起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識從增長黑客到流量地圖，關于增長的4個核心思維（二）
編輯導語：增長黑客，指的是創業型團隊在數據分析基礎上，利用產品或技術手段來獲取自發增長的運營手段。在上一篇文章中，作者為我們分析了用戶運營思維的兩個誤區，并且總結了建立正確的用戶運營思維的三個方向。在本篇文章中，作者又分析了數據思維在增長中的應用，以及建立數據思維的三個步驟。
任正非曾說：“數據是公司的核心資產，要像經營資本一樣來經營數據?！?/p>
互聯網的偉大之處在于，通過技術為我們創建了一個全新的數據時代，所有的行業每天都會產生海量的用戶數據，數據逐漸成為公司的一個極為重要的核心資產。
而數據積累和數據分析貫穿于公司的不同發展階段，作為運營人，我們應該建立數據思維，從內心里將數據采集、數據分析和數據應用重視起來。
如下圖，我將數據在公司發展各階段的核心價值做了一個梳理。
數據的應用價值對公司來說是核心，對運營人員來說也是極其重要的，具體從兩個方面來看：
- 數據是關鍵性決策的基礎依據；
- 數據是效果復盤的唯一可衡量性依據。
數據對運營人員的重要程度，就像航海時代船長手里的指南針，精準的數據能夠在工作中為運營人員指引方向。很多運營人員在接觸運營工作的第一天，就開始和數據打交道。
看到各類龐雜的數據，大部分新人都會叫苦連天，別說分析數據了，就連看懂數據都很難，我在剛接觸電商運營時也有過這個感受。
一旦我們具備了正確的數據思維，掌握了數據獲取和分析的方法論，這些問題就迎刃而解了。
數據思維是《從增長黑客到流量地圖，關于增長的4個核心思維》這個系列文章的第二篇，也是我在《流量地圖》這本書里，花了大量篇幅重點講解的章節。
我認為，數據思維是運營人做增長的一個極其重要的基礎性思維，希望通過這篇文章引起大家對數據的重視。
如果對增長的4個核心思維還不太了解的，建議你可以先回顧我之前的一篇文章：《從增長黑客到流量地圖，關于增長的4個核心思維（一）》
我想，對于沒有接觸過數據運營的運營新人，建立數據思維的過程是枯燥的，但也是快樂的。因為你能通過數據看清業務，并找到有效的方法提高業務指標。
在具備數據思維后，你能發現你在做運營決策時更理智，在跨部門進行溝通時更高效，對運營活動的效果預判也會更準確。
一、數據思維在增長中的應用
增長的工作有一半時間是在做策略，還有一半時間其實是在做數據分析。
1. 投放渠道選擇與預算分配
在制訂渠道投放計劃時，如何有效地篩選廣告投放渠道？以及，如何合理地分配預算呢？
對于這兩個問題，我們都需要從數據分析開始著手，下面來看具體的廣告投放案例。
如下表所示，假設現在有A、B、C、D、E五個拉新投放渠道，通過一段時間的廣告投放后，我們很快獲取了各個渠道的拉新量、花費及單個獲客成本等數據。
在對這幾個渠道的數據有了基本的認知之后，我們可以根據廣告投放的實際情況進行預算的控制和調整。
比如：在縮減預算的情況下，應該如何優化預算分配呢？
從5個渠道中可以看出，A和D的單個獲客成本最高，是做預算控制的首選渠道，應該削減這兩個渠道的預算，這樣能夠快速產生成本壓縮的效果。
在追加預算，需要快速增加拉新量的情況下，又應該如何優化預算分配呢？
這時，你可能會說將預算全都使用到單個獲客成本最低的E渠道。
其實，從實際的廣告投放經驗來看，E渠道的拉新量最低，應該屬于小流量渠道，無法快速擴量；B和C渠道才是擴大預算投放的首選渠道，因為從拉新量來看，這兩個渠道是大流量渠道，在平均拉新量較低的情況下，可以輕松擴量。
當然，在實際做用戶拉新的廣告投放時，數據比上述例子復雜得多，運營人員需要能夠通過實際數據對比，不斷地優化預算分配，以獲得性價比更高的渠道投放策略。
