数据分析在运营工作中无处不在，无论是活动复盘、专题报告、项目优化，还是求职面试，数据分析都有一席之地。

对于数据分析，我发现很多运营都有这样一些困惑：

不知道从哪里获取数据；

不知道用什么样的工具；

不清楚分析的方法论和框架；

大部分的数据分析流于形式；

……

其实，数据分析并没有大家想象的那么难！接触了很多数据从业者，总结了这篇文章，希望对有志于学习数据分析的运营同学有所帮助。

一、概念：数据和数据分析

其实大家一直都在接触数据和数据分析，但是对于两者具体的定义又很难说清楚。我曾经做过一个调查，问一些运营同学，下面5个选项哪些属于“数据”概念的范围。

大部分人都知道把“4.报表”选上，但是很难有人会认为上面5个选项都是。其实这反映了一个很普遍的现象：很多人都会先入为主，认为数据就是各种表格、各种数字，例如excel报表、各种数据库。其实这是一个错误或者说有偏差的认识，它会使得我们对数据的认识变得很狭隘。

（一）什么是数据

数据（data）是描述事物的符号记录，是构成信息或者知识的原始材料。这种哲学层次的定义，让数据的范围极大丰富，也符合目前“大数据”发展的需要。试想一下，现在很多搜索引擎做的 “图片识别”、“音频识别” 难道不是数据分析的一部分吗？

作为一名互联网企业的运营从业者，我们接触到的数据可能没有那么复杂，但是也有很多类别。

从数据的来源来看，可以分为企业外部数据和内部数据。外部数据主要包括社会人口、宏观经济、新闻舆情和市场调研数据；内部数据包括用户行为数据、服务端日志数据、CRM与交易数据。不同数据的获取途径、分析方法、分析目的都不经相同，不同行业、不同企业在实际分析中也都各有偏好。

那么我们常见的“信息”和“数据”有何不同？

数据是信息的载体和表现形式；信息是数据的内涵，信息加载于数据之上。以书本和知识为例，书本属于数据概念范畴，知识属于信息概念范畴；书本是知识的一种载体和表现形式，知识是书本的内涵和升华。

（二）什么是数据分析

数据分析是指从数据中提取有用的信息，并指导实践。

这里有两个点需要注意：首先，我们需要提取的是有用的信息，而不是自嗨；其次，这些信息需要用来指导实践，而不是流于形式。

二、思路：方法论和方法

很多新人入门数据分析的时候，要么胡子眉毛一把抓，要么无从下手。这都是缺少分析思路的表现，需要宏观的方法论和微观的方法来指导。

那么方法论和方法有什么区别？

方法论是从宏观角度出发，从管理和业务的角度提出的分析框架，指导我们接下来具体分析的方向。方法是微观的概念，是指我们在具体分析过程中使用的方法。

（一）方法论

数据分析的方法论很多，这里我给大家介绍一些常见的框架。

PEST分析法：从政治（Politics）、经济（Economy）、社会（Society）、技术（Technology）四个方面分析内外环境，适用于宏观分析。

SWOT分析法：从优势（Strength）、劣势（Weakness）、机遇（Opportunity）、威胁（Threat）四个方面分析内外环境，适用于宏观分析。

5W2H分析法：从Why、When、Where、What、Who、How、How much 7个常见的维度分析问题。

4P理论：经典营销理论，认为产品（Product）、价格（Price）、渠道（Place）和促销（Promote）是影响市场的重要因素。

AARRR：增长黑客的海盗法则，精益创业的重要框架，从获取（Acquisition）、激活（Activition）、留存（Retention）、变现（Revenue）和推荐（Referral）5个环节增长增长。

数据分析的方法论很多，这里不能一一列举；没有最好的方法论，只有最合适的。下面我详细介绍一下 AARRR 方法论，对于精益化运营、业务增长的问题，这个方法论非常契合。

对于互联网产品而言，用户具有明显的生命周期特征，我以一个O2O行业的APP为例阐述一下。

首先通过各种线上、线下的渠道获取新用户，下载安装APP。安装完APP后，通过运营手段激活用户；比如说首单免费、代金券、红包等方式。通过一系列的运营使部分用户留存下来，并且给企业带营收。在这个过程中，如果用户觉得这个产品不错，可能推荐给身边的人；或者通过红包等激励手段鼓励分享到朋友圈等等。

