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

從電商平台的「猜你喜歡」到音樂平台的「心動模式」，大數據已經滲透到了我們生活的每一個場景。不論是互聯網行業，還是零售業、製造業等，各行各業都在依託互聯網大數據（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游的應用環節。

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
• 數據總結與向上彙報

……

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，意味着運營人員（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、運營平台、業務平台、第三方平台、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：描述數據隨着時間變化的趨勢

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

漏斗圖：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佈，對比數據分佈等

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，產品才可能出現爆髮式的指數增長。

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，占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

借鑒增長黑客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

美國數據庫營銷研究所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，本文里我們不涉及技術，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。

數據庫模型：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（適用於向領導彙報數據分析計劃）

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，資金鏈一旦斷裂，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，若整個大部門背負着收入指標，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、平台操作上也大多相似，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，支持導出鏈接、pdf等格式