2017 年马云在某次年会演讲中提到一件让他惊讶的事情。

在西湖边上他曾看到乞丐在用支付宝收款码进行乞讨，从界面操作上看该乞丐还能熟练应用支付宝提供的「生意通」功能，研究本周的乞讨收入趋势以及单位小时的乞讨金额，从而为自己制定更加高效的的乞讨策略。

图片来源于网络

乞丐都在用数据分析来武装自己了，身为互联网从业者，你还敢落后？为了让你感知到数据分析对工作效率提升价值，我们来看一个真实的运营案例。

你为什么要学习数据分析

运营研究社在 2018 年以前，公众号图文的推送时间是不固定的，在早上、中午、下班时间、深夜都有过推送，所以相应的阅读量的波动也非常大。

在今年年初我提出了一个假设“如果把推送时间固定的话，会不会对图文打开率（阅读量）的提升有促进作用”。

为了检验这一设想，当时我需要解决的第一个问题是：

“运营研究社的公众号黄金推送时间在哪？”

我导出了运营研究社过去 1 年里的图文数据，并拿推送时间、打开率、标题 3 个数据字段来构建散点图。

运营研究社过去半年图文数据

从过去 1 年的推送时间和打开率的散点分布图来看，高打开率的图文主要集中在中午 12 点、13 点两个个时间段，于是我把将这两个时间点定义成运营研究社图文推送的黄金时间。

在实践中也证明了“在固定时间推送内容有利用提升打开率”假设是正确的，从阅读数据上的反馈就是我们的阅读量在 3 个月时间里提升了 200%。

无论是在生活还是工作，数据分析已是一项必备技能。

我在招聘网站上研究了近 100 个运营岗位的职责要求，用户运营、内容运营、产品运营、社群运营、渠道运营，它们几乎都会在靠前的位置写上这样一行文字：

“通过有效的数据分析（点击率，访问，转化率等），研究分析用户的需求制定运营策略”。

为了让你能够掌握最实用的数据分析技能，本篇文章将带你了解数据分析字段与产品指标、熟知数据驱动运营的底层方法。

“竟巧妇难为无米之炊”，为了让小伙伴们赢在起跑线，下面将开始系统讲解数据分析里的底层元素——数据字段。

你的基础数据字段足够全嘛？

2015 年我在百度贴吧在内容运营，当时的我们核心 KPI 是将次日留存率提升至 45%，于是我就想研究用户首次登入的内容消费量与次日留存的关系，以期通过优化内容推荐系统来提升次日留存。

想法很好，现实却很悲剧，我在给技术同学提数据分析需求时，他们很佛性的回了句：

“抱歉，我们没有统计用户的内容消费数据”。

由于缺乏用户的内容消费数据，我当时只能搁置这套数据分析方案了（在补充统计用户消费字段的 1 个月后才最终落地执行）。

跟大家分享这个案例，主要是希望大家能够理解，数据分析的底层关键支撑是基础数据字段，没有基础数据字段你的任何数据分析方案都执行不了，没有基础数据字段，你再老司机也无法用数据驱动运营。

所以，为了能够做好数据分析，你需要尽可能全面的提出你的数据字段需求，具体来说包括如下 2 类基础数据字段：

1）用户信息数据字段

它指的是用户的社会信息数据，比如姓名、性别、出生年月、籍贯、婚姻、学历，手机、邮箱等字段

对于电商和母婴类产品来说，还需要基于「用户行为数据」推导家庭类型、家庭人数、家庭小孩标签、工作岗位、所处行业等高级用户信息数据字段。

2）用户行为数据字段

用户行为数据字段在记录时的格式通常是User id（哪个用户）+Active（哪种操作）+Time（何时产生）。

比如今天上午，我在贴吧客户端首页看了一篇与 China Joy 有关的的贴子，并且还对妹子们的颜值留进行了评轮。那么贴吧官方会将我的看贴行为数据，以如下格式被统计下来。

用户行为数据字段是每一位用户在产品上操作行为的数据记录，不同产品类型需要的需要记录的用户行为是不一样的。

阅读内容、点赞、评论、分享是社区产品的关键用户行为字段，点击产品、添加购物车、下单、付费、评价是电商产品的关键用户行为字段……

相比于用户信息数据而言，用户行为数据是数据分析的重中之重，可以基于用户行为数据的处理加工，分析出每天产品的登入用户总量（DAU）、新用户留存以及评论用户总量等产品数据指标。

促进数据增长指标都有那些?

有两位内容运营的同学，有一天领导问他们最近的产品情况怎么样。

其中一位运营说产品表现很不错，每天都有很多人互动和称赞，另外一位运营回答说产品有问题，用户都不怎么会将内容分享出去。

如果你作为老板，你应该相信谁？

我想这两位同学你应该都不会相信，甚至还会很生气，因为你的员工没有一点点的数据分析意识。

现代管理学之父彼得·德鲁克说过一句很经典的话：

如果你不能衡量它，那么你就不能有效增长它。

为了能够让数据驱动业务增长，我们需要制定业务的衡量标准，用统一的衡量标准来定义和评价业务，这个统一的标准在数据分析中叫做指标。

案例中的两位内容运营如果能够以互动率和点赞率、分享率这 3 个产品数据指标来向领导汇报自己的运营工作的话，或许就能够在领导心中留个好印象了。

了解和使用指标是数据分析思维的第二步，我们需要基于具体的业务需求设定能够驱动产品增长的指标。（Ps：数据指标是由用户基础数据字段处理加工而成）

按照比较受大家认可的 AARRR 产品增长模型，我们可以将指标分为五大类：拉新指标、活跃指标、留存指标、转化指标、传播指标。

5个产品的拉新指标

运营通过渠道投放让“用户”接触到产品，当“用户”觉得产品不错就会去下载它，打开产品发现里边的内容蛮适合自己，“用户”就会注册产品，最终成为产品真正的用户。

以上是绝大部分运营都会经历的拉新过程，如果你想监控整个过程，并且评估拉新的执行效果，那么你就需要设置如下数据指标。

1）浏览量

俗称曝光量，指的是产品的推广信息在朋友圈、搜索引擎、应用商店等渠道渠道中被多少用户看到。与浏览量相对应的是点击量，它们俩的比例在业内有一个专业词汇 CTR（CTR=点击量/浏览量），很多广告平台会用 CTR 来评估广告质量。

2）下载量

指的是 App 的安装次数，是衡量拉新效果的结果指标。不过，App 下载其实是一个中间态，为了让产品从曝光到下载有一个高转化，你需要注意应用大小、介绍文案的打磨。

比如游戏类 App，为了避免怕漫长的下载时间造成玩家流失，会选择让用户下载后以补丁形式完成全部素材的加载。

3）新增用户

下载并不是意味着就是用户，如果某个“用户”只下载了并没有注册，那它就是一个无效的用户。对于用户的界定，每个产品是不一样的，大部分的产品是用户注册了 App，就被定义为用户了，比如知乎、微博、小红书、百度贴吧。

4）获取成本

用户获取必然涉及成本，而这是运营新手最容易忽略的。目前常见的成本的计算方式有 CPM（千次曝光成本）、CPC（单次点击成本）、CPA（单次获客成本）。

5个产品的活跃指标

相比于下载量和用户量而言，在人口红利消失后，大家开始更关注实实在在的东西了——你到底有多少活跃用户。

用户活跃作为运营的核心工作，不论移动端、网页端或者微信端，都有相关指标可以衡量。

1）活跃用户数

DAU 指的是日活跃用户数量，指的是在 24 小时内活跃用户的总量。把时间周期拉长的还有周活跃 WAU 和月活跃 MAU。（MAU 指的是一个月时间周期里去重后的活跃用户总和）

Ps：与活跃用户相对应的还有流失用户、忠实用户、回流用户，其中流失用户是长期不活跃，忠诚用户是长期活跃，回流用户是曾经不活跃或流失，后来又再次打开产品的活跃用户。

