文章更新计划：
鉴于上一篇活动运营的文章有小伙伴反应文章篇幅过长阅读起来比较费劲，因此此次数据运营初步计划整体分为4篇文章来进行编写，初步计划3–4周更新一篇。
文章背景：
数据运营系列文章，基于自己近几年的工作经历感悟来进行编写。毕业后在台湾排名NO.1的互联公司工作了几年，主要的工作内容就是处理公司的数据收集、数据分析、编写数据报告为业务发展提供支持，工作中见识了成熟的数据运营体系是如何为业务拓展做决策支持，开阔了自己的眼界；后来在一家互联金融创业公司工作，在这份工作的中，亲眼目睹了数据运营在创业公司“鸡肋”的生存现状；现在在一家出于成长型的互联网金融公司，可以感受到业务部门对数据运营的强烈需求及数据运营对于业务的强有力支撑。
5000字，解读数据运营的道术器（思维篇）
文章结构：
一：数据运营是what？
数据运营有广义和狭义之分。
狭义的数据运营就是指数据运营这个工作岗位，与活动运营、产品运营、用户运营、内容运营….等等都属于整个运营体系的分支。主要的工作就是从事数据的采集、分析、提供决策支持，支撑整个公司的运营体系往精细化运营方向发展。一般公司常见的数据运营定位都是属于狭义的数据运营，这也是此次系类文章重点分析的内容。
广义的数据运营是指一种思维方式，是指“用数据指导公司的运营决策、驱动业务增长”的数据化运营思维方式。相对狭义的数据运营广义的数据运营比较“务虚”，由于道行不够广义的数据分析此次就不重点赘述。
二：数据运营的价值。
数据运营的价值可大可小，往大的方面说可能影响公司的业务方向选择，甚至决定公司的经营成败；往小了说可能影响某一个产品功能的优化、一次广告投放渠道的选择。分享一件曾近发生在自己身上的案例来说明数据运营的价值。某月策划一场拉收活动（如下图），主要的操作逻辑就是用户当日投资年化金额达到某一区间即可获得对应的现金红包。关于区间的设置出现了下面的一段对话：
部门A：这活动设置的起点就是3000元，那不是将低于的3000元的用户挡在了活动门槛外面么？
答曰：此次活动返现比例比较低、通过以往活动的数据分析来看，如果返现比例较低投资金额过低的话返现的奖励对用户刺激不够明显，不能够强化给用户返现福利的效果。
部门B：从4万突然一下子跳到50万中间的跨度是不是太大了，满足不了平台部分用户的需求。
答曰：通过网站后台的数据分析，平台的投资用户有很大一部分都集中在5万元以下，且五万左右是高密度投资区间。
部门C：整个活动设置6个档是不是很多？
答曰：6档的设置是根据后台的投资用户集中程度来进行设置，为活动效果达到最优同时也满足用户的投资需求设置6档是能偶实现双赢。
部门N：………
答曰：……….
