感谢关注天善智能，走好数据之路↑↑↑

欢迎关注天善智能，我们是专注于商业智能BI，大数据，数据分析领域的垂直社区，学习，问答、求职一站式搞定！

今天推荐一些适合运营阅读的书籍。运营涉及的领域比较广阔，所以我也不限于入门，这份书单，即加强运营的核心能力，也能拓展运营的边界。

正如我强调过，运营的学习，不能限于一两本从「入门到精通」这种泛泛而谈的东西，而是根据自己的需要不断强化和进化，这是一种多领域交叉的阅读和吸收，也是广阔意义上的全栈。

譬如用户心理的应用，数据分析的应用，这些能力和经验能支撑运营走得更长久。下列的书单，虽是我阅读过或者被人推荐过，但不能保证全面性和权威性，大家报以尽信书不如无书的态度。

感谢这些书籍的作者辛劳，也请希望大家支持正版。

运营基础

这是运营的基础知识，每一位新人如果想要入行，都应该读其中至少一到两本。

从零开始做运营

运营应该都听过这本书，不多介绍了。对于-1～0岁的运营，想要借此入门，值得一读。入门没有老师带领，野蛮生长的运营，也可以更系统地了解运营。

运营之光

从零是入门书籍的话，运营之光更适合工作有一定时间的运营从业人士。从零会让你摸到运营的门槛，但是运营工作一段时间后会陷入到迷茫期，被繁琐、重复无意义的事情消磨掉热情。

这本书言辞诚恳，更着重思维层面的引导，迷茫期的新人读来，想必守得云开见月明。就是排版稍稍糟糕了些。

增长黑客

Growth Hacker这个概念就是由这本书热传的。增长黑客属于国外版的运营，只是单兵作战能力更强。AARRR框架就是由增长黑客流传过来。

这本书可以借鉴不少国外的经验技巧与案例。当然，它更强调「增长」，但是在互联网的后半场，增长不是那么一件容易的事。初读书不要被带偏方向，与其想增长爆点，不如多想增长引擎。

作者近期出了一本姐妹篇，侧重于实战案例，有兴趣也可以看看。

运营基础类的书籍不少，除了上述几本，还有「超级运营术」、「进化式运营」、「运营前线」等，市面上的运营内容处于百花齐放的阶段。不过有一点要明确，运营的概念广阔，运营书籍的作者们，他们所著内容都是过去职场经历项目经验的总结，有着深深的自我烙印。

所以有些书偏重社区，有些偏重用户，这一点就按照适合自己的来，不用贪多。多思考和多总结为主。

运营进阶

运营基础解答的是「什么是运营」，虽然附带了不少知识，但是对运营远远是不够的。因为运营有工作内容的方向细分，有所处行业领域的不同，想看单一的入门书籍完成蜕变，无异于痴人说梦。

运营还需要一些泛能力，泛能力可以是对行业的深刻理解（这点在本书单是无能为力的），也可以是招式能力，这些能力首要是好用。这里推荐几本对运营行走江湖有帮助的书籍。

疯传

作者在书中列举了传播的六个要素，并且以翔实的案例围绕这六个要素展开。

这本书的优点在于其指导性的思维框架，不论内容运营、新媒体或者营销类岗位，都能直接套用这个框架，包括具体的策划或者复盘，以扩大传播为己任。缺点是结合了国外的案例，国内的运营们还需要依靠自己的思考。

国内有一本类似的书籍叫「共鸣」，思维框架接近，可以看看。

影响力

心理学在传播的应用，可以视作「疯传」的补充。

如果说两者的区别，那么疯传理论更接近于制造出一个具有传播性质的热点，让它自我传播开来。影响力则告诉大家如何更多主动性的施加技巧。

运营想要产品脍炙人口，这类技巧是必须学习的，当然，还是要消化成运营的技巧。

游戏改变世界

游戏一直是运营中很有趣的一个分支，各种奖励系统、勋章系统都是来源于此。大部分人都应该玩过游戏，但是很少有人会去总结游戏背后的规律：为什么大家这么喜欢玩？

这本书概括了游戏让人成迷的四要素：目标、规则、反馈、自愿参与。作者以游戏行业人士的口吻，更倾向于教大家如何设计出一个好游戏，我们把目光关注到如何以游戏的方式让用户参与到产品中。这本书稍微有上升到哲学意义和社会学的高度，部分内容可以不看。

另外一本书叫「游戏化思维」，评分低一些，但和运营应用相关性强一些。

文案发烧

运营肯定要和文案打交道，它是运营的基础能力之一。虽然不需要广告那么专业，但是拥有出色的文案，在内容运营等领域如虎添翼。

文案实战性很强，属于看了很多书，不会的人还是不会。看书，一是希望运营能掌握文案的思考方式和技巧，避免歪路。第二便是从优秀文案处汲取灵感。多看多练永远是不二法门，但是不要生搬硬套。

