数据运营是什么？

这是新媒体运营的一个分支职位，还是做新媒体运营必须要懂的部分？和运营内容是什么关系？

zhihu用户 · 2019-5-18 03:23:07

诚邀回答。

数据运营是新媒体运营必须要会的东西，简单来说就是一定要掌握并使用的工作。
互联网的时代，运营的种类亦是越来细分。我们最常遇到的是产品运营、内容运营、渠道运营、活动运营等。运营是一个低门槛的职业，越来越多的人投身进来，但是运营又是一个有挑战的职业，成为一个优秀运营人员更是难上加难。
无论从事哪方面的运营，数据分析是你必须掌握的的基本技巧。
为什么要数据运营？
在大数据时代下，数据分析对于产品的发展及行业未来已经无可替代，数据成为了产品发展的主要支撑。
数据运营的主要职责就是数据分析。数据分析就是从庞大的、杂乱无章的数据中分析有价值的数据规律及产品问题，从而帮助决策与优化。

开展数据分析，我们需要明确分析目的和思路。
你的数据分析的受众是谁？是针对产品的优化，还是日常数据汇报。然后理清思路；需要哪些数据支撑、数据怎么呈现、数据背后反馈的真相、怎样做达到分析的目的。
数据来源主要有：竞品分析及同行分析、平台数据查询、互联网，大数据分析平台等。
优秀的新媒体人会从杂乱无章的数据中分析有价值的数据规律。我们一般可以用excel来完成。
做运营，不能从自己个人角度想问题，要学会做数据，从数据中查找问题，分析问题，解决问题。
我是新媒体人晴曦，想了解更多的新媒体内容，私信“数据运营”，赠送价值999元的运营资料。

zhihu用户 · 2019-5-18 03:23:08

我们刚刚做完十二期公开课「用数据分析做运营增长，你需要做好这 4 个方面」，本文会分别从流量运营、用户运营、产品运营、内容运营四个方面，来给大家讲解「数据运营是什麽」。
公开课的讲师为我们的数据分析师范芊芸。

文 / 范芊芸

运营是一门艺术，更是一门技术。

过去，“流量为王”的理念使得运营人员的职责聚焦在拉新上。随着市场环境的变化，运营的渠道和方式不断增加，运营有了更加细致的分类。精细化运营的大背景下，如何用数据分析来解决流量运营、用户运营、产品运营和内容运营中的增长问题，今天将和大家分享我们在数据运营方面的实战心得。

| 流量运营：多维度分析，优化渠道

流量运营主要解决的是用户从哪里来的问题。过去粗放式的流量运营，仅仅关注 pv、uv 等虚荣指标，在精细化运营的今天是远远不够的。

1. 流量指标体系

我们需要通过多维度指标判断基本的流量情况，包括量级指标、基本质量指标和来访用户类型占比指标。量级指标涉及不同平台，Web 端主要看访问量、pv 和 uv，App 主要看启动次数、DAU 和 NDAU。基本质量指标包括用户的平均访问时长、平均一次会话浏览页数（即访问深度）和跳出率等，通过这些指标可以判断用户的活跃度。产品的生命周期模型广泛应用在互联网运营中，在不同的产品生命周期中，访客的类型是有差异的。

一名优秀的运营人员，应该熟悉自己产品的流量概况。通过 GrowingIO的【概览】页面，运营人员可以清楚掌握流量指标及其变化趋势，方便评估过去和预测将来趋势。

2. 多维度的流量分析

在网站流量分析中，主要从访问来源、流量入口、广告等角度切入。

首先，访问来源包括直接访问、外链、搜索引擎和社交媒体等。在这个分析框架下，需要一层一层拆解，具体到每一个渠道进行流量分析。

以 GrowingIO 的博客为例，这是一个内容运营的子站，上面有很多数据分析和增长黑客的文章。我们通过访问来源分析发现，相比于渠道一和渠道二，从微博渠道过来的用户数量和质量都偏低，这提醒我们需要优化内容渠道。

