|
做运营数据分析很多人都能够看懂业务数据，看得懂数据分析报告，也能够掌握基本的数据分析技能，但是有最重要就是：数据分析的思维、意识和习惯，本篇文章则会从整体视角下，紧贴业务逻辑、流程和思维层面来进行相应的分享。 对于运营的数据分析，我们需要建立几个视角： 1、宏观视角：以特定的结构和思路建立整体的数据认知3、思维视角：基于数据，跳出单纯的对事的分析，想清楚why和what4、自身视角：养成特定的数据分析习惯，培养数据的敏感度建立数据的整体认知，最好的办法就是通过结构化思维进行数据维度和指标的梳理。 维度是事物或现象的某种特征。常见的维度有时间，地域，性别等。指标用于衡量事物发展程度的单位或方法，常见的指标有用户数，会话数等。程度是好还是坏，需要通过不同维度来进行对比。运营常用数据都是基于维度和指标之间的组合，形成的特定范围下的数据。一个完整的指标，必须体现出六个构成要素：指标名称（内容）、计量单位、计算方法（常以隐匿的形式出现）、时间范围、空间范围、指标数值。例如，某企业2011 年的利润为2700万元，这里的指标名称为“利润”，计量单位为“万元”，计算方法是“收入−支出−费用−税额”，时间范围为“2011年”，空间范围为“某企业”，指标数值为“2700”。这里任何一个要素的缺乏，都将使指标无法确定。对于整体数据的认知，我们也可以从宏观数据、中观数据、微观数据进行拆分，具体如下：同样我们也可以从：基础数据、行为数据、业务数据来去梳理和了解我们业务中要用到的所有数据。至于我们在实际运营过程中需要考虑哪些数据体系，则是需要结合业务的实际情况来进行考虑，主要受我们的业务目标、业务流程、运营模式及在实际落地过程中的过程指标影响。数据分析需要基于特定的业务目标和流程来进行，与业务紧密关联，数据直接指导业务行为和关键需求，整个业务如果要清晰、有节奏的落地和管控，需要建立清晰的数据体系和过程指标。我们以直播电商为例，目标是GMV，基于GMV影响因素和业务流程，拆解公式如下：
GMV的高低是受到：流量、转化率、客单价三个关键因素影响，流量则又受到直播间曝光（PV）、直播间CTR、商品的曝光率、商品的点击率影响。基于上面的业务拆解公式，直播电商的数据分析指标便形成了固定的分析体系和思路。GMV增长的核心思路就是提升和优化公式环节上的指标，结合各环节优化目标和提升空间，进行指标的持续优化，每个关键环节的指标提升方法和技巧，就是具体的运营行为和动作。当然并不是所有的指标同时进行优化和提升，因为精力、资源和时间不允许，这个时候需要找到侧重点，也是阶段性业务重点，确定的依据：指标提升空间和性价比（或投入产出比）。我们再以在线教育项目为例，GMV是受到线索量和线索价值影响，即GMV=线索量*线索价值，具体业务拆解公式如下：
基于以上公式我们可以拆分出详细的数据指标体系： 
日常数据统计和记录维度可以按照如下形式： 
当建立起固定的数据指标体系后，每期直播就可以重复性的进行数据统计分析，以及针对每个环节的数据指标进行不断的优化和打磨提升。我们再以某个非常具体的活动为例：比如我们要做一个新课首发活动，固定时间点开售抢购，目标是活动营收，在开售开始前采用预约报名的形式。那么对于这场活动的成果与否，核心是要做好过程数据的管理，具体模型如下：
从活动风险管控的角度，课程抢购预约人数可以设置一个上浮动值，比如过程指标的预约人数可以定为1800人或者更高，活动预热宣传阶段则以这个过程指标作为核心指标去促进。因为课程购买预约人数是跟详情页曝光（UV）和UV到预约报名的转化率有关。要想提升预约人数有两个方向思路要么提升课程曝光，要么提升预约转化率。提升曝光（UV）则以增加曝光渠道、推广资源和传播玩法来进行，核心是确保渠道质量、玩法和创意，其次建立用户对本次活动的关注度和认知度而提升预约报名的转化率则从课程价值点传达（如详情页和活动页的包装和介绍，社群宣传，销售的跟进介绍），课程价格、福利阶梯设计和抢购群内氛围营造来进行刺激。从本质上，对于活动成功与否关键是要看项目在日常的运营积累，需求强烈程度及需求节点，比如内容本身打磨、需求和活动策略设计。——03—— 数据分析要有一个靠得住的思维模型，而这个首先是一个流程，当我们需要进行数据分析的时候，一般的步骤是什么？