按大众化的分法，产品的生命周期(PLC, Product Lifetime Cycle)分为初创期、成长期、成熟期、衰退期，在产品的每个阶段，数据分析的工作权重和分析重点有所区别，下面按阶段结合案例来聊聊。

一、初创期

初创期的重点在于验证产品的核心价值，或者说验证产品的假设：通过某种产品或服务可以为特定的人群解决某个问题。这个阶段应当遵循MVP(Minimum Variable Product) 的思想，以最小的成本来验证创业的想法，并根据用户的反馈快速迭代以调整解决方案，最终在数据上得到验证。

案例：

拿之前做的某款国外移动端论坛社交应用为例，产品在idea时期(12,13年左右)发现了论坛用户经常在吐槽从移动端Wap页访问论坛速度慢、广告多、完全没有移动端适配，于是我们提出假设：做一个App，连接论坛系统与用户，让论坛用户在移动端也能享受流畅的论坛访问体验，并且用户愿意为了这种体验付费。

于是在初期，整个产品完全围绕看帖、发帖两个核心场景进行挖掘，在论坛里进行宣传，售价$18，发现有许多用户为之付费，且这些用户的留存率达到60%+(当然与用户付费了有关)，有一半的用户使用时长都超过了70分钟。当时没过多久陆续出来了一些竞品 (Vbulletin团队，当时最大的论坛系统，开发了一个移动端的App，意图解决同样的问题)，但是没过多久都远远落在了我们后面，就是因为整个团队遵循MVP的思想，按用户反馈专心反复打磨看帖、发帖的流畅体验，获得了非常好的用户口碑并领先市场，也获得了某著名硅谷投资机构的投资。

关键数据——目标人群画像

除此之外，初创期可以通过接入一些第三方的应用监测SDK来了解初期用户群体的画像，从侧面验证用户群体与假设的目标用户群体特征是否一致，常见的是人口学属性(性别、年龄、学历、地域)。

案例：

今年4月初在和国内某健身类的APP的产品经理聊到， 该APP最初是一款健身、运动记步的工具App，在产品前期新用户的次日留存处于业内平均水平，在其观察到目标用户群体的画像时，发现女性用户明显比男性用户要多，且女性用户留存明显比男性用户要高。于是决定在产品策略上向女性用户倾斜，主攻女性健身、减脂、美容方向的功能以及内容推荐，产品整体次日留存率相比之前增长近100%。

同样，最近服务了一个鹅厂内部客户，他们开发了一款新产品，意在面向年轻人群体，结果却发现其用户年龄分布以青少年和老年人居多：

这正好与他们的用户渠道相关，原来他们有一款面向青少年和老年人的产品，为了给产品带来第一批用户，他们直接从老的产品将用户引流过来，结果发现他们并非产品的目标用户。

关键数据——留存率

在当前用户符合目标受众特征时，核心关注这些用户的留存率、使用时长/频率、用户的黏性等指标，这里就留存率展开来讲。

留存率的维度分很多种(7日，双周，30日等)，依据产品特征来选择，若产品本身满足的是小众低频需求，留存率则宜选择双周甚至是30日;留存率高，代表用户对产品价值认可并产生依赖，一般来说，假设便能得到验证，通常低于20%的留存会是一个比较危险的信号。

介绍一个以数据为驱动的先行指标模型，可以通过找到先行性指标指导产品设计，从而提升留存率。先看下先行性指标的定义，先行性指标是指新用户在使用产品早期的一种产品行为，这个指标与用户的留存率指标之间存在着非常高的线性相关关系，可以预测用户是否会在产品中留存下来。

用自己总结的公式来描述，大致如下：

积极预测可能性(%)：表示用户执行了该行为，即可预测该用户留存活跃的可能性

消极预测可能性(%) ：表示用户如果不执行该行为，即可预测该用户不留存活跃的可能性

最终，先行性指标的可信度=积极预测可能性 X 消极预测可能性 ，我们直接看案例。

案例

拿之前的论坛社交App为假设，假设“用户在注册前10天内添加好友超过7个”为先行性指标，那么我们计算一组数据：

其中，用户前10天内添加好友超过7个，则其30日留存下来可能性为99%;若添加好友小于7个，则其30日不留存下来(流失)可能性为95%，综合指标可信度为0.9405。

同理，计算以下两个先行性指标可信度：

最终，我们得到对比：

以上只是假设的数据，实际上，我们需要对比十几个甚至是二十几个行为指标才能找出先行性可信度最高的行为。

这个模型中第一条“新用户在注册后的10天内添加好友超过7个”，也就是Facebook一个经典的“aha moments”，所谓”aha moments”即当用户意识到产品的核心价值的时刻，也就是我们的“先行指标”。

(Facebook，Instagram推荐好友截图)