另外可以阅读「广告文案」，「文案创造完全手册」等。

玩法变了

比较老的一本书，在电商风起云涌的年代出版，以今天的眼光，依旧有可取之处。

虽然说得是淘宝卖家如何运营，但是对互联网产品，尤其是电商和活动运营人员，很多技巧和思考方式是通用的。你既能了解促销、打折这种经典玩法，也能理解品牌和流量这类商业化的思考。

小米生态链战地笔记

小米生态链的打法。小米的模式颠覆了很多传统科技公司的做法，也带来了新颖的营销理论。另外一个不错的地方是和硬件相关，运营纯线上有纯线上的不足，多换视角看待问题。

小米另外一本营销类的书籍是「参与感」，对用户运营也有启发作用。

技巧类的书籍还有不少，比如SEO相关、网站运营相关，都是各自的垂直领域，因为我阅读量有限，就不多推荐了。大家可以留言补充。

心理

很多人，喜爱把心理学等同于「猜猜我心理想什么」，这是对心理学的错误理解。它本身就是侧重研究和实证的一门学科，更不是色彩心理等快餐读物。

运营之所以要学习心理学，是因为产品从用户的需求出发，需求是和人性，心理特质密切相关的。运营不能不了解用户，另外一方面，掌握各类心理的应用技巧，也将更有助于运营工作的拓展，

思考，快与慢

大名鼎鼎的书籍，作者是诺贝尔经济学奖的得主丹尼尔卡尼曼，获奖原因是他将心理学引入到经济学，传统的经济学遵循理性人假设，而作者另辟蹊径，探讨了理性和感性，逻辑和直觉的关系。

书中开始，论证了人类有两个思考系统：系统1和系统2，一个依赖下意识的直觉，另外一个则是深思熟虑后的决策系统。在后面，引入了不少有趣的经济学案例，当一个人有80%的概率获得1000元，以及100%的概率获得900元这两个选择时，为什么大多数会倾向于保守？当获得变成损失时，人们又愿意做出那种哪种选择呢？

在书中，你会获得不少有趣的理论，尝试在运营中应用它们。

怪诞行为学

和上面的书一样，作者也是响当当的行为经济学家。

书中举了很多有趣的例子，作者笔风又足够幽默，所以读起来不觉乏味。看完之后，生活中的很多「为什么」获得了解答。当然这类书籍，最大的缺点就是没有指导实践，运营看完后会认为自己学了很多，但是离应用还差了不少。

这是系列书，一共有三本。

别做正常的傻瓜

前面两本是国外读物，本书更接近国人喜欢的文字风格。当然啦，看封面也知道挺有趣的。其他的通俗读物还有「隐性动机」、「理性犯的错」。

如果希望比通俗阅读更深一点，又比学术文章浅一点，可以看「决策心理：齐当别之道」。

乌合之众

书单中最古老的一本书，但是在今天仍旧散发着影响力。

它是论述社会心理学，对人们群众阐述地比较深入，书本并不厚，但是读完会对群里行为和群体心理有一个了解，如果是新媒体相关的运营，或许会有更深刻的感想。

这本书的应用性不强，或者说它的应用必然会遭受非议，比如煽动，所以把它作为了解用户群体的读物吧。

营销

营销类学科和运营的关系匪浅，很多运营理论就是脱胎于市场营销专业。我相信，出色的运营人员一定能成为出色的市场营销人员，反过来，运营人员也可以学习市场营销扩展知识面。何况，国外的运营工作，也是Market部门承担。

这里推荐的书都比较学院派，目的是解决运营路子中「野」的一面。他山之石可以攻玉。

营销管理

非常厚的一本书，已经出到第15版，很多市场专业学生的课案教材，科特勒的经典著作，无需再多介绍。

囊括内容足够多，诸如细分市场目标市场、传播价值等，阅读起来会花费不少时间。一定运营基础的同学，阅读过程中一定有似曾相识的感觉。市面上的运营书籍已经不少，但是从管理角度、战略角度看，这个领域的运营仍几乎是空白。阅读本书可以多联系国内运营案例和体系，或许会帮助你高屋建瓴的搭建出更高的思维。

定位

定位之父杰克·特劳特凭借此书奠定了定位理论，所谓定位理论，它不再强调产品的优异，也不再拘泥于满足用户这一营销认知。「满足需求」在互联网行业不是天然正确的么？

定位告诉你，并不是。

产品想要决胜，是在用户心智中的战争，用户认为你产品什么样，与从业人员的认知划不上等号，前者更重要。这个理论在「营销管理」中也成为4P(position)之一。

这本书的案例有缺点，立论不强，作者喜欢以事后诸葛亮的口吻论述企业成败全都是因为定论，XX成功了，因为定位用得好，反之，则是没有成功运用定位。这一点还是仁者见仁了。