2）活跃率

活跃用户数衡量的是产品的市场体量，活跃率看的则是产品的健康。

比如说某款产品的 DAU 是 100 万，可能你觉得还不错，但是我跟你说它的总注册用户是 1 亿，活跃率仅为 1%，你的感受可能就是这款产品很不错了。

3）在线时长

现在数据分析也越来越注重用户行为了，为了深入研究一款 App 的活跃健康度就需要去研究在线时长（它是视频类网站的核心数据指标）。

不同产品类型的访问时长不同，社交肯定长于工具类产品，内容平台肯定长于金融理财，如果你是做内容的产品的，发现大部分用户访问时长只有几十秒，那么最好分析一下原因。

4）启动次数

它体现的是用户的使用频率，用户的日均启动次数越多，说明用户对产品的依赖性越高，活跃度也就越好。

社交产品的人均启动次数会在 3-5 次之间，是通互联网中在启动次数指标中数值最高的。

5）页面浏览量

PV（PageView）是页面浏览量，UV（Unique Visitor）是一定时间内访问网页的人数，用户在网页的一次访问请求可以看作一个 PV，用户看了十个网页，则 PV 为 10。

PV 是互联网早期 Web 站点时代的活跃指标，也可以理解为网页版活跃。

5个产品的留存指标

如果说活跃数和活跃率是产品的市场大小和健康程度的话，那么用户留存衡量产品是否产品能够可持续发展，如果你是早期产品就更应该关注是留存指标了。

1）用户留存率

留存率 = 留存用户 / 当初的总用户量

用户在某段时间使用产品，过了一段时间后，仍旧继续使用的用户，被称为留存用户。

假设产品某天在某渠道新增了用户 1000 个，第二天仍旧登入产品的用户有 350 个，第 7 天仍旧登入产品的有 100 人，那么这个渠道获取来的用户次日留存率有 35%，那么称七日留存率为 10%。

Facebook 有一个著名的 40-20-10 法则，即新用户次日留存率为 40%，七日留存率为 20%，三十日留存率为 10%，有此表现的产品属于数据比较好的。

2）用户流失率

用户流失率和留存率恰好相反，如果某产品新用户的次日留存为 30%，那么反过来说明有 70% 的用户流失了。

流失率在一定程度能预测产品的发展，如果产品某阶段有用户 10 万，月流失率为 20%，简单推测，5 个月后产品将失去所有的用户。

Ps：这里可以引出一个公式，生命周期 = （1 / 流失率）*流失率的时间维度。比如产品的周流失率为 50%，那么平均用户生命周期为 14 天。

15个产品的转化指标

运营而言，拉新和活跃、留存都只是手段，最终衡量你工作业绩的是你手上掌握了多少有价值的用户。

运营就像用户成长路上的指引者，指引者产品里的用户成为能够产生价值的超级用户，即回归商业的本质。

交易类产品转化指标

1）GMV

它是一个虚荣指标，只要用户下单，生成订单号，便可以算在 GMV 里，不管用户是否真的购买了，京东在双十一对外发布的战报是 GMV。

2）成交额

成交金额指的是用户付款的实际流水，是用户购买后的消费金额，天猫在双十一对外发布的战报是成交额。

3）销售收入

它指的是成交金额减去退款后剩余的金额，属于内部机密数据了。

如果把上述的三个指标看作用户支付的动态环节，则能再产生两个新指标。

成交金额与 GMV 的比率，实际能换算成订单支付率，它体现的支付的流畅度；销售收入和成交金额，也涉及到了退款率，它体现的是产品质量。

4）付费用户量

在产品里边产生过交易行为的用户总量，同活跃用户一样，交易用户也可以区分为首单用户（第一次消费），忠诚消费用户（持续购买的用户），流失消费用户（流失后又回来的用户）等。

同时，为了研究用户的付费潜力，你还可以研究下产品的付费用户比例：

付费用户比例 = 付费用户 ÷ 总注册用户

5）ARPU

在单个促销活动中，它指的是每一笔用户订单的收入，总收入/订单数。而在整个产品生命周期中，我们更关注用户平均付费，总收入/用户数。

ARPU 可以再一步细分，当普通用户占比太多，往往还会采用每付费用户平均收入：ARPPU = 总收入÷ 收费用户数

6）复购率

和新增用户一样，获得一个新付费用户的成本已经高于维护熟客的成本。复购率更多用在整体的重复购买次数统计：单位时间内，消费两次以上的用户数占购买总用户数。

比如运营研究社的技能训练营在第一季度有 1789 个付费用户，购买次数在两次以上的有 657 人，那么我们季度复购率是 36%。

社区型产品转化指标

社区型产品的首要目的是将用户聚集在一起，并且引入用户生成内容，它的核心关键在于培养一个能够生成内容的活跃用户社区。

1）内容生成者

参与内容生存的用户�...

编者按：这是一篇介绍如何制作图表的文章，作者是Amazon战略规划部的第一位分析师Eugene Wei（后来还担任过Flipboard、Hulu的产品负责人，Oculus的视频负责人），原文标题叫做《Remove the legend to become one》，意思是删掉图例成为传奇，因为在英语里面legend有图例和传奇的意思。简单来说，这篇文章介绍了一段经历，一套经验和一本宝书。是一篇告诉我们如何制作出好看的图表，更重要的是如何通过知识追求真相的非常实用的文章。

第一部分：经历

我的第一份工作是在Amazon开始的，在战略规划部当第一名分析师，接手做Analytics Package的工作。特意大写是因为这既是一项严肃的工具能让我们的业务明晰，也是因为其月复一月的制作工作统治了我整整1年多的生活。

1997年那时候，分析甚至还不是一个真正的词。我知道是因为试过找术语，希望澄清我要做的东西，但却找不到，字典里没有，互联网上也没有。回想起你刚开始成规模地使用互联网之时一般搜索引擎返回的结果数之少你就会意识到自己已经老了。那时候智慧还隐藏在新闻组，Yahoo还要靠手工去组织web目录，而很多的Google搜索返回结果寥寥无几。那时候如果俄罗斯人想要干涉选举的话，他们可能会植入一些故事到rec.artsics里面然后挑拨几个极客，但也就只能这样了。

尽管他找不到那词的定义，但是猜它是什么并不难。分析的某种名词形式。不仅如此，Analytics Package本身已经不言自明。真的。它会附带一页纸的附言，总是有一段简短的序言阐明目的，然后再跳到一段内附信息的文字摘要，形式跟论文摘要差不多，或者一封致股东信。我想贝索斯多年后创立的著名的公司政策，也就是支持写文章禁止PPT的做法，也许在那时候的Analytics Package附言那里找到一些起源。它们的启发是一样的：如果你没法用书面语言解释清楚某个东西的话，你自己是不是已经真正理解了呢？

我的面试流程最后一环用了1个小时，面试官是当时招聘的负责人Ryan Sawyer。经历了几乎包括所有资深高管以及贝索斯和Joy Covey等我这辈子预见的最出色的人的重重挑战之后，我以为最后这一道免不了的HR面试关不过是走走形式罢了。但那时候Ryan让我用他能够理解的方式解释一个我能理解的最复杂的东西。权当是给我的工作热热身。

Analytics Package都包含有什么，以至于需要书面解释？图表，一页页的图表，有关Amazon业务方方面面的图表。收入、时评、营销、运营、客服、人员编制、G&A、客户感知、市场渗透率、客户生命周期价值、存货周转率。通常一页纸4张图，横向布局。

Package这个词似乎有点累赘如果Analytics本身是名词的话。但如果你见过其中一个的话，你就会知道它为什么叫做Package。1997年我到Amazon时，Analytics Package大概是30到50页纸的图表。1年后，我转做产品管理时，它已经膨胀到100页了，此外我还在做一份有关客户订单趋势的不行报告。Analytics也许是指可交付的分析或者分析的实践，但Analytics Package在分量上就像电话簿，或者Restoration Hardware五金公司的目录。

那时候公司还没有把精力集中到开发内部仪表盘和分析工具上面，所以Analytics Package是用我们今天标准看来根本不入流的东西做的。我手工把数据录入Excel表，生成图表，调整布局，然后再打印成册。

