一、数据运营是指什么
数据运营（英文：Data Operate）是指数据的所有者通过对于数据的分析挖掘，把隐藏在海量数据中的信息作为商品，以合规化的形式发布出去，供数据的消费者使用。数据运营是一个比较大的范畴，其本质并不限于营销，更精准的说应该是企业运营，从技术层面讲数据运营包含了数据治理、数据管理、数据分析、数据挖掘等工作。
二、数据运营的职能
1、负责数据的提取、处理及分析工作，负责运营数据需求整理与跟进，定期输出分析报告报告；
2、通过数据分析结果，提供用户增长、用户活跃和营收增长等业务发展建议，为运营决策提供数据支持，并参与方案执行；
3、针对运营问题进行深度诊断，发现业务运营问题，辅助制定运营策略，提升运营效率；
4、挖掘数据背后的市场方向、规律、短板，为业务提供决策依据。
三、数据运营的工作内容
1、市场分析
数据是反映业务状况的最真实的一种方式，数据运营的目的是通过对数据进行分析发现潜藏在海量数据中问题以及对目前的市场环境进行分析，预测市场未来的发展走向，以达到提高工作效率，促进业务增长。
2、数据收集
数据收集是数据运营的基础，但数据收集并不是越多越好。数据收集不是将所有数据一股脑的收集起来，数据收集要围绕着运营目标进行。数据有很多种，数据收集收集的主要是哪些数据呢？围绕运营目标，一般可以将数据分为行为数据、流量数据、业务数据和外部数据4类。
(1)、行为数据：一般以时间为记录顺序，记录用户在某一产品上一系列操作行为的集合。不同平台/产品， 对用户行为的定义标准不尽相同，具体要结合公司的业务类型来展开分析。
(2)、流量数据：流量是用户行为合集的前提，用户的个别行为相对独立无法有效支持决策，由此流量要达到一定的程度才具有支持决策的意义。与行为数据不同的是，流量数据能够溯源用户的来源渠道，根据这些数据进行分析可以进行更有效的渠道转化分析、广告投放决策等决策。
(3)、业务数据：业务数据解释起来有点抽象，以电商产品为例，促销量、优惠券领取量、优惠券使用量等数据都是业务数据。业务数据与企业的生存息息相关，因此企业对其的关注度会比较高。
(4)、外部数据：外部数据顾名思义，来源于公司外部，一般有第三方平台统计的行业数据等。运营者可以用内部数据与外部数据进行对比，分析公司目前的发展水平，其对决策也能起到很大支持作用。
3、数据分析
在进行数据分析前首先要考虑到影响产品的核心指标是什么，以电商为例，流量就是电商非常重要的指标之一。当确定的核心指标过于宏观时，我们可以对核心指标进行分维度分析，以获得更加精细的数据洞察。数据分析的流程大致如下：
数据分析流程
(1)、拆分工作项
运营是一个包含了诸多琐碎事项的工作，运营人员要会拆分自己的工作项，并根据不同工作项的特点有针对地对特定的运营数据进行分析，才能事半功倍。
可以按照面对的用户群体分解，通常与用户分级联系在一起，将工作拆分成面向所有普通用户、面向活跃用户、面向付费用户等等。也可以按照项目将自己的工作进行拆分。还可以按照时间顺序确定不同阶段的目标，根据自己的目标来拆分工作项。
(2)、建立指标体系
拆分完工作项后，针对每一个工作项有不同的指标，要根据工作项的特点进一步拆分和细化运营数据指标，然后通过对每一个指标的分析来判断运营问题并不断优化运营方案。拆分的维度可以按照数据的包含结构，也可以按照每一个工作项包含的子项进行拆分。
以用户运营为例，用户运营包含了用户的拉新、促活、留存、付费转化等方面。而就拉新来说，关键的指标有注册用户的规模、增长速度；渠道质量——注册渠道有哪些，渠道的注册转化率如何；注册流程质量——完成注册的用户数、注册流程中用户蹦失节点统计；注册用户行为追踪——完成注册后用户的行为统计。
(3)、细化分析目标
细化分析目标是指根据运营目标，确定能够进行优化的数据点。这一步是为接下来的数据提取处理分析奠基的。