其次是落地页，落地页是用户到达你网站的入口。如果用户被导入到无效或者不相关的页面，一般会有较高的跳出率。

最后，广告投放也是目前流量运营的重要部分。一般涉及到的广告分析包括广告来源、广告内容、广告形式（点击、弹窗、效果引导）和销售分成等，我们需要通过多维度的分析来优化广告投放。

上面的三个角度主要是在 web 端的分析，对于 App 分析，需要考虑分发渠道和 App 版本等因素。

3. 转化漏斗分析

在增长模型中，流量进入后，还需要进一步激活和转化，而激活是需要一定的流程和步骤的。使用 GrowingIO 的【漏斗】功能，可以清晰展示每一步的转化情况。

以上图为例，我们分别对转化的每一步进行分析，发现第一步到第二步的流失率最高，需要针对性优化。对不同渠道进行转化率分析,发现来至百度品牌专区的（http://bzclk.baidu.com）的转化率高达 44%，而其他渠道的转化率不足 3%。

4. 渠道优化配置

在进行一系列的流量分析和转化分析后，我们可以进行相对应的策略制定，具体方式包括搜索词、落地页、广告投放优化等等。

对于成本低、质量高的渠道需要加大投放，对于成本高、质量高的渠道需要评估成本，对于质量低的渠道也需要做好评估。总体上，根据成本、流量转化等综合情况，对渠道配置进行整体管理和调优。

| 用户运营：精细化运营，提高留存

如果说流量运营解决的是用户从哪里来的问题，那么用户运营就是建立和维护与用户的关系。

1. 精细化运营

用户在产品上的交互行为很多，我们可以通过用户的行为对用户进行分类；然后根据不同群体的特征，进行精细化运营，促进用户的回访。

以论坛为例，用户在论坛上的行为包括：访问、浏览帖子；回复、评论；发帖；转发，分享等等。我们对用户的每一类行为建立行为指数，例如根据用户的转发、分享等行为建立“传播行为指数”，通过这些指数给用户分类。如此一来，论坛上的用户被分为 4 个维度：A 浏览类、B 评论类、C 传播类和 D 内容生产类。用户可能只有一个标签指数，也可能很跨多个指数维度。

用户运营中，可以根据这些标签进行分类。比如 UGC 论坛，需要保持 D 类（内容生产类）用户的活跃度和增长率；同时在论坛推广传播中，需要对 C 类（传播类）用户进行刺激，扩大内容的传播力和影响力。

2. 提高用户的留存

互联网产品一般都关注用户的留存，只有用户留下来了，才能进一步去推动变现和传播。留存分析一般采用组群分析法，即对拥有相同特征的人群在一定时间范围内进行分析。

上图展示的 GrowingIO 的留存图，横向比较展示了每周新增用户在后续各周的留存率，竖向比较展示了不同周的新用户在今后一段时间的留存表现。

留存时间及周期，和产品体验完整周期有关，不同的业务和产品一般有着不同的时间群组划分方法。比如高品类产品的日留存更好反映用户与产品的关系，而工具类的周留存就比日留存更加具有业务意义。

通过时间维度的分析发现用户留存的变化趋势，通过行为维度的分析发现不同群组用户的差异，找到产品或运营的增长点：这是用户运营非常重要的一点。

| 产品运营：用数据来分析和监控功能

产品运营是一个非常大的话题，很多运营和产品都是围绕产品来做的。

1. 监测异常指标，发现用户对你产品的「怒点」

产品大的流程中，存在很多小的功能点，用户的体验就是建立在这些小的功能点上；就是这些小的功能点的使用情况，成为我们每一步转化的关键。

以注册流程为例，一般需要手机验证。发送验证码是其中一个关键的转化节点；当用户点击重新发送的次数激增时，可能意味着我们的这个功能点存在一定问题。而这就是用户”怒点“所在，无法及时收到手机验证码。通过对关键指标的监测，便于我们及时发现问题所在，及时修复。