数据分析的流程，可以分成六步，分别是明确目的、找到数据、整理数据、分析数据、图形呈现、结果报告。这也是所有数据分析入门的6个步骤，用到我们的运营也是一样。数据有很多很多种，当你不使用它们的时候，他们就是一堆杂乱的数据，只有你有了明确了数据分析的目的，才能进行数据分析。那么第二步就是根据目的去寻找数据，这些数据可以通过后台直接导出，也可以自己去互联网上收集，甚至可以自己手工整理输入，当然很多日常运营数据都是前期目的性的埋点的，根据目的去预定数据就像科学实验一样更具针对性，也更准确。第三步就是整理数据，如果是后台导出，互联网搜寻，甚至手工输入的话，就容易出现重复、空白、错乱数据，这些会直接影响分析结果，所以需要清洗数据。第四步就是进行数据分析，根据目的的分析，然后第五步通过图形呈现，最后就是把分析的结果呈现给领导，呈现给团队，并且根据数据分析出背后的因果，提出解决的建议和方法。以上是比较常规，当然还有一些其他的方法，例如下图中所说的思维模型：
数据分析常见误区如下：
无对比：只给出一个孤立的数值，数据只有通过对比才能看出来效果，如果仅仅是一个数值那么数据就是毫无意义。对比的方式有很多，和自身历史对比（环比，同比），和同行对比，跟同类型对比，也就是横向和纵向的对比，而这些根本的目的就是确立一个标尺，才能知道现在数据的意义。 无结论：这个就是将数据都对比分析一遍，但是如果没有一个明确的结论，那这个数据分析的工作仅仅是浪费了时间，并不知道怎么引导公司业务的下一步的战略目标。 脱离业务本身：为了数据二数据这个也是要避免的一个问题，同一个增长率可能在不同的业务就是不同的含义，必须要结合业务来看当前的数据。 无明确分析依据，用主观思路来做分析：比如A课程上周营收环比增长50%，很多人习惯性说是可能是做了XX动作，或者简单的说上周做了曝光和宣传，至于曝光效果无数据支撑，实际上有可能曝光带来的详情页UV提升有限，而在转化率上有明显提升。正如前面的分析思路，建立课程营收模型：课程营收=详情页UV*转化率*客单价，如果是营收阶段性出现明显上涨，在价格不变的情况下，从表象上是详情页UV或者转化率某一指标或者两个指标都发生明显变化，这个时候要看不同环节数据变化情况，进而分析发生变化的本质原因（同一渠道在不同节点上曝光效果会有很大差异，课程的需求节点和开课时间也都会影响点击和转化），这个时候按照上述的3W思路可能会分析的更深入和精准。
数据分析有一个隐藏的能力就是：敏感度。 从字面意思来解释，数据敏感度指的就是对数据足够敏感，在看到一组数据的时候能够在短时间内理解其背后深层次的含义，也就是我们常说的能够看出数据背后隐藏着的信息。数据敏感度其实并没有明确的定义或者概念，这主要是因为数据敏感度的高低主要体现在实际的分析工作中，需要结合企业的业务、数据一同进行展现。如果要有一个判断的方向，那就是数据敏感度较高的人在讨论企业业务问题的时候，能够通过一组数据构建业务情况信息，并通过数据以及分析信息与企业其他人员或客户进行交流，通过数据和分析结果让人觉得有可信度。从上面对数据敏感度的判断我们也可以发现，数据敏感度其实并不只是能够理解数据，同时还要充分理解业务有些人可能不明白数据敏感度为什么是数据理解力和业务理解力的综合能力，举一个简单的例子，给出一组数据比方说100、500、700、600，很难根据这组数字明白要分析什么，但再加上这四个数据分别是1、2、3、4月销售数量的业务背景，这组数字才算有了可以分析挖掘的信息，而数据敏感度搞的人就能在看到的第一眼意识到销售数量的变化，并开始分析背后的原因。数据敏感度怎么培养 要培养数据敏感度，首先要明确培养的方向和目标，这一点我们可以根据上面提到的数据敏感度概念进行总结，只有搞清楚数据敏感度是什么我们才能找到正确的培养方向和目标，综上大概总结了三个目标：- 熟练掌握企业业务指标，明白业务指标深层次的意义以及不同业务指标之间的关系；
- 能够判断业务指标数据是否存在问题，可以在第一眼看到业务指标数据的时候，判断业务基本情况；
- 在根据分析需求得到充足业务数据之后，能够根据业务需求进行统计分析，得到分析成果。
来源：https://www./pc/article/detail/?aid=81435
|