举个简单的例子，假如现在做完一场活动，想知道下一次举办相同或相似活动时有哪些地方可以优化，需要关心的点除了最终参与效果还有：活动推广的渠道有哪些，每一个渠道的参与路径是怎样的，路径中的每一步参与人数有多少，转化率达到多少，等等。明确了分析目标后，就可以确定要提取的数据点有哪些。
(4)、提取处理数据
在提取数据这里涉及一个数据埋点的问题，在产品设计的早期，运营人员就要规划好运营关键点，列出埋点清单提交给开发人员，以免后期运营过程中想要查看某一个数据但却没有数据记录信息。，提取出来的数据要经过一系列的处理后方可进入分析阶段。
(5)、数据分析总结
(5.1)、数据分析方法
常见的数据分析方法有对比分析法、结构分析法、平均分析法、权重分析法、杜邦分析法等等。
(5.2)、造成数据波动的原因
常见造成数据变化的原因：时间、推广与触达、运营活动、关联特性、用户属性和构成、故障、业界趋势。
(5.3)、总结
分析了那么多数据，最终是要将分析后的结论汇报给老板的。一般来说，要说明问题出现在什么地方，哪些地方是可以进行优化改进的。
首先要选取合适的图表，比方说如果想看的是不同项目在总的项目中的占比情况，可以用饼图，如果想看数据的变化趋势，当项目只有几个的时候可以采用条形图或柱状图，如果数据项非常多，则可以采用折线图。
其次，图表要完整，应包含：标题、坐标轴及单位、图例（、脚注、资料来源），等等。
此外，一张图反映一个观点，且标题要直截了当说明数据反映的问题。
(6)、反馈及投入应用
仔细观察可以发现，以上数据分析流程实际上形成了一个闭环。总结汇报完毕，我们需要将得出的结论运用到实践中，继续观察数据的变化并不断优化我们的运营策略。
四、数据运营的能力要求
1、数据埋点
数据埋点是互联网产品数据分析的根基，想要做好数据化运营，需要清楚埋点的流程、埋点方案选择、数据验证方法。
2、指标体系建设
好的指标体系可以直观地反应当前业务经营状况的好坏，并且可以给出可以指导行动的决策建议。数据化运营需要掌握指标体系的构建及管理方法。例如，通过 OSM 与 UJM 模型，构建数据化运营指标体系。
3、 数据分析方法
除了专业的数据分析岗位外，现在几乎各个岗位都要求具备一定的数据分析技能，数据运营掌握分析方法才可以更好的做决策，从而更高效的运营。
4、用户行为分析
过去数据分析以宏观的数据指标为主，例如流量、订单、营收等。随着用户增长理论的发展，对个体行为的洞察分析成了新的方向。通过对用户点击事件、漏斗转化、行为路径、留存分析以及魔法数字分析，找出产品流程上的问题和改进点，从而提升用户转化，促进用户增长。
5、数据可视化
运营数据分析报告、数据分析平台都需要以更直观的方式将分析结果或决策建议输出，指导业务决策。因此，需要了解数据可视化图表的应用原则、可视化产品设计理念，以及常用的可视化工具，如 Echart、百度图说。
6、用户画像标签体系与精细化运营
精细化运营离不开用户的分层运营，对用户进行更细粒度的分群，需要掌握用户画像理论、用户画像标签体系建设方法，将业务运营场景抽象成用户标签，利用 CDP/DMP 平台实现更高效的运营流程。
7、算法挖掘应用
基于运营经验的规则运营需要和算法能力相结合，才能发挥更大的价值，例如人与商品的精准推荐实现千人千面的个性化产品体验，或者将业务规则抽象成算法特征，利用 AI 能力预测用户行为意向。
五、数据运营的工作流程
数据运营的核心是构建一个完整的产品数据运营体系，这个体系的建立可以通过以下11个步骤完成。
1、制订产品目标
这是数据运营的起点，也是产品上线运营后进行评估的标准，以此形成闭环。制订目标绝不是拍脑袋出来的，可以根据行业发展，竞品分析，往年产品发展走势，产品转化规律等综合计算得出。产品目标的表现，往往是一个关键数字，例如在2021年10月，某产品日均登录用户数达到100万，制订目标常常用SMART原则来衡量。
2、定义产品数据指标
产品数据目标是反产品健康发展的某一个具体的数字，数据指标则是衡量该产品健康发展的多种数据。例如：