2. 通过留存曲线检验新功能的效果

对于上线一段时间的产品，有时候会添加新功能。上线后，需要评估新功能的效果，是否满足用户的核心需求，能否给用户带来价值。

通过 GrowingIO 的留存曲线，我们不难发现该新功能第一天使用过的人之后持续使用的比例很低，这说明此功能并没有很好地解决用户问题；这提醒我们需要对新上线的功能进行重新思考。

| 内容运营：精准分析每一篇文章的效果

什么是内容运营？很多人认为，内容运营就是编辑文章、发帖子，其实这是片面的。

在做内容运营之前，需要明白你的内容是作为一个产品（如社区日报）出来，还是产品的一个辅助功能。只有明白自己的定位，才能清晰目标。为了扩大内容运营的效果，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。

1. 内容的类别

以 GrowingIO 的技术博客为例，该博客属于 PGC 模式。博客中的内容有不同分类，为了降低用户获取信息的成本，我们在博客首页设计了不同板块的入口，包括左侧分类导航、中部文章推荐和右侧热点推荐。

我们发现用户主要通过左侧的导航栏和中间的推荐阅读文章，较少点击右侧的热点推荐。所以，在移动端的始终，我们取消了右侧的热点推荐，仅保留了分类导航和中间的推荐。既节省了空间，又最大化满足了用户的内容需求。

同时，我们也对分类导航栏的内容进行了分析，发现用户对【案例分析】的内容最感兴趣，这对我们今后的内容选择是一个非常好的启发。

2. 基于用户的推荐

内容运营中的推荐，有时候和用户的精细化运营息息相关。每一个用户，都有自己喜欢的内容和类别，当我们根据用户的兴趣倾向进行推送的时候，效率肯定会更高。

同样以 GrowingIO 的博客为例，我们通过对访问用户的文章点击情况进行统计，得到了上述表格的结果。显然，用户 8 对”增长秘籍“有着自己的偏好，用户 6、7、9 对「案例分享」文章更青睐。那么在实际的内容推送中，我们可以对用户 8 推送增长秘籍类文章，向用户 6、7、9 推送案例分析的文章，其他用户无差别推送。

| 数据驱动的精细化运营

近年来流行的「Growth Hacker」的核心，其本质就是通过技术创新和数据分析，实现精细化运营，达到增长的目的。一个优秀的数据运营人员，应该具备数据驱动的思维，掌握一定的数据分析工具。在实际业务工作中，不断从数据中提出问题，不断尝试，用数据来优化运营策略，进而实现客户和业务的增长。

注：本文中「漏斗」等数据产品截图，来自 GrowingIO 官网硅谷新一代数据分析产品

zhihu用户 · 2019-5-18 03:23:09

先给大家介绍两个非常好用的数据运营工具：
1、卖家云图
它能以直观的方式看到各个层级的卖家在各个关键指标的情况。还可以把这些指标重新加以筛选、配置，用“与”或者“或”的关系，建立自己的卖家分层。对每个层级的卖家使用不同的运营方式。

2、数据魔方（现在叫生意参谋——市场行情）真的太给力了。

如何用数据运营完成KPI？这里我例举一位在阿里巴巴做高级运营的大佬写的书中的例子，书名就叫《我在阿里巴巴做运营》。
案例：
有一年，马云说要在阿里诞生一百万个百万卖家（年支付成交额超一百万）。
分到我的酒店类目，就是要达到300个百万卖家。这时候卖家运营的工具就派上用场了。没有数据，根本不知道从何入手！我通过卖家云图里的指标组合筛选，筛选出一批潜力商家，再将他们分为头部和腰部卖家，头部卖家前一年就完成了百万成交额，并且按目前增长率当年也有把握完成任务。所以只需要给他们提供一些个性化帮助就行了，具体来说我会发一个调研表给他们，让他们反馈在哪些方面需要帮助。腰部卖家目前还没有实现百万元成交额，但是非常有潜力完成目标，是重点扶持目标。在流量有限的情况下，我会将流量倾斜给转化率高的商家，从而生产更大效益。那段时间，我感觉自己特别像是卖家的保姆，为他们精心准备课程，自己上阵或者联系讲师授课。卖家的每一点进步，我都为之喝彩！当时开展的课程有“聚划算报名指导”“预售、秒杀、试用、拍卖等营销工具的使用”“淘宝、直通车、钻展入门”“如何获得免费流量”。也是在那一年，我觉得“赋能”特别重要。个人的能力是有限的，要调动卖家积极性，帮他们找对路子，力气往一出使，这样才能取得更好的结果。
最后开展一些专题、促销活动。年度促销活动规划一般会包含几次大型活动（暑促、“双11”、年终促），再加上一月两次的日常促销活动和一月一次的专题活动。
以上经验，现在看来也许有点过时。但是读者应该能感受到，在阿里。业务和数据是走得非常近的，每一个KPI都可以被量化、被拆分。这些用于创业公司也是一样的，自家小数据比行业大数据更值得重视和利用。

