目录
任正非曾说：“数据是公司的核心资产，要像经营资本一样来经营数据。”
互联网的伟大之处在于，通过技术为我们创建了一个全新的数据时代，所有的行业每天都会产生海量的用户数据，数据逐渐成为公司的一个极为重要的核心资产。
而数据积累和数据分析贯穿于公司的不同发展阶段，作为运营人，我们应该建立数据思维，从内心里将数据采集、数据分析和数据应用重视起来。
如下图，我将数据在公司发展各阶段的核心价值做了一个梳理。
数据的应用价值对公司来说是核心，对运营人员来说也是极其重要的，具体从两个方面来看：
- 数据是关键性决策的基础依据；
- 数据是效果复盘的唯一可衡量性依据。
数据对运营人员的重要程度，就像航海时代船长手里的指南针，精准的数据能够在工作中为运营人员指引方向。很多运营人员在接触运营工作的第一天，就开始和数据打交道。
看到各类庞杂的数据，大部分新人都会叫苦连天，别说分析数据了，就连看懂数据都很难，我在刚接触电商运营时也有过这个感受。
一旦我们具备了正确的数据思维，掌握了数据获取和分析的方法论，这些问题就迎刃而解了。
数据思维是《从增长黑客到流量地图，关于增长的4个核心思维》这个系列文章的第二篇，也是我在《流量地图》这本书里，花了大量篇幅重点讲解的章节。
我认为，数据思维是运营人做增长的一个极其重要的基础性思维，希望通过这篇文章引起大家对数据的重视。
如果对增长的4个核心思维还不太了解的，建议你可以先回顾我之前的一篇文章：《从增长黑客到流量地图，关于增长的4个核心思维（一）》
我想，对于没有接触过数据运营的运营新人，建立数据思维的过程是枯燥的，但也是快乐的。因为你能通过数据看清业务，并找到有效的方法提高业务指标。
在具备数据思维后，你能发现你在做运营决策时更理智，在跨部门进行沟通时更高效，对运营活动的效果预判也会更准确。
一、数据思维在增长中的应用
增长的工作有一半时间是在做策略，还有一半时间其实是在做数据分析。
1. 投放渠道选择与预算分配
在制订渠道投放计划时，如何有效地筛选广告投放渠道？以及，如何合理地分配预算呢？
对于这两个问题，我们都需要从数据分析开始着手，下面来看具体的广告投放案例。
如下表所示，假设现在有A、B、C、D、E五个拉新投放渠道，通过一段时间的广告投放后，我们很快获取了各个渠道的拉新量、花费及单个获客成本等数据。
在对这几个渠道的数据有了基本的认知之后，我们可以根据广告投放的实际情况进行预算的控制和调整。
比如：在缩减预算的情况下，应该如何优化预算分配呢？
从5个渠道中可以看出，A和D的单个获客成本最高，是做预算控制的首选渠道，应该削减这两个渠道的预算，这样能够快速产生成本压缩的效果。
在追加预算，需要快速增加拉新量的情况下，又应该如何优化预算分配呢？
这时，你可能会说将预算全都使用到单个获客成本最低的E渠道。
其实，从实际的广告投放经验来看，E渠道的拉新量最低，应该属于小流量渠道，无法快速扩量；B和C渠道才是扩大预算投放的首选渠道，因为从拉新量来看，这两个渠道是大流量渠道，在平均拉新量较低的情况下，可以轻松扩量。
当然，在实际做用户拉新的广告投放时，数据比上述例子复杂得多，运营人员需要能够通过实际数据对比，不断地优化预算分配，以获得性价比更高的渠道投放策略。
2. 流量转化漏斗分析与优化
每个流量运营人员的心中都应该有一个“流量转化漏斗”，这个流量转化漏斗的主要数据维度分为三个：一是数量级、二是转化率、三是拉新成本。
以一个App的下载拉新为例，我们看一下对应的流量转化漏斗。
如下图所示：转化环节可以细分为曝光、点击、领券、下载、注册/激活及完成首单，将流量转化的指标拆解到每一个漏斗环节的好处是，可以很清晰地呈现每个环节的用户量级，看清楚新用户获取时对应的每一个动作，方便做每一层转化率的优化。
通过分析流量转化漏斗的各级转化数据，我们可以测试不同策略和素材的效果，择优选择。
具体来看，广告页面的风格、落地页的文案、优惠券的设置、注册方式等这些实际内容都可以通过测试数据进行调整优化。衡量优化效果的核心指标，是漏斗对应层级的转化率是否得到提高。
分析流量转化漏斗的另一个好处是：我们可以横向对比不同结算方式的渠道拉新成本，在漏斗里统一测算同一个转化环节的拉新成本——单个点击成本=渠道费用/点击量，单个下载成本=渠道费用/下载量。
比如：应用商店的成本测算一般都是按照下载量统计的，信息流的成本测算按照点击量统计。在这个转化漏斗中，我们可以将两个渠道的数据都按照下载量进行测算，最终进行横向拉新成本对比。
数据的应用我相信很多运营人都一直在做，但数据的获取和数据可视化，我想应该还有不少人没有触及过，下面我就讲讲数据如何采集。
二、建立数据思维的第一步：数据采集
1. 掌握SQL语句
