中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

做完運營核心能力分析和解決問題的解讀之后，我們來解讀一下與問題分析解決緊密綁定在一起的數據管理能力和數據分析的思路。

首先明確一下，這里說的數據，不僅是‘number’而是‘data’?！甦ata’相比‘number’附帶了更多的信息量、屬性和衡量維度，在閱讀以下的內容時候請時刻保持這個共識。

為什么和數據相關的工種都非常值錢，數據分析師、會計、金融分析師等等。因為數據即是模糊現實的一種客觀呈現（為什么說理論數學是一切理論和實用科學的基礎），以理性的方式講述現實，以量化的方式衡量客觀存在。針對數據的深入分析和挖掘，能夠得出現實的最近似解讀，指導著人們制定引導現實的最有效策略。

當然對于活動運營來說數據這部分的工作沒有那么玄乎，但本質是一樣：如果通過數據的管理掌握負責業務的最近似現實，如何通過數據分析從數據總挖掘有效信息。

簡單一點來說，老板問你最近上的這個活動效果如何，你能夠從多個角度來闡述活動效果到底是好是壞，且數據的支撐讓你的結論無可辯駁；而這些數據的支撐來自于你嚴謹的數據分析和挖掘過程。

所以數據這部分內容希望能夠給大家一個引子，以明白：

• 活動運營需要具備有效的基本的數據管理能力，以掌握負責業務的最近似現實。
• 同時需要掌握一些基本的數據分析工具，進行有效的數據分析和挖掘。

我們將必要的活動運營需要掌握的數據管理和分析能力設定為這個部分知識的邊界，數據管理和分析這門學科同樣也是深遠和無止盡的，直至現在也還不斷有新的數據分析理論和方法被創造出來，如果對這個部分感興趣的可以自行再深入研究。

一、基礎數據管理能力

數據管理工作的本質是幫助我們盡量的了解現實，了解你的產品、策劃案、專題活動是否真實有效影響了用戶，呈現出的現實結果是由什么現實過程帶來的，所做的運營動作的效果相比其可能的選擇是更好還是更壞，投入的成本是否值回票價。

通過數據管理了解現實的過程是挑戰直觀認知的過程，是不是一個領導個人喜歡夸贊不絕的項目就是一個成功的項目，是不是一個表面毫無產出的項目就是毫無價值的項目，是不是你認為好的內容更多的用戶也是一致的想法。

可怕的是，就個人實際接觸來看，數據管理往往并不被當作掌握現實的工具在使用，而被當作掩蓋問題創造虛假現實的手段去欺騙上級、合作方、客戶和市場。

常見的方式就是先寫下樂觀的，有助于達到目標的結論（這個項目非常受到市場的歡迎，可以加大資源投放），然后反向再去挖掘數據，把有助于支撐這個結論的實際并沒有那么嚴謹的數字留下來（我們投放的產品廣告用戶點擊率非常高-其實只是因為廣告商有一個抽獎iPhone的利益點），隱藏掉那些真實的會得出悲觀結論的數字（被抽獎騙進來的用戶根本對產品不感興趣），漸漸傾向于相信一些錯誤的片面的數據，往往自己也被催眠了。

這種事情你肯定也沒少干。但也理解，階段性的在競爭狀態下下，面對著市場、客戶和上級、是需要夸大和包裝一些虛假的結論來讓一個項目活下去，爭取更多的時間窗和資源。

但是這個過程其實并不影響你自己心里掌握真正的現實情況，心里有數你也才能評估用數據管理營造的假象所爭取的資源，能不能彌補之前的錯誤帶來二次的機會。

所以在開始這部分的內容之前，請準備好你的心態：這部分的數據管理并不會教你怎么把數據包裝和呈現得美觀和看似合理，這類的方法論市面很多課程了自己去學習，我想分享和倡導的數據管理，更多在于怎么通過數據管理幫助你掌握真正的現實。

什么是數據管理下真正的掌握現實？

我認為至少需要包含三個部分：

1. 需要對現實有完整的客觀描述（把模糊的現實轉化為量化的結論-賣了很多產品-賣了1000份產品）
2. 需要對現實的描述有評價標準和結論（比昨天多賣了一倍所以今天賣的很好）
3. 需要對現實的原因同樣有必要的溯源和量化的描述，形成完整的邏輯描述（因為今天氣溫驟降，促使很多觀望用戶下單，帶來轉化率有很大的提升）

