在业务运营过程中，无论我们想要获取线上GMV增长，还是提升线下千万级销售额，数据分析都是检验运营效果，驱动运营迭代升级的基础。

数据分析的重要性不言而喻，但同时优质的数据分析又是一件比较繁琐的事。我们过去操盘一些客户案例时，会发现在项目前期，往往需要大量的时间用来磨数据，优化运营手段。

比如仅仅一个“加粉”环节，就要拉出十几组数据做对比，才能最终选定最佳的加粉话术。

为什么要做这么精细？

因为私域运营和常规运营的数据分析方法，在底层逻辑中存在一定区别。

常规的运营数据分析是“转化逻辑”，一切分析指标都要为最终的转化成单服务。比如电商运营十分重视投放ROI、销售额、转化率等结果数据，ROI能跑正就可以开始大量投放。在这里，数据分析的作用是让转化“越快越好”。

而私域运营的底层逻辑是以用户为中心的“精细化运营逻辑”。精细化体现在数据分析上是更细的分析颗粒度。

当然，做私域的最终目的是为了转化，但其中包含的是用户全生命周期的运营。因为当用户在品牌私域中可被反复触达时，越急于收割，用户反而会越快离开你的私域平台。

那么，如果刚开始做私域，该如何选取合适的数据分析指标，又该如何分析呢？

一、初期：用户指标、活动指标

私域运营既然是以用户为中心的运营逻辑，那么运营指标关注的，就是对人的运营。

在私域运营初期，数据分析关注的是用户指标和活动指标。

01.用户指标：加粉率、活跃度

• 加粉率

我们先来看一下加粉率。

做私域运营，最重要的当然是将用户沉淀在自己的私域中，沉淀的第一步，就是加粉。品牌通过多种渠道及方式引导用户添加自己的企业微信（当然仍有部分品牌选择添加个人微信），最终计算申请数与加上用户好友的比例，得出加粉率。

在这一步，很多品牌存在两个问题。一个是只关注加粉数量，不重视加粉率；另一个就是在加粉率的统计上，十分笼统，仅仅会列出个同比环比，不会下钻进行分析。

加粉率之所以重要，是因为在“用户同意添加好友”背后，代表着用户有同品牌建立进一步联系的心理预期，能够为后续运营打下基础。

在加粉率的统计上，则需要利用数据分析，针对不同渠道、指标变换不同参数，择优选择加粉方案。

首先，在加粉渠道上，比较常见的是线上渠道的包裹卡、短信、裂变、人工外呼、AI电话等，以及个人微信转企业微信。线下渠道主要是以导购添加顾客企业微信为主。

在数据分析上，我们可以针对特定渠道，进行精准控制变量，对加粉率进行分析。

以上是一个简单的渠道分析案例，在这个案例中，渠道、申请数、发送地区、年龄、性别等保持不变，唯一变量是发送时间。

经过分析可得知，下午18:00进行发送的加粉率效果最佳，加粉率为4.43%。经过多次测试后就可以选定该固定时间段，进行大规模加粉行动。

活跃度

用户活跃度是一个比较综合的指标，它表示的是当用户进入到品牌私域中后，同品牌的互动情况。

广义来说，用户进入私域后产生的所有行为都可以算作“用户活跃”。比如1v1私聊中的回复率，群聊的入群人数、打卡数、回复消息次数，朋友圈点赞数等等。

由于指标较多，所以在进行指标拆解时，需要结合用户的生命周期、运营周期和特定的节奏频率等维度。

我们以社群为例，来看一下如何分析用户活跃度。

社群作为私域运营的主要载体，通过对其进行数据分析，可以挖掘品牌KOL，促活沉默客户。主要分析维度可以分为用户行为和内容两个角度。

在用户行为角度，又可以分为互动次数、互动时长、互动内容量等。

互动次数包括所有的互动类型，只要是用户有行动，即使是仅仅发了一个表情包，都代表了用户的参与感，应该统计在内。

互动时长指的是在数据统计的周期内，用户实际互动的时长。比如用户A和B同样在一周内有30次互动，但用户A在一天内互动了30次，用户B每天都会有互动，这就代表着A和B对社群的依赖程度是不同的。

互动内容量也是衡量用户参与度的一个重要标准。在这个语言匮乏的时代，文字消息更能够传达用户的情感、需求、社群参与度等。对这些细节的分析，更能够体现出用户在私域中的参与感。

在内容角度，社群内可发的内容很丰富，包括文字、图片、小程序、红包、趣味活动等等。

那么针对社群内容的数据分析应该能够明确了解，什么样的内容是受群内用户喜爱的，比如能够分析不同类型的消息次数、占比和互动排名情况，通过数据来合理分配社群的内容产出量。

02.活动指标：UV/PV、到店数、转化率、ROI

一般对活动进行数据分析时，我们可以按照“前中后”的逻辑来制定分析指标。

首先，在活动前实时监控报名数据，通过观察总访问量（PV），总参与人数(UV)等数据，我们可以随时调整活动进展，发现异常后也可及时进行策略调整。

在活动进行中，品牌可以通过观察用户画像，知晓活动的主要参与人群。同时实时监控当日UV和PV，了解活动过程。

最后可以对到店数、转化率、活动ROI等进行分析，结合活动前和活动中记录的数据，对下次活动进行迭代调优。

二、中期：业绩指标

经过前期私域基础搭建后，就到了该出成绩的时候了。如何制定检验成绩的数据指标（KPI），是这个阶段数据分析的重点。常见的私域业绩指标可分为门店到店率、转化率、转介绍率等。

01.到店率

对于广大线下门店来说，到店率是一个十分重要的指标。根据漏斗模型，到店率与转化率成正比。尤其是现阶段很多品牌都力图打通线上线下的链路，更需要提升到店转化的数量。

对于有些高频到店的行业，比如餐饮等，还需要关注到店2次、3次及以上的情况以及人均消费等数据，针对不同到店频率的用户赠送不同权益。

02.转化率

私域转化率=成交购买人数/私域总人数。随着私域运营方法论的发展，以及各大品牌发力布局私域赛道，令私域转化率节节攀升。

针对转化率的数据分析，我们可以用人、货、场的逻辑，拆解在私域中影响收入的指标，同样用“指标拆解法”快速定位即可。

03.转介绍率

私域运营中的另一个重要指标就是转介绍率。私域天然的种草培育用户属性，同传统的广告投放形式相比，能够大大提升用户的裂变传播效应。

所以反过来看，转介绍率的高低，也正说明了私域运营的效果。

三、稳定期：管理指标

当前期通过数据分析跑通私域模型后，私域运营就来到了稳定期阶段。稳定期所需要关注的是管理效率和人员效率。所以，在这个阶段需要关注的数据指标集中在员工的个人考核上，比如员工的加粉数量、加粉率、被删率、任务执行率等等

对于团队KPI的设置，可以将平均人效作为衡量私域团队工作效率的基础，比如“人均产出营收额”等。

总结

私域运营的核心是数据驱动，完整的用户体系其实就建立在数据驱动上。所以企业做私域的基础就是能够提前布局适合自身的数字化体系，沉淀数据资产，维护好用户的全生命周期价值。

数据分析是运营的核心能力之一，在活动运营中更是如此。

数据分析应用能够帮助活动运营从主观到客观，从混乱到可控，从缺陷到完善，是贯穿活动始终、指导活动运营的指南针。

今天就系统聊一聊在活动运营工作中如何用好数据，涉及到数据分析具体方法、不同类型活动数据分析、活动成本收益评估和AB对比实验，希望对你有所帮助。

全文较长，结构如下：

一、运营数据分析基本功

说到活动运营，很容易想到天马行空的创意和疯狂传播的玩法，而创意idea和策划运营背后也需要数据分析提供有力的支持。

不少活动运营不能说没有数据分析的能力，因为ta还没有数据分析的意识。

数据分析意识，即关注数据、重视数据，在运营各环节中更多基于数据分析做决策和动作。

关注运营目标、减少经验依赖、增加数据支持，先树立数据分析意识是做好数据分析的前提。

有了数据分析意识，再说数据分析能力。数据分析能力更关注分析方法思路：如何拆解定位问题？如何找到分析维度？常用的分析方法模型？这是学习应用数据分析应该重点关注的内容。此外，说到数据分析能力很多人想到数据分析工具，对于运营来讲，工具重要性会低很多，Excel基本够用，其他工具能力有则加分，但非必要。

重点介绍下数据分析的基本功：分析流程和分析方法。

1. 数据分析流程

数据分析的终点是得出原因结论，形成指导后续方向和行动的建议/决策。

而到达数据分析终点需要3步流程：

第一步，明确问题或目标。

这是数据分析的起点，决定了数据分析的中心和方向，是有效数据分析的前提。在明确问题时，需要避免先入为主的问题界定，更多从现象和数据出发，并且划定问题的范围和目标，进而能够指导后续的分析范围和分析思路。

第二步，拆解分析原因。

基于确定的问题或目标，进行进一步的拆解分析，定位出导致问题/影响目标的关键因素。大部分情况会出现多个影响因素，需要判断分析影响大小，验证因素作用。高效拆解分析需要数据分析方法和运营实践经验的结合，方法下文分享，经验慢慢积累。

