纵使我们拿到了很多有用的数据，但如果不会使用的话，一样发挥不出数据的作用。如何把数据在有效的场景中使用好，并且用合理的分析方法进行有效分析，就是一件非常重要的事情了。
在上一篇中，我们已经把我们要的数据指标给搭建出来，也就是把第一步数据规划的工作完成了。大家可回顾我们上一篇中说的，我们说过在我们的运营过程中首选必须要知道：
我们要收集哪些数据；
每个数据背后意味着运营的什么情况。
现在数据指标已经有了，那么这一篇我们就要重点说一说，它们都代表着一些什么问题，它们的使用场景都有哪些，我们应该如何去分析并且使用了。
虽然数据看上去极其的繁多，大家在工作中使用起来貌似也非常的繁琐，其实，在我们的数据运营中，数据的使用场景也无非就是三大类，那就是：监测、预测、检测。这也是数据使用的三测。
我们来分别说一下这三测。
当使用数据之前，也有一个必要的一步，就是“获取数据“。这个在上一篇中也有介绍，获取数据主要就通过埋点的技术来获取。一般我们有两种方法：自己开发和第三方工具。
如果是自己开发的话，就需要我们把规划好的数据，提供给产品或技术人员，看过我们前一篇的同学知道，应该尽可能的提供给他们原始数据。让他们在相应的页面中加入统计代码，并在后台管理系统中加入我们需要的一些功能并最终获取我们希望得到的加工数据。我们提供的原始数据越精准，那么产品和技术的工作效率也会越高。
如果是第三方的工具（如百度统计、谷歌统计、友盟等），只需要把第三方提供的代码放入我们的页面代码中，即可直接使用工具提供的后台，不需要自行开发。目前市场上还有一些无需埋点的分析工具，大家也可以去尝试使用一下。
不过，大家需要明白的是，工具只是工具，它只是让我们的数据运营工作变的更有效率而已。我们首先要知道的是数据运营背后的逻辑，逻辑清楚了，哪怕只有一张纸一支笔，一样可以发挥很大的作用。
我们继续说我们的三测：
监测是什么，监测是长时间的对某一个数据进行实时监控，以时刻知道它的变化。
预测是什么，预测是利用好当前的数据并使用好合理的方法，来预测它的未来。
检测是什么，检测是利用合理的手段，去针对某人某个产品或某个事件，判断它的好坏。
所以，监测是看过去、看现在；预测是看未来；检测是看好坏。
一、监测
当我们把前期的数据规划工作做完之后，那么监测的工作就很容易了。首选我们选定好我们要监测的数据，这里以用户量做例子：
我们可以实时的看即时数据：
我们还可以以时间维度最对比，来看一段时间内的数据：
我们还可以看用户的分布情况：
一般不管是自己开发的后台或者第三方的分析工具，都有各种各样展现数据的图标方式。其实用哪种图标展示方式看不重要，要知道为什么要看，并且可以解读，才是最重要的。
在我们实际工作中，经常会用来监测的数据，大多是一些直观的数据，比如：用户量，日活量，订单数、交易金额等等，把这些数据用图表的方式全部整在一个页面里 ，即形成了我们的DashBoard（数据看板），这也是老板最喜欢看的：）。类似下图：
二、预测
预测在我们的运营工作中也是非常重要。比如说要做工作计划了、做一个活动的可行性分析、制定业绩指标、会见投资人啊等等。预测最简单的办法，就是根据时间把一个数据的趋势图列出来，如下：
然后根据我们希望预测的那个时间点，去估计一下即可。
当然，有条件的话，我们还可以再精准一点，我们可以通过维度拆分->取样->估测->叠加这四步去实现，举个例子，我们想预测一些下个月的用户增长量：
把用户增长量进行维度拆分，分成自然增长量和事件增长量。所谓事件增长量就是我们通过一些临时的活动之类获取的额外的用户量。
然后我们对自然增长量进行取样，取出过去几个月或者同月份的自然增长量进行样本分析，然后我们可以取平均值，或者去掉最高最低的两个数据后再取平均值。
同时我们再对事件增长量进行取样，取出过去做的一些活动的数据进行样本分析，得到一个事件增长量的数值，再结合我们计划下个月要做的活动，估算出下个月的事件增长量。
最后把两个维度相加，得到我们预测的下个月的用户增长量了。