运营人员在工作中会经常遇到数据采集的需求，业务数据采集来源和输出口一般有两个：一是数据平台，二是找数据分析师。
公司建立的数据平台通常能满足大部分常规的数据需求，但运营人员在采集自身业务所需的数据时，如果有个性化的数据需求，那么数据平台多半没有现成的数据。
这个时候，有两个做法：
- 第一个做法：向数据分析师提交采集数据的需求，对于运营人员来说，这是最省事的，但是在多半情况下也是最耗时的，因为现状是有需求就要排期；
- 另一个做法：也是更加高效的办法就是掌握SQL（Structured Query Language，结构化查询语言）语句，自己动手编写程序查询数据。
SQL并不是一门编程语言，而是一个数据库查询和程序设计语言，使用SQL语句现在逐渐成了产品经理和运营人员的一项职业必备技能。
要想掌握SQL语句需要完成以下3步：
- 第一步：尽量全面地了解公司有哪些数据库和数据表，以便定位业务对应的数据库；
- 第二步：通过请教数据库管理者或技术人员，看懂数据表与数据表之间的逻辑关系，理解所需数据字段的含义；
- 第三步：学会常用的SQL语句，如select、from、where等指令，之后进行结构化数据表导出。
在熟练使用SQL语句后，我们可以做到在有个性化的数据需求时，随时写SQL语句，不用苦苦等待数据分析师的排期和报表回复。
2. 灵活利用数据平台
数据平台是公司用户和业务数据的集成器，涵盖了运营人员常用的相关数据。在数据平台里查找数据时，我们经常会使用数据标签。用户标签系统就是数据标签的一种具体体现。
用户标签系统在互联网产品中应用得十分广泛，如社交平台上推荐的可能感兴趣的人、电商平台上推荐的可能感兴趣的商品、短视频平台上推荐的视频。
互联网用户都被“贴上”了形形色色的标签，这是用户精细化运营的一种体现，让需求和供给得到了更高效的匹配。
对于公司内部来说，标签系统是数据获取和分类报表的集成，是运营人员必须好好运用的一个工具。最常见的标签应用是在广告投放中，通过筛选标签进行精准投放。
在数据获取和分析中，标签系统发挥着重要的作用，下面介绍几类我常用的标签：
1）关于用户画像的标签
年龄、性别、身份、兴趣、地区、职业、家庭角色、婚否等，这类标签主要用于广告精准投放，也可用于分析电商平台的选品方向。
2）用户活跃的标签
激活状态、次日留存率、3日留存率、7日留存率、次月留存率、3月留存率、日均访问时长、是否付费、净推荐值（Net Promoter Score，NPS）等。
这类标签可用于精细化的用户生命周期管理，有针对性地提高用户活跃和减少用户流失、筛选和推荐裂变用户等。
3）产品销售的标签
支付方式、订单金额、已收藏、最近（30天）浏览过、已复购、订单状态等——这类标签主要用于平台产品的销售数据分析。
当然，一个完整的标签系统不只这么一点标签内容，我们可以根据实际业务需求，新增更多的标签。在调取数据的时候，我们可以通过建立标签数据模型，输出多维度的数据表。
例如：想要调取过去6个月通过推荐购买的订单金额超过1000元的用户做调研，我们就要通过建立标签数据模型，获取多维度的数据。
在标签系统中，很多数据的抓取都是通过埋点完成的，埋点是指在相应的页面中加入统计代码，并在数据管理系统中以可视化的报表最终呈现出渠道统计的数据。
当然，埋点是个技术活，且工作量较大，需要技术人员配合落地。
数据采集过来之后，下一步工作就是做数据分析了，数据分析的方法论特别多，我这里简单列举我常用的两个：对比分析法和目标锚定法。
三、建立数据思维的第二步：数据分析
1. 对比分析法
数据分析的方法有很多种，最常见的是对比分析法。
对比分析法的应用场景有很多种，常用的场景是做活动效果评价，以及通过数据对比找到数据波动的“诱因”。在运营人员的数据报告中，我们最常看到的是同比、环比、均值对比、竞品对标等对比性数据。
对比分析法的四个常见维度：
- 同比：一年中相同时间周期内的数据对比，多用来与大促活动和销售类数据对比；
- 环比：指对比前一段时间的数据情况，通常用于用户增长、活跃度等维度的数据对比；
- 均值对比：是对比一定时间或一定范围内大盘的平均值，通常来看个别日期/渠道的数据情况；
- 对标：通常是指对标竞品的产品数据或销售数据，在电商行业做数据分析比较常用到。
关于对比分析法的应用，我想到了一个比较形象的例子：在某种程度上，用数据对比分析法做出来的数据表，就如同一份身体体检报告。各项运营数据就像体检报告中的各项检查项，我们可以通过样本数据（在体检报告中是指标正常值）验证这个数据是否正常。
如果某个数据和样本数据之间出现了偏差，我们就要从这个数据中分析出数据异常的原因，简称为锁定“诱因”。
