3.4 数据思维——学会用数据说话

数据对运营人员的重要程度，就像航海时代船长手里的指南针，精准的数据能够在工作中为运营人员指引方向。很多运营人员在接触运营工作的第一天，就开始和数据打交道。看到各类庞杂的数据，大部分新人都会叫苦连天，别说分析数据了，就连看懂数据都很难。我在刚接触电商运营时也有过这个感受。

没有接触过数据运营的运营新人，建立数据思维的过程是枯燥的，但也是快乐的。因为你能通过数据看清业务，并找到有效的方法提高业务指标。在具备数据思维后，你能发现你在做运营决策时更理智，在跨部门进行沟通时更高效，对运营活动的效果预判也会更准确。

第2章介绍了数据运营的主要工作内容，是从职业能力层面分析的数据的使用。本节主要从数据思维层面展开，讲讲数据对各个具体运营模块工作的深刻影响。

3.4.1 做流量增长的数据思维

1．数据思维在投放渠道选择中的应用

在制订渠道投放计划时，如何有效地筛选广告投放渠道，以及如何合理地分配预算呢？对于这两个问题，我们都需要从数据分析着手。下面来看具体的广告投放案例。

如表3-1所示，假设现在有A、B、C、D、E五个拉新投放渠道，通过一段时间的广告投放后，我们很快获取了各个渠道的拉新量、花费及单个获客成本等数据。

先排除用户质量及转化策略这两个因素，从表3-1中可以看出：渠道的单个获客成本由高到低依次为A、D、B、C、E，拉新量由大到小分别为B、C、D、A、E。以单个获客成本和拉新量为关键指标，做一张如图3-5所示的散点图。我们可以很直观地看出，渠道E的单个获客成本最低，但拉新量有限，渠道B的拉新量最大，但单个获客成本偏高，而渠道C的拉新量和单个获客成本是最均衡的。

在对这几个渠道的数据有了基本的认知之后，我们可以根据广告投放的实际情况进行预算的控制和调整。

比如，在缩减预算的情况下，应该如何优化预算分配呢？

从5个渠道中可以看出，A和D的单个获客成本高，是做预算控制的优选渠道，应该削减这两个渠道的预算，这样能够快速产生成本压缩的效果。

在追加预算，需要快速增加拉新量的情况下，又应该如何优化预算分配呢？

这时，你可能会说将预算全都使用到单个获客成本最低的E 渠道。其实，从实际的广告投放经验来看，E 渠道的拉新量最低，应该属于小流量渠道，无法快速扩量。B 和C 渠道才是扩大预算投放的优选渠道，因为从拉新量来看，这两个渠道是大流量渠道，在平均拉新量较低的情况下，可以轻松扩量。

当然，在实际做用户拉新的广告投放时，数据比上述例子复杂得多，运营人员需要能够通过实际数据对比，不断地优化预算分配，以获得性价比更高的渠道投放策略。

2．数据思维在流量转化漏斗中的应用

每个流量运营人员的心中都应该有一个“流量转化漏斗”，这个流量转化漏斗的主要数据维度分为两个：一是数量级，二是转化率。

以一个App的下载拉新为例，我们看一下对应的流量转化漏斗。如图3-6所示，转化环节可以细分为曝光、点击、领券、下载、注册/激活及完成首单。将流量转化的指标拆解到每一个漏斗环节的好处是，可以很清晰地呈现每个环节的用户量级，看清楚新用户获取时对应的每一个动作，方便做每一层转化率的优化。

通过分析流量转化漏斗的各级转化数据，我们可以测试不同策略和素材的效果，择优选择。具体来看，广告页面的风格、落地页的文案、优惠券的设置、注册方式等这些实际内容都可以通过测试数据进行调整优化。衡量优化效果的核心指标是漏斗对应层级的转化率是否得到提高。

分析流量转化漏斗的另一个好处是，我们可以横向对比不同结算方式的渠道拉新成本，在漏斗里统一测算同一个转化环节的拉新成本。单个点击成本=渠道费用/点击量，单个下载成本=渠道费用/下载量。比如，应用商店的成本测算一般都是按照下载量统计的，信息流的成本测算按照点击量统计。在这个转化漏斗中，我们可以将两个渠道的数据都按照下载量进行测算，最终进行横向拉新成本对比。