以上三個部分構成了最基本的數據管理框架，代表著你對一個完整現實情況的掌握。也意味著，你能夠經得住領導的經典三大靈魂拷問：做的好不好？有多好？好在哪里？（嗯，其實我在另外一個領導力的系列課程里面也在不斷的教領導者們問這三個問題，希望你們能完美接上。）

深究原因上領導會喜歡問這三個問題，也代表了這三個問題背后隱含的，代表完整現實的意義。

做什么、怎么做、怎么提升？

那么我們來分拆看看，三個部分應該分別做些什么，怎么做和怎么提升這個部分的能力

描述現實意味著，掌握完整和客觀的現實全貌，透過表象看到本質。

很多時候結果被當作唯一的現實來對待，其實是片面甚至是誤導性的。結果和現實是完全兩個東西,結果只是直觀的最表象的現實的一部分（但不否認某些非黑即白的問題下結果就是唯一的現實），僅知道結果往往難以讓你得出結論和指導接下來的動作，但是掌握現實，你的結論和后續動作就會非常清晰。

舉個簡單的例子：這一次的專題活動銷售情況不理想只是結果，而用戶其實非常喜歡我們的產品，但因為某種原因導致這次專題活動并沒有促使用戶下單才是現實（實際的現實會更完整一些，便于理解做了簡化，杠精退散）。

搭建一個業務的數據管理框架本質就是：搭建出來你需要掌握的和你的業務相關所有體現現實的數據框架并加以邏輯拆解和解讀，以得出有效的結論。而完整性是搭建框架第一步的目標，這個步驟擁有完整性才具備進行接下來數據管理步驟的基礎。

（1）先問自己一個問題，影響這個業務的所有相關的現實因素是哪些？

既然是問題，進入了我們已經掌握的問題分析的領域，參考問題分析文章的方法論，這個問題屬于一個相對混沌的問題，我現在還不知道最終分析出來的結果可能是什么，拆機的元素需要有哪些，所以我們用無腦的6W2H方法幫助我們進行窮舉（具體參考skyhahalife前文）：

• WHO：窮舉所有描述用戶現實的數據項，用戶基本畫像，用戶量級等
• WHERE：窮舉所有描述場景現實的數據項，漏斗模型，資源投放效果等
• WHAT：窮舉所有描述產品現實的數據項，轉化率，產品銷售數據等

*知識點*：

“以上三個分析框架是電商里面常用的‘人貨場’框架，是6Ｗ2H的一種演變種類也常用于策略制定，但因為電商在互聯網里面的特別的復雜性，所以這個框架往往也能夠套用于各種對C的業務分析中?！?/p>

窮舉還在繼續，只要認為是幫助認清完整現實的數據，都應該納入框架，繼續用其他‘Ｗ’和‘H’幫助你拆解，直到窮舉完畢所有和這個項目相關的數據為止。

這個部分的能力提升，本質就是在一次又一次的數據拆解和解讀過程中，不斷的積累自己的業務熟悉程度，知道針對不同的業務場景，哪些數字是需要關注的重要的隱含的，在這個能力一定程度的積累之后你就可以跳過以上的拆解過程，在腦子里面就可以把這個框架搭出來。

但是在熟練的操作之前或者接觸某個新的業務場景時候，還是建議完整套用以上過程，幫助你開啟前幾次的掌握完整現實的過程。

然后你現在手上有了一堆雜亂無章的數據，他們已經是現實的完整闡述，但是你還是看不懂，得不出有效的結論，因為他們還只是無序的數字，需要進一步的邏輯拆解和解讀，也就是我們要進行的后面兩步動作。

（2）衡量好壞

我今天晚飯一個人吃了五十塊錢的麻辣燙，這個數字在你這里有什么感知，并沒有吧。但如果我告訴你，一個三十塊錢的麻辣燙套餐在同一個店鋪里被叫做‘情侶套餐’，顯然你就會得出‘你是豬嗎’的結論。

這個步驟要做的事情也就是，給你目前手上這一堆雜亂的數字做個評價。計算機和很多直男的腦子里只有1和0兩種結果，正和負的結論是顯而易見的。但是一個不是0也不是1的數字，沒有絕對的規則該如何評價。通過比較得出相對的結論是唯一的辦法，得出的好和差的結論也不是真的絕對的好和壞，只是相對更好和更壞。

