从广义来讲，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。
与数据分析师的岗位不同，数据运营更加侧重支持一线业务决策。而运用在产品运营的整个生命周期中，数据运营就是属于一种技能，通过数据分析发现解决问题，提升效率促进增长。
本文7000字。
–正文–
01 数据运营都需要学习些什么知识?
1、明确数据分析的目的
做数据分析，必须要有一个明确的目的，知道自己为什么要做数据分析，想要达到什么效果。
比如：为了评估产品改版后的效果比之前有所提升;或通过数据分析，找到产品迭代的方向等。
2、收集数据的方法
明确了数据分析的目的，接下来需要确定应该收集的数据都有哪些。说到收集数据，首先要做好数据埋点。
所谓“埋点”，就是在正常的功能逻辑中添加统计代码，将自己需要的数据统计出来。
目前主流的数据埋点方式有两种：
(1)自己开发。开发时加入统计代码，并搭建自己的数据查询系统。
(2)利用第三方统计工具。
常见的第三方统计工具有：
- 网站分析工具：Alexa、Google Analytics、百度统计
- 移动应用分析工具：Google Analytics、友盟、TalkingData、Crashlytics
- 不同产品，不同目的，需要的支持数据不同，确定好数据指标后，选择适合自己公司的方式来收集相应数据。
3、产品的基本数据指标
新增：新用户增加的数量和速度。如：日新增、月新增等。
活跃：有多少人正在使用产品。如日活跃(DAU)、月活跃(MAU)等，用户的活跃数越多，越有可能为产品带来价值。
留存率：用户会在多长时间内使用产品。如：次日留存率、周留存率等。
传播：平均每位老用户会带来几位新用户。
流失率：一段时间内流失的用户，占这段时间内活跃用户数的比例。
4、常见的数据分析法和模型
这里讲下漏斗分析法和AARRR分析模型。
(1)漏斗分析法
用来分析从潜在用户到最终用户这个过程中用户数量的变化趋势，从而寻找到最佳的优化空间，这个方法被普遍用于产品各个关键流程的分析中。
案例：这个例子是分析从用户进入网站到最终购买商品的变化趋势。
比如第一个，进入网站到浏览商品，如果同行业水平的转化率是45%，而我们只有40%，那说明这个过程，没有达到行业平均水平，我们就需要分析具体原因在哪里，再有针对性的去优化和改善。
(2)AARRR模型
这个是所有的做产品的小伙伴都必须要掌握的一个数据分析模型。
① AARRR模型 – 获取用户(Acquisition)
所谓获取用户，就是拉新，就是吸引新的用户。对于APP来说，拉新意味着新的用户下载注册;而对于众多的微信公众号、微博、贴吧运营个体而言，拉新指的是吸引新的粉丝关注。
在罗列你的渠道时，需要注意的是每个渠道都需要有根有据，包括这个渠道是不是跟你的目标人群相契合、还有单价高或低以及渠道的二次传播行不行等等因素。
获取用户就是通过各个渠道拉新的过程。除了换量合作、在各大论坛贴吧等社区发帖、社群营销等免费方式，付费方式包括但不限于利用搜索引擎、微信微博头条等自媒体、网盟广告、线下活动，互联网电视这些方式。增长黑客这种特别的方式也有人在使用。
拉新是否有效有一个评判标准——触发关键行为。比如用户下载了APP不一定会使用。关键行为根据产品的情况而定，它可能是浏览文章、观看视频、发送消息、开始游戏或者填写邮箱等。
好渠道并不意味着是用户量最大的渠道，也不是成本最低的渠道。不断探索用户的喜好和分布，才能更加优化合理的确定投入策略，不断最小化CAC。每个渠道获取用户的数量、质量、成本都不一样，需要通过用户获取成本(CAC)、用户量、留存率、ARPU 数剧等综合评判。
当然除了通过外部渠道获得新客户，如果用户体量较大，也可以从产品设计的角度完成拉新。
- A、主动告知用户，有三种方式：APP 的 push 消息、EDM 邮件、短信通知，可以根据用户画像来进行消息推送的时间，内容和用户。
- B、被动告知用户，开屏广告，设置明显的入口，功能入口添加优惠便签，首页设置相关的轮播图等;如摩拜 APP 的开屏广告显示有网约车，滴滴 APP 的其他各种功能。
② AARRR模型 – 提高活跃度(Activation)
活跃度指用户使用产品的时间以及频率。每个产品对活跃度的定义不一样，比如百度贴吧希望用户能够每天都能登录、发帖、评论;在线教育类产品，则更关注用户的学习时长、练习次数等。
活跃度建立在产品的核心价值上，如高质量的内容，越来越好的用户体验感，多功能的需求等，在用户最初使用的几十秒钟内抓住用户。
还有一些辅助手段，包括满足用户需求的活动、完善的用户激励体系，成长体系、增加用户与其他用户的互动的方式，还有APP的新手指引这类更细致化的操作等。
