本文將對資料分析的關鍵知識模組做介紹，可以為你解答以下問題：

為什麼要做資料分析？

資料如何驅動運營？

資料分析的指標有哪些？

資料分析的模型有哪些？

怎麼評估使用者價值？

資料分析報告怎麼寫？

資料視覺化工具 ...

一、資料的價值

（一） 資料驅動企業運營

從電商平臺的「猜你喜歡」到音樂平臺的「心動模式」，大資料已經滲透到了我們生活的每一個場景。不論是網際網路行業，還是零售業、製造業等，各行各業都在依託網際網路大資料（資料採集、資料儲存、資料處理、資料探勘、資料分析、資料呈現）實現企業價值。

企業中資料從產生到應用依次要經過資料來源層、資料倉庫層、資料建模層，最後到資料應用層，經過層層加工逐漸支援到上游的應用環節。

資料應用層是資料產生價值的出口，透過資料探勘、使用者畫像建模、推薦演算法的制定，可實現千人千面的個性化內容推薦。「個性化」內涵是內容與使用者的高度匹配，以達到提升體驗、提升高黏性、促進銷售轉化的目的。

（二）資料驅動產品運營

資料分析對業務發展、產品最佳化、精細化運營也起到了關鍵支援。

資料驅動產品、資料驅動運營的關鍵在於「可以透過資料分析提出產品最佳化思路，提出運營提升的舉措，快速上線驗證效果，重新最佳化，進入新的增長迴圈」。

資料運營的關鍵應用場景有：

評估產品改版（新功能）效果發現產品改進關鍵點構建使用者畫像，以便開展精細化運營最佳化使用者體驗發現業務運營中存在的問題運營效果分析、ROI分析資料總結與向上彙報

......

二、如何用資料驅動運營

（一）資料驅動運營的內涵

資料驅動運營是一個很寬泛的概念，但拆分下來，資料驅動運營有三個內涵：

產品運營人員要具備資料意識，透過資料發現問題產品運營人員可以透過資料管理本職工作，用資料解決問題讓資料說話，提高各部門的溝通效率

（二）資料驅動運營的工作流程

1. 定義資料分析目標

明確目標，意味著運營人員（或資料分析師）要站在資料結果輸出物件的角度去思考。

對於管理層來說，往往會關注以下幾個結果：

重大決策最終反應在了哪些指標上這些指標有什麼關聯業務全域性有什麼變化趨勢與過去相比，哪些進步了，哪些退步了資料暴露出了什麼問題，需要做什麼調整

產品運營人員則更關注細節。整體來看，運營資料分析的目標主要有三類——即「解決是什麼、為什麼、做什麼」的問題，具體的資料分析目標還要結合實際工作來定義：

是什麼：如運營舉措的效果如何？產品最佳化的效果如何？使用者使用情況是怎樣的？使用者的體驗反饋如何？為什麼：如轉化率為什麼提升/降低？使用者為什麼會產生意料之外的行為？運營舉措和產品最佳化為什麼有效/沒有效果？做什麼：如運營策略該如何調整？產品該怎麼最佳化？業務戰略該怎麼調整？

2. 資料指標拆解

在確定了分析目標後，就需要進行資料指標拆解。明確要分析哪些具體的資料指標，為了避免遺漏關鍵細節，可以先對業務（或某一個活動、使用場景）流程做梳理，得出每一個節點的資料指標項，根據分析目標需要，保留關鍵項，剔除多餘項。

3. 資料採集

定義資料來源：在分析資料之前，要對資料來源、統計口徑、統計週期加以定義，以便提交「資料提取」需求。資料的獲取途徑：資料來源包括埋點資料、運營平臺、業務平臺、第三方平臺、回訪調研等。運營人員要對不同資料來源的真實性、準確性做把關。

