在西湖边上他曾看到乞丐在用支付宝收款码进行乞讨，从界面操作上看该乞丐还能熟练应用支付宝提供的「生意通」功能，研究本周的乞讨收入趋势以及单位小时的乞讨金额，从而为自己制定更加高效的的乞讨策略。
乞丐都在用数据分析来武装自己了，身为互联网从业者，你还敢落后？为了让你感知到数据分析对工作效率提升价值，我们来看一个真实的运营案例。
你为什么要学习数据分析
运营研究社在 2018 年以前，公众号图文的推送时间是不固定的，在早上、中午、下班时间、深夜都有过推送，所以相应的阅读量的波动也非常大。
在今年年初我提出了一个假设“如果把推送时间固定的话，会不会对图文打开率（阅读量）的提升有促进作用”。
为了检验这一设想，当时我需要解决的第一个问题是：
“运营研究社的公众号黄金推送时间在哪？”
我导出了运营研究社过去 1 年里的图文数据，并拿推送时间、打开率、标题 3 个数据字段来构建散点图。
运营研究社过去半年图文数据
从过去 1 年的推送时间和打开率的散点分布图来看，高打开率的图文主要集中在中午 12 点、13 点两个个时间段，于是我把将这两个时间点定义成运营研究社图文推送的黄金时间。
在实践中也证明了“在固定时间推送内容有利用提升打开率”假设是正确的，从阅读数据上的反馈就是我们的阅读量在 3 个月时间里提升了 200%。
无论是在生活还是工作，数据分析已是一项必备技能。
我在招聘网站上研究了近 100 个运营岗位的职责要求，用户运营、内容运营、产品运营、社群运营、渠道运营，它们几乎都会在靠前的位置写上这样一行文字：
“通过有效的数据分析（点击率，访问，转化率等），研究分析用户的需求制定运营策略”。
为了让你能够掌握最实用的数据分析技能，本篇文章将带你了解数据分析字段与产品指标、熟知数据驱动运营的底层方法。
“竟巧妇难为无米之炊”，为了让小伙伴们赢在起跑线，下面将开始系统讲解数据分析里的底层元素——数据字段。
你的基础数据字段足够全嘛？
2015 年我在百度贴吧在内容运营，当时的我们核心 KPI 是将次日留存率提升至 45%，于是我就想研究用户首次登入的内容消费量与次日留存的关系，以期通过优化内容推荐系统来提升次日留存。
想法很好，现实却很悲剧，我在给技术同学提数据分析需求时，他们很佛性的回了句：
“抱歉，我们没有统计用户的内容消费数据”。
由于缺乏用户的内容消费数据，我当时只能搁置这套数据分析方案了（在补充统计用户消费字段的 1 个月后才最终落地执行）。
跟大家分享这个案例，主要是希望大家能够理解，数据分析的底层关键支撑是基础数据字段，没有基础数据字段你的任何数据分析方案都执行不了，没有基础数据字段，你再老司机也无法用数据驱动运营。
所以，为了能够做好数据分析，你需要尽可能全面的提出你的数据字段需求，具体来说包括如下 2 类基础数据字段：
1）用户信息数据字段
它指的是用户的社会信息数据，比如姓名、性别、出生年月、籍贯、婚姻、学历，手机、邮箱等字段
对于电商和母婴类产品来说，还需要基于「用户行为数据」推导家庭类型、家庭人数、家庭小孩标签、工作岗位、所处行业等高级用户信息数据字段。
2）用户行为数据字段
用户行为数据字段在记录时的格式通常是User id（哪个用户）+Active（哪种操作）+Time（何时产生）。
比如今天上午，我在贴吧客户端首页看了一篇与 China Joy 有关的的贴子，并且还对妹子们的颜值留进行了评轮。那么贴吧官方会将我的看贴行为数据，以如下格式被统计下来。
用户行为数据字段是每一位用户在产品上操作行为的数据记录，不同产品类型需要的需要记录的用户行为是不一样的。
阅读内容、点赞、评论、分享是社区产品的关键用户行为字段，点击产品、添加购物车、下单、付费、评价是电商产品的关键用户行为字段……
相比于用户信息数据而言，用户行为数据是数据分析的重中之重，可以基于用户行为数据的处理加工，分析出每天产品的登入用户总量（DAU）、新用户留存以及评论用户总量等产品数据指标。
促进数据增长指标都有那些?
