3.4 數據思維——學會用數據說話

數據對運營人員的重要程度，就像航海時代船長手里的指南針，精準的數據能夠在工作中為運營人員指引方向。很多運營人員在接觸運營工作的第一天，就開始和數據打交道。看到各類龐雜的數據，大部分新人都會叫苦連天，別說分析數據了，就連看懂數據都很難。我在剛接觸電商運營時也有過這個感受。

沒有接觸過數據運營的運營新人，建立數據思維的過程是枯燥的，但也是快樂的。因為你能通過數據看清業務，并找到有效的方法提高業務指標。在具備數據思維后，你能發現你在做運營決策時更理智，在跨部門進行溝通時更高效，對運營活動的效果預判也會更準確。

第2章介紹了數據運營的主要工作內容，是從職業能力層面分析的數據的使用。本節主要從數據思維層面展開，講講數據對各個具體運營模塊工作的深刻影響。

3.4.1 做流量增長的數據思維

1．數據思維在投放渠道選擇中的應用

在制訂渠道投放計劃時，如何有效地篩選廣告投放渠道，以及如何合理地分配預算呢？對于這兩個問題，我們都需要從數據分析著手。下面來看具體的廣告投放案例。

如表3-1所示，假設現在有A、B、C、D、E五個拉新投放渠道，通過一段時間的廣告投放后，我們很快獲取了各個渠道的拉新量、花費及單個獲客成本等數據。

先排除用戶質量及轉化策略這兩個因素，從表3-1中可以看出：渠道的單個獲客成本由高到低依次為A、D、B、C、E，拉新量由大到小分別為B、C、D、A、E。以單個獲客成本和拉新量為關鍵指標，做一張如圖3-5所示的散點圖。我們可以很直觀地看出，渠道E的單個獲客成本最低，但拉新量有限，渠道B的拉新量最大，但單個獲客成本偏高，而渠道C的拉新量和單個獲客成本是最均衡的。

在對這幾個渠道的數據有了基本的認知之后，我們可以根據廣告投放的實際情況進行預算的控制和調整。

比如，在縮減預算的情況下，應該如何優化預算分配呢？

從5個渠道中可以看出，A和D的單個獲客成本高，是做預算控制的優選渠道，應該削減這兩個渠道的預算，這樣能夠快速產生成本壓縮的效果。

在追加預算，需要快速增加拉新量的情況下，又應該如何優化預算分配呢？

這時，你可能會說將預算全都使用到單個獲客成本最低的E 渠道。其實，從實際的廣告投放經驗來看，E 渠道的拉新量最低，應該屬于小流量渠道，無法快速擴量。B 和C 渠道才是擴大預算投放的優選渠道，因為從拉新量來看，這兩個渠道是大流量渠道，在平均拉新量較低的情況下，可以輕松擴量。

當然，在實際做用戶拉新的廣告投放時，數據比上述例子復雜得多，運營人員需要能夠通過實際數據對比，不斷地優化預算分配，以獲得性價比更高的渠道投放策略。

2．數據思維在流量轉化漏斗中的應用

每個流量運營人員的心中都應該有一個“流量轉化漏斗”，這個流量轉化漏斗的主要數據維度分為兩個：一是數量級，二是轉化率。

以一個App的下載拉新為例，我們看一下對應的流量轉化漏斗。如圖3-6所示，轉化環節可以細分為曝光、點擊、領券、下載、注冊/激活及完成首單。將流量轉化的指標拆解到每一個漏斗環節的好處是，可以很清晰地呈現每個環節的用戶量級，看清楚新用戶獲取時對應的每一個動作，方便做每一層轉化率的優化。

通過分析流量轉化漏斗的各級轉化數據，我們可以測試不同策略和素材的效果，擇優選擇。具體來看，廣告頁面的風格、落地頁的文案、優惠券的設置、注冊方式等這些實際內容都可以通過測試數據進行調整優化。衡量優化效果的核心指標是漏斗對應層級的轉化率是否得到提高。

分析流量轉化漏斗的另一個好處是，我們可以橫向對比不同結算方式的渠道拉新成本，在漏斗里統一測算同一個轉化環節的拉新成本。單個點擊成本=渠道費用/點擊量，單個下載成本=渠道費用/下載量。比如，應用商店的成本測算一般都是按照下載量統計的，信息流的成本測算按照點擊量統計。在這個轉化漏斗中，我們可以將兩個渠道的數據都按照下載量進行測算，最終進行橫向拉新成本對比。