一个比较全面的分析思路是，把用户从使用产品开始到结束的每一个流程单独列出来，站在用户角度，不断寻找可促活的途径。比如，分析新功能的转化率，使用过程的流畅性，延长用户的产品使用流程。
当然，我们还可以筛选出优质用户。如果某个渠道的用户，使用产品的时间和启动次数很可观，则应加大这个渠道的投入。此外，还有些用户只启动过一次产品，这类用户大多属于被动激活。
除了渠道，另一个和活跃度相关的分析维度是版本。但这会产生两个错觉：用户习惯了现在的产品，所以不希望产品迭代更新;用户会要求你增加新功能。
例如，2006 年 Facebook 首次推出新闻频道，造成巨大的用户反弹。但随着时间的推移，这个产品却成为了Facebook 的核心功能。Facebook忽视了少数派的反对声音，坚持了自己的战略。
我们既不想刺激现有的忠诚用户，又需要获取下一个百万用户，添加功能比砍掉功能更容易。通常用户要求的功能是解决很小的便利问题，而不是真正的解决方案。我们需要积极地与用户沟通，如果数据告诉你新方向是正确的，那么忽略发声的少数用户。
③ AARRR模型 – 提高留存率(Retention)
用户开始使用产品并且一段时间后仍然继续使用，被认作是留存用户，而留存用户占当时新增用户的比例即是留存率。
用户在每个应用中的生命周期是接触—使用—放弃或者遗忘的过程。在用户使用阶段，有效的促活手段也能提高留存，但同样重要的是挽回用户，而挽回用户有一个通用的流程。
先确定流失用户的标准;再建立一个用户流失模型，分析用户为何流失，采取相应的手段补救;同时通过EDM，短信等方式让用户知道你在召回;最后通过新手引导重新让用户熟悉产品操作，继续留存。
④ AARRR模型 – 获取收入(Revenue)
现阶段移动应用获取收入的途径主要有三种：付费应用、应用内付费，以及广告。付费下载多见于苹果APP Store，广告是大部分开发者的收入来源，而应用内付费也较为普遍，比如游戏类，增值服务类，自营商城等。特别说明，高德地图的盈利模式除了广告之外，还在于其本身的地图数据和用户数据与其他领域的结合。
大家通常采用ARPU(平均每用户收入)值来判定收入标准。但对于一个既有付费用户，又有未付费用户的应用而言，还需要看 ARPPU(平均每付费用户收入)。
因为涉及到付费用户在全部用户中所占的比例，如果付费用户的数量较低，那么就要思考产品盈利方式是否有问题，包括定价，产品功能特性，变现方式等。
计算收入的同时也要考虑利润。计算利润的时候有一个指标：LTV(生命周期价值)。用户的生命周期是指一个用户从第一次启动应用，到最后一次启动应用之间，为该应用创造的收入总计。LTV – CAC的差值，就可以视为该应用从每个用户身上获取的利润。
社交网络的兴起，为产品带来了更强的生命力——基于社交网络的自传播。自传播，或者说病毒式营销，来源于病毒传播学，即一个已经感染了病毒的宿主在接触其他宿主的过程中也会被传染上病毒。K因子量化了“感染”的概率。
K = (每个用户向他的朋友们发出的邀请的数量) * (接收到邀请的人转化为新用户的转化率)。当K>1时，用户群就会象滚雪球一样增大，但是绝大部分移动应用还是必须和其它营销方式相结合。
自传播除了产品足够好，传播过程的受众足够准确，能够引发用户的需求也同样重要，比如利益，虚荣心，稀缺性，试用等等。比如滴滴，美团的红包好友分享;付费用户免费邀请朋友试用产品;转发朋友圈送礼品等。
以一个成功的微信百日跑活动为案例，展现自传播过程中部分可调整的点。
A、拉新分发机制
对跑步KOL拉新做梯度激励手段：队每多10人，就发群红包;队满80人则队长可以获得跑鞋一双。同时每天在队长群中做群运营，晒队人数排行榜，“XX队满80人啦”，“XX队队长领取跑鞋”，让队长被充分激励。
B、常规分享机制
在微信体系内，分享海报比分享链接更引人注目。结合“赢取iPhone8”卖点的海报让用户发朋友圈时比较抢眼。同时分享流程也要做充分的引导，比如“长按图片，发送给朋友”。
活动有报名费，所以设计了“报名成功后分享活动页到朋友圈立返20元现金”的奖励。因为跑步用户之间有公用的微信群，所以必须是用户分享朋友圈才最有效。同时又担心用户发朋友圈时选择部分可见，或发完立删，所以补充了“需要10人通过朋友圈点开你的分享”这个机制。
a、分享机制的详细说明
凡是可以数据化的地方就能做成排行榜，用户都在晒自己是第几个报名的，能激发人类心中攀比炫耀的心理，这就促成了分享。
d、“10人点开阅读的提醒”
朋友圈里如果有朋友点开就收到提醒一次。同时，部分人分享朋友圈后并没有10人打开，或错分享给好友或群，所以我们每两天，会发模板消息提醒未领20元的用户再次发朋友圈。
02 数据运营需要分析什么?
