數據分析在運營工作中無處不在，無論是活動覆盤、專題報告、項目優化，還是求職面試，數據分析都有一席之地。
對於數據分析，我發現很多運營都有這樣一些困惑：
- 不知道從哪裡獲取數據；
- 不知道用什麼樣的工具；
- 不清楚分析的方法論和框架；
- 大部分的數據分析流於形式；
- ……
其實，數據分析並沒有大家想象的那麼難！接觸了很多數據從業者，總結了這篇文章，希望對有志於學習數據分析的運營同學有所幫助。
一、概念：數據和數據分析
其實大家一直都在接觸數據和數據分析，但是對於兩者具體的定義又很難說清楚。我曾經做過一個調查，問一些運營同學，下面5個選項哪些屬於“數據”概念的範圍。
大部分人都知道把“4.報表”選上，但是很難有人會認為上面5個選項都是。其實這反映了一個很普遍的現象：很多人都會先入為主，認為數據就是各種表格、各種數字，例如excel報表、各種數據庫。其實這是一個錯誤或者說有偏差的認識，它會使得我們對數據的認識變得很狹隘。
（一）什麼是數據
數據（data）是描述事物的符號記錄，是構成信息或者知識的原始材料。這種哲學層次的定義，讓數據的範圍極大豐富，也符合目前“大數據”發展的需要。試想一下，現在很多搜索引擎做的 “圖片識別”、“音頻識別” 難道不是數據分析的一部分嗎？
作為一名互聯網企業的運營從業者，我們接觸到的數據可能沒有那麼複雜，但是也有很多類別。
從數據的來源來看，可以分為企業外部數據和內部數據。外部數據主要包括社會人口、宏觀經濟、新聞輿情和市場調研數據；內部數據包括用戶行為數據、服務端日誌數據、CRM與交易數據。不同數據的獲取途徑、分析方法、分析目的都不經相同，不同行業、不同企業在實際分析中也都各有偏好。
那麼我們常見的“信息”和“數據”有何不同？
數據是信息的載體和表現形式；信息是數據的內涵，信息加載於數據之上。以書本和知識為例，書本屬於數據概念範疇，知識屬於信息概念範疇；書本是知識的一種載體和表現形式，知識是書本的內涵和昇華。
（二）什麼是數據分析
數據分析是指從數據中提取有用的信息，並指導實踐。
這裡有兩個點需要注意：首先，我們需要提取的是有用的信息，而不是自嗨；其次，這些信息需要用來指導實踐，而不是流於形式。
二、思路：方法論和方法
很多新人入門數據分析的時候，要麼鬍子眉毛一把抓，要麼無從下手。這都是缺少分析思路的表現，需要宏觀的方法論和微觀的方法來指導。
那麼方法論和方法有什麼區別？
方法論是從宏觀角度出發，從管理和業務的角度提出的分析框架，指導我們接下來具體分析的方向。方法是微觀的概念，是指我們在具體分析過程中使用的方法。
（一）方法論
數據分析的方法論很多，這裡我給大家介紹一些常見的框架。
- PEST分析法：從政治（Politics）、經濟（Economy）、社會（Society）、技術（Technology）四個方面分析內外環境，適用於宏觀分析。
- SWOT分析法：從優勢（Strength）、劣勢（Weakness）、機遇（Opportunity）、威脅（Threat）四個方面分析內外環境，適用於宏觀分析。
- 5W2H分析法：從Why、When、Where、What、Who、How、How much 7個常見的維度分析問題。
- 4P理論：經典營銷理論，認為產品（Product）、價格（Price）、渠道（Place）和促銷（Promote）是影響市場的重要因素。
- AARRR：增長黑客的海盜法則，精益創業的重要框架，從獲取（Acquisition）、激活（Activition）、留存（Retention）、變現（Revenue）和推薦（Referral）5個環節增長增長。
數據分析的方法論很多，這裡不能一一列舉；沒有最好的方法論，只有最合適的。下面我詳細介紹一下 AARRR 方法論，對於精益化運營、業務增長的問題，這個方法論非常契合。
對於互聯網產品而言，用戶具有明顯的生命週期特徵，我以一個O2O行業的APP為例闡述一下。
首先通過各種線上、線下的渠道獲取新用戶，下載安裝APP。安裝完APP後，通過運營手段激活用戶；比如說首單免費、代金券、紅包等方式。通過一系列的運營使部分用戶留存下來，並且給企業帶營收。在這個過程中，如果用戶覺得這個產品不錯，可能推薦給身邊的人；或者通過紅包等激勵手段鼓勵分享到朋友圈等等。