这整件事最糟糕的部分之一是搞正确页码。Analytics Package背后是整整一个目录的链接电子表格。由于不同的图表来自不同的工作簿，我必须把整个Analytics Package都打印出来，排好序，然后再通过某个晦涩的打印设置菜单手工插入页码。总之，确保分页按照预期就像是拆除炸弹一样。

时至今日，公司都是平板电视挂在墙上，24/7不间断地展示着各种图表。其中大多数都不为人所关注。随时保持透明度的主旨没有错，但对人性的理解不是。我们无视那些随时可见的东西。然而，如果一个月一次把一大摞图表扔到你桌面，再加上概括结果的一封附言，并且如果CEO和你的同事都会在同一天收到同一份报告，同事报告里面该包含有你那部分业务的运营情况的话，你一定会留意的，就像任何人都会注意看一本有关自己公司的书的索引有没有提到自己一样。仪式很重要。

报告会发给全公司的资深经理。一开始资深的定义是根据职级，但就像职场大部分事情的走势一样，谁又被增加到分发表里面变成了一个月度竞争的来源。有人可能怀疑这是我的想法，因为分发表是我来制订的，但其实我关心这个是因为每个月我都得打印和复印纸质版。

现在我已经很少使用复印机了，但那一年我使用的次数比我之前和之后所有日子加起来的使用次数都要多，所以我可以相当自信地说这些机器是人类有史以来制造的最不牢靠的机器之一。

这是一场游戏，其唯一的目标是减少痛苦。一百份一百页的文档。机器复印到一定时候就会坏掉。过了一段时间就会卡纸。墨盒会没墨了。你一次愿意冒险复印多少份？太少你得再次重复设置过程。太多可能会有中间出错的风险，而这又会演变成一系列更为复杂的任务，比如只复印剩下还没复印的然后跟之前已经完成的合并。（如果你在想我为什么要手工插入页码的话，这不仅是为了方便引用特定图表，也是为了在复印机坏掉时找出哪一份资料的哪一页缺失了）

当然你也可以在清理卡纸之后恢复打印，但实际上这从来都没有见效过。以后我知道了，像这种量级的卡纸实际上是复印机永远也无法恢复的。

我变成了精通总部所有复印机情况的大师。我知道哪些复印机能够承担这一繁重的任务，了解每一台的可靠程度。对每一台机器可靠性的波动情况，使用情况以及上一次维修时间都了如指掌。由于我通常每天都加班到很晚，我会把大规模的复印任务留到最后，因为那时候整栋大楼的复印机都可以供我差遣。

有时候我光听复印机内部的复印鼓和引擎声就能觉察要卡纸了。有问题的机器会呼哧呼哧作响，就像烟鬼一样，有时候我会在复印机为我服务时把手放在机器上，就像医者把手放在病人身上一样。我会自称为复印机私语者，不过当我处理它们时总是会连声咒骂，从来没有窃窃过。后来在分析师任期末时，我得到一笔预算去招个临时工帮我完成每个月的打印工作，因为都忍受过那种永远也做不完的劳力之苦，我们至今仍有联系。

我的另一个痛苦来源是另一个工具的极度脆弱性：Excel 97的链接表格。直到今天我仍然是Excel的拥趸，Excel是微软Office套件最棒的工具了，而且如果你从事的是严肃的工作的话，仍然是地球上最顶级的电子表格工具。然而，我永远也无法忘记Excel 97的链接工作簿噩梦，一个理论上似乎很有前景的想法但实际工作起来却完全不是一回事。

为什么不干脆做到一个巨大的工作簿里面去呢？不同的部门必须针对不同的图表提交数据，那时候让多个人同时处理同一份Excel表格简直就是一团糟。找出谁的变更卡住了，整个比较的过程，这些都是难以为继的。所以我给不同的部门都建立了Excel工作簿。其中一些数据我会自己收集手工输入，而有的部门有年轻一点的员工，也有时间和资金去输入和维护自己组织的数据。

哪怕是这个过程很多地方也会出错。当我试图竖起护栏保留链接所有工作簿的公式时，从单元格保护到字体加粗到条件格式标明可编辑单元格等等，到了一般用户手里之后就没有一个电子表格可以幸存的。有人会在这里插入一行，那里插入一列或者误删了一个公式。某月，一个用户可能会改了一个工作表的名字，或者按季度增加此前从未出现过的摘要列。突然之间一堆的#ERROR出现在各个地方的单元格上，或者如果你不走运的话，数字还在，但却是错误的而你并没有意识到。

因此每个月有一部分时间都是用来检查每一张电子表格以及修补出问题的链接和指针，重新建立图表已经丢失的表格链接，或者更阴险的隐患，那些表格链接对了但表格区域链接错误的情况。

但哪怕这些都做完了，有时候表格计算也会出问题。这是注定的。电子表格的原理就是这样，唯一的错误只能是用户错误。我的主工作簿的一个单元格会指向另一个工作簿的单元格。它们的值应该是一致的。但是，当我打开两个工作簿时，一个现实1345另一个却显示1298。强制所有单元格重算的按键是F9。我已经反复按了。有时候重算能行。有时候不行。有时候我会试一下Ctrl - Alt - Shift - F9。有时候我只能祈祷。

我工作中唯一哭过一次，那是在一天很晚的时候，我妈刚刚因癌症去世了，我左腿又因为刚做了ACL/MCL疝气手术打了石膏，当我无法理解为什么我的工作簿核不平，有那么一刻我的意志力崩溃了，决定投降了。这不是循环引用，这个我知道只要我穷究下去是可以解决的，或者至少如果是工作簿内的循环引用的话是最终还是可以解决的。不，Excel 97链接工作簿这个固有的脆弱是一个不信神的程序里面的一个随机缺陷，我的感觉仿佛自己就是整个宇宙当中最遭天谴的那个倒霉蛋。

我想要离开办公室，但是我太累了拄着拐杖走不了太远。那个时候周围已经没有一个人。我把计算机和灯都关了，一头趴在在桌子上，直到那一刻缓了过去。然后我重启计算机，打开两个工作簿，然后看着有问题的两个单元格。它们还是不一致。我按了一下F9。这次匹配了。

大多数时候，在深夜我完成了所有Analytics Package的复印，然后用小，然后是中，最后是大的装订夹把材料夹到一起时，我会把大部分的复印册捧在手上，一册册放到每一位接收人的办公桌上。从我的办公桌出发到一个个办公室串门是一次受欢迎的休息，也许可以停下来跟某位还在熬夜的同事聊上几句。我感觉就像是个按照固定路线送报的，而且往往都在同一个时间起床。

尽管Analytics Package留给了我那么多痛苦回忆，但我仍视之为我职业生涯当中对我影响极大的经历之一。在做报告的过程中，我感觉我们企业的整个组织都摆在了我的面前，它的复杂性和内在工作变得一目了然。同样地，我想象程序员把数据表变成3D图表的数据可视化流程，我能够跟踪从客户想买书到一美元是如何在我们企业内部流动的整个过程。我清楚每一位员工的薪水，从分销商到我们仓库，从货架到传送带，然后打包，搬上运输车，我清楚每一笔订单的时间成本。我能够像职业赌徒算牌一样预测出每100订单会有百分之多少的客户向我们投诉，并且其中有百分之多少属于哪一类型的问题。

我知道，如果我们每月能获得一位客户的话，下个月有多少他的家人朋友会通过口口相传成为新客户。我知道如果1998年1月100客户完成了第一笔订单的话，其中会有多少比例的人2月、3月、等等还会再次下单，以及每一笔订单的平均金额是多少。随着我们的发展，以及随着我们影响力的提升，我可以看出跟出版商和分销商谈判更长的应付周转天数对我们现金流的影响，也能看到每次我谈成了更好的列表价折扣之后我们的毛利都会逐步攀升。

