從廣義來講，數據是反映產品和用戶狀態最真實的一種方式，通過數據指導運營決策、驅動業務增長。
與
數據分析師的崗位不同，數據運營更加側重支持一線業務決策。
而運用在產品運營的整個生命週期中，數據運營就是屬於一種技能，通過數據分析發現解決問題，提升效率促進增長。
一、數據運營都需要學習些什麼知識？
1. 明確數據分析的目的
做數據分析，必須要有一個明確的目的，知道自己爲什麼要做數據分析，想要達到什麼效果。
比如：爲了評估產品改版後的效果比之前有所提升;或通過數據分析，找到產品迭代的方向等。
明確了數據分析的目的，接下來需要確定應該收集的數據都有哪些。
2. 收集數據的方法
說到收集數據，首先要做好數據埋點。
所謂“埋點”，就是在正常的功能邏輯中添加統計代碼，將自己需要的數據統計出來。
目前主流的數據埋點方式有兩種：
第一種：自己開發。開發時加入統計代碼，並搭建自己的數據查詢系統。
第二種：利用第三方統計工具。
常見的第三方統計工具有：
網站分析工具：Alexa、Google Analytics、百度統計
移動應用分析工具：Google Analytics、友盟、TalkingData、Crashlytics
不同產品，不同目的，需要的支持數據不同，確定好數據指標後，選擇適合自己公司的方式來收集相應數據。
3. 產品的基本數據指標
新增：新用戶增加的數量和速度。如：日新增、月新增等。
活躍：有多少人正在使用產品。如日活躍(DAU)、月活躍(MAU)等。用戶的活躍數越多，越有可能爲產品帶來價值。
留存率：用戶會在多長時間內使用產品。如：次日留存率、周留存率等。
傳播：平均每位老用戶會帶來幾位新用戶。
流失率：一段時間內流失的用戶，佔這段時間內活躍用戶數的比例。
4. 常見的數據分析法和模型
這裏講下漏斗分析法和AARRR分析模型
漏斗分析法
用來分析從潛在用戶到最終用戶這個過程中用戶數量的變化趨勢，從而尋找到最佳的優化空間，這個方法被普遍用於產品各個關鍵流程的分析中。
從用戶進入
企業網站到瀏覽商品頁面，轉化率是40%；瀏覽商品到加入購物車轉化率是20%等，那要找出哪個環節的轉化率最低，我們需要有對比數據。
比如第一個，進入網站到瀏覽商品，如果同行業水平的轉化率是45%，而我們只有40%；那說明這個過程，沒有達到行業平均水平；我們就需要分析具體原因在哪裏，再有針對性的去優化和改善。
當然，上面這是我們設計的一種理想化的漏斗模型，數據有可能是經過彙總後得出的。而真實的用戶行爲往往可能並不是按照這個簡單流程來的。此時需要分析用戶爲什麼要經過那麼複雜的路徑來達到最終目的，思考這中間有沒有可以優化的空間。
AARRR模型
這個是所有的做產品的小夥伴都必須要掌握的一個數據分析模型。
所謂獲取用戶，就是拉新就是吸引新的用戶。
對於APP來說，拉新意味着新的用戶下載註冊；而對於衆多的微信公衆號、微博、貼吧運營個體而言，拉新指的是吸引新的粉絲關注。
在羅列你的渠道時，需要注意的是每個渠道都需要有根有據，包括這個渠道是不是跟你的目標人羣相契合、還有單價高或低以及渠道的二次傳播行不行等等因素。
而現在推廣APP的渠道都會包括：
獲取用戶就是通過各個渠道拉新的過程。除了換量合作，在各大論壇貼吧等社區發帖，社羣營銷等免費方式。付費方式包括但不限於利用搜索引擎、微信微博頭條等自媒體、網盟廣告、線下活動，互聯網電視這些方式。增長黑客這種特別的方式也有人在使用。
拉新是否有效有一個評判標準——觸發關鍵行爲。比如用戶下載了APP不一定會使用。關鍵行爲根據產品的情況而定，它可能是瀏覽文章，觀看視頻、發送消息、開始遊戲或者填寫郵箱等。
