作为运营一定要知道的数据真相

　　运营人，要学会从数据里发现运营的可优化点，对流量、对人群、对产品进行分层运营，以起到更好的效果。
　　运营涉及的定义实在是太广又太细了，仿佛方方面面都离不开运营。
　　我刚做运营的时候，那会儿部门还在建设产品的报表系统，我被抓着做业务报表。你们能理解，一个还没开始做业务的人，一上来就做业务报表并处理业务投诉的那种迷茫吗？
　　但是，当我渐渐上手，规划了一个又一个报表后，我再接管渠道，没有经历过渡期，直接就上手了。因为通过数据，我已经很了解整个业务的形态，以及业务的需求了。
　　今天，我想分享作为运营，如何通过数据驱动运营，得到更有效的运营策略。
　　作为运营，我们每天都跟数据打交道，甚至可以说，渗透到了工作的方方面面。
　　但是，很多人也会感到迷茫，数据这么多，到底什么情况下应该看什么数据？数据应该怎么分析？怎么分析数据，才能给运营甚至产品带来正面的导向？
　　为什么要做数据分析？
　　从宏观角度看，做数据分析可以了解行业环境，知道整个市场有多大，用户总量有多少，同类竞品有多少，用户属性，自己的产品占比等。
　　从产品角度看， 做数据分析可以更清楚的知道产品的功能表现好不好，有哪些需要改进的地方？
　　从KPI角度看，做数据分析可以知道有哪些指标没有完成，差距还有多少，怎么做才能按时完成目标？
　　运营关心的数据指标
　　在产品运营中，数据的分析，是为了更好的产品体验，更多的在基于产品特性的情况下，满足用户的需求。
　　那么运营在数据分析中，需要关注哪些指标呢？
　　如果是靠广告收入（如媒体）盈利的企业，则需要关注的指标是：流量*转化率*单次点击价格。
　　如果是靠佣金收入（如淘宝客）盈利的企业，则需要关注的指标是：GMV*佣金比例。
　　如果是靠订单收入（如电商）盈利的企业，则需要关注的指标是：访客数量uv*转化率*客单价。
　　如果是靠增值服务（如视频会员）盈利的企业，则需要关注的指标是：访客数量uv*转化率*APRU值。
　　综上所述，运营分析需要关注的通用指标为：
　　我们再拆分得细致一些，比如，靠订单收入盈利的企业，更细致的数据公式就是：
　　订购金额=浏览UV*浏览转化率*下单转化率*付款转化率*客单价
　　大家可以看到，浏览UV对应的其实就是导流，这是运营最需要去关注的，当浏览UV很低的时候，意味着你的产品没有人用。没有人用的原因有很多种，可能是没有人知道，也可能是产品不好用。
　　这时候，我们就需要警惕，到底问题出在哪里。导流的方式千千万，也就是说，获得流量的渠道非常多种，你必须认识到你的渠道。可以参考波士顿矩阵理论，会把流量渠道分为明星类、瘦狗类、问题类、现金流类，给导流的渠道分类，定义优先级，再去进行不同的运营。
　　第一类
　　占比高、转化高的渠道，比如活动运营，就是有效导流的一种方式。
　　那什么样的活动才能吸引用户？怎么做活动，才能在有限成本的情况下取得最高的效果？
　　平时我们的活动，我会关注的数据有活动页面打开数等等，活动页面打开数，目的是为了知道活动推广力度，以及活动的受欢迎程度。假如加大力度去推了，但是实际效果却不理想，那有可能是活动不够吸引。
　　举个例子，我们过年的时候做过一个活动，用户玩游戏可以获得一定的充值折扣。
　　一直以来，我们做的都是抽奖活动，这次想做个新的尝试—先玩游戏后打折，毕竟经常一个小游戏就可以引爆朋友圈。由于今年是猪年，所以我们做的是＂一起来喂猪＂的游戏，既呼应猪年这个新年梗，又融合了养成小游戏的玩法。
　　结果呢，我们耗费了大量的人力去尝试一种新的玩法，用户却不买单。公众号的后台几乎每天至少10条留言是关于，我不就来充个值嘛，你还让我玩游戏，玩就算了，玩完了也就9折而已这类的内容。所以，结合当时的活动页面打开数，到参与活动人数，我们判断，这个活动，并不适合充值的用户玩耍。