第三步，得出建议结论。

数据分析最后一步的价值是找到问题的解决建议方法或目标的达成路径，需要输出结论和建议。结论指问题的关键因素、因素的影响方式/大小、其他相关因素，建议指如何去影响关键因素、需要采取何种行动、行动的思路和策略。数据分析后，要继续行动起来。

2. 数据分析方法

数据分析方法模型非常多，需要结合分析需求，灵活选择，针对复杂运营分析问题，一般都需要采用多种分析方法模型。这里与你分享3个常用的必备分析方法。

方法一：对比分布分析法

对比分布分析法是最常用分析方法，帮助分析前期找出差异界定问题。

对比核心是解决如何有效比较、找出差异明确特征的问题。与外部对比更多是看差异，而内部对比则是重点看变化。

具体比较时，可以比规模：关注总量/平均数/中位数，也可以比波动：关注方差/标准差/极差，还可以比趋势：关注环比/同比/变化。

方案二：路径漏斗分析法

路径漏斗分析法尤其适合活动运营，能够有效监控流程效果、定位关键因素。

使用路径漏斗分析法首先需要拆分活动阶段，宣传触达阶段、参与分享阶段、裂变转化阶段…然后明确各阶段用户的行为，尤其是高价值的用户行为，再梳理对应的数据指标，形成完整的路径漏斗。实际监控中，结合对比分析，关注变化差异和异常数据，进行分析应用。

方法三：维度拆解分析法

在定位具体问题原因、拆解目标组成要素时，维度拆解分析法发挥着巨大的作用。

很多情况下，我们面对的是问题的表象或者叫结果，而数据分析需要找到具体的起因，这个时候将整体数据和问题进行维度拆解，是发现起因的有效手段。

常见的拆分维度如时间维度、渠道维度、用户分层等，比如促销活动每日销售额下滑，可以从渠道维度拆解，是微信内成单下降还是APP成单下降，也可以从订单维度拆解，是订单数量减少还是订单金额减少，通过不断的拆解定位到最终原因，指导后续运营动作。

数据分析是一个持续的工作，需要形成意识保持重视，同时数据分析也是一个复杂的工作，需要学习方法积累经验，打好基本功，做数据分析才会更轻松。

二、贯穿活动的数据分析

数据分析在活动运营中的应用是贯穿始终的，每个环节都可以发挥数据的价值。

1. 活动前如何用数据

活动前期需要做什么呢？首先是活动立项，在特定目标和背景下，决定去做一个活动；随后明确具体目标和资源，指导活动策划和资源投入；然后就是进行活动策划沟通，形成活动方案推进实现落地。

数据在其中能够发挥什么作用呢？

首先是前期立项阶段，需要数据支持说明必要性。

为什么要做这个活动？能够解决什么问题？通过调研分析、数据拆解、运营洞察，能够支持说明活动的必要性。

其次在明确目标阶段，需要数据支持明确导向性。

活动目标如何制定？是否合理？多通过竞品活动、历史活动数据，对比差异界定整体大概目标，在进行活动流程拆解，确定资源投入，逐步预估各环节效果，提升整体目标的准确性。

最后在活动策划阶段，需要数据支持提升可行性。

为什么这么设计活动流程规则？如何保证活动效果？从时间节奏、场景渠道、活动奖励、用户特征、流程特点、及成本收益角度出发，结合数据对比/拆解，支持活动的玩法流程制定。

2. 活动中如何用数据

活动前期筹备实现之后，随后就是上线运营，这个时候活动数据监控及迭代优化成为重点。

活动数据监控保证对活动功能状态及运营效果的掌控，保障活动稳定进行。

活动监控通过对活动流程拆解，关注各环节过程指标及最终目标，也可在整体数据基础上从时间维度、渠道维度、用户维度等进行进一步的拆分，从而更精准的监控活动效果。

在数据监控的基础上，需要结合数据分析在活动进行中进行调整和优化。

寻找优化思路有多个角度，如时间维度上看数据波动，关注数据异常提升或下降，分析具体原因；用户/渠道维度看特征差异，关注不同渠道或不同类型用户的活动数据差异，重点投入优势渠道和用户；还可以从历史数据维度看提升空间，根据历史活动和行业竞品数据明确当前活动的效果和提升空间，决定优化的价值和投入。

3. 活动后如何用数据

活动结束后，数据是反应活动效果、进行复盘总结的有效方式。

活动结果应突出明确核心指标结果、辅助指标结果和过程指标结果，对比目标与实际的差异，同时进行维度拆解，定位活动效果好/差的具体原因，是某个渠道不行？还是某批用户参与效果超出预期？这样才能够获取有价值的活动经验，指导后续更多活动的策划运营。

数据分析在活动前中后都发挥着重要的作用，可以说关乎着活动的成败，重视数据并用好数据。

三、回归目标的成本收益

在活动运营中，离不开“钱”，其中既包括活动投入的成本费用，也包括活动产生的各种收益，以及成本与收益的相对关系，也就是投入产出比（ROI）。

1. 先聊活动中的成本

拉新/转化/促销活动大都涉及到成本费用投入，需要准确计算评估：

（1）拉新活动有拉新获客成本

即花多少钱能带来一个新用户，也叫用户获取成本（CAC，customer acquisition cost），多用拉新活动的总成本（包括推广成本、奖品成本…）除活动带来的新增用户数计算。

CAC体现了获取用户的费用高低，影响着拉新活动的可持续性，而真正决定拉新活动效果的则是用户获取成本和用户生命周期价值的相对关系，也容易理解，拉新活动可以花100块获取一个新用户，最终用户在产品内消费贡献了1000块，那么这样的拉新活动必须大力做。

（2）转化活动有首单转化成本

即花多少钱让新用户完成第一单，首单转化成本体现着转化活动的有效性，也对判断用户质量的方式，用户转化的补贴成本越高，则用户质量差，预期后续留存效果不佳。

（3）促销活动有拉活促销成本

即花多少钱带来一定量的销售额，如补贴100万，带来1000万的销售额，100万就是促销活动的成本，也可以从订单维度、用户维度关注每带来一个促销订单/下单用户付出的成本，更精准监控分析促销活动的成本问题。

2. 再来看收益及ROI

在产品的长期运营和用户的生命周期中，有个非常重要的概念：用户生命周期价值净值：

用户生命周期价值净值 = 用户贡献价值 – 产品付出成本

用户贡献的价值即用户在产品内消费的金额、带来的利润，也可以广义包括邀请的好友、传播的口碑，而产品付出成本包括前面讲到的拉新成本、转化成本、促销成本等。

用户最开始使用一个产品时，用户生命周期价值净值一般是负的，随着用户活跃消费贡献更多的价值，用户生命周期价值净值就会变为正的，净值为正的用户规模越大，则说明产品的价值越高。

而在具体活动中，则更关注活动的ROI（投入产出比），即收益除成本。

（1）拉新活动ROI

拉新活动中，需要投入获客成本，但是获取的用户质量如何、生命周期价值如何无法直接衡量，需要参考历史活动用户在产品内的表现和生命周期价值预估收益，计算拉新活动ROI。

例如，之前做的拉新活动带来的新用户平均的贡献价值是100元，这次活动获客成本是110元，活动ROI不到1，说明是亏钱的，这个活动不能持续做。

（2）转化活动ROI

转化活动针对新用户，促进新用户完成首单转化，虽然能够带来销售额，但是针对新用户多有较大力度补贴，转化活动的ROI较难直接大于1。

转化活动需要关注短期ROI和长期ROI。短期ROI即用户在转化活动中的销售额除转化活动成本，长期ROI则关注用户一定周期内的贡献价值，再除去转化活动的成本。一般来讲，长期ROI更为重要。

（3）促销活动ROI

促销活动是提升销售额和用户价值的主要活动形式，更加关注活动短期销售额收益和ROI，此外，在促销活动中会有新用户转化和沉默用户召回的部分，这部分用户可以适当关注后续留存和长期收益。

做活动就是花钱，关注成本是要“花钱花得明白”，关注收益和ROI则是“花钱花得有结果”，成本收益思维是运营工作必须具备且应该重视的。

四、迭代升级的活动实验

1. 认识A/B测试

关于数据应用驱动运营，A/B测试是非常重要的工具。A/B测试用事实说话，是对比分析的思路，方案A、方案B…多个方案对比取其优。

严格来讲，A/B测试是指，针对多个方案无法确定效果优劣时，在同一时间周期内，针对组成和特征类似的目标人群随机体验使用这些方案，最终通过方案结果数据的对比分析评估判断效果最佳的方案，再正式全量使用。总结讲，前提是不确定性，核心是单一变量，结论是优胜劣汰。

A/B测试能够有效支持运营活动的设计运营和迭代优化，尤其是长期或周期性进行的活动，可以借助A/B测试有效提升活动效果。

大到活动流程、规则的设计，中到活动奖励、玩法的选择，小到活动页面风格、文案的确定，都可以利用A/B测试进行验证优化。

2. 应用A/B测试

A/B测试的应用可以分为4步流程：

第1步：明确目标，形成假设

做A/B测试实验首先要明确想要验证什么，并且一定要有前置的分析判断，而不是盲目拿出多个方案进行测试，毕竟A/B测试也需要一定的成本投入和时间周期，尽量优中选优，而不是万里挑一。

