本文将对数据分析的关键知识模块做介绍，可以为你解答以下问题：

为什么要做数据分析？

数据如何驱动运营？

数据分析的指标有哪些？

数据分析的模型有哪些？

怎么评估用户价值？

数据分析报告怎么写？

数据可视化工具 ...

一、数据的价值

（一）数据驱动企业运营

从电商平台的「猜你喜欢」到音乐平台的「心动模式」，大数据已经渗透到了我们生活的每一个场景。不论是互联网行业，还是零售业、制造业等，各行各业都在依托互联网大数据（数据采集、数据存储、数据处理、数据挖掘、数据分析、数据呈现）实现企业价值。

企业中数据从产生到应用依次要经过数据源层、数据仓库层、数据建模层，最后到数据应用层，经过层层加工逐渐支持到上游的应用环节。

数据应用层是数据产生价值的出口，通过数据挖掘、用户画像建模、推荐算法的制定，可实现千人千面的个性化内容推荐。「个性化」内涵是内容与用户的高度匹配，以达到提升体验、提升高黏性、促进销售转化的目的。

（二）数据驱动产品运营

数据分析对业务发展、产品优化、精细化运营也起到了关键支持。

数据驱动产品、数据驱动运营的关键在于「可以通过数据分析提出产品优化思路，提出运营提升的举措，快速上线验证效果，重新优化，进入新的增长循环」。

数据运营的关键应用场景有：

评估产品改版（新功能）效果
发现产品改进关键点
构建用户画像，以便开展精细化运营
优化用户体验
发现业务运营中存在的问题
运营效果分析、ROI分析
数据总结与向上汇报

......

二、如何用数据驱动运营

（一）数据驱动运营的内涵

数据驱动运营是一个很宽泛的概念，但拆分下来，数据驱动运营有三个内涵：

产品运营人员要具备数据意识，通过数据发现问题
产品运营人员可以通过数据管理本职工作，用数据解决问题
让数据说话，提高各部门的沟通效率

（二）数据驱动运营的工作流程

1. 定义数据分析目标

明确目标，意味着运营人员（或数据分析师）要站在数据结果输出对象的角度去思考。

对于管理层来说，往往会关注以下几个结果：

重大决策最终反应在了哪些指标上
这些指标有什么关联
业务全局有什么变化趋势
与过去相比，哪些进步了，哪些退步了
数据暴露出了什么问题，需要做什么调整

产品运营人员则更关注细节。整体来看，运营数据分析的目标主要有三类——即「解决是什么、为什么、做什么」的问题，具体的数据分析目标还要结合实际工作来定义：

是什么：如运营举措的效果如何？产品优化的效果如何？用户使用情况是怎样的？用户的体验反馈如何？
为什么：如转化率为什么提升/降低？用户为什么会产生意料之外的行为？运营举措和产品优化为什么有效/没有效果？
做什么：如运营策略该如何调整？产品该怎么优化？业务战略该怎么调整？

2. 数据指标拆解

在确定了分析目标后，就需要进行数据指标拆解。明确要分析哪些具体的数据指标，为了避免遗漏关键细节，可以先对业务（或某一个活动、使用场景）流程做梳理，得出每一个节点的数据指标项，根据分析目标需要，保留关键项，剔除多余项。

3. 数据采集

定义数据源：在分析数据之前，要对数据来源、统计口径、统计周期加以定义，以便提交「数据提取」需求。
数据的获取途径：数据来源包括埋点数据、运营平台、业务平台、第三方平台、回访调研等。运营人员要对不同数据源的真实性、准确性做把关。

