讀完這本書打通了“數據化運營”的任督二脈

西北望msm66g9f 2020-08-08

展開全文

一本好書會讓人有讀時恍然大悟，讀后茅塞頓開的感覺，最近我讀了《數據化運營：系統方法與實踐案例》這本書后就是這種感受，瞬間打通任督二脈，“忍無可忍”只好把讀書筆記分享一波。提前預警！！！本文很干，請自備茶水！

一、數據運營、數據分析之間的辯證關系

在說數據運營之前，首先得了解運營是什么？從廣義來說，一切能夠進行產品推廣、促進用戶使用、提高用戶認知的方法與活動都是運營。運營的終極目標是使產品能持續穩定地、更好地生存下去。好的運營是通過推廣、引導、活動等一系列舉措讓產品的各個指標得到提升。

數據驅動運營就是通過數據分析與用戶行為研究讓產品的功能不斷完善，適用性不斷提升，使產品有更長的生命周期。

個人理解也就是“構建”——“衡量”——“學習”的循環。

二、數據運營“硬實力”

數據驅動運營，需要一套支撐數據應用的“硬件能力”。這套能力體現在數據的流轉環節，從海量的數據中提取出有用的模式并對其進行分析、挖掘、應用，包括：數據采集（埋點、爬蟲），數據加工、清洗、建模、挖掘到最后支持到上游的應用。書中用一張圖將”硬實力“提煉出來：

其中，數據源包括企業內部的OA數據、財務數據、業務數據、日志數據、埋點數據以及外部數據。經ETL后存儲到數據倉庫中，數據倉庫包含三層。

ODS層是各業務系統的源數據，會對操作型環境中的數據進行簡單的格式解析、多數據源的合并、設置字段默認值等操作。

DW層對ODS層進行建模加工，提供統計匯總數據。

DM層根據DW層的數據，為各個業務單元定義的集市，輸出相關的主題寬表

有了上面的硬件基礎，企業的數據管理部門還需要對各業務條線的數據梳理出一份全量業務的數據字典，方便數據分析人員借助數據字典了解公司的全景數據，明確數據的分布和蘊含意義。數據字典的能否在企業級的層面做到及時更新，也是數據“硬實力”的重要組成部分。

此外，數據建模層和數據應用層主要是對數據倉庫中的數據進行利用與挖掘，數據建模層主要方便地對數據分析人員查詢分析數據、BI報表的實時展示以及數據挖掘工程師對數據的深度建模與挖掘提供支撐。數據應用層是數據價值產生的出口，可以認為面向的用戶是全體管理人員和業務人員，而不是數據分析人員，可以提供用戶的智能營銷以及個性化內容推薦等功能。

三、數據運營“軟實力”

數據運營軟實力，主要是對人的能力要求。數據團隊作為各業務部門的支持方，團隊內成員主要從事數據采集、清理、分析、策略、建模等工作，支撐整個運營體系朝精細化方向發展。常見崗位包括：數據分析師、算法工程師、爬蟲工程師、數據挖掘工程師等。從工作內容分為：數據治理、數據分析挖掘、數據產品三個層次。

數據治理：

優質的數據是應用的前提。數據治理負責數據系統的架構規劃、數據的標準和規范化作業、數據的權限管理，保證數據的安全性和可用性，定義各業務口徑的數據標準，構建數據集市和底層數據架構，輸出支持到分析人員應用的數據字典。

數據分析挖掘：

數據分析是數據運營的重點工作，其核心是業務方向的數據分析支持。主要包括：

對業務活動進行效果評估以及異常分析，如異常訂單分析、異常流量分析，挖掘業務機會點，給予運營方建議及指導；
收集整理各業務部門的數據需求，搭建數據指標體系，定期向業務部門提交數據報表，包括日報、周報、月報等；
數據價值挖掘，如基于用戶行為數據建立用戶畫像、建立RFM模型對客群進行聚類營銷；
輔助管理層決策，對問題進行定位，輸出可行性建議，輔助管理層進行決策。

數據產品：

負責梳理各部門對數據產品的需求，規劃報表并優化報表，協調數據倉庫的開發資源保證項目按時上線。將數據分析部門建立的挖掘模型、用戶畫像等數據模型做成可視化產品輸出。企業內部常見的數據產品包括數據管理平臺和自助數據提取平臺。其中數據管理平臺支持運營日報查看、實時交易數據查看、業務細分數據查看；自助數據提取平臺滿足業務方對更細緯度業務數據的需求，解放數據提取人員的重復性工作。

數據運營人員需要技能與能力

1、EXCEL數據處理與繪圖

2、SQL類語言

3、Python語言

4、PPT制作能力

5、業務理解能力

四、數據運營方法論

戰略方法論

1、4P營銷理論

產品（Product）

目前銷售的產品有哪些？其中哪些實現了盈利？哪些還在虧損

產品如何滿足用戶需求

產品的目標用戶是誰？

......