除此之外，先行性指标应当满足以下条件：

二、快速成长期

经过了产品打磨的初始阶段，产品有了较好的留存率了，这个时候产品开始进入自发增长期。自发增长期的产品阶段，仍需要关注用户留存、用户时长、用户画像的变化等数据，但可以将侧重点关注在用户的整个生命周期的管理，其中以新用户的增长、激活、触发“aha moments”到产品稳定活跃用户的整个漏斗分析为主。

新用户的增长和激活

其中新用户的增长和激活一般有两种方式，第一种是构建产品的病毒性传播系数, 让产品自发增长，《精益运营数据分析》书中有提到的几个用户病毒式传播分类很有趣：

原生病毒性，即通过App本身的邀请好友功能而传播吸引的新用户的方式;

口碑病毒性，即通过口碑传播，用户主动通过搜索引擎成为的新用户;

人工病毒性，即通过人工干预，如有奖邀请等激励措施来鼓励用户进行邀请行为。

这里关注的一个指标称之为“病毒式传播系数”，感兴趣的同学可以自行深入了解。

新用户下载->激活->‘Aha Moments’->产品稳定活跃

产品开始进入自发增长期后，需要关注用户从新用户到活跃用户(留存后)、到核心用户的生命周期，并将每个过程的关键指标提炼并精细化。

案例

以之前的论坛社交APP为例，新用户进入产品会看到一个欢迎页(如左下图)，经过注册、登录后会看到产品的首页(如右下图的Feed流页面)，多数App都有类似的流程：

一个新用户从进入App欢迎页到最终成为核心用户大概是以下流程：新用户(探索发现产品价值中)-> 旁观者(逐渐认知产品价值并有一定的参与感)->生产者(认同产品价值并积极参与)：

按大众化的分法，产品的生命周期(PLC, Product Lifetime Cycle)分为初创期、成长期、成熟期、衰退期，在产品的每个阶段，数据分析的工作权重和分析重点有所区别，下面按阶段结合案例来聊聊：

此时，对各个阶段的用户行为进行指标分解：

新用户&探索发现者：

欢迎页跳出率新用户注册率新用户引导流程转化率初始看到Feed页跳出率搜索结果转化率推送权限开通率

旁观者(路过者)：

平均每个用户关注板块数平均每个用户关注其他用户数平均每个活跃用户赞/分享数Feed卡片展示数Feed卡片点击数订阅内容推送点击率

内容生产者：

· 平均每个活跃用户发帖数

· 平均每个活跃用户发照片、视频数

· 平均每个用户在论坛内使用时长

· 活跃用户在论坛内行为分布

精细化的拆分用户生命周期前中期的行为指标，在产品快速增长期帮助了产品不断打磨细节，将用户从新进到成为核心用户体验不断完善。与此同时，在各节点数据提升并稳定后，产品运营的同学则开始进行各种推广、投放的宣传以扩大盘子、占领市场。

三、成熟期

随着用户快速增长，产品不断完善，产品在进入成熟期前后，数据运营关注的重心开始从用户生命周期的前半段(吸引、激活、留存)往后半段(流失、回流)开始偏移。

这里分享一个在增长期和成熟期关注的数据模板 Daily Net Change (应用自John Egan@Pinterest)，区别于只关注DAU、MAU数据，只关注活跃用户数的增减很多时候都是取悦自己，而这个模型能帮助直观地观察到用户增长的因子是什么，或者用户盘子变化的情况，通过一张图展示了产品的新增、回流和留存情况。

其中Net Change = 新增用户 + 回流用户 – 流失用户。

新增用户即当天有多少新用户加入

回流用户即多少老用户连续28天没有使用，今天又开始使用

流失用户即有多少已有用户刚好最后一次使用应用是在28天前

流失与回流

在关注流失回流的过程中，数据会揭示当前用户盘子的一个变化情况，具体分析流失原因则可以参考下方流程：

核心思路即，通过回访定性+数据验证为主要手段，确定流失原因，改变产品运营策略以预防用户流失或拉回用户，促进回流。

除此之外，对于一些稳定的投放渠道，普通的改善方法可能提升转化有限，此时可以进行更精细化的渠道分析来优化提升ROI：

案例：

提升ROI

四、衰退期

最终，产品进入衰退期，一般在进入衰退期前可以采取两种方式：

1、规模化

常出现在零售业中，如开一家按摩养生店，在一定范围内收获好评，那产品成熟的时候则可以开启连锁加盟模式，通过迅速而广泛的扩大市场形成品牌效应，以形成壁垒，此时衰退的风险则被抵御。

2、生态化

在产品增长或接近完善时，单一的产品很容易存在需求过于垂直、用户无法形成依赖的问题，可以开发具有协同能力的新产品以搭建完整的产品生态，使得在当前产品上无法被得到满足或失去兴趣的用户被引流到新产品，作为新产品的新用户;同时新产品的用户也能在新产品上被引流回老产品，产品之间形成互相依赖的链条，最终用户有效流转，形成生态。

