作者：赵宏田,江丽萍,李宁
出版社：机械工业出版社
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
数据化运营：系统方法与实践案例试读：
前言
为什么要写这本书
作为互联网大数据行业的从业者，笔者将自己在这个行业中所掌握的知识、在日常工作中遇到的问题以及积累的项目经验整理成书，在这里和大家分享。希望通过本书能给读者一些新的理解和应用的思路，如果书中的内容能让你有些许收获，能够解决你工作中的一两个问题，那将是笔者的荣幸。
本书特色
本书从实践出发，结合工作中数据运营经验，以应用案例为主线，通过业务分析+代码实践这种更“接地气”的方式讲述数据的应用。书中对搭建数据监控指标体系、数据分析、数据挖掘、AB Test、埋点策略、用户画像建模等常见数据运营方式做了详细介绍。
根据读者的阅读习惯，本书由浅入深地分为
基础篇
、应用篇和提高篇三部分。·基础篇讲解数据运营常见场景、运营方式与数据运营人员的工作职责。
·应用篇讲解数据分析方法与应用方式，并通过5个实际数据分析挖掘案例帮助读者深入理解数据运营方式。在内容编排上先提出案例应用背景和目标，再阐述分析方法和建模流程，最后完成数据的处理和业务上的应用。
·提高篇讲解当下热门的“用户画像建模”，从建模流程、标签开发到画像应用，并辅以案例，讲解如何用HQL语言建立一个图书电商场景的用户标签体系，以帮助读者更深入地理解用户画像是如何建模打标签的。
本书没有过多复杂的理论公式，所讲案例操作步骤详细，可作为数据分析运营人员在解决实际问题中参考的“action book”。
本书适用对象
·对数据分析及数据挖掘感兴趣的大专院校师生及其他初学者
·对互联网行业数据分析、用户画像建模感兴趣的数据运营人员
·互联网行业的产品运营人员及产品经理
·各行各业的数据分析师
如何阅读本书
本书以互联网企业中常见的数据运营场景为切入点，以工作中实际面临的问题为案例，从方法、技术、业务、实践4个维度讲述数据运营的场景及应用方式。全书共分10章，各章的主要内容如下：
·第1章介绍企业中数据的应用方式、企业数据职能架构与组成、数据运营人员的工作职责和应掌握的技能。
·第2章介绍数据运营规划，常见的运营场景以及如何结合数据展开用户运营和流量运营工作。
·第3章讲述如何结合业务搭建数据监控指标体系，从搭建模板到自动化数据报表，做好日报、周报、月报、专题分析报告等日常数据运营工作。
·第4章是本书的重点章节，讲述了数据分析中常用的方法及其应用场景，包括常见营销理论、数据分析思路、AB Test分析以及埋点策略与分析。对数据分析感兴趣的人员可着重看此章节。
·第5~9章是数据分析挖掘中的几个具体案例，从数据运营的实际应用场景出发，以案例的形式讲述了如何在某些常见的业务需求背景下，分析项目需求，厘清思路，展开数据分析并输出报告和结论。案例中的关键步骤都附上了详细的代码说明。
·第10章是本书的重点章节，先介绍了什么是用户画像、应用场景、开发流程，然后以案例的形式讲解了用户画像建模过程中的需求分析、建立模型、打标签、计算标签权重、画像数据管理、用户画像应用等环节，并为案例附上了详细的代码说明。想要了解如何在用户画像建模过程中建模打标签的人员可着重看此章节。
勘误和支持
由于笔者水平有限，书中难免会出现一些错误或者不准确的地方，恳请读者批评指正。为此，读者可通过邮箱（892798505@qq.com）或微信（administer-00001）反馈有关问题，笔者将尽全力为读者提供解答。书中的源代码可以从Github网站（https://github.com/HunterChao/book）下载。
致谢
在本书的编写过程中，得到了许多朋友的帮助，感谢天善智能创始人梁勇的支持与帮助，感谢为本书撰写推荐的朋友们，感谢你们的支持及专业的建议。
感谢机械工业出版社华章公司的杨福川副总编，本书从2017年4月开始筹划，从确定基本框架到后期的写作，杨总编不断地给笔者以指导，感谢杨总编的帮助与支持，与他的合作总是十分愉快！感谢机械工业出版社编辑李艺老师，李艺老师用严谨的态度孜孜不倦地帮助我们修改稿件。
谨以此书献给众多互联网运营人员和数据分析师们！基础篇
■第1章 概述：数据运营基础
■第2章 业务：数据驱动运营
■第3章 报表：数据管理模板第1章 概述：数据运营基础1.1 大数据时代
随着信息化时代的来临和全球经济化的发展，数据存储成本的不断下降，企业数据的总量正在以惊人的速度增长，这些数据是企业的重要资源。随着近几年移动互联网和物联网的兴起，信息传播技术和传播渠道得到了极大的发展，数据的涌现呈“爆炸”形式增长。如图1-1所示，从百度指数中搜索“大数据”可以看到该关键词自2013年起的关注度呈逐年上升趋势，各行业已逐渐意识到数据在企业经营发展中的重要作用。图1-1 百度指数-大数据趋势图
注：图截取自百度指数，图中相关内容的著作权归原著作人所有
从电商网站的“看了又看”“猜你喜欢”等个性化推荐，商家促销活动的精准营销，到智慧城市建设的一站式服务等应用场景，大数据已逐渐渗透、应用、影响到我们的工作、生活中，成为提高我们生活、工作质量的重要组成部分。
各行业产生的海量数据只有通过技术手段进行存储、分析、挖掘才能创造出价值。大数据领域涵盖了数据采集、数据存储、数据处理、数据挖掘、数据分析、数据呈现等一系列的技术手段，随着技术的不断成熟，并逐渐被更多富数据的行业和企业所应用，各个行业在得到大数据带来收益的同时，也在推动大数据技术的快速发展。下面简要介绍几个行业中大数据的应用。
·互联网行业：互联网行业的主要特征之一就是各种类型的数据都呈爆炸式增长。用户在互联网上的丰富行为都能被网站日志所记录，网站可以利用大数据技术从海量用户数据中挖掘出有价值的信息，建立用户模型，针对性提供产品和服务，提高用户体验。
·零售行业：零售企业需要根据销售有特色的本地化商品并增加流行款式和生命周期短的产品，零售企业需要对大量的用户消费行为进行分析，预测出未来的消费需求，迅速提供有针对性的个性化服务。零售行业需要增强产品流转率，实现快速营销。
