筆者結合自己的用戶增長活動經驗，分享了以下內容——數據化思維的價值、行之有效的分析流程、項目中數據異常的監測、排查、處理。

數據分析是做用戶增長的一項基本技能，然而每次想好好學習下，看到的資源不是7天精通Excel就是20天進階SQL，甚至于Python必知必會……

工欲善其事必先利其器，確實沒錯，但工具也是為具體目標而服務的嘛。為了學習技能而學習技能只會更加焦慮。

那么問題來了，對于大部分小伙伴究竟要把數據分析學到什么程度呢？

這張圖是我根據數據分析技能，使用頻率和學習成本畫的，里面Excel在使用頻率上應該是使用的最多的，可能每個人每天都會打開Excel；基礎操作大家應該都會，復雜一些的百度一下教程花個幾十分鐘也可以做出來。

Excel可以解決80%的數據分析問題，剩下的如果是非高頻需求，可以使用工具或者描述清楚需求讓技術小伙伴幫忙處理。

如果是一些非常高頻的數據運營&產品崗，還是要學一下相關編程語言的，但Excel應該數據分析中性價比最高的工具了，本篇文章中的數據分析工具也主要以Excel 為主。

本文主要分為三個部分，如圖所示：

由于篇幅有限，本文不會涉及太多Excel技巧，不過這里給大家推薦一本相關書籍《誰說菜鳥不會數據分析》。

這本書在Excel技巧方面講的很全面，大家有空可以翻一遍，不用刻意去記憶，腦子里大概有個印象，遇到問題知道在哪里查找就好。

數據化思維的價值

（1）數據讓我們更了解用戶

從項目角度來看：“數據讓我們更了解用戶”。

在線上很多時候就像一個黑盒子，我們不知道用戶在里面做什么，而通過數據就像把盒子里面裝了監控一樣。

通過數據可把這個盒子變得透明化，數據越全盒子越透明。但是考慮到成本，一般只做關鍵事件的埋點、關鍵頁面訪問、關鍵按鈕點擊。

通過數據我們可以發現用戶在這個黑盒子里面遇到的問題——如發現轉化率低，那么是不是用戶遇到了障礙不知道怎么操作，還是決策門檻太高了？

從個人成長方面，數據化思維也是一個很好的工具，叮當在剛開始做用戶增長項目時很焦慮。

（2）從數據中發現問題，提高成長效率，指導決策

小叮當的48個“金幣”：把一天的時間每半個小時分為一個模塊，每天記錄在各時間段做的事件類型，每周進行匯總分析

從個人成長方面，數據化思維也是一個很好的工具，叮當在剛開始做用戶增長項目時很焦慮。感覺每天都很忙，經常11點，甚至凌晨下班，但是又感覺自己好像什么都沒有做。

然后就整理了一個表格以半小時為一個單位記錄自己在做的事情，周末匯總生成圖表。

分析了幾天發現了兩個問題：

1. 一感到壓力就想拖延，拿起手機刷朋友圈。
2. 大部分時間都在建活動群和管理志愿者，寫文案。

后來就想了兩個解決方案：

1. 特別注意，每次自己想拖延拿起手機刷朋友圈的話就把手機丟到抽屜里。
2. 梳理每個事件的流程+計時，優化建群的流程和志愿者管理協作流程。

在項目中的數據分析，一般可以分為兩部分：一般的數據分析（從數據埋點，收集，清洗，分析……）和項目中的數據異常情況處理。

1. 一般數據分析中比較偏向靜態，基于我們設計好的方案，去搭建數據分析模型；應用場景更多是從0到1，或者階段性根據數據分析調整方向。
2. 異常處理是動態的，更多是基于項目中的實際問題出發去解決問題，中間也會有更多我們沒有考慮到的點需要探索。

數據分析流程

靜態的數據分析流程挺像是黃金工藝品的誕生過程：

做數據分析我們首先要明確目的和思路，就像淘金一樣，首先要先找到礦脈。

基本流程是：確定目的，定義指標，拆解指標，構建模型。

• 確定目的：你是想了解這些數據的情況呢（基礎指標），還是想根據這些數據驗證一些想法（復合指標，及指標背后的用戶行為）明確目的才好定義要分析的指標。
• 定義指標：一般數據指標分3種類型（維度，基礎數據，復合數據）對于基礎指標可以直接統計。
• 拆解指標：復合指標則需要拆解（一般用戶公式法和拆解影響因素）。
• 構建模型：模型是指能夠對事物產生重要影響的關鍵要素組合而數據模型就是你這樣項目中需要的關鍵數據，一般我會先梳理用戶路徑的流程數據，然后再把其他的關鍵數據加上（如紅包數據）。