什么是数据分析报告：公共安全管理的“论述题”

数据分析报告在社会不同行业、不同用途中的概念各有不同，其内涵与数据研判、比对分析也多有重叠。

本文仅针对公共安全管理领域，区别于警务实战中的数据建模、比对碰撞、数据关联、情报研判等应用，对公安数据分析报告做如下定义：公安数据分析报告是指在公共安全管理领域，通过对事物多维数据的全方位分析，揭示发现事物产生和发展的深层规律，服务于各项公安事物的评估、决策和研究等需求的数据应用形式。

如果将公安大数据中的关联分析、碰撞比对、数据建模看作是以求得答案为目的的选择、填空和问答题，那么数据分析报告更像是论述题。

与上述实战应用相比，数据分析报告更注重分析过程，以得出更加科学的研究结论。

以实有人口数据为例，人口数据库一般由6-8个数据表的100余个数据项组成。不仅包括常见的姓名、身份证号、住址，还有迁出(迁入)时间、迁移原因、学历、工作、家庭、原住地等数据。

一份详细的人口数据分析报告，可以分析不同时间地点，基于不同原因的人口变化趋势，其背后反映了经济社会发展的宏观环境和政策的变化。

比如新城区的人口迁入数据，反映了新城区建设吸引外来人口的趋势和效率;重点学区房屋实有人口变化幅度，反映了稀缺教育资源对群众购房定居选择的影响程度等等。

总之，公安数据分析报告的目的不同于实战中的数据比对碰撞，重点不在于得出某个具体答案，而更侧重于分析本身和由此得出的结论，用于支撑宏观决策，研究关于公共安全管理的宏观形势趋势。

决策分析支撑：数据分析报告作用日益凸显数据时代的公共政策制定，离不开全面的数据分析。而自媒体时代也使得政策施行过程中，一份有说服力的数据分析报告，可以起到事半功倍的宣贯效果。

我们曾经以某市重点中学搬迁政策的执行为例进行了数据分析实验。由于城市发展需要，政府制定了将某重点中学搬迁至新区的政策。在政策实施之初，出现了部分群众不能理解和反对的情况，致使搬迁无法按时实施。

本文仅从公安数据分析角度，谈谈数据分析报告在类似政府决策执行中的应用探索。

其实，笔者分析了原中学驻地的交通和人口相关数据，形成了如下报告和结论：该区域集中了重点小学、初中和高中，单位面积的在校生密集度远高于其他区域。

从交通数据看：在放学高峰时段，其他路段平均每车行驶单位距离用时约为0.2分钟的情况下，而该路段平均每车用时约15分钟，75倍于其他路段。即使平均到全天，该路段平均过车用时仍然是全市平均值的10到20倍。

交通压力过大制约了目标道路作用的发挥，降低了区域生产生活效率，也增加了全市平均交通成本。

从“一标三实”实有房屋、实有人口数据看，在校生多造成区域人口流动较大，暂住陪读人口占比远高于其他区域，流动商贩集中，而作为老城区，该区域功能性建筑和基础设施远远不能满足需求，从“实有房屋”数据分析，被用于经营的社区住宅占比较高，导致管理成本增加，安全隐患增多。

类似的宏观决策从制定到执行，会综合经济社会民生等海量数据及分析，公共安全领域的数据分析作为不可替代的组成部分，无疑将起到重要作用。

因此一份多维度分析、全面详实、有所侧重的数据分析报告，一方面有力支撑政府决策前的调研研判，另一方面又可以在政策制定后的宣贯执行中更好地支撑说明。

公安机关在大数据应用研究、探索和实践过程中也发现了不少问题，成为制约公安大数据深度应用的瓶颈，并且在一定程度上挫伤了基层科所队对大数据应用的积极性。其中主要表现以下几个方面：

一是对大数据的认识上有偏差。

大数据应用的基础是数据自身所蕴含的价值，需要考察数据的“价值比重”，因为对于价值比重较低的数据会极大地耗费数据清洗、处理和运算资源，投资回报率很低。

因此对于公安机关来讲，并非数据越多越好，而是需要对数据的价值进行预先评价和甄别。公安机关管控和服务的对象主要是人，把“人”管好了，服务好了，社会也就好了，因此数据价值评价的标准首先是数据是否能够和人产生关联，以及产生关联的代价。目前很多公安机关在大数据应用中，不加甄别地把互联网上的很多数据直接来用，消费了宝贵的数据运算资源，反而起到了事倍功半的效果。

二是与人直接关联的数据资源较少。

当前公安机关所掌握的数据资源，除了人口库、机动车登记数据库等相对静态的数据外，还有机动车卡口采集、实名制住宿乘车（机）记录、上网行为、手机MAC地址采集等数据，其中车辆号牌、实名制登记等数据虽然可以直接关联到人，但对于一个公安机关重点打击和管控的对象来讲，完全可以通过套牌、冒名等手段进行躲避，使我们无法采集到真实的数据，且数据采集的范围受到很大限制。

