|
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。 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。 运营人为什么需要学数据分析 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。 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。
总的来说，需要掌握三个部分的技能：
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。 这里要给你推荐的DC学院的《数据分析师（入门）》课程，用最高效的学习框架，只要60天就够了。 而这门课程正是基于解决问题的学习路径，掌握这些技能，已经可以击败一半所谓的分析师了，当然咱们还是安静的做个有技术的运营。 《数据分析（入门）》课程大纲 60天掌握数据分析核心技能 第一章：开启数据分析之旅 （1天） 了解数据分析工作的一般流程和知识框架，了解目前数据分析的应用场景及实现形式。你将在老师指导下搭建你的Python编程环境，为后续的python爬虫和数据分析做好准备。 第二章：获取你想要的数据 （2周） 这部分你将学会如何从互联网获取外部数据。你将了解目前有哪些比较好的网站可以获取优质的数据资源。 更重要的，学习python爬虫，你将能够用自己的代码来爬取任何网站的数据。课程将会以爬取天气数据，爬取豆瓣电影数据、爬取地图街景数据、爬取租房数据、爬取腾讯新闻数据等多维度的数据作为案例详解实操。 第三章：数据存储与预处理 （2周） 在这部分你将学会通向数据库的语言 - SQL 。如何提取特定的数据，如何建立两表、三表之间的关系等……SQL可以通过简单的命令帮你完成这些工作。 同时，你将学会如何用 python 处理不干净的数据。比如重复数据、不一致的数据、缺失数据、无效数据等。 第四章：统计学基础与 Python 数据分析 （3周） 在这一部分你将会先学习基本的统计学知识，比如众数、中位数、均值、方差……这些基本统计量，以及假设检验、概率分布、误差这些常用的方法。 你将学习如何利用简单的 python 命令实现excel不能实现（或实现很麻烦）的数据可视化展示。 你将学会一种普遍适用的数据分析方法 - 回归分析，你还将学会如何运用特征选择的方法去优化模型，得到更精确的结果。 第五章 报告撰写及课程总结 （1周） 在这一章，老师将带你进行全方位的数据分析实战。你将从问题定义（如何确定问题的重要程度）、数据获取（SQL提取、外部数据获取）、 数据预处理（清洗不干净的数据）、数据分析（选择什么模型、如何做特征优化）、数据可视化与报告等几个部分来实现一个完整的数据分析案例。 此外我们专门设计了三个基于实际场景的数据分析实战项目，帮助你去内化数据分析的技能。 可以给你学习方向的导师 课程采用录播的形式，你可以按照自己的节奏来规划学习节奏。为准备这个课程，我们吸取了无数数据分析师和资深数据运营的经验，我们研究了目前主流的数据分析书籍和课程，还有，邀请了两位能够为你提供学习方向的绝对大牛老师：
除此之外，你还会遇到指导你每一个细节的答疑老师，解决你学习路上的每一个困惑。还有一群优秀的、有前瞻性的运营人，跟你一起，探索数据驱动以及用户增长。 |
|
|