● PV, UV, VV, YV
● ARPU（Average Revenue Per User）
● Attrition rate
● PCU
● DAU、MAU、DAU/MAU
● Entry Event
● Exit Event
● K Factor
● Lifetime Network Value
● Re-Engagement
● Retention
根据产品目标来选择数据指标，例如网页产品，经常用PV、UV、崩失率、人均PV、停留时长等数据进行产品度量。定义产品指标体系，需要产品、开发等各个团队达成共识，数据指标的定义是清晰的，并且有据可查，不会引起数据解读的理解差异。
3、构建产品数据指标体系
在数据指标提出的基础上，按照产品逻辑进行指标的归纳整理，使之条理化。
新用户的次日留存率是我们订制的一个核心目标，但实际上，只看次日留存率还是不够的，还需要综合考察影响用户留存率的多种因素，才能更准确的了解产品的健康发展。如图1所示，是常用的一种指标体系，包含：用户新增、用户活跃、付费、其他数据。
互联网产品常用数据指标体系
一般的客户端产品，我们可以分为帐号体系、关系链、用户状态、用户沟通等四个方面进行数据指标的分类整理。
4、提出产品数据需求
产品指标体系的建立不是一蹴而就的，产品经理根据产品发展的不同阶段，有所侧重的进行数据需求的提出，一般的公司都会有产品需求文档的模板，方便产品和数据上报开发、数据平台等部门同事沟通，进行数据建设。创业型中小企业，产品数据的需求提出到上报或许就是1-2人的事情，但同样建议做好数据文档的建设，例如数据指标的定义，数据计算逻辑等。
5、上报数据
这个步骤的关键是数据通道的建设，原来在腾讯工作时候，没有体会到这个环节的艰辛，因为数据平台部门已经做了完备的数据通道搭建，开发按照一定规则上报就可以了。现在创业型公司，则是从上报通道开始进行建设，也让我得到更多锻炼提升的机会。其中很关键的一个环节，就是数据上报测试，曾经因为该环节的测试资源没到位，造成不必要的麻烦。
6、采集数据
采集数据涉及接口创建，要考虑数据字段的拓展性，数据采集过程中的ETL数据清洗流程，客户端数据上报的正确性校验等。
7、数据存储
数据存储对象包括数据流在加工过程中产生的临时文件或加工过程中需要查找的信息。在数据存储过程中，因很多数据是不可恢复的，所以数据存储的安全可靠永远是最重要的。一定要投入最多的精力来关注。
6、数据运算
数据运算是指对数据实施的操作，数据运算最终需要在对立的存储结构上用算法实现，所以数据运算分为运算定义和运算实现两个层面。运算定义是运算功能的描述，是抽象的，是基于逻辑的。运算实现是程序员完成运算的实现算法，是具体的，是基于存储结构的。
9、获取数据
就是产品经理，数据分析人员从数据系统获得数据的过程，常见的方式是数据报表和数据提取。报表的格式，一般会在数据需求阶段明确，尤其是有积累的公司，通常会有报表模板，照着填入指标就好了。强大一些的数据平台，则可以根据分析需要，自助的选择字段（表头）进行自助报表的配置和计算生成。
数据提取，在做产品运营中，是很常见的需求，例如提取某一批销量较好的商品及其相关字段，提取某一批指定条件的用户等。同样，功能比较完备的数据平台，会有数据自助提取系统，不能满足自助需求，则需要数据开发写脚本进行数据提取。
10、观测和分析数据
这里主要是数据变化的监控和统计分析，通常会对数据进行自动化的日报表输出，并标识异动数据，数据的可视化输出很重要。常用的软件是EXCEL和SPSS，可以说是进行数据分析的基本技能，以后再分享个人在实际工作中对这两款软件的使用方法和技巧。
需要注意的是，在进行数据分析之前，先进行数据准确性的校验，判断这些数据是否是你想要的，例如从数据定义到上报逻辑，是否严格按照需求文档进行，数据的上报通道是否会有数据丢包的可能，建议进行原始数据的提取抽样分析判断数据准确性。数据解读在这个环节至关重要，同一份数据，由于产品熟悉度和分析经验的差异，解读结果也大不一样，因此产品分析人员，必须对产品和用户相当了解。