而上网行为、手机MAC数据具有采集范围广、采集成本低、真实性高等特点，但又很难与人进行关联。

三是视频图像等非格式化数据无法直接参与大数据运算。

公安机关掌握的众多数据资源中，覆盖最广、信息最丰富、规模最大、采集成本最高的是视频图像资源，但由于视频图像数据是非格式化数据，无法直接参与大数据运算和处理，还需要传统的人工方式和人海战术进行查看和甄别，不仅极大地降低了大数据的应用效能，也造成了极大的资源浪费。

四是大数据应用层级还比较低。

不少大数据应用还仅仅停留在信息组合查询和对数据的宏观统计分析上，如本月发生了多少起案件、分布在哪些区域等等，并以数据可视化的方式在中心大屏上呈现出来，看起来很高大上，实际上对公安业务产生不了多少实战意义。

公安大数据应用的目的是要通过大数据的分析把关注的目标具体到某个人和未来可能会发生的某个事件，从而形成以“人+事件”为核心的分级分类管控和预测预警机制，做到先发制人，掌握社会治安防控的主动权和主导权。

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。这一过程也是质量管理体系的支持过程。在实用中，数据分析可帮助人们作出判断，以便采取适当行动。

数据分析，是运营中很重要的阶段，是信息流推广中一个非常关键的工作，拥有一套清晰的账户数据表，能让你的数据分析过程，轻松自如、得心应手。

笔者在进行数据分析的时候，一般会用到五张表，这五张表进行分析汇总，然后发现账户中的问题，最终解决问题，让账户效果变得更好。

1、营销流程数据表

2、计划消费数据表

3、搜索词报告表

4、多维度数据表

5、关键词报告

营销流程表格

统计营销流程数据（包括各账户展现、点击、消费、平均点击价格）、统计商务通有效对话、统计预约系统的预约量和到诊量，这些全部放在一张表格上，方便计算预约率和到诊率，也方便对比近期的数据，及时发现波动和异常。

如果经常账户提前下线，或者钱花不出去，就要看看是不是市场有波动，或者竞争对手有大动作，还是账户哪里出了问题。都可以在营销流程数据表中找到问题。只有细心的统计数据，才能为以后的优化方向做好铺垫。

昨日计划消费数据报表

统计昨日计划消费数据，把咨询和预约归类在这张表上统计，可以直观的看出消费、对话成本、预约成本和到店成本。

如果某计划成本过高，就要看一下这个计划的投产比合理不合理。短平快、风险小、利润大的计划，会比其他成本要高，这个要结合公司的经营方向来做调整，把成本控制在一个可以接受的范围里。

搜索词报告

搜索词报告，一般1周统计一次，数据量大的时候3天一次，然后把搜索词报告和和关键词报告进行合并统计。可以很直观的看出某个词的展现或者点击。把这些词在账户里重点标记，或者单独管理，对账户优化有很大意义。

这样结合来看，可以让你对整个账户关键词和数据方面了解会非常清晰。再结合数据分析思路，持续优化账户，往好的方面发展，往高质量方面走。这就是小编整理的数据分析所用到表格的分析。希望能帮到正在竞价一线奋斗的竞价员们。

多维度数据表

多维度数据表是把账户数据和客服转化数据结合起来的一个非常重要的表格，我的习惯是把关键词、搜索词、展现、点击、消费、对话词，通过EXCEL的（vlookup）函数调用，把这些数据全部展现在一张表里，这样就不用看好几张报表，劳神劳力还容易迷糊。

通过这张表，可以直观的看出该关键词的展现量、点击量、消费情况以及是否产生对话。针对这些数据，可以很直观的看出来很多问题，调价、添词、否词、优化账户，基本上全靠这张表。

竞价员可能要看好几张表格，而且容易混乱，很难发现问题，所以在这里笔者着重推荐多维度数据表，然后结合关键词报告，这两张表是较为重要的。

关键词报告表

高消费的词通常是核心词，这种词出价都高，但只要着陆页问题不大，转化还是不错的。这种词，可以往上抢一抢，这类词虽然出价高，但点击总体不会太多，消费一般在一半以上，在账户预算够的情况下，尽力保证排名。如果预算不足，就找出主推项目和利润最大的项目来调整。

一般关键词报告是结合搜索词报告一起看的。每天在筛选完这张表之后，根据关键词的数据分析，如果实在没有点击，那就直接否掉。否掉一批词，再往账户里新增一批词，把该否的否掉，该删的删掉，注入新鲜血液，账户才更有活力。