以上这个简单的预测四步法，在我们的工作中也是经常会使用到，这个是作为运营必须要掌握的一个技能了，当然如果需要一些更精准的大数据挖掘和大数据预测，就要依赖人工智能和机器学习等更高科技的技术了。
上面说的是如何用过去和现在的数据来预测未来的数据，不过，预测还有一个非常重要的使用场景，就是：“如何用过去和现在的数据，来预测未来的用户行为”这也是我们常说的用户行为分析，我们可以通过以下办法：
（1）找出经常做出此用户行为的用户属性。比如我们要预测某用户是否会买我们的产品A，那么我们会先把以前所有买过我们的用户数据梳理一下，如性别、年龄、地区、职业等。
（2）找出这个用户行为的前置行为。比如在淘宝上用户购买产品A的这个行为，会存在几个前置行为：如产品页面停留时间、是否加入购物车、是否收藏、是否咨询等。
（3）找出这个用户行为的关联行为。比如A是茶叶、B是茶具，比如购买产品A这个行为，会关联购买B这个行为。那么是否购买过B这个数据也是我们用来预测的数据。
（4）然后把上面的用户属性、是否行为、行为的次数等都设置成一个个变量，并记录好这些变量的数据。通过用户的实际数据和那些变量的数据，来预测用户会购买我们产品A的概率。
这个其实在我们的生活中已经很常见了，比如根据我们的一些搜索行为，浏览行为，咨询行为等，百度就会定向的进行精准广告推送，今日头条会推给你喜欢的新闻话题，天猫淘宝会推给你感兴趣的物品。相信随着科技的进步，数据对用户行为的预测也会越来越精准。
那大家可能会有疑惑，如果我们实际工作中，特别是在一些传统企业里，没有这样的技术能够支撑，那怎么办呢？其实也没什么，我们把上面说的那些变量设置的少一点，抓住几个核心的就行了。虽然精度没有那么准，但是效果还是有的。
以上是从微观数据的角度来说的，那如果从宏观层面来说说如何预测用户的行为呢，其实世间万物都讲究平衡、此消彼长，同时也是相互滋生、相互制约的。我们网购的时间多了，逛街的行为就少了；我们开车的时间多了，走路的行为就少了；我们工作的时间少了，娱乐的行为就多了；我们玩PC的时间少了，玩手机的行为就多了。……在宏观层面的行为增多，在我们互联网行业里，一般称之为“风口”。
同样，在我们的运营过程中，只要我们把拉新的数据做好了，留存的行为就会越来越多；留存的数据做好了，活跃的行为就会越来越多；活跃的数据做好了，转化的行为就会越来越多；转化的数据做好了有钱了，提升产品质量的行为就会越来越多；产品的质量做好了，拉新的行为就会越来越多；这大体也是周易中常说的，“阴阳”和“五行”吧。
三、检测
检测，应该是我们在运营过程中运用最多的一个使用场景了。就像上面说的，检测就是告诉我们什么是好，什么是坏？
那在运营过程中，我们到底应该检测一些什么东西呢？大家还记得我们结构篇说的么，运营的基础结构只有三样东西：人（用户）、货（产品）、场景（展现或交易的方式），这就是我们要检测的东西。
大家都知道，我们所有人都生活在一个三维的世界里，加上时间维度就是四维空间。
同样，在我们的运营世界里，用户、产品、展现或交易的场景组成的就是一个三维空间；
如果我们只看其中的一项，那就是一个二维空间；
如果把其中的一项再继续拆分，只看其中的某个点，那就是一维空间；
把所有的东西加上时间，那就是四维空间。
要检测一个数据的好坏，最好的办法有两个：同维度的比较和向下维度的拆解。
1、同维度的比较
同维度比较就是指在我们要对一个事物进行检测的时候，尽可能的把其他事物保持在同一水平，仅通过这一事物的不同而最后产生的结果的不同，进行判断。
比如：我们在实际工作中，经常会碰到以下情况：
做了A、B两次内容，我们想知道哪次内容的效果更好一点？
做了A、B两场活动，我们想知道哪次活动的用户反应更强烈一点？
找了A、B两个渠道，我们想知道哪个渠道带来的用户质量更高一点？
有A这个竞品，我们想知道这个竞品对比我们的优劣势分别是什么？
……
针对以上这种对比，一般我们采用趋势线对比法和左右条形对比法，我们举一个渠道检测的例子：
