文章目录
1.指标体系定目标
1.1根据运营的目的，选取不同的指标类型
1.2.北极星指标
1.3 用户留存指标
2.数据分析找问题
2.1.描述分析
2.2多维分析
2.3.相关性分析
2.4.方差分析
2.5 样本检验
2.6 预测分析
3. 3A3R做决策
3.1洞察
3.2获客
3.3.活跃与留存
3.4营收
3.5.裂变增长
正值春招实习毕业就业季，第一份工作如同初恋般难忘！祝愿各位同行的伙伴成功拿到心满意足的offer!
首先，什么是运营数据分析。运营数据分析是指利用数据分析手段，根据业务场景，有理有据地基于数据对业务中产生的需求做策略。
运营数据分析的总体流程可以概括为一个顺口溜：指标体系定目标，数据分析找问题，3A3R做决策。
1.指标体系定目标
首先我们需要明确目标和导向，因此需要对目标有清晰的定义，这就依赖于指标体系的建立。建立了指标体系才能衡量运营过程中的目标，找到前行的方向。
顶层指标->汇总指标->原子指标
自顶向下逐步拆解指标，构建一个由顶层指标到汇总指标再到原子指标的指标体系。
1.1根据运营的目的，选取不同的指标类型
从产品运营的生命周期选取：
规模类指标：用户、收入、内容、渠道规模如注册用户数，GMV成交总额等
质量类指标：用户黏性与忠诚度的指标，用户留存率，用户访问时长，人均打开次数等
营收类指标：购买转化率，首次付费周期，客单价，人均收入贡献
根据产品运营的不同阶段选取：
战略指标：北极星指标
虚荣指标：短期内增长明显长期价值低的指标，累积用户数量，成交总额等
用户的行为来选取：
行为指标：如PU页面浏览量、点击量，UV独立访客，页面停留时长，浏览位置等等
业务指标：业务完成度，如收藏、点赞数量
对指标的含义必需有统一、精准的认识，那么必须熟悉它的业务口径和更新周期。
1.2.北极星指标
根据商业模式，有不同的北极星指标:
| 类型 | 北极星指标 |
| 内容型（新闻，视频等） | CTR(点击通过率），浏览时长 |
| 电商 | 客单价，复购率 |
| 社交 | 互动时长 |
| 工具（Keep,大众点评等） | 活跃度，付费率 |
| 游戏 | 付费率，每用户平均收入 |
在业务上，北极星指标并不唯一，是由多个指标组成的北极星指标体系，包含了核心北极星指标，1~3个伴随指标。如DAU一般可以细分为：
DAU = 新客DAU+老客DAU+沉默唤醒DAU
1.3 用户留存指标
留存的准确定义包含三个要素：目标客群，考察周期，事件口径
业务留存：指用户使用过某个功能或办理过某项业务
行为留存：用户产生过某个特定行为，例如启动应用、点击首页
贡献留存：用户生产或消费过内容、商品等
是一项被动分析指标，只有及时进行留存分析，才能进行流失预警和沉默唤醒。
流失预警模型：用以流失用户特征来提取流失用户的偏好，如IBM发布的流失预警数据（请参见数据分析实战之用户流失预警系列文章）
挖掘高流失脱落点：流失前使用的功能，了解流失前用户行为，从产品内部寻找问题原因。
后续配置维系活动：活跃用户流失概率达到模型阈值时通过发券等活动来维系用户
2.数据分析找问题
在整个分析过程中，定性和定量分析会贯穿整个过程。
产品运营中，数据分析的主要流程为先描述分析再推断分析。
描述分析包括：描述性统计，多维分析，相关性分析三种分析手段
推断分析包括：方差分析，样本检验，趋势预测三种分析手段（这里大家需要自行补充统计学知识，推荐Bilibili “可汗学院统计学课程”）
2.1.描述分析
分析数据的分布和统计值，如平均数、方差等，做箱线图可视化。
进行异常值筛选，利用分位数来确定正常值区间，大于Q3+1.5|Q3-Q1| 小于Q1-1.5|Q3-Q1| 为异常值，在两者之间的为正常值。
2.2多维分析
拆解指标：从指标的业务口径分析原因
DAU = 当日新增用户 + 昨日留存用户 + 沉默唤醒用户
维度下钻：从指标的各个维度进行细分分析原因，日期下钻，地理下钻，分类下钻，客群下钻。
2.3.相关性分析
相关系数决定相关程度，越大越相关。
2.4.方差分析
