刚写完周报苦逼大厂运营一枚，就结合我个人日常工作会涉及到的说下自己做数据分析的一些技巧：
运营数据分析3个基本要素
有效的数据分析需求一定离不开这3要素：分析目的、取数的口径、取数的维度和字段。
分析目的就是通过数据想要达到什么结论，比如账号粉丝给业务线带来了多少订单、GMV和收益，占总用户的多少，对比其他渠道转化的用户效率如何等等，从而制定账号的运营策略和产品设计。
取数的口径是需要明确，去取什么时间段的什么样的数据才作为合理和科学。
维度和字段，有些字段可能是通用的，比如用户总量，但是有些字段可能是业务特有的（比如视频完播率）如果需要和数据分析师沟通，就要需要明确地告知，想要什么维度的什么样的分析。比如想要账号粉丝在最近半年业务线的消费情况：包含订单、收入和收益，在这过程中，就需要明确消费情况到底是什么，需要去取哪些字段。
这就要求提出需求前就要想好你的预期是啥，想要通过数据得出什么结论，自己提出的维度能不能满足下结论的依据要求，以免沟通的时候有遗漏。
但据我了解，80%以上1-5年经验的运营、新媒体、营销、产品等都不具备这个前提，要么是根本都不具备数据的系统认知，要么则是自己的相关能力还很薄弱，无法用数据做业务决策，工作上困难重重。
所以想吃运营这碗饭的新人，数据敏感基本上是立身之本，入行前起码要有基本的数据逻辑，掌握2-3个常见的分析模型和工具，才能入行开局顺利。
我个人是觉得知乎知学堂搞得数据分析小白课就不错，萌新可以薅下羊毛了解下数据分析的基本方法论再系统学习。
知乎知学堂请的是前IBM数据大佬讲课，结合互联网经典案例，理解起来几乎没有门槛，听完高低能具备相当于阿里P6或P7级别产品/运营专家的数据理解+数据分析+数据应用能力，并熟知+理解互联网/科技公司内的绝大多数常见“数据赋能业务”的场景、思路和可能性。
在这3点上达成共识后，我再说下自己分析运营数据的逻辑，我自己用AARRR模型比较多，也就是：
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。
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”：
总之，数据分析绝不是说会用个python，sql跑个数就完了，就像会用笔不代表能写文章一样，如何从海量数据中找出规律，得出结论归根结底还是得看数据思维。技能、到方法论再到战略思维的转变升华，就是一个小白到高手的转变过程，也是必经之路。有人只用了2年，而有的人却用了5年甚至更久，这中间差的不是天赋，而是持续学习+输入。
要摆脱80%的打杂现状，成为行业内20%的高手，修炼好自身内功心法，才是最有效的，共勉。