第2步：确定指标，选定用户

确定要测试验证的关键要素，同时明确影响的关键指标，这样后续完成测试后才能够有效对比得出测试结论。同时，A/B测试是针对不确定方案的验证，尽量避免过大规模用户，可随机筛选部分用户进行A/B测试。

第3步：设计方案，上线实验

A/B测试实验方案最重要的就是保证测试变量的唯一性，除了要验证的变量要素外，各个方案其他方面都是相同的，避免对测试结果分析判断的干扰。

第4步：分析结果，确定方案

在A/B测试实验具有结果数据后，就是分析各个方案的优劣，决策出最优的方案，主要对比最初确定的关键指标，也要关注过程指标、体验相关指标。

关于A/B实验会有一些数据分析上的关键事项， 此前写过文章详细分享过，可以一并阅读：关于AB测试，这5件事你应该知道

五、总结

关于活动运营的数据分析这次就聊这么多，数据分析基本功要夯实，流程中的数据分析要做透彻，成本收益更要关注，也要善用数据实验提升效果。

数据分析对运营工作的重要性不再多说，在日常工作中，有意识、有方法地去应用数据，你会得到更好的反馈。

#专栏作家#

吴依旧，公众号：增长海盗船

“你做数据分析有啥方法论？”无论是工作还是面试，此问题一出，都会难倒一片同学。妈耶，每天照单跑数就知道，但方法论是个什么鬼！今天介绍给大家基础的九种方法，先开个头哦。

01 什么是基础方法

从本质上看，几乎所有工作都和数据有关系，都或多或少需要一些数据分析方法。但数据本身是有门槛的，很多人上学的时候就怕数学课，更不要说复杂的理论了。

因此，所谓基础数据分析方法，应该是：

1、不涉及高等数学、统计学、运筹学、算法原理

2、不涉及复杂的业务逻辑、因果推断逻辑

3、不局限于特定的业务场景，有普适性

总之，人人能用的，才是基础方法。

基于这个理念，我请我的运营小妹小熊妹，为大家整理了九种基础分析方法，简单又好用。

02 从一个指标开始

周期性分析法

最基础的分析方法，可以从一个指标开始，这就是“周期性分析法”。所谓“周期性分析法”，操作上非常简单，就是把一个指标的观察时间拉长，看它是否有周期变化规律。

这种方法分析简单，但是非常实用。因为新手经常因为不懂看周期变化，引发笑话。

诸如：

“我发现昨天指标大跌”——昨天是周末，本来就该跌（自然周期变化）

“我发现A产品卖得很好”——A产品刚上市，它就该卖得好（产品生命周期）

很多时候，我们看的指标是总体指标，而总体指标是由若干部分组成的，比如：

总公司-分公司A、分公司B、分公司C

总销售-商品A、商品B、商品C

因此看到一个总体指标以后，可以根据它的组成部分，对总体做拆解，了解各部分组成，是为结构分析法（分析总体的内部结构）。

结构分析法

结构分析法在很多时候都好用，比如问：“为什么业绩下滑呀！”答：“因为XX区域没有做好！”通过看结构，能很快找到责任人。

分层分析法

除了单纯地看结构，人们也喜欢做排名，区分个高中低，这就是分层分析法。

很多同学会把分层和结构搞混，大家只要记得以下两句：

结构是客观存在的，问清楚即可

分层是主观的，要定个高低出来

这三种方法，是基础中的基础。一来，它们都是在分析一个指标，二来，它们都是基于事实陈述，不需要啥计算。当我们初到一个公司，初接触一个新数据，都可以用这三种方法，建立基础认知。

03 从一个指标到2个指标

矩阵分析法

当指标从一个增加到2个的时候，最好的方法就是矩阵分析法。矩阵分析法，通过两个指标的交叉，构造分析矩阵，利用平均值切出四个象限，从而发现问题（如下图）。

矩阵分析法的最大优势，在于：直观易懂。可以很容易从两个指标的交叉对比中发现问题。特别是当这两个指标是投入/成本指标的时候，成本高+收入低，成本低+收入与高两个类别，能直接为业务指示出改进方向，因此极大避免了：“不知道如何评价好坏”的问题。

很多咨询公司都喜欢用这种方法，类似KANO模型或者波士顿矩阵，本质就是找到了两个很好的评价指标，通过两指标交叉构造矩阵，对业务分类。分类的区分效果很好，就广为流传了。

04 从2个指标到多个指标

当分析指标变得更多的时候，最重要的工作，就是弄清楚：到底这些指标是什么关系。典型的关系有两种。

第一种：并列关系。

几个指标相互独立，且是上一级指标的组成部分。

比如我们常说的：业绩=客户数*消费率*客单价

在这个公式里

1、一级指标：业绩

2、二级指标：客户数、消费率、客单价

3、客户数、消费率、客单价相互独立

此时，客户数、消费率、客单价就是并列的三个指标，并且都是业绩的子指标。

第二种：串行关系。

几个指标相互关联，有前后顺序关系。

比如我们常说的：新注册用户数=广告浏览人数*落地页转化率*注册页转化率。

1、一级指标：新注册用户数

2、二级指标：广告浏览人数、落地页转化率、注册页转化率

3、用户要先看到广告，再点击广告进入落地页，再完成注册

此时，广告页、落地页、注册页的指标相互关联，用户要一步步走。

这两种关系，分别对应两种基础分析方法：

并列关系：指标拆解法，通过拆解一个一级指标，从二级指标里发现问题。

漏斗分析法：通过观察一串流程，了解其流程转化率，发现转化率短点。

指标拆解法

指标拆解法，一般在经营分析中使用较多。举个简单的例子，一个小程序商城，上月销售业绩150万，本月120万。如果只看结果，除了少了30万以外啥也不知道。但是进行指标拆解以后，就能发现很多东西（如下图）

拆解以后可以明显看出：本月虽然注册用户人数增加了，但是消费率大幅度降低，所以收入少了。后续可以进一步思考：如何提高消费率。

漏斗分析法

漏斗分析法，则在互联网产品/推广/运营分析中使用较多，因为互联网产品能记录较多用户数据，因此可以呈现整个用户转化流程，从而进行分析。

举个简单例子，在网上看到一个商品广告，我们很感兴趣，点击进入购买。需要经历广告页→详情页→购物车→支付几个步骤，每多一个步骤，就会有一些用户流失，如同漏斗一样。

此时可以用一个转化漏斗，形象地表示这种关系（如下图）。

有了转化漏斗以后，就能进一步基于漏斗分析，从而指导业务改善：

1、哪个环节漏掉的用户最多，需要改善？

2、不同的商品，漏斗形态如何，哪个更适合推广？

3、新的产品改版后，是否减少了漏掉的用户数量？

相关分析法

当然，还有一些指标，可能不是直接的并行/串行关系，但是在工作中，也很想知道他们有没有关系，比如：

1、广告投入与销售业绩

2、下雨刮风和门店人流

3、用户点击和消费行为

此时，需要掌握相关分析法。注意：指标之间可能天生存在相关关系。

常见的天生相关，有三种形态：

1、在结构分析法中，整体指标与部分指标之间关系

2、在指标拆解法中，主指标与子指标之间的关系

3、在漏斗分析法中，前后步骤指标之间的关系

这三种情况，称为：直接相关。直接相关不需要数据计算，通过指标梳理就能看清楚关系。相关分析法，更多是利用散点图/相关系数，找到潜在的相关关系（如下图）。

但是要注意：相关不等于因果，到底如何解读相关系数，需要结合具体业务含义，不能胡乱下结论哦

05 从指标到业务逻辑

标签分析法

以上所有方法，都是基于数据指标计算，但实际业务中，很多关系并不能直接用数据指标表示。

比如：

● 是不是社区店比步行街店，生意更好？

● 是不是私域流量比公域流量，转化更佳？

● 是不是刮风下雨比晴空万里，销售更好？

社区店/私域流量/刮风下雨，很难用一个数据指标来衡量。但这些因素，又确实会对企业经营产生影响，该怎么分析呢？这就需要采用：标签分析法。

举个简单的例子，南方某省，8月份经常下暴雨。大家都觉得：下雨会影响门店业绩。那么怎么分析呢？按照五步法，可以针对该省份门店，做分析如下图：

那么可以得出结论：下雨对业绩影响不大，这就做完了。

注意，上边的小例子里，标签做的很粗糙，只有简单粗暴的下雨/没下雨两类。除了下雨以外，还可能有台风、冰雹、高温等等情况。因此，做标签的精细程度，决定了标签分析的准确度。而能否选取到合适的标签，则考验的是分析人员对业务的理解程度。

到这里，一共介绍了八种基础方法。在实际工作中，一般都是多种方法综合使用的。因为业务提的问题会很复杂，很有可能涉及多个指标，多个标签。此时千头万绪，要理清思路，就得祭出第九种方法：MECE法。

MECE法

MECE是（Mutually Exclusive Collectively Exhaustive）的缩写，指的是“相互独立，完全穷尽”的分类原则。通过MECE方法对问题进行分类，能做到清晰准确，从而容易找到答案。

