什么是數據運營？是從事數據的采集、分析、提供決策支持，支撐整個公司的運營體系往精細化運營方向發(fā)展，是一種“用數據指導公司的運營決策、驅動業(yè)務增長”的數據化運營思維方式。本文主要來解讀的是數據運營的道、數、器。
文章更新計劃：鑒于上一篇活動運營的文章有小伙伴反應文章篇幅過長閱讀起來比較費勁，因此此次數據運營初步計劃整體分為4篇文章來進行編寫，初步計劃3–4周更新一篇。
文章背景：
數據運營系列文章，基于自己近幾年的工作經歷感悟來進行編寫。畢業(yè)后在臺灣排名NO.1的互聯公司工作了幾年，主要的工作內容就是處理公司的數據收集、數據分析、編寫數據報告為業(yè)務發(fā)展提供支持，工作中見識了成熟的數據運營體系是如何為業(yè)務拓展做決策支持，開闊了自己的眼界。
后來在一家互聯金融創(chuàng)業(yè)公司工作，在這份工作的中，親眼目睹了數據運營在創(chuàng)業(yè)公司“雞肋”的生存現狀。現在在一家出于成長型的互聯網金融公司，可以感受到業(yè)務部門對數據運營的強烈需求及數據運營對于業(yè)務的強有力支撐。
文章結構：
數據運營有廣義和狹義之分：
數據運營的價值可大可小，往大的方面說可能影響公司的業(yè)務方向選擇，甚至決定公司的經營成??；往小了說可能影響某一個產品功能的優(yōu)化、一次廣告投放渠道的選擇。
分享一件曾近發(fā)生在自己身上的案例來說明數據運營的價值：某月策劃一場拉收活動（如下圖），主要的操作邏輯就是用戶當日投資年化金額達到某一區(qū)間即可獲得對應的現金紅包。
關于區(qū)間的設置出現了下面的一段對話：
部門A：這活動設置的起點就是3000元，那不是將低于的3000元的用戶擋在了活動門檻外面么？
答曰：此次活動返現比例比較低、通過以往活動的數據分析來看，如果返現比例較低投資金額過低的話，返現的獎勵對用戶刺激不夠明顯，不能夠強化給用戶返現福利的效果。
部門B：從4萬突然一下子跳到50萬中間的跨度是不是太大了，滿足不了平臺部分用戶的需求。
答曰：通過網站后臺的數據分析，平臺的投資用戶有很大一部分都集中在5萬元以下，且五萬左右是高密度投資區(qū)間。
部門C：整個活動設置6個檔是不是很多？
答曰：6檔的設置是根據后臺的投資用戶集中程度來進行設置，為活動效果達到最優(yōu)同時也滿足用戶的投資需求設置6檔是能偶實現雙贏。
部門N：………
答曰：……….
