編輯導語：作為一名用戶運營，需要具備一定的數據處理的能力，才能更好地勝任後續的工作，制作更加有效的運營策略，實現良好的轉化效果。作者以用戶運營場景為例，談談用戶運營應當如何做數據分析，希望對你有所幫助。

嗨喽，大家好：

我是婷婷，距離上次發文已經過去了半個多月了，最近婷婷被各種數據折磨得非常頭秃。當然，我變秃了也（沒有）變強了。在這過程中，也算是經曆了運營人處理數據的各種苦與痛，所以想趁着自己前段時間的經曆來和大家簡單地探讨下運營人該如何進行數據分析。

可能很多人一聽到數據分析就頭疼（我也是，頭秃），天生不善于和數據打交道。本想着畢業之後再也不用接觸各種數字相關的東西了，卻沒想到走上了運營之路，和數據更是難舍難分，想要離開也不行。所以，今天就來和大家聊聊運營人該如何去進行數據分析才是最高效的，才能更好地為業務服務。

一般說來，用戶運營和産品運營對于數據分析的需求比較高，畢竟很多想法和思路需要從數據中得到一些結論，從而後續更好地去執行和實施自己的想法，同時也需要根據以往的數據模型很好地去進行數據估算。内容運營雖然也需要數據分析，但是相對來說，更加依靠直覺和經驗，内容這種東西很難去直接地量化評估。當然，能做好數據分析，其實能為内容的生産和分發加不少分。

所以下邊我和大家聊的更多的是針對用戶運營的場景，作為用戶運營，該如何去進行數據分析。

一、數據分析分析的是什麼？

數據分析分析的到底是什麼？在不同的場景下，數據分析可能會有所不同。一般來說，作為用戶運營的數據分析，可能會分為以下幾種：

1. 人群探尋類分析

這一類分析更加側重用戶的特征分析，希望能從某一類人群的特性中找到共性，從而更好地理解這些用戶。我們常見的xx人群用戶畫像分析、活動人群分析等。

這一類分析的核心用戶就是某些用戶的特殊性，從而更好地指定用戶運營的策略。比如，我們想針對會員用戶的續費去進行分析，就會針對性地去看到期續費用戶和到期沒有續費用戶之間的差别，看看中間是哪些因素在影響着用戶的續費，用戶更傾向于在什麼時間節點什麼場景下去完成續費這個動作，從而後續通過策略更大化地影響未續費的用戶。

人群流失預警也是同樣的道理，通過流失用戶在平台上的最後一次行為去分析流失用戶在平台上預流失前的行為特征（當然這類用戶分析可能需要通過建模等一系列操作），從而通過運營策略更好地影響這批用戶。

2. 策略/活動效果分析

這一類的分析就比較偏向于純數字類的分析了。上了什麼樣的策略，策略曝光了多少人群，這些人群的轉化效果怎麼樣，比原來提升了多少。

這一類分析的關鍵是需要明确口徑和取數字段，什麼時間段在哪張數據表裡去取什麼樣的字段。

當然，這一類分析一般會和人群分析結合起來一起去看，人不同的用戶對于策略的不同反應程度。當然，如果隻需要一個最終的數據結果，那麼隻取數也完全足夠了。

3. 某類特殊場景的探尋

我們自己在使用産品的過程中，可能會發現某一類特殊場景還存在一定的運營空間。所以針對這一類的特殊場景，我們就需要去看這一類特殊場景覆蓋的人群有多少，這一類人群的特點是什麼。最好是結合後續想要給這部分用戶制定的策略結合來看，看看這個策略的空間有多大。

二、運營人如何提數據分析的需求？

一般來說，在有些公司，簡單的數據需求可能會由運營同學自己取數（一般是1-2個表的連接，簡單的取數需求可能會由運營自己進行）。但是一般來說，涉及以上3類比較複雜的數據分析需求，就需要運營提需求提到數據分析的同學那裡去處理。那麼問題來了，如何才能提出更加有效的數據分析需求呢？

1. 數據分析需求的三要素

一個有效的數據分析需求一定離不開這3要素：分析的目的、取數的口徑、取數的維度和字段。

分析的目的是便于數據分析的同學給業務同學提供更加有效的建議和思路。比如，針對會員用戶，我們想要去看這一批用戶給業務線帶來了多少訂單、GMV和收益，有多少是開通會員這個動作帶來的增量。所以在這過程中，我們可能會通過會員用戶開通前後的對比或相似用戶去進行對比，去看看哪一類的對比的變量僅隻有開通會員這一個動作，通過控制變量的辦法去研究變量對于結果的最終影響。

取數的口徑是需要明确，去取什麼時間段的什麼樣的數據才作為合理和科學。

取數的維度和字段，有些字段可能是通用的，不用告訴數分的同學他們也知道，但是有些字段可能是業務特有的，需要明确地告知數分的同學。取數的時候，需要明确告知數分同學，我們想要什麼維度的什麼樣的分析。比如想要會員用戶在最近半年業務線的消費情況：包含訂單、收入和收益，在這過程中，就需要明确消費情況到底是什麼，需要去取哪些字段。