需要注意的是，這5個環節並不是完全按照上面順序來的；運營可以根據業務需要靈活應用。
AARRR的五個環節都可以通過數據指標來衡量與分析，從而實現精益化運營的目的；每個環節的提升都可以有效增長業務。我們下面的分析也是圍繞這個方法論展開的。
（二）方法
根據運營工作的實際需要，在參考了 GrowingIO 陳明的文章《一名優秀的數據分析師是怎樣煉成的》基礎上，我整理了7種分析方法。藉助常見的網站/APP數據分析產品，我們非常快速的完成這7種分析。
1.趨勢分析
趨勢分析是最簡單、最基礎，也是最常見的數據監測與數據分析方法。通常我們在數據分析產品中建立一張數據指標的線圖或者柱狀圖，然後持續觀察，重點關注異常值。
在這個過程中，我們要選定第一關鍵指標（OMTM，One Metric That Metter），而不要被虛榮指標（Vanity Metrics ）所迷惑。
以社交類APP為例，如果我們將下載量作為第一關鍵指標，可能就會走偏；因為用戶下載APP並不代表他使用了你的產品。在這種情況下，建議將DAU（Daily Active Users，日活躍用戶）作為第一關鍵指標，而且是啟動並且執行了某個操作的用戶才能算上去；這樣的指標才有實際意義，運營人員要核心關注這類指標。
2.多維分解
多維分解是指從業務需求出發，將指標從多個維度進行拆分；這裡的維度包括但不限於瀏覽器、訪問來源、操作系統、廣告內容等等。
為什麼需要進行多維拆解？有時候一個非常籠統或者最終的指標你是看不出什麼問題來的，但是進行拆分之後，很多細節問題就會浮現出來。
舉個例子，某網站的跳出率是0.47、平均訪問深度是4.39、平均訪問時長是0.55分鐘。如果你要提升用戶的參與度，顯然這樣的數據會讓你無從下手；但是你對這些指標進行拆解之後就會發現很多思路。
下面展示的是一個產品在不同操作系統下的用戶參與度指標數據。
仔細觀察的話，你會發現移動端平臺（Android、Windows Phone、IOS）的用戶參與度極差，表現在跳出率極高、訪問深度和平均訪問時長很低。這樣的話你就會發現問題，是不是我們的產品在移動端上沒有做優化導致用戶體驗不好？在這樣一個移動互聯網時代，這是非常重要的一個問題。
3.用戶分群
用戶分群主要有兩種分法：維度和行為組合。第一種根據用戶的維度進行分群，比如從地區維度分，有北京、上海、廣州、杭州等地的用戶；從用戶登錄平臺進行分群，有PC端、平板端和手機移動端用戶。第二種根據用戶行為組合進行分群，比如說每週在社區簽到3次的用戶與每週在社區簽到少於3次的用戶的區別，這個具體的我會在後面的留存分析中介紹。
4.用戶細查
正如前面所說的，用戶行為數據也是數據的一種，觀察用戶在你產品內的行為路徑是一種非常直觀的分析方法。在用戶分群的基礎上，一般抽取3-5個用戶進行細查，即可覆蓋分群用戶大部分行為規律。
我們以一個產品的註冊流程為例：
用戶經歷瞭如下的操作流程：【訪問官網】-【點擊註冊】-【輸入號碼】-【獲取驗證碼】。本來是非常流暢的一個環節，但是卻發現一個用戶連續點擊了3次【獲取驗證碼】然後放棄提交。這就奇怪了，用戶為什麼會多次點擊驗證碼呢？
這個時候我建議您去親自體驗一下您的產品，走一遍註冊流程。你會發現，點擊【獲取驗證碼】後，經常遲遲收不到驗證碼；然後你又會不斷點擊【獲取驗證碼】，所以就出現了上面的情況。
絕大多數產品都或多或少存在一些反人類的設計或者BUG，通過用戶細查可以很好地發現產品中存在的問題並且及時解決。
5.漏斗分析
漏斗是用於衡量轉化效率的工具，因為從開始到結束的模型類似一個漏斗，因而得名。漏斗分析要注意的兩個要點：第一，不但要看總體的轉化率，還要關注轉化過程每一步的轉化率；第二，漏斗分析也需要進行多維度拆解，拆解之後可能會發現不同維度下的轉化率也有很大差異。
某企業的註冊流程採用郵箱方式，註冊轉化率一直很低，才27%；通過漏斗分析發現，主要流失在【提交驗證碼】的環節。
經過了解發現，郵箱驗證非常容易出現註冊郵箱收不到郵件的情況，原因包括郵件代理商被屏蔽、郵件含有敏感字被歸入垃圾郵箱、郵件送達時間過長等等。既然這麼多不可控因素影響註冊轉化率，那就換一種驗證方式。換成短信驗證後，總體轉化率提升到了43%，這是非常大的一個增長。