消费者行为学

仍旧是国外的教科书，国内的运营因为年轻，而且早几年的生存状况更接近野蛮生长，所以导致运营在商业化的能力偏弱。

面对用户，可以通过留存拉新甚至活动得到一个很好看的数据，但是面对消费者，要把产品/服务卖给他们，就力有未逮了。

这本书属于概念多且杂，单拎出一点对运营都是有帮助的，整体看又过于零碎，不方便消化吸收。类似：说出了隐隐有体会但是不能系统表达的观念，又无法让我更进一步。部分内容很啰嗦，可以跳过。

一个广告人的自白

第一眼看书名，以为是奥格威的自传体，然而这本书将广告业的核心一一道来。

这本书更多是思想上的启发，所以对运营有帮助。运营本来就是和市场营销、广告营销乃至数据分析多领域交叉，所以看这类书均是开卷有益。因为是广告书籍，所以和客户相关的都可以快速略过，毕竟这不是运营的本业，将精力集中在如何创造高水平的广告上。

广告类的书籍，还有「科学的广告+我的广告生涯」，以及「蔚蓝诡计」。

运营思维

运营重于术，往往忽于道，所谓运营体系也只是更高层次的术罢了。通俗说，道是一种思考方式和思维，思维能调整和创造出一个良好运行的运营体系，并且这个体系有自我进化的能力，应用广阔，能商业化，能纠错。否则你讨论再多的运营体系，也只是复制黏贴，把以前的经验拿过来用而已。

运营思维是经验和时间的积累，没有速成的方法，下面的几本书，更多是师傅领进门，修行靠个人。

金字塔原理

不知道是金字塔原理铸就了麦卡锡，还是麦肯锡铸就了金字塔原理。

金字塔思维是一种高效的思维方式，在职场中能发挥很大用处。这本书虽然讲述了金字塔原理，但是比较晦涩啰嗦。

说白了，它就是中国人小学开始就学得文章结构：总分结构。抱着这样的认知读会轻松不少。想要掌握金字塔是比较困难的，因为思维方式具有惯性，不经历大量练习很难改变。

所以比这本书更重要的在于，如何通过不断的练习掌握它。另外还有「麦肯锡思维」「麦肯锡方法」「麦肯锡工具」，没啥区别。

思考的技术

作者是知名咨询公司出身，本书是咨询公司凝聚出来的分析经验。

书中有一句话说得很多，思路决定出路，没有了思路也就没有了出路。运营在很长的一段时间内需要不断重复工作，但在一定年限和经验后，良好的思考方式会决定未来，好的运营会把时间花费在更多的策略思考上。

书中列举了不少经典的思考模型，对于这方面空白的运营很多帮助。至少比金字塔原理更靠谱。类似的书籍有「BCG视野系列」、「完美咨询」等。

零售的哲学

7-11是最知名的便利店之一，这本书讲述的是其创始人四十多年经验心得。

有人说，7-11是一家真正的互联网公司，它重视用户体验，分析用户心理，并且提供用户价值，是一本零售行业的互联网思维指南。这从侧面论证了这本书的价值。

新零售行业是未来的一个风口，与之相关的从业人员，应该读一读本书。

经济学的思维方式

运营是离钱最近的岗位，也是离商业最近的岗位。

好的运营，必然需要经济学思维，成本选择、收益预估、风险规避等。这是往运营管理岗位迈步的技能之一。

这是一本入门书籍，翻译略糟糕，慎重（或者看其他版本）。

其他什么魔鬼经济学、牛奶可乐经济学，也可以当厕所读物的。

学会提问：批评性思维指南

一本关于思考的书。

国内的成长环�...

干货满满的上篇，不仅仅是一篇数据分析，相信你将对人人都是产品经理的网站和发展会有新认识，欢迎指导交流~

起因

看了几年的人人都是产品经理（以下本文中简称人人），从来只是个看客和学习者。最近因为比较闲，也在总结这几年来的工作心得。近一个月前终于有了第一次投稿，如何通过小程序和微信社群来构建产品运营体系？上过人人的微信头条，每天都能有几个新的订阅用户，这些都在告诉在我这一点付出还是能够帮助到其他人的。