1）首选我们拿到了A、B两个渠道在同一时间内的留存数量。
2）我们根据以上的数据，做出下面的趋势线对比图。
3）从上述趋势图中我们可以看出，在这段时间中渠道B的的质量要略优于A。
我们再举一个竞品分析的例子：
做竞品分析的难度不在于分析本身，而在于竞品数据的获取，特别是一些内部运营数据，基本上是不大可能拿得到了。通常我们可以搜集竞品在市场上能采集到的外部数据，做成左右条形对比图来进行分析。
比如，通过数据采集，我们得到了竞品A在过去三个月内的以下数据：在20个渠道做过广告，收费渠道有5个，发出过50次微信图文，浏览量共计约8万，新闻发布过4条，活动做过3场，推出了2款新付费产品，下架了1款老产品，App产品迭代过7次，新增了4个功能，等等 ……
以上这些信息市场类的数据一般可以通过舆情监控的第三方工具去获取，而产品类的就需要我们在工作中去留意了。然后我们根据我们的数据做出了以下图：
而通过这张左右条形对比图，我们一眼就可以发现我们和竞品之间的一些差距和优劣势了。
2、向下维度的拆解
这种分析方法，一般用于我们没有什么东西可以去对比的情况下，我们只知道某样东西好或是不好，但不清楚其具体造成的原因。这时，我们就需要用不断往下进行维度拆解的方式，直至找到其真正的原因。这种时候一般我们可以采用漏斗分析图法。
举个例子：我们做了一场拉新活动A，这次活动的目的是拉新用户下载App并进行用户注册，但在渠道很稳定的情况下，这次活动的拉新效果并没有想象中好，我们现在要想办法检测其原因。
看过我们前面结构篇的同学，应该还记得活动的流程结构，然后我们根据活动的流程结构和落地的产品页，选出了以下几个数据节点：
活动：活动前、预热、正式活动、余热、活动后
产品：引导页、注册页、注册成功页
我们采集数据之后，得到了以下漏斗分析图：
我们发现在活动的时候，在前期表现非常不错，但在余热期间出现了明显的滑坡，只有15%的下载转化；而在注册的时候，引导页的转化也不是非常理想，只有50%。所以通过这两张漏斗图，我们可以发现，很有可能是我们活动的预热部分以及用户注册的引导页上面出现了问题。
以上的例子都相对比较简单，在实际工作中可能会繁琐的多，但只要我们掌握了使用的场景和分析的方法，那么只是做的更精细化一点，本质上是一样的。
到这里，我们关于数据使用的检测也说完了，通过数据运营检测的四维空间，我们可以发现以下结论：
（1）维度越低、检测越容易
这就好比老板和你说，“检测一下今年为什么没赚钱？”（四维空间）和“检测一下这个按钮怎么没人点？”（一维空间），这两件事情的难度是完全不一样的，但同时也说明了，数据规划的时候，把维度拆分的越低，对日后工作的帮助也越大。
（2）高维度的检测就要向低维度去拆分
如果找不到一个同维度的比较的话，就只能往低维度去拆分。
（3）检测的方法就是先往下拆分，再左右比较
当你拆分到一个有一个同一维度的对标对象可以用比较法去比较的时候，或者明显发现其好坏的时候，你就不需要去拆分了。
（4）要判断检测结果的正确性，需要从低维度再回到高维度
我们最终的评判标准，还是要从低维度回到高维度上，并去查看高维度那些数据指标。
大家是不是对这个过程非常的熟悉，其实它的核心思维就是我们本系列文章的思维篇第一篇：《如何成为一个运营大牛-思维篇（一）：从上至下思考，从下至上执行》。
好了，到这里，我们把数据篇也已经说完了，我们在前面一篇也提过，数据是一个向下无极限的东西，所以我们这两篇只是把一些顶层的数据以及常见使用的场景和分析方法描述了一下。而数据中更多精细化的内容也有待大家在工作中去挖掘了。
小结
数据驱动了运营，掌握了数据就是掌握了运营的策略方向。但在实施运营策略的过程中，有没有什么事半功倍的方法呢？这些方法又会在什么样的阶段，起到什么样的作用呢？所以接下来就会进入我们的《方法篇》。大家都清楚，运营的一切都是围绕着用户的，所以关于用户方面的一些方法是最重要的，敬请关注方法篇的第一篇，如何成为一个运营大牛 —— 方法篇（一）：用户分层。
