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

(一)

我們來講講另一件可能會貫穿你的運營生涯始終的事情——數據在運營工作中的運用?；蛘?，也可以說是如何用數據來指導你的運營工作。

這里要先提一嘴，數據的背后，其實是邏輯和推理。換句話講，想要讓數據可以更好地為你服務，你需要先有好的邏輯和推理分析能力。假如連這一層都做不到，即便你看過了這篇文章并拍案叫絕，很可能也是只得其形，未得其神。

而至于如何評估自己的邏輯能力，我給一個大體的參照——

邏輯能力較強的人語言表達方面往往是有組織的。說話表達往往有框架有條理，思路清晰。比如，在回答問題時 ta 會喜歡用 “起因-經過-結果”、“案例-問題-分析原因-解決方法” 等框架來進行回答?？蚣懿皇菫榱耸`思維，而是用來整理思路。

在此基礎上，一般談話話題容易跑題萬里拉不回來的人，以及經常容易表達上前后自相矛盾難以自圓其說的人邏輯可能都是比較差的。

但，邏輯這個事，也不是不可以練習，只是一定需要投入大量時間。

比如，嘗試給自己建立某種思考框架(如我們前面說過的 “案例-問題-原因-解決方案” 這樣的框架)，并嘗試在自己所有可能會經歷的相關場景中都持續強制自己使用相應框架進行思考和表達，這樣持續幾個月后，通常是會有些效果的。

此外，也推薦可以參考一下《思考的技術》、《麥肯錫教我的思考方法》、《創新者的思考》、《學會提問-批判性思維》等書，都是我看過關于邏輯和思考方法方面的一些好書。

另外，很多人尤其是文科生在提及數據時往往會覺得比較怵，但數據其實一點也不可怕，只要思路捋清楚了，你會發現數據其實還挺有趣的。在今天的內容里，我就會試著給你呈現一些有趣的例子。

(二)

好了，接下來我們正經聊數據在運營中的作用。

說到數據，阿里的數據系統在整個國內互聯網行業應該是最強大的了，很可能可能沒有之一。

此前有一位從阿里離職的芮曦同學寫過一篇 “我在阿里 3年 的運營經驗都在這里了”。其中對于數據的價值和運營工作中的具體使用場景，我覺得很多地方講得是比較到位的。

如果我們需要總結一下的話，簡而言之，數據對于運營的價值可能包括了如下幾方面——

1.數據可以客觀反應出一款產品當前的狀態好壞和所處階段。

比如，我們定位的用戶群主要是互聯網行業的產品經理 + 產品運營，這群人假如有 300 萬人，目前我們已經有了 10W 用戶，且依靠口碑形成的自增長還比較迅速，那么我們是不是應該去加大一些推廣和營銷的力度，把推廣做得更好一些了?

又或者，假如我們現在才只有 1W 用戶，且課程等產品體驗還比較一般，那其實我們當前的主要核心任務是不是更應該是先節奏慢點兒，踏實把產品體驗搞好了再說?

2.假如做完了一件事但效果不好，數據可以告訴你，你的問題出在哪里。

比如，我們新做了一個圍繞著課程推廣的活動，但結束了之后發現真正愿意去參加課程的人不是太多，那你是不是該去看看，到底是引流引得不夠多，還是課程頁面轉化率太低，還是整個報名流程有問題?

3.假如你想要實現某個目標，數據可以幫助你找到達成的最佳路徑。

這個跟我們上一篇連載提到的東西類似，好比你老板讓你要把銷售額提升 5 倍，你是不是得去看看，銷售額的提升到底該從哪里來更合適?是搞進來更多流量?還是用心把付費轉化率做上去?還是好好提一下客單價?或者老板要的是用戶量提升 50 萬，你是不是得去看看，這 50 萬用戶從哪里來更靠譜?多少可以來自于用戶口碑和自增長?多少可以來自于網盟?多少可以來自于豆瓣小組新浪微博?

4.極度精細的數據分析可以幫助你通過層層拆分，對于用戶更了解，也對整個站內的生態更有掌控力。

比如，某機構這么多課程，我們是完全可以通過數據得到以下問題的答案的——從課程的層面來看看，到底什么樣的課程更受大家喜歡?然后，大家聽課的習慣是怎樣的?是喜歡同一堂課認真聽很多遍?還是一堂課只聽了 3-5 分鐘就走掉了?再然后，一個還沒畢業的大學畢業生和一個已經工作了 2-3年 的互聯網從業者，雖然同樣都是想要學習，但學習習慣和訴求是不是應該是有所不同的?以及，假如我們想要盡其所能的服務好某機構的全部用戶，我們是不是可以把這些用戶劃分為各種不同的類別，然后分別推送給他們不同的課程和學習內容，引導他們去完成各種不同的用戶行為?

