本文將對數據分析的關鍵知識模塊做介紹，可以為你解答以下問題：
為什麼要做數據分析？
數據如何驅動運營？
數據分析的指標有哪些？
數據分析的模型有哪些？
怎麼評估用戶價值？
數據分析報告怎麼寫？
數據可視化工具 ...
一、數據的價值
（一） 數據驅動企業運營
從電商平臺的「猜你喜歡」到音樂平臺的「心動模式」，大數據已經滲透到了我們生活的每一個場景。不論是網際網路行業，還是零售業、製造業等，各行各業都在依託網際網路大數據（數據採集、數據存儲、數據處理、數據挖掘、數據分析、數據呈現）實現企業價值。
企業中數據從產生到應用依次要經過數據源層、數據倉庫層、數據建模層，最後到數據應用層，經過層層加工逐漸支持到上遊的應用環節。
數據應用層是數據產生價值的出口，通過數據挖掘、用戶畫像建模、推薦算法的制定，可實現千人千面的個性化內容推薦。「個性化」內涵是內容與用戶的高度匹配，以達到提升體驗、提升高黏性、促進銷售轉化的目的。
（二）數據驅動產品運營
數據分析對業務發展、產品優化、精細化運營也起到了關鍵支持。
數據驅動產品、數據驅動運營的關鍵在於「可以通過數據分析提出產品優化思路，提出運營提升的舉措，快速上線驗證效果，重新優化，進入新的增長循環」。
數據運營的關鍵應用場景有：
評估產品改版（新功能）效果發現產品改進關鍵點構建用戶畫像，以便開展精細化運營優化用戶體驗發現業務運營中存在的問題運營效果分析、ROI分析數據總結與向上匯報......
二、如何用數據驅動運營
（一）數據驅動運營的內涵
數據驅動運營是一個很寬泛的概念，但拆分下來，數據驅動運營有三個內涵：
產品運營人員要具備數據意識，通過數據發現問題產品運營人員可以通過數據管理本職工作，用數據解決問題讓數據說話，提高各部門的溝通效率（二）數據驅動運營的工作流程
1. 定義數據分析目標
明確目標，意味著運營人員（或數據分析師）要站在數據結果輸出對象的角度去思考。
對於管理層來說，往往會關注以下幾個結果：
重大決策最終反應在了哪些指標上這些指標有什麼關聯業務全局有什麼變化趨勢與過去相比，哪些進步了，哪些退步了數據暴露出了什麼問題，需要做什麼調整產品運營人員則更關注細節。整體來看，運營數據分析的目標主要有三類——即「解決是什麼、為什麼、做什麼」的問題，具體的數據分析目標還要結合實際工作來定義：
是什麼：如運營舉措的效果如何？產品優化的效果如何？用戶使用情況是怎樣的？用戶的體驗反饋如何？為什麼：如轉化率為什麼提升/降低？用戶為什麼會產生意料之外的行為？運營舉措和產品優化為什麼有效/沒有效果？做什麼：如運營策略該如何調整？產品該怎麼優化？業務戰略該怎麼調整？ 2. 數據指標拆解
在確定了分析目標後，就需要進行數據指標拆解。明確要分析哪些具體的數據指標，為了避免遺漏關鍵細節，可以先對業務（或某一個活動、使用場景）流程做梳理，得出每一個節點的數據指標項，根據分析目標需要，保留關鍵項，剔除多餘項。
3. 數據採集
定義數據源：在分析數據之前，要對數據來源、統計口徑、統計周期加以定義，以便提交「數據提取」需求。數據的獲取途徑：數據來源包括埋點數據、運營平臺、業務平臺、第三方平臺、回訪調研等。運營人員要對不同數據源的真實性、準確性做把關。 4. 數據可視化
使用圖表工具，將數據可視化，更容易發現數據的趨勢、極值、聯繫。不同圖表類型適用於不同的分析場景。
散點圖：用於描述數據之間的規律折線圖：描述數據隨著時間變化的趨勢 面積圖：折線圖的延伸，更注重數據和時間趨勢的變化關係柱形圖：類別之間的關係餅狀圖：數據之間的佔比漏鬥圖：轉化率分析、佔比分析雷達圖：個體數據的屬性和可視化，常用於用戶畫像、CRM樹形圖：適合數據量大、類別多的情況，比如各類電商的SKU桑基圖：解釋數據複雜變化的趨勢，一對多或者多對一熱力圖：屬性和維度的規律組合，有點像折線圖關係圖：不同種類的關係，常用於社交媒體箱線圖：統計學圖表，用於研究和觀察數據分布，對比數據分布等標靶圖：用於業務銷售完成情況等詞雲圖：文本分析利器地理圖：數據和空間的關係