2. 流量轉化漏斗分析與優化
每個流量運營人員的心中都應該有一個“流量轉化漏斗”，這個流量轉化漏斗的主要數據維度分為三個：一是數量級、二是轉化率、三是拉新成本。
以一個App的下載拉新為例，我們看一下對應的流量轉化漏斗。
如下圖所示：轉化環節可以細分為曝光、點擊、領券、下載、注冊/激活及完成首單，將流量轉化的指標拆解到每一個漏斗環節的好處是，可以很清晰地呈現每個環節的用戶量級，看清楚新用戶獲取時對應的每一個動作，方便做每一層轉化率的優化。
通過分析流量轉化漏斗的各級轉化數據，我們可以測試不同策略和素材的效果，擇優選擇。
具體來看，廣告頁面的風格、落地頁的文案、優惠券的設置、注冊方式等這些實際內容都可以通過測試數據進行調整優化。衡量優化效果的核心指標，是漏斗對應層級的轉化率是否得到提高。
分析流量轉化漏斗的另一個好處是：我們可以橫向對比不同結算方式的渠道拉新成本，在漏斗里統一測算同一個轉化環節的拉新成本——單個點擊成本=渠道費用/點擊量，單個下載成本=渠道費用/下載量。
比如：應用商店的成本測算一般都是按照下載量統計的，信息流的成本測算按照點擊量統計。在這個轉化漏斗中，我們可以將兩個渠道的數據都按照下載量進行測算，最終進行橫向拉新成本對比。
數據的應用我相信很多運營人都一直在做，但數據的獲取和數據可視化，我想應該還有不少人沒有觸及過，下面我就講講數據如何采集。
二、建立數據思維的第一步：數據采集
1. 掌握SQL語句
運營人員在工作中會經常遇到數據采集的需求，業務數據采集來源和輸出口一般有兩個：一是數據平臺，二是找數據分析師。
公司建立的數據平臺通常能滿足大部分常規的數據需求，但運營人員在采集自身業務所需的數據時，如果有個性化的數據需求，那么數據平臺多半沒有現成的數據。
這個時候，有兩個做法：
- 第一個做法：向數據分析師提交采集數據的需求，對于運營人員來說，這是最省事的，但是在多半情況下也是最耗時的，因為現狀是有需求就要排期；
- 另一個做法：也是更加高效的辦法就是掌握SQL（Structured Query Language，結構化查詢語言）語句，自己動手編寫程序查詢數據。
SQL并不是一門編程語言，而是一個數據庫查詢和程序設計語言，使用SQL語句現在逐漸成了產品經理和運營人員的一項職業必備技能。
要想掌握SQL語句需要完成以下3步：
- 第一步：盡量全面地了解公司有哪些數據庫和數據表，以便定位業務對應的數據庫；
- 第二步：通過請教數據庫管理者或技術人員，看懂數據表與數據表之間的邏輯關系，理解所需數據字段的含義；
- 第三步：學會常用的SQL語句，如select、from、where等指令，之后進行結構化數據表導出。
在熟練使用SQL語句后，我們可以做到在有個性化的數據需求時，隨時寫SQL語句，不用苦苦等待數據分析師的排期和報表回復。
2. 靈活利用數據平臺
數據平臺是公司用戶和業務數據的集成器，涵蓋了運營人員常用的相關數據。在數據平臺里查找數據時，我們經常會使用數據標簽。用戶標簽系統就是數據標簽的一種具體體現。
用戶標簽系統在互聯網產品中應用得十分廣泛，如社交平臺上推薦的可能感興趣的人、電商平臺上推薦的可能感興趣的商品、短視頻平臺上推薦的視頻。
互聯網用戶都被“貼上”了形形色色的標簽，這是用戶精細化運營的一種體現，讓需求和供給得到了更高效的匹配。
對于公司內部來說，標簽系統是數據獲取和分類報表的集成，是運營人員必須好好運用的一個工具。最常見的標簽應用是在廣告投放中，通過篩選標簽進行精準投放。
在數據獲取和分析中，標簽系統發揮著重要的作用，下面介紹幾類我常用的標簽：
1）關于用戶畫像的標簽
年齡、性別、身份、興趣、地區、職業、家庭角色、婚否等，這類標簽主要用于廣告精準投放，也可用于分析電商平臺的選品方向。