4. 数据可视化

使用图表工具，将数据可视化，更容易发现数据的趋势、极值、联系。不同图表类型适用于不同的分析场景。

散点图：用于描述数据之间的规律

折线图：描述数据随着时间变化的趋势

面积图：折线图的延伸，更注重数据和时间趋势的变化关系

柱形图：类别之间的关系

饼状图：数据之间的占比

漏斗图：转化率分析、占比分析

雷达图：个体数据的属性和可视化，常用于用户画像、CRM

树形图：适合数据量大、类别多的情况，比如各类电商的SKU

桑基图：解释数据复杂变化的趋势，一对多或者多对一

热力图：属性和维度的规律组合，有点像折线图

关系图：不同种类的关系，常用于社交媒体

箱线图：统计学图表，用于研究和观察数据分布，对比数据分布等

标靶图：用于业务销售完成情况等

词云图：文本分析利器

地理图：数据和空间的关系

5. 数据分析

解决问题是数据分析的最终落脚点。这一环节的目标是发现数据的特征、规律、数据之间的关联，通过对数据的洞察解决实际问题。

6. 输出数据分析结论

数据分析的结果可以根据需要以Word或PPT的形式呈现。

报告应采取总分总的格式：

总述：阐述数据分析的背景、目的、目标、分析思路、目录、关键发现。
分述：对业务按多维度细分分析，用数据图表与相应结论阐述观点。
总结：提出结论与优化建议、行动计划、对业务发展做预测，提出策略与结论、附录。

根据实际工作需要，「报告」不一定是必须的，数据分析的结果是为了下一步的行动计划作支撑。

7. 测试验证

根据数据分析结论，按照计划开展优化测试，对测试效果展开分析，以此开启新的数据分析进程，形成数据分析工作的闭环。

三、数据分析的基本指标

（一）基础数据指标

基础数据指标参考了增长黑客理论中的AARRR模型，针对用户从新增到流失的多个环节，来定义相应指标。

新增：日/周/月新增。

这里有两个维度，增量与增速。新增用户增速是产品增长的基础

传播：病毒系数、传播周期。

平均每位老用户会带来几位新用户？大于 1 的时候，产品才可能出现爆发式的指数增长。

老用户一般在注册（新增）后多长时间带来新用户？传播周期越短，增长速度越快。

活跃：活跃用户数DAU/MAU。

只有活跃用户才能为产品带来价值。

留存：留存率：次日、周、月。

使用产品的时间越久（活的长久），对产品的潜在价值越大

留存的计算业内有多种方式，但大多数采用了下方的计算公式：

次日留存率=（当天新增的用户中，第2天还登录的用户数）/第一天新增用户总数；

七日留存率=（第一天新增的用户中，在往后的第7天还有登录的用户数）/第一天新增总用户数；

月留存率=（第一天新增的用户中，在往后30天还有登录的用户数）/第一天新增总用户数

流失：流失率。

一段时间内流失的用户，占这段时间活跃用户数的比例。只有当产品新用户增长的速度大于老用户流失的速度时，产品的活跃用户数才会是正增长。

（二）用户行为数据指标

另一个维度，立足于用户行为，可以根据提升黏性、提升参与度、提升转化这三个目标定义具体的数据指标。

黏性指标：留存率、周活天

留存率反应产品是否满足用户需要。周活天反应用户忠诚度。

参与度指标：活跃度、停留时长、访问页面数量
转化指标：用户从上一环节到下一环节的转化率

这两种指标体系都具有参考价值，可以根据自身实际情况适当组合。

四、用户分群

（一）用户分群

用户分群是精细化运营的基础要求，也是数据分析的最基础方式。对用户进行分群，能帮助我们了解每个细分群体用户的变化情况，进而了解用户的整体现状及发展趋势。同时，由于运营资源本身有限，不可能真的做到一对一的个性化运营，但针对群体的运营是十分必要的。

（二）用户分群模型

用户分群的首要任务是根据具体的业务场景，确定不同的分类规则，给出清晰的定义。

1. AARRR模型分群法

借鉴增长黑客AARRR模型，可以把用户分为：

注册用户：通过不同获客渠道完成注册的用户。
活跃用户：注册且登陆的用户。
留存用户：一定时间内未流失的用户。
下单用户：对营收产生价值的用户。
忠诚用户：对产品高度认同及依赖的用户。