生活在高频交易和正态分布的领域，一个大数定律占主导的领域是多么舒服啊！每个月观察人们购书（以及后来的CD和DVD）的一致性和可预测性就像是在显微镜底下识别自然界的一些晶体结构一样。我不羡慕Snapchat或者Twitter或者Pinterest这样的公司，上市或有朝一日可能上市的社交网络，或者那些从事社交网络业务的公司，当他们的网络那么大但仍然那么的不稳定（收入流就更加了）时他们得设法管理好投资者的期望。社交网络的指数性增长当然很有趣，但如果你是Twitter每个季度都要努力向投资者解释为什么你又没有达到目标时就很无趣了，当你要假装知道一个季度后收入情况会怎样，且不说2、3个季度后的情况时，事情就没那么有趣了。

在Amazon，我能够卡出我们下个月甚至更远的未来的收入是多少，误差只有几个百分点的精度。唯一需要做出的决定是我们打算告诉华尔街我们的预测数字是多少。那时候，我们总是低估我们的收入（underpromise），因为我们知道结果会超出预期（overdeliver），唯一的问题是我们应该预测多少收入并且仍然在下一次财报会上给大家带来惊喜，并且这种惊喜是可靠的。

我们对自身业务的了解深度继续超过了我服务过的任何公司。这很大程度上要归功于贝索斯对详细程度的要求。没人能像最高领导人那样对责任设定标准。大部分功劳要算到Joy和我的经理Keith头上，是他们让Analytics Package成为了战略规划部门最核心的任务之一。Keith把我推给了Tufte改变了一切。还有更大的功劳属于所有那些帮助收集业务各方面晦涩难懂的数据的人，那些负责本部门相关职责的同事，其中很多人都针对自身领域建立了自己的模型，并定期对其进行维护和更新，因为他们知道每个月我都会过来敲门给他们出难题。

我相信这一点，因为Joy跟几乎每一条块的运营者一样了解我们业务的每一部分或者甚至更加了解，她是少有的几个既能防守又能主动出击的CFO之一。我见过的几乎每一位CFO做法都是老一套；总是严厉控制开支，采取财务保守主义，对任何大胆的财务事项投以怀疑的眼光。这些Joy做得可以比下一任更好，但在位时她会敦促我们多花点钱，其热...

门店的数据报表，包括各部门每周/每月的销售额、毛利、毛利率、日比、周比、同期比、销售占比、日平均销售额、通路费用、各项数据指标、达成率及行动计划等，对于门店管理来说是至关重要的。而往往最能直接暴露门店经营问题的，就是门店经营数据了，面对门店的一张张报表，如何从繁琐的数据中，合理的得出对门店日常经营管理的各项措施和办法，即如何做好门店数据分析，这对当下企业的门店管理来讲，是一门生意经。

基于此，帆软FineBI商业智能产品提供了企业级的门店智能数据分析的解决方案：通过鼠标点击和拖拽就能够轻松掌握门店分时段营业分析、门店综合营业分析、门店报废商品分析、门店综合管理驾驶舱等等一系列的数据，在经营和管理门店运营的过程中真正做到数据在手，胸有成竹。

方案内容

企业门店智能数据分析干货内容：

1.企业如何快速搭建门店智能数据分析平台？

2.如何让门店管理人员直接对接门店数据库快速完成基础数据分析？

3.如何让门店管理人员直接对接门店数据库快速完成综合数据分析？

4.如何让门店领导直接对接门店数据库快速完成即席数据分析？

5.如何让企业门店智能数据分析成果实现团队协作共享？

方案效果及实现说明

1.企业如何快速搭建门店智能数据分析平台？

这部分工作属于企业IT部门的前期数据准备工作，需要IT部门在FineBI的数据配置-数据连接管理中新建好数据连接，保证数据连接测试成功。然后添加人事管理业务包，将相关数据表加入并且建好立表间关联关系即可（如果是FineIndex类型的业务包需要更新好FineIndex数据）。分配好对应数据权限之后，用户即可直接在浏览器前端来对这些人事数据进行即席的多维探索分析。

以本方案为例，如上图所示，我们在人事管理业务包中添加好门店主档信息表、综合营业分析表、日期信息表、小时维度表、报废商品数据表、营业日数据源表等数据，并且建立好维度表和事实表之间的数据关联关系。

最后在数据配置-权限配置管理界面中将建立好的门店管理业务包的权限分配给门店部门相关人员，并且在管理系统-用户管理中将门店部门人员加入到BI编辑用户的已授权列表中。

2.如何让门店管理人员直接对接门店数据库快速完成基础数据分析？

a.门店分时段营业对比分析

门店经营的第一项基础且重要的工作，就是门店管理者需要对日常时间范围内的销售情况进行把控，熟悉各个时间段门店的销量状态。特别是对于特定的一些节假日举行的促销活动，我们更需要进行及时关注和跟踪，这样才能根据以往的经验更好地去策划未来的活动，取得更好地活动效果。

如上图所示的门店分时段营业对比分析，我们可以通过FineBI的时间控件进行任意日期的内的门店经营效果比对，追踪各个门店的实时经营状态。除了小时的粒度之外，针对不同星期的门店经营业绩进行分析对比（上图所示，周一的门店经营整体状态明显由于其他星期），以便优先选择活动效果最佳的时间。

b.门店报废商品分析

为了更好地对各个门店的销售商品进行优化，我们需要对报废商品进行一些数据分析。如上图所示，我们可以通过仪表盘合计出时间区间内的报废总金额，同时用对比柱状图过滤出报废商品Top10的商品，重点观察和监督。营业部方面，试用饼图统计出各个营业部的报废金额分布情况，着力对报废商品问题严重门店进行商品整改和优化。

c.门店信息查询

对于门店的信息查询，我们可以试用FineBI内置的地图进行基于地理位置的数据分布统计，另外通过明细表组件展示各个门店开设的详细信息（门店名称、大区名称、中区名称、小区名称、门店地址等）。

3.如何让门店管理人员直接对接门店数据库快速完成综合数据分析？

a.门店综合营业分析

接下来我们来进行门店的综合营业数据分析，如上图所示，我们使用仪表盘组件合计总的营业净额，使用柱状图降序统计各个门店的营业额数据情况。对于日期区间范围内各门店营业净额的数据，我们使用堆积柱状图进行统计，以对比分析每天各个门店的营业净额数据。销售结构（销售毛额、营业净额、折扣金额）和销售品类（一般商品销售金额、饮料销售毛额、食品销售毛额）的分析，我们使用折线图进行基于每天的数据对比分析即可。

b.门店经营目标达成分析

如上图所示，我们再来做企业各大区门店经营目标达成的数据分析。由于我们的门店营业部有三级分类，那么这边选择多层饼图来进行三级营业部下的目标达成率分析最合适不过了。各个门店的营业净额方面，使用组合图的对比柱状图分析各个门店的目标金额和营业净额数据，使用组合图的折线图分析各个门店的目标达成率（目标达成率=营业净额/目标金额）。

4.如何让门店领导直接对接门店数据库快速完成即席数据分析？

除了以上给大家介绍的制作一些企业常用的门店数据分析之外，FineBI最大的特性就是随时满足业务人员或者企业领导的数据即席分析需求了，通过轻松的托拖拽拽操作，就能生成丰富多样的数据分析可视化统计结果。

我们以上图的每日交易数量和销售毛额折线图统计场景为例，只需要将交易日期字段拖拽到分类轴，将销售毛额、交易数量拖拽到左右值轴，即可自动完成分组统计，真正做到想看数据“不求人”！

5.如何让企业门店智能数据分析成果实现团队协作共享？

企业的各项工作，主要由各部门团队分工协作完成，彼此之间需要很好地进行沟通和配合，那么FineBI是如何帮助企业将门店智能数据分析成果实现团队协作共享的呢？

以上图所示的门店管理中心驾驶舱为例，展示了企业的产品销售种类统计、门店毛利统计、地区销售额统计、月度销售额/毛利额统计等等多个核心的门店管理分析指标。那么门店管理人员通过FineBI做好的一个门店管理里中心驾驶舱之后，其实在FineBI中可以非常便捷地将它分享给相关部门或者指定人员的。

例如我这边想把它分享给企业的领导人员，那么可以在FineBI的仪表板中将做好的门店管理中心驾驶舱模板点击分享给领导部门的Tom，然后点击确定即可。这样一来，领导部门的Tom登录之后就能收到门店管理人员给他分享的门店管理中心驾驶舱了。