需要注意的是，这5个环节并不是完全按照上面顺序来的；运营可以根据业务需要灵活应用。

AARRR的五个环节都可以通过数据指标来衡量与分析，从而实现精益化运营的目的；每个环节的提升都可以有效增长业务。我们下面的分析也是围绕这个方法论展开的。

（二）方法

根据运营工作的实际需要，在参考了 GrowingIO 陈明的文章《一名优秀的数据分析师是怎样炼成的》基础上，我整理了7种分析方法。借助常见的网站/APP数据分析产品，我们非常快速的完成这7种分析。

1.趋势分析

趋势分析是最简单、最基础，也是最常见的数据监测与数据分析方法。通常我们在数据分析产品中建立一张数据指标的线图或者柱状图，然后持续观察，重点关注异常值。

在这个过程中，我们要选定第一关键指标（OMTM，One Metric That Metter），而不要被虚荣指标（Vanity Metrics ）所迷惑。

以社交类APP为例，如果我们将下载量作为第一关键指标，可能就会走偏；因为用户下载APP并不代表他使用了你的产品。在这种情况下，建议将DAU（Daily Active Users，日活跃用户）作为第一关键指标，而且是启动并且执行了某个操作的用户才能算上去；这样的指标才有实际意义，运营人员要核心关注这类指标。

2.多维分解

多维分解是指从业务需求出发，将指标从多个维度进行拆分；这里的维度包括但不限于浏览器、访问来源、操作系统、广告内容等等。

为什么需要进行多维拆解？有时候一个非常笼统或者最终的指标你是看不出什么问题来的，但是进行拆分之后，很多细节问题就会浮现出来。

举个例子，某网站的跳出率是0.47、平均访问深度是4.39、平均访问时长是0.55分钟。如果你要提升用户的参与度，显然这样的数据会让你无从下手；但是你对这些指标进行拆解之后就会发现很多思路。

下面展示的是一个产品在不同操作系统下的用户参与度指标数据。

仔细观察的话，你会发现移动端平台（Android、Windows Phone、IOS）的用户参与度极差，表现在跳出率极高、访问深度和平均访问时长很低。这样的话你就会发现问题，是不是我们的产品在移动端上没有做优化导致用户体验不好？在这样一个移动互联网时代，这是非常重要的一个问题。

3.用户分群

用户分群主要有两种分法：维度和行为组合。第一种根据用户的维度进行分群，比如从地区维度分，有北京、上海、广州、杭州等地的用户；从用户登录平台进行分群，有PC端、平板端和手机移动端用户。第二种根据用户行为组合进行分群，比如说每周在社区签到3次的用户与每周在社区签到少于3次的用户的区别，这个具体的我会在后面的留存分析中介绍。

4.用户细查

正如前面所说的，用户行为数据也是数据的一种，观察用户在你产品内的行为路径是一种非常直观的分析方法。在用户分群的基础上，一般抽取3-5个用户进行细查，即可覆盖分群用户大部分行为规律。

我们以一个产品的注册流程为例：

用户经历了如下的操作流程：【访问官网】-【点击注册】-【输入号码】-【获取验证码】。本来是非常流畅的一个环节，但是却发现一个用户连续点击了3次【获取验证码】然后放弃提交。这就奇怪了，用户为什么会多次点击验证码呢？

这个时候我建议您去亲自体验一下您的产品，走一遍注册流程。你会发现，点击【获取验证码】后，经常迟迟收不到验证码；然后你又会不断点击【获取验证码】，所以就出现了上面的情况。

绝大多数产品都或多或少存在一些反人类的设计或者BUG，通过用户细查可以很好地发现产品中存在的问题并且及时解决。

5.漏斗分析

漏斗是用于衡量转化效率的工具，因为从开始到结束的模型类似一个漏斗，因而得名。漏斗分析要注意的两个要点：第一，不但要看总体的转化率，还要关注转化过程每一步的转化率；第二，漏斗分析也需要进行多维度拆解，拆解之后可能会发现不同维度下的转化率也有很大差异。

某企业的注册流程采用邮箱方式，注册转化率一直很低，才27%；通过漏斗分析发现，主要流失在【提交验证码】的环节。

经过了解发现，邮箱验证非常容易出现注册邮箱收不到邮件的情况，原因包括邮件代理商被屏蔽、邮件含有敏感字被归入垃圾邮箱、邮件送达时间过长等等。既然这么多不可控因素影响注册转化率，那就换一种验证方式。换成短信验证后，总体转化率提升到了43%，这是非常大的一个增长。

6.留存分析

留存，顾名思义就是新用户留下来持续使用产品的含义。衡量留存的常见指标有：次日留存率、7日留存率、30日留存率等等。我们可以从两个方面去分析留存，一个是新用户的留存率，另一个是产品功能的留存。