·保险行业：保险机构依托互联网和移动通信等技术，通过自营网络平台和第三方平台等订立保险合同，提供保险业务服务。依托互联网大数据的优势实现差异化产品和服务，在提升用户黏性和品牌认知度的同时促进了客户价值转化。
·制造业：采集产品研发、投放、销售、购买、评论等全流程数据，在融合内外部数据的基础上建立用户画像，让用户需求成为产品设计导向，使新产品更符合用户习惯和期望，实现大数据驱动的产销模式。
本书主要站在互联网行业大数据处理、分析、运用的角度，以分析方法、实践案例、辅助代码详解的方式讲述了大数据在企业运营与决策中的应用方式。1.2 企业数据应用方式
数据激增是当今企业的一大特性，如何有效地利用企业经营过程中产生的数据，从海量信息中提取出有用的模式并对其进行分析、挖掘、应用已成为人们的迫切需求。企业正不断将数据分析、数据挖掘视为重要部分，将数据转化为商业智能，提高企业的核心竞争力。企业中数据从产生到应用依次需要经过数据源层、数据仓库层、数据建模层，最后到数据应用层，经过层层加工，从原始的海量数据经过各层的清洗、建模、挖掘之类的加工后逐渐支持到上游的应用环节。企业数据应用流程如图1-2所示。图1-2 企业数据应用流程
1.数据源
数据是商务智能的基础，数据种类通常包括企业内部的OA数据、财务数据、BD数据、业务数据、日志数据、埋点数据和外部第三方数据。数据需要经过抽取、转换和装载，即经过ETL后才可以存储在数据仓库中心，为数据分析奠定基础。
·OA数据：企业内部办公系统相关数据。
·财务数据：包括现金流、资产、负债、成本等数据，财务数据是企业数据的重要部分。
·业务数据：即用户在Web、App、H5三端与产品发生操作行为而产生的业务类数据，如下单、收藏、支付等行为。
·日志数据：用户访问Web、App、H5三端过程中留下的行为日志，例如用户在某个时间访问了Web上的一篇帖子，即留下该条行为日志。
·埋点数据：用户在Web、App、H5三端单击行为带来的相关数据，例如用户在App端单击了某个页面的某个banner位，即上报该条行为日志。
·外部第三方数据：包括爬虫得到的外部第三方数据和政府、行业等公开的市场数据。
2.数据仓库
数据仓库建立在数据源之上，通过ETL对数据进行加工并存储到数据仓库中。数据仓库是一个面向主题的、集成的、相对稳定的，反映历史变化的数据集合。数据仓库的数据包括元数据和经过ETL的业务数据。元数据是关于数据的数据，主要包括数据源的描述。操作型环境到数据仓库的数据更新同步在夜间完成。
数据仓库一般采用分层设计，具体包括ODS层、DW层、DM层数据，如图1-3所示。数据经过一层层加工屏蔽掉了底层负责的业务逻辑，将尽可能简单、完整地在接口层呈现业务数据，最终为业务人员的数据提取和分析提供支持。下面分别介绍各层的数据来源及应用方式：
·ODS层（Operation Data Store）：原始数据层，数据来源是各业务系统的源数据，是操作型环境与数据仓库的隔离。在从操作型环境到数据仓库环境抽取的过程中会对数据做格式解析、多数据源的合并、设置字段默认值等ETL操作。
·DW层（Data Warehouse）：数据仓库层，对ODS层数据做进一步的建模加工，提供统计汇总数据，是根据企业信息需求而非部门业务需求而建立的。数据仓库为非常大的群体提供服务，因此在面向业务主题层面而言，性能和便捷性不如数据集市层。
·DM层（Data Market）：数据集市层，该层数据来自DW层，为各业务单元定义的集市，输出相关的主题宽表。提供各主题业务的明细层数据主要用于数据分析人员查询、数据分析。图1-3 数据仓库分层模型
数据仓库的每一层都有其作用域，方便使用者在使用时的定位和理解。
一般企业的数据部门为了方便经营分析人员对业务各版块分析、为了搭建大数据管理平台，会对散落在数仓中各业务线的有价值的表进行梳理，整理出一份数据字典。该数据字典中明确了每个业务主题所包含的表，以及各张表的业务含义、获取方式和关联规则。数据分析人员借助数据字典可以更好地了解公司的全景数据，明确数据的分布和蕴含意义，有助于将大数据引导到运营工作中来。
3.数据建模
数据经过数据仓库的层层清洗、加工，经过资深BI人员整理出一份数据字典后，就可以方便地对数据分析人员对数据进行查询与分析、企业BI系统报表的实时展现以及数据挖掘人员对数据的深度建模与挖掘提供支持。数据建模层需要对数据进行深度的价值挖掘。
4.数据应用层
数据应用层是数据价值产生的出口，在数据分析层经过数据挖掘人员对数据进行数据挖掘、用户画像建模、推荐算法的制定，可以支持业务应用层面向用户的智能营销和个性化内容推荐的功能。
数据驱动企业的运营需要成熟的方法论来进行支持，这些支持工作需要通过日常各业务线报表、专题分析挖掘、用户画像建模等方式展开。1.3 数据运营的岗位职责
谈到数据运营的岗位职责，首先要谈谈数据部门在互联网企业中处于什么位置。常见的职能架构包括分散型数据架构（各业务中心下单独设立数据部门）和集中型数据架构（企业数据工作集中在一个中心部门）。集中型数据架构可有效解决数据源和数据口径的一致性问题，保证数据质量和及时性，因此这种架构在企业中较为常见。
钟华曾在其著作《企业IT架构转型之道：阿里巴巴中台战略思想与架构实战》中提到：“在灵活的‘大中台，小前台’组织机制和业务机制中，作为前台的一线业务会更快速适应瞬息万变的市场，而中台将集合整个集团的运营数据能力、产品技术能力，对前台业务行为强力支撑。”由此可见企业的业务架构更应是基于共享服务体系构建，通过将相关业务领域的业务功能和数据模型在业务层汇聚到一起，从而避免重复功能建设和维护带来成本浪费的弊端。
在这种“大中台、小前台”的组织架构下，处于中台的产品运营部门需要为前台提供用户群和产品环境，支持前台业务群实现各自的业务及团队架构。而在中台的产品运营部门下面又可细分为流量运营、用户运营、商业运营、数据支持、产品设计等团队（图1-4）。数据支持团队作为产品运营部门中的一员，除了要对前台各事业群提供数据支持，还需要为中台内的主线运营、动线运营、商业运营等团队提供数据分析、数据方案、用户画像、推荐算法等方面支持。由于所有的数据需求都汇总到一个中心进行集中统筹和分配，因此集中型数据架构有效地解决了数据源不一致问题和数据口径定义问题。图1-4 中台部门在企业架构中的位置