埋点是App数据运营中很重要的一个环节。之前我们讨论过用户分群的方式、漏斗转化的改进，但所有App数据的来源是数据采集，很多时候就是App的埋点。

数据只有采集了才能做分析，分析了才能实现价值。

图1. 数据运营微笑模型

上图是数据运营解决问题的思路，但相对的， 数据运营分析的需求，也驱动着数据埋点的优化。 有时候，我们可能会遇到这样的尴尬：

数到用时方恨少！

木有结论肿么破！

其实，数据埋点比我们想象得有更多挖掘的空间，有针对性的有条理的埋点能够帮助我们 理清用户行为轨迹、抓住用户特征、解析关键路径。

但过多的埋点，可能会给App带来负担，也可能对App用户的流量、网速体验有影响，这都是我们需要考虑的因素。全埋点、多采集，并不是数据分析体系构建的办法，反而是把分析挖掘的工作量后移，给数据分析带来很多负担。

较好的做法是：带着我们的分析目标与数据解读思路去埋点。腾讯移动分析MTA在数据埋点上做过多次优化，能确保多次采集一次上传的数据传输过程，减少对用户流量的影响，优化用户体验。

下面我们分几个层次来讨论埋点问题：

1、用户行为分析

通过埋点可以追踪用户的行为， 即对App内的关键路径进行监测 ，这无疑是最常见也是最重要的应用场景。不同的App可能关注的埋点事件有很大不同。例如， 电商类App 多关注的是订单成交； 社区类App 可能关注UGC内容的产生； 阅读类App 则需要关注内容的阅读。

用户埋点的场景很灵活，埋点可以统计的事件数据能和业务数据进行打通。

比如在新闻阅读的App中，将阅读新闻作为自定义事件，每一篇报道都带有不同的参数，可以得到阅读的大盘整合数据，也可以分析每篇报道的价值，甚至可以方便的实现阅读量排行榜等功能。

埋点是因 业务场景需要 而定的。

比如第二篇时讲到的漏斗细分中，有一个 金融用户案例 。在绑卡流程转化流失率过高的时候，需要定位每一个输入框的填写方式是否存在问题，这时埋点的密度会比一般情况要高很多。

图2. 定位问题时的埋点示意

上述埋点是基于我们想要定位“ 为什么绑卡页面转化率低 ”的需求。埋点之后，在绑卡流程漏斗中，MTA会生成一个详细填写页面的漏斗，从中我们或许能知道用户是在哪一步停止操作的，是否有改进的空间。

图3.漏斗拆解（由于业务数据敏感性，以上数据已做模糊处理）

但如果之后我们修复了问题，我们可能就不需要这么细致的埋点了，或者我们只需要对可能出问题的地方进行埋点监控。

图4.稳定后的埋点示意图

因此，业界所说的 全埋点是一种未充分理解自身业务时采用的策略 ，很多时候也无法满足详细漏斗的追溯要求。而不必要的埋点带来了过量的数据上报，一方面加重了用户的流量负担，另一方面也不利于后期的复盘分析。

当然如果真的是业务上线了，点还没埋上，腾讯移动分析MTA新近推出了 可视化埋点功能 ，可以由产品、运营同学通过web端配置埋点，云端下发至App中，随时调整App内的埋点策略，也是机智而有效的救急措施。

开发GG再也不用担心我漏埋点啦~~

2、用户人群分析

根据用户事件、来源渠道、同期群，甚至年龄、性别、地域等，我们可以把自己的App用户切割为很多小群体。比如 在订单购买的业务中 ，将订单金额作为参数上报，能够更好的分析用户的价值。下图是一种 消费用户分群 的方式，以消费金额Monetary、消费频率Frequency和最近一次消费时间Recency，得到8个象限的用户，可以对不同的用户进行不同的运营推广策略。

图5. 消费用户分群模型

还是看这个电商App，当用于活动运营分析的时候，可能数据分析的视角和方式就不太一样了。

举个例子：618活动时间新注册（同期群）且完成过一次订单的这群用户，他们在活动期结束之后，会有哪些表现？

购买VIP会员的转化率高于平均活动水平→ 某个新的广告渠道带来了优质的新客户，该渠道可以继续投入，持续关注效果 ；

继续参与七夕节的活动→ 人群可能对活动信息比较敏感，适合推荐促销信息 ；

流失曲线&再次开启时间的关系是：2周内不再开启App的客户，87%都流失了→ 我们如果在新用户注册后1周左右的时间通过Push、短信、邮箱等手段唤醒用户，能够大幅提高留存 。

通过把人群切分，去分析业务特性，能够加深对用户的理解，结合你的App触达手段，能够让你更好的与用户交流互动，实现业务运营的目标。

而这里的人群切分方式，就需要通过埋点定义出自定义事件，通过事件与其他条件的叠加、筛选，与不同事件、报表做交叉分析，就能够凸显核心用户群体的价值，精细化运营不同用户群体。

点击不同按钮、关注不同板块、甚至不同注册时间的人群都有不同的特性。

精细化的分析运营需要对业务的深入理解，需要学会切入分析的角度，解析你的用户的特征，了解你的用户，再由数据的需求去驱动埋点的配置。

3、解析核心路径

第三点是基于第二点的应用。通过切割用户人群，再回到业务关键路径上，去发现吸引用户、留住用户的奥秘。举一个比较知名的例子。

在某知名社交App的数据分析运营分享中，通过不同的事件对比， 可以发现10天内添加7个好友的留存率大大提高 。

我们回溯一下，如果我们想要分析什么才是这个App留存率的关键，我们需要罗列很多的可能性，比如在平台上浏览100条新闻、引荐3名新用户加入、产生UGC内容或者是上传3张照片、玩过平台游戏。那么，我们需要对比这些人群，寻找在这些事件中哪些才是与留存率 强相关 的？

如果是添加好友的这件事，那么这个时间限是，注册时关注3人，还是一周内关注5人？

或者如果我们发现，引荐5名新用户，留存率非常高，但实际上，真的能引荐5名新用户的人群少之又少，那么这件事也不适宜我们去重点关注，因为给我们带来的成本太高了。

图6.自定义事件与留存相关度的分析实例

从这些关键事件中，我们要通过数据分析找到其中的 核心路径 ，然后倾斜我们的资源去支持它。

好啦，今天的分享就到这里了。 总的来说 ，埋点与数据统计，都是为业务服务的。关注哪些事件、为他们埋点是由于App自身的业务特性所决定。

埋点需要有的放矢，分析才能得到结论，迭代增长也将有迹可循。

数据运营和数据分析师，算当下比较火的岗位，因为能实现本科毕业不久就年薪20万。准确来说毕业2-3年可达成，现实中也很多人从事这个岗位，来咨询职业困惑的也不少，他们也有很多职业问题，还有要发展副业的。

今天我们来看下群友真实投稿。但说来奇怪，他这篇文章我首次是在知乎发表，但知乎上一致差评，说吹牛逼；更奇怪的是，却每周俩人来咨询这个数据运营岗位，说自己来自知乎，看了这篇文章。

这里，我大致就明白了，我知乎上很多文章不被点赞只被收藏的另一个原因了。

回到原题，数据运营岗位是我比较推荐的，也是趋势之一，你别老盯着打代码的程序猿工作。

下面欣赏下群友小杨的来稿，职场感言。

《我94年的，搞数据运营，月薪2万》

说实话，从2015年初工作到现在，我都没有固定的岗位，做过程序员、产品经理、数据运营经理。去年回老家一说自己是经理，亲友们都吓了一跳，因为据说在他们的行业里能坐上经理的位置，得至少十年的时间，而我才毕业2年。

毕业后经验综述

我的工作内容多而杂，工作中要和研发沟通产品的设计、测试及上线问题，还要负责线下广告流量提供商的沟通协调。其中合作协议的确认、签署和发布是我的主要执掌，但也要负责和客户进行长期的沟通，交流项目预期以及目前进展。毕业这两年来，周围的同事以及我的学长，都比我工资高了去了，在工作中我也认识了很多好朋友，有来自互联网巨头的，也有中小型互联网公司的人。

