數據化運營是目前談的非常多的一個話題，所謂大數據的價值也在于用數據來驅動決定，避免一些主觀的、基于本能的或有認知偏見而導致的錯誤決策，讓所有的決策變的合理且有方向。但其實目前市場上還是有不少的公司并沒有真正的運用好數據這一把武器，我們的數據篇將慢慢揭開數據運營背后的奧秘。

在當下的互聯網時代，幾乎每一個人都知道大數據的強大，每一個企業主都在強調我們要以數據來說話，每一個做運營的同學都知道數據很有用。那么，我們說的運營的中的數據運營，到底是以一個什么樣的東西呢？

這也是我們數據篇里首先要提的：數據它不僅僅是那些阿拉伯數字，它的意義在于它背后的那些“因”和“果”。所以它首先是一個邏輯思維。種的什么樣的“因”，才能得到什么樣的“果”，那我們如何才能知道呢？這個就要依賴于數據了。數據是“果”，而之前的運營工作是“因”，我們要改變“果”，就要改變“因”。

我們先以一個通俗易懂的案例來說一下數據運營的幾個步驟：

我們平時都要定期的去體檢，體檢完成之后我們會拿到一張體檢報告（上面有各種指標數據），我們看了數據之后會和標準數據進行對比，對比完成之后我們會發現我們身體上比較健康的部位和差的部位，然后我們會根據我們比較差的身體部位想解決的辦法，最后我們通過調理或治愈那些差的部位來獲得整個身體的健康。

我們來分析以上步驟：

我們去做體檢，就是我們開始做數據運營這件事了。

每個體檢套餐上的數據數量是不一樣的，我們選擇了哪個套餐，就是完成了我們的數據規劃的工作。

我們拿到一張體檢報告，就是我們完成了我們數據收集的工作。

我們通過對比發現了我們較差的身體部位，并找到了改善的方法，就是完成了我們數據分析的工作。

我們通過實現方法最終把整個身體體質改善，就是完成了一次數據驅動運營。

而那張體檢表上所有的數據，就是我們的數據模型。

我們看下圖，數據運營的步驟：

這一次的體檢，他對我們有什么幫助呢？

• 它直觀的告訴了我們目前身體的狀況。
• 它告訴了我們哪些點是好的，哪些點是差的？
• 它會引導我們對我們身上的某個器官有更深入的了解。
• 它能幫助我們找到改善的方法。
• 它最終讓我們身體變的更健康。

我們把“身體”換成“公司”，數據運營的作用就馬上出來了：告訴你運營當前狀況、告訴你運營情況的好或壞、讓你對用戶有更深入的了解、幫助你找到改善效果的方法，最終讓公司能夠更好的發展。這就是數據運營的作用。

接下來我們進入主題了，我們應該怎么做呢？

我們來看一看體檢那個案例，如果把體檢作為一次數據運營來看的話，要完成首先有兩個必要前提：

1. 知道要哪些數據；
2. 知道每個數據背后意味著身體的什么狀況。

同樣，在我們的運營過程中，我們首選也必須知道：

1. 我們要收集哪些數據；
2. 每個數據背后意味著運營的什么情況。

很多做運營的同學特別是一些新手運營會覺得，數據太多了，感覺什么都有用，但同時又無法下手。其實數據并沒有我們想的那么復雜。

在正式說數據之前，我們先來明白兩個概念：

1. 數據分析是一個極為龐大的學科，在各行各業各領域都會大量的應用，需要統計學、數據庫技術、編程技術等。我們這里說的，只是在一家公司業務體系下，針對用戶，圍繞用戶所進行的的一些數據運營工作。
2. 數據運營是一個向下無極限的工作，理論上來說，隨著數據量的增大和維度的不斷拆解，可以無限制的精細化。

舉個例子：我們統計了1天的新增用戶量。這個是普通的公司會收集的一個數據。但隨著數據量的上升，我們可以對此進行維度拆解：

• 比如維度區域：我們拆成省份，再拆變成市，再拆變成區縣、再拆變成區域 ……
• 比如維度時間：我們拆成每小時，再拆變成每分鐘，再拆變成每秒鐘……
• 比如維度人群：我們拆成性別，再拆變成職業，再拆變成年齡……
• 比如維度設備：我們拆成操作系統，再拆變成手機型號……

如果我們拆成以上的維度，我們很有可能得到一條極其精細化的數據，比如：在某天的幾點幾時，在某市某小區里面，一個25歲的女性，職業是教師，拿著iphone7手機，成為了我們的用戶。

