

用户在使用哪些产品，对产品的认知如何，使用频率是什么样的，消费水平如何分布等等，但其实这些可以通过对产品本身的用户数据进行分析，得出更加深刻的结论。

或者我们也可以通过公开数据集、或者爬虫来获取外部数据进行分析，这算是一个非常靠谱的行业调研了。通过数据分析的方法，我们可以快速去了解一些新的领域，了解新的市场，从而知道机会在哪，有效降低试错成本。

广告投放&渠道选择

你需要去分析具体渠道的用户和目标用户的吻合度，当面对多个类似渠道的时候，只是粗略的估计，往往回报会很低。如果通过用户画像、市场调研等原始数据精准定位，如何通过广告投放数据进行优化，这些都是需要精确计算和分析的地方。

洞悉广告市场复杂的交易结构和自身产品、用户特点，并选择合理高效的营销方案和技术架构，是商业化必须面对的第一步。

  留存  

转化分析

产品里面有很多地方需要做转化分析：注册转化、购买转化、激活转化等等，一般我们借助漏斗来衡量用户的转化过程。从转化的漏斗我们大致可以得出一些结论，比如用户在哪些环节受到阻碍，是文案吸引力不够，还是功能体验太差。

但如果做更深入的数据分析，还能得到更多的东西，比如从不同渠道来的用户转化漏斗的差异，可以为渠道选择和广告投放优化提供参考。又比如那些标签下的用户转化更好？流失的用户受到的阻碍是否不同，分别是什么？在转化过程中如何确定各种影响因子的优先级？

精细化的分析，多做一些假设检验，能够为我们提供更加细化的解决方案。

  促活  

精准推荐

用户行为分析逐渐成为各种优秀产品不可忽视的一环，今日头条的异军突起，网易云音乐的良好口碑，皆与之相关。

我们需要对用户的需求进行分析，例如用户感兴趣的内容、内容阅读和传播的比例等。如何对用户进行标签化，相思相划分，如何根据用户历史习惯来精准推荐商品、内容，这些渐渐成为促进用户活跃，提升用户粘性的关键。

产品迭代

无论是是产品的迭代计划，还是粗活的策略，如何界定产品需要迭代新功能，并不是拍拍脑袋就能决定的。根据用户行为数据的分析，用户浏览点击的热力图定位，以及不同页面、功能的流量监控，渐进式、有针对性地推出改善用户体验的新功能。

03

 1.用客观分析代替感性判断 

数据正在深入我们工作的每一个细节，作为与用户和产品接触最频繁的人，运营是接触数据的第一个环节。同时运营通常是策略的制定者和实施者，但数据经常被技术部门掌控，或者安静地待着，不产生任何作用。

对于运营来说，数据产生和决策制定中间，一定还有大量可以优化的空间，这种空间来源于数据。从数据中发现知识，优化决策，将会成为大大提升运营效率。

另一方面，有了数据的支撑，你可以更好地说服boss，即便和技术、产品撕逼，也完全不虚。但前提是，你能够利用好这些数据，分析出支撑决策的结论，并用一般人能够看懂的可视化方式描述出来。

 2.培养对数据的敏感度 

现在，稍微有点规模的产品，数据量都特别大，有非常多的字段，你可能会懵逼，到底应该从什么地方下手呢？

但如果有一些经验就会好很多。比如，你要研究影响跑步运动员速度的身体因素，那么我们可能会去研究运动员的身高、腿长、体重、甚至心率、血压、臂长，而不太会去研究运动员的腋毛长度，这是基于我们已有的知识。又比如你要分析影响产品质量的几个指标，影响转化的因素的优先顺序，那么如果你经过前期的分析，就可以得出一些初步的结论。

所以当你分析的问题多了之后，你就会有一些自己对数据的敏感度，从而养成用数据分析、用数据说话的习惯。这个时候你甚至可以基于一些数据，根据自己的经验做出初步的判断和预测（当然是不能取代完整样本的精准预测），这个时候，你就基本拥有数据思维了。 

 3.从精细化运营到自动化运营 

数据驱动这个词相信你已经听过很多了，粗犷式的运营策略带来的低信噪比、资源浪费，通过精细化运营可以有效缓减。uv、pv 等指标已经无法精准决策的时候，如何通过更精细的数据分析，将会是未来运营的驱动力量。

更重要的是，最基础的、重复的、价值含量低的运营工作，将逐渐被自动化的运营代替。比如基于数据分析的推荐系统，已经很好地代替一部分内容的筛选和推送。未来运营人的一个核心竞争力是，通过数据分析实现高效自动化运营。

04

如何快速获得数据分析的能力

那么数据分析的技能是否可以快速习得呢？当然是可以的。

 如何学习才最高效 

从运营的角度来看，一般数据分析的流程为：问题定义、数据获取、数据清洗、数据建模与分析、数据可视化与结论。

对于运营人来说，问题定义是已经内化的技能了，因为对业务的熟悉，对产品和用户的理解，在互联网人的圈子，应该算是处于最顶端那部分。就算是现在，你也有想去提升的指标，优化的流程，这些都是很好的问题源。

在数据获取这个部分，运营人的数据一般来自企业产品的数据库，这个时候你需要了解SQL的操作，至少能够熟练地从数据库提取数据。另外，掌握爬虫，能够从外部网站获取行业数据，将会为你打开全局分析的思路。

即便是企业自身的数据，也大多是不完整、不一致的脏数据，无法直接进行数据分析，或分析结果差强人意。比如重复数据、确实的数据、无效的数据等，把这些影响分析的数据处理好，才能获得更加精确地分析结果。

用基本的数据分析方法，或者数据挖掘算法，来获得你想要的结论，比如通常分析会用到的回归模型（线性回归、逻辑回归）。分析结果最直接的结果是统计量的描述和统计量的展示，另外一些则需要深入探究内部的关系，以对未来的情况做出精准的预测。

总的来说，需要掌握三个部分的技能：

SQL（数据库）。企业的数据一般都会存于数据库，那么怎么从数据库取数据？如何建立两表、三表之间的关系？怎么取到自己想要的特定的数据？等等这些数据选择问题就是你首要考虑的问题，而这些问题都是通过SQL解决的，所以SQL是数据分析的最基础的技能。

统计学基础。数据分析的前提要对数据有感知，数据如何收集？数据整体分布是怎样的？如果有时间维度的话随着时间的变化是怎样的？数据的中位数、众数、显著性有什么指导意义？如何用假设检验进行初步分析？

Python基础。这一点是必备项也是加分项，语言相比较工具更加灵活也更加实用，可以更方便实现你的想法。python有着众多开源的库（如numpy、pandas、scikit-learn、seaborn），科学计算和数据可视化都不在话下。

最快的学习路径，就是基于解决问题的流程，这样你知道每个部分的知识用来做什么，可以用在哪些地方，每一部分都能解决一些实际的分析问题。

本文来源于数据化管理