　　新老用户也是如此，假如这个活动最初是为了吸引新用户而做的，结果最后参加的老用户却远远多于新用户，那可以说明，这个活动的设定有问题，没有摸清楚新老用户的脾性。
　　假如是针对老用户做的活动，那还有一个数据值得关注，那就是留存率。针对老用户做的活动，次月的留存率少得可怜，说明活动的作用有限，没有有效去提高用户的粘性。
　　前面我说了，我们做的活动，几乎只有一种形式，就是抽奖，设计不同的界面不同的玩法，比如大转盘，比如老虎机，比如福袋等。为什么？
　　因为从数据分析我们得出，这样的形式，很受用户的欢迎，用户接受这样的形式。用户成功充值后可以领取到不同的红包金额，用于下一次充值抵扣。由于用户成功充值才能获取，下一次使用。也就是说，当我们的活动成本产生时，实际上用户已经充值了至少2笔，这样大大的提高了用户的粘性。而用户本来就是来充值的，你给一定的抵扣券，用户会觉得你让利了，也会积极参与。
　　第二类
　　增速慢但是占比高的渠道，我们需要花费更多的精力去培育这些渠道。
　　比如说，图文推送。
　　在说图文推送之前，我们先说，什么是用户运营？
　　顾名思义就是以用户为中心，遵循用户的需求去设置运营活动和规则，制定运营战略与运营目标，最终达到预期所设置的运营目标与任务。
　　以微信公众号举例，对于微信公众号的运营，我们的触达方式无法就三种，一是图文消息推送，也就是针对所有用户无差别的进行运营；二是模板消息推送，不同的用户收到信息可能完全不一样；三是菜单栏引导。图文推送的特点就是，效果来得快，去得也快。下面这个表，是我们平时的图文消息推送后会看的一些数据。
　　我一直觉得，数据，并不是简单的罗列，也不是尽可能的多，而是要知道，我们看到的数据，背后的结论是什么？数据怎么引导我们去运营？
　　下面这个表中，有2个标题我是标红的，大家可以来看一下。其实这2篇推文讲的内容意思是一样的，就是充值达到一定的金额后，就能获得对应的奖品。这2个标题推送位置一致，推送时间差不多，都是在早上的11点左右，但是推送的日期不一样。
　　我们先看最后一个标题—9350个流量币，对于我们自己而言，一看就知道说的是可以兑换实物的一种虚拟券类，但是，站在用户的角度去思考，有多少用户知道流量币是什么？对于大部分用户而言，这个名词，他们没有任何感知。所以，同样的内容，当标题换成＂9G流量＂后，阅读量翻了接近10倍。这就是数据分析的意义。
　　通过对每一期图文推送的数据分析，我们得到了一些针对我们公众号的结论，比如，我们尝试过周一-周日不同时间段去推送，是的，你没看错，为了得到有效的结论，我们周六日也试过推送。
　　有一年除夕，大家欢腾的团圆的时候，我绞尽脑汁儿写了篇我以为是文艺与情感兼得、图文并茂的文章，记录了从小到离家后一个个与父母相处的片刻时光。结果，阅读量是4万，留言22，分享55。
　　可以说，这是我运营公众号以来，写过最走心的一篇文章，我简直要沉浸在大伙儿看完后产生了无数共鸣，最后买买买来报答我的意淫中了。
　　然而，事实上，阅读量不是最多的一次，留言和分享也表现平平。最尴尬的是收入，简直不敢说这是做了一个活动。换言之，往往我们觉得好的，用户未必会买单。这时候，数据的作用就体现出来了。
　　总之，作为充值类产品的公众号推文，我们通过长期的实践以及数据分析中，得到的一些结论就是：
　　每周五上午11点-12点推送，效果会最好。
　　假期前夕推流量，比话费效果好。
　　月底推话费，比月初效果好，8-10日推话费，效果最好。
　　用户随便一瞄就能看完并理解的标题，更吸引点击。
　　第三类
　　更差的一些引流方式了，就是边角料。
　　针对这些方式，我会选择性的去优化，有时间的时候会去琢磨，没有时间则放弃，减少人力成本。
　　订购转化率，假如下单转化率是不错的，但到付款转化率却比较低，就有可能是产品的支付方式或支付步骤，给了用户一定的门槛。