好渠道並不意味着用戶量最大的渠道，也不是成本最低的渠道。不斷探索用戶的喜好和分佈，才能更加優化合理的確定投入策略，不斷最小化CAC。
每個渠道獲取用戶的數量、質量、成本都不一樣，需要通過用戶獲取成本（CAC）、用戶量、留存率、ARPU數劇等綜合評判。
當然除了通過外部渠道獲得新客戶，如果用戶體量較大，也可以從產品設計的角度完成拉新。
第一、主動告知用戶，有三種方式：APP的push消息、EDM郵件、短信通知，可以根據用戶畫像來進行消息推送的時間，內容和用戶。
第二、被動告知用戶，開屏廣告，設置明顯的入口，功能入口添加優惠便籤，首頁設置相關的輪播圖等；如摩拜APP的開屏廣告顯示有網約車，滴滴APP的其他各種功能。
提高活躍度（Activation）
活躍度指用戶使用產品的時間以及頻率。每個產品對活躍度的定義不一樣，比如百度貼吧希望用戶能夠每天都能登錄、發帖、評論；在線教育類產品，則更關注用戶的學習時長、練習次數等。
活躍度建立在產品的核心價值上，如高質量的內容，越來越好的用戶體驗感，多功能的需求等，在用戶最初使用的幾十秒鐘內抓住用戶。
還有一些輔助手段，包括滿足用戶需求的活動、完善的用戶激勵體系，成長體系、增加用戶與其他用戶的互動的方式，還有APP的新手指引這類更細緻化的操作等。
一個比較全面的分析思路是，把用戶從使用產品開始到結束的每一個流程單獨列出來，站在用戶角度，不斷尋找可促活的途徑。比如，分析新功能的轉化率，使用過程的流暢性，延長用戶的產品使用流程。
當然，我們還可以篩選出優質用戶。如果某個渠道的用戶，使用產品的時間和啓動次數很可觀，則應加大這個渠道的投入。
此外，還有些用戶只啓動過一次產品，這類用戶大多屬於被動激活。
除了渠道，另一個和活躍度相關的分析維度是版本。但這會產生兩個錯覺：用戶習慣了現在的產品，所以不希望產品迭代更新；用戶會要求你增加新功能。
例如，2006 年 Facebook 首次推出新聞頻道，造成巨大的用戶反彈。但隨着時間的推移，這個產品卻成爲了Facebook 的核心功能。Facebook忽視了少數派的反對聲音，堅持了自己的戰略。
我們既不想刺激現有的忠誠用戶，又需要獲取下一個百萬用戶，添加功能比砍掉功能更容易。通常用戶要求的功能是解決很小的便利問題，而不是真正的解決方案。我們需要積極地與用戶溝通，如果數據告訴你新方向是正確的，那麼忽略發聲的少數用戶。
提高留存率（Retention）
用戶開始使用產品並且一段時間後仍然繼續使用，被認作是留存用戶，而留存用戶佔當時新增用戶的比例即是留存率。
用戶在每個應用中的生命週期是接觸—使用—放棄或者遺忘的過程。在用戶使用階段，有效的促活手段也能提高留存，但同樣重要的是挽回用戶，而挽回用戶有一個通用的流程。
先確定流失用戶的標準；再建立一個用戶流失模型，分析用戶爲何流失，採取相應的手段補救；同時通過EDM，短信等方式讓用戶知道你在召回；最後通過新手引導重新讓用戶熟悉產品操作，繼續留存。
獲取收入（Revenue）
現階段移動應用獲取收入的途徑主要有三種：付費應用、應用內付費，以及廣告。付費下載多見於蘋果APP Store，廣告是大部分開發者的收入來源，而應用內付費也較爲普遍，比如遊戲類，增值服務類，自營商城等。特別說明，高德地圖的盈利模式除了廣告之外，還在於其本身的地圖數據和用戶數據與其他領域的結合。
大家通常採用ARPU（平均每用戶收入）值來判定收入標準。但對於一個既有付費用戶，又有未付費用戶的應用而言，還需要看 ARPPU（平均每付費用戶收入）。