1、按不同阶段来分：
(1)拉新阶段：关注用户来源的类型：纯新用户(第一次注册)还是老用户(再注册);贴片广告的用户来源有多少，弹窗广告的用户来源有多少等等。
(2)转化阶段：关注转化率：200个用户浏览了你的宣传页面，注册的有100人，这100人就是实现了转化，转化率为50%(=100/200);同样的除了注册转化率还有付费转化率等等。
(3)活跃阶段：关注用户在产品内的活跃量，不同的产品表现形式不同。例如，贴吧：发帖量、回帖量等等;视频网站：点击量，观看量等等。
(4)留存阶段：关注留存或流失的用户量。例如，第一天新增的用户有300人，300人中第二天还在活跃的有100人，第三天还在活跃的呢?第四天呢?一直类推。
用户运营只是运营的职能之一，贯穿在各种产品的运营中。用户运营所关注的数据指标，不同行业、不同平台等等都有不同的侧重点。
(1)网站运营：
① 流量方面需要关注：
PV(page view)访问页面产生的数据。 一个用户访问了5个页面，那么就产生了5个 PV。
UV(user view)某个特定页面的访客数。一个页面一个账号无论点进去几次，UV都是1，因为只有一个访客。
VV(visit view)针对于全站的访客数。一个账号进入一个网站，无论这个账号浏览了这个网站多少个网页，VV都是1 ，因为这个网站只有一个访客。
IP：针对于全站的网络IP数。你在家用电脑登录了这个网站，之后你表哥也用同一台电脑登陆了他的账号，访问了同一个网站，但这个时候IP还是只有1，因为你和表哥用的同一台电脑，网络的IP地址也是一个。
② 访问方面需要关注：
跳出率：页面停留访客有300人，但是有150人不喜欢这个页面，选择离开，那么跳出率就是50%(=150/300)
二跳率：首页页面停留访客有300人，有150人觉得这个网站很喜欢，于是点击浏览下一个页面，那么二跳率就是50%(=150/300)。以此类推还有三跳率，四跳率等等。
转化率：转化到最终产品目的页面的比率。如果是电商的话，最终目的就是下单，那么就是新增用户和转化到下单页面的用户 的比率。以此类推，还有付费转率，注册转化率等等。
③ 活跃方面需要关注：
DAU(daily active user)，即 日活跃用户量。
MAU(monthly active user)，即 月活跃用户量。
相关的，还可以有周活跃用户量、年活跃用户量等等。
④ 转化方面需要关注：(这里的转化，单指电商运营方面，与上文转化率做区分)
成单量：用户共成了多少单
付费金额：用户共付费多少元
客单价：付费金额/成单量=客单价。这里需要的是，每单平均多少钱的数据
付费率：走到付费这一步的转化率
APP运营：
A、新增：新增的设备数(按手机型号分);新注册的设备数(注册新用户。)
B、活跃：活跃的设备数;活跃的用户数
C、留存：
次日留存率：例如，第一天新增300人，第二天还登录的有150，那么次日的留存率就是50%(=150/300)。以此类推，还有三日留存率(第三日登录数/第一天新增数)……n日留存率等等。
TAD：比如，7日TAD=第一天留存量+第二天仍在留存的数量……+第七天仍在留存的数量。用于计算七天内，一台设备活跃过几天。
D、转化：这里也特指电商，同上文网站运营里的转化。
内容型行业：关注PV,UV,V V，帖子数，页面停留时间，分享数等等
社交类行业：关注发帖量，发言数，PV,UV，活跃占比等等
电商类行业：关注销售收入，成单量，客单价等等
游戏类行业：关注活跃用户量，付费率，收入，ARPU(每用户平均收入)等等
除了运营平台和运营行业两个划分角度外，还有很多划分角度，其中用户运营所要关注的数据指标都是有不同侧重的。
03 如何进行数据分析
1、数据采集
好的数据源主要有两个基本的原则，一个是全，一个是细。