　　像3月初的时候，我们的付款转化率一下子就掉到了10%左右，也就是说，100个用户下了单，最后成功付款的用户就10个。这个转化率低得吓人，我们一查，发现是因为我们因为支付汇率的影响把所有支付方式都下了，只保留了一个汇率很低的支付方式，但是很多用户并没有关联这种支付方式，如果要购买，则需要注册一种新的支付方式，无异于提高了用户的支付门槛。
　　后来我们保留了汇率低的支付方式，也把热门的支付方式重新上线，但是默认汇率低的支付方式为第一选择，付款转化率一下子到了65%左右。
　　对比前面的10%，看起来是不是很不错？
　　但是，我们在分析对比历史数据的时候发现，以前默认最热门的支付方式作为付款第一选择时，付款转化率达到80%。所以，看起来这么简单的一个调整，却造成了非常大的影响。
　　客单价，则受到产品属性以及推广的影响。
　　举个例子，一个产品有不同的规格，默认的规格是100元的，则用户下单最多的也是100元；夏天的时候，连衣裙的订购量比较多，冬天的时候，则大衣的订购量比较多。当然，如果完全不按照规则走，比如夏天反季清仓大衣，即使大肆推广，效果也非常有限。
　　所以说，每天观察数据，根据数据并结合用户的使用行为，去调整运营策略，往往很小的运营手段，也有可能达到事半功倍的效果。
　　三、如何做运营分析？
　　看到这里，我相信大家对运营数据分析的重要性，已经有很清楚的认知了。
　　那么，如何做运营数据分析呢？
　　在我们策划执行一个运营策略之前，我们要先梳理清楚流程，明确运营目标，理清运营动作，并最终将梳理的结果体现在报表中。比如要做一个活动，我们关注的数据有哪些？这个在前文已经说过，就不再赘述。明确需要关注的数据，方便在执行过程中实时监测，及时发现问题。
　　当我们梳理好了需要关注的数据后，就需要监控指标。通过报表中的日常数据，理清这个运营动作的全貌，及时发现异常，并找到异常的原因。
　　出现异常时，如何找到问题点呢？
　　一般分为以下几个点：定位问题→拆解问题→提出假设→分析验证→结论呈现。
　　定位问题，其实比较容易，数据中哪个环节出现了异常，就可以锁定那个环节了。接下来就是拆解问题，一步步拆解分析之后，挖掘出变化异常的原因，再一步步验证，最后得到结论并指导下一步的运营动作。
　　举个例子：
　　12月1日，网站的订购量突然增长了50%，那我们看一下数据，从订购量分拆，是渠道订购量增长，还是转化率提高，还是人均订购笔数增加？
　　再一层层分拆下去，发现是某一篇最近写的文章阅读量破了10W，而平时的文章阅读量只有不到1W，因此推断是文章带来的引流效果。
　　那接下来，继续分析，是什么类型文章，吸引了这么多的用户，跟平时的文章主题有什么区别？
　　一层层抽丝剥茧之后，发现是娱乐主题带来的效果，因为推送的是跟娱乐相关的产品，主题呼应，达到了非常好的效果。当我们从数据得到了这个结论后，以后推送不同的产品，就可以相对应的往相关主题里靠拢，以便达到更好的导流效果。
　　当我们已经找到了问题之后，接下来就是提供运营建议了。
　　如3的例子，我们定位订购量增长是因为广告文章导流效果好。那我们就需要验证一下是否真的是这个原因导致的。
　　首先，对12月1日的订购用户进行用户分层，通过RFM模型，建立用户标签，再回过头验证我们最初的设想—文章主题与推广内容一致。比如，再次推送同类型主题，看看阅读量和转化效果是否还是这么好？或者，看看新老用户占比，假如老用户占比大，说明可能不是靠文章导流的效果。因为用户分层涉及到另一个比较复杂的运营手段，这里就不一一描述。
　　整个运营动作结束后，需要进行效果评估。
　　效果评估主要从以下几个维度进行评估：与自身比较、与目标比较、与往期同类运营动作比较、与同期其他运营动作比较、与行业基准数据比较……根据这一系列的维度分析后，得出最后的经验总结，为下一次运营动作打下铺垫。
　　综上所述，我们可以看到，数据分析，可以说是运营中必不可少的环节。
　　通过数据，可以对流量、对人群、对产品进行分层运营，以起到更好的效果。