第一份工作如何开启

言归正传，我在2014年底大四那个寒假期间，就离开校园直接去北京找工作去了。根据学长的建议，我找了一个互联创业公司的实习机会，直接上班去了，也没计较太多，工资大概5千来块。这家公司的同事和领导都喜欢称呼我Silence，可能因为我平常不多说话。但我和同事们的关系都还不错，唯一跟直属领导关系不好。后来我总结，不好的原因显然是没给领导面子，每次在领导说得不对的地方，我都会毫不留情地当面指出。

刚开始工作，我根本不知道自己是啥，觉得是打杂的，后来细想之，初入职场的人，必须各个岗位都打杂下，这才能接触到公司的本质。刚毕业，你就是打杂，必须的。

我在这第一家公司的工作内容，也是打杂，从产品原型设计，到产品上线测试，再到业务沟通、财务报表，包括业务合同签署等等工作，都需要我去做。在工作过程中，我接触到了很多知识，也是经验，比如公司如何去获取融资，项目的确立和开发，公司组织架构和人事规章制度的管理，企业的财务管理以及风险管控等等。我亲身体会：不要怕打杂，不要相信多做多错，那些都是老油条不思进取的职场法则，貌似正确，实则会留给他们这些老员工一个悲凉的结果--中年失业。

跟领导的关系纠葛

我的第一个领导曾是一家大型互联网广告公司的高管，后来他和几个同事自主创业，拿到第一笔天使投资，创办了这家公司。公司整体的工作氛围都不错，尽管企业文化和公司规章制度都还不健全，但大家都为着同一个目标而付出着，奋斗着，都没有丝毫怨言。

我在工作中没出过大的纰漏，倒是因为公司产品和项目管理的不完善而多次替领导背了黑锅。一开始想，既然出现了问题，出错了，谁背个黑锅也无所谓，毕竟还要继续在这家公司做下去。但久而久之，我就成了背黑锅大王，从此，我的潜意识里已经做好了离开的准备。

2015年前11月，在我来此接近一年的时候，公司空降了一个新领导过来带我。由于当时公司只有我一个人管理着运营这块事情，新领导啥也不懂，事情都要我帮忙做，原来新创公司里也有关系户能直接来做领导的，占着坑不拉只拿高工资，这成为我决心离去的最后一根稻草。在2016年1月，我向领导提出离职。相信小伙伴们很多跟我一样，第一次提出离职，会被领导轻而易举就劝服留下，领导承诺给我涨薪水，以情感人，我就又勉强留下了。

加薪和离职

拖了三个多月，公司终于兑现给我涨工资了，这次也过了月薪一万的门槛。但时间长了还是未能解决矛盾，跟领导的关系甚至越来越僵，矛盾也越来越大，这次我毅然决然了，2016年7月份，裸辞了。看到这里，诸位别以为我是霸道干脆的狮子座，实际上我是犹豫不决的天秤座。

大家可以看出来，正是我的犹豫让我在第一家公司多滞留了半年，后面果断辞职走人，主要因素应该是我身体力行在工作中的体会，不得不走所致，第二个原因就是年龄的问题，我是1994年秋天出生的小狗，我可不喜欢那么多世俗的拘束，那是70后80后考虑的事。裸辞对当下的我来说，是个常态。这个“裸”字，应该是那些前辈创作出来的，这是他们胆小谨慎的体现，对裸辞的害怕也是注定未来中年失业的伏笔。

北京转战上海

在我离职前后，以前服务过的很多客户约我吃饭，我欣然前往。客户就是客户，无利不起早，他们请我吃饭，其实是问我有没有时间帮他们做广告推广，并且承诺给我分成，当时我都婉言拒绝了，因为自己那时也不清楚接下来会在哪，会不会很忙。还有，我的爱情在哪？我不知道。我老家在江西，第一份工作就在北京待了一年半，而我喜欢上海，小时候一心想去深圳，在毕业后首份工作结束时，我茫然了。

2016年7月到8月份，我花了一个月的时间找工作，既投了北京的岗位也投了上海的岗位，只投了半个月，因为有半个月的时间我回老家休息了。我的面试大多是通过电话面试搞定的，见面谈就是终面了，主要是谈工资。这不，去年8月底，我就通过电话面试收到了一家国企的offer，月薪2万整。于是，我的工作城市从北京转战到了上海。

在去上海入职之前，我在北京特意请关系最好的同事吃了一顿饭，这位同事就是我的恩师，他帮助了我很多，在工作上他是我的启蒙老师，无论是职业规划上还是知识指导上，他都帮助我开拓了商业格局以及对职场的看法，当然他也会推荐一些合适的工作机会给我。

新征途和首份爱情

2016年9月前，我正式入职了这家国企。

四个月的坐班生活，让人无聊到抓狂，看来办公室工作不是我想要的。想到自己无所事事而且学不到什么东西，我有了辞职的想法。人生就是这样，总是车到山前必有路，经过跨部门的同事介绍，说公司在外地很多分公司的数据分析项目缺人手，我通过内部人事关系的运作，终于进入了支持分公司项目数据分析师的角色。出差是免不了的，这正是我喜欢的，公司还给我安排了徒弟，我尝试着带新人，教他们一些基本的工作技能。

项目前期加班是种常态，每天都很晚休息，也许做项目就是这样吧，坚持坚持就过去了。此间，我收获了我的第一份也是至今唯一的爱情，她在星巴克中国总部上班，职业也处于快速上升期。我就这样国企上着班，周末谈谈恋爱，一干半年没了。房子归房子，我们又不急着买房子，我们两家各自在老家都有不少房子，房子是70后80后的事，让他们庸人自扰去。

第二次跳槽

到了2017年春节后，我在项目上待久了发现自己也遇到了瓶颈，成长速度开始变慢了。说实话，没有成长空间的工作，没有挑战性的岗位，对于我来说是种灾难，因为只有自己快速成长之后，才能够追寻自己想要的一切。

春节后投递简历，并且通过圈内好友介绍，我甚至一个月就有了好几个Offer和录取臆想，其中不乏京东和BAT，月薪大致在2万-3万。

这篇文章写于2017年夏天，这就是我这个来自江西普通高中普通大学的普通毕业生，工作两年来的感想和现状。实际上我在今年2018已经通过内推进了大型房地产公司，发现别人找不到工作，我觉得奇怪。不多说了，我确实才刚刚上路，未来还很远。

我的经验不多，岁数不大，我也不知道互联网未来还能红火多少年，但，那不是我要关心的，我只是一个小小数据运营工程师。我也一直感受到压力巨大，对未来实际上还是迷茫的，迷茫应该是一种常态。我坚信：未来任重道远，但都事在人为。

