运营怎样做数据分析？3个思路与8种方法！

最近在看《首席增长官》，其中一些内容还是很有指导价值的，于是新建一个文集，把一些阅读笔记就放在这里。像

aarrr模型

这种比较普遍的就不列入了，主要会记录一些让我感觉耳目一新的方法论或者思维框架。一、数据分析

的3个思路

根据书中给出的范例来看，这3种方法可能更适合偏宏观的决策，比如多

渠道

投放时的决策，在应对落脚点比较精确的分析来说，方法可能需要调整，比如确定按钮是放右上角还是底部。

以业务为核心的数据分析应该以

业务场景

为起点，业务决策

为落点，这也是比较通用的一种方法，很多场景下都可以使用以下五个步骤进行推论。

书中提到了五个基本步骤——挖掘业务含义-制定分析计划-拆分查询数据-提炼业务洞察-产出商业决策。

关于这个方法，没有想到比较好的实例，书中有一个关于多渠道投放决策的例子，还不错，推荐去看看。

这个方法的场景是用于找到影响北极星指标的因素，也就是从两个维度进行区分（内部因素+外部因素、可控因素+不可控因素），将影响因子分为四个类别。

这本质上就是一种穷举，这种方法的最大弊端是容易漏，不论分析者是一个人还是一个团队，基本不可避免的会有遗漏。当然好处是，从四个区间对影响因子进行区分，能够比较直观的进行分析，从而以自己可控的方式进行对症下药。

具体问题（detailedquestion）整体影响（overallinfluence）单一回答（singleanswer）规模化方案（scaledsolution）假设你面前有产品的所有数据，包括过去一年的dau、新增、留存、渠道等等常规数据，也包括app从开屏到核心功能所有页面的uv/pv、所有cta的uv/pv，也就是说关于app的所有数据基本都能够拿到，现在要搭建一套数据体系，有哪些方式？

最基本的数据展现形式，用exel就可以完成。

关键数值。趋势图表，直方图、折线图、堆积图、饼状图。

单一的数值或者趋势比较宏观时，需要对其进行拆解。

比如每日新增，可以从渠道的维度进行拆解，分为

应用宝、appstore、360手机助手

等等，基于此我们可以查看不同维度的新增情况，进而做一些

渠道推广

的决策；

每日新增也可以从时间的维度进行拆解，比如发现新增的高峰时间段是中午一点，那么

运营

活动可以考虑集中在这个时间。

把符合某种特定行为或标签的用户进行分群，进行归类，比如“1月份来自北京的应用宝新增用户”。

我们可以针对这个分群的用户进行深度的分析，比如他们的爱好、消费水平、高频行为，进而针对性的进行

用户运营

或

营销

推广，比如对“放进购物车但是没有支付的用户”发放优惠券。

这个应该是最熟知的一种方法了，基本所有的

用户行为

都可以用漏斗来表现，不论是注册转化漏斗还是下单支付漏斗。

关注三个问题：

-从开始到结束，整体的

转化率

是多少

-每一步的转化率是多少

-哪一步的流失最多，原因，流失的用户符合哪些特征（这里就可以使用用户分群来精细分析）从若干个页面的uv/pv值，仅可以看到整体的转化率，实际上可能会存在偏差，从用户的行为轨迹可以从更实际的角度了解产品。

关注两类留存：

-新

用户留存：次日留存、7日留存、30日留存，以及

留存率

的变化趋势。

-功能留存：即使用xx功能的用户在次日又有操作

意义就不用解释了，但是真正实施过a/b测试的实际上应该是有限。

进行a/b测试的两个必备因素：

-有足够的时间进行测试。

-数据量和数据密度较高。产品

流量

不大的情况下，测试的统计结果实际上有很大的随机性。

当一个商业目标与用户行为

用户画像

等信息有关联性时，可以使用数学建模、数据挖掘等方式进行建模，进而预测分析。

这就属于比较高阶的操作了，需要公司有一定规模且有足够的预算投入。