随着精细化运营的理念不断深入人心，“数据运营”这一岗位得到了大家越来越多的重视。从工作岗位上看，数据团队作为各业务部门的支持方，团队内成员主要从事数据采集、清理、分析、策略、建模等工作，支撑整个运营体系朝精细化方向发展。常见的岗位包括：数据分析师、算法工程师、爬虫工程师、ETL工程师、数据挖掘工程师等。从其工作内容来分，我们将其归纳为数据治理、数据分析挖掘、数据产品三个层次：
·数据治理：优质的数据是应用的前提。数据治理负责数据系统的架构规划、数据的标准和规范化作业、数据的权限管理，保证数据的安全性和可用性，定义各业务口径的数据标准，构建数据集市和底层数据架构，输出支持到分析人员应用的数据字典。
·数据分析挖掘：数据分析是数据运营的重点工作，其核心是业务方向的数据分析支持。主要包括：①对业务活动进行效果评估以及异常分析，如异常订单分析、异常流量分析，挖掘业务机会点，给予运营方建议及指导；②收集整理各业务部门的数据需求，搭建数据指标体系，定期向业务部门提交数据报表，包括日报、周报、月报等；③数据价值挖掘，如基于用户行为数据建立用户画像、建立RFM模型对客群进行聚类营销；④辅助管理层决策，对问题进行定位，输出可行性建议，辅助管理层进行决策。
·数据产品：负责梳理各部门对数据产品的需求，规划报表并优化报表，协调数据仓库的开发资源保证项目按时上线。将数据分析部门建立的挖掘模型、用户画像等数据模型做成可视化产品输出。企业内部常见的数据产品包括数据管理平台和自助数据提取平台。其中数据管理平台支持运营日报查看、实时交易数据查看、业务细分数据查看；自助数据提取平台满足业务方对更细纬度业务数据的需求，解放数据提取人员的重复性工作。1.4 数据运营应掌握的技能“工欲善其事，必先利其器”，日常工作中数据运营人员主要对接运营、客服、BD等部门人员的数据提取、分析、挖掘方面的需求，需要掌握以下几方面的技能：Excel、SQL、Python、PPT以及业务理解能力。
1.Excel数据处理与绘图
Excel的重要性不言而喻，日常数据处理、分析、作图、数据透视、报表管理模板都离不开Excel。其中，需要熟练运用数据透视表和常用函数。
数据透视表：可以快速完成对待分析数据的汇总、筛选、排序等功能，如图1-5所示。图1-5 数据透视表处理数据
常用函数：熟练掌握Excel的函数不仅有利于日常处理数据，同样有利于快速搭建数据管理报表。常用的函数包括关联匹配类函数、计算类函数和逻辑运算类函数。（1）关联匹配类函数
·VLOOKUP（查找目标，查找范围，查找范围中包含返回值列号，精确匹配或模糊匹配）：用于按行查找表或区域中的内容。
·INDEX（单元格区域，选择数组中某行，选择数组中某列［可选］）：用于返回表格或区域中的值或值的引用。
·MATCH（待匹配的值，查找区域）：用于在单元格区域中搜索某项，然后返回该项在单元格区域中的相对位置。
·OFFSET（单元格引用，左上角单元格引用的向上或向下行数，左上角单元格引用的从左到右的列数，需要返回的引用的行高，需要返回的引用的列宽）：从给定引用中返回引用偏移量。（2）计算类函数
·SUM（要相加的第一个数字，要相加的第二个数字）：求参数的和。
·COUNT（单元格引用区域）：计算参数列表中数字个数。
·MAX（单元格引用区域）：返回参数列表中最大值。
·MIN（单元格引用区域）：返回参数列表中最小值。
·RAND()：返回0和1之间的一个随机数。
·ROUND（要四舍五入的数字，要进行四舍五入的位数）：将数字按指定位数舍入。（3）逻辑运算类函数
·IF（要判断逻辑，结果为真返回值，结果为假返回值）：指定要执行的逻辑检测。
·IFERROR（检查是否存在错误，公式计算错误时返回值）：如果公式计算错误，则返回指定的值，否则返回公式结果。
·AND（逻辑条件1，逻辑条件2［可选］）：如果所有参数均为TRUE，则返回TRUE，常用于扩展执行逻辑测试的其他函数调用。
熟练掌握上面几个常用函数可以满足日常工作中的大部分需求。
2.SQL类语言
数据运营人员对数据进行分析时需要从数据仓库中提取。无论是PostgreSQL、Hive SQL、impala还是MySQL，它们的SQL语法是相通的。熟练掌握SQL语言对于数据提取、数据建模、数据分析是非常有帮助的。
3.Python语言
Python在数据运营中的应用非常广泛，爬取竞品数据、自动化任务脚本、数据建模与分析都离不开对Python语言的熟练运用。由于本书不是讲解Python语言的书籍，在这里只提出做好数据分析需要掌握的一些Python工具。
·Pandas：一款针对数据处理和分析的工具包，其中实现了大量便于数据读写、清洗、填充以及分析的功能。可以帮助数据挖掘人员节省大量用于数据预处理工作的代码。
·NumPy：除了提供一些高级的数学运算机制以外，还具备非常高效的向量和矩阵运算功能。这些功能对于机器学习的计算任务尤为重要。
·SciPy：是在NumPy的基础上构建的，更为强大，应用领域也更为广泛的科学计算工具。包含的功能有最优化、线性代数、积分、插值、拟合、常微分方程求解、快速傅里叶变换、信号处理和图像处理等。SciPy的安装依赖于NumPy。
·Scikit-learn：著名的机器学习库（http://scikit-learn.org/stable/），它封装了大量经典以及最新的机器学习模型，接口封装非常完善，几乎所有机器学习算法的输入输出部分格式都一致。网站首页截图如图1-6所示。图1-6 Scikit-Learn主页
4.PPT制作能力
在数据分析完成后，如何制作PPT将分析结论形象、具体地展现出来，直观地将信息传递给需求方或管理者，是数据分析师必须要掌握的技能。
5.业务理解能力