MECE法是基础分析和高级分析的分水岭，也是从基础提升到高级的通道。所有复杂的问题，都需要经过认真的梳理和分解，才能成为一个个能解决的小问题。所谓的业务分析模型，其实就是对业务问题的MECE分解。

看到这里，肯定很多小伙伴想看这九大方法的操作细节，可以关注小熊妹，每一种方法，小熊妹都单独写了一篇详细的操作文章。接下来小熊妹会把九大分析方法整理成PDF供大家下载使用。

当然，肯定也有同学好奇：掌握了这九种方法以后，还可以怎么深入呢？

一般有三条深入路线，可以进行深入分析。

06 掌握了基础方法以后

路线一：业务分析模型。

业务模型，用来解决：定义模糊、数据贫瘠、需指导业务的问题。

比如业务在纠结：

1、到底做什么用户更好？

2、到底怎样才能激励销售？

3、到底活动起了多大作用？

这些问题听起来简单，其实定义非常模糊，什么算好？怎么叫起作用？不发钱的激励真的有用？各种问题错综复杂，且很有可能掺杂了业务部门自己的小心思。因此，需要细细的梳理业务逻辑，推导出可行的解题逻辑。

路线二：算法分析模型。

算法模型，用来解决：定义清晰、数据丰富、计算过程复杂的问题。

比如，高价值用户识别问题，业务上已经定义清楚了：

1、用什么指标衡量用户价值

2、用什么标准评价价值“高”

3、采集了丰富的数据（性别、年龄、兴趣、关联商品、互动、评论……）

4、有一批人工标注过的“高价值”用户做正样本

此时，可以用各种算法来建模了。建模的目的，不是为了增加分析深度，而是提高从分析到业务应用的效率。有了相对准确的模型判断，业务可以通过CDP+MA，自动触发营销规则，不需要每次都写ppt写很久。算法模型需要一些

路线三：统计推断。

统计推断方法，用来解决：定义清晰、没有数据、需测试收集数据的问题。

比如：要上一个新版本产品，业务已经定义了：新版本要提升用户的人均在线时长（均值问题），现在要做测试，从两个预备版本里选一个。此时要用：双总体均值比较假设检验的方法。

当然，实际问题会更复杂，考虑各种控制变量、假设前提，还要考虑系统开发、数据采集方案，不单单靠分析师解决。

以上就是数据掌握了基础方法以后，深入学习的三个路线。

推广投放分析这块的思路是相对固定的，主要用户质量和获客的性价比为主，当分析出问题后，找到原因就需要对推广投放的场景和各种影响因素有比较多的了解。

而分析的难点就在于推广投放这个场景的水是很深很复杂的，所以多数人只会接触到其中的一小部分。出现问题的时候往往想不到是哪出了问题。

• 一方面在分析维度和方法这方面，我们一般会基于用户质量和投资回报率来做一些交叉评估的方案。
• 另一方面就是当数据发现异常以后，我们该如何排查，如何做分析。

首先现在的推广渠道特别多样化，除了一般的在内容中平台或者应用商店中的广告位，最近几年比如说移动端的视频广告、程序化广告等都增长很快，但是从分析的角度上，这些新兴的方式只是具体推广手段的不同，并没有影响到我们分析的目标，所以我们可以以不变应万变。

从分析方法上来看，我们可以从四个维度来看，用一个可视化的效果图来说，这个可视化的效果图代表了四个维度的信息。

首先先看渠道，每一个颜色的气泡都代表着流量渠道，气泡的大小代表着流量的数量。而每个气泡所在的位置是由两个维度的信息交叉而成的。纵轴为整体用户，质量从低到高，横轴为这个渠道整体投资回报率，从低到高的一个情况。

用户质量就是对有效用户的一个衡量标准，可以根据我们具体产品业务的特点，来确定用户的关键行为，给予不同行为的触发频次设定分值，整体进行建模，最终为渠道用户的整体质量进行打分。投资额这个指标是希望通过提高投资资产的利用效率，来获取更高的回报。

渠道获客分析一般有以下三个基本原则：

• 第一就是在于目标的明确，我们这个分析衡量的过程不仅仅是为了得出判断，其实核心还是为了提升投放推广的性价比，评估后要分析背后的原因，如果是渠道用户的特点问题，一方面我们可以调整我们对这个渠道用户的运营策略，另一方面也可以配合商务，与推广渠道进行谈判，降低投放的价格。
• 第二就是不要轻易的扔掉任何一个流量入口，一方面在于用户是真实的在投资，回报率不是特别低（低至负数）的情况下，那用户的积累本身还是有意义的。另一方面在于推广过程中，多个渠道之间可能会有关联，比如用户从知乎点击过广告，进入h5看了一下觉得没意思，可能就没有下载，但是两周后在朋友圈又看到公司同事在玩，受同事的邀请然后又下载了，成为了一个优质用户。那这个过程中，知乎这个渠道本身起到了一个预热的作用，带给客户一个好的印象，如果没有这个渠道的预热，后续用户的接受程度可能也没那么高，所以建议大家不要完全拒绝某个渠道
• 第三就是多做策略调整，不断优化。即便想要去掉某个渠道，那也是建议大家能够逐步进行先减少25%的投放，看看是否对其他的渠道影响也不大，再逐步减少最终去掉。如果在过程中发现它的减少对其他渠道造成了一定的影响，那还是要及时的调整，整体做在做评估。

然后我们聊一下新增用户相关数据异常的分析方法。当我们发现数据有波动、有异常，我们可以分三个大步骤来进行：

2.1.初步筛选

这个时候主要先查看一下数据趋势波动的一个转折点，在什么时间数据异常（比如说增高或者降低的），再细化到分钟级的时间维度去看，同时去查阅我们的产品运营、市场推广相关的一些动作，从时间点上进行一个业务关联寻找原因。

那还有一个维度就是用户的地域城市方面也容易出现异常，从比例上来讲，大概率容易出现异常的地方也建议大家在第一步初步筛选的数据中进行确认。在这个阶段，就可以找到一些数据异常的端倪，可以帮助我们缩小分析范围。

2.2.细分业务筛查

然后就可以进入第二步细分业务进行筛查，简单说就是围绕第一步分析的那些维度，查看不同渠道、推广活动来源以及产品版本的来源情况和用户质量相关的数据。比如说用户的停留时间、关键业务行为活跃比以及次日/7日留存的数据都是要着重对比的关键点，通过这些维度的分析基本上与过往数据对比，一般来说就能够找到导致数据波动的原因，这块儿原因其实无非两方面：

• 一方面是产品本身出了问题，导致流量数据异常，通常会体现在app版本之间的数据差异上。
• 另一方面就是某个渠道用户质量出现了波动，这又涉及到了另一个问题，就是数据波动是不是可以归结为这两种原因？比如说由于版本之间的数据差异，就认为是产品设计出了问题，这样真的可以吗？会不会是打包版本出了问题，比如说流量质量的问题，会不会是因为这个渠道本身就如此，只是渠道方由于一些原因或者活动等阶段性原因导致他给我们导入的流量就比较精准。

2.3.与自然流量对比

在这个时候，还是建议大家把细分渠道的数据与同时期的自然流量再进行一个对比，那这就进入到了我们的第三步。当与自然流量进行对比的时候，如果差异小同时在这个出现异常的阶段也没有做过产品迭代，那基本上就是流量质量的问题了。如果说差异比较大又有产品迭代，那大多会是由产品改版来带来的影响。

这个时候与自然流量进行对比，其实不论在业务细分阶段发现了什么差异都能帮我们进行一个相对客观的评估。

2.4.流量是否作弊？

最后在获客阶段，有一个相对独特的场景，就是如何识别一些渠道刷量、渠道作弊的情况。

如果我们对数据上有这方面的怀疑，首先可以从用户新增后行为的轨迹上来进行分析，基本上能找出80%的一个作弊渠道，一般体现为新增用户没有触发任何行为或者只触发了几个固定行为，行为轨迹模式相对正常，用户来说很单一，做一个简短的汇总分析可能就能看出来，毕竟刷量的，大多数是通过技术来做的，那一般也就是模拟启动行为和固定的几个这种浏览行为，很难做到像真实用户行为那样的随机效果，这是我们基于业务方面的一个筛查。另一方面在于技术筛查，可以基于ip设备型号和屏幕分辨率这个角度逐一向下进行查询。基本上能覆盖大多数的一个场景，尤其是屏幕分辨率，毕竟 ip和设备型号是可以通过模拟手段进行修改的，而屏幕分辨率虽然说本质上也可以，但是往往会被刷机的人员忽略，也是一个很明显的特征，推荐大家可以留意这个方面。

获客的这个场景，从设计到投放，涉及到真金白银的预算，行业水也比较深，所以这一块儿也算是给大家抛砖引玉了。

作者：诸葛君

来源：诸葛io

大数据时代，数据指标对于企业的重要性不言而喻。数据指标就像是公司这架飞机的仪表盘，可以让机长实时了解飞机的运行情况，什么时候可以加速冲刺，什么时候需要调整方向等。

