1、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。
2、数据分析的能力是渐进的，对数据的敏感度是需要培养的。
3、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。
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。
误区：
1）不要用单一类型的数据去评价全局
2）不要夸大偶然事件，认为带来必然结果
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
怎样读懂数据？
读懂数据的关键是读懂数据背后的人
1、抛弃预设立场。
分析数据的第一步是要抛弃预设的立场，就是不要试图先定义数据展现的意义是什么，只先研究数据的波动，和波动的节点。通过这一步去确立后面要研究哪些相关事件，用户行为还是系统事件。
2、深挖用户行为与系统事件。
定位完成后，就要去挖掘对应时间节点的相关事件，包括了系统事件（版本升级、服务器错误等）和用户行为（时间节点前后一段时间相关联用户的持续行为）。
通过这一步去找出可能造成影响的动作和事件。
3、尝试换位思考。
接下来，不管定位原因在系统还是用户，都需要换位思考，如果运营人员是用户，在对应的时间节点和对应的事件行为发生时，有什么样的感知、反馈。 模拟可能的状态。
通过这一步进一步去了解数据变化的原因，并对后续整合数据，产生后续操作进行思考。
4、整合关键数据。
前面的动作完成之后，就可以整合关键数据，必要时要去比对历史数据，然后得出结论：
1）造成数据变化的原因究竟是什么？
2）有什么办法可以改善或者促进数据的变化？
3）获得经验，下次有类似情况的时候，应该进行何种处置与预案。
在这里最重要的是，要整合所有路径的数据，串起所有的流程去看对应的行为，孤立的一个数据不说明任何问题。