只要掌握了我們面向對象的思維，拆維度并不難，我們只需要判斷的是：在我們當下的運營工作中，需要拆到哪個維度就可以了。

我們常說的大數據中的“大”，其實就是數據量的“大”+ 維度的“多”。

接下來我們要開始規劃我們的數據了，我們的運營工作中到底有多少核心指標呢？

第一步：我們要找到我們最頂層的核心數據指標

所謂最頂層的數據指標，其實就是一個指路的方向，它引導著我們所有的運營工作忘一個方向去前行。也是一家公司的總戰略方向，這是必不可少的一點。那我們怎么確定我們最頂層的數據指標呢？我們可以回顧一下我們的《思維篇｜如何成為一個運營大牛（二）：運營立方體》，我們就知道，拋開產品之外，對絕大部分公司而言，最重要的指標就是：用戶量和單客利潤，單客利潤也稱ARPU（Average Revenue Per User，即每用戶平均收入）。

?大家通過前面的篇章也了解，除了像電商之類的是直接從拉新到轉化一步打通，大部分情況我們在轉化之前，需要做留存和促活兩步的鋪墊。所以我們要獲取ARPU之前，留存率和活躍度非常重要，所以：留存率和活躍度（一般用日活做標準，簡稱DAU）這兩項指標也是頂層的核心指標。

顯然，這是我們最重要的幾個數據指標。這樣，我們確定了最頂層的四個常用的核心指標：用戶量、留存率、活躍度（DAU）、每用戶平均收入（ARPU）。其實以上四個指標也是對應了我們拉新、留存、促活、轉化四步。

第二步：最頂層的數據指標只能有一個

雖然用戶量、留存率、活躍度（DAU）、每用戶平均收入（ARPU），這四個指標都是非常的重要，也是在運營的工作中必須需要同時抓的，但是運營的不同階段，我們也必須在這四個里面選出一個老大來。這個沒有一個明確的選擇標準，會根據公司的實際情況（行業、模式、背后的資本支持等）進行調整。一般來說初期會以用戶量，中期會以留存和活躍度，后期會以每用戶平均收入為核心指標，如果一家創業公司進行融資，產品算是A輪的話，那么以上幾個指標分別對應的可能就是B輪、C輪和IPO輪。

第三步：我們開始往下拆分我們的指標

我們知道用戶量、留存率、活躍度（DAU）、每用戶平均收入（ARPU）這四個指標是我們的核心指標了，但如果只是看這四個指標的話，會在很多的情況下有失偏頗，所以圍繞著這四個，我們還有一些重要的核心指標。

1、用戶量

看過前面文章的同學都知道，我們的用戶量是通過渠道來的，而渠道來源于：自有產品渠道、外部免費渠道、外部收費渠道。不管是以上哪種，我們做的都是：讓某內容，在某個渠道下的曝光后，讓某些用戶看到，最后獲取到了用戶。

那么，在不考慮渠道成本的情況下，如自有渠道和免費渠道，我們都可以分解成以下兩個數據指標：UV（獨立訪問數）、新用戶轉化率。而新用戶轉化率=本次新增用戶數/ UV（獨立訪問數）。

在考慮渠道成本的情況下，我們必然又多考慮一個指標：新用戶獲取成本。

比如：

• 渠道A：投放10000元，帶來5000流量，轉化成1000個用戶，轉化率是20%。
• 渠道B：投放2000元，帶來3000流量，轉化成450個用戶，轉化率是15%。

以上述的數據來看，雖然渠道B不管在流量、轉化率各方面都低于渠道A。我們還是會優先選擇渠道B，因為它的新用戶獲取成本比較低。

當然，不能僅僅以新用戶獲取成本來判斷一個渠道的好壞，我們還要綜合考慮這些用戶后期的留存和活躍情況，否則就要慘遭羊毛黨的毒手了。

這樣，我們在這個環節多了三個核心指標：UV（獨立訪問數）、新用戶轉化率、新用戶獲取成本。

2、留存率

留存率比較容易理解，就是指一個新用戶在一定時間之后，仍然留下來的比例。由于留存率是一個線性的概念，所以我們一般從時間的維度對他進行分解，我們又多了三個常用的核心指標：日留存率、周留存率、月留存率。一般我們主要看月留存，但日留存和周留存對一些高頻使用的產品是非常重要的。

3、活躍度（DAU）

其實“活躍度”這個東西，不同的公司不同的產品，都沒有一個明確的界定。特別是一些低頻的產品，比如旅游型APP，大部分人會在想旅游的時候才會打開，這種時候就要用一些高頻的輔助輸出來支持了。參考《結構篇｜如何成為一個運營大牛（四）：一圖覽運營》

