English致運營狗：如何不依賴分析師，自己搞定數據分析？
在這個數據驅動運營的時代，數據不僅是數據工程師和分析師的事情，在工作中也要求運營從業者有一定的數據分析能力，更有人說“數據分析能力是未來運營的分水嶺”。從我自身角度出發，真心覺得數據能更好推動運營策略和工作的開展。
但運營童鞋多是數據小白，沒有編程和技術基礎，那我們該怎么分析并用好數據呢？今天從運營常見的數據問題出發，希望讓大家能快速地入門數據分析，讓數據更好地為工作服務，別白白浪費數據的價值。
不知該分析哪些數據？從哪些角度入手？
這是運營小伙伴們最頭痛的問題，不知道該關注、分析哪些數據，就算拿到數據后，也不知道到底從哪些方面去分析這些運營數據。給小伙伴們整理一些運營常見的數據指標，也總結了一些比較適用的分析角度，希望有用~
1、互聯網運營關注的常見數據指標
? 流量
1）訪問：PV、UV、IP（最常見）；跳出率、平均訪問時長、平均訪問頁數等；使用設備、操作系統、瀏覽器、地域分布等訪問行為；
2）注冊：注冊人數、注冊走勢、累計注冊人數、達成率等；
3）渠道&推廣：來源渠道分布、總消費、展示量、點擊率、點擊率、平均點擊價格、轉化率、轉化成本、ROI等；
? 用戶
1）活躍/登錄：DAU、WAU、MAU、活躍率、登錄人數等；
2）留存：次日留存率、周留存率、月留存率等，還有按渠道去分析留存率；
3）流失：流失數據容易被遺忘，包括流失率，流失人數、每日平均流失人數等；
4）付費：付費人數、付費轉化率、單筆訂單平均金額等，更多看訂單數據；
5）其他：每日評論人數、收藏人數、分享人數等
6）頭像：一方面分析用戶屬性：關注年齡、性別、學歷、職業、地域、婚否、收入、興趣等；另一方面分析用戶行為：登錄次數、活躍率、累計消費金額、最近一次購買、購買次數、復購率等；
? 訂單： 付費人數、新增付費人數；總金額、每日訂單數、平均每日成交額、客單價；付費金額、付費毛利、付費利潤、復購率、ARPU、付費各個路徑轉化等；
? 內容： PV、UV；UGC、PGC、文章數、關注數、閱讀數、互動數（評論、點贊等）、傳播數（轉發、分享等）；
? 活動：活動頁PV、UV、新增人數、參與人數、登錄人數、轉化人數、轉化成交金額、ARPU、優惠券發放/使用人數、營銷成本、營銷轉化率、ROI、分享人數、分享次數等，數據要根據活動類型而定；
? 服務：電商、O2O等行業易涉及，包括咨詢人數、咨詢轉化率、退貨率、退款率、好評率、差評率、投訴率等 ；
? APP：各渠道下載量、激活數、新增注冊數、獲客成本；啟動次數、啟動人數、停留時長；push到達率、打開率等，其他參考以上數據。
2、適用的分析角度、方法
數據分析有各種高大上的分析原則，比如AARRR模型、5W2H等，但是運營畢竟不是專業的數據分析師，主要能用好這些原則就夠了~
? 對比：分成橫向和縱向對比，比如縱向的同環比分析，橫向的不同產品、不同渠道的對比等；
? 走勢（變化）：指標隨時間的變動，表現為增幅（同比、環比等）；
? 分布：這個好理解，比如說用戶不同年齡段的分類、不同職業的分布、不同地域分布等；
? 細分：從多層級去了解數據，比如分析全國不同省份不同城市的具體訂單數據，從全國—省份—城市一一下鉆深入分析；
? 轉化：主要體現在結果的最終轉化、各個路徑的轉化，比如通過整個注冊流程的轉化分析來優化細節；
? 預測：根據現有情況，估計下個分析時段的指標值。
案例
某水果O2O平臺想確認未來一周各品類應準備的數量，若沒有數據的支撐，那只能由人工結合經驗得到一個大致結論，一般誤差比較大導致水果浪費較多。該怎么解決這個問題呢？當有了往常數據，數據走勢有了一定的規律，可通過數據預測來得到一個比較合理、比較準確的數值，再通過不斷預測—驗證得到一個最佳方案，保證水果備貨剛剛好，減少浪費，節約成本，這就是數據的價值。
（綠色：日常數據走勢；黃色：未來10天數據預測）
等待分析師漫長的排期？能否自己搞定分析？
分析師身負多個部門的數據分析工作，有時從提需求到最終拿到數據，2、3天都過去了，且不說分析結果是否是你想要的，就時效性而言，這份數據結果的意義也減弱了，如何變身自己的“專屬分析師”呢~
數據分析的整個過程：確定指標——數據收集——數據整合、數據處理/建模、數據分析、數據呈現、報表匯報。
? 確定指標：不多說了，可參考一下第1個問題。
? 數據收集：可通過公司數據庫埋點獲得，可通過第三方平臺獲得，也通過一些記錄的本地數據獲得。
? 數據整合：運營人要看的數據太多了，有數據庫，有各種第三平臺的數據（友盟、統計、推廣、公眾號等），每次都需要從不同平臺取數據，太分散了，最好能在一個數據平臺集中管理數據。