2）用戶活躍的標簽
激活狀態、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、日均訪問時長、是否付費、凈推薦值（Net Promoter Score，NPS）等。
這類標簽可用于精細化的用戶生命周期管理，有針對性地提高用戶活躍和減少用戶流失、篩選和推薦裂變用戶等。
3）產品銷售的標簽
支付方式、訂單金額、已收藏、最近（30天）瀏覽過、已復購、訂單狀態等——這類標簽主要用于平臺產品的銷售數據分析。
當然，一個完整的標簽系統不只這么一點標簽內容，我們可以根據實際業務需求，新增更多的標簽。在調取數據的時候，我們可以通過建立標簽數據模型，輸出多維度的數據表。
例如：想要調取過去6個月通過推薦購買的訂單金額超過1000元的用戶做調研，我們就要通過建立標簽數據模型，獲取多維度的數據。
在標簽系統中，很多數據的抓取都是通過埋點完成的，埋點是指在相應的頁面中加入統計代碼，并在數據管理系統中以可視化的報表最終呈現出渠道統計的數據。
當然，埋點是個技術活，且工作量較大，需要技術人員配合落地。
數據采集過來之后，下一步工作就是做數據分析了，數據分析的方法論特別多，我這里簡單列舉我常用的兩個：對比分析法和目標錨定法。
三、建立數據思維的第二步：數據分析
1. 對比分析法
數據分析的方法有很多種，最常見的是對比分析法。
對比分析法的應用場景有很多種，常用的場景是做活動效果評價，以及通過數據對比找到數據波動的“誘因”。在運營人員的數據報告中，我們最常看到的是同比、環比、均值對比、競品對標等對比性數據。
對比分析法的四個常見維度：
- 同比：一年中相同時間周期內的數據對比，多用來與大促活動和銷售類數據對比；
- 環比：指對比前一段時間的數據情況，通常用于用戶增長、活躍度等維度的數據對比；
- 均值對比：是對比一定時間或一定范圍內大盤的平均值，通常來看個別日期/渠道的數據情況；
- 對標：通常是指對標競品的產品數據或銷售數據，在電商行業做數據分析比較常用到。
關于對比分析法的應用，我想到了一個比較形象的例子：在某種程度上，用數據對比分析法做出來的數據表，就如同一份身體體檢報告。各項運營數據就像體檢報告中的各項檢查項，我們可以通過樣本數據（在體檢報告中是指標正常值）驗證這個數據是否正常。
如果某個數據和樣本數據之間出現了偏差，我們就要從這個數據中分析出數據異常的原因，簡稱為鎖定“誘因”。
不同的是，體檢報告中的數據如果不在正常范圍內，那么這是不好的現象；如果運營數據與樣本數據出現偏差，那么可能有好的一面，也可能有壞的一面。
數據對比分析法的3個基本要素如下：
- 數據對比需要在同一個標準上；
- 數據對比需要建立樣本數據標準；
- 最終目的是分析出導致數據異常的影響因素。
數據對比的同一個標準很好理解，就是要將對比數據放在同一條起跑線上，不能用新App的用戶增長數據直接與成熟產品的用戶增長數據對比，也不能用新上架的SKU和“爆款”對比。
是不是不同量級的產品就不能做對比分析了呢？
也不是，我們可以對不同量級的產品使用權重分析法。
樣本數據標準的正常值可以是預期目標值，也可以是預期轉化率。
以促進用戶成交的運營活動為例，如果實際的數據超出預期目標值，我們就要好好總結經驗；如果低于預期目標值，我們就要馬上找出運營活動不足的地方，調整運營活動的策略，達到預期目標值。
做數據對比分析的最終目的是分析出導致數據異常背后的因素，這樣才是有意義的。
在日常做用戶增長周環比數據對比分析時，如果我們發現用戶增長數據波動異常，那么要做影響因素排查，要清楚地辨別是運營策略還是外部事件帶來的影響，對所有的異常數據進行“歸因”。