以上理論解釋了困惑眾多直男們的一個史詩問題：紀念日送多貴的禮物給女朋友她才能滿意？大部分場景下的答案是比她閨蜜收到的貴就好。

所以這個部分要給每個數字下一個定論，關鍵點就是要對每個數字尋找合理有效的參考標準：

• 一個廣告的點擊率，點擊成本行業內一般是多少，之前類似的業務做到了多少，我上一次項目做到了多少；
• 一個用戶的ASP值是多少，某一個群體在某一個場景下的平均值一般是多少；
• 一個產品的銷售轉化是多少，競品一般是多少，之前的峰值日均值分別是多少。

這個部分的能力提升顯而易見，即是你經常接觸的數據緯度，你是否熟記他們的參考和衡量標準。當然在熟練掌握這個模塊能力之前，強迫自己在完整的數據框架下，全面的梳理和了解一次所有數據的衡量標準，你基本上也就上路了。

然后現在你手上有了一堆雜亂無章的帶著評價的數字，可以得出一些顯而易見的結論，我的頁面轉化率很糟糕，但是你還是沒有辦法完整的描述出來整個現實情況，因為這些數字之間還沒有構成邏輯關系，也就是下一步我們要做的。

（3）構建邏輯形成完整的現實描述

很多數據分析工作在上一步就停止了，因為似乎結論都很清楚了（點擊率就是高用戶就是喜歡，賣得好就是產品受歡迎，頁面停留長就是用戶愿意逛），也因為對于把數據管理當作對上預期管理工具的人來說，這個階段其實可以得出是很多有效支持期望中結果的片面結論，某種主觀還是客觀因素讓他們停了下來，開始拿這些零散的結論組織自己的項目喜報。

但仔細深究會發現，這些單點數字結論總是可以被質疑和挑戰的，實際情況很多時候你被領導挑戰得無法答復也是這個原因。因為數據沒有形成邏輯，就沒有形成完整的現實描述，所以結論一定不完整、可挑戰。

完整有效的數據管理框架，是嚴謹的對現實的邏輯描述，嚴謹和邏輯是其中的必要因素。因為數據很容易騙人，原因正如上面所述，單點的數據沒有邏輯的推倒下，可以得出很多種結果，而人們往往會傾向于相信積極的結論而忽略了其他更多中可能性，誤導就發生了。

構建完整和嚴謹的邏輯性是有效的克服這個點的辦法，方法其實并不復雜：

1. 假設結論：你先縱覽手上所有的數字，腦海中大概描繪一下數字之間的作用關系，應該可以有一些大概的猜測，把這些猜測先記錄下來。保證你的猜測是一句完整的邏輯描述（*知識點基本的兩種邏輯描述推演和歸納：因為-所以-因為-所以；因為1、2、3、4所以X）。例：這次營銷活動的銷售效果較差是因為引入了錯誤的客戶導致的轉化率低。
2. 驗證：把你手上的數字放到你的邏輯描述當中，驗證這個邏輯是否成立。例：轉化率是不是低，客戶的畫像是不是不符合。
3. 反證：為了避免在一開始猜測的過程中搭建的邏輯描述本身不完善，所以你需要嘗試反證你的結論，從手中帶著評價的數字中尋找是否有能夠讓這個邏輯不成立的結論，如果出現了，那么就重新假設，或者針對本身這個數字和邏輯的沖突進行一個新的假設-驗證-反證。例：但是廣告的點擊率很高，似乎駁斥了引入錯誤客戶的結論-新的假設：廣告點擊率高是因為廣告上放置了無關的誘導信息（免費抽iPhone），驗證類似的誘導信息在其他先例中是不是也產生過同樣的結論。

不斷的嘗試組合手上的數字，經歷以上過程，形成一個或者多個嚴謹的邏輯描述，直到沒有更多重要的或者需要的描述可以梳理。就意味著你真正掌握了關于一個項目的全部現實，這才是有效的數據管理工作的本質，也是制定后續策略優化動作的基本保證。能夠客觀的面對成敗，得出有效的結論，是一個業務和一個團隊真正需要的。

這個時候，你就可以自信地說出，關于這個項目的情況，領導你隨便問吧。

寫總結就更簡單了，無非是把這些邏輯依次通過一些可視化的工具呈現的簡單清晰而已。怎么可視化市面上太多教材了，我這里不教搬遷的知識，自己去找。

當然以上的三個部分完整執行下來是異常復雜和耗時的，所有項目都嚴格執行顯然不現實。所以更重要的是理解數據管理的真實運作原理，在面對復雜的數據管理工作時候，這套理論給到一個引子和方法讓你不出錯的開展一個數據管理工作。