01、数据指标体系的兴起

一切还要从广告的故事说起~

如今我们已经进入了一个全民信息化的时代。信息时代与工业时代本质上其实有很多不同之处。

其中最大的不同之处就是广告营销方式，从传统的纸媒电媒无差别宣传进步到了如今以淘宝为代表的千人千面。

以前的时代一些知名的消费品其实都是通过电视机广告来进行营销的。

因为当时的消费品厂商都知道只要在电视台卖过广告，他们的产品总是会在短时间内变的特别畅销。

不过在当时的年代却没有人思考过畅销的背后其实都代表着哪些数据在变化。

当时的广告人们更愿意花更多的时间在打磨文案和创意上，并没有花时间去想过研究广告这些虚无缥缈的数据上。

当时只有一位出色的广告人开始有了这方面的思考，他就是广告教父“大卫奥格威”。

随着时代的变迁，我们慢慢进入了互联网时代。

在这短短的二十年中，看电视这一行为逐渐被年轻的一代用户所淘汰（不再通过电视机收看节目）。

这意味着厂商想通过电视广告营销的道路被逐渐堵死了，所有的广告人都在开始思考，既然电视没了，那么我们能不能将广告搬到互联网上呢？

随后，广告人们逐渐将营销战场从传统纸媒电媒转移到了门户网站、电梯广告甚至微博信息流等新生渠道。

但是广告人们又迎来了新的一轮挑战，他们根本不知道用户实际是从哪个渠道看到广告后进来消费的。

但是又不能说因为现在的广告转化效果不大明显就削减渠道投放的经费。

万一将几个渠道中转化最好的渠道经费削减了，反而留下了转化效果不好的渠道怎么办？

这个时候广告人们才开始意识到现在已经不是以前那个时代了，再用老方法做营销大概率是做不下去的了。

于是开始提倡做两方面的事情：

• 一方面，是研究如今的消费者决策路径跟以前相比有哪些变化
• 另一方面，是开始学习数据分析方面的知识，并逐渐提高数据意识，尽可能有的放矢，在能节省公司经费的前提下，尽可能花费更多的钱在高转化的渠道上。

（如今的消费者决策链路）

说到这里我们应该都能明白，现在的企业如果在实现了pm/f后，其实第一时间就需要搭建自己的数据指标体系了，不然就会出现像开着飞机飞在天上，却没有油表的情况。

02、Product / Market Fit（产品/ 市场契合点）

在进行深入指标体系搭建前，我们需要先了解这个概念。

什么是P/MF呢？

谈到这里我们不得不提，我们都知道“需求是一切增长的基石”，如果产品没有需求，那么你花再多的时间也是白费时间。

根据咨询公司CBinsights的调研，失败的创业原因通常为以下几点

本质上P/MF概念的存在也正是为了避免上述的问题，所以Product/Market Fit就诞生了。

为了满足市场的需要，在创业公司中基本有以下常见有三种不同的P/MF

• 用更好的产品体验来满足一个已有的市场，例如：网易云音乐vs酷狗、QQ音乐
• 用一个产品来满足一个已有但部分需求未被满足的市场，例如：无线耳机VS有线耳机，滴滴VS出租
• 用一个产品来创造出一个新的市场，例如：iPhone、福特汽车

所以在公司业务探索期间，建议能结合自己的具体情况来进行分析。

当然这里强调P/MF的概念，更多是为了说明只有达到P/MF，增长黑客才有施展的空间。

如果一家公司连P/MF都没达到就贸然进行增长，那只会加速产品的死亡。

换句话说，你的产品满足市场需求是增长黑客的基础，增长黑客只是使用数据的方式帮助你的产品更快被用户发现。

那么，如何验证我们的产品是否达到了P/MF？

答案是留存率。留存率是衡量产品和市场匹配度的好方法。

要知道留存是增长的基石，也是目前为止产品增长率的最佳杠杆。

深入了解留存率，将有助于我们对用户有更清晰的认识，还可以指导产品的发展方向。

如果留存率很差，用户进来就立马流失了，那我们的产品就不是漏斗，而是一个直筒管子。久而久之，即使是处于增长期的产品最终也会失去用户的欢心。

那么，如何定义留存呢？

一般来说，留存的定义有三要素：目标用户群+时间周期+定义事件

例如：今天登录的用户，在7天内再次登录的用户占比

例子中，登录是事件，今天登录的用户是目标用户群，考察周期是7天内，这里要注意的是，前后的事件要一致。

为方便我们查看留存率的变化趋势，我们可以通过绘制在一段时间后（考察周期）复购产品或拥有某种核心特征（事件）的目标用户的百分率，来反映留存率。

典型留存率曲线有3种：

留存曲线的绘制方法见文末附录。

连续计算30周左右，就可以得到留存曲线。看你的留存曲线对应了那种：

下滑型：见于多数产品，说明未到PMF

趋平型：说明产品达到PMF，有了很好的增长基础

微笑型：产品不仅达到PMF，还有大量的回流用户，以至于会出现“负流式”

但是，如果留存率稳定在一个很低的水准，我们也不能说产品就达到了PM/F。

为了明确产品的长期留存率的“正确”标准，我们可以借鉴类似产品，基于同类产品来设立基准。

例如，电商可以将他们的产品和其它同类型的竞品产品相比较。

注：仅作参考，来源于美国YCombinator 2017年增长指南。

当然，除了上面这种验证PMF的方案外，还有下面两种测试/观测法也可以应用哦！

Sean Ellis 测试：

告诉现在的用户：你们今后无法再使用这个产品了。如果有40%的人对此表示“非常失望”，那么你的产品就达到了P/MF。

方法：对用户进行问卷调查

数据量要求：至少需要40-50个回复来判断

目标用户选取：

• 体验过产品核心功能的
• 至少使用过两次的
• 过去两周内使用过的

注意：不要找你的亲戚朋友或同事，他们很可能为了照顾你的面子而说谎……

指标观测法：

即：通过观察一些关键指标来证明这个产品是否达到了P/MF。

选取的关键指标，基本要满足以下三个原则：

• 有显著意义的新用户增长
• 有用户留存
• 有意义的产品使用行为

常见的关键指标量化如下：

• 30%次日留存
• 新增DAU超过100
• 达到10万用户量
• 用户每周使用产品天数超过3天
• 5%付费转化率
• LTV/CAC>3
• 月流失率低于2%
• 用户获取成本的回本时间<12个月

03、如何制定增长策略重点

当产品达到P/MF后，我们就需要开始分析当前业务增长重点了。

为什么说到达PM/F后，第一时间制定合理的增长策略重点很重要呢？

因为本质上AARRR模型虽然适用于各行业，但由于市场周期，产品阶段和产品品类的不同会导致实际上增长的重点也有所不同。

如果没有搞清楚自己企业的增长重点就很容易在当前不应该发力的环节进行发力，轻则浪费人力物力和时间，重则可能会导致公司生存都成为问题。

例如，聊天宝，还没开始做好留存，就开始大肆推广并且使用可以提现的激进手段，最后没多久就被自己玩死了。

截图来自：百度百科

我们只有具体结合产品的情况才能清楚当前增长策略的重点应该是怎么样的。

评估增长重点表。

问题一：如果我们的市场处于增量环节，那么更多应该关注的是去做获客，跑马圈地才是重点，例如滴滴和Uber的价格战，千团大战等。如果在存量市场则更应该关注如何加强留存和变现，例如电商，淘京拼

问题二：产品在不同的生命周期环节需要考虑的重点也是不一样的。

探索期：验证PMF，侧重留存

种子用户愿意留下来反复使用，在验证PMF的同时，可以获得真实反馈，使得我们可以不断在MVP的基础上进行迭代升级；并且可以通过对种子用户的运营，为未来获取并留存更大规模的用户群体奠定基础。

成长期：重拉新，兼顾变现

进入成长期，产品的核心功能业务流程已经固定，商业模式企业壁垒已经被其他潜在竞品发现并研究。

大量竞品进入市场，此时重点是快速进行跑马圈地，获取更多的用户为目标，要在竞品前面抢占尽可能大的市场份额。

但是要注意的是：拉新并不是不计一切代价的，要根据实际情况兼顾变现，确保公司可以活下来。当然土豪公司请随意。

例如，拼多多和淘集集就是鲜明的对比，拼多多”百亿补贴“与电商巨头们竞争的风生水起，淘集集曾坐拥7000万MAU，却因为快速扩张导致资金链断裂黯然离场。

成熟期：留存+变现+拉新

进入成熟期，即产品已经达到了自己的”存量市场“，潜在用户已经很少，侧重留存和变现。重点关注用户活跃度和拓展变现业务。想法设法在不影响用户体验的前提下，尽可能实现用户价值变现。

衰退期：留存+变现+引流

进入衰退期，在努力减缓衰退趋势保持留存和变现的同时，寻找新的增量市场，发掘新的使用和消费场景，为新产品引流。

问题三：产品属于哪个品类，我们需要结合下图进行分析：

• 电商和saas：优化从付费转化路径，提升复购率，支持产品长期增长，例如：淘宝、京东
• 工具和内容：培养用户结合不同场景，形成习惯，抢占用户时间，例如：有道词典
• 平台：留存和变现两手抓，对于平台还包括供需方平衡进行才能促成交易，例如：抖音
• 社交和游戏：引导用户间形成高频互动，建立网络效应，并通过老带新自传播获客，为长期变现打基础，例如微信，王者
• 杂交（如社交电商）：参考平台+社交和游戏的增长重点，例如：拼多多，社区团购