3.4.2 建立数据思维的第一步：数据采集能力

1．掌握SQL语句

运营人员在工作中会经常遇到数据采集的需求。业务数据采集来源和输出口一般有两个：一是数据平台，二是找数据分析师。

公司建立的数据平台通常能满足大部分常规的数据需求，但运营人员在采集自身业务所需的数据时，如果有个性化的数据需求，那么数据平台多半没有现成的数据。这个时候，有两个做法：第一个做法是，向数据分析师提交采集数据的需求，对于运营人员来说，这是最省事的，但是在多数情况下也是最耗时的，因为现状是有需求就要排期；另一个做法，也是更加高效的办法就是掌握SQL（Structured Query Language，结构化查询语言）语句，自己动手编写程序查询数据。

SQL并不是一门编程语言，而是一个数据库查询和程序设计语言。使用SQL语句现在逐渐成了产品经理和运营人员的一项职业必备技能。

要想掌握SQL语句需要完成以下3步：

第一步：尽量全面地了解公司有哪些数据库和数据表，以便定位业务对应的数据库。

第二步：通过请教数据库管理者或技术人员，看懂数据表与数据表之间的逻辑关系，理解所需数据字段的含义。

第三步：学会常用的SQL语句，如select、from、where等指令，之后进行结构化数据表导出。

在熟练使用SQL语句后，我们可以做到在有个性化的数据需求时，随时写SQL语句，不用苦苦等待数据分析师的排期和报表回复。

2．灵活利用数据平台

数据平台是公司用户和业务数据的集成器，涵盖了运营人员常用的相关数据。在数据平台里查找数据时，我们经常会使用数据标签。用户标签系统就是数据标签的一种具体体现。

用户标签系统在互联网产品中应用得十分广泛，如社交平台上推荐的可能感兴趣的人、电商平台上推荐的可能感兴趣的商品、短视频平台上推荐的视频。互联网用户都被“贴上”了形形色色的标签，这是用户精细化运营的一种体现，让需求和供给得到了更高效的匹配。

对于公司内部来说，标签系统是数据获取和分类报表的集成，是运营人员必须好好运用的一个工具。最常见的标签应用是在广告投放中，通过筛选标签进行精准投放。在数据获取和分析中，标签系统发挥着重要的作用，下面介绍几类我常用的标签。

（1）关于用户画像的标签：年龄、性别、身份、兴趣、地区、职业、家庭角色、婚否等。这类标签主要用于广告精准投放，也可用于分析电商平台的选品方向。

（2）用户活跃的标签：激活状态、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、日均访问时长、是否付费、净推荐值（Net Promoter Score，NPS）等。

这类标签可用于精细化的用户生命周期管理，有针对性地提高用户活跃和减少用户流失、筛选和推荐裂变用户等。

（3）产品销售的标签：支付方式、订单金额、已收藏、最近（30天）浏览过、已复购、订单状态等。这类标签主要用于平台产品的销售数据分析。

当然，一个完整的标签系统不只这么一点标签内容，我们可以根据实际业务需求，新增更多的标签。在调取数据的时候，我们可以通过建立标签数据模型，输出多维度的数据表。例如，想要调取过去6个月通过推荐购买的订单金额超过1000元的用户做调研，我们就要通过建立标签数据模型，获取多维度的数据。

在标签系统中，很多数据的抓取都是通过埋点完成的，埋点是指在相应的页面中加入统计代码，并在数据管理系统中以可视化的报表最终呈现出渠道统计的数据。当然，埋点是个技术活，且工作量较大，需要技术人员配合落地。

3.4.3 建立数据思维的第二步：数据分析

1．数据分析的误区

误区一：数据口径混乱，分析无逻辑性

对于运营人员来说，数据的来源都对应着好几个数据的输出口，有从渠道得到的数据，有从公司数据平台采集的数据，还有从销售系统和财务报表中得到的数据。同一个数据指标，在不同的数据统计表上可能存在不同的定义，数据口径存在较大差异。如果不统一口径，把所有数据放在一起，那么会给后面的数据分析带来混乱。

所以，在得到多个数据表之后的第一个动作就是统一数据口径，将数据表之间的逻辑关系整理清楚。

误区二：无数据支撑，胡乱猜想

在部分数据缺失时，数据分析支持一定程度的推演来得出相关的结论。但是，数据分析是一项严谨的工作，我们不能在没有足够的数据支撑时妄下分析结论。

比如，在广告预算没有变的情况下，某一天App的下载量突然比平时增加了几倍，应用商店的投放者将此效果归结为应用商店投放的贡献，实际上，这个没有数据支撑的判断是有失公允的。这个结论经不起推敲，这个效果可能是线下大规模投放广告带来的，也有可能来自内容渠道的流量。无论如何，对任何一次数据的大波动都要通过数据分析的方法进行验证，探究真实诱因，切勿妄下结论。