當每個步驟的工具使用越發熟練以及伴隨著你的業務能力逐步提升，你的數據管理能力就能讓你游刃有余、高效的、針對性的掌握一個項目的事實全貌，比起那些每一次都花巨大精力去無目的的跑數據，寫報告湊結論的人來說，你就是降維打擊。

二、如何通過數據分析工具完成數據的挖掘和得出結論？

我們開始第二部分的解讀，關于如何通過數據分析工具幫助你完成數據的挖掘和得出結論，這個過程對應著數據管理部分怎么從單點數字挖掘價值，賦予意義的步驟。

此部分并不會介紹太具體的數據分析工具，同樣市面上有很多現成的方法論可以去學習，還有曾經拿過全國奧數一等獎的本人經歷了十年的蹦迪生活以后，也不太搞得清楚什么是回歸分析和概率計算了。

但我想分享的是數據分析工具背后更重要的數據分析思路，某種意義上來說這些思路才是真正強大的數據分析工具，幫助你理解數據分析工具的本質，在什么場景應該怎么分析一個數字以及避免過度強調方法論的分析過程導致得出錯誤的結論。

掌握這些思路，工具都是現成的技巧，需要的時候隨時百度即可。

活動運營需要掌握的常見數據分析思路（工具）：

1.?趨勢分析

為什么一個公司還在保持增長且業務規模依舊龐大，但是增長率出現了一點下跌市值就會瘋狂下跌。因為資本市場對一個公司的估值，其實是基于這個公司未來很多年的業務規模以及回報實現的，所以一個公司的未來和發展趨勢比現狀更加重要。

資本行業對一個公司業務規模的評價模型就代表著趨勢分析思路的核心，越高緯度的趨勢分析越能夠看清楚趨勢的本質。

怎么理解，增長率是第一緯度的趨勢分析，體現了這個公司業務還在正向發展；但是增長率的增長趨勢這個第二緯度（經常看到的增長率下跌報告）的趨勢分析，體現了這個公司業務發展趨勢的走向，是增長的越來越快了（意味著持續增長的未來）還是越來越慢了（意味著出現增長停滯和下跌的未來）。

現在我們來到增長率的增長趨勢的增長趨勢，第三個緯度，體現了這個公司業務發展趨勢的走向的更本質（這個公司的增長率在下跌，但是下跌的幅度比上一個季度更小了也許意味著這個公司和業務找到了新的增長曲線正在接棒老的增長曲線）。

這個原理運用到實際的工作中，意味著我們要在各種趨勢分析過程中，有意識的不斷往高緯度走，以看到更多的趨勢本質。停留在低的緯度往往會讓你忽略了潛在的未來的趨勢。

2. 對比試驗類型

常見運用是一種叫做A/BTEST的分析手段，以通過兩個對照組的基本一致條件設定和對比差異條件設定來得出一個動作的實際效果。

這個方法的運用，是不是叫A/BTEST還是C/Dtest并不重要，重要的是背后的分析思路，要得出一個運營動作或者是干擾因素的真實影響，采用排除干擾因素的對比試驗是最嚴謹有效的辦法。

這個方法相信理科生并不陌生：讓兩個實驗對象處于盡量一致的因素之下，僅存在測試因素唯一的差別，觀察最終兩個實驗對象的結果，這個測試因素和結果之間才構成絕對嚴謹的邏輯推論關系。

例如：你要驗證頁面上一個按鈕的調整是否會對頁面的點擊率產生影響，用兩個版本的頁面，投入同樣量級的流量測試并不能得出嚴謹的結論，因為可能某一個版本被引入了更多的女性用戶更傾向于點擊那個帶著圖片的按鈕。必須保證你的投入流量用戶群體是基本一致的，結論才有效。

有這個思路，你可以去試試看，女神拒絕你的原因到底是丑還是窮？

3. 用戶路徑和漏斗模型

活動運營常用的數據分析思路，回歸用戶的路徑去搭建數據邏輯框架，以清晰的幫助業務判斷真正關鍵的，影響用戶行為的轉化環節。

漏斗模型大家都會畫：廣告點擊到頁面流量到商品詳情到下單每一個環節的絕對值放上去，算出轉化率得出每一步轉化率好或壞的結論，然后優化差的環節。

這樣的漏斗模型運用當然在大多簡單的業務模型下是沒有問題的，也能夠得出基本有效的結論。但是大多人對漏斗模型的使用停留在畢業前半年導師給他的一個基本漏斗模型，只是每一次都在生搬硬套填寫每個漏斗層級的數據。