? 數據分析：可參考分析方法，比如“求和、計數、同環比、多粒度下鉆”等分析，一般在excel中需通過寫公式搞定。
? 數據呈現（可視化）：簡單地說，就是如何制圖唄，請直接學習第3個問題。
? 報表匯報：將數據通過表格、圖表或其他形式向領導匯報。
如何不依賴分析師，自己搞定數據分析呢？
（1）學習一些數據分析理論。（數據思維）
（2）了解、熟悉業務，這點很重要。（業務思路）
（3）學習一些數據分析工具。（工具輔助）
以我的個人經驗來看，真正把握這些真真是夠了~畢竟我們不是專業的數據分析師，能做好業務分析足以！
運營童鞋如何制作讓老板滿意的好看圖表？
沒有哪個老板喜歡雜亂的表格數據，顏值才是王道啊。簡單地說，就是數據如何可視化，讓數據直觀、明了。
? 分析數據占比：分析單維度的數據占比可用餅/環圖、分析多維度的數據占比，可用旭日圖和矩形樹圖。
比如，用戶性別的占比分析只有“性別”一個維度，用餅/環圖展示，男女比例非常直觀，比如下圖明顯是男性用戶偏多，若用戶群體符合初衷和產品特征，那運營方式不妨可以嘗試一些“可愛風”，也許這樣更能吸引男性用戶。營銷活動也可以考慮選擇一些科技類產品作為獎品，也許更能促進男性用戶的購買力，達到活動目的。
（單維度：用戶性別分析）
（多維度：不同地區不同渠道的訂單分析）
? 分析數據同環比趨勢：分析單維度的同環比可用指標卡、分析多維度的同環比可用雙軸圖。
同環比太常見了，幾乎什么數據都要跟之前有個對比，這樣才能更體現目前數據的“運營價值”。
最常見就是PV、UV的同環比了，比如UV環比下降了，是正常還是不正常。正常是因為UV可能存在一定規律，可能周五的UV就比周四低，那數據屬于正常。若沒有固定規律，那有異常波動一定要尋找背后的原因，盡快處理問題，以防再犯。
（單維度：PV環比和UV環比分開）
（雙維度：PV環比和UV環比放一起）
? 分析數據走勢：最常用的是折線圖，柱狀圖也可以表達，直觀度略低于折線圖。
（折線圖）
（柱狀圖）
? 分析地區分布：全國、省份分布可用行政地圖，更詳細的地域分布可用經緯度地圖。
用戶地域分析也是非常重要的，這可能決定了公司業務會在哪些區域重點投入、重點銷售。這也是公司廣告需重點投放哪些區域的數據指導，對于每年競價投入幾百萬、幾千萬的公司，正確的用戶地域分析可節省很多不必要的投入，給公司省錢老板可樂意了。
（行政地圖）
（沈陽地區軌跡動態地圖）
（各省份注冊用戶數完成情況）
? 分析任務完成進度：單指標進度可用計量圖，多指標進度可用子彈圖，完成情況一目了然~
（KPI完成進度）
（各項指標完成進度）
? 分析用戶活躍頻次變動：可用桑基圖。
（用戶活躍情況變化）
? 分析詞頻： 比如用戶的職位分布，可用詞云，有3D效果哦~
（用戶職位分布）
? 分析轉化效果： 那肯定用漏斗圖最最合適。
（用戶咨詢轉化率）
轉化案例
之前在一家電商公司工作，每天網站流量都不低，但最終的支付轉化率始終不高，從流量—注冊轉化還可以，從注冊—瀏覽轉化也還可以，但就是瀏覽—支付轉化不高。通過不斷找原因，通過用戶調研和數據分析（埋點）發現大部分用戶都到了支付頁，但支付入口在移動端不太明顯導致很多用戶棄買，這當然要改，優化后整體轉化率確實提高了。通過數據發現問題—找原因—優化—通過數據驗證可行性，這真的是一個良性循環
每個圖表都有適合的使用場景，用好各種圖表很重要，直接影響到數據的直觀和美觀程度。
如何快速找到數據背后的問題？
做了那么多的數據工作，最終無非是為了從數據中去發現問題，不斷優化運營策略。不論數據是上升了還是下降了，肯定有其變化的原因，這里以用戶數據變化為例了解一下快速找到問題的思路~
? 節假日波動：大部分產品都會受到節假日、周末的影響，辦公軟件節假日/周末數據一般都會下降，電商產品節假日/周末數據一般都會上升。
? 上線、改版：上線不一定單指功能上線，比如營銷活動上線、廣告渠道新上都算是上線，網站任何變動都可以理解成“上線”。
? 異常、故障：服務器故障、渠道被迫下線、網站訪問不了、鏈接異常等，鏈接訪問不了是比較常見的情況。
以上3種都不是，那就下鉆從渠道入手，看哪個渠道數據有異常，再結合具體問題進行分析。（Ps：有時候從渠道發現異常的，所以這個流程的順序不是絕對的）
以上幾種都不是，實在找不到原因，只能跟老板說：“原因未明，將持續觀察趨勢，以確認其偶然性”。
有些問題顯而易見，有些問題排查需要一些時間，看數據最終的意義還是要結合實踐。看數據—發現問題—解決問題—再看數據—問題解決，或者看數據—發現增長—找到原因—繼續應用，總之：取其精華去其糟粕，你懂得~
本文來源于數據分析網，作者海致BDP。