以上簡單的對話只是日常工作中一個很小的片段，但很好的反應數據運營的價值。一方面可以指導自己進行業(yè)務優(yōu)化；另一方面也可以用來回復來自外界的質疑，提升自己的專業(yè)性。
三、如何理解數據運營中的“道”“術”“器”？數據運營的“道”一般從價值認同、價值定位兩個層面來進行理解。
“窮則思變、變則通、通則達”
（1）價值認同
數據運營首先需要的就是要認同數據的價值，一家公司的數據運營體系，能否成功搭建并順暢的運轉取決于以下幾個因素：
如此，只有自上而下自下而上渾然一體才能將數據運營的價值發(fā)揮到機制。如果公司沒有形成數據運營的文化氛圍，大家都拍腦袋做決定也不相信數據分析的價值，那么數據運營只是走形式而已。
（2）價值定位
“如果你不能理解它，那么你就不能有效使用它”
成功的數據運營需要對數據分析有清楚的定位，既不能輕易的否定數據分析的價值，也不能將數據分析神話。數據運營的基礎來源于對業(yè)務的精確把握，脫離了業(yè)務談數據分析一切都是空談。
數據分析的最終目的是服務于公司的各項目標，因此需要對所在行業(yè)的背景、業(yè)務內涵、產品、用戶有著深刻的認知，只有弄清楚整個業(yè)務體系才能有效的定位數據運營的價值，實現最終的增長目標。
2. 如何理解數據運營中的“術”？認同了數據運營的價值，接下里我們就需要有對應的方法論，作為突破口來指導我們搭建數據運營體系。
“術”一般從以下兩個層面展開：數據分析框架、數據分析方法論。
（1）數據分析框架
我們做數據分析的終極目的就是為了更好的服務用戶，因此用戶是數據來源也是數據分析最終服務對象。數據分析框架自下而上依次為數據規(guī)劃、數據采集、數據分析、數據決策。
1）數據規(guī)劃
數據規(guī)劃是整個數據運營體系的基礎，“凡事預則立不預則廢”做數據規(guī)劃前我們要搞清楚我們的目標是什么？只有先搞清楚了自己的核心目標是什么、需要什么樣維度的數據，才能指導下一步的數據采集和數據工作。
數據規(guī)劃一般從指標和維度兩個方面來展開：
指標：
指標的選擇來源具體的業(yè)務目標，用來衡量具體的運營效果，如：凈入金、凈利潤、投資轉化率等等。
如以公司的利潤作為核心指標來做一個簡單舉例分析：
利潤（核心指標）=銷售額-成本=流量*轉化率*客單價-（固定成本+運營成本+人員成本）
舉例分析：
3月份凈利潤突然大幅度上漲，老板需要知道具體的原因。
因三月份是租房的旺季且公司投放了電視廣告，注冊新用戶增多，購買付費產品的新用戶、老用戶人數大幅度上漲，在固定運營成本、人員成本不變的情況下銷售額遠遠高于成本，因此本月的利潤大幅度增加。
維度：
“不謀全局者不足謀一域”
維度主要的目的就是對指標的屬性進行細分，如：流量的來源、人口屬性、地域屬性、設備屬性、用戶行為屬性等等。
數據分析維度體系一般分為宏觀數據、中觀數據、微觀數據。宏觀數據分析的是所在行業(yè)的整體情況，中觀數據分析的是自己的產品整體狀況，微觀數據分析的是產品或者運營的具體某一個點的運營狀況。三者相輔相成渾然一體，共同服務業(yè)務目標。
2）數據收集。
數據收集是數據化運營體系的底層支撐，數據是整個運營體系的基石。
數據收集的維度：
一般從流量數據、行為數據、業(yè)務數據、外部數據來進行收集。
流量數據：
是數據收集的起點，流量數據反應用戶的來源渠道，是通過搜索引擎、APP還是通過付費渠道，通過記錄分析流量數據來源，可以全盤掌握平臺產品的流量來源分布，為網站進行營銷活動、產品運營規(guī)劃提供有力支持。如：公司每周例會都會對平臺的渠道營銷情況進行數據統(tǒng)計分析，按照不同的權重進行打分排名。除了掌握本周的渠道營銷情況外，同時也是為下周的渠道費用比例分配提供數據決策依據。行為數據：
主要是記錄用戶在產品上的一些操作行為，如打開APP、各個模塊的點擊情況、投資轉化情況等等。通過對用戶行為數據的分析，能夠從更小的粒度精確的產品、運營情況，為下一步的產品優(yōu)化、具體的運營策略提供決策支持。如：活動落地頁的調整、產品功能優(yōu)化。業(yè)務數據：