作者：silence

对一家互联网公司来说，如果没有设置单独的数据运营岗，那么用户运营是和数据最贴近，也必须是最了解用户的。

用户运营核心的方法论就三个：拉新，促活和留存。拉新可以作为渠道推广单独讨论，而促活和留存则相辅相成。

非运营岗，或者其他类型的运营，通常只会注重一个活跃数据的果，而不会注意活跃数据的因。我们在这里就抽丝剥茧，教大家比较快速地了解活跃体系。

互联网公司对活跃用户的定义大同小异，主要以用户打开APP一次记为一个活跃用户。

按此基础可以在时间维度引申出周活跃用户，月活跃用户。即在一个自然周内打开一次APP，则本周为周活跃用户。月活跃用户同理。

我们假设有一款新产品，这是它四个月内的活跃数据。嗯，看来不错。

产品专注的市场领域不同，活跃用户数天差地别。一款小众的垂直领域产品和泛社交类产品，单纯看活跃用户数，你很难界定它们好坏。

好的数据指标，都应该是比例或比率。

我们设定一个新指标，活跃率：某一时间段内活跃用户在总用户量的占比。

按照时间维度引申，有日活跃率DAU，周活跃率WAU，月活跃率等MAU。

例：月活跃，本月活跃用户在截止月末的总注册用户中占比。

一般而言：活跃用户数，看的是产品的市场体量。活跃率，看的是产品的健康度。

实际得承认，不同产品，用户需求（高频或低频）不同，活跃率也有差异。用户运营更多的职责是监控活跃率的变化，并且提升它。

看，我们的活跃用户数上升，活跃率下降，这对新产品来说很正常。你不能要求每一个用户都使用我们产品不是？

别急，我还没补刀呢。

我们统计了注册用户数，那么我们也可以统计出本月新增用户数，很简单，两个月相减。

是不是看出来什么了？

要知道，按照活跃的定义，新注册的用户肯定是打开APP的用户，他也一定是活跃的用户。

所以，我们拿每月的注册总用户数减去新增用户数，计算老用户数。并且将新老用户的活跃率独立出来。

指标拆分后，我们发现老用户的活跃率比预期低。实际在产品早期、渠道投入资源推广、或一次成功的病毒营销后，因为新增用户数量的暴涨，总是会带动活跃数的上升。

A产品打算在五月份做大投入，在APP上进行活动，希望用户大力参与，同时在B渠道进行推广。在常规的统计指标中，发现活跃数据上升。事后分析发现活跃为新增活跃，老用户的活跃数据没有显著上升。配合其他活动数据，证实活动效果较差。

C产品获得投资后，通过大规模的烧钱推广，获得一个正向的活跃数据反馈。此时活跃有不小可能是由新增用户撑起的。产品自身的打磨若不好，老用户活跃率不会提高，这也是我们常说的留存概念。导致钱白白浪费不少。

产品进入稳定期后，有了一定用户规模，新增活跃一般对活跃数据就不会有大的影响了。那么以新老用户区分活跃统计就够了？我们简单定义三个场景：

用户A下载产品后，把玩了一段时间，发现这是他想要的功能，爱不释手，成为发烧用户；

用户B下载产品后，看了几眼就不再使用。产品2.0发布后，觉得有个新特性不错，于是回来继续使用，逐渐成为活跃份子；

用户C从网上看到随便下载的，用了产品觉得一般，吐槽几句并且卸载，不再使用；

用户包含各种类型，反应了不同群体的特征和想法。在使用整个产品的周期中，我们应定义更全面的指标：

流失用户：

有一段时间没有再打开产品，那么我们就视为流失用户，根据产品的属性，可以按30天，60天，90天等划分。

不活跃用户：

有一段时间没有打开产品，为了和流失区分开来，需要选择无交集的时间范围。比如流失用户是60天以上没打开产品，那么不活跃则是0～60天没打开。

回流用户：

有一段时间没用产品，之后突然回来再次使用，则称为回流用户。回流用户是活跃用户，且是由流失用户或不活跃用户唤回而来。

活跃用户：

一段时间内打开过产品。

忠诚用户：

也可以叫超级活跃用户，长期持续使用产品，比如连续四周，或者一个月内15天等。

现在我们发现，不论是活跃用户还是不活跃用户的维度，都一下子丰富了起来。

通俗的理解一下用户活跃的变化

上文ABC的三位用户活跃路径为：

A：新增—活跃—忠诚

B：新增－不活跃－回流－活跃－忠诚

C：新增－不活跃－流失

回到一开始那款产品的数据，我们将分解后的新指标统计出来。（定义忠诚用户一个月内有15天活跃；流失用户为两个月没打开过）

（以上数据以月末当天的统计为准）

你看，指标开始变得复杂了。产品有长期使用的忠实用户，也有流失用户。有用户回来继续使用，也有用户不怎么爱用产品。

数据是为了方便讲解随手编的。实际的情况可能会更复杂，可以根据情况灵活应对。

用户活跃可以简化为一个最简单的公式：新增用户的数量要大于流失用户的增加量。可以想成一个水池，运营会一直往里灌水，但是水池也会漏水，如果漏水速度太大，那么水池就干了。一款产品可能因为市场竞争、拉新乏力导致新增用户数下降，也可能因为产品改动，运营策略失误造成后续流失用户变多。

将数据制作图表：

(活跃用户和不活跃用户可以拆分出来，周活跃同理)

用户运营们可以按照日、周、月维度维护三张报表，监控活跃数据的变化（建议花更多精力在周报表上）。

如果是一个好的用户运营，他会继续思考：每天有多少活跃用户变得不活跃？有多少忠诚用户变得不活跃？又有多少流失用户被我们唤回来等，并且分别是什么原因引起的。

怎么样更详细的监控活跃数据的变化呢？我们引入桑基（Sankey）图的概念。

这时，活跃数据比单纯的表格清晰多了，而且我们也能够显著观察到不同活跃层的变化。万千变化，存乎一图。 有了数据和趋势，我们应该聚焦更多精力到怎么去应用在运营和业务上。

观察忠诚用户，发现他们有什么特征，为什么爱用我们产品。同样的道理，我们也能观察流失用户；

忠诚或流失用户是否在推广渠道上有显著差异（配合新增留存数据）。

某一段时间回流用户增加，是产品更新，市场推广，还是活动营销？

本周，变成不活跃的用户比以前多，要不要做一次用户访谈看下原因？

活跃的用户用Push营销，流失的用户用短信营销，这是不是一个好方法？

以上种种，皆是用户运营需要考虑，也是要和各部门协同解决，贯彻整个产品一生的运营方向。

活跃类指标有一个显著特点需要明白，它们都是后见性的指标，也就是事情发生后我们才能观察到。比如我们发现某一段时间流失数据（假定两个月没打开APP为流失）上升，往前倒推两个月，发现当时刚好展开一次活动，那么我们有理由相信活动造成了一批用户卸载，可惜运营此时已经无能无力。先见性预防比后见性观察对运营更重要。

根据不同的用户活跃状态，依据产品的特性能采取很多运营手段。这是精准化运营的第一步。接下来则是划分用户层次等，进行更精准的运营，不过那是另外的话题了。

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。

Tita的企业运营报表已经上线好长一段时间了，那您是否真的会用我们的企业运营报表 呢？小编为您揭露一些除了常见功能(查看报表)以外的非常实用而且强大的功能！

企业运营报表另存报表除了常规的查看报表以外你是否发现我们报表的过滤条件是自己可以调整的呢？那您是否为了查看目标报表每次都要调整过滤条件呢？其实可以变得更easy，只需要调整一次过滤条件，另存成为一份新的报表，然后每次都打开这张自己存的报表就好啦!

订阅报表要助理定时定点发报表给您看？报表订阅一键搞定！自定义发送周期，邮件、短信多种提醒方式，PC端、移动端多端查看，还不用受tita权限的限制，想给谁订阅，就给谁订阅。

点击数字查看详情看到我们统计出来的任务总数或者项目总数，您是否知道点击这个数字就可以查看详情呢？点击数字，查看统计的到底是哪些任务/项目；

最后，别忘了我们的报表都是可以导出成Excel的哦，满足您后续的各种处理~

一到月底，各位运营小伙伴们就开始慌了~各种报表总结做不完不说，还要做下个月计划目标，怎么做？拍脑袋吗？

当然NO!制定销售目标必须根据各区域各门店的历史营业数据！

但数据哪里来？

翻出以前累积的一张张报表逐个查看分析？！现在，用甩手掌柜分析型报表，分分钟理清各维度营业数据，基于这些“聪明”的数据，让你快速做好下月目标设定哦。

甩手掌柜报表

告诉你下个月销售目标定多少

要制定出下个月的总体销售目标，可以通过甩手掌柜报表销售分析模块，查看今年各月销售额同比环比的数据变化，例如，今年6月销售额同比增长了40%，环比增长了18%，那下个月的销售目标也要遵循这个百分比换算得出预估。通过全年各个月份的销售额环比同比数据，能为制定下个月平均销售目标做充分依据。

告诉你如何分解目标到每一天

敲定总体销售目标后，要科学的把月度总目标分解到每周，甚至每日。甩手掌柜周销售趋势分析，可以精确看到4周每1天的销售趋势变化，能让你快速把月销售额科学的分解到每1周、每1天。如上图可以看出，在周二和周四每个月的销售都差不多，那么下个月的每个周二周四也可以设置差不多的销售目标。