问题4：商业模式还有哪些重要的因素，是需要思考的。我们行业中常见的重要因素会有以下几种，仅供参考：

• 电商：供应链，货物
• 金融：合规，政策，法律
• 平台：供给方选择，商务，销售
• 视频：内容及算法精准推荐等

要注意的是，这里更多考虑的是有哪些行业特定因素能极大地制约增长或驱动增长。

例如：游戏行业新增了政策监管后，政策就变成了新的重要因素。自由电商品牌的重要因素就是供应商、物流等。

将表格对应问题填写完成后，我们基本就可以总结出企业目前的增长侧重点应该放在什么位置了。

例如：拼多多的增长重点拆解

（拼多多增长重点拆解）

当我们确定增长策略重点后，下面我们就可以开始搭建产品数据指标体系了。预知后事如何，请听下回分解。

最后总结：

1、数据时代的兴起，使得我们不得不提高自己的数据意识，搭建其他的数据指标体系

2、在做增长之前，我们的产品必须先满足PM/F的前提条件

3、留存曲线、SeanEllis测试和指标观测法三种常见的判断产品是否达到PM/F状态的方法

4、四个问题教你如何确定自己的增长重点：

• 你的市场处于哪个阶段
• 你的产品处于生命周期哪个阶段
• 你的产品属于哪个品类
• 你的商业模式有哪些独特的重要因素

下篇我们将会为大家介绍什么是北极星指标，如何找到适合我们的北极星指标，以及如何使用北极星指标和脉络模型搭建我们的指标体系~

作者：产品叨比叨

来源：产品叨比叨

在之前的分享当中，我们把注意点都放在了短视频的制作和账号定位上了，仔细想想，好像确实没有和大家分享过有关数据分析的相关内容。

在短视频发布前后，甚至更早在策划短视频这个项目的时候，数据分析的存在就非常强烈，几乎每一个环节我们都要用数据分析的方法来进行推进。

01 数据分析：对的时间对的人对的方式

企业做短视频的根本目的一定不是涨粉和迎合市场，我们最终的目的一定是非常简单的：获客和变现。

为什么我一定要一直强调这个问题，因为很多做短视频的朋友往往在运营当中为了获取用户的关注，迎合用户的喜好，渐渐离自己最初的目的越来越远。

这一点也是我们企业运营短视频和其他素人和网红机构运营短视频根本上的不同，希望大家能够记住！

回到正题，也许很多朋友都没有意识到，早在我们做账号定位的时候，就已经开始做数据分析了。

1. 寻找目标用户（对的人）

在定位之初，我们就对目标用户进行了调查和分析：

哪个年龄段的用户是我们最有可能成为我们的忠实用户，他们在哪个城市？收入水平是什么样的？有什么爱好吗？对我们的产品有什么样的需求？和产品相关有什么痛点……

分析出我们的用户当中的大多数人的共性。

2. 寻找合适的时间（对的时间）

在对我们的用户进行分析的时候，其实已经对用户的活动时间进行了分析，他们平常经常在哪个时间段比较不忙，有时间刷短视频？

这个时间就是我们活跃的时候。

除此之外，我们在运营的过程中，也会根据发布过的短视频的数据进行分析，看看我们的潜在用户他们的活跃时间，看看我们的视频在哪个时间段，获得的推荐和流量最好，然后根据这份数据，寻找到更加合适的时间。

3. 寻找合适的方式（对的方式）

确定了目标用户和合适的发布时间，接下来我们就该考虑用什么样的方式，出现在目标用户的眼前，吸引到他们的目光。

盲目地尝试耗费时间和精力，使用数据分析的方法，能够让你非常省心。

大家都清楚抖音的算法和推荐机制—通过标签来帮助我们推荐内容给我们的目标用户。

那我们就应该通过对视频的数据分析，及时调整内容的方向，优化我们的标签，生产出更符合我们目标用户需求的内容。

这些数据包括：播放完成率、点赞数、转发数、评论数、关注量等等。通过对比如一周或一个月内，哪些视频的收藏数高、哪些转发高、哪些评论高，从中分析出最适合我们的内容形式。

02 数据分析：每项数据背后的意义

每项数据的背后都是有意义的，每项数据都代表了我们用户对内容的一个反馈，作为一个运营人员，我们必须要清楚知道这些数据代表了什么，并且能够给出一个优化的方向。

简单为大家总结了一下：

打开的背后是标题和封面的吸引力

关注的背后是视频的可看性/价值

点赞的背后是对内容的认可/共鸣

评论的背后是带来了思考

收藏量背后是实用性

帮大家梳理一下大家比较关注的完播率、关注量、转发量和评论量这四个数据分析的思路吧。

1. 完播率

完播率背后代表着我们的视频内容和分发到用户的匹配度，越精准就越代表我们找对了方向，如果完播率不高，我们就要从两个方面去考虑原因并且给出解决的方案。

从视频内容方面：这个内容是用户喜欢看的吗？是不是标题和封面太夸张了，导致视频内容和用户期望不同？

从用户精准度方面：内容没有问题的话，是我们账号的标签不够精准，推荐的用户是不是大部分都不是我们的目标用户？

相对应地我们能给出的解决方向也有两个：优化内容和继续优化账号的标签。

2. 关注量

用户为什么会关注我们？用户关注企业账号的最大原因一定是我们的内容对他们有用，也就是有价值。

比如说：

“企业短视频的十个优化方向”

“直播间100个商品介绍话术”

“7个短视频渠道分别适合哪些行业？”

……

这些一次性记不住的但是有极大价值的内容会让用户产生关注账号的动力，这就要求我们必须持续并且稳定输出用户认为有价值的内容。

3. 转发量

转发量比较高的内容，一般来说都是热度比较高或者质量比较高的内容，用户或是出于跟风的目的，或者是出于分享的目的转发视频。

这就要求我们在选题上要下点儿功夫。

4. 评论量

用户有的时候很懒，尽管他觉得你的视频不错，但是他最多也就给你点一个赞而已，想要他给我们评论，就必须给他一个评论的动力。

所以有的账号会引导用户留言领东西，有的人会在视频当中留下一个问题和用户讨论，也有的人会故意做出有争议的问题或者槽点，让用户忍不住在评论区进行吐槽，表达自己的观点。

你看数据分析是不是贯穿了我们整个运营的过程当中？

通过对数据的不断分析，我们对账号和内容进行不断优化，最后我们的账号将获得指数级的增长，是不是越来越接近我们理想中账号应该达成的效果？

作者：短视频运营日记

来源：短视频运营日记（gh_a49c091205cb）

这是我在团队分享一整套设计数据化的第一课，也是整个系列的最基础的一课。

这是唯一一课不涉及项目的内容，所以我分享给大家，希望帮助大家快速理解数据的一些基本指标，并打开设计数据化的大门。

本文主要是讲通用型产品的一些基础数据指标，帮助对数据不熟悉的设计师快速入门。

可视化：用户行为可视化，可清晰的了解用户的行为。

可追踪：通过一个时间段的数据对比，可一路追踪产品数据的情况，了解产品变化，通过异常数据追踪产品设计问题。

可验证：提供数据支持和后期方案的验证。

可预测：通过数据变化，可预测产品的走向和趋势。

定义：Daily Active User / Weekly Active Users / Monthly Active Users 分别对应日/周/月活跃用户数

举例说明：1月17号这天，一共有300万个用户进入到知乎页面（包含通过其他渠道知乎链接进入），则1月17号这天的DAU为300万；同理WAU，7天时间内进入知乎的用户（去重），则为WAU数据。

数据用途：衡量产品使用的活跃度。方便产品设计人员了解产品的每日用户情况，了解产品的用户增长或者减少趋势。

说明：一个用户一天通过一个渠道3次进入知乎，则DAU只算一个。

定义：一段时间内再次访问的用户数，留存有次日留存、7天留存、30天留存等。

举例说明：1月，新增用户有80人。2月时，1月新增的80人，再度访问产品的有75人，则第二个月的留存为75人。

数据用途：用来衡量产品的用户粘性和产品的留存用户规模。

说明：留存用户数可以很好地展示留存用户数的人数规模。并了解新增用户对产品的使用粘性。

定义：某周期内留存用户数/某周期内访问用户数。

举例说明：用来衡量用户粘性，一般周期为次日、7日或者30日，7日留存率的算法是：7日内再次访问的去重用户/7日前当日访问过的用户数，日时间节点为23：59：59。