那么互联网行业的大数据包含哪些数据？
1、用户行为数据（精准广告投放、内容推荐、行为习惯和喜好分析、产品优化等）
2、用户消费数据（精准营销、信用记录分析、活动促销、理财等）
3、用户社交等UGC数据（趋势分析、流行元素分析、受欢迎程度分析、社会问题分析等）

由于自己实在手残+懒，做不出书中的效果图，就照下来给大家看看啦。

有小伙伴问我书的封面，给大家看看吧。

你确定不点个赞再走？

zhihu用户 · 2019-5-18 03:23:10

不算分支，就是运营人员需要会的技能：数据分析，可以看看这篇文章，还不错！
运营狗的“数据分析”之痛谁来治？

zhihu用户 · 2019-5-18 03:23:11

前不久看过BLUES（兰军）：梅沙科技创始人，原迅雷产品总监，腾讯、YY语音高级产品经理的一篇构建数据运营体系的文章，觉得很好、很全面，分享给大家，共同学习。
1、制定产品目标
这是数据运营的起点，也是产品上线运营后进行评估的标准，以此形成闭环。制订目标绝不能拍脑袋，可以根据业务发展、行业发展、竞品分析、往年产品发展走势、产品转化规律等综合计算得出。制订目标常用SMART原则来衡量。

（1）S代表具体(Specific)
指工作指标要具体可评，不能笼统。例如我们制定YY语音基础体验的产品目标，如果是提升产品体验，则不够具体，每个人的理解不一致，当时我们的基础产品目标则是提升新用户次日留存，则非常具体。
（2）M代表可度量(Measurable)
指绩效指标是数量化或者行为化的，验证这些绩效指标的数据或者信息是可以获得的；提升新用户次日留存率，则需要给出具体的数值。
（3）A代表可实现(Attainable)
指绩效指标在付出努力的情况下可以实现，避免设立过高或过低的目标；新注册用户的次日留存率，也不是拍脑袋得出的，当时我们基于YY新用户次日留存率的历史数据和游戏用户的新注册用户留存率的行业参考数值，制订了一个相对有挑战性的目标，从新注册用户次日留存率从25%提升到35%。
（4）R代表相关性(Relevant)
是与工作的其它目标是相关联的；绩效指标是与本职工作相关联的；新用户的次日留存率，和用户行为息息相关，例如用户对语音工具的认可程度，用户对YY平台的内容喜好程度等，所以新用户的次日留存和产品的性能、内容受欢迎程有较强的相关性。
（5）T代表有时限(Time-bound)
注重完成目标的特定期限。
产品目标可以这样制订：在2013年12月31日前，将YY语音新注册用户的次日留存率从25%提升到35%。
新用户次日留存率的提升，意味着更多用户的活跃转化，带动整个用户活跃数量的增长。
这里需要注意，需要洞察目标背后的本质，不能唯数据论，例如我做过的提高YY语音新注册用户留存率的项目，如果只是看留存率的数据变化，是很容易达到的。记得当时我用的一个方法是用户分类，把不同渠道、不同行为的用户进行分类，发现有部分垃圾新用户大大影响了整体留存率数据，这部分用户很多是机器注册产生，并非真正的用户，剔除掉这部分用户，留存数据高了很多，但这不能说，我们就完成了任务。因为这个目标的背后，实际是需要获得活跃用户的增长，新用户留存率，只是一个数据体现，所以不能只看新用户留存率这个单一指标，必须从提高新用户注册数量、有效用户留存、用户活跃、付费转化等多个指标来衡量工作价值。
[h1]
2、定义产品数据指标[/h1]沿着上面的目标制订，就需要考虑数据指标，上面的案例，我们给出的目标是新用户留存率，做好了新用户留存率，需要去判断这个数据指标的实现是否真的促进了整个产品活跃用户的增长。
产品数据指标是反应产品健康发展的具体的数值，我们需要对数据指标给出明确定义，还包括数据上报方法、计算公式等。

