Question

数据的定义

所谓数据，其实就是与产品和运营相关的一些数值。这些数值，可以通过第三方工具或通过自行开发进行统计，这些数值是研究和分析的基础素材。

不管什么样的产品，都有一些核心数据，它们是进行分析，得出结论的基础。用一张思维导图表示，通用的核心数据包括以下类型。

图6–1仅仅简单地展示了部分通用的运营数据，其中三个数据类型是所有运营人员都需要了解的：渠道数据、成本数据、收益数据。

渠道数据用来衡量渠道质量、渠道作用，它由产品定位的客群和产品的特性所决定。我们很容易明白，一个理财产品如果在游戏社区投放运营，其运营效果可能不会太好，但是如果换成彩票、博彩，可能效果就很好；同理，如果在女性社区平台投放《传奇》这类游戏的宣传与活动，其效果几乎为零，但如果换成一款Q版小游戏，或许效果就很好。

图6–1

成本数据和收益数据，则会从不同层面反映出运营的效果。

在展开论述之前，我想提醒所有从事互联网运营的人们，千万不要相信网上流传的各种不花钱做运营的鸡汤文，运营工作必然要付出成本。如果不花钱，那么付出的可能是人脉，或者是其他可用于交换的资源。虽然运营必然有成本，但是运营的效率却可以通过经验、熟练度、创意等各种手段来提升。

所以，做运营的同学，请一定要认真评估每一个运营行为所带来的收益背后的成本。而所谓“收益”，并不等价于“收入”，因为获得金钱是收益，获得用户也是收益，获得口碑同样是收益。

明白了渠道、成本、收益这三类数据是指导运营的核心数据之后，我们就可以根据自身的产品特性去设定需要获取哪些数据。

我们以曾经红极一时的App——足记为例。

足记因为一个非核心功能火了，但此类应用会关注哪些数据呢？从产品的层面，它会去关注：

· App每日打开数。

·各种功能的使用次数和使用频次。

·各种Tab的点击次数和对应页面的打开频次。

从运营的层面，它可能会去关注：

· App每日的活跃用户数与用户的留存率。

·每日产生的UGC数量（区分新老用户）。

·每日分享到社会化媒体的UGC数量（同时考虑单位用户的产生内容数）。

·分享出去的UGC带来的回流新装机、新激活用户数。

而我们需要注意的是，这些数据点并不是一成不变的，它会根据产品的不同阶段而调整，如果我们假设未来“足记”有盈利模式，那么它关注的核心数据就会从内容转向收入，此时转化率等相关数据就会变得重要了。

同样，我们前文中举过这样一个例子：某旅游网站发起了老用户邀请新用户的活动，老用户和新用户都可以获得100元代金券，如果活动期间，新用户完成了一笔旅游订单，不论金额大小，作为邀请人的老用户还可以获得100元代金券。

我们当时分析了活动流程，并针对活动流程做了关键点梳理（见图4–18），这些关键点就是需要获取的数据。

我们需要的数据应该根据实际的需求来进行设计，并没有一个完全通用的标准。

如何获取与分析数据

获取数据的渠道有很多，基本可以分为自己获取和使用外部工具获取两种方式。关于自己获取的途径，App可以选择“埋点”、log等方式，而Web可以通过log、日志与按钮埋点等方式。很多第三方会提供外部工具服务，比如最常用的Google Analytics（谷歌分析）、百度统计等。

获取数据的方式其实各种各样，关键在于，运营人员要了解什么样的数据是重要的，这些数据的前后关联是怎样的。这是一个联动的过程，不是一个单一的行为。同时还需要注意，有一些数据是在产品上线初期就需要具备的，而另一些数据则可以根据后续运营需求适时加入。

对于数据的解读，每个人都有不同的方式。我们对数据分析的方法进行简单总结。

确定数据的准确性

这里包含了选择数据维度的合理性、数据统计的准确性，是数据分析的基础。如果数据维度选择不合理、数据统计结果不精确，我们就无法得出正确的分析结果。

明确影响数据的因素

数据会受到多种因素的影响，这些因素有内部的、外部的，运营人员应当尽可能多地了解所有层面的影响因素，以确保对数据的解读是在一个相对正确的范围内。

重视长期的数据监测

在运营数据分析中，经常会使用环比和同比等方式来对比数据。简单地说，环比是本日与前一日的对比、本月与上月的对比、本季度与上季度的对比；同比是今年当日与去年当日的对比、今年当月与去年当月的对比、今年当季度与去年当季度的对比。环比显示短期的数据波动，而同比可以帮我们了解大环境下的数据波动。

保持客观的视角

在数据分析的过程中，保持客观非常重要。运营人员要做到“不以物喜，不以己悲”，做了错误的操作，带来了不利的影响要坦然面对，获得了超出预期的成果要心平气和，切忌挑选有利于自身的结论。

有时候，运营人员在解读数据之前会无意识地有预设立场，这种预设立场破坏了本应持有的客观视角，因此不可取。另外，有意预设立场涉及职业道德，也是职业发展中常见的问题，必须避免。

注意剔除干扰项

在实际运营工作中，我们会碰到很多问题，这些问题是干扰项，例如，在一个相对平稳的曲线中，突然在某个点上出现了强烈波动，那么我们需要全面了解波动产生的原因，如果无法确认原因，就剔除这个波动，否则我们很难获得一个正确的结论。

关于数据分析的内容，尚有许多值得学习和探讨的空间，大家可以继续在工作中加以摸索。