数据运营本身就是从业务中来，再指导到业务中去。无论是简单提取业务数据，结合业务的经营分析，还是用户画像建模，对业务的理解始终贯穿其中。数据运营人员需要学习业务逻辑、业务背景和业务知识，这样提交的分析报告或做出的解决方案才能真正回答出业务方需要的答案。1.5 本章小结
本章介绍了企业中大数据的主要应用方式、企业数据职能架构与组成、数据运营的岗位职责。作为一名优秀的数据分析师，不仅需要掌握结构化的数据分析思维、数据挖掘方法、Python和SQL等数据分析语言，更重要的是能够将自己业务数据上反映出来的问题以及解决方案传递给运营人员，优化运营策略。第2章 业务：数据驱动运营2.1 如何用数据驱动运营
数据驱动运营是个很泛的概念，与其说是数据驱动运营，不如说是让公司所有员工都养成看数据的意识，让任何一个岗位的任何一名员工都能用数据来管理自己的本职工作。这是一个很大的工程。首先需要公司高层有数据意识，他们要会通过数据来定位问题，不断用数据来说话。其次数据化运营一个跨部门合作非常多的工作，业务部门和数据部门需要紧密联系，不断沟通，业务上的任何调整都需要及时同步，这样数据才能反映真实业务，而真实反映业务的数据才有意义。
接下来我们主要讲一下在数据驱动运营中，数据分析师如何做好分析，以辅助运营决策。
2.1.1 定义数据分析目标
在数据分析日常工作中经常会存在这种情况，老板说需要看一下某新上线业务的情况，数据分析师接到需求之后也不沟通老板想看的具体是什么，匆匆写完SQL脚本把一堆业务数据提取出来并简单展示一下交给老板，然后被打回来重做。报告被打回来的时候老板说，新业务上线之后我想看一下用户活跃，和老业务XXX的对比情况。或者这种情况，运营同事提了一个数据提取的需求，在数据分析师费了很大力气把相关数据的表从线上业务数据库抽取到数据仓库，并把相关数据提取出来之后运营却说我要改需求。于是所做的事情需要重新再来一遍。
这是数据分析新手常犯的错误，归根究底就是没有和看报告的人进行有效的沟通，先明确分析的目标。
说到明确目标，这又会涉及看报告的人的身份。
·对于管理层来说，他们最为关心自己最近做的重大决策最终反映在了哪些指标上？这些指标的相互关系是怎样的？业务的全局变化如何？与过去相比有哪些进步？目前哪些执行动作需要调整，对应的指标是什么。
·对于运营方来说，他们想看的是最近做的活动效果怎么样？banner位怎么定价比较合理？一些运营活动是否可以持续提升效果，是否需要将运营方法持续固化为产品模块等一些和运营举措比较相关的。
·对于产品方来说，他们关心的是上线的功能或者设计对用户有没有用，用户有没有去使用；如果用户使用了，如何让产品变得更好用；如果用户没有用，分析没有用的原因，是产品设计有问题流程走不通还是用户不明白怎么用。
明确目标，需要数据分析师在分析之前就进行有效的沟通。先明确这次的分析到底需要达成什么目的，在了解业务的基础上，明确应该从什么角度去切入，应该从哪些指标着手，再去确认哪些数据现阶段已经有，哪些指标现阶段需要推动去建设，然后统筹规划，根据目前已经有的指标，故事线应该如何铺设。
说到底，常见的数据分析目标主要分三大类，即解决是什么、为什么、做什么的问题。解决是什么的问题，一般用描述性统计方法就可以解决；解决为什么的问题，则需要能用严谨的逻辑思维对具体的问题做数据分析，找出原因；解决做什么的问题，则需要通过具体的分析，提供可选的建议，最后交给运营或管理层来拍板选择相关可行方案。这三大类分析目标最终都会聚焦到一点，对业务及业务流程的了解，只有对业务完全清楚，才知道如何描述是什么，才知道应该从什么角度去切入分析为什么，才知道提供的解决方案能解决业务流程的哪个问题，最终如何影响全局，达到效果。
2.1.2 目标分解与聚焦
在明确数据分析目标后，接下来我们通过两个案例来看如何实现目标。
案例一：付费用户客单价下降原因定位
在互联网医疗行业中有一个业务是在线问诊，在线问诊是指借助互联网平台，医生可以在线通过图文、视频、电话等形式为有看病需求的用户提供线上问诊服务。该业务通过互联网将医疗资源进行重新配置，在解决用户就医效率问题的同时，提高了医生的名誉和成就。假设有这样一个场景，某一段时间内在线问诊订单的客单价下降了，管理层想知道为什么降了，想让数据的同学做一个分析，这是一个典型的“为什么”的问题。
假设我们对数据源及数据的统计口径已经非常清楚，对应的下降的时间点也非常清晰，所以直接从原因来定位问题，而在线问诊是平台上医生给用户提供的虚拟服务，故我们从医生、用户、平台三块展开分析。医生和用户层面先对齐做细分，再看细分群体的表现，如果用户画像对群体做了细分，可以对用户画像群体做细分维度。比如分慢病群体、肥胖群体、青少年群体、抑郁症群体、准妈妈群体等。再根据数据表现看可能的原因（原因已举例说明，可能是多个原因组合造成的客单价下降，也可能是单个原因造成的客单价下降，具体分析时仅供参考）。根据业务定位可能的原因，再构建合适的指标对原因进行定位。
看完用户及医生，我们再细分看平台的表现，平台的表现主要从流量来源、产品本身、运营策略及竞品角度来展开。流量来源上，我们需要分析流量的渠道质量，在时间维度上是否有变更；产品上，看是否近期有调整，比如是否调整了入口，调整了搜索逻辑等，这些调整对转化节点的转化率的影响如何等；运营策略上，看近期的运营活动对客单价的影响路径如何，近期竞品是否有做什么活动吸引了目标用户。每一个可能的原因都可以做成一个小专题分析。下面再聚焦回来看对客单价的影响情况。
客单价下降原因多维分析示例详见图2-1。图2-1 客单价下降原因多维分析
案例二：预算超支解决方案
财务预算是企业经营中的重要环节，某天老板给数据组的同学派下来一个任务，问预算超了200万，怎么办。这个时候首先要明白这是一个“做什么”的问题，进一步要明确这需要经过数据分析论证最后给老板提供可行的参考建议。
在展开分析前，我们要先从数据的源头抓起，讨论数据一般会涉及三点：数据来源、统计口径、统计周期。
首先确认这200万是谁提供的，是财务分析人员分析出来的结果还是估算出来的结果；这个预算指的是什么的预算，是某个部门的预算，某个业务的预算；还是某项活动的预算；超支指的是预算中成本超了还是收入cover成本之后超了，超支的部分是否含了税金。