说到数据分析，其实很简单，就是找到问题、来解决问题。在做SEM数据分析之前，首先要了解数据，为什么要分析数据？通过数据分析可以获得什么？

因此，正常的数据分析过程应该是：确定分析的目的→收集所需的数据→组织数据→分析数据→获得优化意见。

数据是我们调整账户的基础。对于刚入门的竞价员来说，数据分析很难理解。由于关键字报告、创意报告、搜索词报告、对话词报告、转化词报告中的出价数据太多，新手常常不知道怎么开始，此时你需要冷静下来，整理每个报告，过滤并查找有效数据以进行比较。

管理过这么多账户，凭借我们团队的经验，今天以快速掌握SEM数据分析进行讲解。

首先，您需要了解SEM数据名词的含义。点击率是多少？转化率是多少？跳出率是多少？等一系列技术术语，例如帐户点击率下降，您需要清楚地知道哪些因素会导致点击率下降，接下来应该做什么;调整帐户后，您必须清楚地知道哪些数据会发生变化，否则一切都是浪费时间。以下是两个月教育行业的数据案例。

整理后，复杂的数据将变得清晰。经验丰富的SEMer将知道对上图所示账户进行了哪些调整：这组数据是典型的流量不精准分析图，根据公司政策调整减少消费，平移展现下降、点击下降、对话下降、这些都是正常的数据范围，但是我们消费的下降，应该降低我们的转化成本，这组数据中我们的转化成本并没有降低，反而高出了1块钱，这就说明我们在降低消费时，没有控制我们的精准流量进来，还是以泛流量的方式进行优化账户，（当然这组数据的转化成本是指精准客户转化不是所有的转化成本）这就造成我们降低消费的同时没有一个合理的优化方案去优化账户。

我觉得无论什么工作兴趣最重要，要做数据分析师最基本的就是不讨厌数字，如果你跟他讲那个指标是通过怎么样的乘除加减得到的，他会觉得不耐烦，那么显然他不适合做数据分析;如果对数据较敏感，能够一眼发现异常值，数据分布情况，当然是最好的。

再则就是逻辑性，可以让他试试爱因斯坦的那道经典的逻辑题，看看能否解出来，需要多久;逻辑思维对数据分析尤其重要，不然会被各种指标的定义规则、与业务的联系纠结死，逻辑思维好的人写SQL等数据处理脚本也会更加高效。

接着是业务理解能力，最简单的就是让他定义下网站的目标是什么，哪些指标可以作为KPI，用户从进入网站到达成网站目标的整个过程是怎么实现转化的，能否画出业务流程图。(宏观层面，不要深入细节)

如果偏技术则需要懂一些数据库结构和SQL，如果偏展现需要考验下对图表的掌控能力，什么时候用什么图表合适，甚至如何配色。

最后就是细心、耐心和交流能力，做数据分析有时会很纠结，细心和耐心是必需的，好的交流能力可以让数据分析师更好地阐述清楚各类问题。

这些都是比较基础的东西，也是短期难以培养起来的技能。至于另外业务相关的一些知识，可以通过培训获取，问一个未接触过你的网站业务的人一些业务知识其实有些不公平，其实如果具备上面几点，一旦熟悉网站和业务之后，一定会成为优秀的数据分析师。

——谷芬芬

专业内的要求基本就是对数据的意识和一些技能的掌握。下面具体说说从一些非专业内要求的方面出发，有哪些方面能表现这个人更适合数据分析。

首先是看到数据有兴奋感的人。有兴奋感说明你有兴趣，那说明很会有意愿把数据分析好。

其次是愿意学习的人。你分析的内容永远不会一尘不变，即使你分析的主题是相对固定，但业务是变化的，你需要不断的学习业务，同不同人沟通，吸收别人的观点。所以分析师一定要报着学习的态度。

然后是逻辑思维较强的人。数据分析师想要把你的分析好，一定要有结论思维。

还有就是较强的表达与沟通能力。因为数据分析最终价值的实现，一般来说不会是分析师亲自去制定或者实施。所以你一定很有条理、逻辑清晰向别人表达，让业务方认识到你分析结果的价值，从而影响业务方去愿意使用你从数据中得到的观点。

——欧阳帅

觉得还是应该先看清楚自己的未来的方向吧~

我有不少朋友 非数学/计算机/统计学 专业毕业的朋友走的是这个方向，数据相关，非技术路线，更偏向于市场方向，对技术的要求只是Excel、PPT，最多要求SPSS，很少要求会写SQL。这条路线看起来比较高大上，可以走外企路线。

数据分析师方向，很多读数学、统计学、计算机的童鞋会选这个方向，终极目标都是成为数据中心的负责人。中间有2个分叉，一条是从数据分析师到数据产品经理，这个路线最近很流行，主要是结合了数据分析和产品经理的能力。一条是高大上一点的数据挖掘方向，这条路线要求比较高，但薪资也高。当然能走数据挖掘路线是很多数据分析师的梦想，但算法和代码实现能力不是谁都能掌握的。.