對比分析法并不能完全滿足所有的數據分析需求，比如在做多渠道拉新效果分析、電商品類銷售業績對比、城市間用戶量級對比時，因為數據對比的對象之間不在一個數量級上，簡單地做橫向對比是沒有多大意義的。
如果只進行渠道間的數據量級對比，就會陷入一個數據分析誤區，這會造成用戶拉新的大流量渠道始終都是重點關注的渠道，而有開發潛力的小渠道往往被忽視。
簡單對比的后果是預算和資源始終只向重點渠道傾斜，而忽視渠道用戶轉化效果、用戶質量、渠道挖掘潛力等因素，很難拓展出新的用戶拉新渠道。
這個時候對數據進行加權處理就十分有必要了，這樣做的好處是將不同量級的對象放在同一個緯度分析，平等、客觀。
2. 目標“錨定”法
幾乎我們通過互聯網掌握的所有數據，都是對實際業務的映射，在實際業務中，我們通常會設定一個目標值。
道理的確是這樣，但我們在做數據運營工作時，時常會沒有對比的對象，這個時候就需要設定一個對照數據，即給每個運營項目設定一個“錨定”值，這個值會讓我們做數據分析時擁有目標感。
對于一切偏離目標的數據，要保持警惕，對異常數據進行分析，研究其背后真實的業務情況。
在做目標值設定時，我常用到的SMART法則，如下：
通過SMART法則，制定的運營對照目標相對可實現、可拆解和可量化。
對分析完了的數據，要學會總結和歸納，尤其是需要產出分析數據做匯報時，數據可視化的工作就十分重要了。
四、建立數據思維的第三步：數據可視化
我們常見的微信公眾平臺后臺的統計板塊就是一個典型的數據可視化后臺，有用戶分析（聚焦用戶增長數據和身份信息）、內容分析和菜單分析（聚焦用戶行為信息）、接口分析（聚焦用戶渠道信息）這幾大類數據看板。
- 做應用商店廣告投放常用的第三方數據可視化工具有七麥數據、禪大師；
- 做搜索渠道廣告投放常用的第三方數據可視化工具有站長之家、Alexa、百度指數、微信指數；
- 運營人員比較常用的第三方數據可視化工具有神策數據、金數據、GrowingIO、Tableau。
- 做公眾號廣告投放常用的數據可視化工具有西瓜數據、新榜。
在數據的展示上，為了方便、直觀地研究出數據的變化情況，尤其在匯報的時候，我們一般還需要將數據轉化成圖表的樣式。
在數據可視化中，常見的數據展示形式如下：
1. 柱狀圖
柱狀圖用于展示數據分布，如用戶年齡分布、用戶付費金額分布、流量來源渠道分布等。
2. 折線圖
折線圖用于展示數據的變化趨勢，反映一段時間內用戶相關指標的上升和下降趨勢，適用于展示周期性數據，如關鍵詞周期熱度、日活躍用戶數（Daily Active User，DAU）、月活躍用戶數（Monthly Active User，MAU）、App月度下載量等。
3. 環狀圖
環狀圖用于展示各個數據在總數據中的占比，適用于看數據分布的比例，如渠道流量分布、各個應用商店App的下載量分布、預算渠道分配等。
除了以上3種常見的數據展示形式，還有雷達圖（體現多維度因素對數據的影響力，如在王者榮耀游戲結束后的戰局數據）、餅圖（反映各個組成部分在總數據中的占比）、地域圖（體現用戶在全國的地域分布）等。
當然，數據思維所涉及的知識點遠遠不止以上講解的這些，作為增長運營人在掌握成熟的方法論的時候，還需要有敏銳的數據感知能力和敏感度；同時，對公司業務未來的業務增長能夠進行數據推演和預判，這都是數據思維需要養成的綜合能力。
#專欄作家#
一文，《流量地圖》作者，前滴滴用戶增長運營專家。微信公眾號：如是一文。擅長用戶增長體系搭建和流量運營，帶領過從0到1的增長項目，長期關注網約車、汽車、電商零售、在線教育等行業。
本文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 Pexels，基于 CC0 協議
期待你的3和4，對于大部分人來說，梳理流程比告知方法更有效，不然可能是東施效顰。
持續更新ing
泛泛而談