5. 數據分析
解決問題是數據分析的最終落腳點。這一環節的目標是發現數據的特徵、規律、數據之間的關聯，通過對數據的洞察解決實際問題。
6. 輸出數據分析結論
數據分析的結果可以根據需要以Word或PPT的形式呈現。
報告應採取總分總的格式：
總述：闡述數據分析的背景、目的、目標、分析思路、目錄、關鍵發現。分述：對業務按多維度細分分析，用數據圖表與相應結論闡述觀點。總結：提出結論與優化建議、行動計劃、對業務發展做預測，提出策略與結論、附錄。根據實際工作需要，「報告」不一定是必須的，數據分析的結果是為了下一步的行動計劃作支撐。
7. 測試驗證
根據數據分析結論，按照計劃開展優化測試，對測試效果展開分析，以此開啟新的數據分析進程，形成數據分析工作的閉環。
三、數據分析的基本指標
（一） 基礎數據指標
基礎數據指標參考了增長黑客理論中的AARRR模型，針對用戶從新增到流失的多個環節，來定義相應指標。
新增：日/周/月新增。這裡有兩個維度，增量與增速。新增用戶增速是產品增長的基礎
傳播：病毒係數、傳播周期。平均每位老用戶會帶來幾位新用戶？大於 1 的時候，產品才可能出現爆發式的指數增長。老用戶一般在註冊（新增）後多長時間帶來新用戶？傳播周期越短，增長速度越快。
活躍：活躍用戶數DAU/MAU。只有活躍用戶才能為產品帶來價值。
留存：留存率：次日、周、月。使用產品的時間越久（活的長久），對產品的潛在價值越大留存的計算業內有多種方式，但大多數採用了下方的計算公式：次日留存率=（當天新增的用戶中，第2天還登錄的用戶數）/第一天新增用戶總數；七日留存率=（第一天新增的用戶中，在往後的第7天還有登錄的用戶數）/第一天新增總用戶數；月留存率=（第一天新增的用戶中，在往後30天還有登錄的用戶數）/第一天新增總用戶數
流失：流失率。一段時間內流失的用戶，佔這段時間活躍用戶數的比例。只有當產品新用戶增長的速度大於老用戶流失的速度時，產品的活躍用戶數才會是正增長。
（二）用戶行為數據指標
另一個維度，立足於用戶行為，可以根據提升黏性、提升參與度、提升轉化這三個目標定義具體的數據指標。
黏性指標：留存率、周活天留存率反應產品是否滿足用戶需要。周活天反應用戶忠誠度。
參與度指標：活躍度、停留時長、訪問頁面數量轉化指標：用戶從上一環節到下一環節的轉化率這兩種指標體系都具有參考價值，可以根據自身實際情況適當組合。
四、用戶分群
（一）用戶分群
用戶分群是精細化運營的基礎要求，也是數據分析的最基礎方式。對用戶進行分群，能幫助我們了解每個細分群體用戶的變化情況，進而了解用戶的整體現狀及發展趨勢。同時，由於運營資源本身有限，不可能真的做到一對一的個性化運營，但針對群體的運營是十分必要的。
（二）用戶分群模型
用戶分群的首要任務是根據具體的業務場景，確定不同的分類規則，給出清晰的定義。
1. AARRR模型分群法
借鑑增長黑客AARRR模型，可以把用戶分為：
註冊用戶：通過不同獲客渠道完成註冊的用戶。活躍用戶：註冊且登陸的用戶。留存用戶：一定時間內未流失的用戶。下單用戶：對營收產生價值的用戶。忠誠用戶：對產品高度認同及依賴的用戶。 2. RFM模型分群法
（1）RFM模型——用於建立分群維度
傳統行業對用戶分類最常用的方法是RFM模型，RFM分別是三個英文單詞的首字母。