因爲涉及到付費用戶在全部用戶中所佔的比例，如果付費用戶的數量較低，那麼就要思考產品盈利方式是否有問題，包括定價，產品功能特性，變現方式等。
計算收入的同時也要考慮利潤。計算利潤的時候有一個指標：LTV（生命週期價值）。
用戶的生命週期是指一個用戶從第一次啓動應用，到最後一次啓動應用之間，爲該應用創造的收入總計。
LTV – CAC的差值，就可以視爲該應用從每個用戶身上獲取的利潤。
自傳播（Refer）
社交網絡的興起，爲產品帶來了更強的生命力——基於社交網絡的自傳播。自傳播，或者說病毒式營銷，來源於病毒傳播學，即一個已經感染了病毒的宿主在接觸其他宿主的過程中也會被傳染上病毒。K因子量化了“感染”的概率。
K = (每個用戶向他的朋友們發出的邀請的數量) * (接收到邀請的人轉化爲新用戶的轉化率)。當K>1時，用戶羣就會象滾雪球一樣增大，但是絕大部分移動應用還是必須和其它營銷方式相結合。
自傳播除了產品足夠好，傳播過程的受衆足夠準確，能夠引發用戶的需求也同樣重要，比如利益，虛榮心，稀缺性，試用等等。比如滴滴，美團的紅包好友分享；付費用戶免費邀請朋友試用產品；轉發朋友圈送禮品等。
以一個成功的微信百日跑活動爲案例，展現自傳播過程中部分可調整的點。
01 拉新分發機制
對跑步KOL拉新做梯度激勵手段：隊每多10人，就發羣紅包；隊滿80人則隊長可以獲得跑鞋一雙。同時每天在隊長羣中做羣運營，曬隊人數排行榜，“XX隊滿80人啦”，“XX隊隊長領取跑鞋”，讓隊長被充分激勵。
02 常規分享機制
在微信體系內，分享海報比分享鏈接更引人注目。結合“贏取iPhone8”賣點的海報讓用戶發朋友圈時比較搶眼。同時分享流程也要做充分的引導，比如“長按圖片，發送給朋友”。
03 誘導分享機制
活動有報名費，所以設計了“報名成功後分享活動頁到朋友圈立返20元現金”的獎勵。因爲跑步用戶之間有公用的微信羣，所以必須是用戶分享朋友圈才最有效。同時又擔心用戶發朋友圈時選擇部分可見，或發完立刪，所以補充了“需要10人通過朋友圈點開你的分享”這個機制。
A、分享機制的詳細說明
B、對分享標題做改版，帶來二次分享，凡是可以數據化的地方就能做成排行榜，用戶都在曬自己是第幾個報名的，能激發人類心中攀比炫耀的心理，這就促成了分享。
C、利用H5設計“假活動圖文”，在這個H5上可以自由定義閱讀數（直接100000+），點贊數和用戶留言。通過設計的用戶留言，引導用戶報名並對一些疑慮進行破解。
E、“10人點開閱讀的提醒”
朋友圈一人點開就提醒一次。同時，部分人分享朋友圈後並沒有10人打開，或錯分享給好友或羣，所以我們每兩天，會用發模板消息提醒未領20元的用戶再次發朋友圈。
二、數據運營需要分析什麼？
拉新階段：關注用戶來源的類型：純新用戶（第一次註冊）還是老用戶（再註冊）；貼片廣告的用戶來源有多少，彈窗廣告的用戶來源有多少等等。
轉化階段：關注轉化率：200個用戶瀏覽了你的宣傳頁面，註冊的有100人，這100人就是實現了轉化，轉化率爲50%（=100/200）；同樣的除了註冊轉化率還有付費轉化率等等。
活躍階段：關注用戶在產品內的活躍量，不同的產品表現形式不同。例如，貼吧：發帖量、回帖量等等；視頻網站：點擊量，觀看量等等。
留存階段：關注留存或流失的用戶量。例如，第一天新增的用戶有300人，300人中第二天還在活躍的有100人，第三天還在活躍的呢？第四天呢？一直類推。
用戶運營只是運營的職能之一，貫穿在各種產品的運營中。用戶運營所關注的數據指標，不同行業、不同平臺等等都有不同的側重點。