但我一直很好奇它具体在人人的过往文章中到底是个什么水平，我心里没有底。所以出于好奇，就有了这次数据分析的探索之旅。

内容安排

学过数据分析的同学肯定在最开始都有这样的体会，手中有了锤子，看什么都像钉子。所以好久没做数据分析，手痒一下子抓取并分析了一大堆数据，远远超过了最初的目的。

所以开始构思如何写这篇文章的时候，做了如下思考：

人人是由哪些角色构成？这些角色都想知道些什么？能否通过现有的数据给出这些答案？

综合考虑以上问题和文章篇幅后，大致拟出如下图所示框架：

左边为人人官方平台角度，换位思考，如果我是运营，首先会比较关系平台的内容循环体系是否正常，其次内容是否带来足够的收益；右边为用户角度，就是普通的网站访问者，同时根据身份又分为读者和作者，读者想的是能够找到自己想要的内容，作者是想的是自己的作品是否受到大家的关注；

这是两个角度，三种角色的基本思考，而本篇则会由左边开始，下篇会讲右边。

数据介绍

1. 开发环境

基本的数据分析工具就如下图所示：

2. 数据获取

因为不是写教程，而且过程也很简单，这里只是简单的提一下。使用Python写一个For循环请求网站的一个分页加载接口，就能够获得所有的网站文章数据（Json格式），再将所有的Json数据合并整理成相应的列表。

其中接口返回的原始数据项比较丰富，选取其中比较有价值和便于分析的，如下表示：

3. 数据总览

在获得数据后，第一时间就先看看整体的数据情况。时间有限就不去做些漂亮可视画展示啦，总览数据就如下表所示：

只看以上数据，我上一篇的数据无论是5K的阅读量还是收藏点赞都还没有达到平均值，离好文章都还有一些距离，这组数据能解决我的基本困惑。但对于整体的运营情况和前文提出的一些分析目标来说还远远不够，所以还需要后文的深入分析。

4. 正式开始分析前对数据的一点说明

数据仅采集自首页文章列表展示数据，仅用于学习和投稿人人的写作，不做何商业用途。本文数据采集自2018年8月16号，一切记录数据以当天为准。文章数据并不能保证严格正确和全面，比如：9月2号再次采集时，文章数量比8月16号的还少，应该是下架了一些文章，但对于本次分析人人的网站大体情况应该是没有问题的。为了不给人人主站造成不必要的网络负担，如果有需要原始数据的同学可以在后面留言邮箱，或者在我的个人网站中寻找。

了解以上，让我们正式开始。

平台运营浅析

初步分析人人主站的主要业务逻辑如下图所示。

由作者发表文章吸引用户产生流量部分读者会转化成作者、生产独家内容，以此来构成一个能够长期、稳定的内容发布体系。在此之后的，通过流量发布广告，读者带来的口碑换取第三方合作、课程转化等，都是在这之上的业务逻辑，分支太多，不可能面面俱到，所以点到即止。

再根据实际的数据情况，并没有直接的读者UV数据，所以仅对以下两条业务线进行分析：

业务线1：多少作者产生了多少投稿；业务线2：投稿的文章带来了多少阅读量进行分析。

投稿来源

相信大家在看数据总览中能看到，投稿作者的身份多达23种，依次是：站长、运营小编、官方、专栏作家、运营小哥、运营小妹、普通用户、设计小妹、运营、合作媒体、编辑、作者、萌妹子、主编、女神、男神2、临时工、特邀作者、运营哥、美少女、CV工程师、合作出版社、小编妹妹。

是不是眼花缭乱，群魔乱舞？

这里我根据后面的实际情况对相应的身份进行了些合并。

所以这里需要吐槽和需要改进的自然就是平台运营小编们对自己的角色定位了，只从命名上看得出来应该是后台的管理有些混乱，最初来一个新人就想当然的给了自己一个title。或者说人人当初有自己的培养明细写手的打算，所以预留了一些特殊的职位和身份？

Q1. 各阶段的投稿主力是谁？

OK，吐槽完作者身份后，进入到第一个问题。那就是人人上面的文章都是从哪儿来的，或者说是谁投的稿？

在对作者身份进行合并后，如下图所示的是2012~2018年，投稿数量分布热力图：

这里不仅对各时期的投稿主力看得很清楚，甚至可以清晰看到人人的主业务搭建过程：

最初是由站长在2012年完成了大量的投稿（转载），构建了网站的基本内容（可能是有一些网站的改版，因为人人实际从2010年就开始运营了）；在2013年开始，大量团队成员的加入后，转为团队运营的方式，而站长由此开始退居隐退，并且在网站上投稿的用户明显增多；之后一年团队应该过得挺辛苦的，平均每天团队成员需要投稿15.3篇，只算工作日251天的话，大约27篇，虽然不知道团队成员多少，但至少在2014.11月拿到融资之前团队成员应该不会太多。即便转载，也会有相当的二次编辑工作量；2015年大约是通过对普通作者的发掘，将部分投稿用户转为了专栏作家，激发了用户的投稿积极性，使专栏作家的投稿量有了质的飞跃。当然，这里有个问题可能在于用户在最初投稿时为普通用户，但在之后转为专栏作者，将部分原应该归到普通作者的数据分到了专栏作家中；之后的两年就相当平衡了，更多的普通用户投稿说明对平台的品牌认可，且源源不断的提供更多的专栏作者，以维持稳定的内容输出。