2. RFM模型分群法

（1）RFM模型——用于建立分群维度

传统行业对用户分类最常用的方法是RFM模型，RFM分别是三个英文单词的首字母。

R（Recency）代表消费新鲜度。理论上，最近一次消费时间越近，说明此用户相对来说是比较优质的用户，对提供即时的商品或者服务，他们是最可能及时响应的。
F（Frequency）代表消费频率。是用户在某段时间内购买商品或服务的次数。一般来说，消费频率越大，顾客忠诚度越高。
M（Monetary）代表消费金额。消费金额体现用户的消费能力。

（2）用户五等分模型——用于明确分群规则

美国数据库营销研究所Arthur Hughes用户五等分模型，将指标按下列规则分类：

1）查询近一个月（查询时间往前推30天）所有内容创建者最近一次的登录时间。

2）按最近一次登录时间距离查询当日的时间排序：前20%标记为R5，记为5分；前20%～40%，标记为R4，记为4分；前40%～60%，标记为R3，记为3分；前60%～80%，标记为R2，记为2分；前80%～100%，标记为R1，记为1分。依此类推，将创建内容的用户分成五等分。

3）查询出内容用户在一个月内登录的天数，及创建的内容数，按同样的方法五等分进行标记。

4）将R5、F5、M5等同于5分，R4、F4、M4等同于4分，R1、F1、M1等同于1分，将每个顾客对应的三个数字相加，作为内容提供用户价值的得分。

（3）RFM模型分群法的应用

1）细分用户群分析

对某个或某几个用户分群进行分析，从而给出具有针对性的运营建议。如对R1、R2的用户进行分析，找到活跃用户的共性，从而反推用户不活跃或流失的原因。

2）顾客价值评估

基于用户五等分模型，对用户进行价值评估。在资源有限的情况下，可以优先满足10分以上高价值用户的需求，同时通过完善权益机制，激励9分以下的低价值用户升级，引导整个用户体系的良性发展。

用户价值划分：

3～5分：低贡献用户

6～9分：一般用户

10～13分：优质用户

14～15分：高价值用户

3）流失用户监控

基于R、M两个维度，对不同分值用户打上标签，区分出高价值忠诚用户、高价值流失用户等，以便展开具体的运营举措。

R≥3且M＜3，打上标签：低价值忠诚用户。

R≥3且M≥3，打上标签：高价值忠诚用户。

R＜3且M＜3，打上标签：低价值流失用户。

R＜3且M≥3，打上标签：高价值流失用户。

3. 关于「同期群」

同期群是一种用户分群的方式，按用户的新增时间将用户分群，得到的每个群叫一个同期群。

由于同一项产品改进对不同同期群中的用户产生的影响是不同的，分开衡量才更能反映真实的情况，因此，我们常常会进行同期群分析。同期群分析是指将用户进行同期群划分以后，分析和对比不同同期群组用户的相同指标。

五、数据分析模型

很多时候我们听到「模型」两个字都会觉得高深莫测，当然也有不少人会对这种「学院派」的做法嗤之以鼻。但实际上，模型只是「对数据分析思路的抽象」，通过模型能快速帮助我们梳理思路，理清数据的内在关联。

数据分析模型有很多种类，本文里我们不涉及技术，只对关键的逻辑模型做重点说明：

挖掘算法模型：主要是针对具体的业务问题，通过数学算法等方式输出计算结果，如预测、聚类、文本挖掘。

数据库模型：结合业务对底层数据进行整合

逻辑模型：是指通过一些指标的内在联系组合起来的可分析问题的模型。比如RFM模型以及「增长黑客」中常用的AARRR模型。

关于「增长黑客」的理论、方法、工具等内容，我们将在后续文章中详细介绍。

1. 4P营销理论（适用于业务整体分析）

4P营销理论是密西根大学教授杰罗姆·麦卡锡（E.Jerome Mccarthy）在20世纪60年代提出的。这个理论将营销组合的要素分为产品（Product）、价格（Price）、促销（Promotion）、渠道（Place）四要素，使得营销简化并方便记忆和传播。