R（Recency）代表消費新鮮度。理論上，最近一次消費時間越近，說明此用戶相對來說是比較優質的用戶，對提供即時的商品或者服務，他們是最可能及時響應的。F（Frequency）代表消費頻率。是用戶在某段時間內購買商品或服務的次數。一般來說，消費頻率越大，顧客忠誠度越高。M（Monetary）代表消費金額。消費金額體現用戶的消費能力。（2）用戶五等分模型——用於明確分群規則
美國資料庫營銷研究所Arthur Hughes用戶五等分模型，將指標按下列規則分類：
1）查詢近一個月（查詢時間往前推30天）所有內容創建者最近一次的登錄時間。
2）按最近一次登錄時間距離查詢當日的時間排序：前20%標記為R5，記為5分；前20%～40%，標記為R4，記為4分；前40%～60%，標記為R3，記為3分；前60%～80%，標記為R2，記為2分；前80%～100%，標記為R1，記為1分。依此類推，將創建內容的用戶分成五等分。
3）查詢出內容用戶在一個月內登錄的天數，及創建的內容數，按同樣的方法五等分進行標記。
4）將R5、F5、M5等同於5分，R4、F4、M4等同於4分，R1、F1、M1等同於1分，將每個顧客對應的三個數字相加，作為內容提供用戶價值的得分。
（3）RFM模型分群法的應用
1）細分用戶群分析
對某個或某幾個用戶分群進行分析，從而給出具有針對性的運營建議。如對R1、R2的用戶進行分析，找到活躍用戶的共性，從而反推用戶不活躍或流失的原因。
2）顧客價值評估
基於用戶五等分模型，對用戶進行價值評估。在資源有限的情況下，可以優先滿足10分以上高價值用戶的需求，同時通過完善權益機制，激勵9分以下的低價值用戶升級，引導整個用戶體系的良性發展。
用戶價值劃分：3～5分：低貢獻用戶6～9分：一般用戶10～13分：優質用戶14～15分：高價值用戶
3）流失用戶監控
基於R、M兩個維度，對不同分值用戶打上標籤，區分出高價值忠誠用戶、高價值流失用戶等，以便展開具體的運營舉措。
R≥3且M＜3，打上標籤：低價值忠誠用戶。R≥3且M≥3，打上標籤：高價值忠誠用戶。R＜3且M＜3，打上標籤：低價值流失用戶。R＜3且M≥3，打上標籤：高價值流失用戶。
3. 關於「同期群」
同期群是一種用戶分群的方式，按用戶的新增時間將用戶分群，得到的每個群叫一個同期群。
由於同一項產品改進對不同同期群中的用戶產生的影響是不同的，分開衡量才更能反映真實的情況，因此，我們常常會進行同期群分析。同期群分析是指將用戶進行同期群劃分以後，分析和對比不同同期群組用戶的相同指標。
五、數據分析模型
很多時候我們聽到「模型」兩個字都會覺得高深莫測，當然也有不少人會對這種「學院派」的做法嗤之以鼻。但實際上，模型只是「對數據分析思路的抽象」，通過模型能快速幫助我們梳理思路，理清數據的內在關聯。
數據分析模型有很多種類，本文裡我們不涉及技術，只對關鍵的邏輯模型做重點說明：
挖掘算法模型：主要是針對具體的業務問題，通過數學算法等方式輸出計算結果，如預測、聚類、文本挖掘。資料庫模型：結合業務對底層數據進行整合邏輯模型：是指通過一些指標的內在聯繫組合起來的可分析問題的模型。比如RFM模型以及「增長黑客」中常用的AARRR模型。關於「增長黑客」的理論、方法、工具等內容，我們將在後續文章中詳細介紹。
1. 4P營銷理論（適用於業務整體分析）
4P營銷理論是密西根大學教授傑羅姆·麥卡錫（E.Jerome Mccarthy）在20世紀60年代提出的。這個理論將營銷組合的要素分為產品（Product）、價格（Price）、促銷（Promotion）、渠道（Place）四要素，使得營銷簡化並方便記憶和傳播。