4. 資料視覺化

使用圖表工具，將資料視覺化，更容易發現數據的趨勢、極值、聯絡。不同圖表型別適用於不同的分析場景。

散點圖：用於描述資料之間的規律

折線圖：描述資料隨著時間變化的趨勢

面積圖：折線圖的延伸，更注重資料和時間趨勢的變化關係

柱形圖：類別之間的關係

餅狀圖：資料之間的佔比

漏斗圖：轉化率分析、佔比分析

雷達圖：個體資料的屬性和視覺化，常用於使用者畫像、CRM

樹形圖：適合資料量大、類別多的情況，比如各類電商的SKU

桑基圖：解釋資料複雜變化的趨勢，一對多或者多對一

熱力圖：屬性和維度的規律組合，有點像折線圖

關係圖：不同種類的關係，常用於社交媒體

箱線圖：統計學圖表，用於研究和觀察資料分佈，對比資料分佈等

標靶圖：用於業務銷售完成情況等

詞雲圖：文字分析利器

地理圖：資料和空間的關係

5. 資料分析

解決問題是資料分析的最終落腳點。這一環節的目標是發現數據的特徵、規律、資料之間的關聯，透過對資料的洞察解決實際問題。

6. 輸出資料分析結論

資料分析的結果可以根據需要以Word或PPT的形式呈現。

報告應採取總分總的格式：

總述：闡述資料分析的背景、目的、目標、分析思路、目錄、關鍵發現。分述：對業務按多維度細分分析，用資料圖表與相應結論闡述觀點。總結：提出結論與最佳化建議、行動計劃、對業務發展做預測，提出策略與結論、附錄。

根據實際工作需要，「報告」不一定是必須的，資料分析的結果是為了下一步的行動計劃作支撐。

7. 測試驗證

根據資料分析結論，按照計劃開展最佳化測試，對測試效果展開分析，以此開啟新的資料分析程序，形成資料分析工作的閉環。

三、資料分析的基本指標

（一） 基礎資料指標

基礎資料指標參考了增長駭客理論中的AARRR模型，針對使用者從新增到流失的多個環節，來定義相應指標。

新增：日/周/月新增。

這裡有兩個維度，增量與增速。新增使用者增速是產品增長的基礎

傳播：病毒係數、傳播週期。

平均每位老使用者會帶來幾位新使用者？大於 1 的時候，產品才可能出現爆發式的指數增長。

老使用者一般在註冊（新增）後多長時間帶來新使用者？傳播週期越短，增長速度越快。

活躍：活躍使用者數DAU/MAU。

只有活躍使用者才能為產品帶來價值。

留存：留存率：次日、周、月。

使用產品的時間越久（活的長久），對產品的潛在價值越大

留存的計算業內有多種方式，但大多數採用了下方的計算公式：

次日留存率=（當天新增的使用者中，第2天還登入的使用者數）/第一天新增使用者總數；

七日留存率=（第一天新增的使用者中，在往後的第7天還有登入的使用者數）/第一天新增總使用者數；

月留存率=（第一天新增的使用者中，在往後30天還有登入的使用者數）/第一天新增總使用者數

流失：流失率。

一段時間內流失的使用者，佔這段時間活躍使用者數的比例。只有當產品新使用者增長的速度大於老使用者流失的速度時，產品的活躍使用者數才會是正增長。

（二）使用者行為資料指標

另一個維度，立足於使用者行為，可以根據提升黏性、提升參與度、提升轉化這三個目標定義具體的資料指標。

黏性指標：留存率、周活天

留存率反應產品是否滿足使用者需要。周活天反應使用者忠誠度。

參與度指標：活躍度、停留時長、訪問頁面數量轉化指標：使用者從上一環節到下一環節的轉化率

這兩種指標體系都具有參考價值，可以根據自身實際情況適當組合。

四、使用者分群

（一）使用者分群

使用者分群是精細化運營的基礎要求，也是資料分析的最基礎方式。對使用者進行分群，能幫助我們瞭解每個細分群體使用者的變化情況，進而瞭解使用者的整體現狀及發展趨勢。同時，由於運營資源本身有限，不可能真的做到一對一的個性化運營，但針對群體的運營是十分必要的。

（二）使用者分群模型

使用者分群的首要任務是根據具體的業務場景，確定不同的分類規則，給出清晰的定義。

1. AARRR模型分群法

借鑑增長駭客AARRR模型，可以把使用者分為：

註冊使用者：透過不同獲客渠道完成註冊的使用者。活躍使用者：註冊且登陸的使用者。留存使用者：一定時間內未流失的使用者。下單使用者：對營收產生價值的使用者。忠誠使用者：對產品高度認同及依賴的使用者。