(簡單數據模型)

（拖動時間軸圖表中的數據會變化）

（常用指標定義）

不同的團隊，不同的人對指標的定義也不一樣，在寫埋點文檔或者數據分析報告的時候一定要備注“指標定義”。

這個步驟也就是數據統計，以下是常用的3種數據統計方式：

1. 可以直接看到的可以手動整理，當然這種是比較慢的。
2. 第二種是通過工具提高下效率（如建群寶，WeTool……），也可以通過渠道碼統計到一些直接看，看不到的數據。
3. 最后就是數據埋點了，如果上一步構件好數據模型的話，這里直接把需要的相關數據給到技術就好了。

挖完礦挖到的原礦石肯定不能直接丟到爐子里吧，這里需要做下簡單的處理。

數據處理一般分為清洗，轉化，提取，計算，這4個部分。

數據清洗是為了保證數據的有效性，經常遇到的就是數據中有空值的問題。

可能是在統計的時候沒有考慮到，或者是因為其他原因丟失了。

這時候如果與這個空值互相影響的數據比較全的話可以通過計算得到，但是如果不全的話只能去掉了；或者得出的值只能做一個參考。

數據轉化主要是轉化格式，單位……確保這些是統一的。

上圖中的數據是之前做的一次紅包活動數據，技術導出數據后，叮當怎么算都覺得不對，問了一下才知道，原來技術給的數據是以“分”為單位的，而叮當是按“元”計算的。

數據轉化：數據比較少的時候直接框選就可以了，數據比較多的時候可以用戶透視表提取需要的數據。

最后涉及到復合數據的可以根據公式計算（加減乘除可以解決大部分問題）。

文不如表，表不如圖，把數據視覺化，更容易讓人理解，也更加容易感知到價值。

就像黃金一樣，一個同樣重量的金塊，鍛造成工藝品，肯定比單純的金塊給人的價值感更強。

數據異常處理

最后就是關于數據異常的處理這一塊了。

1）活

動上線&渠道推廣后2小時注意看客服會話消息，只要有用戶反饋入口的地方都每個幾分鐘看一下，上線過了這幾個小時之后可以降低點查看的頻率，不過也要注意盯著。

上面這個截圖就是，中間上線期間通過用戶反饋，發現一點技術小Bug，及時處理了，沒有造成推廣流量的浪費。

2）監控數據模型中的核心數據異常

如果時間確實忙不過來，或者上線比較急沒有做好準備可以優先監控核心數據（如：紅包類的活動獲客成本就是非常核心的數據）。

“評估”就是評估數據異常影響程度。如果影響比較大就暫?；顒蛹皶r止損；如果影響比較小，就暫停其他的推廣動作，排查原因。

如圖：這個是，活動剛上線40分鐘遇到了羊毛黨工具支付接口，幾十分鐘被擼走將近100+元，發現問題后，叮當立刻就把活動下線，同時讓技術做接口攻擊攔截。

如圖：在活動期間用戶給我發截圖，用戶開了幾個1毛的紅包，賬戶里才增加3分錢。

然后我趕緊查了下用戶列表，這個時間段的用戶信息，發現大概20個左右的用戶是這樣的。

跟技術反饋了下，技術說是這里單位除了點小問題，十幾分鐘就可以改好，然后改完后就給這幾個用戶一個人補了4毛錢。

很多時候在排查原因的時候就可以找到問題，設計方案，如果還找不出來的話，可以通過拆解指標來挖掘問題。

上圖是叮當在2019年1月做的一次紅包拉新紅包，上線后通過內部渠道推廣平均一個老用戶可以帶16~20新用戶。

1月24號開始投放一些外部的小程序渠道，但發現投放之后用戶增長并沒有太大變化。

后來就通過渠道，推廣時間，紅包金額，活動路徑簡單拆解了這個數據異常的問題。

如：之前一個活動支付接口被攻擊下線調整，再次上線后叮當就計算出一個用戶一天之內可能獲得的最大紅包金額，在商戶號中設置“大額出款提醒”一旦單個用戶提現金額超過這個數值，就可以在微信收到模板消息提示及時處理。

以上流程只是給大家一些思考的方向，并不是每次都需要把流程全部走完的。

作者：小叮當v2.0，前零一裂變用戶增長項目負責人。最近在找電商平臺或者教育行業的用戶增長方向工作，坐標深圳，微信zxxp153。

本文由 @小叮當v2.0 原創發布于人人都是產品經理。未經許可，禁止轉載。

題圖來自Unsplash，基于CC0協議