根據運營的平臺來劃分：
01 流量方面需要關注：
PV（page view）訪問頁面產生的數據。 一個用戶訪問了5個頁面，那麼就產生了5個 PV。
UV（user view）某個特定頁面的訪客數。一個頁面一個賬號無論點進去幾次，UV都是1，因爲只有一個訪客。
VV（visit view）針對於全站的訪客數。一個賬號進入一個網站，無論這個賬號瀏覽了這個網站多少個網頁，VV都是1 ，因爲這個網站只有一個訪客。
IP：針對於全站的網絡IP數。你在家用電腦登錄了這個網站，之後你表哥也用同一臺電腦登陸了他的賬號，訪問了同一個網站，但這個時候IP還是隻有1，因爲你和表哥用的同一臺電腦，網絡的IP地址也是一個。
02 訪問方面需要關注：
跳出率：頁面停留訪客有300人，但是有150人不喜歡這個頁面，選擇離開，那麼跳出率就是50%（=150/300）
二跳率：首頁頁面停留訪客有300人，有150人覺得這個網站很喜歡，於是點擊瀏覽下一個頁面，那麼二跳率就是50%（=150/300）。以此類推還有三跳率，四跳率等等。
轉化率：轉化到最終產品目的頁面的比率。如果是電商的話，最終目的就是下單，那麼就是新增用戶和轉化到下單頁面的用戶 的比率。以此類推，還有付費轉率，註冊轉化率等等。
03 活躍方面需要關注：
DAU(daily active user)即 日活躍用戶量。
MAU(monthly active user)即 月活躍用戶量。
相關的，還可以有周活躍用戶量、年活躍用戶量等等。
04 轉化方面需要關注：
（這裏的轉化，單指電商運營方面。與上文轉化率做區分）
成單量：用戶共成了多少單
付費金額：用戶共付費多少元
客單價：付費金額/成單量=客單價。這裏需要的是，每單平均多少錢的數據
付費率：走到付費這一步的轉化率
APP運營：
新增：
新增的設備數（按手機型號分）；新註冊的設備數（註冊新用戶。）
活躍：
活躍的設備數；活躍的用戶數
留存：
次日留存率：例如，第一天新增300人，第二天還登錄的有150.那麼次日的留存率就是50%（=150/300）。以此類推，還有三日留存率（第三日登錄數/第一天新增數）……n日留存率等等。
TAD：比如，7日TAD=第一天留存量+第二天仍在留存的數量……+第七天仍在留存的數量
用於計算七天內，一臺設備活躍過幾天。
轉化：
根據運營的行業來劃分：
內容型行業：關注PV,UV,V V，帖子數，頁面停留時間，分享數等等
社交類行業：關注發帖量，發言數，PV,UV，活躍佔比等等
電商類行業：關注銷售收入，成單量，客單價等等
遊戲類行業：關注活躍用戶量，付費率，收入，ARPU（每用戶平均收入）等等
除了運營平臺和運營行業兩個劃分角度外，還有很多劃分角度，其中用戶運營所要關注的數據指標都是有不同側重的。
三、如何進行數據分析
1. 數據採集
好的數據源主要有兩個基本的原則，一個是全，一個是細。
全：就是說我們要拿多種數據源，不能說只拿一個客戶端的數據源，服務端的數據源沒有拿，數據庫的數據源沒有拿，做分析的時候沒有這些數據你可能是搞不了的。
另外，大數據裏面講的是全量，而不是抽樣。不能說只抽了某些省的數據，然後就開始說全國是怎麼樣。可能有些省非常特殊，比如新疆、西藏這些地方它客戶端跟內地可能有很大差異的。
細：其實就是強調多維度，在採集數據的時候儘量把每一個的維度、屬性、字段都給它採集過來。
比如：像where、who、how這些東西給它採集下來，後面分析的時候就跳不出這些能夠所選的這個維度，而不是說開始的時候也圍着需求。