2. RFM模型分群法

（1）RFM模型——用於建立分群維度

傳統行業對使用者分類最常用的方法是RFM模型，RFM分別是三個英文單詞的首字母。

R（Recency）代表消費新鮮度。理論上，最近一次消費時間越近，說明此使用者相對來說是比較優質的使用者，對提供即時的商品或者服務，他們是最可能及時響應的。F（Frequency）代表消費頻率。是使用者在某段時間內購買商品或服務的次數。一般來說，消費頻率越大，顧客忠誠度越高。M（Monetary）代表消費金額。消費金額體現使用者的消費能力。

（2）使用者五等分模型——用於明確分群規則

美國資料庫營銷研究所Arthur Hughes使用者五等分模型，將指標按下列規則分類：

1）查詢近一個月（查詢時間往前推30天）所有內容建立者最近一次的登入時間。

2）按最近一次登入時間距離查詢當日的時間排序：前20%標記為R5，記為5分；前20%～40%，標記為R4，記為4分；前40%～60%，標記為R3，記為3分；前60%～80%，標記為R2，記為2分；前80%～100%，標記為R1，記為1分。依此類推，將建立內容的使用者分成五等分。

3）查詢出內容使用者在一個月內登入的天數，及建立的內容數，按同樣的方法五等分進行標記。

4）將R5、F5、M5等同於5分，R4、F4、M4等同於4分，R1、F1、M1等同於1分，將每個顧客對應的三個數字相加，作為內容提供使用者價值的得分。

（3）RFM模型分群法的應用

1）細分使用者群分析

對某個或某幾個使用者分群進行分析，從而給出具有針對性的運營建議。如對R1、R2的使用者進行分析，找到活躍使用者的共性，從而反推使用者不活躍或流失的原因。

2）顧客價值評估

基於使用者五等分模型，對使用者進行價值評估。在資源有限的情況下，可以優先滿足10分以上高價值使用者的需求，同時透過完善權益機制，激勵9分以下的低價值使用者升級，引導整個使用者體系的良性發展。

使用者價值劃分：

3～5分：低貢獻使用者

6～9分：一般使用者

10～13分：優質使用者

14～15分：高價值使用者

3）流失使用者監控

基於R、M兩個維度，對不同分值使用者打上標籤，區分出高價值忠誠使用者、高價值流失使用者等，以便展開具體的運營舉措。

R≥3且M＜3，打上標籤：低價值忠誠使用者。

R≥3且M≥3，打上標籤：高價值忠誠使用者。

R＜3且M＜3，打上標籤：低價值流失使用者。

R＜3且M≥3，打上標籤：高價值流失使用者。

3. 關於「同期群」

同期群是一種使用者分群的方式，按使用者的新增時間將使用者分群，得到的每個群叫一個同期群。

由於同一項產品改進對不同同期群中的使用者產生的影響是不同的，分開衡量才更能反映真實的情況，因此，我們常常會進行同期群分析。同期群分析是指將使用者進行同期群劃分以後，分析和對比不同同期群組使用者的相同指標。

五、資料分析模型

很多時候我們聽到「模型」兩個字都會覺得高深莫測，當然也有不少人會對這種「學院派」的做法嗤之以鼻。但實際上，模型只是「對資料分析思路的抽象」，透過模型能快速幫助我們梳理思路，理清資料的內在關聯。

資料分析模型有很多種類，本文裡我們不涉及技術，只對關鍵的邏輯模型做重點說明：

挖掘演算法模型：主要是針對具體的業務問題，透過數學演算法等方式輸出計算結果，如預測、聚類、文字挖掘。

資料庫模型：結合業務對底層資料進行整合

邏輯模型：是指透過一些指標的內在聯絡組合起來的可分析問題的模型。比如RFM模型以及「增長駭客」中常用的AARRR模型。

關於「增長駭客」的理論、方法、工具等內容，我們將在後續文章中詳細介紹。

1. 4P營銷理論（適用於業務整體分析）

4P營銷理論是密西根大學教授傑羅姆·麥卡錫（E.Jerome Mccarthy）在20世紀60年代提出的。這個理論將營銷組合的要素分為產品（Product）、價格（Price）、促銷（Promotion）、渠道（Place）四要素，使得營銷簡化並方便記憶和傳播。

