Episode 11 运营数据的一二三
谈完了内容运营、活动运营、用户运营的基础知识，我们来聊聊运营数据的一些事儿。
不管是做产品还是做运营，在日常工作中，我们最常听见的就是：“看数据！”
是的，产品是否成功，看数据，运营是否靠谱，看数据。那什么是数据，看什么数据？
很多人说“数据会说话”，也有人说“数据会说谎”。数据究竟会不会说话，说什么话，是真话还是假话，取决于数据的选择和分析的方式。
首先，我们要明白一个核心观点：运营数据分析本身不在于数据，而在于分析。或者说，任何一类数据分析的关键点都在于分析，而不在数据本身。
然后，我们要认识到一个前提：数据分析的能力是渐进的，对数据的敏感度是需要培养的。
最后，我们要懂得一个道理：数据表达出的涵义与多种因素相关，尝试学习运营数据分析之前，要尽可能的抛开预设立场，而同时，各个阶段的不同类别数据的重要性是变化的。
先问一个问题：所有网站的PV、UV、转化率都是核心指标么？
答案是，不。
因为题目的背景不清晰，转化率的定义不明确。对于不同的网站或产品，在不同的时间阶段的核心指标是不同的。
网站或产品建立的初期，流量指标很关键，但是它不仅仅是UV\PV、停留时间之类的增长，更重要的是，流量来源于何处，流量到来之后浏览了哪些页面，做了什么操作，在哪里蹦失。
到了持续运营阶段，单一的流量指标已经意义不大（并非没有意义），而更重要的是用户的留存、活跃指标，甚至是付费用户的规模。在这个阶段，依然重要的是需要跟踪所有流量来源的渠道质量，需要强化的是用户行为的分析，要拆分出各种维度、各种路径的留存、活跃、转化的情况，用户的兴趣点，用户的成长模型，等等。
到了成熟期，需要关注用户流失的速度、分析流失的原因，对依然留存与活跃的用户给予重点的关注。数据分析此时的意义，是延续网站或产品的生命周期，是持续为存量用户提供优质的服务。
到了衰退期，就要做好数据的保存工作，如果网站或者产品要结束运营，要提前做好各种准备和通知。
我并不打算就数据分析的方法进行展开，因为话题太大了，我自认没有能力说清楚。所以这里着重的说一些关于数据使用、数据分析的误区和数据说谎的手法。至于如何运用，全凭各位自己的判断。
1、数据使用的方法
1）掌握历史数据
对于运营人员来说，熟悉、掌握网站或者产品的历史数据非常关键。数据的维度越全面，对网站或产品的生命周期，乃至用户的生命周期就会越清晰。
2）从历史数据中归纳规律
历史数据从来不是拿来看的，而是用来分析的，分析其中的规律，在什么节点数据上升，什么节点数据下降，找出原因，形成经验，对运营人员的工作来说至关重要。
3）通过规律反向进行数据预测
掌握了规律，就具备了做数据预测的基础，过往3年，国庆节期间，网站的流量都会有明显提升，那么今年的国庆节期间，基本也是一样，这时候运营人员是不是就应该提前做一些规划了呢？
4）学会对数据进行拆解
数据量越大、维度越多，越需要拆解，有按照时间的拆解，有按照相关性的拆解，运营人员懂得拆解数据，意味着有能力把控运营的节奏。这是需要我们每个从事运营工作的同学注意的地方。
2、运营数据分析的误区
1）不要用单一类型的数据去评价全局
举个例子。
问：这是支付宝2014年4月到6月Alexa统计的日平均访问人数的走势，我们可以通过这个数据认为支付宝的活跃用户在减少么？
答案是：不能。因为Alexa只统计Web端，支付宝移动端的活跃用户是否在增加呢？我们并不能从这个数据中得到答案。
2）不要夸大偶然事件，认为带来必然结果
对于运营来说，我们经常会发现一个活动上线之后，对运营数据产生了很大的帮助，但是，这是一个偶然事件，如果你认为这样的活动形式必然对数据有所帮助，你需要更多的数据来佐证它，并且适时的将这种活动转化为机制，因为它真的有效。
3）避免用结论推导原因
运营人员很容易犯的数据分析的错误是，发现数据增长了，然后去找各种对数据增长可能有帮助的事件，并且将数据增长的原因归功于这些事件。
发现数据增长，或者下降，希望找出原因，最好的方式是，再现一次。
4）避免唯数据论
数据既可以说明问题，也可能遮蔽视线。数据并不能解决所有问题，它能给你的是一个参考，而不是一个结论。
3、运营数据说谎的手法
想要运营数据说谎，其实很简单，简单的举出几种。比如：
1）拉伸图表
相同的数据，不同的趋势感受。你体会到了么？
2）修改坐标轴数据
感受一下设置“对数刻度”的作法。
3）故意选择有利的样本
比如，我们之前说过流失用户挽回，那么假设有一个B2C网站需要做流失用户挽回活动，选择样本为“半年内未购物”和“半年内未购物但有登录”这两种，问，针对哪个样本选型用户的流失挽回活动效果会更好？
答案是后者，根本不用去想。为什么？第一个选型样本里包涵了 有登录 和 无登录 两种，显然挽回流失的难度上，对半年都没有登录的用户进行挽回要比对半年内有过登录但是没有购物的用户要难的多。
4）样本规模差异
产品的运营上，我们经常需要做一些A/B测试来验证某个功能或者某个设计更好，这个时候，最容易犯的错误，也是最容易带来数据说谎结果的情况就是，样本规模有差异，比如，A类选型选择了100个用户，而B类选择了1000个用户，不管我们最终选择绝对值，还是比例，其结果都会带来巨大的误差。
