跟公司里年薪100w的95后产品经理问了这个问题，90老阿姨瞬间被拍在沙滩上再起不能
聊完才知道，想要运营立于不败之地，归根结底只要做到两点：
运营思维维度提升从全局角度看问题
分析工具的合理运用帮助决策
下面就总结了下跟他的沟通内容，小6000字，希望有帮助吧：
年薪百万运营思维维度
思考广度
对待同一个运营问题，高级运营思考角度是更广泛的。举个例子，有人提问：如何做好产品运营？
普通运营一般会回答很具体的执行策略，比如要做用户调研里了解痛点设计对应的产品功能等等，角度比较单一，就停留在产品本身这个维度。
高阶运营者会从多个维度去回答，他会告诉从执行层面关注拉新、留存、活跃；他也会从产品生命周期角度来讲，如何规划产品声明周期配合用户需求；或者说，从一些产品的特性，比如：电商产品、社交产品、金融产品等角度分析具体使用场景和具体需求。
思考深度
对待同一个运营问题，高级运营的思考深度是更深的。继续拿上面说到的产品运营举例：当低阶运营者告诉你，做好产品运营的方式是跟用户保持沟通，充分了解需求之后，你再问他：怎样跟用户保持沟通？
他可能告诉你：就是经常跟用户聊天啊。这样一个比较简单的答案。
高阶运营的回答是更深刻的，他会从过去的经验中提炼出一些方法论和一些操作要点。比如：做好用户运营需要从产品生命周期角度考虑，他会告诉你，在产品的孕育期、初创期、成长期、成熟期、衰退期，分别需要做哪些事情，操作要点是什么，注意事项有哪些。
数据化思维决策力
一个高级运营往往成天念叨着数据，简直使人厌烦。这是因为，数据几乎是运营工作的唯一凭据。比如，老板问某个新上线的产品功能如何？
低阶运营第一反应就是：我用过特别好 balabala...所有理论都是建立在自己的主观感受上，不具备参考价值。
而高阶运营往往会拿到最新数据进行分析后得出结论：数据上看，活跃用户中约 30% 使用了新功能，二次使用率达 90%。使用了新功能的用户，App 平均停留时长提高了 10%。运营的工作像一个循环，不断设立目标，实现目标，复盘，再设立新的目标，数据像水一样，推动着每个环节前进。
所以，数据分析思维是高级运营做决策的底层逻辑，这个不仅需要对业务中常见的各项指标烂熟于心，而且还要从数据中分析趋势+找到风险点及时做出策略应对。这个能力养成一是需要系统学习，二是要在理论下不断总结业务实践经验。现在知乎知学堂的数据分析课就很适合运营新人入门：
为期 3 天，直播讲解+学习社群的形式，不仅有常见的数据分析工具实操，还有大厂真实案例演练，数据分析的技巧+思维都能讲明白，连我这种老鸟都觉得很受用，感兴趣的朋友可以试试哦，链接我放这啦：
战略和目标落地的能力
高阶运营具备将战略和目标落地的能力，举个例子，比如老板说，给你一个 KPI，这个 KPI 是 100w 营收或 50w 新增。
低阶运营听到这个目标之后他可能觉得，这是啥？怎么做？完全不知道怎么办，找不到实现的路径，对于他来说，看不到实现的可能。
对于高阶运营者来说，他拿到这个 KPI 之后，会把这个目标拆解成一些具体的运营项目和动作，形成一个实现目标的路径。比如：看看新增的 100w 都是由哪些构成的？占比多少？然后才能针对不同渠道采取相应的优化策略。
他还会把 100w 的营收，分解到一个团队内，每个成员围绕各自的目标应该开展哪些工作，通过化整为零的形式，协调团队成员的凝聚力量达成最终的目标。在这一点上，高阶运营者是能够找到一个将战略和目标规划落地、找到具体执行路径的人。
团队领导能力