整体来看，之前说的主业务体系目前应该是比较稳定且完整的。2018年的数据目前还不好说，但专栏作家的流失的趋势有点明显，可能需要一些激励计划。

Q2. 用户的投稿次数分布

从内容生产的角度来说，普通用户和专栏作家投稿属于UGC内容，平台运营内容属于PGC内容。PGC内容可以根据团队运营的情况来调整，而UGC内容则需要通过适当的激励手段来保持。

而且之前在数据总览中能看到这样一组数据：

作者总数4138名；人均投递11.9篇/人；投递偏差值为91.7。

如此大的偏差值，能够多次投稿的用户数量并不多，而实际的情况也如下图所示（仅普通用户和专栏作家）：

那么在普通的吃瓜群从中，加了V的专栏作家是否真的有做出比普通用户更多的投稿呢？

为了接下来的分析和数据展示，将对用户的投稿数量做了出以下分组：

再加上投稿作者的身份，结果如下图所示：

绝大部分的的专栏作家完成了至少5篇以上的投稿，且L20的专家用户完成了相当的投稿量；从普通用户L20中可以看到人人确实把相当一部分用户转成了专栏作家，而且通过具体数据查看，此类剩余未转化的用户大部分只是转载；普通用户L2到L6之间有道坎，这个我现在自己写作也深有体会，对于用户来说一时兴起写一两篇没有问题，但难的是如何坚持；从此数据中无法直接得出普通作者转成专栏作家后，能够持续投稿，缺乏用户身份转变的时间，故不再做进一步分析。

虽然有些不完美，但确实是20%的用户解决了80%的问题。

Q3. 用户的投稿偏好

最后我们来看一看用户喜欢投哪些类型的稿件，普通用户的投稿一般是兴趣始然，或者是来自自己的工作内容的总结、经验分享。所以这个分析将将可能得出产品经理们的能力变化和工作变化。

从左往右按年份来看：

2012~2015可能还是产品经理在行业内刚开始冒头的时候，所以产品经理的主要工作：产品设计、产品运营、产品经理大家都还不太敢写，或者说能写的人还很少，主要就是分析行业和转载报道当前的行业趋势；2016开始才品类丰富起来，应该算是产品经理行业开始变得成熟的一个分界点，在这之后，产品设计、产品运营、产品经理的投稿才变得丰富起来，毕竟有经验的开始多了起来；营销推广、文案策划、新零售、AI人工智能直到今年才有投稿，应该是最初没有分类造成的，也应该是相应的内容开始集中出现的结果。

不过这个分类是人人运营自己做的，很明显还是有些问题。分类来得有些晚，至少热点已经过了，或者因为没有分类可以选就在一些大项里凑合一下，将会造成文章索引困难，值得优化一下。

内容收益

网站上有了内容，那就需要看看这些内容所能够带来的收益。与很多实时类的新闻不同点在于，人人是个比较专业又垂直的网站，里面的内容是会沉淀的，即使是几年前的文章也会被用户找出来进行查阅，而且有相当多的引导和内容聚合，可以将新用户直接导入到有价值的老文章上来。

所以需要注意，在接下来的文章收益里的几个数据：阅读、点赞、收藏和评论都是一个累积量，不能当做PV和UV来进行参考。

Q4. 各时期的文章对用户吸引力

有了之前对数据的说明和理解，这里将要计算的是各时间点下，不同分类的文章对阅读量的收益是如何分布的。对于网站来说，历史内容也是可以增加点击量的，而不时间的最终阅读量均值。

如下图所示：

（1）2018年，除了招聘信息，所有类型的文章的阅读量都比之前低，有以下几种可能：

有经验的产品经理越来越多，所以大家挑着看；产品经理的人数和热度在减少；产品经理的岗位也在也在减少；优质的内容不如之前的多，所以新用户会导入到老文章上来，新文章反而快速的沉没；

具体是哪种，可能还需要直接从管理后台查看日活，月活比较说明问题。

（2）对于平台来说，只要能吸引到用户和点击量就是好内容，从上图中显而易见的：干货下载和原型设计这两个入门级的分类文章始终是最能吸引用户点击的，这种历史内容实际只能通过搜索来反馈，可以更突出一点。

（3）AI人工智能，区块链这些新技术的阅读量都出现了大量的下滑，说明大家对这些新领域并不看好。而还有很多新的发展趋势却没有体现出来，有点可惜，这一点之前已经提过了。