目标制定并且分解完成后，运营者要考虑通过什么样的方式实现目标，通过甩手掌柜报表，你可以快速找到以往运营中的问题，作为下个月提升销售的突破口。

告诉你为实现目标该做什么

找到拉升销售的“关键顾客”

甩手掌柜会员分析模块，让你对会员销售情况一目了然。如上图，发现上个月会员销售额和客单量占比都很低。且会员活跃度显示，上个月有消费的会员中，91%都只消费了1到4次，会员消费频率很低。所以，下个月可以针对性的设计一些拉高会员回购率的活动，吸引会员重复消费。

找到拉升销售的“关键商品”

通过甩手掌柜报表商品分析模块，我们能快速识别上月哪些商品毛利高销售好，哪些商品毛利高却销售频次低，基于这些数据，完全可以找出类似上图绿色泡泡代表的红豆珍珠奶茶（毛利高，消费频次低的单品）作为下个月的主推单品，赢取更高利润的同时，打造一个新的准爆款单品。

甩手掌柜报表已全面上线，打开甩手掌柜报表（新）就能直观获取到各种经营分析数据。

不过，想要让甩手掌柜报表真正物尽其用，还是赶紧根据现有数据设定好下月目标吧！这样，就能在下个月跟踪目标达成进度了，点我了解如何实时跟踪销售目标达成情况。

20世纪30年代，宝 洁诞生了第一位产品经理，全权负责一款肥皂的生产、销售以及全流程的成功。

80多年后，随着互联网的蓬勃发展，出现了越来越多的产品以及和产品相关的各种岗位。；围绕产品的思维与工作方式被越来越多的人所认可，产品成功的思维模型被搬上了课堂。

数据报表，作为一个链接IT部门和业务的中间件，承担着信息沟通的作用：数据展示业务信息，为业务决策提供依据；业务产生数据，最终以数据报表的方式呈现。

同样，我们也可以用产品工作的方式来复盘一下搭建报表系统的整个流程，并且和产品的上线流程做一个对比。

产品的上线流程

市场分析——>竞争分析用户分析——>需求（场景）分析——>功能设计——>开发——>发布——>运营——>迭代

互联网产品初期，在初次面向市场的时候，产品往往是一个MVP（最小可用单元），通过种子用户的反馈，分析使用数据，验证产品的可用性，快速迭代，逐渐修正与完善。

报表系统的上线流程

同行业报表项目参考（行业咨询）——>业务部门需求采集分析——>报表设计——>上线——>end

绝大多数的企业在报表上线之后，都忽视了一个关键动作——运营，以致于IT部门陷入了一个怪圈，疲于应付业务人员的需求，天天加班工作却得不到认可。实际上，系统上线不等于终点，被大量使用与认可才是成功的第一步！

产品如何做运营

1、冷启动

冷启动是什么？冷启动是一个产品刚诞生的一个阶段，此阶段的产品面临着以下问题：

缺少用户及相关资源。产品模式未成熟，能否满足用户，迎合市场趋势仍是未知数

因此，在此阶段的主要目标的作用有：

根据数据分析，验证产品是否满足用户需求验证是否能符合市场趋势验证商业模式是否成立

互联网产品怎么做？

种子用户，聚拢一批符合产品目标人群的用户，获取真实的使用数据MVP（最小可用单元）验证，判断产品是否满足了目标用户的最小可用需求存失分析，依据用户的真实使用数据，分析留存的原因（建立产品优势），放弃部分的流失用户，修正产品的定位。

2、高增长

高增长是指在产品通过市场验证，处于快速发展的阶段，通过运营实现产品用户与价值的持续增长

互联网产品怎么做？

持续推广与曝光精细化运营，针对人群、场景、流程做差异化细分运营的运营策略，提升运营动作的效率最大化基于用户数据分析的产品不断迭代优化

报表系统如何运营

帆软的一家互联网行业客户告诉我们，为了让报表系统被业务部门认可，IT部门在上线报表系统的初期以及推广期主要做了4件事：

1、冷启动阶段

a.寻找种子用户

优先挑选了营运部门的管理层作为种子用户，依据需求为其定制了PC、移动端两张营运报表，报表上线后不断关注其访问量趋势，发现移动端模板的活跃度更高，并且用户对模板的评价非常好，随着口碑的传播，分公司的营运部门也提出了类似的需求，IT部门开始重新考量整个营运部门的需求，为其系统化的搭建报表应用

b.简单的用户数据分析

这个阶段的用户数量和模板数量都还处于一个比较小的数量级，只需要通过用户的访问数据，验证报表是否满足种子用户的需求

2、高增长阶段

a.从三个维度和两类应用场景分析用户的使用数据，关注性能与用户体验，促使报表系统不断优化

三个维度：

1、报表系统的整体访问趋势

——把控报表系统的整体运营状态，研究用户的访问习惯，合理分配资源

2、每一位业务人员的访问趋势

——充分掌握哪些业务人员的数据诉求更为强烈，那他们的数据需求被响应的优先级将会更高；那些一个劲提需求，却没有访问量的部门，我们需要重新核算成本，降低他们的需

求优先级

3、每一张报表的访问趋势与性能体验

——每一张报表都是一个产品，同样也有完整的生命周期，不被需求的报表要及时的淘汰，降低运维成本；访问量火热的报表要纳入优化迭代，提升用户访问感知，深挖需求，扩充业务场景

两类应用场景：

数据大屏/移动端报表

——什么样的数据分析场景更加在哪类终端上访问量更高？我们是否需要为其专门打造一张移动端的模板，更美观的样式，更人性化的交互效果？

b.主动推送与推广

——内容推广

伴随着报表系统的不断迭代，每一次为业务人员扩充的应用场景需要通过渠道来推广与宣传，促进用户的使用率，这个渠道可以是企业内部的宣发平台，也可以通过C端市场中的新媒体渠道（微信公众号等）

——报表推送

业务人员常用的报表可以通过帆软提供的推送功能直接触达最终用户，培养其对报表的使用粘性

帆软能提供哪些帮助

1、固化的用户行为数据分析

FS平台为用户提供了常用的运营数据统计功能

访问量数据：包含平台访问次数、模板访问次数、用户数等内容模板热度：不同模板在周期时间内的访问总数用户行为：不同用户在周期时间内的访问总数，并且区分统计出查询、导出、打印等不同的用户行为性能监控：不同模板的平均响应时间、平均内存等内容

注：模板热度、用户行为、性能监控数据统计需要安装“高级系统监控”插件

借助于常用的运营数据统计，我们可以对报表系统做一个整体的评估，对整体的访问量、模板热度、模板性能做到心中有数

2、深入的用户行为数据分析

作为数据分析的先锋，只要有数据源，没有IT做不了的运营数据分析。FR会将用户的访问数据存储至logdb数据库当中，可以直接通过设计器链接数据库定制运营所需分析模板

我们需要关注logdb数据库中的两张表与一个字段

表：PUBLIC.FR_EXERECORD

该数据表是报表正确执行日志表，即如果报表执行成功，将会在该表中添加一条记录，并在相应字段中填写其对应的信息记录

表：PUBLIC.FR_FSRECORD

该数据表是为了统计一段时间内，系统的使用情况，用于管理员查看在线用户数及用户系统使用情况，因此用户登录决策系统时，将登录信息保存入库，将会在该表中添加一条记录，并在相应字段中填写其对应的信息记录

字段：BROWZER

该字段记录了客户端访问报表所用的浏览器版本以及移动端信息terminal：包含终端类型、app还是h5等信息。例如：“terminal”：{"OS"："app"，"type"："mobile"}

借助于以上内容，我们就可以定制出自己所需的数据分析报表，重新把控报表系统的运营情况，为后续的迭代提供指引

3、主动推送与推广

帆软为每一种报表使用方式与场景都提供了消息推送的服务，包括了：平台消息推送、微信/钉钉消息推送、APP推送、邮件推送等