這樣生硬的使用方式往往在業務模型出現變化（設計社交分享時候用戶往往不是從頁面進入），用戶行為發生微妙的演變（用戶在看到不完整的頁面信息以后跳出進行了搜索，但是最終還是下單了）時候完全失效。

所以更倡導的是掌握用戶路徑分析方法的核心思路，不是直接套用現成的漏斗模型，而是嘗試先繪出用戶從接觸你的業務第一時間開始，像講一個故事一樣的，描述清楚用戶可能的走向，直到來到最終的成交轉化環節。以此思路梳理出的用戶路徑，找出關鍵點，才能構成真正有效的漏斗模型。

在社交化，垂直化，去中心化業務（社交電商，分銷等）越發普遍的時代，用戶的瀏覽路徑遠遠復雜過傳統的主頁-專題頁-商品詳情的模式（傳統的電商，門戶業務都是），掌握這個用戶路徑分析的核心思路才能幫助你真的跟上業務變遷。

4. 黑盒分析

當一個業務或者一個模塊其中的運作機制太過復雜，導致分析其運作邏輯成本過高甚至無法分析的時候，黑盒分析思維給了你一條輕松簡單的路徑：把搞不清楚的復雜的運作機制當作一個黑盒，只考慮這個黑盒的輸入結果和輸出結果，尋找輸入和輸出之間的關系。

其實人類大部分的科學結論都是通過黑盒分析得出的，比如說：科學家發現在迪廳里面桌上放一把法拉利的鑰匙就會有很多小姐姐被吸引過來。

黑盒分析的理論不難理解，但關鍵是這個思維在合適時間的合適運用，一定程度上黑盒分析和以上說的深究原因的數據體系管理掌握事實全貌是有沖突的。

但太多時候我們糾結于一個項目的細節太久太久，總要一定深究一個難以定義的原因到底是什么。當你發現一個只是引起線性變化的因素把項目團隊困在分析當中太久導致效率低下的時候，適時的把一些不關鍵的或者無法分析的部分打包成為一個黑盒，用輸入輸出之間關系來分析也能得出有效的結論。

合理運用黑盒分析思路，能夠幫助你提升很多效率。

5. 大數據思路-簡化為模型

這個思維講究的是，當數據量足夠大的時候，要學會把復雜的個體簡化為大數據個體，簡化的過程是提煉其中關鍵的，必要的因素而去掉那些毫不相關的或者是個體差異巨大但整體差異可忽略的因素的。

比如很多電商的大數據運用，會將每個人打標上收入和城市層級，因為這兩個屬性的交叉構成了基本的消費者模型：一線城市的有錢人喜歡追求潮流，一線城市的窮人可能喜歡買優衣庫，低線城市的有錢人喜歡買奢侈品，低線城市的窮人喜歡買純粹的便宜貨?？赡軙幸恍┮痪€城市的摳門土豪并不愿意買個戴森，但不關鍵，這是大數據思維。

搭建最簡單的用戶模型是大數據思維的本質。

活動運營往往需要面對的業務情況就是通過目標用戶的分析來進行業務策略的制定，而你的業務目的是什么決定了你需要進行的用戶模型搭建，用戶模型搭建決定了你的專題頁面線索布置和分類。

例如：你在負責一個銷售月餅的活動，銷售月餅是你的業務目的，可能這個目的關聯到的用戶模型引子是用戶為什么買月餅，和用戶買的起多貴的月餅。所以你進行了：土豪送禮、窮人送禮、土豪自己吃、窮人自己吃這樣的用戶模型搭建。

接下來需要做的事情很直觀了吧~

最后

以上，即是我對于活動運營，需要掌握的數據管理和數據分析能力的定義和解析。重要的是，理解這些原理，具體的工具百度就有大把，但脫離了對原理的理解，無腦的使用，你就很容易被數據欺騙。

完了，各自領悟吧~

#專欄作家#

SKY#沙鉉皓，微信公眾號：skyhahalife，人人都是產品經理專欄作家。騰訊，京東7年專注活動運營領域；砍價，眾籌禮包等社交裂變模型原創者。

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Unsplash，基于CC0協議。