其次，要了解这些细节，预算是什么时候超了，是这个月还是这周，或者具体到其他什么日期，如老板答复，是上个月的成本预算（不考虑税金）超了200万。然后我们要继续问，成本预算有多少，全年的成本预算有多少，与财务申请具体的成本明细数据做对比，并结合投入产出比，看上个月的ROI。然后问清楚老板的目标是什么。是想削减成本预算还是想找合适的策略来优化成本预算，或是想根据目前的投入产出比来调整下一季度预算。
不管哪一点都需要从问题的重要性和紧迫性来考虑。比如正好到了季度预算小结及下季度预算调整的时候，预算调整既要考虑整体年度预算，又需要根据具体的业务方向及已经达成及将要达成的效果来加以调整。那这个时候我们需要分析具体是哪个部门的成本预算超了，要和具体的业务部门沟通，是因为什么原因超了预算，达到了什么效果，效果能否用KPI来衡量。接下来的工作安排，包括了解从预算开始执行到现在整体的预算执行情况是怎么样的，占整体年度预算指标的情况如何等，以往预算执行情况及产出情况是怎么样的，宏观经济形势如何，宏观经济形势对投入产出的影响如何等，待所有细节在和业务方确认及经过严谨的数据分析之后，我们再向老板提供参考建议。
比如上个月是因为某渠道活动导致预算超支，某活动带来营收XX万，虽然成本预算超了，但投入产出比保持在正常的增长幅度，整体的利润率也保持在正常的增幅。下一季度的预算可在整体协调的基础上按以往年度的投入幅度，考虑宏观经济的影响，以一定比率来调整，所有的指标从输入到输出都必须逻辑严谨，并附上相应公式，方便老板调整，供老板参考。
第二个案例更偏向于数据化管理。这个例子有几点需要强调，一是我们在分析中一定要从数据的源头抓起，弄清楚数据的来源、统计口径及统计周期；二是我们要时刻保持和业务方及需求方的沟通，确保分析的思路和需求方在一条线上，确保分析的每一个细节都能真实反映业务；三是要明确分析师的定位，重在分析，而不是拍板事情的做法。但这个度非常难把握，因为在具体的分析过程中，很容易一不小心就变成了提数方，而这个显然无法体现数据分析师的价值，对于数据分析部门的领导来说，也绝对不会只想做业务部门的提数支持或“人肉报表机”。
分析师在具体的分析中，弄清楚问题是首要的，其次是数据论证，最后才是提供建议。尤其是在数据化运营的过程中，更是需要时时刻刻和运营方保持沟通，当运营方有具体的方案时，去论证方案的可行性；当运营方没有具体的方案时，从各个角度去提供可供参考的方案供运营方选择。
2.1.3 数据运营重点
数据驱动运营，我们首先得了解运营是什么？从广义来说，一切能够进行产品推广、促进用户使用、提高用户认知的方法与活动都是运营。运营的终极目标是使产品能持续稳定地、更好地生存下去。好的运营是通过推广、引导、活动等一系列举措让产品的各个指标得到提升。
数据驱动运营，指的是通过数据分析和用户行为研究让产品的功能不断完善，适用性不断提升，使产品有更长的生命周期。
产品（或网站）存在的目的除了要创造社会价值，更主要的是为了实现盈利，那么如何实现盈利的目标呢？这是一个很大的目标，我们首先要将目标进行拆解，分成很多小的可执行的目标。
我们根据AARRR增长模型（图2-2），将产品的营收路径拆分为激活→注册→留存→下单→传播。其中激活主要是流量运营在负责，用户运营会贯穿接下来的流程，内容运营主要负责生产优质的内容来提高用户的黏性，从而提高留存，主线运营主要负责主营业务的产品路径，优化转化节点，提高转化。图2-2 AARRR模型及运营重点
下面对AARRR模型中各渠道的定义及运营方式做详细讲解：
·激活：这是流量来源的必经动作，只有有足够多的用户来，才能对这些用户进行转化。而我们都知道，互联网新客的获客成本是比较高的，如果不清楚渠道的流量质量，很有可能花了钱，却没有获取到质量较好的用户。对于这一块，用户触达的基本分析就是对用户来源渠道进行分析，在不依靠自然流量的情况下，哪些合作、投放渠道对我们App、Web产品更合适。
·注册：流量激活之后，如果用户只是点进来就走了，则这个流量对产品并没有什么作用。只有通过高质量的内容，合适的产品功能切合用户的需求，用户才会有进一步了解产品的欲望，才会有转化的下一步操作——注册。因此通过渠道将用户引入平台后，还是远远不够的，需要进一步关注用户是否进一步注册转化，从注册流程上看是否存在需要优化的细节点。
·留存：前面我们提过，新用户的获客成本是比较高的，因此不可能一味花钱去不断获取新的流量，同时也需要维系老用户，让进来的用户能对产品形成依赖，产品能契合用户需求，让用户持续不断地来用我们的产品。因此提升留存一方面需要满足用户需求，另一方面需要优化用户体验。在优化过程中可通过用户分群进行精细化运营，将精准内容推送给有特定需求的用户，提高用户对产品的满意度。数据可以通过追踪用户行为，来分析哪些行为可以激发用户持续访问产品，如何促使这些行为的发生等，并通过用户生命周期的研究，对沉默用户进行识别，让运营通过运营手段对这批用户进行唤醒；对流失用户进行标记，让运营通过推送、发放优惠等方式进行召回。
·营收：用户是收入的前提。只有产品足够满足用户的需求，使用户认同产品的价值，才会促使用户向付费转化。要让产品持续稳定地运营下去，就需要通过一系列运营手段，让新用户持续地向付费转化，让老用户持续付费。用户运营的基础，是对用户足够了解，足够熟悉，而数据能做的，是帮助运营了解用户的所有属性，让用户不断向营收进行转化。
·传播：只有用户对产品高度认可及对产品功能高度依赖，才会愿意将产品分享或推荐给其他人。而在分享或推荐的过程中，又扩大了流量的来源，形成了良性的循环，最终源源不断地将用户往营收用户进行转化，达到价值×2的目的。
通过上面的分析可以看出，在激活、注册、留存、营收、传播过程中，流量运营及用户运营始终贯穿其中，是最终促进营收转化的重要手段，下面主要就流量运营和用户运营展开详细讲解。2.2 流量运营分析