產品：在產品維度，側重回答我們的產品是什麼？是否實現盈利？產品如何滿足使用者需求？產品的目標使用者是誰？產品的最佳化是否有效？存在什麼問題？

通常我們理解的產品是有形的，但實際上這是狹隘的觀點。實際上產品可以是任何在市場存活的，滿足使用者某種需求的東西，它可以是實物，也可以是服務、人員、技術、組織、智慧等或以上若干種的組合。

價格：在價格維度，側重分析產品如何定價？收入情況如何？ROI如何？哪些環節會影響到收入？促銷：促銷維度則關注促銷方式是什麼，效果怎麼樣？渠道：渠道質量如何？渠道覆蓋如何？使用者的渠道偏好是怎樣的？

2. 5W2H（適用於向領導彙報資料分析計劃）

5W2H是以5個以W開頭的英文單詞及2個以H開頭的英文單詞為縮寫的簡稱，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開分析，幫助理清分析思緒。

What：資料分析的物件是什麼？Why：資料分析的背景是什麼，為什麼要做這次資料分析？Where：資料來源是什麼？When：資料採集時段是多久？Who：誰來執行具體的資料環節？How：如何執行？How much：需要投入什麼資源？

3. 其他模型

PEST：適用於宏觀環境的分析。SWOT：適用於做戰略分析。 六、使用者生命週期價值

1. 使用者終生價值的計算 (life time value)

LTV =（某個客戶每個月的下單頻次*客單價*毛利率）*（1 /月流失率）=（某個客戶每個月的下單頻次* ARPU *毛利率）*（1 /（1-月留存率））=使用者生命週期內下單次數*客單價*毛利率

1）ARPU值的計算

ARPU（每個使用者的平均收入）=某段時間內的總收入/同時期內活躍使用者總數；

2）流失率的計算

流失率指的是一段時間內，有多少比例的使用者不再使用你的產品了。所以流失率=在某段時間內流失的使用者/同時期內活躍的使用者，流失比較難定義，但留存比較好定義，故月流失率近似等價於1-月留存率；流失率的倒數用來表示預測的使用者生命週期，如果一個產品的流失率為10%，則產品對應的生命週期為10個月。

2. 應用場景

1）評估運營活動是否盈利

單個使用者毛利=使用者生命週期價值-獲取使用者成本-運營成本= CLV - CAC - COC

很多產品在初期一直以補貼使用者的形式來留住使用者，長此以往，資金鍊一旦斷裂，將無以為繼。只有當用戶的毛利大於0時，產品才能良性地、持續穩健地發展下去。

2）追蹤投資回報率

計算公式：ROI =轉化率* ARPU/ (CAC + COC)

七、資料指標的拆解

作為運營負責人，常常面臨分工不明確，考核難量化等問題。

將KPI進行拆解也是常見的分析方法，其核心思想是將KPI指標（如營收）拆解到各個業務線去，再由各業務線進行二次拆分。

為了促進流量運營、使用者運營、內容運營等各運營團隊之間的協作，可以將營業收入KPI以乘積的方式分解成各運營團隊的KPI，各團隊不僅需要完成各自KPI還需要相互合作才能完成共同KPI，有效減少了團隊間的內耗。

例如，若整個大部門揹負著收入指標，則根據計算公式：收入=客單價*付費使用者數=客單價*使用者數*付費轉化率，可以將客單價、付費轉化率、使用者數作為不同小團隊的KPI。

八、資料視覺化工具推薦

網路上可搜尋到的資料視覺化工具非常多，在資料圖表製作、平臺操作上也大多相似，但也各有特點，可以根據展示效果需要來選擇工具。

1）花火Hanabi

可製作資料動圖、短影片素材

2）鏑數圖表

除了資料圖表製作外，有大量模版，可以製作資料展示的海報、長圖文

3）圖表秀

4）思邁特Smartbi

企業資料分析BI解決方案

5）Datawrapper

適合外企，可製作圖表、地圖、報告，支援匯出連結、pdf等格式