以上简单的对话只是日常工作中一个很小的片段但很好的反应数据运营的价值，一方面可以指导自己进行业务优化，另一方面也可以用来回复来自外界的质疑，提升自己的专业性。
三：如何理解数据运营中的“道”“术”“器”？
“道”——是指价值观。是整个数据运营体系的基础支撑，是大家对数据运营的价值认同、理念的理解和认知，属于文化价值观之类的东西，属于“看不见的手”。
“术”——是指科学的方法论。为了完成数据运营体系的搭建需要一套行之有效的理论基础做支撑。正所谓“分析未动、理论先行”。
“器”——是指数据分析工具。正所谓“工欲善其事、必先利其器”，行之有效的数据分析离不开恰如其分的数据分析工具的辅助。
（一）如何理解数据运营中的“道”？
数据运营的“道”一般从价值认同、价值定位两个层面来进行理解。
“穷则思变、变则通、通则达”
A，价值认同。
数据运营首先需要的就是要认同数据的价值，一家公司的数据运营体系能否成功搭建并顺畅的运转首先取决于企业决策者、管理层能否从战略上进行高度重视数据运营的价值；其次是公司能否形成数据运营的文化氛围人人都有数据运营的观念；最后就是一线的具体执行人员能否正确认识数据的价值及用数据来驱动自己所负责的业务。如此只有自上而下自下而上浑然一体才能将数据运营的价值发挥到机制。如果公司没有形成数据运营的文化氛围大家都拍脑袋做决定也不相信数据分析的价值，那么数据运营只是走形式而已。
B，价值定位。
“如果你不能理解它，那么你就不能有效使用它”
成功的数据运营需要对数据分析有清楚的定位，既不能轻易的否定数据分析的价值也不能将数据分析神话。数据运营的基础来源于对业务的精确把握，脱离了业务谈数据分析一切都是空谈。数据分析的最终目的是服务于公司的各项目标，因此需要对所在行业的背景、业务内涵、产品、用户有着深刻的认知，只有弄清楚整个业务体系才能有效的定位数据运营的价值，实现最终的增长目标。
（二）如何理解数据运营中的“术”？
认同了数据运营的价值，接下里我们就需要有对应的方法论作为突破口来指导我们搭建数据运营体系。“
术”一般从以下两个层面展开：数据分析框架、数据分析方法论。
A，数据分析框架。
我们做数据分析的终极目的就是为了更好的服务用户，因此用户是数据来源也是数据分析最终服务对象。数据分析框架自下而上依次为数据规划、数据采集、数据分析、数据决策。
1、数据规划。
数据规划是整个数据运营体系的基础。“凡事预则立不预则废”做数据规划前我们要搞清楚我们的目标是什么，只有先搞清楚了自己的核心目标是什么、需要什么样维度的数据，才能指导下一步的数据采集和数据工作。数据规划一般从指标和维度两个方面来展开：
指标：
指标的选择来源具体的业务目标，用来衡量具体的运营效果，如：净入金、净利润、投资转化率等等。如以公司的利润作为核心指标来做一个简单举例分析：
利润（核心指标）=销售额-成本=流量*转化率*客单价-（固定成本+运营成本+人员成本）
举例分析：
3月份净利润突然大幅度上涨，老板需要知道具体的原因。
因三月份是租房的旺季且公司投放了电视广告，注册新用户增多，购买付费产品的新用户、老用户人数大幅度上涨，在固定运营成本、人员成本不变的情况下销售额远远高于成本，因此本月的利润大幅度增加。
维度：
“不谋全局者不足谋一域”
维度主要的目的就是对指标的属性进行细分，如：流量的来源、人口属性、地域属性、设备属性、用户行为属性等等。
数据分析维度体系一般分为宏观数据、中观数据、微观数据。宏观数据分析的是所在行业的整体情况，中观数据分析的是自己的产品整体状况，微观数据分析的是产品或者运营的具体某一个点的运营状况。三者相辅相成浑然一体，共同服务业务目标。
数据收集：
数据收集是数据化运营体系的底层支撑，数据是整个运营体系的基石。
数据收集的维度：
一般从流量数据、行为数据、业务数据、外部数据来进行收集。
流量数据：是数据收集的起点，流量数据反应用户的来源渠道，是通过搜索引擎、APP还是通过付费渠道，通过记录分析流量数据来源可以全盘掌握平台产品的流量来源分布，为网站进行营销活动、产品运营规划提供有力支持。如：公司每周例会都会对平台的渠道营销情况进行数据统计分析按照不同的权重进行打分排名，除了掌握本周的渠道营销情况外同时也是为下周的渠道费用比例分配提供数据决策依据。
