七麦数据专栏

运营人为什么要学数据分析?

2017年11月14日 | 独家分析 | 阅读(19769)

01


运营产生数据,数据支撑运营


数据分析这件事情,听起来像是程序员干的,但它却在悄无声息地接近每一个运营人。


且不说阿里、腾讯这样的巨头,早已经把数据分析作为决策的客观依据。即便是在初创的产品中,用户、运营、销售等数据也已被证实拥有巨大的分析价值。


产品功能如何迭代?转化流程如何优化?如何根据用户画像做精准投放?如何根据用户行为高效促活?……这些之前看似拍脑袋就可以决定的事情,缺点和局限性在客观的数据面前仍然很大。


从前日色变得很慢,而现在每天都有新的东西在产生、繁荣和消亡。你可能会发现,以前行之有效的经验,在商业环境快速迭代中,不再那么可靠,生命周期明显变短。


数据驱动和精细化运营的时代,来得比我们的预料要更早。


比如流量运营,仅仅关注pv、uv等虚荣指标,在今天是远远不够。CPC、DAU、平均访问时长、访问深度、跳出率、平均流量转化等更加精细的指标,以及基于这些指标的大规模数据分析,对于用户行为的判断,更具分析意义。


又比如内容运营,个人的经验和感觉可能需要长期的训练,而这种经验能用多久,未知,但越来越不乐观。基于用户浏览偏好、使用习惯,我们几乎可以得到非常精确的、有指导意义的结论。


比如淘宝根据浏览记录的商品推荐,比如网易云音乐根据相似用户的音乐推荐,今日头条基于用户画像的内容推荐,这些都是数据分析支撑内容运营的典范。



02


从粗犷式运营到精细化运营


其实,在稍微正规一些的产品运营中,精细化运营的趋势越来越明显。下面从运营中最常见的几个流程分别说说:



  拉新  


用户画像


用户画像这件事情看似简单,但其实是因为拍脑袋猜测很简单,精确定义很难。所以以往我们对用户的定义通常是这样的:“25-30岁的白领”、“有阅读习惯的职场青年”、“1-3年经验的程序员”……但这其实并没有多大的意义。


用户在使用哪些产品,对产品的认知如何,使用频率是什么样的,消费水平如何分布等等,但其实这些可以通过对产品本身的用户数据进行分析,得出更加深刻的结论。


或者我们也可以通过公开数据集、或者爬虫来获取外部数据进行分析,这算是一个非常靠谱的行业调研了。通过数据分析的方法,我们可以快速去了解一些新的领域,了解新的市场,从而知道机会在哪,有效降低试错成本。



广告投放&渠道选择


你需要去分析具体渠道的用户和目标用户的吻合度,当面对多个类似渠道的时候,只是粗略的估计,往往回报会很低。如果通过用户画像、市场调研等原始数据精准定位,如何通过广告投放数据进行优化,这些都是需要精确计算和分析的地方。


洞悉广告市场复杂的交易结构和自身产品、用户特点,并选择合理高效的营销方案和技术架构,是商业化必须面对的第一步。



  留存  


转化分析


产品里面有很多地方需要做转化分析:注册转化、购买转化、激活转化等等,一般我们借助漏斗来衡量用户的转化过程。从转化的漏斗我们大致可以得出一些结论,比如用户在哪些环节受到阻碍,是文案吸引力不够,还是功能体验太差。


但如果做更深入的数据分析,还能得到更多的东西,比如从不同渠道来的用户转化漏斗的差异,可以为渠道选择和广告投放优化提供参考。又比如那些标签下的用户转化更好?流失的用户受到的阻碍是否不同,分别是什么?在转化过程中如何确定各种影响因子的优先级?


精细化的分析,多做一些假设检验,能够为我们提供更加细化的解决方案。



  促活  


精准推荐


用户行为分析逐渐成为各种优秀产品不可忽视的一环,今日头条的异军突起,网易云音乐的良好口碑,皆与之相关。


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。如何对用户进行标签化,相思相划分,如何根据用户历史习惯来精准推荐商品、内容,这些渐渐成为促进用户活跃,提升用户粘性的关键。



产品迭代


无论是是产品的迭代计划,还是粗活的策略,如何界定产品需要迭代新功能,并不是拍拍脑袋就能决定的。根据用户行为数据的分析,用户浏览点击的热力图定位,以及不同页面、功能的流量监控,渐进式、有针对性地推出改善用户体验的新功能。