Q5. 各时期的投稿质量如何

刚刚Q4的分析中，仅是从阅读量均值来查看。但有经验的同学肯定知道，很多标题党也可以直接收获不错的点击。所以接下来这里我们需要更严格一点，将阅读、点赞、收藏、评论都放在一起进行考量。

这里再具体看一下相关的统计数据：

数值上的差距还是相当大，所以这里我们为了统计和展示方便，做了以下数据处理：

将四项属性按低于25%的值评定为Low，高于75%的评定为High，其余为Mid进行分组。反过来说，如果一篇文章的某一项属性评定为High，意味着它的这一项属性是超过75%的文章的。然后逐月计算将相应月份里，分别计算四个属性中为High的比例，比如：2017年1月份投稿100篇，得出有20篇阅读量为High，10篇点赞量为High，那么只记录相应的高阅读和高点赞比例分别为0.2和0.1。

结果如下图所示：其中四条线是取值为[0,1]之间的比例，为了不与下方的投稿量过于干扰进行了放大处理，下面的bars则是当月的投稿数量。需要解释一下的是，因为高质量的文章并没有统一标准，所以这里并没有对数据进行合并，而采取的是人工观察和感性分析。

最左边的一条并不是数据出错了，而是早期站长批量导入，然后之前一直没提的就是整体投稿量一直呈现上升趋势。

高阅读量却没有相应的点赞和收藏，所以这里从2015年3月和4月取几个标题，大家感受一下：

从汪涵救场看产品经理的危机处理滴滴拉屎App，估值100亿美金！快滴拉屎PK滴滴拉屎，拉屎App的爱恨情仇在网易实习是种什么体验？

2016年1~3月则是有大量读者需要的部分，大致逻辑为首页或者近期没有用户需要的，特别是新入门的产品经理，会比较急于想要找到自己想要的，所以会使用到搜索功能，然后小白的大量相似需求会推高相应的结果，而且为了之后的阅读查找，优先点击收藏。

2016年10月的投稿量不多，但似乎文章质量普遍很好，如果是取四个值的均值来看也是全期最高的。之后新文章的数据会受到时间的影响，但整体文章质量趋于稳定，高阅读量的文章会带来高赞和收藏，而新读者从评论的角度上来说更活跃一些。

Q6. 作者带来的收益

根据之前的两条业务线的分析：首先由作者与投稿，其次是投稿与收益之间还能建立一条分析，最后就是作者与收益。

这里限于篇幅就只做一下整体的统计，来查看核心业务逻辑是否稳定，与之前图上的单位不同的是，下方的热力图的单位是万。

首先，可以看到，到现在2018年的时候，UGC内容带来的用户点击已经远远超过PGC内容，而且历年所有的UGC内容也已经超过PGC内容，这对内容生产的稳定发展有了基础。

其次，虽然此页面上...

大数据时代，数据分析对于业务决策的帮助越来越大，它帮助企业中的业务人员在保证数据时效性的前提下，通过自助式数据分析，帮助企业从上到下实现数据化运营。

那么，我们的数据来源于何处呢？流程数据、机器生成数据，当然还有我们产生的数据，因此，无论是从市场环境还是评测机构报告来看，大数据时代已经启动，数据分析也更为重要。

传统报表

无交互、格式固定、实施缓慢

蜕变后的报表

可交互、生成快、可分享

让数据生动起来，左右逢源？Tableau都能帮您实现！

Tableau 整合了您的数据架构，让您用能理解的方式从视觉上分析您的数据。

Tableau Server

可提供基于浏览器和移动分析的商业智能应用程序。无需编程，即可创建报告和仪表板。

Tableau Desktop

实时可视化分析实现随心所欲的数据探索，交互式仪表板帮助用户即时发现隐藏的见解。

想深入了解Tableau！机会来了，6月6日14 : 00，由OTPUB举办的“人人都是数据分析师”直播活动即将开启，技术大神亲授数据分析大法，届时您可进入OTPUB官网观看！

讲师介绍

林旭

从事Tableau售前工作

通过Tableau银牌和QA等级认证

活动日程

14 : 00-14 : 10 讲师介绍

14 : 10-14 : 30 Tableau如何让数据生动起来

14 : 30-15 : 40 Tableau功能展示及使用技巧

15 : 40-16 : 00 互动答疑

第3章 数据分析常识

在前面几章里讲了很多关于数据分析市场和数据分析师的职业生涯发展，下面的几篇会重点介绍数据分析的理论知识、数据分析的方法论、数据分析的分析流程、数据分析报告如何撰写、电商中的数据分析应用等具体的应用案例。经常也会被问到作为一个不是统计学背景的学生，能否入行数据分析的问题。还有包括像平时的具体数据分析工作都有哪些？作为数据分析入门菜鸟怎么才能打好数据分析方面的基础，需要看哪些方面的书等等。其实这些问题对于一个刚毕业的或者没有太多数据行业经验的人来说，是很正常的一个情况。包括自己在内，如果要重新跨行去进入一个新领域也会遇到这些问题。首先咨询相关行业的内部师兄师姐，看看相应的介绍和材料，如果能够有比较系统的书籍介绍那是最好不过的了。当然自己也需要花时间去归纳和总结，再结合大量的实践案例长期以往基本上会对这块新领域能够了然于胸了。