流量运营，指的是通过各种推广活动、营销方式提升网站的流量。流量的作用非常重要，产品要赚钱，就需要足够多的转化用户，而每一个转化用户，都需要一定的流量来提供潜在的用户，流量越大，潜在的用户基数才会越大。当产品的转化率达到稳定期时，持续不断的流量会成为产品能够稳定存活的重要因素之一。
2.2.1 流量运营规划
流量运营需要拆解目标，我们要先清楚流量运营一般包含哪些内容？从流量营销的角度来看，主要分析对象是访问用户，它们能帮助了解用户的量级、用户的偏好、用户的来源及去向，能帮助我们了解访问用户在流量中的行为及不同流量渠道之间的关系；从分析对象的逻辑结构来看，我们主要看产品的健康状况，页面的表现，注册到下单的流程是否顺畅；从流量运营的角度来看，主要看产品表现来进行资源及预算的合理分配，而产品的表现需要通过一系列指标来追踪。这其中的每一个小点都能拿出来作为一个独立的分析主题。在本节中讲述的内容将会贯穿这三个分析方向。
在明确流量运营的整体规划之后，我们可以先把营收作为最终目标对其进行拆解，首先需要有足够的优质目标用户来访问网站，这就细分了不同流量来源渠道的质量，需要查看用户的来源及去向，总结用户对产品的需求；然后需要有合理的产品结构及合理的页面布局来吸引用户，满足用户需求，这里可以看用户的具体行为，如访问路径等。通过追踪用户的一系列行为，在转化的每个过程都设立合适的指标追踪，并通过分析找出有问题的环节进行迭代与优化。以上环节持续不断地进行，量变累积之后慢慢往质变靠拢，不断提高投资回报率，推动营收的达成。流量详细规划详见图2-3。图2-3 流量运营分析规划
总之，通过不同视角来对流量进行分析，对以下方面会有所助益：①观察流量规律，区分不同流量的质量，关闭异常渠道，优先选择优质渠道，节约渠道推广成本；②根据用户路径分析，寻找产品存在问题的环节及改进的节点，及时迭代及优化；③对不同流量的用户进行细分，进行精准的市场定位；④通过设定指标，追踪流量情况，衡量流量推广活动效果或者渠道优化效果分析。
2.2.2 流量分析
流量是所有用户的归口，是所有后续行为的源头。流量的质量及量级直接关系到后续的转化好不好，用户规模怎么样，用户层级如何，因此流量分析非常重要。这一节我们主要就流量的来源、虚假流量的区分、流量异常波动原因分析来展开。在日常运营中，会通过流量报表监控每天的流量运营情况，关于流量监控指标部分在3.2.1节中有讲解。
1.流量来源分析
在我们分析Web、App上每天的PV、UV时，若发现某天的流量增长明显，则需要找出是什么原因导致的流量突然增长。这个时候我们需要先了解流量来源的分类。流量主要可以分为广告流量、SEO流量、搜索流量、直接流量及其他流量来源，详见图2-4。广告流量主要指的是访问者通过单击其他网站的链接来访问我们的网站的流量；SEO流量指的是通过网站排名技术（网站Web结构调整、网站内容建设、网站代码优化和编码等），把网站排名提前，被用户搜索到带来的免费流量；SEM流量指的是搜索引擎营销带来的流量，即搜索引擎根据用户使用习惯，根据用户搜索的信息推送营销信息带来的流量；直接流量指的是用户直接输入域名访问网站产生的流量。图2-4 流量渠道细分
这些流量在埋点日志中都会有相应记录，方便分析师识别。
比如我们对比发现某天的流量上涨了，想定位具体是哪些流量变化，这时可以根据埋点区分的字段来将流量分类，用圆环图来表示各个模块的流量，并和前一天或者前一个时期做比较，从而得出是哪一类流量发生了变化，影响了总量，如图2-5所示。图2-5 流量来源构成
2.虚假流量区分
流量来源中有几类来源都需要花钱购买，涉及成本，所以评估付费流量的效果，评估付费流量对ROI的影响非常重要。流量的付费方式一般分为按单击付费，按用户激活付费，按用户注册付费，按用户下单付费等多种付费方式。
比如按单击付费的广告流量，这个时候我们如何评估流量的效果呢？首先我们需要识别虚假流量，那么什么是虚假流量呢？一般是指合作方为了骗取广告费而人为操作产生的流量。这些流量一般有一定的规律性。数据需要做的事情是找出这些虚假流量的规律性，提供给运营做参考。
一般虚假流量可以从以下几个维度来看：
1）分时分布。可以看一下各个渠道流量来源的分时分布，正常来说，一般的网站会有一个时间段的明显区分，比如白天流量多，晚上流量少，或者在上下班时间或者午休时间会有流量高峰期。而虚假流量如果是用程序控制带来的单击，可能不会考虑分时的影响，这种没有明显时间分布排列的流量需要重点关注。
2）页面的跳出率。跳出率是衡量页面质量的指标，这里也可以借用来衡量渠道的流量质量。比如若某个时间段或某个渠道的跳出率非常高，那这部分流量需要重点关注。
3）流量的用户留存。若用户的留存率非常不理想，则这部分流量也极有可能是虚假流量。
4）风控规则。如若同一个设备某一段时间内登录了5个以上账号，这些流量需要细查。
5）对营收的转化。如果一个渠道引入的流量对营收的转化率非常小，但流量居高不下，这部分流量也需要重点关注。
6）其他。虚假流量的识别方法非常多，但因为虚假流量也在不断模仿真实流量，所以虚假流量的识别方法可能需要多次校验，多维度一起分析，方法也不局限在这几种。
3.流量波动常见原因分析
对于流量来说，经常会存在流量变化的情况，而追踪流量变化的原因，对于后续的流量运营能更有的放矢。下面我们根据流量的分类来分别看一下不同场景下相关流量类型的流量变化因素。（1）广告流量
广告流量是通过广告合作，比如在合作产品有广告位或其他引流合作模式带来的流量。这一块流量变化的主要原因为：①广告位置变化，比如合作方原来是把产品放在角落里，但增加广告费之后将产品放在了首页的最显眼位置，用户能够一眼就看到产品，这一块吸引的转化用户可能会比较多；②在合作产品内嵌的入口文字或内容变化，比如我原来可能只是单纯地做了一个入口，后续我针对合作网站的用户群体，将产品入口设置成了符合用户群体习惯的界面，或者加了文字进行引导，导致合作方转化增加，流量加大；③合作方本身流量基数增大，虽然转化率没有变化，但流量基数增大，使得访问的用户增多；④链接形式变化，图片链接和文字链接带来的转化是有区别的，这个需要通过埋点日志细分看一下；⑤其他。（2）SEO流量