不同的是，体检报告中的数据如果不在正常范围内，那么这是不好的现象；如果运营数据与样本数据出现偏差，那么可能有好的一面，也可能有坏的一面。
数据对比分析法的3个基本要素如下：
- 数据对比需要在同一个标准上；
- 数据对比需要建立样本数据标准；
- 最终目的是分析出导致数据异常的影响因素。
数据对比的同一个标准很好理解，就是要将对比数据放在同一条起跑线上，不能用新App的用户增长数据直接与成熟产品的用户增长数据对比，也不能用新上架的SKU和“爆款”对比。
是不是不同量级的产品就不能做对比分析了呢？
也不是，我们可以对不同量级的产品使用权重分析法。
样本数据标准的正常值可以是预期目标值，也可以是预期转化率。
以促进用户成交的运营活动为例，如果实际的数据超出预期目标值，我们就要好好总结经验；如果低于预期目标值，我们就要马上找出运营活动不足的地方，调整运营活动的策略，达到预期目标值。
做数据对比分析的最终目的是分析出导致数据异常背后的因素，这样才是有意义的。
在日常做用户增长周环比数据对比分析时，如果我们发现用户增长数据波动异常，那么要做影响因素排查，要清楚地辨别是运营策略还是外部事件带来的影响，对所有的异常数据进行“归因”。
对比分析法并不能完全满足所有的数据分析需求，比如在做多渠道拉新效果分析、电商品类销售业绩对比、城市间用户量级对比时，因为数据对比的对象之间不在一个数量级上，简单地做横向对比是没有多大意义的。
如果只进行渠道间的数据量级对比，就会陷入一个数据分析误区，这会造成用户拉新的大流量渠道始终都是重点关注的渠道，而有开发潜力的小渠道往往被忽视。
简单对比的后果是预算和资源始终只向重点渠道倾斜，而忽视渠道用户转化效果、用户质量、渠道挖掘潜力等因素，很难拓展出新的用户拉新渠道。
这个时候对数据进行加权处理就十分有必要了，这样做的好处是将不同量级的对象放在同一个纬度分析，平等、客观。
2. 目标“锚定”法
几乎我们通过互联网掌握的所有数据，都是对实际业务的映射，在实际业务中，我们通常会设定一个目标值。
道理的确是这样，但我们在做数据运营工作时，时常会没有对比的对象，这个时候就需要设定一个对照数据，即给每个运营项目设定一个“锚定”值，这个值会让我们做数据分析时拥有目标感。
对于一切偏离目标的数据，要保持警惕，对异常数据进行分析，研究其背后真实的业务情况。
在做目标值设定时，我常用到的SMART法则，如下：
通过SMART法则，制定的运营对照目标相对可实现、可拆解和可量化。
对分析完了的数据，要学会总结和归纳，尤其是需要产出分析数据做汇报时，数据可视化的工作就十分重要了。
四、建立数据思维的第三步：数据可视化
我们常见的微信公众平台后台的统计板块就是一个典型的数据可视化后台，有用户分析（聚焦用户增长数据和身份信息）、内容分析和菜单分析（聚焦用户行为信息）、接口分析（聚焦用户渠道信息）这几大类数据看板。
- 做应用商店广告投放常用的第三方数据可视化工具有七麦数据、禅大师；
- 做搜索渠道广告投放常用的第三方数据可视化工具有站长之家、Alexa、百度指数、微信指数；
- 运营人员比较常用的第三方数据可视化工具有神策数据、金数据、GrowingIO、Tableau。
- 做公众号广告投放常用的数据可视化工具有西瓜数据、新榜。
在数据的展示上，为了方便、直观地研究出数据的变化情况，尤其在汇报的时候，我们一般还需要将数据转化成图表的样式。
在数据可视化中，常见的数据展示形式如下：
1. 柱状图
柱状图用于展示数据分布，如用户年龄分布、用户付费金额分布、流量来源渠道分布等。
2. 折线图
折线图用于展示数据的变化趋势，反映一段时间内用户相关指标的上升和下降趋势，适用于展示周期性数据，如关键词周期热度、日活跃用户数（Daily Active User，DAU）、月活跃用户数（Monthly Active User，MAU）、App月度下载量等。
3. 环状图
环状图用于展示各个数据在总数据中的占比，适用于看数据分布的比例，如渠道流量分布、各个应用商店App的下载量分布、预算渠道分配等。
除了以上3种常见的数据展示形式，还有雷达图（体现多维度因素对数据的影响力，如在王者荣耀游戏结束后的战局数据）、饼图（反映各个组成部分在总数据中的占比）、地域图（体现用户在全国的地域分布）等。
当然，数据思维所涉及的知识点远远不止以上讲解的这些，作为增长运营人在掌握成熟的方法论的时候，还需要有敏锐的数据感知能力和敏感度；同时，对公司业务未来的业务增长能够进行数据推演和预判，这都是数据思维需要养成的综合能力。
作者：一文，《流量地图》作者，前滴滴用户增长运营专家。微信公众号：如是一文。擅长用户增长体系搭建和流量运营，带领过从0到1的增长项目，长期关注网约车、汽车、电商零售、在线教育等行业。