根据你自己想走的路，加上自己的技能点。

——张锦华

想了解更多相关内容，记得持续关注我们哦。

如果你觉得有点意思，请有秩序的评论、转发、收藏。

你明白为什么要分析数据么？

说实话，这个问题我自己思考过无数遍，也和很多同事聊过，目前我最认同的还是前老板一句总结：数据是用来反馈经营现实，并帮助管理者指导经营的。

话说出来很简单，但要时刻用这个标准来衡量我们做的数据分析是否有意义却是一个不容易的事儿。很多情况是调取了一堆数据，做各种环比、同比，各种横向、纵向比较，各种占比等等，每个指标你还都能准确找出他们代表的经营现实么？

如果你发现你只能分析出最简单、最基本的数据变化原因的话，那我觉得你应该去实际业务中去看一看、聊一聊、做一做了，数据分析工作绝不是仅在电脑前就能完成的！

当你真的了解业务后，你会发现你具备一种很重要的能力：你可以很轻松的判断一个数据是否可靠！是的，你没听错，即使这个数据在别人看来是多么正常，即使这个数据是SQL跑出来的，你可以1秒钟就告诉领导，这个数据并不准确，我们还是重新核实一下吧！

用数据分析业务，用业务衡量数据！

BY BoraBora

如果你作为一名SEMer，每天80%的工作时间是打开后台，监控核心关键词的排名，每天去调整价格，调整移动比例，否定一些垃圾流量的话，那么我会觉得，你与一名优秀的SEMer人员之间，还有很大的提升空间。

因为一名优秀的SEMer，每天应该有80%的工作时间在做数据分析，20%的工作时间是最后将数据分析出的结果进行后台操作。有人问过我，你认为SEM推广的核心是什么？我以多年的经验总结出两个因素：“行业市场分析”与“数据分析”。

数据分析基于推广数据的筛选与总结。数据报表也分为两种：一种是 后台数据报表（账户报告、关键词报告、地域数据报告、搜索词数据报告等等），这些报表可以后台直接下载筛选使用；

还有一种是 基于第三方统计平台与代码标记的数据报表（关键词跟踪报表、url转化报表、各平台流量占比数据报表等等）。接下来我就给大家分享一下如何筛选适合自己推广数据报表以及如何筛选数据有价值信息。

一、账户报告

数据分析重要程度：★★★★

阐述：账户报告是推广数据分析最基本数据报告，账户报告可以清楚显示出账户推广的展现量、点击量、消费量、点击率、平均点击价格。做日报表或周报表可以做出环比数据值，可以清楚分析整体账户推广情况。

要根据自己账户推广设定限值，当环比数据达到限值得时候，就要重点关注分析。即使环比数据是正向发展，也可以分析出来原因，这样也可以明确效果提升的原因。

例如：推广账户数据环比展现量限值5%，既展现量环比增长5%还是降低5%都要明确分析，如发现今天账户推广数据环比昨天降低7%，既触发限值，结合实际调整操作可分析得知，昨天核心词有调整匹配方式，有4%的长尾关键词昨日没有置左展现，所以根据数据可以清楚知道账户环比降低原因。

根据原因作出相应正向调整即可。而且账户报告，每天的PC与移动的消费占比也一定重视，账户的效果波动可能也多数与PC与移动消费占比有关。

二、搜索词报告

数据分析重要程度：★★★★★

阐述：搜索词报告是作为数据分析与sem优化最为重要的数据报告之一。推广流量精准度与否都可以利用这个搜索词报告一目了然。

但是搜索词报告大部分人都是基于后台搜索词报告直接进行否词操作，而且有很多人都是看见一个不相关的搜索词马上否定掉。最后会发现我们计划否词数或者单元否词数不够用了。

其实 对于搜索词报告我们一般都是将每天搜索词报告做一份excel透视报表，可以透视清楚哪些搜索词垃圾流量触发点击数最多的，超过2次以上点击垃圾流量进行否定处理。触发一次搜索垃圾流量一周集中累计再集中做出透视数据分析，最后看出那些单次点击一周内累计垃圾流量多次触发的搜索词再进行否定关键词。

搜索词报告另外一个数据作用，将有检索搜索词有效添加到投放关键词中。这个也是拓展有效关键词最有效的数据支持。

三、关键词报告

数据分析重要程度：★★★★★

阐述：关键词是sem推广投放核心，关键词数据报告也是所有关键词报告数据分析的最重要的参考数据。但是关键词报告一定是要结合其他数据报告一起分析，才能筛选出我们有效的数据，下面就给大家分析几种比较实用的数据报告结合分析组合。

1）关键词报告与搜索词报告：根据搜索词报告可以 拓展有检索关键词；其次搜索词报告匹配出垃圾流量，不一定要做否定关键词，有部分单次点击垃圾搜索词可以结合关键词报告数据，对于关键词进行匹配方式调整。

2）关键词报告与咨询转化报表：每天结合咨询平台中有效咨询所触发的关键词报表与搜索词报表进行 核算每个关键词转化成本，这样我们可以集中投放高转化关键词，控制高消费低转化关键词消费。

