用户运营如何进行数据分析？

可能很多人一听到数据分析就头疼（我也是，头秃），天生不善于和数据打交道。本想着毕业之后再也不用接触各种数字相关的东西了，却没想到走上了运营之路，和数据更是难舍难分，想要离开也不行。所以，今天就来和大家聊聊运营人该如何去进行数据分析才是最高效的，才能更好地为业务服务。

一般说来，用户运营和产品运营对于数据分析的需求比较高，毕竟很多想法和思路需要从数据中得到一些结论，从而后续更好地去执行和实施自己的想法，同时也需要根据以往的数据模型很好地去进行数据估算。内容运营虽然也需要数据分析，但是相对来说，更加依靠直觉和经验，内容这种东西很难去直接地量化评估。当然，能做好数据分析，其实能为内容的生产和分发加不少分。

所以下边我和大家聊的更多的是针对用户运营的场景，作为用户运营，该如何去进行数据分析。

一、数据分析分析的是什么？

数据分析分析的到底是什么？在不同的场景下，数据分析可能会有所不同。一般来说，作为用户运营的数据分析，可能会分为以下几种：

1、人群探寻类分析

这一类分析更加侧重用户的特征分析，希望能从某一类人群的特性中找到共性，从而更好地理解这些用户。我们常见的xx人群用户画像分析、活动人群分析等。

这一类分析的核心用户就是某些用户的特殊性，从而更好地指定用户运营的策略。比如，我们想针对会员用户的续费去进行分析，就会针对性地去看到期续费用户和到期没有续费用户之间的差别，看看中间是哪些因素在影响着用户的续费，用户更倾向于在什么时间节点什么场景下去完成续费这个动作，从而后续通过策略更大化地影响未续费的用户。

人群流失预警也是同样的道理，通过流失用户在平台上的最后一次行为去分析流失用户在平台上预流失前的行为特征（当然这类用户分析可能需要通过建模等一系列操作），从而通过运营策略更好地影响这批用户。

2、策略/活动效果分析

这一类的分析就比较偏向于纯数字类的分析了。上了什么样的策略，策略曝光了多少人群，这些人群的转化效果怎么样，比原来提升了多少。

这一类分析的关键是需要明确口径和取数字段，什么时间段在哪张数据表里去取什么样的字段。

当然，这一类分析一般会和人群分析结合起来一起去看，人不同的用户对于策略的不同反应程度。当然，如果只需要一个最终的数据结果，那么只取数也完全足够了。

3、某类特殊场景的探寻

我们自己在使用产品的过程中，可能会发现某一类特殊场景还存在一定的运营空间。所以针对这一类的特殊场景，我们就需要去看这一类特殊场景覆盖的人群有多少，这一类人群的特点是什么。最好是结合后续想要给这部分用户制定的策略结合来看，看看这个策略的空间有多大。

二、运营人如何提数据分析的需求？

一般来说，在有些公司，简单的数据需求可能会由运营同学自己取数（一般是1-2个表的连接，简单的取数需求可能会由运营自己进行）。但是一般来说，涉及以上3类比较复杂的数据分析需求，就需要运营提需求提到数据分析的同学那里去处理。那么问题来了，如何才能提出更加有效的数据分析需求呢？

1、数据分析需求的三要素

一个有效的数据分析需求一定离不开这3要素：分析的目的、取数的口径、取数的维度和字段。

分析的目的是便于数据分析的同学给业务同学提供更加有效的建议和思路。比如，针对会员用户，我们想要去看这一批用户给业务线带来了多少订单、GMV和收益，有多少是开通会员这个动作带来的增量。所以在这过程中，我们可能会通过会员用户开通前后的对比或相似用户去进行对比，去看看哪一类的对比的变量仅只有开通会员这一个动作，通过控制变量的办法去研究变量对于结果的最终影响。

取数的口径是需要明确，去取什么时间段的什么样的数据才作为合理和科学。

取数的维度和字段，有些字段可能是通用的，不用告诉数分的同学他们也知道，但是有些字段可能是业务特有的，需要明确地告知数分的同学。取数的时候，需要明确告知数分同学，我们想要什么维度的什么样的分析。比如想要会员用户在最近半年业务线的消费情况：包含订单、收入和收益，在这过程中，就需要明确消费情况到底是什么，需要去取哪些字段。