例如上文的次日留存率，可以定义为：次日留存率是一个比率，分母是当天新注册并在当天登录YY客户端的YY帐户数，分子是分母当中在第二天再次登录YY客户端的YY帐户数。
注意这里的细节，第一天和第二天，需要有明确的时间点，例如0点到24点，计算为一天；问题来了，一个新用户在第一天的23点注册并登录YY客户端，到第二天的凌晨1点下线；按照上面的定义，这个用户或许将不会被记录为次日留存用户，因为这里没有定义清楚数据上报细节。
定义是第二天再次登录YY客户端，上面案例的用户在第二天是没有登录行为的，但他确实是连续两天都在登录状态的用户。
所以针对这个定义，需要补充细节：用户登录状态，如果是5分钟进行一次心跳包的上报，那么这位新用户就可以被上报为第二天的登录状态用户，如果在0点5分之前下线之后，持续到第二天的24点，仍未有登录状态，那么将不被记录为留存用户。
我们根据产品目标来选择数据指标，例如网页产品，经常用PV、UV、崩失率、人均PV、停留时长等数据进行产品度量。定义产品指标体系，需要产品、开发等各个团队达成共识，数据指标的定义是清晰的，并且有据可查，不会引起数据解读的理解差异。
产品在不同生命周期，关注的数据指标侧重点也会不同，下表大致列出了一些各个阶段需要重点关注的指标，除了常见的用户指标、收入指标，我们还必须重视技术层面的性能指标。

好的数据指标，有五个要点可供参考：
● 能够反映用户需求的满足、产品核心价值以及发展趋势。这些指标变好了能说明公司是在往好的方向上发展。
● 好的数据指标是可比较的。比较在不同的时间段，用户群体，竞争产品之间的表现，可以更好的洞察产品的实际走向。
● 易懂、可控。很容易地理解、记住，方便统计。
● 好的数据指标多数时候是一个比率。
● 指标随业务而进化。不同阶段的关键性指标应该是随着业务的变化而变化的。
[h1]
3、构建产品数据指标体系[/h1]在数据指标提出的基础上，我们按照产品逻辑进行指标的归纳整理，使之条理化。
新用户的次日留存率是我们订制的一个核心目标，但实际上，只看次日留存率还是不够的，还需要综合考察影响用户留存率的多种因素，才能更准确的了解产品的健康发展。如图所示，是常用的一种指标体系，包含：用户新增、用户活跃、付费、其他数据。

互联网产品常用数据指标体系
在我们做YY语音客户端产品的时候，会用到下面的指标体系，包括：账号体系、关系链数据、状态感知数据、沟通能力等四大方面。具体指标有：好友的个数分布、观看频道节目的时长、IM聊天时长、个人状态的切换与时长等，如图所示：

IM即时通讯产品数据指标体系
[h1]
4、提出产品数据需求[/h1]产品指标体系的建立不是一蹴而就的，产品经理根据产品发展的不同阶段，有所侧重的进行数据需求的提出，一般的公司都会有产品需求文档的模板，方便产品和数据上报开发、数据平台等部门同事沟通，进行数据建设。创业型中小企业，产品数据的需求提出到上报或许就是1-2人的事情，但同样建议做好数据文档的建设，例如数据指标的定义，数据计算逻辑等。
下图是BLUES在YY语音客户端团队建立的基础产品数据需求实现流程。其实在大多数时候，并不需要这么一个数据需求流程，只是当时我们在数据需求刚刚开始进行规范化，数据需求评审过程，也是培训过程，让更多同事有数据意识，到后面，数据需求是融入到产品需求流程的。