产品：在产品维度，侧重回答我们的产品是什么？是否实现盈利？产品如何满足用户需求？产品的目标用户是谁？产品的优化是否有效？存在什么问题？

通常我们理解的产品是有形的，但实际上这是狭隘的观点。实际上产品可以是任何在市场存活的，满足用户某种需求的东西，它可以是实物，也可以是服务、人员、技术、组织、智慧等或以上若干种的组合。

价格：在价格维度，侧重分析产品如何定价？收入情况如何？ROI如何？哪些环节会影响到收入？
促销：促销维度则关注促销方式是什么，效果怎么样？
渠道：渠道质量如何？渠道覆盖如何？用户的渠道偏好是怎样的？

2. 5W2H（适用于向领导汇报数据分析计划）

5W2H是以5个以W开头的英文单词及2个以H开头的英文单词为缩写的简称，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开分析，帮助理清分析思绪。

What：数据分析的对象是什么？
Why：数据分析的背景是什么，为什么要做这次数据分析？
Where：数据源是什么？
When：数据采集时段是多久？
Who：谁来执行具体的数据环节？
How：如何执行？
How much：需要投入什么资源？

3. 其他模型

PEST：适用于宏观环境的分析。
SWOT：适用于做战略分析。

六、用户生命周期价值

1. 用户终生价值的计算 (life time value)

LTV =（某个客户每个月的下单频次*客单价*毛利率）*（1 /月流失率）=（某个客户每个月的下单频次* ARPU *毛利率）*（1 /（1-月留存率））=用户生命周期内下单次数*客单价*毛利率

1）ARPU值的计算

ARPU（每个用户的平均收入）=某段时间内的总收入/同时期内活跃用户总数；

2）流失率的计算

流失率指的是一段时间内，有多少比例的用户不再使用你的产品了。所以流失率=在某段时间内流失的用户/同时期内活跃的用户，流失比较难定义，但留存比较好定义，故月流失率近似等价于1-月留存率；流失率的倒数用来表示预测的用户生命周期，如果一个产品的流失率为10%，则产品对应的生命周期为10个月。

2. 应用场景

1）评估运营活动是否盈利

单个用户毛利=用户生命周期价值-获取用户成本-运营成本= CLV - CAC - COC

很多产品在初期一直以补贴用户的形式来留住用户，长此以往，资金链一旦断裂，将无以为继。只有当用户的毛利大于0时，产品才能良性地、持续稳健地发展下去。

2）追踪投资回报率

计算公式：ROI =转化率* ARPU/ (CAC + COC)

七、数据指标的拆解

作为运营负责人，常常面临分工不明确，考核难量化等问题。

将KPI进行拆解也是常见的分析方法，其核心思想是将KPI指标（如营收）拆解到各个业务线去，再由各业务线进行二次拆分。

为了促进流量运营、用户运营、内容运营等各运营团队之间的协作，可以将营业收入KPI以乘积的方式分解成各运营团队的KPI，各团队不仅需要完成各自KPI还需要相互合作才能完成共同KPI，有效减少了团队间的内耗。

例如，若整个大部门背负着收入指标，则根据计算公式：收入=客单价*付费用户数=客单价*用户数*付费转化率，可以将客单价、付费转化率、用户数作为不同小团队的KPI。

八、数据可视化工具推荐

网络上可搜寻到的数据可视化工具非常多，在数据图表制作、平台操作上也大多相似，但也各有特点，可以根据展示效果需要来选择工具。

1）花火Hanabi

可制作数据动图、短视频素材

2）镝数图表

除了数据图表制作外，有大量模版，可以制作数据展示的海报、长图文

3）图表秀

可制作PPT格式的数据分析报告、制作在线数据网站（包含点击交互效果）

4）思迈特Smartbi

企业数据分析BI解决方案

5）Datawrapper

适合外企，可制作图表、地图、报告，支持导出链接、pdf等格式

作者： AliG 运营人都在看的知识库

数据分析的理念、流程、方法、工具