误区三：无对比性数据，进行主观判断

运营活动的效果需要用对比性数据衡量，只看量级维度的数据就断言效果好坏，是数据分析的一个误区。

比如，不是每一篇10万多次阅读量的微信推文都证明这次的内容运营是成功的，一个有几百万甚至几千万个粉丝的微信公众号，每天推文的阅读量都可能为10万多次。正确的数据分析逻辑是，先看近期推文的平均阅读量，再做数据比较。再比如，电商公司判断双11的营销活动是否足够成功，对数据的判断标准如下：一是要看与去年双11或者上一次大促活动相比，数据同比增长了多少；二是要看与竞品的销售数据对比是否胜出。

对比分析法是数据分析的一个最重要的方法。

误区四：在做数据汇报时，直接使用原始数据

在有了数据源后，我们就要对数据进行加工，不能把原始数据直接报告给上级领导或者业务人员。数据本身可能是十分庞杂的，没有经过很好的逻辑分析和呈现，很难反馈出想要获取的信息。

如果想在数据平台上获取可视化的直观数据，那么数据平台的运营人员一般会结合各项业务需求指标，进行多维度的数据建模。运营人员需要根据业务需求向数据产品经理提出数据模型需求，再产出所需的数据表单。运营人员利用数据模型能让杂乱无章的数据变得规整，再通过可视化的方式呈现在运营报告中。

2．数据对比分析思维

数据分析的方法有很多种，最常见的是对比分析法。

对比分析法的应用场景有很多种，常用的场景是做活动效果评价，以及通过数据对比找到数据波动的“诱因”。在运营人员的数据报告中，我们最常看到的是同比、环比、排名等对比性数据。

关于对比分析法的应用，我想到了一个比较形象的例子：在某种程度上，用数据对比分析法做出来的数据表，就如同一份身体体检报告。各项运营数据就像体检报告中的各项检查项，我们可以通过样本数据（在体检报告中是指标正常值）验证这个数据是否正常。如果某个数据和样本数据之间出现了偏差，我们就要从这个数据中分析出数据异常的原因，简称为锁定“诱因”。不同的是，体检报告中的数据如果不在正常范围内，那么这是不好的现象；如果运营数据与样本数据出现偏差，那么可能有好的一面，也可能有坏的一面。

数据对比分析法的3个基本要素如下：

（1）数据对比需要在同一个标准上。

（2）数据对比需要建立样本数据标准。

（3）最终目的是分析出导致数据异常的影响因素。

数据对比的同一个标准很好理解，就是要将对比数据放在同一条起跑线上，不能用新App的用户增长数据直接与成熟产品的用户增长数据对比，也不能用新上架的SKU和“爆款”对比。是不是不同量级的产品就不能做对比分析了呢？也不是，我们可以对不同量级的产品使用权重分析法。

样本数据标准的正常值可以是预期目标值，也可以是预期转化率。以促进用户成交的运营活动为例，如果实际的数据超出预期目标值，我们就要好好总结经验；如果低于预期目标值，我们就要马上找出运营活动不足的地方，调整运营活动的策略，以便达到预期目标值。

做数据对比分析的最终目的是分析出导致数据异常背后的因素，这样才是有意义的。在日常做用户增长周环比数据对比分析时，如果我们发现用户增长数据波动异常，那么要做影响因素排查，要清楚地辨别是运营策略还是外部事件带来的影响，对所有的异常数据进行“归因”。

对比分析法并不能完全满足所有的数据分析需求，比如在做多渠道拉新效果分析、电商品类销售业绩对比、城市间用户量级对比时，因为数据对比的对象不在一个数量级上，简单地做横向对比是没有多大意义的。

如果只进行渠道间的数据量级对比，就会陷入一个数据分析误区，这会造成用户拉新的大流量渠道始终都是重点关注的渠道，而有开发潜力的小渠道往往被忽视。简单对比的后果是预算和资源始终只向重点渠道倾斜，而忽视渠道用户转化效果、用户质量、渠道挖掘潜力等因素，很难拓展出新的用户拉新渠道。

这个时候对数据进行加权处理就十分有必要了，这样做的好处是将不同量级的对象放在同一个维度分析，平等、客观。