怎么做好一个运营数据分析师（运营人员必备技能之一）

怎么做好一个运营数据分析师（运营人员必备技能之一）在运营层面，数据分析是指通过数据思维把业务问题，转化成不同类型数据指标，并运用一定的数据分析方法对业务进行分析，从而有效和系统的解决问题。数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，将它们加以汇总和理解并消化，以求最大化地开发数据的功能，发挥数据的作用。怎么做数据分析。正文部分：一、什么是数据分析？

相信做运营的小伙伴不论做承接什么需求，最终都离不开数据分析这个环节，旨在通过数据分析来发现问题和解决问题，从而最终驱动用户及业务的增长。数据分析作为运营小伙伴的必备技能，在用户增长中的拉新、激活、留存、转化、裂变AARRR模型中发挥着不可替代的作用。

本文要点：

什么是数据分析；

为什么要做数据分析；

怎么做数据分析。

正文部分：

一、什么是数据分析？

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，将它们加以汇总和理解并消化，以求最大化地开发数据的功能，发挥数据的作用。

在运营层面，数据分析是指通过数据思维把业务问题，转化成不同类型数据指标，并运用一定的数据分析方法对业务进行分析，从而有效和系统的解决问题。

二、为什么要做数据分析？

1、发现问题

发现问题是数据分析的第一层目的，其目的在于通过一定的数据呈现形式，挖掘和发现运营各个环节与业务增长各个模块的问题，将问题进行分类和汇总，即明确当前运营状况问题所在。

2、分析问题的原因

第二层目的是在发现问题后，需要梳理其出现当前结果的具体原因，且是以实际情况为依据的。发现的每一个问题，可能是业务层面的每个变动所致，也可能是产品层面的迭代所致，因此需要一一排查，得出一个实际有效的结论。

3、提出解决问题方案

当从发现问题，并找到了问题的具体原因后，数据分析第三个层面目的是提出解决问题的方案，解决问题是数据分析的最终目的。解决问题需要运用一定的数据分析工具及分析方法，并且有足够的数据源来支撑，将挖掘出来的问题，从业务、运营、产品等层面进行对接，找出最佳的解决方案。

三、怎么做数据分析？

第一步：建立指标库

1、拉新相关数据

①PV/UV：即访问量/独立访客，主要指PC端或移动端页面的浏览量或浏览人数，是图文和视频重要的监测数据，也是统计拉新效率的基础数据。

②粉丝量/关注量：指公域流量平台账号的绑定用户数量，如公众号粉丝数、头条号粉丝数、微博关注人数等，是评估流量的关键指标。

③预约量/进群量：指参与活动或参加社群的用户数量，是评估拉新活动的具体指标之一，可用于验证拉新活动的影响效果。

④下载量：主要指App的下载量，下载量越大，意味着获取的流量越多，后续的注册量、DAU等数据表现也会相对较好。

⑤注册量：无论是在网站还是App，已注册的用户才算有效的用户，注册量意味着某一产品拥有的属于自己的潜在流量（即留量），是产品增长的主要指标。

⑥新用户占比：指某一拉新时间段内，通过注册/关注/预约等行为新增的用户量占总用户量的比例，是评估拉新效率的关键指标。

⑦CAC：指每获取一个新用户（关注用户或注册用户）的花费，是拉新能力和某一渠道引流效果的重要衡量指标。其计算公式为某一渠道的总花费/该渠道获取的新用户数量。

2、留存相关数据

①DAU/MAU：即日活跃用户数/月活跃用户数，指一个产品实际的用户规模，也是用来评估公域平台流量规模的核心数据。

②日留存率：一般观测时间为次日、第7日和第14日。计算公式为（第x天新增用户在第n天登录过的人数）/（第x天新增用户数），例如第1天新增100人，第2天有20人登录，那么次日留存率是20（人）/100（人）=20%。

③周留存率：一般观测时间为次周、第3周和第4周。计算公式为（第x周新增用户在第n周登录过的人数）/（第x周新增用户数），例如第1周新增100人，到了第2周有15人登录，那么周留存率是15（人）/100（人）=15%

④月留存率：一般观测时间为次月、第3个月和第4个月。计算公式为（第x月新增用户在第n月登录过的人数）/（第x月新增用户数），例如第1月新增100人，第2个月有5人登录，那么月留存率是5（人）/100（人）=5%

3、转化相关数据

①付费用户数：即付费使用产品和服务的用户数量，是一个企业最核心的增长指标。付费用户数越多，意味着企业为用户创造的价值越多。

②付费率：某一活动期间付费人数占同时期拉新人数的比例，是评估产品转化能力的重要指标。其常用计算公式为某一时段的付费用户数/同一时段的活动参与人数。

③复购率：复购是已付费用户进行二次付费的行为，复购率越高，说明产品的口碑越好

。其常用计算公式为二次以上付费用户数（包含第二次）/第一次付费用户数。

④营收：付费用户创造的收入总和就是产品的营收，具体包含用户第一次付费后创造的收入和复购后创造的收入，周期往往以一个月、一个季度及半年或一年计。

⑤ARPU：指每个用户（往往指活跃用户）贡献的收入，是产品盈利能力的重要衡量指标，也用来检验某一渠道用户的质量。其常用计算公式为某一时期的总营收/某一时期的活跃用户数