高阶运营具备团队领导力，低阶运营往往是单打独斗的能手，比如：写一篇文章，做一个活动。但是一个高阶运营，不会说自己全部负责把一件事情落地，而是通过带领团队成员，一起完成目标。 上面也说到了，高阶运营者具备将战略和目标落地的能力，落地后的一些具体执行的细节，一个庞大的任务一定不是一个人可以做完的，需要很多人一起来共同完成目标。高阶运营不是单打独斗的独狼，他会有效利用团队的力量，利用资源的力量，利用一些杠杆，这是高阶运营在领导力上与低阶运营者的根本区别。
必会分析模型
从上面可以看出，运营操盘脱离不了的一定是依托数据分析，结合具体业务场景来做决策。下面就分享几个运营常用的分析模型，基本上涵盖了大部分业务场景：
AARRR模型
可以说是各类漏斗模型的原始版，也是用户-产品转化链路的底层逻辑：
获取（Acquisition）：用户如何发现（并来到）你的产品？
激活（Activation）：用户的第一次使用体验如何？
留存（Retention）：用户是否还会回到产品（重复使用）？
收入（Revenue）：产品怎样（通过用户）赚钱？
传播（Refer）：用户是否愿意告诉其他用户？
各部分需要关注的指标如下：
获取（Acquisition）
日新增用户数（DNU），能反应的问题：各渠道贡献的用户份额，确认投放策略；注册转化率，优化流程提升留存。
激活（Activation）
日活跃用户数（DAU，常用的还有周维度WAU和月维度 MAU的），反应的是活动用户的数量以及用户使用频次、停留时间等，以此推算核心用户规模和活跃度，产品生命周期。这也是评估用户粘性的一个比较重要的指标。DAU/MAU的值越高，产品粘性越强。
一般来说，但在不同领域的App或产品参考标准不同，例如：移动游戏会以20%为准，而工具类App会以40%为准。以及产品属性比如定期理财/求职/买房/租房的App，可能天然属性DAU会相对低。此外，周期（工作日/周末）、版本更新和活动都会在短期内影响DAU和MAU，所以通常要采用长期的均值作参考，例如一个月、两个大版本之间。
日均使用时长(DAOT)，渠道质量衡量标准之一，主要用来分析产品的质量问题，观察不同时间维度的平均使用时长，了解不同用户群的习惯来分析用户留存和流失。
留存（retention）
一般就看次日，3天，7天的新用户在老用户里的占比。计算留存率时，新增当日是不被计入天数的。
除了留存，对应的流失也要关注。留存反应的是各个渠道来的用户质量，以此反推渠道投放的策略是否合理。流失就是研究用户会啥会离开，这里就需要分析流失用户与非流失用户在离开前的行为差距。
假设我发现70%的流失用户在流失前做了行为A，但我并不能下：行为A导致大量用户流失的原因这个结论。因为可能非流失用户在当天离开前也大量做了行为A，但这并不妨碍这批用户第二天继续关注。
这个过程需要将用户最后几步的行为进行归类，然后从中得出结论，比如：我会把具体时间节点，账号发布内容选题，用户需求变化，流量承接部门的动作等因素考虑进来，并逐个分析该动作下的流失率变化。
过程较为耗时。这个过程不仅需要有强大的归纳能力，要去将零散的行为不断的归为若干个大类。而在你得到了一些用户流失前的关键行为后，就需要在这些行为发生时人工介入，利用实时推送工具等对于发生指定的行为后用相应的策略进行承接。
流失是产品进入稳定期需要重点关注的指标，是在产品中期和后期关心产品的用户稳定性，收益能力转化。尤其是对付费用户流失的分析，更需要重点关心。
收入（revenue）
收入的来源有很多种，主要包括：应用付费、应用内功能付费、广告收入、流量变现等，主要考核的指标比如ARPU（客单价）。主要关注：