根據這個需求確定了產生某些數據，到了後面真正有一個新的需求來的時候，又要採集新的數據，這個時候整個迭代週期就會慢很多，效率就會差很多，儘量從源頭抓的數據去做好採集。
2. 數據建模
有了數據之後，就要對數據進行加工，不能把原始的數據直接暴露給上面的業務分析人員，它可能本身是雜亂的，沒有經過很好的邏輯抽象的。這裏就牽扯到數據建模。
首先，提一個概念就是數據模型。許多人可能對數據模型這個詞產生一種畏懼感，覺得模型這個東西是什麼高深的東西，很複雜，但其實這個事情非常簡單。
在數據分析領域領域領域，特別是針對用戶行爲分析方面，目前比較有效的一個模型就是多維數據模型，“在線分析處理”這個模型。
它裏面有這個關鍵的概念：一個是維度，一個是指標。
維度比如城市，然後北京、上海這些一個維度，維度西面一些屬性，然後操作系統，還有iOS、安卓這些就是一些維度，然後維度裏面的屬性。
通過維度交叉，就可以看一些指標問題，比如用戶量、銷售額，這些就是指標。
比如，通過這個模型就可以看來自北京，使用iOS的，他們的整體銷售額是怎麼樣的。
3. 數據分析方法
數據分析方法是有多種的，比如多維度事件分析、漏斗分析（文章前面已經做了簡單分析）、回訪分析、交叉分析等，在這裏我們就挑一個交叉分析來做個案例分析。
交叉分析法：通常是把縱向對比和橫向對比綜合起來，對數據進行多角度的結合分析。
舉個例子：
a. 交叉分析角度：客戶端+時間
從這個數據中，可以看出iOS端每個月的用戶數在增加，而Android端在降低，總體數據沒有增長的主要原因在於Android端數據下降所導致的。
那接下來要分析下爲什麼Android端二季度新增用戶數據在下降呢?一般這個時候，會加入渠道維度。
b. 交叉分析角度：客戶端+時間+渠道
Android端在二季度新增用戶降低主要是由於A預裝渠道降低所導致的。
所以說，交叉分析的主要作用，是從多個角度細分數據，從中發現數據變化的具體原因。
4. 如何驗證產品新功能的效果
驗證產品新功能的效果需要同時從這幾方面入手：
a. 新功能是否受歡迎？
衡量指標：活躍比例。即：使用新功能的活躍用戶數/同期活躍用戶數。
使用人數的多少還會受該功能外的很多因素影響，千萬不可只憑這一指標判斷功能好壞，一定要結合下面的其他方面綜合評估。
b. 用戶是否會重複使用？
衡量指標：重複使用比例。即：第N天回訪的繼續使用新功能的用戶數/第一天使用新功能的用戶數。
c. 對流程轉化率的優化效果如何？
衡量指標：轉化率和完成率。轉化率即：走到下一步的用戶數/上一步的用戶數。完成率即：完成該功能的用戶數/走第一步的用戶數。
這個過程中，轉化率和完成率可以使用(上)篇中提到的漏斗分析法進行分析。
d. 對留存的影響？
衡量指標：留存率。用戶在初始時間後第N天的回訪比例，即：N日留存率。
常用指標有：次日留存率、7日留存率、21日留存率、30日留存率等。
e. 用戶怎樣使用新功能？
真實用戶行爲軌跡往往比我們設想的使用路徑要複雜的多，如果使用的數據監測平臺可以看到相關數據，能引起我們的反思，爲什麼他們會這麼走，有沒有更簡便的流程，以幫助我們作出優化決策。
不管是市場也好，產品也好，運營也好，老闆也好，大家都會有各種各樣的數據需求，所以數據運營其實是一個蠻受歡迎的崗位，但是真正要做得好不是那麼容易的事情，因爲數據是件較爲複雜的事情，設計的因子數據指標比較多。
但是作爲一個產品運營人員，時刻需要跟數據打交道，不會那麼一點數據分析能力好像說不過去，所以基本的關於數據分析能力害的具備。