第一个案例：以社区网站为例，“每周签到3次”的用户留存率明显高于“每周签到少于3次”的用户。签到这一功能在无形中提升了社区的用户的粘性和留存率，这也是很多社群或者社区主推这个功能的原因。

第二个案例：首次注册微博，微博会向你推荐关注10个大V；首次注册LinkedIn，LinkedIn会向你推荐5个同事；申请信用卡时，发卡方会说信用卡消费满4笔即可抽取【无人机】大奖；很多社交产品规定，每周签到5次，用户可以获得双重积分或者虚拟货币。

在这里面“关注10个大V”、“关注5个同事”、“消费4笔”、“签到5次”就是我想说的Magic Number，这些数字都是通过长期的数据分析或者机器学习的方式发现的。实践证明，符合这些特征的用户留存度是最高的；运营人员需要不断去push，激励用户达到这个标准，从而提升留存率。

7.A/B测试与A/A测试

A/B测试是为了达到一个目标，采取了两套方案，一组用户采用A方案，一组用户采用B方案。通过实验观察两组方案的数据效果，判断两组方案的好坏。在A/B测试方面，谷歌是不遗余力地尝试；对于搜索结果的显示，谷歌会制定多种不同的方案（包括文案标题，字体大小，颜色等等），不断来优化搜索结果中广告的点击率。

这里需要注意的一点，A/B测试之前最好有A/A测试或者类似准备。什么是A/A测试？A/A测试是评估两个实验组是否是处于相同的水平，这样A/B测试才有意义。其实这和学校里面的控制变量法、实验组与对照组、双盲试验本质一样的。

三、流程：宏观、中观和微观

（一）宏观

1.中国古代朴素的分析哲学

其实数据分析自古有之，中国古代很多名人从事的其实就是数据分析的工作；他们的名称可能不是数据分析师，更多的是“丞相”、“军师”、“谋士”，如张良、管仲、萧何、孙斌、鬼谷子、诸葛亮。

他们通过 “历史统计”-“经验总结”-“预测未来” 为自己的组织创造了极大的价值，这是中国古代朴素的分析哲学的重要内容。

2.精益创业的MVP理念

风靡硅谷的精益创业，它推崇MVP（最简化可行产品）的理念，通过小步快跑的方式来不断优化产品、增长用户。

在运营工作中，我们要大胆尝试，将想法转化成产品和运营方法。然后分析其中的数据，衡量产品或者运营的效果。如果好的话保持并大力推广，如果不好的话总结问题及时改进。在“构建-“衡量”-“学习”的不断循环中逐渐优化，这个流程是非常适合运营工作的。

（二）中观

《谁说菜鸟不会数据分析》书中介绍了更为具体的分析流程：1.明确分析目的和思路 →2.数据收集 →3.数据处理 →4.数据分析 →5.数据展现 →6.报告撰写。

这个流程只是从“数据”的角度阐述了前后的流程，并未结合业务实际；而且它将数据分析的落脚点定位于“报告撰写”是具有误导性的，因为数据分析的最终目的是为了指导实践，而不是写一份报告。

但是这个流程仍具有参考价值，尤其是 “明确分析目的和思路” 对于新手入门具有一定的指导意义。

（三）微观

下面介绍的是一个非常详细的分析流程，借助于一定的分析工具，我们可以按照这个思路对您的网站/APP进行细致入微的分析。

这是GrowingIO商务分析师檀润洋在《提高用户留存，产品、市场和运营都有哪些方法》中介绍的流程，我认为适用于大部分的运营数据分析。

它的前提是用数据分析工具做好数据采集和监控工作，把精力集中在业务分析上。

这个流程的核心是“MVP”的理念，“发现问题”-“设计实验”-“分析结果”，通过数据来不断优化产品和运营。

四、应用：体系和分析

案例1：搭建数据分析体系

小张今年刚毕业，在某公司从事新媒体工作，负责微信的日常运营。小张并不清楚微信运营的核心目的，尝试了很多方法，原创、翻译、改写了很多文章发布在微信上，但是阅读量时高时低，总体一般。