11、产品评估与运营优化
这是数据运营闭环的终点，同时也是新的起点，数据报表绝不是摆设，也不是应付领导的提问，而是切实的为产品优化和运营的开展服务，正如产品人员的绩效，不仅仅是看产品项目是否按时完成，按时发布，更是要持续进行产品数据的观测分析，评估产品健康度，同时将积累的数据应用到产品设计和运营环节，例如亚马逊的个性化推荐产品，例如腾讯的圈子产品，例如淘宝的时光机产品等等。
六、数据运营常用指标
1、用户运营指标
用户运营只是运营的职能之一，贯穿在各种产品的运营中。用户运营所关注的数据指标，不同行业、不同平台等等都有不同的侧重点。用户运营常用指标有：
(1)、拉新阶段：关注用户来源的类型：纯新用户（第一次注册）还是老用户（再注册）；贴片广告的用户来源有多少，弹窗广告的用户来源有多少等等。
(2)、转化阶段：关注转化率：200个用户浏览了你的宣传页面，注册的有100人，这100人就是实现了转化，转化率为50%（=100/200）；同样的除了注册转化率还有付费转化率等等。
(3)、活跃阶段：关注用户在产品内的活跃量，不同的产品表现形式不同。例如，贴吧：发帖量、回帖量等等；视频网站：点击量，观看量等等。
(4)、留存阶段：关注留存或流失的用户量。例如，第一天新增的用户有300人，300人中第二天还在活跃的有100人，第三天还在活跃的……依次类推。
2、平台运营指标
(1)、网站运营
(1.1)、流量方面需要关注
PV（page view）访问页面产生的数据。 一个用户访问了5个页面，那么就产生了5个 PV。
UV（user view）某个特定页面的访客数。一个页面一个账号无论点进去几次，UV都是1，因为只有一个访客。
VV（visit view）针对于全站的访客数。一个账号进入一个网站，无论这个账号浏览了这个网站多少个网页，VV都是1 ，因为这个网站只有一个访客。
IP：针对于全站的网络IP数。你在家用电脑登录了这个网站，之后你表哥也用同一台电脑登陆了他的账号，访问了同一个网站，但这个时候IP还是只有1，因为你和表哥用的同一台电脑，网络的IP地址也是一个。
(1.2)、访问方面需要关注
跳出率：页面停留访客有300人，但是有150人不喜欢这个页面，选择离开，那么跳出率就是50%（=150/300）
二跳率：首页页面停留访客有300人，有150人觉得这个网站很喜欢，于是点击浏览下一个页面，那么二跳率就是50%（=150/300）。以此类推还有三跳率，四跳率等等。
转化率：转化到最终产品目的页面的比率。如果是电商的话，最终目的就是下单，那么就是新增用户和转化到下单页面的用户 的比率。以此类推，还有付费转率，注册转化率等等。
(1.3)、活跃方面需要关注
DAU(daily active user)即 日活跃用户量。
MAU(monthly active user)即 月活跃用户量。
相关的，还可以有周活跃用户量、年活跃用户量等等。
(1.4)、转化方面需要关注（仅指电商运营方面）
成单量：用户共成了多少单。
付费金额：用户共付费多少元。
客单价：付费金额/成单量=客单价。这里需要的是，每单平均多少钱的数据。
付费率：走到付费这一步的转化率。
(2)、APP运营
新增：新增的设备数（按手机型号分）；新注册的设备数（注册新用户。）
活跃：活跃的设备数；活跃的用户数
留存：次日留存率：例如，第一天新增300人，第二天还登录的有150.那么次日的留存率就是50%（=150/300）。以此类推，还有三日留存率（第三日登录数/第一天新增数）……n日留存率等等。
TAD：比如，7日TAD=第一天留存量+第二天仍在留存的数量……+第七天仍在留存的数量。用于计算七天内，一台设备活跃过几天。