YY事业部基础产品数据需求实现流程图（施行）
常见的数据上报需求，有两类：

● 标准协议上报，例如按钮点击上报。
● 自定义协议上报。
（1）标准协议上报数据需求范例

标准协议上报数据需求范例模板

（2）自定义协议上报数据需求范例
报名名称：YY事业部——基础产品组——游戏直播运营日报

自定义协议上报数据需求范例模板
[h1]
5、上报数据[/h1]这个步骤就是开发根据产品经理的数据需求，按照数据上报规范，完成上报开发，将数据上报到数据服务器。上报数据的关键是数据上报通道的建设，原来在腾讯工作时候，没有体会到这个环节的艰辛，因为数据平台部门已经做了完备的数据通道搭建，开发按照一定规则，使用统一的数据SDK进行数据上报就可以了。后来在YY，属于发展型公司，则是从上报通道开始进行建设，也让我得到更多锻炼提升的机会。其中很关键的一个环节，就是数据上报测试，曾经因为该环节的测试资源没到位，造成不必要的麻烦。
例如下表，就是页面流量数据上报的发送函数send_web_pv，源于某一数据平台规范。

页面流量数据上报的发送函数send_web_pv

下表是某直播做APP数据上报的埋点范例。（数据埋点，就是在功能逻辑中添加统计逻辑）。

某直播APP数据上报范例

[h1]
6~8、数据采集与接入、存储、调度与运算[/h1]每一步都是一门学问，例如采集数据涉及接口创建，要考虑数据字段的拓展性，数据采集过程中的ETL数据清洗流程，客户端数据上报的正确性校验等；数据存储与调度、运算，在大数据时代，更是很有挑战性的技术活。
[h2]（1）数据的采集与接入[/h2]ETL，是英文 Extract-Transform-Load 的缩写，用来描述将数据从来源端经过抽取（extract）、转换（transform）、加载（load）至目的端的过程。ETL一词较常用在数据仓库，但其对象并不限于数据仓库。ETL是构建数据仓库的重要一环，用户从数据源抽取出所需的数据，经过数据清洗，最终按照预先定义好的数据仓库模型，将数据加载到数据仓库中去。
下图是产品数据体系的一个常见流程图，数据采集、存储、运算，通常就在图中的数据中心完成。

数据体系流程
确认完数据上报之后，接下来几个事情就比较偏技术化了。首先需要上报的数据通过什么样的方式采集和存储到我们的数据中心。
数据采集分为两步，第一步从业务系统上报到服务器，这部分主要是通过cgi或者后台server，通过统一的logAPI调用之后，汇总在logServer中进行原始流水数据的存储。当这部分数据量大了之后，需要考虑用分布式的文件存储来做，外部常用的分布式文件存储主要是HDFS。这里就不细展开。

原始数据上报存储到文件的架构图
数据存储到文件之后，第二步就进入到ETL的环节，ETL就是指通过抽取（extract）、转换（transform）、加载（load）把日志从文本中，基于分析的需求和数据纬度进行清洗，然后存储在数据仓库中。
从实际应用来看，产品在考虑数据采集和接入的时候，主要要关心这几个纬度的问题：
● 多个数据源的统一，一般实际的应用过程中，都存在不同的数据格式来源，这个时候，采集和接入这部分，需要把这些数据源进行统一的转化。
● 采集的实时高效，由于大部分系统都是在线系统，对于数据采集的时效性要求会比较高。
● 脏数据处理，对于一些会影响整个分析统计的脏数据，需要在接入层的时候进行逻辑屏蔽，避免后面统计分析和应用的时候，由于这部分数据导致很多不可预知的问题。
[h2]（2）数据的存储与计算[/h2]完成数据上报、采集和接入之后，数据就进入存储的环节。
从实际应用来看，数据存储这部分主要考虑这几个问题：
● 数据安全性，很多数据是不可恢复的，所以数据存储的安全可靠永远是最重要的。一定要投入最多的精力来关注。
● 数据计算和提取的效率，做为存储源，后面会面临很多数据查询和提取分析的工作，这部分的效率需要确保。
● 数据一致性，存储的数据主备要保证一致性。
这一步的关键，企业要构建自己的私有数据平台，就是找到有数据平台开发经验的架构师、工程师，事半功倍，当然，如果是中小企业，直接用云产品吧，效率更高。
[h1]
9、获取数据[/h1]就是产品经理，数据分析人员从数据系统获得数据的过程，常见的方式是数据报表和数据提取。
报表的格式，一般会在数据需求阶段明确，尤其是有积累的公司，通常会有报表模板，照着填入指标就好了。强大一些的数据平台，则可以根据分析需要，自助的选择字段（表头）进行自助报表的配置和计算生成。
下面是做数据报表设计的几个原则：
（1）提供连续周期的查询功能
①报表要提供查询的起始时间，可以查看指定时间范围内的数据。忌讳只有一个时间点，无法看数据的趋势。
②对一段时间范围内的数据能够分段或汇总，能够对不同阶段进行比较。
（2）查询条件与维度相匹配
①有多少个维度，就提供多少个对应的查询条件。尽量满足每个维度都能分析。