業(yè)務數據在產品運營過程中產生，如：舉辦了一場拉收活動，有多少用戶投資進行了投資、投資金額主要集中在那一個區(qū)間、新用戶和老用戶的投資占比事多少、復投率是多少等等都屬于業(yè)務數據。外部數據：
外部的數據一般來源于第三方，如行業(yè)報告、百度指數、微博指數、政府報告、芝麻信用、競品情況數據分析等等。外部數據一般用做對所在行業(yè)的整體情況的大體的把握以及和競品橫向比較分析，主要是一種參考作用。數據收集的方法：
常見的數據收集方法代碼有埋點、無埋點。
代碼埋點：在產品中手動添加統(tǒng)計代碼統(tǒng)計需要收集的數據。如國內的百度統(tǒng)計、國外的Google analysitics等工具。
無埋點：無埋點國內的集大成者當屬GrowingIO，它改變了先定義在采集的流程，只需要加一個sdk就可以采集全部的用戶行為數據，可以根據自己的需要隨時進行靈活的數據建模分析。
3）數據分析
數據分析是整個數據運營體系的重點工作，我們最終的目的是通過數據分析定位問題，提出合理的解決方案促進業(yè)務增長，數據規(guī)劃和數據采集都是為數據分析服務的。
數據分析方法：
選擇什么樣的數據分析方法要依據業(yè)務類型來定，合適的數據分析工具，能夠讓數據分析效果達到事半功倍的效果。如：漏斗分析監(jiān)測網站的轉化率、a/b測試監(jiān)測分析產品功能、運營策略的優(yōu)化。
數據分析流程：
完善的流程可以幫助我們快速的定位問題、找出解決問題的方案。設立目標、數據分析、提出假設、排列優(yōu)先級、開展實驗、分析優(yōu)化是一個完整的數據流程。在確定流程后開始進行新一輪循環(huán)，在不斷優(yōu)化中實現增長。
（2）數據分析方法論
“分析未動，理論先行”，成功的數據分析體系離不開正確的分析方法論做底層支撐。
1）“AARRR”海盜理論模型
經典的“AARRR”海盜理論模型，是我們常用的數據分析理論模型。在進行數據分析前。我們需要知道用戶處在AARRR模型中的那個一個階段，與之對應的關鍵指標是什么？相對應的分析方法是什么？
2）學習引擎理論模型
學習引擎理論模型來源于《精益創(chuàng)業(yè)》中作者倡導的精細化運營方式，主要指導思想就是當我們要在產品上，調整一個功能或者優(yōu)化某一運營策略時，可以來一次MVP進行小范圍內測試用戶和市場反應，然后通過觀察數據來佐證最終的結果是否同預期的效果一致，然后進行不斷的調整優(yōu)化。
1. 二八法則工欲善其事必先利其器
一提到數據分析工具，可能很多人都會想到要自己去建設一套數據分析系統(tǒng)。創(chuàng)業(yè)小公司由于業(yè)務模式不成熟且資源緊張。一般情況下。不會考慮建設數據分析系統(tǒng)；成長型的公司發(fā)展速度快，數據分析系統(tǒng)的建設跟不上業(yè)務的發(fā)展。
其實大可不必這樣，自建數據分析系統(tǒng)不僅費時費力最終用起來還不是特別順暢，現在市面上有很多很好的數據分析工具可供我們選擇，借助第三方的數據分析工具，將我們工作的80%時間放在數據分析上，將20%的精力放在數據工具選擇和搭建上，以此來提升我們的工作效率。
2. 常用數據分析工具選擇合適的數據分析工具，能夠讓我們在處理業(yè)務時做到事半功倍的效果，如：市場部門需要對廣告投放渠道數據進行監(jiān)控，那么就應該選擇監(jiān)控渠道效果的統(tǒng)計工具。如：百度統(tǒng)計、googleanalystic等。
產品人員重點關注用戶行為數據，那么就應該選擇監(jiān)控用戶行為的數據，如 ：GrowingIO、神測數據等等。
當你能能夠熟練的使用工具和理解業(yè)務場景時，你會發(fā)現有些強大的數據分析工具可以進行不停的復用。
簡單舉例：