5.數據當中可能隱藏著一些潛在的能讓你把一件事情變得更好的線索和彩蛋，有待于你去發現和挖掘。

好比，在某機構的用戶群中，我們要是通過數據的分析發現了這樣一個結論——在過去 1 個月內，但凡是跑到某機構來報名上課的用戶，70%都是因為看了我們的某篇文章才跑過來的，這時候你覺得你應該做點啥?

毫無疑問，當然是把這篇文章放到首頁顯眼處，或者放到新用戶注冊或訪問過程中的某個必經節點上，用它去刺激更多的新用戶啊!

上述 5 點中，關于 1 的部分，也即如何從宏觀上結合產品形態和產品發展趨勢判斷一款產品所處的階段，并制定相應的運營策略，我會在后面連載的第四部分中再具體來聊。

所以，下面，我們來結合更詳細的實例依次聊一下上面提到的 2345 四種價值體現。

(三)

先說第一種：假如你做完了一件事但效果不好，這時如何通過數據來界定問題到底出在哪里。

我們來看一個真實的例子：某 O2O 課程學習平臺，注冊用戶 5W，模式為用戶通過線上付費報名，線下實地上課，日前上線了一個專題，聚合了 6 堂課程進行打包推廣，預期每堂課至少報名 40 人以上，但從結果來看，效果不佳。該專題頁相關數據如下(看不清可點擊放大)：

現在，我們想要知道這個專題的具體問題到底出在哪里，請問該怎么做?注意，這里我建議你可以自己先花點時間動動腦子思考一下，有了一些自己的判斷和結論后，再繼續往下看我的答案會更好。

這里要就要提到我們曾經在《想成為年薪 30W+ 的運營，你必須具備這 4 個 “運營思維”》里提到的 4 個 “運營思維” 的其中之一了：流程化思維。也即是說，要先梳理清楚流程，再來流程來反推問題的所在。

比如說，圍繞著一個課程專題的運營，其觸達到用戶的整個流程大體應該是如下這樣的：

于是，我們可以依據這個流程回過去看，到底整個專題的問題出在哪里?比如說，是推廣本身不給力?還是推廣到專題頁的轉化率太低?還是專題頁的跳出太高，基本沒人進入到課程?又或者是課程頁面到報名的轉化太差?還是說報名后的訂單確認和支付流程流失掉了太多的人?

以及，如果我們已經界定清楚了，以上幾個大環節中的某一個環節存在問題，比如說，我們已經發現了推廣到專題的流量數據太差，那具體又是什么原因導致的?是因為我們去到鋪得太少，還是因為渠道執行力度不夠?還是推廣素材和文案太差?

如果按照以上的思路來對于這個專題的數據進行分析，我們可以發現，該專題的問題可能主要出現在以下幾方面——

1. 專題頁的整體 UV 就很差。累計 1000 出頭的 UV 對于一個專題來說實在是太可憐了。而具體的原因，可能包括：

1)專題上線時間太匆忙?？梢钥吹?，8月3號就要開課的專題 7月31號才上線;

2)專題推廣不是特別給力，具體是鋪設的渠道不夠，還是在特定渠道內沒做好執行，這個可能需要進一步具體去看每個渠道的具體流量構成和結合執行情況來進行分析了。

2. 專題頁的效率普遍較差。一方面是其跳出率超過 40%，另一方面則是從專題頁導到單堂課程的 UV，最多也不過 187，僅相當于專題頁流量的 10%左右，這個效率還是低得有些可怕的。

3.從單堂課程的層面來看，課程 3 對用戶的吸引力可能比較差(報名和課程頁訪問都很少)，課程 4 的課程詳情頁或定價等可能有可以優化的空間(訪問很多，報名很少)，課程 6 則是報名轉化率還不錯，但目測整體在站內得到曝光的機會比較少。

走完了這個例子，是不是感覺數據真的可以幫助我們把問題界定得無比精細，讓我們言之有物目標確鑿?

(四)

下面我們再來說數據的第二類價值體現：假如你想達成某個特定目標，如何通過數據來評估和具體化你的最佳達成路徑?