数据用途：用来衡量用户使用粘性，也可以用来作为产品改版后的重要指标，留存率提升了，在不改变功核心功能的情况下，说明设计改版成功。

说明：通过每个月的留存率可以很宏观的判断产品的用户粘性是上升还是下降，这也是产品体验最直观的数据。产品对用户需求越强，体验越好，则留存率越高。

定义：流失用户数量/总用户数量。

举例说明：在留存率的基础上，通过上一个月的数据，得到对应下一个月的流失率。

数据用途：通过流失率，可全局看出所有的流失情况，找到流失异常数据，可追踪之前是什么情况导致流失数据情况。

说明：通过异常数据的流失率可定位流失原因,并修复产品问题。

定义：产品/页面/功能曝光在视野内的次数。

举例说明：用户进入到首页，则算一个展现PV，用户刷新页面/退出重新进来PV累计。

数据用途：判断有阅读该功能/产品的次数。

说明：用户在刷知乎，刷新一次首页额，则展现PV+1

定义：运营活动/页面/功能曝光在视野内的用户数，一个终端只算一个UV。

举例说明：用户进入到知乎界面，则算一个展现UV，退出重新进来UV不累计。

数据用途：判断有多少个用户阅读该功能/界面。

说明：一个用户一天3次进入知乎，则UV只算一个。

定义：有点击行为的用户数。

举例说明：首页展现如果有400万，其中10万点击提问按钮，则点击UV为10万。

数据用途：了解用户对功能交互事件点击数量规模，通过用户的点击数量了解用户的使用行为。

说明：点击率更能形象的表现功能/交互元素的吸引度。

定义：点击PV/展现PV。

举例说明：如果当天首页展现PV是400万，5万人点击提问按钮有10万次，那么点击率就是 10/400=2.5%

数据用途：用于衡量产品/页面/功能中的内容对用户的吸引度，对比同页面的不同功能。

说明：点击率可以细分为PV点击率和UV点击率。

定义：点击UV/展现UV

举例说明：如果当天首页展现UV是400万，5万个用户点击提问按钮，那么点击率就是 5/400=1.25%

数据用途：用于衡量产品/页面/功能中的内容对用户的吸引度，对比同页面的不同功能。

说明：UV点击率和PV点击率两者之间的区别是否对同一用户对多次点击去重。

定义：点击PV/点击UV

举例说明：例如知乎首页，1月16这天有10万人点击提问，其中一共点击了12万次，那么人均点击次数为12/10=1.2次

数据用途：用于衡量产品/页面/功能中的内容对用户的吸引度，对比同页面的不同功能。

说明：通过人均点击次数可以判断用户对该功能是否为强需求，人均点击次数的值永远大于或者等于1。

定义：所有用户的停留时长和/用户数

举例说明：例如知乎首页所有用户的停留时长为100万小时，一共在首页停留的用户有200万，则平均停留时长为0.5小时。

数据用途：用来衡量页面吸引度，一般来说，停留时间越长，用户粘性越强。

说明：用户停留时长既可以针对页面来说，也可以针对整个产品来说。也不是所有的停留时长越长越好，例如表单填写， 停留时间越长，反而体验越差。

定义：用户平均每天停留在产品的时间。

举例说明：例如知乎2月20日有100万个用户一共在知乎产品上使用了50万个小时，则2月20日的人均使用时长为0.5个小时。

数据用途：用来衡量用户使用产品的深度，判断用户使用产品的粘性和依赖度。

说明：用户对产品的使用时长越高，说明对产品越依赖，商业化价值也越高。

定义：（推荐人数-贬损人数）/总测试人数

举例说明：推荐人数指打9-10分的人；贬损人数指打0-6分的人数。

数据用途：作为产品口碑传播的重要指标。

定义：当前页退出app并在30分钟内未再次打开的用户/在当前页面的总人数

举例说明：用户进入提问页面，然后跳出并在30分钟内未再次打开的用户有1万人，通过用户在提问页面的UV为5万人，则跳出率 1/5 =20%

数据用途：用来衡量页面内容质量。

说明：跳出率有时候可以反映用户使用产品的行为，例如用户在使用拍照工具，然后在保存之后，跳失率特别高，这说明，用户将拍照当做一个纯工具软件了，其他页面的流量利用率不高。这对于用户来说是正常的，但是对于产品来说确实一种流量浪费。

定义：完成的操作次数/开始操作的次数

举例说明：1月17日用户点击提问按钮10万次，最终完成提问流程的有2万次，则完成率为 2/10= 20%

数据用途：用来衡量操作流程的顺畅度。

说明：完成率是产品设计中最重要的指标之一，这完成率越高，说明产品的操作体验越好。这直接影响到用户体验。

作者：Echo

来源：Echo的设计笔记（uxecho）

做数据分析，总会面这种模糊问题：

“分析一下运营情况，要深入一点”

“近期销售咋样，分析分析”

“分析下近期的活动……”

总之，字数越少，麻烦越大。因为真的不知道提需求的人想干啥。而且，往往这么提的还是部门领导，说完以后就消失不见了，想再当面沟通也很难见到人。最后，往往夯吃夯吃干半天，得到一句：“你就分析了这？我早知道了”真是让人苦不堪言。

咋办？今天系统解读一下。

一、建立思路的基本方法

这五个关键问题，我们一窍不通。而这五个问题，恰恰决定了数据分析成果是否被认可。所以只听一句：“你来分析分析”就埋头干活，基本等于自掘坟墓哈。干得越起劲，坟挖的越深，把自己坑的越惨。

数据分析输出的产品，不像大米白面能直接填饱人的肚子。数据分析的价值是相对的。如果提供的是对方知道的东西，即使给的再多，也不会被认可，甚至会被吐槽：“你太啰嗦了，说重点”。

所以标准的梳理数据分析需求的路子，就是整明白对方做了什么，想要什么？（如下图）

但注意，上边的做法是乙方服务甲方/求职者去面试的做法。真要是在企业里边用，大家相互知根知底，是不需要前期铺垫这么多的。这时候，可以通过层层递进的五个问题，搞清楚：到底对方知道多少。（如下图）

有了这个五个问题的答案，就能根据对方对业务现状的把握情况，确认分析重点了（如下图）。

BUT！这是对一般人说的。如果面对领导，很多同学不敢直接问。冷冰冰地问来问去，搞得跟审犯人一样，不但自己张不开嘴，还可能引起领导吐槽：“我都想清楚了，要你干啥！”所以，得有些更灵活，简便的办法。

二、快速上手的五个要点

所以，可以从这五个问题入手，用更轻松随意的对话，找到突破口

▌ 突破口一：谁要看？

有了这个信息，后边做啥事就非常清晰了！

▌ 突破口二：为什么看？

我们很想知道看数据的原因，但是又怕直接问“为什么”太生硬了。这时候可以用钓鱼执法的方式，直接甩一些业务上的话题出来，试探对方的真实意图。

知道了这些信息，后边的分析就有了基本定调，并且能够直插核心问题。

▌ 突破口三：看什么东西？

我们很想知道输出的内容，但是又怕直接问“你想看哪些指标”太生硬了。这时候可以主动提示：可以看XXX东西，现场确认一下是否是对方需求。

这样虽然结论不清楚有没有用，但至少内容上是对方要的。到时候数据出来，如果结论不满意，再一起看数据，看看下什么结论好，也容易交差。

▌ 突破口四：看到什么程度？

我们很想知道输出内容的深浅，但是直接问“你想分析成啥样？”太过莫名其妙。这时候可以换个问法：直接告诉他，数据现状是啥！然后再问：还有啥是他不知道 or 特别想弄清楚的。

当然，搞到硬货的基础是自己也得够硬！常规的指标监控，数据结果自己心里得一清二楚。这样才能问出硬核问题。或者掌握了做数据MVP的技巧，有本事现场做MVP测试。不然是无法拿到这种硬核信息的。

▌ 突破口五：看了做什么？

我们很想知道输出内容最后被用到哪里去了，但是直接问“你想做什么？”显得太过傲慢——领导做什么，什么时候轮到一个小兵来管！这时候可以换个问法，直接抛出一个可能的行动方向，然后问：“我这么理解对不对呀？！”从而钓出对方的真实意图。

这样就清晰了，提问人对本次活动的心理估价，也能知道哪些输出有用。后续也清晰。

三、灵活运用五要点

注意：五个要点的问法，可以一次性问完，也能分开问，不需要很死板。有趣的是，领导们也是有个人风格的。

一般甩手掌柜型领导，问题1能回答清楚。这种人喜欢指定好谁干啥事，剩下的自己就不管了，因此对于“给谁看，看了起啥用”会比较清楚。

一般技术出身的领导，问题3、4能回答清楚。这种人会关注细节，可会用数据思维思考问题，因此能聊得很细致。

一般业务导向的领导，问题2、5能回答清楚。这种人虽然不关注技术细节，但是要办啥事，遇到啥问题是能讲出清楚的。

所以，同学们可以看菜下饭，根据领导风格选择合适的问题。这样既不显得唐突，又能体现自己的专业素质，还能为后边的工作扫清障碍。

有同学会问：那遇到稀里糊涂型领导咋办？！

答：得看对方是真糊涂还是假糊涂。所谓假糊涂，就是对方仅仅是不清楚现状，所以无法下判断，这时候可以先呈现数据现状（而且要尽可能全面）帮对方建立起来判断。

如果对方是真糊涂，比如靠前大厂头衔，靠吹嘘拍马，靠吃喝嫖赌，靠资历老而混上来的老糊涂蛋——那真的没啥办法了。这时候只能自求多福。

但是，做数据的同学们，还是得掌握梳理需求，建立思路的技巧，这样才能判断：到底是对方糊涂，还是自己的能力差。有相当多做数据的同学，有个坏习惯，就是不管业务方需求，不去沟通细节，自己闭门造车，堆砌指标，搞一堆无用的数据。这种情况下就是自己的问题了，怪不得别人。在报告出来，被人批的时候痛哭“你不早说！”只会被人喷回来“那你也没问呀！”