3.4.2 建立數據思維的第一步：數據采集能力

1．掌握SQL語句

運營人員在工作中會經常遇到數據采集的需求。業務數據采集來源和輸出口一般有兩個：一是數據平臺，二是找數據分析師。

公司建立的數據平臺通常能滿足大部分常規的數據需求，但運營人員在采集自身業務所需的數據時，如果有個性化的數據需求，那么數據平臺多半沒有現成的數據。這個時候，有兩個做法：第一個做法是，向數據分析師提交采集數據的需求，對于運營人員來說，這是最省事的，但是在多數情況下也是最耗時的，因為現狀是有需求就要排期；另一個做法，也是更加高效的辦法就是掌握SQL（Structured Query Language，結構化查詢語言）語句，自己動手編寫程序查詢數據。

SQL并不是一門編程語言，而是一個數據庫查詢和程序設計語言。使用SQL語句現在逐漸成了產品經理和運營人員的一項職業必備技能。

要想掌握SQL語句需要完成以下3步：

第一步：盡量全面地了解公司有哪些數據庫和數據表，以便定位業務對應的數據庫。

第二步：通過請教數據庫管理者或技術人員，看懂數據表與數據表之間的邏輯關系，理解所需數據字段的含義。

第三步：學會常用的SQL語句，如select、from、where等指令，之后進行結構化數據表導出。

在熟練使用SQL語句后，我們可以做到在有個性化的數據需求時，隨時寫SQL語句，不用苦苦等待數據分析師的排期和報表回復。

2．靈活利用數據平臺

數據平臺是公司用戶和業務數據的集成器，涵蓋了運營人員常用的相關數據。在數據平臺里查找數據時，我們經常會使用數據標簽。用戶標簽系統就是數據標簽的一種具體體現。

用戶標簽系統在互聯網產品中應用得十分廣泛，如社交平臺上推薦的可能感興趣的人、電商平臺上推薦的可能感興趣的商品、短視頻平臺上推薦的視頻。互聯網用戶都被“貼上”了形形色色的標簽，這是用戶精細化運營的一種體現，讓需求和供給得到了更高效的匹配。

對于公司內部來說，標簽系統是數據獲取和分類報表的集成，是運營人員必須好好運用的一個工具。最常見的標簽應用是在廣告投放中，通過篩選標簽進行精準投放。在數據獲取和分析中，標簽系統發揮著重要的作用，下面介紹幾類我常用的標簽。

（1）關于用戶畫像的標簽：年齡、性別、身份、興趣、地區、職業、家庭角色、婚否等。這類標簽主要用于廣告精準投放，也可用于分析電商平臺的選品方向。

（2）用戶活躍的標簽：激活狀態、次日留存率、3日留存率、7日留存率、次月留存率、3月留存率、日均訪問時長、是否付費、凈推薦值（Net Promoter Score，NPS）等。

這類標簽可用于精細化的用戶生命周期管理，有針對性地提高用戶活躍和減少用戶流失、篩選和推薦裂變用戶等。

（3）產品銷售的標簽：支付方式、訂單金額、已收藏、最近（30天）瀏覽過、已復購、訂單狀態等。這類標簽主要用于平臺產品的銷售數據分析。

當然，一個完整的標簽系統不只這么一點標簽內容，我們可以根據實際業務需求，新增更多的標簽。在調取數據的時候，我們可以通過建立標簽數據模型，輸出多維度的數據表。例如，想要調取過去6個月通過推薦購買的訂單金額超過1000元的用戶做調研，我們就要通過建立標簽數據模型，獲取多維度的數據。

在標簽系統中，很多數據的抓取都是通過埋點完成的，埋點是指在相應的頁面中加入統計代碼，并在數據管理系統中以可視化的報表最終呈現出渠道統計的數據。當然，埋點是個技術活，且工作量較大，需要技術人員配合落地。

3.4.3 建立數據思維的第二步：數據分析

1．數據分析的誤區

誤區一：數據口徑混亂，分析無邏輯性

對于運營人員來說，數據的來源都對應著好幾個數據的輸出口，有從渠道得到的數據，有從公司數據平臺采集的數據，還有從銷售系統和財務報表中得到的數據。同一個數據指標，在不同的數據統計表上可能存在不同的定義，數據口徑存在較大差異。如果不統一口徑，把所有數據放在一起，那么會給后面的數據分析帶來混亂。

所以，在得到多個數據表之后的第一個動作就是統一數據口徑，將數據表之間的邏輯關系整理清楚。

誤區二：無數據支撐，胡亂猜想

在部分數據缺失時，數據分析支持一定程度的推演來得出相關的結論。但是，數據分析是一項嚴謹的工作，我們不能在沒有足夠的數據支撐時妄下分析結論。

比如，在廣告預算沒有變的情況下，某一天App的下載量突然比平時增加了幾倍，應用商店的投放者將此效果歸結為應用商店投放的貢獻，實際上，這個沒有數據支撐的判斷是有失公允的。這個結論經不起推敲，這個效果可能是線下大規模投放廣告帶來的，也有可能來自內容渠道的流量。無論如何，對任何一次數據的大波動都要通過數據分析的方法進行驗證，探究真實誘因，切勿妄下結論。