日活也是一個線性的概念，但它不能單獨來看，必須結合日活增長來綜合考慮，原因我們舉個例子：

某產品第一天的日活為10000，第二天的日活是11000。從表面上看數據不錯。

但實際上第一天里面有2000個是當日新增并活躍（DNU），第二天里面也有2000個是當日新增并活躍。所以第一天的日活增長為2000/10000=20%，第二天的日活增長為2000/11000= 18.2%。換句話說，日活確實是在增長，但是增長的加速度減慢了。

?大家通過物理知識都知道，加速度是一個非常重要的東西，當加速度開始減小的時候，雖然速度還是在增大，但也是呈衰退趨勢了，需要我們警惕。如果有一天日活增長為0的時候，那就說明沒有新增活躍用戶了。當時Facebook的扎克伯格去見投資人的時候，亮出的所有數據全部低于當時的競爭對手Myspace，唯獨一個數據：日活增長。通過這個數據投資人相信了Facebook會在一年內超過Myspace，而事實也確實如此。所以，日活增長也是我們的一個核心數據指標。

這里，我們又多了兩個核心數據指標：當日新增并活躍DNU、日活增長（DNU/DAU）

4、每用戶平均收入（ARPU）

ARPU是一個有時間的數值，一般以月為單位。一般理解為每一個付費用戶的平均月收入，公式為月總收入/月付費用戶數。所以ARPU必須和付費用戶數聯系起來一起看。舉個例子：

• 公司A：一個月收入為10000，免費用戶990個，付費用戶10個，月ARPU值為1000。
• 公司B：一個月收入為50000，免費用戶500個，付費用戶500個，月ARPU值為100。

?從這個例子看，雖然公司A的ARPU值遠大于公司B，但肯定沒有公司B好，原因就是付費用戶轉化率沒有B高。所以，這里我們又多了一個核心指標：付費用戶轉化率。

另外，我們知道一個概念，就是：每一個產品是有生命周期的，有些長，有些短。舉例：

• 產品A：它的生命周期為三個月，它的ARPU為1000元/月。
• 產品B：它的生命周期為1年，它的ARPU為800元/月。

那么很顯然，產品B比產品A更有吸引力，所以我們需要再引進一個指標，用戶生命周期價值（LTV）。即為用戶在整個產品的生命周期中，貢獻的價值，如上例：A為3000元，B為9600元。

但凡說到收益的東西，我們就必然要想到成本，大家還記得我們運營結構中的那個盒子么，有入口和出口，所以，投資回報率ROI也是我們必須要抓的一個核心指標。

好了，到這一步為止，我們已經把整個運營中最重要的這些核心指標列了出來。當然，我們還可以繼續：

第四步：根據實際的需要再繼續往下拆分

前三步的幾個數據指標幾乎是任何公司必需的核心指標，從這一步開始，基本就沒有什么標準了，不同的行業不同的公司不同的階段，都可以不斷的往下無限制的細化。比如：

新用戶需要注冊的，我們可以分為：引導頁轉化率、注冊頁轉化率、完成頁轉化率等。

渠道可以根據渠道的類型（CPM、CPC、CPA），我們可以再拆分為：到達率、點擊率等。

流失這塊可以分為：付費前流失率、付費后流失率等。

活躍這塊我們可以根據設定的活躍標準分為：輕度活躍率、中度活躍率、重度活躍率等。

成交這塊我們可以分為：收藏轉化率、訂單轉化率、成交轉化率等。

我們還可以根據時間維度、區域維度、設備維度、用戶維度等等各種維度在上面的基礎上不斷細化。

科技的進步從某個程度上來說也意味著數據的不斷精細化吧，或許這就是人工智能的未來吧。

好了，至此，我們把我們要的一些核心數據指標全部列出來了，如下圖：

我們之所以要把以上數據指標單獨每個解釋一遍而不解釋其他數據，是因為以上指標直接關系著一家公司的生死存亡，是我們運營體系中最重要的核心指標。在我們的運營體系中，這些指標都屬于三維空間的指標，而其他的都屬于二維空間或一維空間的指標。至于運營指標的四維空間，我們會在下一篇中結合分析方法進行描述，敬請關注。

接下來，我們用一道小題目來思考一下：

題目：? 我們現在在運營一款產品，它的運營數據如下：

產品的新用戶日、周、月留存分別是80%、40%、20%，此后穩定在20%

我們把留存中的前20%設定為活躍用戶

我們產品中有一款付費產品，每次交易可帶來10元的利潤

這款產品的生命周期為1年

所有活躍用戶平均每2天登錄一次，每3次會產生1次交易

所有非活躍用戶平均每6天登錄一次，每5次會產生1次交易

在產品第三個月初的時候，我們準備了一次軟文投放，按慣例這篇軟文的注冊轉化率在5%，此次投放金額10萬元。

問題：?