3、行业平台重点关注指标
内容型行业：关注PV,UV,V V，帖子数，页面停留时间，分享数等等；
社交类行业：关注发帖量，发言数，PV,UV，活跃占比等等；
电商类行业：关注销售收入，成单量，客单价等等；
游戏类行业：关注活跃用户量，付费率，收入，ARPU（每用户平均收入）等等；
除了运营平台和运营行业两个划分角度外，还有很多划分角度，其中用户运营所要关注的数据指标都是有不同侧重的。
七、数据运营的作用
数据在企业中的作用是巨大的。不同层面的人，需要对数据做不同的操作。
1、决策层：商业智能=战略，电子商务的运营策略
2、管理层：商业智能=战术，商务运营的计划
3、运营层：商业智能=操作，电子商务运营具体的实施
当有了足够的数据之后，可以不再依赖主观判断，而让数据成为公司里的裁判。理想情况下，如果能够追踪一切数据，那么所有的决策都可以理所当然地基于数据。
八、数据运营常用模型和方法
1、漏斗分析法
漏斗模型是一套流程式数据分析，它能够科学反映用户行为状态以及从起点到终点各阶段用户转化率情况，是一种重要的分析模型。漏斗分析模型已经广泛应用于网站和APP用户行为分析的流量监控、CRM系统、SEO优化、产品营销和销售等日常数据运营与数据分析的工作中。
漏斗分析最常用的是转化率和流失率两个互补型指标。用一个简单的例子来说明，假如有100人访问某电商网站，有30人点击注册，有10人注册成功。这个过程共有三步，第一步到第二步的转化率为30%，流失率为70%，第二步到第三步转化率为33%，流失率67%；整个过程的转化率为10%，流失率为90%。 该模型就是经典的漏斗分析模型。
2、AARRR分析模型
AARRR又称为海盗模型，是Acquisition、Activation、Retention、Revenue、Referral五个英文单词的缩写，是DaveMcClure2007提出的，核心就是AARRR漏斗模型，对应客户生命周期帮助大家更好地理解获客和维护客户的原理。
AARRR分别代表了五个单词，又分别对应了产品生命周期中的五个阶段：
Acquisition[获取]：用户从不同渠道来到你的产品；
Activation[激活]：用户在你的产品，上完成了一个核心任务(并有良好体验)；
Retention[存留]：用户回来继续不断的使用你的产品；
Revenue[收益]：用户在你的产品，上发生了可使你收益的行为；
Referral[推荐]：用户通过你的产品，推荐引导他人来使用你的产品。
总结
优化猩SEO：数据充斥在运营的各个环节，所以成功的运营一定是基于数据的。在运营的各个环节，都需要以数据为基础。数据运营就是以数据为导向，不再凭经验盲目运作，做到有的放矢。
参考链接：
数据运营_百度百科
https://baike.baidu.com/item/%E6%95%B0%E6%8D%AE%E8%BF%90%E8%90%A5/1679697
数据运营的6个步骤，从方法论到案例带你入门 - 姑婆那些事儿
http://www.gupowang.com/article/view/5536
什么是数据运营？数据运营是做什么的？
https://zhuanlan.zhihu.com/p/450723925
数据运营的6个步骤，从方法论到案例带你入门
http://www.woshipm.com/operate/418011.html
从招聘需求看各个运营职能的分工与要求
http://www.woshipm.com/zhichang/735675.html
关于数据运营，你知道多少？ _ 人人都是产品经理
http://www.woshipm.com/operate/826562.html
数据化运营需要什么知识技能？
https://3g.163.com/dy/article_cambrian/GM7948R50511805E.html
修改于2023-12-19