前段时间和做大数据培训的创始人聊到，我问他原来是做什么的，让我诧异的是他原来是做用户体验（User Experience Design，UED）出身的。对我来说，第一反应认为产品提需求，UED根据PD的相应需求文档构思设计相应的产品，而对于数据分析以及业务运营，这的确就是很多UED所欠缺的核心，而脱离实际业务的UED并不是真正的UED，没有结合产品和用户需求本身来设计，很多也只是空中楼阁。我和那位创始人聊了很久，特别是他在过去的一些经历和感受，同时他也是阿里巴巴曾经做过UED的同事，我想这个经验分享在互联网公司还是比较有代表性的。

说到用户体验，很多人会感觉这是一个很虚的概念，是一种纯主观的在用户使用一个产品（服务）的过程中建立起来的心理感受。因为它是纯主观的，就带有一定的不确定因素。我接着问道，那平时调查用户体验时你们会关注数据吗？令我欣慰的是，那位创始人说平时太需要数据的支持了。包括之前设计的功能布局、页面结构、按钮的颜色、整体的风格都需要通过大量的AB 测试来验证用户的体验是否符合预期。这在互联网公司尤为典型，像现在上线的产品和功能很多都是拍脑袋决定或者固有的思维模式认为就应该这样，而实际情况没并就一定是用户希望看到的。特别是典型的Facebook从早期的一个简单的社交产品到现在日活跃用户十亿，一个很小的改变就可能会引来用户的强烈感觉。在这些多年里，Facebook尝试了各种方案，像newspaper、clipboard等样式，虽然这些都实现了，但是都因为数据的原因没有上线。

我那位大数据培训的朋友也分享了一下他们亲身经历的故事，是关于当时做超市购物车的案例。购物车是每个网上超市都有的，可以让用户挑选商品，快速结账，所以功能上一点都不能少，而且文案要给用户都能看明白。而在具体设计到购物车的布局时产生了分歧：一种是希望以纵向列表的方式展示，另一种是以大图的方式。但是大家都没有尝试过这种大图的模式，而纵向列表的方式是用户使用最方便的，比较一目了然。另外，对于购物车的单位设计也存在一些争议，很多电商网站都是用“件”来表示一个商品，比如同一件商品买了两个到底是算一件还是两件，大家对此一直争论不休。通过那几年的UED工作，他对UED有了更深的理解，虽然对于UED有很多想法，但是由于各种原因，比如上线时间老板说了算，还有很多想法受限技术的原因很难实现，特别是在实现方案上没有用户研究的数据支撑很难判断而导致最终都没有实现。我听了他的诉苦也是感触很深，跨部门之间的沟通的确需要很大的成本，特别是没有站在对方的利益场上就更难合作。所以如果大家都能有一种共同的价值观和意向，在沟通协调上能够达到事半功倍的效果。

3.1 常见的数据分析问题

如果你希望从事这个数据分析行业的，亦或是对数据分析感兴趣的，那就需要把数据分析常见的一些问题弄明白，避免被别人忽悠到不知东南西北。即使作为在数据分析行业从事了几年的职场老鸟来说，再次回顾常见的数据分析问题也会有不一样的思考和感受。

在我们接触到数据分析这个领域的时候，不同的对象、不同的时期会遇到不同的问题。对于刚入行的同学来说可能需要知道数据分析的基本概念，数据分析都有哪些，包括数据分析和统计分析、数据挖掘的区别和联系是什么，在数据分析上常见的工具都有哪些，还需要了解如何增加自己在数据分析这块的经验和技术，在面试的过程中如何给自己加分等。对于入行1、2年的数据新人来说，需要在有一些基本的数据处理和分析能力基础上思考如何自我成长，在现有的环境下突破瓶颈。对于工作了很长时间的资深数据分析人员来说，则需要考虑如何能够在技能上和个人发展上再次升华。这些都是在数据分析生涯中会遇到的问题。而本小节会重点介绍我们作为入门的数据分析新人遇到的一些常识问题，这些都是我们在数据分析讨论、论坛以及在面试环节可能会聊到的话题。