1. 本次軟文的閱讀量達到多少的時候，基本可以確保收回投資？
2. 假設此時有另外一家渠道報價CPC單價為1元/次，那么我們在該渠道上的預計ROI是多少呢？

（注：如果您的計算時間超過5分鐘，那么應該就是方法不對了。）

大家可以稍微思考一下，我們將在本文結束的時候公布答案。

我們先繼續本篇的內容，剛上面的這張圖可以算是我們的運營的數據體系了嗎？

不，還不是?？v使我們把很多的維度都細化了，也只是算是一個數據模型，還達不到數據體系的要求。因為以上的數據是加工過的數據，是表現層的。

什么意思呢？我們來看上面的那些數據，什么轉化率、留存率、活躍率啊等等，這些其實是我們主觀要的數據，而非直接可以拿到的數據。也就是說，我們要的是一個加工過的數據，而我們要拿到這些數據，我們必須要有接入層的原始數據。

我們來舉個例子：

我們做了一次活動，有成兩個頁面，分別是引導頁、注冊頁，在A渠道上進行投放。我們現在想知道本次活動在A渠道上的新用戶轉化率。

我們要的這個新用戶轉化率是一個加工后的數據，在原始數據里是不會直接告訴我們這個數據的。所以我們必須要根據這個加工后的數據，來設計它的原始數據。如下圖：

我們根據這個表，我們可以知道，A渠道上來了4個人，通過他們的行為記錄，我們可以知道，最后完成注冊的有1位，新用戶轉化率是25%。這里，用戶來源、用戶、行為、時間是原始數據，最后新用戶轉化率是加工后的數據。

原始數據一般通過以下幾個方面去獲?。?/p>

（1）通過用戶的屬性和行為來設定

比如用戶的年齡、性別等以及用戶做了哪些行為操作等。

（2）通過產品的功能細分來設定

這個主要針對的是APP等一些互聯網產品，整個產品流程中每一個細分功能的數據，比如：收藏、評論、領優惠券等等也是我們的原始數據。

（3）通過外部數據的調用

一般就是調用外部產品的API接口，比如調用了微信的接口，我們就獲取了我們微信上面的各種數據。土一點的辦法也可以通過報表的導出和導入來實現。

我們要搭建我們最終的數據體系，需要首選確定我們的加工數據，然后再根據這些加工數據，來搭建其背后的原始數據。這樣，才算真正完成了數據規劃。

最后我們來看這么一張圖：

我們通過收集接入層的原始數據，進行加工，產出加工的數據，進行展現，再通過分析的手段進行分析，找出問題并形成有效的運營解決策略，再進行實施，最后產生新一輪的原始數據。這就是數據驅動的一個閉環。

好了，到這里我們才算真正的把數據運營前期的數據規劃工作全部做完。但值得一提的是，數據的規劃不是一步到位的，事實上也很難一步到位。我們應盡早盡可能的把數據體系搭的完善一點，并在運營的過程中不斷的完善和優化。希望本篇也能幫助您完成你自己的數據規劃。

最后，我們就用上面的小題目的解題來完成此篇文章吧：

• 先辨別出此處的日留存、周留存是個坑。
• 算出LTV：
  1. 假設有100個新用戶，那么會產生20個留存用戶，其中4個為活躍，16個為非活躍.
  2. 活躍用戶的平均產出是1筆交易/6天，即5筆交易/月=50元/月，由于產品生命周期還有10個月，所以產出500元/人，4個人即2000元。
  3. 非活躍用戶的平均產出是1筆交易/30天，即1筆交易/月=10元/月，由于產品生命周期還有10個月，所以產出100元/人，16個人即1600元。
  4. 總計3600元，除100，得LTV=36元/人

總投入為10萬元，即需要本次獲取新用戶=100000/36 ≈ 2778（人）

根據5%的轉化率，把2778/0.05=55560（閱讀量）

（1）即至少確保有效閱讀量達到55560，才能保證這次10萬元的投資在10個月后可以收回成本。

（2）CPC單價為1元/次，根據我們的轉化率，我們的新用戶獲取成本為20元/人，結合我們上述的LTV36元/人，我們的投資回報率在ROI=36-20/20=80%。

小結

數據是數據運營的關鍵和前提，最好數據規劃也是數據運營首選要做的一步。當然，我們得到了我們的數據，如何可以有效的展現并合理使用最終產生效果呢，這就要說說數據使用的場景了和數據分析的方法了，請關注下一篇:如何成為一個運營大牛——數據篇（二）：數據使用的三測。

作者：致遠，連續創業者，曾為多家上市公司提供過運營整案服務，曾任 Mr&Mrs連鎖健身互聯網中心總經理，現任 Muma 兒童藝術聯合創始人兼運營顧問，膚智COO 兼聯合創始人。

本文由 @致遠 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