價格（Price）

產品定價機制怎么樣？總體收入如何？毛利如何？

價格、用戶期望、成本、毛利、市場供需之間的關系如何平衡的？

促銷（Promotion）

有哪些促銷方式？哪些促銷方式的效果最好？

線上、線下促銷對比，投入產出比怎么樣？

渠道（Place）

各個渠道的渠道質量如何？

各個地區渠道覆蓋率如何？

用戶對各個渠道的偏好如何？

2、5W2H

what何事、why何因、where何地、who何人、how如何執行、how much何價，此方法比較適合應用于項目的規劃和架構建設，尤其是在向領導匯報時可以采用。

3、PEST

PEST一般用于對宏觀環境的分析。P（political 政治環境）E（economic 經濟環境）S（Socail 社會環境）T（technology 技術環境）。

4、SWOT

SWOT是戰略分析的一種方法。S（strength 優勢）、W（weakness 弱勢）、O（opportunity 機會）T（threat威脅）

5、邏輯樹

將問題拆解成小問題。拆解原則MECE（相互獨立、完全窮盡）

戰術方法

6、多維分析

對于指標維度的細分，包括維度的下鉆細分，上卷聚合。

7、趨勢分析

同類指標基于不同時間周期的對比，主要是指標的同比和環比

8、綜合評價法

綜合評價法是通過將多個指標整合成一個綜合指標來評價的方法，評價過程中會涉及到指標權重的設定，可分為主觀賦權法和客觀賦權法（變異系數法、熵權法、主成分分析法）對這一部分感興趣的朋友可以讀一下小獅之前分享的文章《論權重》

9、轉化分析

轉化分析用于分析產品的流程或關鍵路徑轉化效果，常借助漏斗圖展現轉化效果。常用方法AARRR分析方法即獲取用戶（ Acquisition）、提高活躍度（ Activation）、提高留存率（ Retention）、獲取營收（ Revenue）和自傳播（ Referral），簡稱 AARRR

10、數據挖掘方法

這里主要是聚類、分類、回歸、關聯分析等機器學習方法

11、可視化

環形圖、矩陣圖、組合圖、詞云等適用場景

12、ABTest

對比實驗法，常用于決策優化、網頁優化、產品優化、運營策略的一種比較策略。

13、其他方法

還有一些其他數據分析方法本書中沒有提到，比如：二八分析、象限圖法、杜邦分析法、RFM等讀者可自行百度學習。

五、案例分析

1、案例競品數據對標分析

這個案例全篇都在講爬蟲，網頁獲取、解析、數據存儲、爬蟲部署等相關內容，這部分內容大家可參考我之前的文章《白話網絡爬蟲——入門篇》，個人感覺這個案例更像是爬蟲工程師的工作，讀者可自己選擇是否閱讀。

2、用戶特征分析

主要是為了了解用戶特征優化運營策略。分為基于用戶細分的行為分析，研究活躍用戶、新用戶、老用戶、流失用戶、回訪用戶在產品中行為特征；用戶來源渠道分析，對用戶來源的渠道進行分析，了解各個渠道的渠道效果；基于前端展示的用戶行為分析，分析用戶單擊轉化情況，優化前端頁面展示。

3、RFM用戶價值分析

這個案例主要是將用戶以R（最近一次購買距現在時長）、F（購買頻率）、M（消費金額）三個指標表示，通過規則定義或者聚類分析對用戶進行分類以及周期價值分析，針對不同的用戶客群采取不同的運營策略

4、用戶流失分析與預測

本案例根據業務現狀結合用戶回訪率定義流失用戶和活躍用戶，利用決策樹模型預測用戶流程可能性，輸出流失用戶名單，由運營人員重點運營，并對流失用戶的特征進行定量分析，挖掘用戶流程原因。

5、站內文章自動分類打標簽

這是一個NLP案例，可能由于本書成書于兩年前，當時BERT還未流行，不然此案例最優的解決方式就是BERT了。本書應用的方法是TF-IDF向量化文章，用樸素貝葉斯進行分類。

6、用戶畫像建模

這個一個比較大的案例，作者用一整章來進行案例分析。用戶畫像的本質就是為用戶打標簽，可分為三類標簽：基于統計類的標簽，如近七天消費次數、金額等，基于規則類的標簽，如消費活躍用戶定位為30天內消費兩次以上等，基于挖掘類的標簽，如通過對習慣行為的分析判斷用戶真實性別（淘寶將用戶性別細分為20多個小類）等。

用戶畫像具體可包括：用戶人口屬性畫像，這里主要是用戶在注冊時填寫的一些基本信息，年齡、城市、生日等；用戶個性化標簽，用戶在產品上的瀏覽、搜索、關注、收藏、加購物車、付款、評價等行為帶來的一系列標簽，根據這些行為發生的時間、次數、行為類型進行標簽建設；各業務線用戶畫像，根據各業務線特征設計標簽監控用戶在該業務線上的操作行為；用戶偏好畫像，在用戶個性化標簽的基礎上，根據業務規則設定用戶各類行為類型的權重、時間衰減方式、標簽權重，并通過基于物品相關的協同過濾算法建立用戶偏好畫像；群體屬性畫像，用戶分群主要用于冷啟動階段，新用戶的商品推薦。