03


 1.用客观分析代替感性判断 


数据正在深入我们工作的每一个细节,作为与用户和产品接触最频繁的人,运营是接触数据的第一个环节。同时运营通常是策略的制定者和实施者,但数据经常被技术部门掌控,或者安静地待着,不产生任何作用。


对于运营来说,数据产生和决策制定中间,一定还有大量可以优化的空间,这种空间来源于数据。从数据中发现知识,优化决策,将会成为大大提升运营效率。


另一方面,有了数据的支撑,你可以更好地说服boss,即便和技术、产品撕逼,也完全不虚。但前提是,你能够利用好这些数据,分析出支撑决策的结论,并用一般人能够看懂的可视化方式描述出来。



 2.培养对数据的敏感度 


现在,稍微有点规模的产品,数据量都特别大,有非常多的字段,你可能会懵逼,到底应该从什么地方下手呢?


但如果有一些经验就会好很多。比如,你要研究影响跑步运动员速度的身体因素,那么我们可能会去研究运动员的身高、腿长、体重、甚至心率、血压、臂长,而不太会去研究运动员的腋毛长度,这是基于我们已有的知识。又比如你要分析影响产品质量的几个指标,影响转化的因素的优先顺序,那么如果你经过前期的分析,就可以得出一些初步的结论。


所以当你分析的问题多了之后,你就会有一些自己对数据的敏感度,从而养成用数据分析、用数据说话的习惯。这个时候你甚至可以基于一些数据,根据自己的经验做出初步的判断和预测(当然是不能取代完整样本的精准预测),这个时候,你就基本拥有数据思维了。 



 3.从精细化运营到自动化运营 


数据驱动这个词相信你已经听过很多了,粗犷式的运营策略带来的低信噪比、资源浪费,通过精细化运营可以有效缓减。uv、pv 等指标已经无法精准决策的时候,如何通过更精细的数据分析,将会是未来运营的驱动力量。


更重要的是,最基础的、重复的、价值含量低的运营工作,将逐渐被自动化的运营代替。比如基于数据分析的推荐系统,已经很好地代替一部分内容的筛选和推送。未来运营人的一个核心竞争力是,通过数据分析实现高效自动化运营。



04


如何快速获得数据分析的能力


那么数据分析的技能是否可以快速习得呢?当然是可以的。



 如何学习才最高效 


从运营的角度来看,一般数据分析的流程为:问题定义、数据获取、数据清洗、数据建模与分析、数据可视化与结论。


  • 对于运营人来说,问题定义是已经内化的技能了,因为对业务的熟悉,对产品和用户的理解,在互联网人的圈子,应该算是处于最顶端那部分。就算是现在,你也有想去提升的指标,优化的流程,这些都是很好的问题源。


  • 在数据获取这个部分,运营人的数据一般来自企业产品的数据库,这个时候你需要了解SQL的操作,至少能够熟练地从数据库提取数据。另外,掌握爬虫,能够从外部网站获取行业数据,将会为你打开全局分析的思路。


  • 即便是企业自身的数据,也大多是不完整、不一致的脏数据,无法直接进行数据分析,或分析结果差强人意。比如重复数据、确实的数据、无效的数据等,把这些影响分析的数据处理好,才能获得更加精确地分析结果。


  • 用基本的数据分析方法,或者数据挖掘算法,来获得你想要的结论,比如通常分析会用到的回归模型(线性回归、逻辑回归)。分析结果最直接的结果是统计量的描述和统计量的展示,另外一些则需要深入探究内部的关系,以对未来的情况做出精准的预测。



总的来说,需要掌握三个部分的技能:


  • SQL(数据库)。企业的数据一般都会存于数据库,那么怎么从数据库取数据?如何建立两表、三表之间的关系?怎么取到自己想要的特定的数据?等等这些数据选择问题就是你首要考虑的问题,而这些问题都是通过SQL解决的,所以SQL是数据分析的最基础的技能。


  • 统计学基础。数据分析的前提要对数据有感知,数据如何收集?数据整体分布是怎样的?如果有时间维度的话随着时间的变化是怎样的?数据的中位数、众数、显著性有什么指导意义?如何用假设检验进行初步分析?


  • Python基础。这一点是必备项也是加分项,语言相比较工具更加灵活也更加实用,可以更方便实现你的想法。python有着众多开源的库(如numpy、pandas、scikit-learn、seaborn),科学计算和数据可视化都不在话下。


最快的学习路径,就是基于解决问题的流程,这样你知道每个部分的知识用来做什么,可以用在哪些地方,每一部分都能解决一些实际的分析问题。


本文来源于数据化管理

相关推荐