3）关键词报告与账户报告：关键词报告与账户报告关系是包含于关系。即账户数据异常要排查到关键词报表中关键词，所以 账户报告要与关键词报告对应查看与分析。

四、地域报告数据

数据分析重要程度：★★★

阐述：地域数据报表主要作用是明确各地域消费占比与各个地域推广数据。如果对于此数据调整，可以结合后端转化数据进行调整。

调整各个地域消费占比依据：

1、根据后端转化效果进行地域消费占比调整；

2、根据业务地域需求度，进行地域消费占比调整。

五、url跟踪转化代码数据

数据分析重要程度：★★★★★

阐述：url跟踪转化代码数据是定制型数据报表，适用于多平台推广及转化统计。

这类代码与url部署后数据优点：

1、各个平台转化有区分；

2、url部署有利于监控着落页表现；

3、关键词转化id可以直接统计转化词。

4、如果推广有项目区分，可以另行标记区分。

这样统计出来数据可以区分：

1、关键词转化监控

2、地域转化监控

3、项目转化监控

4、平台推广转化

最后，想说跟大家分享了这些比较常用数据报表与数据的分析方式，只是比较 有代表性与实用性的数据报表。SEM 数据分析还有很多需要大家深入研究与专研的。我个人也给予大家几点 SEM 数据分析注意事项：

1、所有数据报表要坚持多维度相结合进行分析处理；

2、数据分析一定要作为日常优化流程，不要账户出现问题才进行数据分析排查问题，日数据异常要积极分析与调整，才能让账户推广效果稳定；

3、数据筛选是数据分析的基础，大量的数据要筛选出有效的价值，依据有大量数据的分类、筛选、过滤等环节进行数据提炼，这个最好要有良好的Excel技能支撑才会高效的进行。

数据分析是我们SEM推广调整的支撑，如果你是一名好的数据分析师，那么还会玩转不了SEM推广吗？

|来源：艾奇学院

百家号-【袁帅数据分析运营】：袁帅，互联网数据分析运营实践者，会点网事业合伙人，运营负责人。CEAC国家信息化计算机教育认证：网络营销师，SEM搜索引擎营销师，SEO工程师。数据分析师，永洪数据科学研究院MVP。中国电子商务协会认证：中国电子商务职业经理人，畅销书《互联网销售宝典》联合出品人之一。中国国际贸易促进委员会:今日会展会员联盟VIP个人会员，全经联园区委秘书处成员，中国低碳智慧园区联盟理事，周五咖啡媒体人俱乐部发起合伙人。百度VIP认证站长，百度文库认证作者，百度经验签约作者，百家号/一点资讯/大鱼号/搜狐号/头条号/知乎专栏/艾瑞专栏等媒体平台入驻作者，互联网数据官（iCDO）原创作者，互联网营销官CMO原创作者。

一般情况下，我们所说的分析是指，使用大量数据、统计和定量分析、解释和预测以及基于事实的管理来推动决策过程与实现价值增生。

根据分析的方法和目的，分析可以被划分为描述性分析（descri-ptive analytics）、预测性分析（predictive analytics）和规范性分析（prescriptive analytics）。描述性分析包括数据收集、整理、制表、制图以及描述正要研究的食物的特征，这类分析以往被称为“报告”。描述性分析可能非常有用，但它不能解释某种结果出现的原因或者未来可能会发生的事情。

预测性分析不仅可以对数据特征和变量（可以假定取消范围的因素）之间的关系进行描述，还可以基于过去的数据预测未来。预测性分析首先会确定变量值之间的关联，然后基于这种已知的关联预测另一种现象出现的可能性，比如在看到某个广告后，一位消费者可能会去买产品的可能性。虽然预测性分析中的预测是基于变量之间的关系做出来的，但这不代表预测性分析中都需要明确因果关系。事实上，准确的预测并不一定与需要基于因果关系。

规范性分析是更高层次的分析，如实验设计和优化等。就像医生会在出处方建议患者采取什么行动一样，实验设计试图通过做实验给出某些事情发生的原因。为了能够在因果关系研究中信心饱满地做出推断，研究人员必须妥善处理一个或多个独立的变量，并有效控制其他的变量。如果处于试验环境下的测试组的表现大大优于照相，决策制定者就应该立即推广这种实验环境。

优化是规范性分析采用的一种方法，指试图识别出一个特定变量和另一个变量之间理想的关系水平。例如，我们可以能会对识别最有可能让产品实现高收益的价格感兴趣。同样地，优化这种方法能够识别出使了零售企业最大限制避免缺货情况的库存水平。