6.留存分析
留存，顧名思義就是新用戶留下來持續使用產品的含義。衡量留存的常見指標有：次日留存率、7日留存率、30日留存率等等。我們可以從兩個方面去分析留存，一個是新用戶的留存率，另一個是產品功能的留存。
第一個案例：以社區網站為例，“每週簽到3次”的用戶留存率明顯高於“每週簽到少於3次”的用戶。簽到這一功能在無形中提升了社區的用戶的粘性和留存率，這也是很多社群或者社區主推這個功能的原因。
第二個案例：首次註冊微博，微博會向你推薦關注10個大V；首次註冊LinkedIn，LinkedIn會向你推薦5個同事；申請信用卡時，髮卡方會說信用卡消費滿4筆即可抽取【無人機】大獎；很多社交產品規定，每週簽到5次，用戶可以獲得雙重積分或者虛擬貨幣。
在這裡面“關注10個大V”、“關注5個同事”、“消費4筆”、“簽到5次”就是我想說的Magic Number，這些數字都是通過長期的數據分析或者機器學習的方式發現的。實踐證明，符合這些特徵的用戶留存度是最高的；運營人員需要不斷去push，激勵用戶達到這個標準，從而提升留存率。
7.A/B測試與A/A測試
A/B測試是為了達到一個目標，採取了兩套方案，一組用戶採用A方案，一組用戶採用B方案。通過實驗觀察兩組方案的數據效果，判斷兩組方案的好壞。在A/B測試方面，谷歌是不遺餘力地嘗試；對於搜索結果的顯示，谷歌會制定多種不同的方案（包括文案標題，字體大小，顏色等等），不斷來優化搜索結果中廣告的點擊率。
這裡需要注意的一點，A/B測試之前最好有A/A測試或者類似準備。什麼是A/A測試？A/A測試是評估兩個實驗組是否是處於相同的水平，這樣A/B測試才有意義。其實這和學校裡面的控制變量法、實驗組與對照組、雙盲試驗本質一樣的。
三、流程：宏觀、中觀和微觀
（一）宏觀
1.中國古代樸素的分析哲學
其實數據分析自古有之，中國古代很多名人從事的其實就是數據分析的工作；他們的名稱可能不是數據分析師，更多的是“丞相”、“軍師”、“謀士”，如張良、管仲、蕭何、孫斌、鬼谷子、諸葛亮。
他們通過 “歷史統計”-“經驗總結”-“預測未來” 為自己的組織創造了極大的價值，這是中國古代樸素的分析哲學的重要內容。
2.精益創業的MVP理念
風靡硅谷的精益創業，它推崇MVP（最簡化可行產品）的理念，通過小步快跑的方式來不斷優化產品、增長用戶。
在運營工作中，我們要大膽嘗試，將想法轉化成產品和運營方法。然後分析其中的數據，衡量產品或者運營的效果。如果好的話保持並大力推廣，如果不好的話總結問題及時改進。在“構建-“衡量”-“學習”的不斷循環中逐漸優化，這個流程是非常適合運營工作的。
（二）中觀
《誰說菜鳥不會數據分析》書中介紹了更為具體的分析流程：1.明確分析目的和思路 →2.數據收集 →3.數據處理 →4.數據分析 →5.數據展現 →6.報告撰寫。
這個流程只是從“數據”的角度闡述了前後的流程，並未結合業務實際；而且它將數據分析的落腳點定位於“報告撰寫”是具有誤導性的，因為數據分析的最終目的是為了指導實踐，而不是寫一份報告。
但是這個流程仍具有參考價值，尤其是 “明確分析目的和思路” 對於新手入門具有一定的指導意義。
（三）微觀
下面介紹的是一個非常詳細的分析流程，藉助於一定的分析工具，我們可以按照這個思路對您的網站/APP進行細緻入微的分析。
這是GrowingIO商務分析師檀潤洋在《提高用戶留存，產品、市場和運營都有哪些方法》中介紹的流程，我認為適用於大部分的運營數據分析。
它的前提是用數據分析工具做好數據採集和監控工作，把精力集中在業務分析上。
這個流程的核心是“MVP”的理念，“發現問題”-“設計實驗”-“分析結果”，通過數據來不斷優化產品和運營。
四、應用：體系和分析
（一）案例1：搭建數據分析體系
小張今年剛畢業，在某公司從事新媒體工作，負責微信的日常運營。小張並不清楚微信運營的核心目的，嘗試了很多方法，原創、翻譯、改寫了很多文章發佈在微信上，但是閱讀量時高時低，總體一般。
經理讓小張想辦法改進一下微信運營，提高微信的粉絲數和閱讀數；但是張三毫無頭緒，無從下手。
這是很多運營真實的寫照，瑣碎的工作容易讓人忘記思考，這很可能就發生在你我的身邊。