行为数据：主要是记录用户在产品上的一些操作行为，如打开APP、各个模块的点击情况、投资转化情况等等。通过对用户行为数据的分析，能够从更小的粒度精确的产品、运营情况，为下一步的产品优化、具体的运营策略提供决策支持。如活动落地页的调整、产品功能优化。
业务数据：业务数据在产品运营过程中产生，如举办了一场拉收活动，有多少用户投资进行了投资、投资金额主要集中在那一个区间、新用户和老用户的投资占比事多少、复投率是多少等等都属于业务数据。
外部数据：外部的数据一般来源于第三方，如行业报告、百度指数、微博指数、政府报告、芝麻信用、竞品情况数据分析等等。外部数据一般用做对所在行业的整体整体情况进大体的把握以及和竞品横向比较分析，主要是一种参考作用。
数据收集的方法：
常见的数据收集方法代码有埋点、无埋点。
代码埋点：在产品中手动添加统计代码统计需要收集的数据。如国内的百度统计、国外的Google analysitics等工具。
无埋点：无埋点国内的集大成者当属GrowingIO，它改变了先定义在采集的流程，只需要加一个sdk就可以采集全部的用户行为数据，可以根据自己的需要随时进行灵活的数据建模分析。
数据分析：
数据分析是整个数据运营体系的重点工作，我们最终的目的是通过数据分析定位问题，提出合理的解决方案促进业务增长，数据规划和数据采集都是为数据分析服务的。
数据分析方法：
选择什么样的数据分析方法要依据业务类型来定，合适的数据分析工具能够让数据分析效果达到事半功倍的效果，如：漏斗分析监测网站的转化率、a/b测试监测分析产品功能、运营策略的优化。
数据分析流程：
完善的流程可以帮助我们快速的定位问题、找出解决问题的方案。设立目标、数据分析、提出假设、排列优先级、开展实验、分析优化是一个完整的数据流程。在确定流程后开始进行新一轮循环，在不断优化中实现增长。
B、数据分析方法论。
“分析未动，理论先行”，成功的数据分析体系离不开正确的分析方法论做底层支撑。
1、“AARRR”海盗理论模型
经典的“AARRR”海盗理论模型是我们常用的数据分析理论模型，在进行数据分析前我们需要知道用户处在AARRR模型中的那个一个阶段，与之对应的关键指标是什么，相对应的分析方法是什么？
2、学习引擎理论模型。
学习引擎理论模型来源于《精益创业》中作者倡导的精细化运营方式，主要指导思想就是当我们要在产品上调整一个功能或者优化某一运营策略时，可以来一次MVP进行小范围内测试用户和市场反应，然后通过观察数据来佐证最终的结果是否同预期的效果一致，然后进行不断的调整优化。
（三）如何理解数据运营中的“器”？
“工欲善其事必先利其器”
1、二八法则。
一提到数据分析工具可能很多人都会想到要自己去建设一套数据分析系统，创业小公司由于业务模式不成熟且资源紧张一般情况下不会考虑建设数据分析系统，成长型的公司发展速度快数据分析系统的建设跟不上业务的发展。其实大可不必这样，自建数据分析系统不仅费时费力最终用起来还不是特别顺畅，现在市面上有很多很好的数据分析工具可供我们选择，借助第三方的数据分析工具将我们工作的80%时间放在数据分析上将20%的精力放在数据工具选择和搭建上，以此来提升我们的工作效率。
2、常用数据分析工具。
选择合适的数据分析工具能够让我们在处理业务时做到事半功倍的效果，如市场部门需要对广告投放渠道数据进行监控，那么就应该选择监控渠道效果的统计工具，如百度统计、googleanalystic等；产品人员重点关注用户行为数据，那么就应该选择监控用户行为的数据，如GrowingIO、神测数据等等。当你能能够熟练的使用工具和理解业务场景时，你会发现有些强大的数据分析工具可以进行不停的复用。
简单举例：
好了，到这里数据运营系类第一节思维篇已经完结，后续将会围绕该数据运营的宏观、中观、微观方面进行详细的解读分析，希望大家多多关注。
始发于微信公众号：九山阿童
相关阅读