有两位内容运营的同学，有一天领导问他们最近的产品情况怎么样。
其中一位运营说产品表现很不错，每天都有很多人互动和称赞，另外一位运营回答说产品有问题，用户都不怎么会将内容分享出去。
如果你作为老板，你应该相信谁？
我想这两位同学你应该都不会相信，甚至还会很生气，因为你的员工没有一点点的数据分析意识。
现代管理学之父彼得·德鲁克说过一句很经典的话：
如果你不能衡量它，那么你就不能有效增长它。
为了能够让数据驱动业务增长，我们需要制定业务的衡量标准，用统一的衡量标准来定义和评价业务，这个统一的标准在数据分析中叫做指标。
案例中的两位内容运营如果能够以互动率和点赞率、分享率这 3 个产品数据指标来向领导汇报自己的运营工作的话，或许就能够在领导心中留个好印象了。
了解和使用指标是数据分析思维的第二步，我们需要基于具体的业务需求设定能够驱动产品增长的指标。（Ps：数据指标是由用户基础数据字段处理加工而成）
按照比较受大家认可的 AARRR 产品增长模型，我们可以将指标分为五大类：拉新指标、活跃指标、留存指标、转化指标、传播指标。
5个产品的拉新指标
运营通过渠道投放让“用户”接触到产品，当“用户”觉得产品不错就会去下载它，打开产品发现里边的内容蛮适合自己，“用户”就会注册产品，最终成为产品真正的用户。
以上是绝大部分运营都会经历的拉新过程，如果你想监控整个过程，并且评估拉新的执行效果，那么你就需要设置如下数据指标。
1）浏览量
俗称曝光量，指的是产品的推广信息在朋友圈、搜索引擎、应用商店等渠道渠道中被多少用户看到。与浏览量相对应的是点击量，它们俩的比例在业内有一个专业词汇 CTR（CRT=点击量/浏览量），很多广告平台会用 CTR 来评估广告质量。
2）下载量
指的是 App 的安装次数，是衡量拉新效果的结果指标。不过，App 下载其实是一个中间态，为了让产品从曝光到下载有一个高转化，你需要注意应用大小、介绍文案的打磨。
比如游戏类 App，为了避免怕漫长的下载时间造成玩家流失，会选择让用户下载后以补丁形式完成全部素材的加载。
3）新增用户
下载并不是意味着就是用户，如果某个“用户”只下载了并没有注册，那它就是一个无效的用户。对于用户的界定，每个产品是不一样的，大部分的产品是用户注册了 App，就被定义为用户了，比如知乎、微博、小红书、百度贴吧。
4）获取成本
用户获取必然涉及成本，而这是运营新手最容易忽略的。目前常见的成本的计算方式有 CPM（千次曝光成本）、CPC（单次点击成本）、CPA（单次获客成本）。
5个产品的活跃指标
相比于下载量和用户量而言，在人口红利消失后，大家开始更关注实实在在的东西了——你到底有多少活跃用户。
用户活跃作为运营的核心工作，不论移动端、网页端或者微信端，都有相关指标可以衡量。
1）活跃用户数
DAU 指的是日活跃用户数量，指的是在 24 小时内活跃用户的总量。把时间周期拉长的还有周活跃 WAU 和月活跃 MAU。（MAU 指的是一个月时间周期里去重后的活跃用户总和）
Ps：与活跃用户相对应的还有流失用户、忠实用户、回流用户，其中流失用户是长期不活跃，忠诚用户是长期活跃，回流用户是曾经不活跃或流失，后来又再次打开产品的活跃用户。
2）活跃率
活跃用户数衡量的是产品的市场体量，活跃率看的则是产品的健康。
比如说某款产品的 DAU 是 100 万，可能你觉得还不错，但是我跟你说它的总注册用户是 1 亿，活跃率仅为 1%，你的感受可能就是这款产品很不错了。
3）在线时长
现在数据分析也越来越注重用户行为了，为了深入研究一款 App 的活跃健康度就需要去研究在线时长（它是视频类网站的核心数据指标）。
不同产品类型的访问时长不同，社交肯定长于工具类产品，内容平台肯定长于金融理财，如果你是做内容的产品的，发现大部分用户访问时长只有几十秒，那么最好分析一下原因。
4）启动次数
它体现的是用户的使用频率，用户的日均启动次数越多，说明用户对产品的依赖性越高，活跃度也就越好。
社交产品的人均启动次数会在 3-5 次之间，是通互联网中在启动次数指标中数值最高的。