经理让小张想办法改进一下微信运营，提高微信的粉丝数和阅读数；但是张三毫无头绪，无从下手。

这是很多运营真实的写照，琐碎的工作容易让人忘记思考，这很可能就发生在你我的身边。

我们从数据分析的角度对这个案例进行了诊断，总结了小张存在的这些问题：

不清楚自己需要关注哪些核心指标；

不清楚目标用户的特征（用户属性、用户画像等）；

对自己过往工作缺乏系统分析（数据采集、监测和分析）。

从业务增长的角度出发，我给小张量身定做了一套数据分析体系，配合其内容工作的开展。

第一点，内容定位。

运营需要明确知道自己的目标或者KPI，然后选择一个核心关键指标（OMTM）进行监测。如果是创业公司，初期可能需要拉新，那么核心指标是注册用户数或者新访问用户数。如果是资讯媒体，注重影响力和覆盖面，那么核心指标应该是微信阅读数或者网页PV。

第二点，用户画像。

无论是哪一种运营岗位，都需要明确知道自己的（目标）用户是那些人？这些人都有哪些特征，他们的关注点和痛点是什么？如果你的用户是产品经理，那么可以尝试爬虫抓取产品经理网站上有关的问题，然后做文本分析：这是定量层面的分析。

同时，通过调查访问和问卷调研，获取更加深入的用户特征信息：这是从定性层面的分析。

第三点，持续监测。

借助数据分析工具，对核心关键指标（OMTM）进行持续监测。对于指标异常情况，我们需要及时分析和改进。

第四点，数据分析。

统计和分析过往内容的数据，找出哪些内容、哪些标题、哪些形式、哪些渠道的效果更好，然后朝这方面不断优化。

案例2：分析业务核心指标

电子邮件营销是现在很多企业仍在采用的营销和运营方式，某互联网金融企业通过EDM给新用户（有邮件地址但是未注册用户）发送激活邮件。一直以来注册转化率维持在20%-30%之间，8月18日注册转化率暴跌，之后一直维持在10%左右。

这是一个非常严重的衰退，需要立即排查原因。EDM渠道注册转化率涉及到太多的因素，需要一个一个排查，数据分析师帮运营罗列了可能的原因：

技术原因

ETL（数据抽取、转化、载入）出现问题，导致后端数据没有及时呈现在BI报表中；

宏观原因

季节性因素（节假日等），其余邮件冲击（其余部门也给用户发邮件稀释了用户的注意力）；

微观原因

邮件的标题、文案、排版设计，CTA设计，注册流程设计。

一个简单的业务指标，会影响到它的因素可能是多种多样的，所以我们需要对可能涉及到的因素进行精细化衡量才能不断优化。最后发现，产品经理在注册环节添加了『绑定信用卡』，导致注册转化率大幅度下降。

五、学习：业务、工具和资源

（一）业务层面

数据分析并没有想象中的高不可及，掌握好相应的概念、思路、流程，运营都可以做好数据分析。这里要着重强调一点，数据分析的目的是指导业务实践；脱离实践的数据分析、为分析而分析的数据分析都是在耍流氓。

不同于职业的数据分析师和数据科学家，运营人员做好数据分析的前提是娴熟的业务理解。从业务的角度来说，数据不是数字，它是用户的心声。运营人员要从数据中发现问题，不断优化，提升用户体验、为用户创造更多的价值。

（二）工具层面

磨刀不误砍柴工，做好数据分析工具必不可少。我汇总了下面几种工具，运营可以结合自己的实际需要采用。

Excel 是最常见、最基础的数据分析工具，Excel 里面的图表、函数、透视表能满足大家基本的需求。Access 是微软 office 系列套装的一部分，是一种小型的关系数据库；当excel数据量很大、表格之间各种关联、查询、更新频繁的时候，Access就是一种非常不错的选择。

Python是一种高级的编程语言，近年来发展很快，它可以用来做数据分析、编程或爬虫；R语言是一种数据分析工具，在统计学中广泛使用。目前，Python被广泛用来编写爬虫程序，获取网上的信息，这是对运营人员非常有帮助的。

Google Analytics、百度统计、友盟是常见的网站流量分析工具，Mixpanel、Heap、GrowingIO属于用户行为数据分析工具，较前者功能更加丰富、分析更细致。

（三）资源层面

运营入门数据分析，并不需要学习多么复杂的数学知识理论，更多的是将业务操作和数据分析结合起来。我这里推荐两个网站和两本书，希望有帮助。

数据分析网（http://www.afenxi.com/ ）：覆盖统计理论、数据分析方法、业务分析等内容。

GrowingIO博客（https://blog.growingio.com/ ）：GrowingIO数据分析、增长实践等内容。

《谁说菜鸟不会数据分析》：数据分析入门知识汇总。

《精益数据分析》：从精益创业的角度，诠释业务增长的分析方法和前言案例。