誤區三：無對比性數據，進行主觀判斷

運營活動的效果需要用對比性數據衡量，只看量級維度的數據就斷言效果好壞，是數據分析的一個誤區。

比如，不是每一篇10萬多次閱讀量的微信推文都證明這次的內容運營是成功的，一個有幾百萬甚至幾千萬個粉絲的微信公眾號，每天推文的閱讀量都可能為10萬多次。正確的數據分析邏輯是，先看近期推文的平均閱讀量，再做數據比較。再比如，電商公司判斷雙11的營銷活動是否足夠成功，對數據的判斷標準如下：一是要看與去年雙11或者上一次大促活動相比，數據同比增長了多少；二是要看與競品的銷售數據對比是否勝出。

對比分析法是數據分析的一個最重要的方法。

誤區四：在做數據匯報時，直接使用原始數據

在有了數據源后，我們就要對數據進行加工，不能把原始數據直接報告給上級領導或者業務人員。數據本身可能是十分龐雜的，沒有經過很好的邏輯分析和呈現，很難反饋出想要獲取的信息。

如果想在數據平臺上獲取可視化的直觀數據，那么數據平臺的運營人員一般會結合各項業務需求指標，進行多維度的數據建模。運營人員需要根據業務需求向數據產品經理提出數據模型需求，再產出所需的數據表單。運營人員利用數據模型能讓雜亂無章的數據變得規整，再通過可視化的方式呈現在運營報告中。

2．數據對比分析思維

數據分析的方法有很多種，最常見的是對比分析法。

對比分析法的應用場景有很多種，常用的場景是做活動效果評價，以及通過數據對比找到數據波動的“誘因”。在運營人員的數據報告中，我們最常看到的是同比、環比、排名等對比性數據。

關于對比分析法的應用，我想到了一個比較形象的例子：在某種程度上，用數據對比分析法做出來的數據表，就如同一份身體體檢報告。各項運營數據就像體檢報告中的各項檢查項，我們可以通過樣本數據（在體檢報告中是指標正常值）驗證這個數據是否正常。如果某個數據和樣本數據之間出現了偏差，我們就要從這個數據中分析出數據異常的原因，簡稱為鎖定“誘因”。不同的是，體檢報告中的數據如果不在正常范圍內，那么這是不好的現象；如果運營數據與樣本數據出現偏差，那么可能有好的一面，也可能有壞的一面。

數據對比分析法的3個基本要素如下：

（1）數據對比需要在同一個標準上。

（2）數據對比需要建立樣本數據標準。

（3）最終目的是分析出導致數據異常的影響因素。

數據對比的同一個標準很好理解，就是要將對比數據放在同一條起跑線上，不能用新App的用戶增長數據直接與成熟產品的用戶增長數據對比，也不能用新上架的SKU和“爆款”對比。是不是不同量級的產品就不能做對比分析了呢？也不是，我們可以對不同量級的產品使用權重分析法。

樣本數據標準的正常值可以是預期目標值，也可以是預期轉化率。以促進用戶成交的運營活動為例，如果實際的數據超出預期目標值，我們就要好好總結經驗；如果低于預期目標值，我們就要馬上找出運營活動不足的地方，調整運營活動的策略，以便達到預期目標值。

做數據對比分析的最終目的是分析出導致數據異常背后的因素，這樣才是有意義的。在日常做用戶增長周環比數據對比分析時，如果我們發現用戶增長數據波動異常，那么要做影響因素排查，要清楚地辨別是運營策略還是外部事件帶來的影響，對所有的異常數據進行“歸因”。

對比分析法并不能完全滿足所有的數據分析需求，比如在做多渠道拉新效果分析、電商品類銷售業績對比、城市間用戶量級對比時，因為數據對比的對象不在一個數量級上，簡單地做橫向對比是沒有多大意義的。

如果只進行渠道間的數據量級對比，就會陷入一個數據分析誤區，這會造成用戶拉新的大流量渠道始終都是重點關注的渠道，而有開發潛力的小渠道往往被忽視。簡單對比的后果是預算和資源始終只向重點渠道傾斜，而忽視渠道用戶轉化效果、用戶質量、渠道挖掘潛力等因素，很難拓展出新的用戶拉新渠道。

這個時候對數據進行加權處理就十分有必要了，這樣做的好處是將不同量級的對象放在同一個維度分析，平等、客觀。