一般来说，我们提数据分析需求的时候，就可以在心里有个大概的预期，通过这个维度能得出什么样的结论，我想要什么样的结论，这个维度的分析能够满足我对于目的的探寻和分析吗？在提数分需求的时候，就预想结论，能够有效避免最终拿到数据不知道如何去进行分析的情况出现。

三、运营人该如何去进行数据分析？

来到最关键的一步了，作为一个用户运营，应该如何去进行数据分析？拿到了数分同学给的一堆数据，如何才能得出数据分析的结论。

结论非常考验人，需要用简短的一两句话去概括最终的结论，结论一定是可证伪/有深度的结论，不是单纯地罗列数字（经历了教训，我又学到了！）。比如购买用户数XX人，购买金额XX万，较上月下跌x%……”，但这些都仅仅是现象陈述，这里的深度问题是为什么会下跌，原因是什么？是商品的问题，还是人群的问题，还是运营指定的运营策略的问题，深挖数字背后的原因才是关键。这样的数据分析才能得出真正有价值且能够运用到业务场景的有效结论。

当然，得出数据分析的结论不是一日练成的，需要日积月累。但是这里有一个我目前自己在用的小窍门和大家分享下：看到数据表象后，多问自己几个为什么，为什么会出现这样的数据现象，人群之间的差异是什么，是由于人群的特性造成的吗，还是什么原因导致的呢？

在处理数据的时候，我们一般会通过同比、环比以及分组比等方式去看不同时期，不同人群之间的差异。横向看不同时期的差异，纵向看不同人群的前后变化情况，纵向和横向交叉看，最终得出有效的结论。

比如还是去看开通会员这个动作对于用户的消费情况是否有提升，结论是有提升，提升了多少，其中什么样的人群提升最为明显，原因可能是什么。这就是一个比较完整的数据分析的结论，回答了问题，并且给出了有效的数字结论，再从里边细节去看，人群之间的差异是什么样的。

当然，在得到结论之前，我们需要对数据进行一定的提取和处理，这里就涉及到了比较基础的问题：如何用excel进行数据的处理和提取。一般来说，可能会用到以下5种常用的数据分析方法：

对比分析法

横向和纵向对比，选好参照物，进行对比分析。需要明确选取的参考物是否具有一定的意义。指标的口径、计算方法和计量单位必须一致对比的对象需要具有一定的可比性，和对象之间的相似之处越多就，就越具有可比性 。

分组分析法

根据数据分析对象的特征，按照一定的标志/指标，把数据分析对象划分为不同的部分和类型来进行研究，以揭示其内在的联合和规律性。分组的核心目的还是便于对比。分组分析法的关键在于确定组数和组距。
组距=最大值-最小值/组数 能vlookup函数分组，然后用数据透视求和，能快速得到数据分组的最终结果。

结构分析法

分析总体内各个部分和总体之间进行对比的分析方法，即总体内占各个部分占总体的比例，属于相对指标。

平均分析法

利用计算平均数来反应总体在一定时间，地点情况下某一数量特征的一般水平。 一般用算术平均数。对于所有数据指标都可以依据不同的分组用单位数来进行平均，进行对比和分析。

矩阵关联分析法

根据事物的两个重要的属性作为分析的证据，进行分类关联分析。 对于不同的分析场景用不同的分析方法进行分析，运营常用的就是对比分析法、分组分析法以及平均分析法，很多场景下数据分析的方法是交叉使用的。

另外，附赠给大家一个处理数据的妙招，一定要学会数据透视表和vlookup函数和巧妙使用，学会了这两个大招，基本上日常运营在处理数据的过程中就能高效不少。

四、关于数据分析的本质

最后，想简单地和大家来聊下数据分析对本质是什么？

在我看来，数据分析一定是为业务服务的，脱离业务本身去谈数据分析是没有价值的。想要通过数据分析解决业务的什么样的问题，人群分析，从而更好地制定后续的运营策略？或者想要从数据现象得到一定的数据洞察，从而更好地制定后续的策略。

本质上，还是通过数据更好地给业务提供更有效的依据和证据，毕竟数据是不会骗人的。

一个完整的数据分析的闭环一定是：数据洞察需求-用数据验证自己的猜想-用策略去影响用户-效果的数据分析结果-再次进行迭代优化。

数据分析是运营人的痛，但是也是运营人必须的，如果能够学会数据分析的思维和核心，那么可能才会去制定更加有效的策略和活动，才能更好地做好运营的工作。

作者：运营汪成长日记 分享那些运营的成功与走过的坑。