5）页面浏览量
PV（PageView）是页面浏览量，UV（Unique Visitor）是一定时间内访问网页的人数，用户在网页的一次访问请求可以看作一个 PV，用户看了十个网页，则 PV 为 10。
PV 是互联网早期 Web 站点时代的活跃指标，也可以理解为网页版活跃。
5个产品的留存指标
如果说活跃数和活跃率是产品的市场大小和健康程度的话，那么用户留存衡量产品是否产品能够可持续发展，如果你是早期产品就更应该关注是留存指标了。
1）用户留存率
留存率 = 留存用户 / 当初的总用户量
用户在某段时间使用产品，过了一段时间后，仍旧继续使用的用户，被称为留存用户。
假设产品某天在某渠道新增了用户 1000 个，第二天仍旧登入产品的用户有 350 个，第 7 天仍旧登入产品的有 100 人，那么这个渠道获取来的用户次日留存率有 35%，那么称七日留存率为 10%。
Facebook 有一个著名的 40-20-10 法则，即新用户次日留存率为 40%，七日留存率为 20%，三十日留存率为 10%，有此表现的产品属于数据比较好的。
2）用户流失率
用户流失率和留存率恰好相反，如果某产品新用户的次日留存为 30%，那么反过来说明有 70% 的用户流失了。
流失率在一定程度能预测产品的发展，如果产品某阶段有用户 10 万，月流失率为 20%，简单推测，5 个月后产品将失去所有的用户。
Ps：这里可以引出一个公式，生命周期 = （1 / 流失率）*流失率的时间维度。比如产品的周流失率为 50%，那么平均用户生命周期为 14 天。
15个产品的转化指标
运营而言，拉新和活跃、留存都只是手段，最终衡量你工作业绩的是你手上掌握了多少有价值的用户。
运营就像用户成长路上的指引者，指引者产品里的用户成为能够产生价值的超级用户，即回归商业的本质。
交易类产品转化指标
1）GMV
它是一个虚荣指标，只要用户下单，生成订单号，便可以算在 GMV 里，不管用户是否真的购买了，京东在双十一对外发布的战报是 GMV。
2）成交额
成交金额指的是用户付款的实际流水，是用户购买后的消费金额，天猫在双十一对外发布的战报是成交额。
3）销售收入
它指的是成交金额减去退款后剩余的金额，属于内部机密数据了。
如果把上述的三个指标看作用户支付的动态环节，则能再产生两个新指标。
成交金额与 GMV 的比率，实际能换算成订单支付率，它体现的支付的流畅度；销售收入和成交金额，也涉及到了退款率，它体现的是产品质量。
4）付费用户量
在产品里边产生过交易行为的用户总量，同活跃用户一样，交易用户也可以区分为首单用户（第一次消费），忠诚消费用户（持续购买的用户），流失消费用户（流失后又回来的用户）等。
同时，为了研究用户的付费潜力，你还可以研究下产品的付费用户比例：
付费用户比例 = 付费用户 ÷ 总注册用户
5）ARPU
在单个促销活动中，它指的是每一笔用户订单的收入，总收入/订单数。而在整个产品生命周期中，我们更关注用户平均付费，总收入/用户数。
ARPU 可以再一步细分，当普通用户占比太多，往往还会采用每付费用户平均收入： ARPPU = 总收入÷ 收费用户数
6）复购率
和新增用户一样，获得一个新付费用户的成本已经高于维护熟客的成本。复购率更多用在整体的重复购买次数统计：单位时间内，消费两次以上的用户数占购买总用户数。
比如运营研究社的技能训练营在第一季度有 1789 个付费用户，购买次数在两次以上的有 657 人，那么我们季度复购率是 36%。
社区型产品转化指标
社区型产品的首要目的是将用户聚集在一起，并且引入用户生成内容，它的核心关键在于培养一个能够生成内容的活跃用户社区。
1）内容生成者
参与内容生存的用户总量，其中我们以内容生产比例（内容生产者/用户总量）来衡量一个社区的内容生成健康度。
最近很多大厂都在模仿小红书做社区，其实它们想超越小红书还是蛮有难度的，因为小红书的最大壁垒在于内容生产者数量。
2）内容互动者
指的是在产品里边有生成内容、阅读内容、评论内容、分享内容、收藏内容、投票（任一）行为的用户总量.