產品：在產品維度，側重回答我們的產品是什麼？是否實現盈利？產品如何滿足用戶需求？產品的目標用戶是誰？產品的優化是否有效？存在什麼問題？通常我們理解的產品是有形的，但實際上這是狹隘的觀點。實際上產品可以是任何在市場存活的，滿足用戶某種需求的東西，它可以是實物，也可以是服務、人員、技術、組織、智慧等或以上若干種的組合。
價格：在價格維度，側重分析產品如何定價？收入情況如何？ROI如何？哪些環節會影響到收入？促銷：促銷維度則關注促銷方式是什麼，效果怎麼樣？渠道：渠道質量如何？渠道覆蓋如何？用戶的渠道偏好是怎樣的？ 2. 5W2H（適用於向領導匯報數據分析計劃）
5W2H是以5個以W開頭的英文單詞及2個以H開頭的英文單詞為縮寫的簡稱，使用5W2H分析方法能很清晰地知道需要往哪些方面去思考和展開分析，幫助理清分析思緒。
What：數據分析的對象是什麼？Why：數據分析的背景是什麼，為什麼要做這次數據分析？Where：數據源是什麼？When：數據採集時段是多久？Who：誰來執行具體的數據環節？How：如何執行？How much：需要投入什麼資源？ 3. 其他模型
PEST：適用於宏觀環境的分析。SWOT：適用於做戰略分析。 六、用戶生命周期價值
1. 用戶終生價值的計算 (life time value)
LTV =（某個客戶每個月的下單頻次*客單價*毛利率）*（1 /月流失率）=（某個客戶每個月的下單頻次* ARPU *毛利率）*（1 /（1-月留存率））=用戶生命周期內下單次數*客單價*毛利率
1）ARPU值的計算
ARPU（每個用戶的平均收入）=某段時間內的總收入/同時期內活躍用戶總數；
2）流失率的計算
流失率指的是一段時間內，有多少比例的用戶不再使用你的產品了。所以流失率=在某段時間內流失的用戶/同時期內活躍的用戶，流失比較難定義，但留存比較好定義，故月流失率近似等價於1-月留存率；流失率的倒數用來表示預測的用戶生命周期，如果一個產品的流失率為10%，則產品對應的生命周期為10個月。
2. 應用場景
1）評估運營活動是否盈利
單個用戶毛利=用戶生命周期價值-獲取用戶成本-運營成本= CLV - CAC - COC
很多產品在初期一直以補貼用戶的形式來留住用戶，長此以往，資金鍊一旦斷裂，將無以為繼。只有當用戶的毛利大於0時，產品才能良性地、持續穩健地發展下去。
2）追蹤投資回報率
計算公式：ROI =轉化率* ARPU/ (CAC + COC)
七、數據指標的拆解
作為運營負責人，常常面臨分工不明確，考核難量化等問題。
將KPI進行拆解也是常見的分析方法，其核心思想是將KPI指標（如營收）拆解到各個業務線去，再由各業務線進行二次拆分。
為了促進流量運營、用戶運營、內容運營等各運營團隊之間的協作，可以將營業收入KPI以乘積的方式分解成各運營團隊的KPI，各團隊不僅需要完成各自KPI還需要相互合作才能完成共同KPI，有效減少了團隊間的內耗。
例如，若整個大部門背負著收入指標，則根據計算公式：收入=客單價*付費用戶數=客單價*用戶數*付費轉化率，可以將客單價、付費轉化率、用戶數作為不同小團隊的KPI。
八、數據可視化工具推薦
網絡上可搜尋到的數據可視化工具非常多，在數據圖表製作、平臺操作上也大多相似，但也各有特點，可以根據展示效果需要來選擇工具。
1）花火Hanabi
可製作數據動圖、短視頻素材
2）鏑數圖表
除了數據圖表製作外，有大量模版，可以製作數據展示的海報、長圖文
3）圖表秀
可製作PPT格式的數據分析報告、製作在線數據網站（包含點擊交互效果）
4）思邁特Smartbi
企業數據分析BI解決方案
5）Datawrapper
適合外企，可製作圖表、地圖、報告，支持導出連結、pdf等格式
作者： AliG 運營人都在看的知識庫