根据分析采用的方法以及收集和分析的数据类型，我们可以将分析分为定性分析（qualitative analysis）和定量分析（quantitative analysis）。定性分析的目的是深入了解某种现象的根本原因和诱因。非结构化数据通常是从少数非代表性案例中收集而来，并进行了非统计性分析。定量分析是分析的最初阶段，他通常是探索性分析的有效工具，定量分析是指通过统计、数学或者计算的方式对现象进行系统的实证研究。通常情况下，结构化数据是从大量典型案例中收集而来，并进行统计分析。

为了服务于研究者的不同研究目的，存在以下几种类型的分析：

*统计学：收集、整理、分析、说明和呈现数据的学科；

*预测：根据已有数据，预测一下一些感兴趣的变量在未来某个特定的时间点的情况；

*数据挖掘：通常使用算法和统计技术，自动或半自动地提取大量数据中未知的有趣模式；

*文字挖掘：用类似数据挖掘的方式从文本中得模式和趋势的过程；

*优化：在同时满足约束条件的情况下，按照某些标准利用数学方法来寻找最优的解决方案；

*实验设计：给各组随机分配被试。然后使用测试组和对照组来推导出特定结果中存在的因果关系。

虽然此处给出了一些列常用的分析方法，但在使用过程中会不可避免地出现相当大的重叠。例如，回归分析（regression analysis）是预测分析中最常用的方法，与此同时，他也是统计学、预测和数据挖掘中常用的方法。此外，时间序列分析（time seties analysis）是用于分析数据随时间变化的一种具体统计方法、在统计学和预测中经常被用到。

你说是个笑话也可以，但是确实说明了一个道理！

一个哥们，有次聚会时说自己买了很多条iphone数据线，家里每个房间插一条，走到哪儿都能随时充电·····

在场的姑娘们都当成是段子笑笑就过去了，只有一个细心的姑娘悄悄问他买了多少条，他说：42条！

现在她和他在北京三环内总共42个房间的数套豪宅里愉快地生活，已定好日子：下个月结婚！

这，就是数据分析！

如果你是她，你会反问他吗？如果你是他，你会理解她对数据的分析吗？

1.什么是数据分析？

数据分析的目的是把隐藏在一些看似杂乱无章的数据背后的信息提炼出来，总结出所研究对象的内在规律。在实际工作中，数据分析能够帮助管理者进行判断和决策，以便采取适当策略与行动。比如：企业的高管希望通过市场分析和研究，把握当前产品的市场动向，从而制定合理的产品研发和销售计划，这就必须依赖数据分析才能够完成。

简单的说，就是对数据进行分析，比较专业的说法是，数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，未提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。以求最大化地开发数据的功能，发挥数据的作用。

数据分析包含“数据”和“分析”两个方面一方面包括加工和整理数据，另一方面也包括分析数据，从中提取有价值的信息并形成对业务有帮助的结论。

数据分析的成果通常以分析报告的形式呈现。对于数据分析报告，分析就是论点，数据就是论据，两者缺一不可。

2.数据分析类别

其中，探索性数据分析侧重于在数据中发现新的特征，而验证性数据分析则侧重于验证已有假设的真伪证明。

数据分析的划分：描述性数据分析、探索性数据分析、验证性数据分析。

1）描述性数据分析：属于初级数据分析，常见的分析方法有对比分析法、平均分析法、交叉分析法。

2）探索性数据分析：侧重于再数据之中发现新的特征

3）验证性数据分析：侧重于验证已有假设的真伪证明

其中探索性数据分析和验证性数据分析属于高级数据分析，常见的分析方法有相关分析、因子分析、回归分析等等。

3.数据分析的作用

数据分析在日常企业运营中主要有三大作用：

1.现状分析

简单的说就是告诉你过去发生了什么。

具体表现在：

第一，告诉你企业现阶段的整体运营情况，通过各个经营指标的完成情况来衡量企业的运营状态，以说明企业整体运营是更好了还是坏了，好的程度是如何，坏的程度又到哪里。

第二，告诉你企业各项业务的构成，让你了解企业各项业务的发展及变动情况，对企业经营状况有更深入的了解。

现状分析一般通过日常通报来完成，如日报、周报、月报等形式。

2.原因分析

简单的说就是告诉你某一现状为什么发生。经过第一阶段的现状分析，我们对企业的运营情况有了一个基本的了解，但是不知道运营情况具体好在哪里，差在哪里，是什么原因引起的。这时候我们就需要开展原因分析，以进一步确定业务变动的具体原因。

原因分析一般通过专题分析来完成，根据企业运营情况选择针对某一现状进行原因分析。

3.预测分析

简单来说就是告诉你将来会发生什么。

在了解企业运营现状后，有时候还需要对企业未来发展趋势做出预测，为企业制定经营目标以及提供有效的策略参考与决策依据，以确保企业的可持续健康发展。

预测分析一般通过专题分析来完成，通常在制定企业季度、年度等计划时进行，其开展的频率没有现状分析及原因分析高。

什么时候开展什么样的数据分析，需要根据自身的需求及目的来确定。

分享 IT 技术和行业经验，请关注-技术学派。