付费率(PR或者PUR)，也就是付费用户数占活跃用户的比例。能反应产品的收益能力，付费的关键点和转化周期以及付费后续转化，比如退货率，续购等。
活跃付费用户数(APA)，在某个时间段内付费成功的用户数，一般按月计。用来衡量产品的付费用户规模和付费用户的构成。但这个数据容易受到用户付费数额的影响，从而造成对用户消费能力和梯度的误判。此外如果是初创产品，平均每用户收入（ARPU）需要重点关注，也是生命周期价值(LTV)的重要参考依据。
生命周期价值(LTV)是用户在生命周期内为创造的收入总和，这里的生命周期是即一个用户从第一次使用产品到最后一次的时间，一般在实际计算的时候我们是跟踪某日或者某周的新增用户，计算该批用户在随后的7日、14日、30日的累积收入贡献，然后除以该批新增用户数，计算该批新增用户在不同生命周期阶段的粗略生命周期价值。注意的是，LTV不区分付费与非付费用户，看待整体的价值。
传播（refer）
产品上线后为了更多曝光，大多都会采用各种营销手段进行推广，比如app store竞价排名，KOL投放等等，以及本身自带的传播推广功能，像很多手游就会有分享游戏截图给奖励的机制。在衡量传播效果的过程中，一般会预设传播效果计算模型，即：
传播效果＝发出转化路径的数量/曝光 × 接收到路径链接的人转化新用户的转化率
以邀请裂变为例，假设平均每个用户会向20个朋友发出邀请，而平均的转化率为10%，则转化效果＝20×10%＝2。当这个等式的值＞1时，用户群就会显示出增长的趋势。当＜1时，那估计增长的时间和体量就很有限甚至跌回原形。
总之，从最基本来说，一家公司的数据，也包含了用户行为数据、用户基础数据、业务指标数据3大类，而类似上面提到的用户数、留存、活跃、收入等等，都只是用户基础数据或业务指标数据中的一小部分。
只有你清晰的理解了一家公司内的“数据”都有哪些+理解了它们之间的关系，你才有机会使用好它们，也才能站在“数据”的角度跟不同协作方进行对话。
但是吧，大部分1-5年经验的运营、产品、营销、新媒体等从业者，在工作中都会遇到如下这些有关于“数据应用+数据分析”的困境：
- 自己零散看了一堆关于数据分析的资料、学了python sql等各种工具，但真正到自己业务中仍然还是不知道看什么数据，该怎么用好数据，以及仍然无法脑海中形成一个清晰的关于“数据分析”的方法论；
- 面对具体业务问题，比如某个产品功能/活动上线后怎么评估效果，仍然不知道如何进行拆解、评估和验证，不清楚数据分析在工作中完整的应用流程是什么，完全不知道如何针对具体的业务问题搭建数据指标监测体系或进行效果评估；
- 经常被说“数据敏感度低”，但完全不知道什么叫“数据敏感度”，也根本不知道如何训练自己的数据思维+提升数据敏感度；
- 可能知道自己“现在需要看什么数据”，但不会根据现有数据预测未来可能走向，提前做好计划；
- 想再往上走，但不知道高级运营到底需要具备怎样的数据应用能力，以及自己当前的数据能力水平到底如何。
这里建议系统学习下数据分析的思维+工具，前者帮你搞定逻辑上，后者帮你提升效率。我个人推荐知乎知学堂的数据分析入门课程，老师曾是IBM的数据分析师，并和阿里、谷歌、滴滴等公司的资深数据专家合作，课程从基础讲起，针对性引入了多达数十个数据应用+实践案例，用案例讲知识点，结合大厂一线业务案例，能够深入浅出的讲明白那些数据分析理论是如何运用在业务里，而且还有实操大厂项目的指导，帮助运营新人更好提升数据应用+实战能力，成为名副其实的“业务数据专家”：
Hook模型
