如何做运营数据分析？数据分析方法有哪些？

在公司内部有很多沟通的问题，运营和产品沟通，产品和技术沟通，但是都没有一个共同的“语言”去解决这些问题，但随着大数据时代的带来，我们发现，通过数据进行部门间的沟通就可以保证大家在同一个维度去看事情，而抛弃岗位和身份，只用客观数据说明问题。

本文分享3个常用的数据分析方法和1个增长方案，帮助新手运营同学快速构建数据思维，提高日常工作中的沟通效率。

一、数据趋势分析

趋势分析一般而言，适用于产品核心指标的长期跟踪，比如，点击率，GMV，活跃用户数等。做出简单的数据趋势图，并不算是趋势分析，趋势分析更多的是需要明确数据的变化，以及对变化原因进行分析。

趋势分析，最好的产出是比值。在趋势分析的时候需要明确几个概念：环比，同比，定基比。环比、同比大家都比较了解，定基比就是和某个基点进行比较，比如2016年1月作为基点，定基比则为2017年2月和2016年1月进行比较。趋势分析另一个核心目的则是对趋势做出解释，对于趋势线中明显的拐点，发生了什么事情要给出合理的解释，无论是外部原因还是内部原因。

 

在数据分析的过程中，有很多因素影响到指标，那么我们可以不同维度来逐一考察，比如：渠道，产品版本，来源，关键词，网络，地域，IP，系统浏览器及版本等。

二、数据对比分析

数据的趋势变化独立的看，其实很多情况下并不能说明问题，比如如果一个企业盈利增长10%，我们并无法判断这个企业的好坏，如果这个企业所处行业的其他企业普遍为负增长，则5%很多，如果行业其他企业增长平均为50%，则这是一个很差的数据。对比分析，就是给孤立的数据一个合理的参考系，因为，孤立的数据毫无意义。

以A/B测试为例，最关键的是A/B两组只保持单一变量，其他条件保持一致。比如：测试首页改版的效果，就需要保持A/B两组用户质量保持相同，上线时间保持相同，来源渠道相同等。只有这样才能得到比较有说服力的数据。

三、 数据细分分析

在得到一些初步结论的时候，需要进一步地细拆，因为在一些综合指标的使用过程中，会抹杀一些关键的数据细节，而指标本身的变化，也需要分析变化产生的原因。这里的细分一定要进行多维度的细拆。常见的拆分方法包括：

分时：不同时间段数据是否有变化。

分渠道：不同来源的流量或者产品是否有变化。

分用户：新注册用户和老用户相比是否有差异，忠诚用户和小白用户相比是否有差异。

分地区：不同地区的数据是否有变化。

构成拆分：比如搜索由搜索词组成，可以拆分不同搜索词

细分分析是一个非常重要的手段，多问一些为什么，才是得到结论的关键，而一步一步拆分，就是在不断问为什么的过程。

四、业务场景举例

 

有一个场景是围绕用户关键行为历程加快用户决策周期，以电商产品为例，这个关键行为历程包括：领券促活跃、潜客促注册、注册促下单、洞察习惯促复购，加快用户决策周期也就是帮助用户认可价值、打消顾虑、支付购买。

1、整体路径：在核心流程上加快决策

当我们被某个产品的卖点吸引后，我们的潜意识将“凭感觉”快速替我们做出决策，没有立刻执行决策，不过是因为我们还在寻找理由说服自己，让这个决策看起来合理罢了。

人的欲望是无限的，很多时候，人的欲求会超过一贯的自我认知和行为准则，同时，人又是一个会极度自洽的动物，当我们的某个决策意向明显不符合自我认知与行为准则时，我们潜意识里就会去寻找更多的理由，让我们的决策“看起来”是合理的。

比如你看中一支口红，很让你心动，这时你有了购买冲动，只不过你已经有很多支口红了，再囤一支并不符合你“不过度浪费”的自我认知，所以你开始寻找商品详情页，当你看到：“星你色不流行啦”、“安迪同款精致丝滑”、“平价版Tom Ford”等信息时，你的购买决策可以被这些理由合理的解释，你最终选择了购买。

我们需要给用户足够的理由来完成合理化过程，可以是产品特性，可以是价格优势，甚至可以只是一句心理层面的合理解释，这些理由也许并不需要格外突出，因为这并不是为了吸引用户产生购买冲动而存在的，有欲望的用户为了说服安慰自己，自会寻找到“使TA下单合理化”的信息。

 

以某电商类产品为例，凡注册成功后24小时内没有创建订单的用户都会收到一条短信，短信内容大概是：你有价值128元的新手红包待领取，下载APP立享优惠，一个小小的红包，便终止了一部分用户“犹豫不决”成功下单。PS：上图中的数据来自我们的客户，基于诸葛io的精准触达，有68人成功完成了支付，即，这一条短信带来了核心业务的转化（变现）。

2、业务偏好：不同需求用户精准营销

当我们获取了用户之后，就会对用户的相关数据做分析，得知用户行为习惯，为产品运营所用。通过对用户行为监测获得的数据进行分析，可以让我们更加详细、清楚地了解用户的行为习惯，从而找出运营中存在的问题，有助于APP发掘高转化率页面，让营销更加精准、有效，提高用户的转化率。

例如在什么时间段用户活跃度最高，在这个时间段推送活动，参与度会更加积极，用户接受程度更大。比如分析出在22:00~24:00之间，20-30岁之间的女性最为活跃，那么在这个时候可以选择对女性用户更有价值的活动来做定向推送，设置好推送的活动、时间点和用户群体，以此来增强用户生命力，延长用户生命周期。

3、沉默激活：围绕活跃特点贴心提醒

沉默用户大部分是低介入用户，是否能够再细分出各自的需求，再做用户触达和用户运营，满足其某一次需求。如果用户只是使用基本功能，就不要骚扰他，如一个月做运营触达而用户无反应，持续几次皆如此，则不要再骚扰了，否则产品都不会使用，这类长时间的沉默用户要谨慎处理。

总之，趋势，对比，细分是数据分析中最基础的思维。无论是数据核实，还是数据分析，都需要不断地找趋势，做对比，做细分，才能得到最终有效的结论。