SEO流量及SEM流量可以统称为搜索流量，区分方式是，一个是免费的搜索关键词带来的，一个是付费的搜索关键词带来的。SEO流量变化原因主要有：①关键词，比如产品业务的核心关键词和拓展关键词增加，或者关键词更符合用户的搜索习惯了，则关键词带来的流量会相应增加；②排名与外链，排名的变化直接影响流量的变化，比如我们搜索时一般会直接选top多少的页面点进去，很少会一页一页翻，去看不是首页的内容，所以一般企业都会提升关键词排名，而影响排名的主要因素是外链，这些外链都需要在日志中有记录，好追踪不同外链的质量；③竞争对手：竞争对手的优化策略也会影响我们的流量；④网站内部调整，比如流量增加可能是网站进行了优化，包括网站结构、URL、内链布局、SEO基本元素、用户体验优化等；⑤SEM的策略：因为SEO与SEM都属于搜索引擎导流流量，对于同一个关键词而言，SEM的排名会高于SEO，SEM流量增加了，SEO的流量会相应下降；⑥其他。（3）SEM流量
SEM流量是通过购买关键词及对搜索结果竞价而从搜索引擎获取的流量。影响SEM流量波动的因素主要有：①关键词的定价策略，关键词的价格会直接影响广告的排名及位置，从而影响流量；②关键词的匹配方式，关键词的匹配方式分精准匹配、词组匹配、模糊匹配，SEM的关键词的匹配方式会直接影响流量，比如搜索女装，若匹配方式是精准匹配，那么只有搜索词为女装时方可对应到广告位；③投放时间，一般凌晨一点至次日八点，访问者在休息，其他时间才是用户比较活跃的时间。故选定的投放时间会对流量影响比较大；④广告投放地域：一般而言，投放的地区越多，和单独投放某个地区相比，引流效果肯定是不一样的，因为增加投放区域会有新的流量池来转化引流；⑤竞争对手SEM策略：当竞争对手也购买了和我们一样的关键词时，会影响流量的转化；⑥其他。
由于SEM流量需要付费投放，公司一般会针对SEM渠道流量搭建日常专题分析报表持续跟踪投放效果，这块在3.2.1节中会有讲解。（4）直接流量
如果直接流量在某一段时间内变化比较大（此处的变化比较大需要结合产品整体流量，及长期时间趋势来看，比如流量每周的环比增速为3%～5%之间，突然有一周增长了10%），此时我们需要定位具体的流量来源及流量时区分布，可能的原因一般有：①产品请了流量大V来代言，吸引用户来访问了产品；②有特殊热点事件，比如很多品牌会追着热点发布自己产品的文案，吸引用户关注；③营销活动事件，比如发红包、做测试、送优惠券、打折促销等活动，若这些活动的影响力足够大，会对产品或网站整体的流量有比较大的影响；④其他。
2.2.3 解读PV、UV
PV（Page View）即页面浏览量，在GA中的解释是：由浏览器加载的网页综合情况，可以是浏览器加载的执行跟踪代码的H5或者Web页面，或分析报告中为模拟浏览量创建的追踪事件。简而言之，PV就是页面被加载的总次数，每一次页面被加载，PV就会加1。比如你访问淘宝，看了某笔记本的页面A，点了刷新，然后看到了旁边另一款笔记本的推荐，点了页面B，看完之后发现B不合心意，再返回到页面A，发现另一款也不合心意，直接关闭离开了，则你这次的PV是4次。
UV（Unique Visitor）即唯一身份访问者。在GA中的定义是：在指定时间内不重复的访问者人数，即某段时间内去重的用户数。该指标主要由以下因素影响：①JavaScript被禁用时，GA的代码无法工作，无法识别这个用户；②cookie，cookie被清除之后，会再记录成为一个UV。
PV及UV一般用来衡量网站的流量情况，数据大，说明流量多，人均PV越大，说明每个用户来到对应渠道之后流量页面增多，用户对内容越发感兴趣。
从A网站流量示意图（图2-6）可以看出，A网站的页面访问量及独立访问用户自2017年以来连续半年增长，人均PV也在不断上升，由此可见，该网站的内容是日渐吸引用户的，而这批用户的质量如何，转化如何，需要进一步分析。图2-6 A网站流量示意图
要统计流量数据，先要了解埋点日志结构，及日志中的一些常用指标及常用指标的作用范畴。埋点日志经过解析，会完全记录用户的每一次操作。经过解析日志数据后，主要得到以下字段用于经营分析：
1）时间戳：埋点日志里会记录用户的访问时间，这个时间记录了用户进入产品或网站的所有时间点，通过时间的限定，可以看出流量的不同时间分布，及用户的按时间先后顺序的访问路径。
2）url：当前页面的链接。
3）referral_url：上一级页面链接，通过该参数可以分析用户单击跳转的路径。
4）session_id：设备id，用于标识用户登录设备的id号。当用户作为游客登录时，由于没有注册账号，因此使用设备id用于标识用户身份。
5）user_id：用户id，用于标识用户在该产品平台上的唯一身份。
2.2.4 跳出率分析
跳出指产品（或网页）的单页访问，跳出率指的是某一段时间内只访问了一页就离开的访问量与所产生的总访问量的百分比。该指标一般用来衡量流量来源用户与网站内容的匹配程度，内容的匹配程度和跳出率成反比，即内容匹配程度越高，跳出率越低。举例来说，某用户通过某广告链接进入产品的页面，看到第一个页面就非常反感立马退出了，这就是一次跳出访问。当有比较多的用户重复“该用户”的行为，则会形成较高的跳出率。
既然跳出率一般是用来衡量来源用户与网站内容的匹配程度的，对于像这种需要靠转化来提升营收的网站来说，高跳出率是个负面指标。这个指标在侧面也显示出用户的流失率。
这个指标可以细分不同的渠道，来看不同渠道的跳出率，并针对性地做出优化。也可以用来看不同流程的关键节点的跳出率，看是否哪个流程有问题，是否可以优化。
比如某网站出于安全考虑，在开启实名认证之后方可进行大额交易，每一个注册的用户都需要输入真实姓名及身份证号，且上传真实的身份证照片之后才能进行下一步操作。这种强迫用户的行为给用户带来了什么影响，我们可以看实名前后的跳出率情况。从图2-7某网站跳出率变化示意图可以看出，在12日时跳出率陡增，经过和运营及产品的沟通，确认是某页面增加了实名认证的流程。该流程要求用户必须进行实名。但从跳出率情况来看，用户并不是很能接受这个改动。于是产品调整了策略，在实名认证页面新增了一个功能键——“若单日业务额小于10000元，可跳过实名”，于是跳出率慢慢下降了。图2-7 某网站跳出率变化示意图