這個問題，其實跟上一篇連載里提到的 “指標拆解” 一脈相承。

我們也來看一個例子：假如某機構在接下來一個月的目標是要把日均報名上課人次這個指標提升到 20000(當前為 2000)的話，投入預算成本最低的情況下，我們可以怎么做?

拿到這個問題后，我們首先可以依照上一篇連載里提到的目標拆解方法對于我們的目標進行拆解，于是可得——

課程報名人次=網站流量×課程轉化率×人均報名課程數

然后，既然是要把目標指標提升 10 倍，我們要分別評估一下提升 3 個因子的可能性。

先看網站流量，假定某機構的目標用戶主要是 3 歲以內的互聯網產品 + 運營領域的從業者，目標用戶共計約 100W 左右，但目前網站日UV 只有不到 3000，那么以正常邏輯推斷，在網站正常日UV 方面拉升到目標用戶的 10 分之一左右，也就是 10W 應該都是可以的。但這個流量如果是需要在短期內拉動，肯定是需要投入一些費用的。

再看課程轉化率，假使目前網站整體 UV-課程報名人數的轉化率為 2%，同時又經過分析發現，每天訪問課程頁面的 UV 為 2000 左右，那么依據經驗判斷，這已經是一個還算不錯的轉化數據了。按照我們參考其他同類課程學習類網站的數據，3%已經是很上等的網站 UV/ 報名數轉化率。我們在此暫且認為我們經過流程梳理后，可以在加強站內課程曝光引導、優化課程列表頁、詳情頁等布局以及課程文案、優化課程報名流程&體驗等環節均作出一定優化，從而實現 3%的轉化率，整體提升 1.5 倍。

最后是人均報名課程數，假使我們發現目前某機構的平均每用戶報名課程數量為 2 堂，而我們每月會同時開出 25 堂課，且這 25 堂課間往往都是彼此關聯存在邏輯遞進關系的。于是我們可以據此判定了，人均報名課程數這個因子是存在明顯可以提升的空間的。因為某機構目前主要有兩個主要的課程體系，且每個體系課程目前已有很多堂課，所以我們姑且推斷，依靠課程打包、相關課程推薦、站內消息告知、一次性報名多堂課程贈送絕密資料等等一系列運營手段，應該可以把單用戶人均報名課程數提升到 10 堂課左右，整體提升 5 倍。

好了，因為我們的命題要求是 “預算最低”，所以我們的思路一定是優先考慮無預算的指標拉升手段，再考慮有預算的指標拉升手段。那么基于以上的推斷，我們應該可以在不做預算投入的情況下做到以下狀態——

課程報名人次=網站流量×(課程轉化率×1.5)×(人均報名課程數×5)

即，課程報名人次=網站流量×課程轉化率×人均報名課程數×7.5

此時我們發現，如果按照這個推斷，課程報名人次這個指標，已經被我們提升了將近 7.5 倍。也就是說，為了達成 10 倍的目標，理論上我們只需要再投入一些預算，把網站流量再提升到原有基礎 1.33 倍以上即可有望達成預定目標。

至此，我們的這個最低成本達成目標的運營方案，算是成形。

上述這個不斷尋找對標數據來反復進行推導思考的過程，也希望可以帶給你一些啟發。

(五)

下面再看數據的第三類價值體現：極度精細的數據分析可以幫助你通過層層深入，對于用戶更了解，也對整個站內的生態更有掌控力。

還是來看個例子：假如目前所有站內數據可以對我們開放，那么站在運營端，若我們需要對于某機構的用戶行為有更加深入精確的理解，從而更好指導我們的運營工作，我們該以何種思路去對于數據進行分析和比對，從而得出一些更有價值的信息?

這里要先引入兩個數據分析中的基本概念：維度和度量。

簡單來說，度量就是具體的數據指標，它通常表現為某個量化過后的數據值。而維度則是去看待這些指標的不同角度。

舉例，網站的 UV(用戶訪問數)是一個數據指標，而我們去看待它的時候，可以從日期的維度去看，以便評估一周或一個月內哪幾天流量偏高或偏低，是否存在規律;

也可以從 24 小時時間劃分的維度去看，以評估每天在不同時間段的流量分布情況是怎樣的;還可以從地域的維度去看，了解不同地區的用戶訪問使用網站的習慣和情況是否存在差異……

理解了這兩個詞，最終你會發現，所謂數據分析，無非就是界定清楚了你要評估的度量有哪些，然后需要知道你可能有哪些維度去看待這些度量，偶爾可能還需要在不同維度和度量間交叉做一下分析和比對，最后產出結論，把結果用圖表等方式呈現出來就好了。