我們從數據分析的角度對這個案例進行了診斷，總結了小張存在的這些問題：
- 不清楚自己需要關注哪些核心指標；
- 不清楚目標用戶的特徵（用戶屬性、用戶畫像等）；
- 對自己過往工作缺乏系統分析（數據採集、監測和分析）。
從業務增長的角度出發，我給小張量身定做了一套數據分析體系，配合其內容工作的開展。
第一點，內容定位。
運營需要明確知道自己的目標或者KPI，然後選擇一個核心關鍵指標（OMTM）進行監測。如果是創業公司，初期可能需要拉新，那麼核心指標是註冊用戶數或者新訪問用戶數。如果是資訊媒體，注重影響力和覆蓋面，那麼核心指標應該是微信閱讀數或者網頁PV。
第二點，用戶畫像。
無論是哪一種運營崗位，都需要明確知道自己的（目標）用戶是那些人？這些人都有哪些特徵，他們的關注點和痛點是什麼？如果你的用戶是產品經理，那麼可以嘗試爬蟲抓取產品經理網站上有關的問題，然後做文本分析：這是定量層面的分析。
同時，通過調查訪問和問卷調研，獲取更加深入的用戶特徵信息：這是從定性層面的分析。
第三點，持續監測。
藉助數據分析工具，對核心關鍵指標（OMTM）進行持續監測。對於指標異常情況，我們需要及時分析和改進。
第四點，數據分析。
統計和分析過往內容的數據，找出哪些內容、哪些標題、哪些形式、哪些渠道的效果更好，然後朝這方面不斷優化。
案例2：分析業務核心指標
電子郵件營銷是現在很多企業仍在採用的營銷和運營方式，某互聯網金融企業通過EDM給新用戶（有郵件地址但是未註冊用戶）發送激活郵件。一直以來註冊轉化率維持在20%-30%之間，8月18日註冊轉化率暴跌，之後一直維持在10%左右。
這是一個非常嚴重的衰退，需要立即排查原因。EDM渠道註冊轉化率涉及到太多的因素，需要一個一個排查，數據分析師幫運營羅列了可能的原因：
技術原因
ETL（數據抽取、轉化、載入）出現問題，導致後端數據沒有及時呈現在BI報表中；
宏觀原因
季節性因素（節假日等），其餘郵件衝擊（其餘部門也給用戶發郵件稀釋了用戶的注意力）；
微觀原因
郵件的標題、文案、排版設計，CTA設計，註冊流程設計。
一個簡單的業務指標，會影響到它的因素可能是多種多樣的，所以我們需要對可能涉及到的因素進行精細化衡量才能不斷優化。最後發現，產品經理在註冊環節添加了『綁定信用卡』，導致註冊轉化率大幅度下降。
五、學習：業務、工具和資源
（一）業務層面
數據分析並沒有想象中的高不可及，掌握好相應的概念、思路、流程，運營都可以做好數據分析。這裡要著重強調一點，數據分析的目的是指導業務實踐；脫離實踐的數據分析、為分析而分析的數據分析都是在耍流氓。
不同於職業的數據分析師和數據科學家，運營人員做好數據分析的前提是嫻熟的業務理解。從業務的角度來說，數據不是數字，它是用戶的心聲。運營人員要從數據中發現問題，不斷優化，提升用戶體驗、為用戶創造更多的價值。
（二）工具層面
磨刀不誤砍柴工，做好數據分析工具必不可少。我彙總了下面幾種工具，運營可以結合自己的實際需要採用。
Excel 是最常見、最基礎的數據分析工具，Excel 裡面的圖表、函數、透視表能滿足大家基本的需求。Access 是微軟 office 系列套裝的一部分，是一種小型的關係數據庫；當excel數據量很大、表格之間各種關聯、查詢、更新頻繁的時候，Access就是一種非常不錯的選擇。
Python是一種高級的編程語言，近年來發展很快，它可以用來做數據分析、編程或爬蟲；R語言是一種數據分析工具，在統計學中廣泛使用。目前，Python被廣泛用來編寫爬蟲程序，獲取網上的信息，這是對運營人員非常有幫助的。
Google Analytics、百度統計、友盟是常見的網站流量分析工具，Mixpanel、Heap、GrowingIO屬於用戶行為數據分析工具，較前者功能更加豐富、分析更細緻。
（三）資源層面
運營入門數據分析，並不需要學習多麼複雜的數學知識理論，更多的是將業務操作和數據分析結合起來。我這裡推薦兩個網站和兩本書，希望有幫助。
- 數據分析網：覆蓋統計理論、數據分析方法、業務分析等內容。
- GrowingIO博客：GrowingIO數據分析、增長實踐等內容。
- 《誰說菜鳥不會數據分析》：數據分析入門知識彙總。
- 《精益數據分析》：從精益創業的角度，詮釋業務增長的分析方法和前言案例。