2.2.5 漏斗图分析
漏斗图是通过对业务的各个关键环节的描述，来衡量各个环节的业务表现。从漏斗图可以非常直观地看到各个业务的转化程度。从某种意义来说，漏斗图是路径分析的特殊应用，主要针对的是关键路径的转化分析。由于互联网行业的日志数据记录了用户的所有访问行为，因此漏斗转化分析在互联网行有着广泛的应用，主要包括以下两个方面：
1.业务的关键节点分析
以某一互联网医疗的App的问诊业务为代表用户完成一笔问诊订单需要经过五个步骤，提交主诉→付款→问诊→结束问诊→评价，这些步骤一路走下来，势必用户越来越少。下面我们追踪这些关键步骤看一下流量的转化情况。
从图2-8业务流程漏斗图来分析，从提交主诉的用户群体中，有多少用户参与了付款，之后医生响应参与问诊的用户有多少，再到之后结束问诊的用户群体比率，评价比率，在问诊的关键业务环节上，各个指标均直观展示出来了。之后可以长期追踪这些指标，如果异动较大，说明哪个环节的漏斗转化出了问题，这个时候可以定位具体的环节，再细分涉及环节的影响，追踪原因，给运营提供参考。图2-8 业务流程漏斗分析
2.用于追踪流量运营转化率
在流量导入→营收转化的过程中，漏斗图可追踪各个节点的转化情况，定位异常转化节点，及时调整运营策略，如图2-9所示。图2-9 转化率漏斗分析
比如某一周发现导入的流量在正常的增长范围，注册率也在正常的增长范围，但活跃率下降得很厉害，这个时候需要下钻看具体的渠道的活跃率，结合渠道获客成本结算方式（比如是按激活来结算的，还是按注册来结算的，是按订单来结算的，还是其他方式，若是按注册之前的流程来结算的，那么根据风控规则来看一下渠道的登录设备是否存在作弊的情况）定位具体的原因。
或者分析每一个转化节点转化减少的原因，尽量提高每一步的转化。比如下单率，可以看一下活跃的但没有下单的用户都去做什么了，有没有可能从这部分感兴趣的内容上往下单引导，从而提高转化。比如某电商平台入驻了很多商家，部分用户进入商家页面之后会转去内容平台看用户分享的内容，此时如果在用户分享的内容内嵌相关商品的购买界面，用户有兴趣的话可以一键跳转，然后用数据追踪，调整之后转化率的变化情况。
2.2.6 A/B测试
A/B测试也称分离测试、对照试验。现在一般指的是在网页优化中的一种比较策略，分离测试最开始的用法是对于同一种功能，设计两个或者多个页面并同时发布。让用户随机接触到页面，通过对日志的埋点记录访问目标页面的人数，并计算相应节点的转化率或单击率，来对不同页面进行效果评估。从统计学角度来看，A/B测试实质是一种先验的实验体系，其目的在于通过科学的实验设计，流量分割测试来获取样本代替总体的科学结论。
A/B测试主要应用在如下场景：
1）产品页面或功能控件的调整：比如通过用户路径发现用户在下单前的一个主要流量来源是用户关注对应的商家，那可以将商家有露出的某一个界面的“下单”直接改成“关注”，这个时候我们可以关注一下，改动之后是否比原来好，当然如何评判“好”，需要数据分析人员和运营及产品沟通，确认相关指标，比如是单击这个功能键的UV增加了，还是对应的商户的转化率提升了等，确定后就追踪相关指标的变化。比如某个免费产品原来是和付费产品放在单独的产品位置的，但领导希望通过免费产品引导用户向付费转化，此时将付费产品的入口内嵌在了免费产品的入口内，设定一定的规则，在适当的时候将免费用户往付费用户引导。通过追踪入口改变之前与改变之后总体营收的变化，以及参与入口调整的商户对应接单率与相应营收的变化来评判调整入口之后的优劣。这些也是数据化运营的常规应用。
2）运营策略的调整：比如运营做了运营活动，想看运营活动的运营效果。这时可以选定两组用户特征一模一样的用户群体，一组进行活动运营，一组保持原样，或一组用A活动进行运营，另一组用B活动进行运营。然后设定关键指标对两组用户进行追踪，比如用户的活跃、下单、付费等转化行为。或者运营想看产品定价在什么区间用户比较能够接受，也可以先用小流量测试来进行灰度发布，看不同价格的用户接受度。可能单个产品定价2.99还是3.00差别不大，但在巨大流量的转化下，这个不同价格对营收的整体影响还是非常巨大的。
A/B测试需要注意的点：
1）每次测试有且只有一个目标，其他变量的选取都是围绕这个目标进行的；如果有多个目标，可以进行多变量测试，或者进行多组A/B测试。
2）做A/B测试有个前提是流量要足够大，且参与测试的流量要能够反映整体的实际情况。
3）A/B测试是一个长期的过程，经过长时间的足够样本的测试结果才能逼近真实结果。
在4.4节中将会对AB测试展开详细介绍。2.3 用户运营分析
有了流量和用户之后，如何持续稳定地提升用户的活跃和留存，并对有价值甚至高价值的用户有针对性地进行运营，让这些用户持续稳定地为产品带来营收，这就是用户运营需要做的事情。用户运营的工作内容主要是扩大用户规模，减少用户流失，促进活跃及提高留存，增加付费转化。在用户运营的过程中数据组人员要做的事情就是根据每一个模块追踪相应的指标，并设立下钻指标，清楚每一个指标之间的关系与影响，让每一个模块的指标不管是升了还是降了，都能找到具体的原因，让运营有的放矢。
用户规模常用的落地指标一般是激活量与注册量，细分会有来源渠道及注册转化率。
用户流失模块主要需要定义流失，通常的做法是先对产品的用户构建生命周期模型，看多长时间用户没有登录即为流失。比如有些游戏定义标准是用户90天或者180天没有登录过即为流失，而有些低频产品，如旅游类，有可能一年没登录才定义为流失。对于如何帮助运营减少用户流失，这时需要数据根据相应指标，构建模型，弄清楚用户是在什么情况下流失的，当用户有类似行为时提前告知运营，针对这批用户调整相应的运营策略，预防用户流失；针对已经流失的用户，设定特殊的策略，挽回用户。
促进活跃及提高留存方面数据需要做的事情是：①设定指标，比如根据产品的高频属性将每天使用产品的用户来定义活跃或者低频产
试读结束[说明：试读内容隐藏了图片]