②查询条件要提供开、合，以及具体值的过滤功能。既能看总体，又能看明细，还要能看单一。
③查询条件的顺序，尽量与维度的顺序对应，最好按从大到小的层次。
（3）图表与数据要一致
①图表显示的趋势，要与相应的数据一致，避免数据有异议；
②有图就必须有数据，但是，有数据可以没有图；
③图表内的指标不要太多，并且指标间的差距不要太大。
（4）报表要单一
①一张报表，只做一份分析功能，多个功能尽量拆到不同的表报中；
②在报表中尽量不要有跳转；
③报表只提供查询功能。
看几张常用报表，WEB产品的流量报表，来自百度，关注PV、UV、新访客比率、跳出率、平均访问时长等。
专门说一下跳出率，这个数据反应了用户进入网站的着陆页（不一定是首页）价值，是否可以吸引用户进行一次点击，如果用户达到着陆页，没有任何点击，则跳出率增大。

网页数据报表
再看某产品留存率数据报表，通常关注的留存率有：1天后留存、7天后留存、30天后留存。

某产品留存数据报表
数据提取，在做产品运营中，是很常见的需求，例如提取某一批销量较好的商品及其相关字段，提取某一批指定条件的用户等。同样，功能比较完备的数据平台，会有数据自助提取系统，不能满足自助需求，则需要数据开发写脚本进行数据提取。
[h1]
10、观测和分析数据[/h1]这里主要是数据变化的监控和统计分析，通常我们会对数据进行自动化的日报表输出，并标识异动数据，数据的可视化输出很重要。
数据分析常用于：了解产品现状，了解发展趋势，发现问题，认清用户，营销推广。

常用的软件是EXCEL和SPSS，可以说是进行数据分析的基本技能，以后再分享个人在实际工作中对这两款软件的使用方法和技巧。需要注意的是，在进行数据分析之前，先进行数据准确性的校验，判断这些数据是否是你想要的，例如从数据定义到上报逻辑，是否严格按照需求文档进行，数据的上报通道是否会有数据丢包的可能，建议进行原始数据的提取抽样分析判断数据准确性。
数据解读在这个环节至关重要，同一份数据，由于产品熟悉度和分析经验的差异，解读结果也大不一样，因此产品分析人员，必须对产品和用户相当了解。
绝对数值通常难以进行数据解读，通常都是通过比较，才更能表达数据含义。
例如某产品上线后的第一周，日均新增注册10万人，看起来数据不错，但是如果这款产品是YY语音推出的新产品，并且通过YY弹窗消息进行用户触达，每天千万次的用户曝光，仅仅带来10万新增，则算不上是较好的产品数据。