其中我们以内容互动比例（内容互动者/总用户量）来衡量整个产品的用户参与度。
3）内容价值
指的是通过内容产生的实际收入，具体包含广告收入、分成收入、订阅付费等。
比如你在社区里边发布了一个卖货广告图文，该图文阅读量为 4000，产生的分成收入是 2000 元，那么内容价值就是 2000 元，内容单个阅读量收入是 0.5 元。
企业型产品转化指标
目前大部分企业型产品会通过免费试用来吸引用户，通过后续的运营来将试用用户转化为付费用户。
对于设置了分级收费模式的企业型产品，运营还需要引导用户购买更高级更好的服务。
所以，针对企业型产品的运营来说，你需要重点关注如下转化指标。
1）体验用户量
申请体验企业服务的的用户总量，运营需要以体验率（体验用户量/用户量）来衡量产品的包装吸引力。
2）付费用户量
对于企业服务类产品来说，最需要非常关注的是有多少免费用户最终成为了付费客户，运营需要以转化率（付费用户总量/体验用户总量）来衡量产品的市场匹配度。
3）追加销售量
有多少人升级到了更贵的服务级别，运营需要以追加销售比例（总加销售用户/总付费用户）来衡量产品的售后服务能力。
4）平均客户营收
单位时间里平均每位客户带来的营收（销售额/付费用户），相应的还有客户终身价值，它指的是客户使用产品过程中的付费总额。
3个产品的传播指标
现在产品都会内嵌分享功能，对内容型平台或者依赖传播做增长的产品，对病毒式增长的衡量就会变的至关重要。
1）病毒 K 因子
它是在国外用得广泛的概念，它指的是现有用户能够成为获取的新用户数。
欲计算病毒 K 因子，首先需要计算出邀请率，即发出的邀请数除以现有用户数，然后计算出邀请的接受率，即用新注册数或新用户数除以总邀请数；最后将两者相乘。
当 K 因子大于 1 时，每位用户能至少能带来一个新用户，用户量会像滚雪球般变大，最终达成自传播。当 K 因子足够大时，就是快口相传的病毒营销。
2）传播周期
传播周期指的是用户完成从传播到转化新用户所需要的时间，通常传播周期越短，意味着用户裂变传播的效果越好。
假设 1000 位种子用户在 10 天邀请了 1500 位用户，那么传播周期为 10 天，K 因子为 1.5，这 1500 位用户在未来的 10 天内将再邀请 2250 位用户。
实操案例：计算病毒式传播系数的量化例子
在下图给出的社群裂变活动例子中，有 2000 名用户对外发出了 500 次邀请，其中有 1000 进了社群。
通过计算我们可以算出这次社区裂变活动的病毒 K 因子为 0.5，从理论上这就意味着每两位现有用户就可以成功邀请 1 个新用户，而每两位新用户又可以成功要求 1 个新客户。
如果想要提升 K 因子，就需要重点提升邀请率，增强邀请发出的刺激。
你该如何选择数据指标？
以上是你在运营过程中可能会用的数据指标，为了让你轻松的掌握它们，这里我们做一个汇总吧。
这么多指标到底选择哪个指标进行运营效果衡量，是需要具体结合你的运营场景的。场景不同，会用到的指标也不同。
以运营研究社组织组织的创作大赛为例，分析一下它的指标选择过程：
1）明确目的
每一次运营行为都伴随着具体的运营目的，对于电商大促来说它目的通常是提升平台 GMV，对于社区产品来说它的目的通常是提升产品 DAU。
对于运营研究社的创作大赛来说，本次活动的主要目的是提升公众号的关注量，那么它的首要指标就是新增关注量。
2）梳理流程
运营目的指标只是一个结果，它的达成是需要一系列的运营事件。运营研究社创造大赛涨粉目的的达成，包含报名参数、提交选题、文章写作、排名拉票等。
3）对应指标
针对运营流程中的事件，找出相应的指标。分析完运营研究社创造大赛的流程后，不难得出指标公式：