Hook模型是让用户养成行为习惯的产品逻辑，其中包含触发（Trigger）、行动（Action）、奖励（ Reward）和投入（Investment）这四个封闭的循环，打造让用户形成使用习惯甚至情感依赖的设计方法。
这个模型业内用的最6的就是王者荣耀，用这个模型来拆解的话：
Trigger（触发），让用户产生参与的动机。王者荣耀（后面就简写农药了）在前期触发就依靠腾讯内部社交的强大流量，微信和QQ宣传，后续也联动相关微博超话和明星大V制造话题和讨论度。此外，在各大直播平台手游类直播中，农药的热度也很高，很多游戏主播也愿意借着其热度，增加对自己的关注度，诸如此类的行为，农药前期迅速圈地，稳固了一大片江山。
Action（行动）受三种因素影响，动机（B）、能力（A）、触发诱因，动机越高，要求的能力越低，诱发机制越强，用户产生行动的可能性越高。
在降低用户使用成本这件事上，农药上手简单，操作简单。这款游戏进行了适应手机的简化设置，对操作的要求大大降低。新手任务也会一步步教会各种操作，只有完成新手任务，赢取大量的新手奖励前期迅速升级，才能保证后续的游戏体验。一般能坚持完成新手任务的，都被游戏玩法和机制吸引，很难短时间内离开这个游戏，也就完成了留存的使命。
酬赏（Reward）是用户付出行动后，可以得到的奖励，奖励是多样的，包括金钱或者实物奖励/荣誉感或被认同等心理上的诉求。
这就很好理解了，最明显的就是农药的身份等级设置，在用户身份等级上，设置了青铜、白银、黄金、铂金、钻石、星耀、王者这几个段位。给到用户一种荣誉感和炫耀心理。
此外像是日常任务主线任务等等，都获得经验和活跃度，在达到一定程度后可以领取宝箱，进一步获得金币、钻石或英雄体验卡和皮肤体验卡等。能有即时满足，促使用户想获得更多快感。
投资（Investment）就是用户使用产品时的付出（时间，金钱，精力），这些沉没成本的付出也会深入绑定用户和产品，比如农药达到王者级别或氪金买皮肤，可能一段时间后不活跃，但也不会彻底退游。
OSM模型
业务拆解神器，能把大目标拆解到部门内各个小组具体的、可落地、可度量的行为上，从保证执行计划没有偏离大方向。OSM是三个词缩写：目标Objective，策略Strategy和度量Measurement。就以具体运用场景来看怎么用：
有个在线教育APP，给运营部门定本月目标：提升购课成单数，至少提高一倍。
step1:定义O
上面那句要求其实提得很笼统，所以定义O的时候一定要是量化+具体的，就像：
不管是哪种价位的，有付款交易就算，计算方式为 购课人数/总用户数；提升一倍：12月占比为5%，那1月的目标就是10%
step2:梳理流程，找到可改善的S
step3：为每个S梳理子指标，便于后期执行
最后，如果脱离业务流程和业务场景，企图纯粹谈分析方法论，就容易陷入形而上学的窘境，讲了一堆听起来牛逼但是很虚的东西。
任何分析模型都是建立在对运营数据粉挖掘和总结上的，很多人觉得会用个python，sql跑个数就等于会数据分析了，就像会用笔不代表能写文章一样，如何从完播率，跳出率，留存率等等数据中得出结论并找到对应策略，才是数据分析真正的作用，而这归根结底还是得看数据思维在实际业务场景里的运用。
这里建议想在运营深耕的，一定要在结合实际业务场景下分析运营数据。再次安利知乎知学堂的数据分析入门课程：
里面有一线互联网大厂大牛带队，直播互动讲解互联网数据分析工作流+常见分析模型运作原理，还有大厂真实案例带练实操、涵盖分析工具操作入门、数据可视化、数据分析+实战，学完高低能满足阿里P6级别的数据分析要求：
码字不易，有用的话，点赞收藏来一波，感恩～