一般來說，我們提數據分析需求的時候，就可以在心裡有個大概的預期，通過這個維度能得出什麼樣的結論，我想要什麼樣的結論，這個維度的分析能夠滿足我對于目的的探尋和分析嗎？在提數分需求的時候，就預想結論，能夠有效避免最終拿到數據不知道如何去進行分析的情況出現。

三、運營人該如何去進行數據分析？

來到最關鍵的一步了，作為一個用戶運營，應該如何去進行數據分析？拿到了數分同學給的一堆數據，如何才能得出數據分析的結論。

結論非常考驗人，需要用簡短的一兩句話去概括最終的結論，結論一定是可證僞/有深度的結論，不是單純地羅列數字（經曆了教訓，我又學到了！）。比如購買用戶數XX人，購買金額XX萬，較上月下跌x%……”，但這些都僅僅是現象陳述，這裡的深度問題是為什麼會下跌，原因是什麼？是商品的問題，還是人群的問題，還是運營指定的運營策略的問題，深挖數字背後的原因才是關鍵。這樣的數據分析才能得出真正有價值且能夠運用到業務場景的有效結論。

當然，得出數據分析的結論不是一日練成的，需要日積月累。但是這裡有一個我目前自己在用的小竅門和大家分享下：看到數據表象後，多問自己幾個為什麼，為什麼會出現這樣的數據現象，人群之間的差異是什麼，是由于人群的特性造成的嗎，還是什麼原因導緻的呢？

在處理數據的時候，我們一般會通過同比、環比以及分組比等方式去看不同時期，不同人群之間的差異。橫向看不同時期的差異，縱向看不同人群的前後變化情況，縱向和橫向交叉看，最終得出有效的結論。

比如還是去看開通會員這個動作對于用戶的消費情況是否有提升，結論是有提升，提升了多少，其中什麼樣的人群提升最為明顯，原因可能是什麼。這就是一個比較完整的數據分析的結論，回答了問題，并且給出了有效的數字結論，再從裡邊細節去看，人群之間的差異是什麼樣的。

當然，在得到結論之前，我們需要對數據進行一定的提取和處理，這裡就涉及到了比較基礎的問題：如何用excel進行數據的處理和提取。一般來說，可能會用到以下5種常用的數據分析方法：

1. 對比分析法

橫向和縱向對比，選好參照物，進行對比分析。需要明确選取的參考物是否具有一定的意義。指标的口徑、計算方法和計量單位必須一緻對比的對象需要具有一定的可比性，和對象之間的相似之處越多就，就越具有可比性 。

2. 分組分析法

根據數據分析對象的特征，按照一定的标志/指标，把數據分析對象劃分為不同的部分和類型來進行研究，以揭示其内在的聯合和規律性。分組的核心目的還是便于對比。分組分析法的關鍵在于确定組數和組距。

組距=最大值-最小值/組數 能vlookup函數分組，然後用數據透視求和，能快速得到數據分組的最終結果。

3. 結構分析法

分析總體内各個部分和總體之間進行對比的分析方法，即總體内占各個部分占總體的比例，屬于相對指标。

4. 平均分析法

利用計算平均數來反應總體在一定時間，地點情況下某一數量特征的一般水平。一般用算術平均數。對于所有數據指标都可以依據不同的分組用單位數來進行平均，進行對比和分析。

5. 矩陣關聯分析法

根據事物的兩個重要的屬性作為分析的證據，進行分類關聯分析。 對于不同的分析場景用不同的分析方法進行分析，運營常用的就是對比分析法、分組分析法以及平均分析法，很多場景下數據分析的方法是交叉使用的。

另外，附贈給大家一個處理數據的妙招，一定要學會數據透視表和vlookup函數和巧妙使用，學會了這兩個大招，基本上日常運營在處理數據的過程中就能高效不少。

四、關于數據分析的本質

最後，想簡單地和大家來聊下數據分析對本質是什麼？

在我看來，數據分析一定是為業務服務的，脫離業務本身去談數據分析是沒有價值的。想要通過數據分析解決業務的什麼樣的問題，人群分析，從而更好地制定後續的運營策略？或者想要從數據現象得到一定的數據洞察，從而更好地制定後續的策略。

本質上，還是通過數據更好地給業務提供更有效的依據和證據，畢竟數據是不會騙人的。

一個完整的數據分析的閉環一定是：數據洞察需求-用數據驗證自己的猜想-用策略去影響用戶-效果的數據分析結果-再次進行叠代優化。

數據分析是運營人的痛，但是也是運營人必須的，如果能夠學會數據分析的思維和核心，那麼可能才會去制定更加有效的策略和活動，才能更好地做好運營的工作。

#專欄作家#

運營汪日記，運營汪成長日記，人人都是産品經理專欄作家。關注用戶運營的一切玩法！

本文原創發布于人人都是産品經理，未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部