通过比较更清晰表达数据含义
纵向比较，例如分析YY语音新注册用户的数据变化，那么可以和上周同期、上月同期、去年同期进行对比，是否有相似的数据变化规律。
横向比较，同样是YY语音新用户注册数据的变化，可以从漏斗模型进行分析，从用户来源的不同渠道去看每个渠道的转化率是否有变化，例如最上层漏斗，用户触达渠道有无哪个数据有较大变化，哪个渠道的某个环节有转化率的数据变化。还可以进行不同业务的横向比较，例如YY语音新增注册数据、多玩网流量数据、YY游戏新增注册用户数据进行对比，查找数据变化原因。
纵横结合对比，就是把多个数据变化的同一周期时间段曲线进行对比，例如YY新增注册用户、多玩网的流量数据、YY游戏新增注册用户的半年数据变化，三条曲线同时进行对比，找出某个数据异常的关键节点，再查找运营日志，看看有无运营活动的组织、有无外部事件的影响、有无特殊日子的影响因素。
数据分析结果的输出，通常采用直观的可视化展现方式，选择一种合理的图表，使得分析结果更直观。

[h1]
11、产品评估与数据应用[/h1]这是数据运营闭环的终点，同时也是新的起点，数据报表绝不是摆设，也不是应付领导的提问，而是切实的为产品优化和运营的开展服务，正如产品人员的绩效，不仅仅是看产品项目是否按时完成，按时发布，更是要持续进行产品数据的观测分析，评估产品健康度，同时将积累的数据应用到产品设计和运营环节，例如亚马逊的个性化推荐产品，例如QQ音乐的猜你喜欢，例如淘宝的时光机，例如今日头条的推荐阅读等等。数据产品应用，大致可以分为以下几类：
（1）以效果广告为代表的精准营销
推荐周期短，实时性要求高；用户短期兴趣和即时行为影响力大；投放场景上下文和访问人群特性。
产品案例：谷歌、Facebook、微信朋友圈。
下图是微信的用户数据定向能力，可以从地域、性别年龄、手机、婚恋、学历等多维度进行用户精准定位。

微信朋友圈广告，虽然很多人说买不起，但很多时候是你想不想买，随着数据积累，广告会越来越精准。

（2）以音频、视频推荐为代表的内容推荐
长期兴趣的累积影响力大；时段和热点事件；多维度内容相关性很重要。
产品案例：Youtube、网易云音乐、抖音、QQ音乐
下图是抖音给我推荐的小姐姐、马云、风景，大体符合我这个40岁大叔、互联网从业者、旅游爱好者的喜欢。

（3）以电商推荐为代表的购物推荐
长期+短期兴趣+即时行为综合；最贴近现实，季节与用户生活信息很关键；追求下单与成交，支付相关。
产品案例：亚马逊、淘宝、京东。
下图是淘宝给我的推荐，大致符合一个男性用户、家有小朋友、喜欢户外运动的用户的产品推荐。

[h1]
总结[/h1]最后，一张图小结数据运营11步：

数据运营11步
从制订产品目标到最后基于目标进行产品评估与运营优化，形成数据运营闭环。这个流程和规范，需要各个部门都能统一意识，每个产品终端都能按照规范流程将数据统一上报，建立公司级的统一数据中心，进行数据仓库建设，才有可能将数据价值最大化，让数据成为生产力。
再从组织落地方面小结产品数据运营体系构建，可以从以下五大要素进行考虑：

（1）人：专职的数据运营同事

专职的专业的产品同事，负责建立产品数据体系的流程化、标准化，沉淀经验，推动体系的持续优化发展；专职的专业的开发同事，负责数据上报，报表开发，数据库开发维护等工作，保证产品数据体系的开发实现。
（2）数据后台：全面系统的数据仓库
有一个专门的统一数据仓库记录自己产品的特殊个性数据，共性数据充分利用数据平台部公用接口获取，共享数据源，充分降低成本。
（3）数据前台：固化数据体系展现平台
需要专业的报表开发同事，体系化思考报表系统，灵活迭代执行，而不是简单的承接报表需求，造成报表泛滥。
（4）工作规范：需求实现流程化
就是前面描述的11步构建产品数据体系的流程和方法，其中的数据需求把握好两点，一是固化需求开发流程化，二是临时需求工具化。
（5）工作产出：数据应用
常规的数据工作就是各种数据分析，输出日报、周报、月报；基于数据分析基础上进行决策依据提供。进行数据产品开发，例如精准推荐、用户生命周期管理等产品策划。

数据运营是什么？

5 个回复

浏览过的版块