涨粉量 = 报名用户量 * 选题转化率 * 写作转化率 * 人均拉票量
通过上述对运营研究社创作大赛的分析，得出公众号涨粉数量是本次活动的第一指标，同时包括报名用户量、选题转化率、写作转化率、人均拉票量4个可操作指标。
1个运营必会数据分析操作方法
关于数据分析从业者们有一个共识——“数据是发现问题的神器！”
可在真实的工作环境中，你就会发现数据并不能帮助你发现问题。比如下面这组数据，看完后你能够看出什么问题嘛？
其实，很难看出问题的！
因为真正的数据分析并不是事后才进行数据工作，而是应该在运营事件开始前就有数据分析意识，并且在运营执行过程就不断的观察数据和调整方案。
完整的数据分析，具体来说包含如下 5 个步骤。
第一步，梳理业务流程，对于已有数据的业务，可先做分析了解业务。
第二步，根据流程拆解核心数据指标，形成数据分析指标报表。
第三步，对数据分析指标进行预测，并且给出应对措施。
第四步，每日统计数据报表，观察业务指标数据状态。
第五步，根据数据指标结果，最终产出运营决策。
同样为了让大家充分理解这个数据分析流程，下面举个例子：
实操案例：某社区上线了一个内容推荐新功能，在灰度期间需要通过小范围内测来判断该功能与用户需求的匹配情况，以便后续做出是否全量推广该内容推荐功能的决策。
在这样的一个业务背景下，我们按照上面 5 个步骤来进行数据分析
第一步：梳理业务流程，并且制作分析报表
该功能的推广主要为站内推广，通过 Banner 和 App 推广让用户看到这个内容推荐功能后，有需要的用户会进行点击该功能并且阅读内容。
如果觉得它好的话，用户隔一段时间还会过来继续使用该功能。对于该内容功能是否符合用户需求的评估，最重要的是指标每天是留存用户以及留存率。
第二步：根据流程拆解核心数据指标，形成指标报表
留存用户量与留存率作为本次功能灰度测试的核心指标，将它进行细化拆解可包含次日留存、2 日留存、3 日留存….等数据指标。
并且为了方面观察每天新增的用户留存情况，这里以日期为单位进行分组制作成报表。
第三步：对数据指标预测，并且给出解决应对措施
“留存用户” 是内容推荐功能在灰度测试阶段的核心指标，考虑到灰度测试覆盖到的用户是产品里边已有的活跃用户，我们将次日留存率预测值设定为 60%。
作为内容推荐功能而言，它的留存率主要受推荐的内容质量的影响，当次日留存低于 60% 时，运营需要对内容点击情况进行深入分析，同时推荐更多优质和热点内容，以吸引用户再次点击该功能。
第四步：每日统计数据指标，观察业务指标状态
在灰度测试期间每日观察指标数据情况，发现数据异常及时做出调整。在案例中，内容推荐功能上线的第一日新增的用户次日留存仅为40%。
此时运营针对推荐的内容情况，发现今日推荐的内容类型太过单一，需要在丰富度上做出调整优化，同时运营需要持续关注优化后的数据情况。
第五步：根据数据指标结果，最终产出运营决策
根据数据洞察，指引运营的决策制定。比如加大该内容推荐功能的内容投入，将每日推荐更新的内容条数控制在 30 条以上，同时全量推广该内容推荐功能，让它的功能使用率占比提升至 60%+。
本文图文有点长，你看的可能会很慌，最后我们来做一个总结吧。
1）运营需要会数据分析是一种趋势，它是决定你能否拿高薪的关键。
2）数据字段是数据分析的底层元素，用户的信息字段和行为字段要尽可能的多。
3）数字指标是运营状态的衡量方法，比例指标相比于绝对值指标更能指导你的工作
4）确定你的核心运营指标后，需要按照业务流程将它拆解成更多可执行的指标。
5）梳理业务流程-制定指标报表-做出指标预测-观察指标状态-做出运营决策，是运营必须掌握的数据分析流程。
