数据运营方法论

战略方法论

1、4P营销理论

产品（Product）

目前销售的产品有哪些？其中哪些实现了盈利？哪些还在亏损

产品如何满足用户需求

产品的目标用户是谁？

......

价格（Price）

产品定价机制怎么样？总体收入如何？毛利如何？

价格、用户期望、成本、毛利、市场供需之间的关系如何平衡的？

促销（Promotion）

有哪些促销方式？哪些促销方式的效果最好？

线上、线下促销对比，投入产出比怎么样？

渠道（Place）

各个渠道的渠道质量如何？

各个地区渠道覆盖率如何？

用户对各个渠道的偏好如何？

2、5W2H

what何事、why何因、where何地、who何人、how如何执行、how much何价，此方法比较适合应用于项目的规划和架构建设，尤其是在向领导汇报时可以采用。

3、PEST

PEST一般用于对宏观环境的分析。P（political 政治环境）E（economic 经济环境）S（Socail 社会环境）T（technology 技术环境）。

4、SWOT

SWOT是战略分析的一种方法。S（strength 优势）、W（weakness 弱势）、O（opportunity 机会）T（threat威胁）

5、逻辑树

将问题拆解成小问题。拆解原则MECE（相互独立、完全穷尽）

战术方法论

6、多维分析

对于指标维度的细分，包括维度的下钻细分，上卷聚合。

7、趋势分析

同类指标基于不同时间周期的对比，主要是指标的同比和环比

8、综合评价法

综合评价法是通过将多个指标整合成一个综合指标来评价的方法，评价过程中会涉及到指标权重的设定，可分为主观赋权法和客观赋权法（变异系数法、熵权法、主成分分析法）对这一部分感兴趣的朋友可以读一下小狮之前分享的文章《论权重》

9、转化分析

转化分析用于分析产品的流程或关键路径转化效果，常借助漏斗图展现转化效果。常用方法AARRR分析方法即获取用户（ Acquisition）、提高活跃度（ Activation）、提高留存率（ Retention）、获取营收（ Revenue）和自传播（ Referral），简称 AARRR

10、数据挖掘方法

这里主要是聚类、分类、回归、关联分析等机器学习方法

11、可视化

环形图、矩阵图、组合图、词云等适用场景

12、ABTest

对比实验法，常用于决策优化、网页优化、产品优化、运营策略的一种比较策略。

13、其他方法

还有一些其他数据分析方法本书中没有提到，比如：二八分析、象限图法、杜邦分析法、RFM等读者可自行百度学习。

数据运营案例分析

1、案例竞品数据对标分析

这个案例全篇都在讲爬虫，网页获取、解析、数据存储、爬虫部署等相关内容，这部分内容大家可参考我之前的文章《白话网络爬虫——入门篇》，个人感觉这个案例更像是爬虫工程师的工作，读者可自己选择是否阅读。

2、用户特征分析

主要是为了了解用户特征优化运营策略。分为基于用户细分的行为分析，研究活跃用户、新用户、老用户、流失用户、回访用户在产品中行为特征；用户来源渠道分析，对用户来源的渠道进行分析，了解各个渠道的渠道效果；基于前端展示的用户行为分析，分析用户单击转化情况，优化前端页面展示。

3、RFM用户价值分析

这个案例主要是将用户以R（最近一次购买距现在时长）、F（购买频率）、M（消费金额）三个指标表示，通过规则定义或者聚类分析对用户进行分类以及周期价值分析，针对不同的用户客群采取不同的运营策略

4、用户流失分析与预测

本案例根据业务现状结合用户回访率定义流失用户和活跃用户，利用决策树模型预测用户流程可能性，输出流失用户名单，由运营人员重点运营，并对流失用户的特征进行定量分析，挖掘用户流程原因。

5、站内文章自动分类打标签

这是一个NLP案例，可能由于本书成书于两年前，当时BERT还未流行，不然此案例最优的解决方式就是BERT了。本书应用的方法是TF-IDF向量化文章，用朴素贝叶斯进行分类。

6、用户画像建模

这个一个比较大的案例，作者用一整章来进行案例分析。用户画像的本质就是为用户打标签，可分为三类标签：基于统计类的标签，如近七天消费次数、金额等，基于规则类的标签，如消费活跃用户定位为30天内消费两次以上等，基于挖掘类的标签，如通过对习惯行为的分析判断用户真实性别（淘宝将用户性别细分为20多个小类）等。用户画像具体可包括：用户人口属性画像，这里主要是用户在注册时填写的一些基本信息，年龄、城市、生日等；用户个性化标签，用户在产品上的浏览、搜索、关注、收藏、加购物车、付款、评价等行为带来的一系列标签，根据这些行为发生的时间、次数、行为类型进行标签建设；各业务线用户画像，根据各业务线特征设计标签监控用户在该业务线上的操作行为；用户偏好画像，在用户个性化标签的基础上，根据业务规则设定用户各类行为类型的权重、时间衰减方式、标签权重，并通过基于物品相关的协同过滤算法建立用户偏好画像；群体属性画像，用户分群主要用于冷启动阶段，新用户的商品推荐。