⑥ROI：即投资回报率，对于运营和营销工作来说，指通过运营和营销活动创造的收入与投入的成本之间的比；如渠道投放。其常用计算公式为：ROI=通过投放创造的收入/投放金额×100%。

4、裂变相关数据

①分享率：指在裂变活动中成功分享活动的用户数占总参与用户数的比例。计算公式为分享成功用户数/总参与用户数。

②邀请率：指在裂变活动中，成功邀请到新用户的用户数占总参与用户数的比例。计算公式为邀请成功用户数/总参与用户数。邀请率比分享率更能体现裂变的效果。

③转介绍率：指通过裂变获得的新用户数占新用户总数的比例，是衡量裂变能力的核心指标之一。计算公式为裂变新用户数/新用户总数。

④“K因子”：又名“病毒系数”，是衡量裂变活动传播能力的核心指标，具体指一个用户发起的邀请所能带来的用户数。计算公式为用户发送邀请数×转化率。例如用户发送了10个邀请，转化率为30%，那“K因子”数值就是10×30%=0.3。

第二步：确定关键增长指标

关键增长指标是指能够代表用户或业务增长的核心指标，可以是一个，也可以是多个；一般在2-5个，过多的核心指标会过度分散运营团队的精力，也有可能造成顾此失彼的状况。关键增长指标一般会随着用户或业务增长周期的变化而变化，需要根据具体情况进行调整。

例如一个用户基数不大的企业针对渠道拉新，其核心指标是新增活跃用户数；但随着用户基数的不断增长，在形成规模并达到一定量级时，其核心指需要调整为新增用户留存数；同时在留存用户有一定量级时，付费用户数可能会替代原来的核心指标。

第三步：使用常用数据分析方法

1、业务公式法

业务公式也被称为业务杠杆，是对具体业务的数据化描述。适用于对关键指标的拆解，其能指导运营者借助运营手段提升其中一个或几个关键数据，从而达成目标。

不同业务的公式适用不同的场景，而同一业务不同环节的具体公式也是不同的。例如促活的目的是提升新用户留存率，那么促活的关键指标就是一段时间内的新用户留存率；再例如7日新用户留存率的具体业务公式是“7日新用户留存率=7日后活跃用户数/新用户总量”，所以只要通过做活动等策略提升7日后的活跃用户数量即可。

2、漏斗模型法

漏斗模型是另一个运用数据指导运营工作的工具，常用于分析运营活动，优化整体流程。对于任意运营环节来说，其数据结构基本都遵循漏斗的形状，数据量从头到尾层层递减。通过分析层与层之间的差异即计算各级转化率，我们可以找到具体的问题所在，然后采取对应措施，优化或弥补整体流程。

漏斗模型的应用场景，以信息流广告的投放为例：第一层数据是展示量、第二层数据是点击量、第三层数据是注册量、第四层数据是购买量；在对相邻数据层进行比率计算时，如果发现展示量和点击量的差距过大，那很有可能是因为文案没有切中用户痛点，即需要优化并准备多版文案进行测试，以此提升点击率。

漏斗模型只是一种数据分析思维，并不是所有数据模型都要呈现漏斗状；例如裂变活动从展示和点击到邀请、参与和报名，各环节的数据结构往往呈现哑铃状，但这并不影响我们用漏斗模型进行数据分析。

3、数据对比法

数据对比是一种非常有效的数据运营手段，能帮助我们从不同的角度发现问题的本质；数据对比的三种方式(以留存率为例)：

① 第一种方法：对比历史数据

即把当前留存率与历史留存率进行对比，这种对比方法的优点是能让运营者更直观地看清产品发展趋势，发现数据的异常情况，缺点是无法说明当前的留存率是否处于健康值。

即如果有一款App留存率一直较低，那么我们通过对比历史数据，也只能看到其发展趋势和异常，并不能为我们确定运营目标，更无法体现什么样的留存率于对其的整体发展来说是良性的。

② 第二种方法：对比行业数据

即将自有产品的留存率与行业内竞品的留存率进行对比，这种对比方法的优点是能让运营者明确自己与行业平均水平的差距，缺点是行业内其他产品的数据较难获得，且就算获得，也难以得知这些数据的统计口径。

如果能拿到较为精准的行业内竞品数据，就可以使用竞品分析法和头部分析法进行数据分析；在使用竞品分析法时，首先要确定竞品对象，通过对比日、周、月留存率，找到自身产品与竞品间的差距，然后再调研对方做了哪些运营动作，最后结合自身情况加以借鉴。

我们还应密切关注行业内的头部产品，所以适时使用头部分析法也很有必要；头部分析法的使用方式与竞品分析法类似，能让运营者看清行业趋势，从而更好地布局中长期产品战略。

③第三种方法：对比杆杠指标

每个公司都会给自己的产品定目标，有月度、季度及半年度等的短期目标，也有1年、3年及5年等的长期目标。

要判断一个目标是否有意义，首先要判断其是否具备可衡量性。如以下两种留存率目标：这个月要提升新用户30天的留存率；这个月要提升新用户30天的留存率至25%。我们可以看到第二个目标中有一个数据可以作为目标实现情况的衡量标准。

在实际业务场景中，公司管理层会和数据分析师一起根据产品的历史数据和当前情况，核算一个可实现的留存率目标；我们在对比产品绩效时，将目前的留存数据与目标留存数据进行对比即可。

作者：铭航 专注于互联网运营思维分享。