所以，回歸到這個例子，我們如果要結合具體的產品形態，對于某機構的用戶生態和使用習慣有更加深入的了解，我們或許可以先界定清楚，我們需要去評估的度量有哪些?這個度量需要結合你的核心產品功能來想，因為某機構網站上目前主要的產品功能就是報名學習，以用戶可能會在這個網站上發生的核心行為為主線來看的話，我們要重點關注的是以下三類行為：訪問、報名、上課。于是，圍繞著上述 3 個行為，我們要重點關注的度量就可能包括了：

網站訪問數，注冊數，報名課程數，實際上課用戶數，視頻停留時間，單視頻重復播放數。

同時，對于以上的部分度量，我們應該有一個自己預設的合理區間(這個區間需要基于你自己對于行業和用戶的了解來進行判斷得出，或者是通過持續探索得出)，比如說，單課程的實際上課用戶數為該課程的報名用戶數的 20%-50%之間我們可能認為是比較合理的，那么如果該數值高于或低于了這個區間，均可視為異常。

然后，接下來的一步，就是我們需要再來逐次圍繞著每一個度量來去看看，我們可以有哪些維度去看待它、分析它、評估它。

比如，拿最簡單的課程報名數來舉例，我們要評估這個數據的維度可能包括了日期、時間、地區、新老用戶等，如果要把這個評估做到極致，我們可能需要從每一個維度依次去評估報名數這個指標的變化，從中發現一些線索或結論。

基本上，這種評估的出口有二：

一是判斷數據是否有一些異常需要注意的情況(如果出現異常數據，一定要分析原因);

二則是為了給自己的運營工作找到一些方向性的指導，比如說，我現在要是想要發起一個要把站內課程月報名數提升 10 倍，我是否可以從用戶行為和習慣之間去得到一些具體的啟發?且，很多時候，這兩個目的是可能會合一的。

好比，假如我們看到過去 30 天里的報名數據是這樣的：

那么我們是否就需要去看一下，在報名數開始激增的那幾天里，到底發生了什么?是因為我們有意識的做了一些推廣和活動?還是因為上線了新的課程?還是因為發生了什么別的事情?

而，假如你發現，如果相應數據的激增是因為課程信息偶然間被人分享到了某個社區內(比如知乎)并引發了一輪小小的傳播，那么接下來你如果想要從運營端做一些事來提升課程報名數這個指標的話，你是不是就可以有意識的在知乎去做一些事?比如認真分析一下之前的內容為什么能在知乎引發傳播，然后把傳播點提煉出來，用更適于知乎的形式去進行一輪包裝，并想盡辦法在知乎再進行新一輪的擴散。

事實上，我個人就曾經親歷過類似的案例，2009年 前后，當時我所供職的一家互聯網公司，就曾經因為發現我們的某個產品被用戶在人人網分享后帶來了過萬的 UV，從這一線索入手，我們開始深耕人人網，最后在短時間內給該產品帶來了數十倍的數據增長。

另外，這種數據分析的另一個維度，就是依照你的常識對用戶進行劃分，再去分別看數據 + 結合用戶訪談，了解不同類型的用戶，在具體行為習慣上可能會有哪些不同。

比如，因為某機構主要解決的需求是學習，還沒有工作經驗的大學生和工作了 2年 以上的互聯網人，理論上學習習慣肯定是不同的，此時我們就可以分別從數據上去觀察，這兩類人的訪問、報名、聽課、課后作業包括學習產出和效果等等一系列行為上存在多大區分和差異。

當這些問題界定清楚后，事實上你是可以根據用戶類型的不同，分別推送給他們不同的服務和引導他們完成不同的用戶行為的(比如已工作的上來先做個任務，還是大學生的則先去聽兩堂入門課)，這樣精細化的運營可以大大助推你的用戶留存和活躍。

最終，假如你手邊的數據足夠充分，且這種從度量&維度切入的分析做到極致，理論上你會對于整體站內用戶的構成、行為習慣和當前產品的主要問題做到了然于胸，也會對于站內的整體用戶生態更加具有掌控力。

這里再補充兩個小說明：

第一，理論上，假如作為一個運營負責人，我們應該對于每一個關鍵性的用戶行為都定期(比如每三個月或每半年)進行全方位多維度的分析，做到對于每一個關鍵用戶行為的用戶習慣和當前產品指標中的問題點了然于胸的。

但，事實上是絕大部分運營都可能看不到那么全的數據，這里面原因有很多，比如數據后臺不完善，沒有數據權限等等，這時候我們該怎么辦?