(1)全：就是说我们要拿多种数据源，不能说只拿一个客户端的数据源，服务端的数据源没有拿，数据库的数据源没有拿，做分析的时候没有这些数据你可能是搞不了的。另外，大数据里面讲的是全量，而不是抽样。不能说只抽了某些省的数据，然后就开始说全国是怎么样。可能有些省非常特殊，比如新疆、西藏这些地方它客户端跟内地可能有很大差异的。
(2)细：其实就是强调多维度，在采集数据的时候尽量把每一个的维度、属性、字段都给它采集过来。比如：像where、who、how这些东西给它采集下来，后面分析的时候就跳不出这些能够所选的这个维度，而不是说开始的时候也围着需求。根据这个需求确定了产生某些数据，到了后面真正有一个新的需求来的时候，又要采集新的数据，这个时候整个迭代周期就会慢很多，效率就会差很多，尽量从源头抓的数据去做好采集。
2、数据建模
有了数据之后，就要对数据进行加工，不能把原始的数据直接暴露给上面的业务分析人员，它可能本身是杂乱的，没有经过很好的逻辑抽象的。这里就牵扯到数据建模。首先，提一个概念就是数据模型。许多人可能对数据模型这个词产生一种畏惧感，觉得模型这个东西是什么高深的东西，很复杂，但其实这个事情非常简单。
在数据分析领域领域领域，特别是针对用户行为分析方面，目前比较有效的一个模型就是多维数据模型，“在线分析处理”这个模型。它里面有这个关键的概念，一个是维度，一个是指标。
维度比如城市，然后北京、上海这些一个维度，维度西面一些属性，然后操作系统，还有iOS、安卓这些就是一些维度，然后维度里面的属性。通过维度交叉，就可以看一些指标问题，比如用户量、销售额，这些就是指标。比如，通过这个模型就可以看来自北京，使用iOS的，他们的整体销售额是怎么样的。
3、数据分析方法
数据分析方法是有多种的，比如多维度事件分析、漏斗分析(文章前面已经做了简单分析)、回访分析、交叉分析等，在这里我们就挑一个交叉分析来做个案例分析。
交叉分析法：通常是把纵向对比和横向对比综合起来，对数据进行多角度的结合分析。举个例子：
(1)交叉分析角度：客户端+时间
那接下来要分析下为什么Android端二季度新增用户数据在下降呢?一般这个时候，会加入渠道维度。
(2)交叉分析角度：客户端+时间+渠道
因此可以得出结论：Android端在二季度新增用户降低主要是由于A预装渠道降低所导致的。
所以说，交叉分析的主要作用，是从多个角度细分数据，从中发现数据变化的具体原因。
4. 如何验证产品新功能的效果
验证产品新功能的效果需要同时从这几方面入手：
(1)新功能是否受欢迎?
衡量指标：活跃比例。即：使用新功能的活跃用户数/同期活跃用户数。
使用人数的多少还会受该功能外的很多因素影响，千万不可只凭这一指标判断功能好坏，一定要结合下面的其他方面综合评估。
（2）用户是否会重复使用?
衡量指标：重复使用比例。即：第N天回访的继续使用新功能的用户数/第一天使用新功能的用户数。
（3）对流程转化率的优化效果如何?
衡量指标：转化率和完成率。转化率即：走到下一步的用户数/上一步的用户数。完成率即：完成该功能的用户数/走第一步的用户数。
这个过程中，转化率和完成率可以使用(上)篇中提到的漏斗分析法进行分析。
（4）对留存的影响?
衡量指标：留存率。用户在初始时间后第N天的回访比例，即：N日留存率。常用指标有：次日留存率、7日留存率、21日留存率、30日留存率等。
（5）用户怎样使用新功能?
真实用户行为轨迹往往比我们设想的使用路径要复杂的多，如果使用的数据监测平台可以看到相关数据，能引起我们的反思，为什么他们会这么走，有没有更简便的流程，以帮助我们作出优化决策。
04 小结
不管是市场也好，产品也好，运营也好，老板也好，大家都会有各种各样的数据需求，所以数据运营其实是一个蛮受欢迎的岗位。
但是真正要做得好不是那么容易的事情，因为数据是件较为复杂的，设计的因子数据指标比较多。但是作为一个产品运营人员，时刻需要跟数据打交道，不会那么一点数据分析能力好像说不过去，所以基本的关于数据分析能力还得具备。