作者：接地气学堂

来源：接地气学堂（ gh_ff21afe83da7）

和传统的营销推广方式不同，网络营销是一种更为主动的营销，网络营销需要以发展的眼光来看待用户，主动分析用户数据以及内容数据，从数据中寻找用户关注的热点内容，通过一些数据来分析新增的用户和流失的用户。

首先；分析用户数据和内容数据

1、收集数据

如何收集数据是运营者需要思考的一个问题，“平台”是主要的数据来源，在平台上所收集的数据都是具有很大的参考价值的，那么接下来我将会讲解几个主流的平台数据。

微信平台：

微信是我们每个人现在必备的社交软件，同理，我们作为数据分析微信后台也是需要密切关注的，那么微信后天统计功能下有六个分析项目，用户分析、图文分析、菜单分析、消息分析、接口分析、网页分析，在这些项目中，都会有指定的趋势图，趋势图的好处也是可以让运营者可以更直观的去看到数据。

2、整理数据

说到整理，就是要先把后台的数据导出来，然后再进行一些整理，整理的方式有很多种，选一种你比较容易上手的去进行整理，这样你得到的数据即准确，你也不会浪费太多的时间。

3、整理形式

数据是可以有很多种表现形式的，那么为了能让运营者更直观的去参考数据，我在这里统计出了几种表现形式，可以让你们方便去选择合适自己和企业的整理方式。

• 拆线图：分析数据随时间连续变化的趋势。
• 饼形图：分析数据的占比大小及数据总和之间的关系。
• 条形图：对各项数据情况进行对比，可以直观反映出各数据数量的差异。
• 面积图：分析数据的量随时间变化的增减程度及总值。
• XY散点图：表现若干个数据点之间的关系。

4、分析数据

当你整理完数据之后，那么你要做的就是去对你整理的数据进行分析，要将数据进行对比，分析它的趋势变化，比如，你发现某个时间段的浏览量突然性的暴增或者骤减，那么你作为运营人员你就有必要去分析和了解这个时间段所推送的文章是什么，并且从中找到一些原因，如果你的平台的新增用户在某个时间段持续暴增的话，那么很有可能微信公众平台在这个时间发布了一些活动，用户才会持续性的增加，那么在这个时候你还需要去做的就是找到一些导致平台增加的原因，并且记录下来，为以后的平台运营打下基础，积累相关的经验。

其次，从数据中寻找热点

寻找热点，是每个运营人员需要做的，打开营销道路得到方式，也就只有你的平台本身聚集了话题和热点，这样你才能获得用户的关注，如果你想要去发现热点，那么你要做的就是了解一些热点话题的来源方式。

百度

作为运营人员你可以通过百度指数来分析近期的趋势，百度我们都知道，百度指数也是互联网时代最重要的数据分享平台之一，通过百度指数我们就能了解到某个热点的火热程度，它能将竞争产品，受众指向，传播效果数据和信息，以科学的图谱方法呈现在大家面前。总结来说通过百度指数，你可以得到的信息就是，关注这些词的网民分布情况，关注这些词的网民还搜了哪些相关的词，以及这个关键词在百度的搜索规模有多大和一段时间内的涨跌态势。

微博

微博是现在人手机必备，一些热门的话题可以一瞬间就能在微博上传递，微博上的微话题，主要展示了24小时内关注度比较高的热门事件，运营者们可以根据自己的推广方向，找到自己关注的领域然后再将这个话题嵌入到自己的推送信息中，就能提高用户的关注度和阅读量。

淘宝

对于电商或者以销售一些产品为主的平台来说，关注市场行情也是必然的，所以淘宝排行榜就是你最好的参照物了，你可以根据你自身的实际情况选择细分行业商品种类，在从而选择你要出售的商品。

爱奇艺

爱奇艺指数是一个视频数据分析的平台，对于做视频类的平台来说，需要经常利用这样的视频指数平台来分析热门视频的一些播放趋势，用户的观看行为、观看用户的特征特点等，所以，这个平台对于视频类来说还是比较好用的。

同时，分析新增用户与取消关注用户

昨日关键指标主要是以日、周、月为时间单位的，分析用户数量在不同时间点的变化情况，我们都知道作为一个新媒体平台来说的话，没有足够数量的粉丝群体，再多努力也是白费，因此，运营者要特别留意新用户的动态，了解用户的昨日关键指标就是很好的切入点，在平时，微信运营这可能还看不出来这些数据的变化，但是当你的平台推出了新的计划后，这些关键指标就能起到很好的作用了，能够直观的反映新计划的效果，让运营人员根据这些数据和指标去总结经验，查漏补缺。而且还要时刻去发现问题，分析取消关注人数的数据，取消关注人数，也是运营者要着重考察的数据，因为维持一个老客户比增加一个新客户的成本要低很多，因此，如果平台上出现取消关注的情况，那么是一定要引起重视的，如果出现维持性掉粉的情况，那么企业就要更加的分析其中的原因，尽可能去解决并且预防这种情况的发生。

最后，数据分析的八类方法

第一种方法；直接评判法

从字面意思来看，就是根据多年经验，直接对具有分析性的数据下定义，从而评判它的好与坏，通常是通过评估近期的阅读数、销量以及当日文章推送量是否正常等从这几方面去下手分析，不过如果想用直接评判法来进行数据分析的话，则需要有两个硬性的要求，第一个就是运营人员必须有丰富的新媒体运营经验，可以对阅读量等信息有正确的评估能力，第二点就是经过加工处理的数据要够直观，可以直接代表某个数值的优劣，如果这两个条件都没有达到，那么你也是没办法去用直接评判法的，所以直接评判法是需要运营人员与数据都很优质的情况下才能使用的数据分析法。

第二个方法；对比分析法

对比分析法，从字面上的意思就能看出就是两组以上的数据进行对比才能使用的方法，分析两组数据的差异进而深度的去了解这些数据所代表的规律，对比分析法分为纵向分析法和横向分析法，横向是指同一时间段不同指标的对比，而纵向是指不同时间段同一指标的对比，通过对比分析法可以直接了解运营质量，已经目前运营的水平，通过了解目前的运营水平可以总结分析出优点缺点，优点当然要继续保持甚至更进一步，缺点自然是要调整改变重点突破了，所以对比分析法更适用于对运营质量的一个考核。

第三个方法；分组分析法

分组分析法就是指通过一定的指标，将分析对象进行分组并进行分析，这种分析方法的目的就是能更深入的了解要分析的对象的不同特征、性质以及相互关系的方法，分组方法需要遵循相互独立且完全不同的枚举分析法，意思就是分组之间不能有交叉、组别之间必须具有明显差异化，每个数据只能归为一类，且分组中不能遗漏任何数据，确保数据最终完整性，每个组别都可以容纳下所有的数据。

第四个方法；结构分析法

结构分析就是指在有统计数据的一些分组上将现有的数据域和共同的数据进行对比和分析，结构分析法就是对各种部分占总体的比例多少。

第五个方法；平均分析法

平均分析法相对来说还是有一定的难度的，用平均数来衡量总体在一定的时间和地点且某个条件下某一类数据的一般水平，平均数据相对于一些数据来说更具有客观性，可以帮助运营者分析接下来的趋势和规律，平均数据包括算数平均值、几何平均值、对数平均值等，其中最常用的是算数平均值，算数平均值的公式是，算数平均值=总体各数据总和/数据个数。这个公式很重要，请大家记录下来哦，在日后的数据分析中一定会用的上！

第六个方法；矩阵分析法

矩阵分析法是一种定量分析问题的方法，它是指用两个重要数据指标做分析依据，并将这两个指标定为横坐标和竖坐标，构成4象限，从而更直观的找出解决方法，为运营者提供数据参考。

第七个方法；漏斗图分析法

漏斗图其实就是一个倒立的金字塔，相信这么说大家一定很清楚了它的形状了，那么漏斗图分析到底是怎么个方法呢？其实很简单，就是把你总结好的相关数据填入进去就可以直观的看出数据每一步转化的情况了。前提是要先把相关数据统计出来，这种分析方法最好是搭配其他的分析方法共同使用。

第八个方法；回归分析法

这种方法就比较繁琐了，它是指通过研究事务发展变化因果关系来预测未来即将发展趋势，也就是说这种方法是用来研究变量间相互关系，也常被称为因果法。其实这种方法不是很常用，也就不在这里进行过多说明了。

好了，这节课到这里就结束啦，新媒体数据分析靠的不是单一的对数据的整理和分析，还是需要运营者进行精心的提炼和总结，要通过提出问题、分析问题、解决问题的思路去将核心呈现出来，所以我想大家也应该知道怎么做了吧，我们下期见!

作者：蜘蛛

来源公众号：蜘蛛