分析不同样本间的差异显著性和分析同一样本在策略前后的差异显著性。
单因素方差分析 & 多因素方差分析的流程：
（1）先判断数据样本是否符合以下条件
每个分组中的每个值来源于同一总体样本；
方差分析只能分析满足正太分布的指标；
分析的样本为随机抽样。
（2） 利用误差进行方差分析
SST:总误差和（名称缩写各个出处略有不同，记忆方法：Sum Square Total / Between /Within）
SSB：组间误差平方和，又称为组间均方差
SSW：组内误差平方和，又称为组内均方差
SSE : 抽样随机误差平方和
SSR：行因素误差平方和
SSC：列因素误差平方和
对于单因素方差分析有：
样本值 = 总体平均值+ 因子误差 SSB + 随机误差 SSW
样本值 = 总体平均值 + 总误差 SST
所以有：
SST = SSB + SSW
总误差（SST）= 因子误差（SSB）（解释：不同的因素，导致样本值不同程度地偏离一个中心值，方差分析主要探究的误差） + 随机误差（SSW）（此处假定样本抽样造成随机误差，无法避免，但应尽量减小的误差，减小方法：基于大数定律，增大样本量）
对于多因素方差分析有：
总平方和 = 行因素误差平方和（SSR）+列因素误差平方和（SSC）+随机误差平方和（SSE）
（3）进行统计检验三部曲
a.提出假设
b.构建统计量
填如下表，利用误差计算ss（组间均方差，组内均方差），df（自由度）,MSS(SS/df) ,MSB(组间）,MSW（组内), F 值，p-value值，F-crit临界值；
F值计算公式：，服从自由度（k-1,n-k)的F分布。K为因素的取值，N为样本总量。
F-crit临界值：根据F检验表和显著水平，查表可得。
c.统计决策
根据F值，查看F检验表获取p-value ,p-value与 显著性水平(如0.05)进行比较。
组间均方差/组内均方差，数值上接近1，原假设成立。
组间均方差/组内均方差，数值大于1，原假设不成立，组间的差异大，受该因素影响。
组间均方差/组内均方差，数值大于某值，原假设不成立，具有显著差异
（4）评估差异大小
判别系数（相关程度)：；
若拒绝了原假设，后续应该进行多重比较检验，判断哪些行业之间存在差异。
2.5 样本检验
基于大数定律，用样本平均估计总体平均，样本方差（标准差）估计总体方差（标准差）；
其中s是样本标准差。
基于中心极限定理，样本均值服从均值为“总体均值”的正态分布。
根据上述定理进行参数估计，区间估计（请参阅统计学知识资料）。
2.6 预测分析
根据历史数据做预测，根据数据进行建模，模型主要有：回归分析模型等。（请参见数据分析之机器学习篇）
3. 3A3R做决策
3A3R :洞察(awareness)，获客(acquisition)，活跃(activation)，留存(retention)，营收(revenue)，传播(refer)。
3.1洞察
主要工作包括：定量和定性调研，行业分析。
定性调研方法有：用户访谈，情景访谈，卡片分类，可用性测试
定量调研方法有：问卷调研，A/B测试，快速原型，专家小组
3.2获客
线上渠道，线下渠道，用户触点
触点：线上和线下触点
线上：角标、动效、弹窗、PUSH、H5
线下： 平面广告、二维码、SMS、电话
异业合作获客，内部获客，场景获客，服务获客，营销获客。
3.3.活跃与留存
提升活跃与留存的方式包括：
启动屏：启动页面增加用户吸引度
首页主页：刚登陆的页面不同于主页
轮播区：增加吸引度高的条目
搜索区：增加提示与推荐
会员/权益体系：提升留存
积分/成长体系
社交、关注体系：社交最能提升用户留存
分期订阅体系，任务体系，优惠券，签到打卡体系
3.4营收
来源：拉钩教育网
3.5.裂变增长
利用一切资源让更多用户更高频地使用产品。包括以下几种方式：
利用诱饵吸引用户；
包装产品，打造品牌势能；
利用载体，提供可用性功能；
确定业务目标：拉新促活
关键在于：降低分享门槛。同时有必要进行A/B测试，测试不同文案和页面设计