我的建議是：

1. 不管看不看得到，你都要讓自己具備這樣的分析問題和解決問題的意識 + 能力;
2. 如果某個數據的缺失已經嚴重影響到了你的工作開展，一定要向老板持續溝通持續要，直到拿到為止;
3. 如果只能拿到局部數據，那就先對局部數據進行一些分析和推斷，再帶著你的一些假設去工作，以工作成果來驗證你的假設。再隨著業務的發展和要求不斷去完善數據需求。

第二，對很多產品來說，往往都是 20%的重點用戶，給該產品帶來了 80%的價值。

所以，無論是分析數據還是具體開展運營工作，你也要培養起來這樣一個意識：要重點去關注對你最有價值的那部分用戶，把你至少 50%左右的精力用于去關注他們。

比如說，你站內更加活躍的用戶，更愿意貢獻內容的用戶，更愿意參與用戶服務和管理的用戶，等等。

(六)

承接著上面講到的例子背景，接下來我們可以把最后一個點也一并講了——

數據當中可能隱藏著一些潛在的能讓你把一件事情變得更好的線索和彩蛋，有待于你去發現和挖掘。

關于這件事，基礎的邏輯可能是這樣的——

第一，你先找出你的產品中，當前可能存在問題的某個關鍵度量(或稱指標)。

第二，對于這個度量進行縱覽，從它的構成去看：是否所有用戶或我們的所有服務在這個度量上的表現都很差?還是說有一部分用戶或服務在該度量上的表現是會顯著好于其他用戶或服務的。

第三，你可以對于那些表現顯著要好的用戶和服務在不同維度上進行進一步挖掘，尋找其背后的一些共性用戶行為或特征，然后再把這些特征放大到極致。

比如說，某個月某機構站內課程報名量表現不佳，明顯走低，按照上面所說到的邏輯，我們可以依次來進行如下思考和判定——

1. 把當月的所有課程的報名數都列出來，然后去觀察，是否所有課程的報名量都很差，還是有一些課程的報名會好一些。最終我們發現，其中存在 6 堂課程，它們的報名數普遍高于其他課程 2 倍以上。
2. 我們把報名量很高的這 6 堂課程歸類到一起，然后依照各個維度去看一下，它們之間是否存在一些共性?比如，都在某個時間開課，都是某一個品類的課程，都是某位老師的課程，文案都是按照某個模板來寫的，或用戶在報名這些課程前都接受了某種特定的引導，等等。
3. 最終，假如通過這樣的比對，我們可能得出了結論，比如說發現這 6 堂課程使用的都是同一個文案模板，或者用戶在報名這 6 堂課程前普遍都看過了我們的某篇文章之類的，那么這時候，我們就已經找到了一個可能能幫助我們把事情變得更好的線索了。

于是，接下來，我們最應該做的事情，可能就是把相應的文案模板復制到其他課程的文案介紹中去，或者引導更多的新用戶在報名上課之前都去看一看我們那篇神奇的文章。

講到這里，我們今天的內容也就差不多了。我猜，通過今天的連載，你對于數據與運營間的關系，是能夠更具體深入一點兒的。

如果打個比方的話，但凡打仗想要獲勝，你既得有上陣殺敵的本領，又要能夠運籌帷幄，找對你的突破口和取勝策略。策略和突破口沒找對，很可能任你有萬夫不當之勇，仍然無情湮沒于人海中;而硬本領不夠強，則策略再好，你也根本沒有取勝的可能。

這當中，數據對于運營的作用與價值，就是它幫助你找到一塊戰場上的發力點和突破口。

換句話講，一個不懂得跟數據打好交道的運營，很可能到了戰場上，會是盲目的。

但同時，數據也是一個很龐大的分支，關于各種數據分析的策略、方法、工具之類的，如果真的要放開了去講，可能又是一本書。

考慮到這個連載的系列主題本是 “運營”，且大多數運營都應該涉及不到那么深和高級的數據分析技巧，我們在這里的目的，可能只是希望你能對于數據與運營工作間的關系有一個較完整的理解，以及理解一些基本的數據意識和分析思路，了解真正把運營的精細化要做到極致，數據是需要在其中扮演必不可少的作用的。

來源：微信公眾號：itongji