1. 数据分析是什么？数据分析包含哪些？

数据也称观测值，是实验、测量、观察、调查等的结果，常以数量的形式给出。数据分析的目的是把隐没在一大批看来杂乱无章的数据中的信息集中、萃取和提炼出来，以找出所研究对象的内在规律。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。数据分析是组织有目的地收集数据、分析数据，使之成为信息的过程。这一过程是质量管理体系的支持过程。在产品的整个寿命周期，包括从市场调研到售后服务和最终处置的各个过程都需要适当运用数据分析过程，以提升有效性。例如J.开普勒通过分析行星角位置的观测数据，找出了行星运动规律。又如，一个企业的领导人要通过市场调查，分析所得数据以判定市场动向，从而制定合适的生产及销售计划。因此数据分析有极广泛的应用范围。

而数据分析包括的内容从需求识别、获取数据、整理数据、观察数据到分析数据、数据展现的各个环节。

第一步就是要准确识别需求，定位到问题的核心所在和需要哪些数据来支撑你的观点，这样为收集数据、分析数据提供清楚的目标。区分一个高级数据分析师和一般数据分析师，能够第一眼就识别问题的所在，掌握数据库的熟练程度，第一时间通过数据的校验验证自己的观点。

第二步获取数据，将需求转变成具体的数据要求，明确哪些数据是需要的，他们在什么地方，可以通过谁来获取。

第三步就是观察数据，通过加工、整理分析成有用的信息，通常结合时间序列、对比、趋势等。

第四步分析数据，结合现有的业务和数据发现的问题，提出建议和意见。

最后往往还要再回过头看看数据分析方法是否正确、是否数据质量上还有什么问题、收集到的数据是否真实等。

2. 数据分析与数据挖掘的区别？

在接触数据分析和数据挖掘的时候，也会遇到数据分析和数据挖掘是什么，之间区别有哪些。从实际工作中来看数据分析和数据挖掘也是两件不同的事情，但是两者有很强的相关联性。

从概念上讲，数据分析是在统计数据的基础上通过结合分析方法论得出一定的结论，而数据挖掘更多是对历史数据进行未知结果的探索。像我们最常见的“啤酒与尿布”的故事，我们结合数据只能分析出啤酒和尿布的销量都很高，但是这其中为什么啤酒和尿布是有相关联的，那就需要通过数据挖掘的方法来挖掘，从中发现去买尿布的男士都会顺便去买啤酒。再比如我们通过数据分析发现电商购物的人群70%都是女性，所以结论就是女性更喜欢购物，而通过数据挖掘我们发现由于女性天生喜欢逛街购物、大部分时间会去关注比较漂亮的商品、没有太多目的性，导致女性在电商中的购物比例很高。

在工作内容上，数据分析的工作偏重对业务层面的理解，能够结合具体的业务和已有的数据，给出自己有力的观点，给到业务决策的支持。数据挖掘的工作偏重系统工程，通过历史数据样本召回、数据特征工程和模型算法，对未来结果预测。所以在工作内容上两者的差别也是比较巨大，但又有联系。举个例子，在公司做数据分析师的阶段，日常的工作是整理网站流量趋势变化的报表，如果流量上涨或者下跌要能够分析这其中的原因是什么，可能是业务方有营销活动的动作，也有可能是系统层面的数据问题。而在公司做数据挖掘的平时工作就在某一个小点上，如果利用数据挖掘来预测明天可能有哪些用户会来登陆。涉及登陆频次、用户的个人属性情况、用户使用网站的周期、网站的活动因素等各方面的数据特征。利用模型去训练和预测明天登陆用户的概念。最后在实际的业务场景中去应用。

因而不难发现，数据分析更多是对已有数据进行观察分析，数据挖掘更多是对知识的规律探索总结。在方法论上数据分析更多凭借人结合数据经验，数据挖掘会结合算法模型分析。

3. 数据分析和做报表的区别？

过去BI一直被人认为就是做报表的，所以不管是业务部门还是技术部门一有报表需求就会去找BI部门。而BI部门也不想把自己定位成做报表的部门，所以一直在接这方面的需求没有太多积极性。

咨询行业内有一个经典的故事：

一个农民赶着羊群在草原上走，迎面碰到一个人对他说：“我可以告诉你，你的羊群有几只羊。”随即，他用卫星定位技术和网络技术将信息发到总部的数据库……片刻后，他告诉农民羊群共有1460只羊，并且要求农民给他一只羊作为报酬，农民答应了。随后，农民对他讲：“如果我能说出你是干嘛的，你能否把羊还给我？”那人说，“行”。农民说：“你是一个咨询顾问。”那人很惊讶，问农民是怎么知道的。农民说：“有三个理由足以让我知道：1.我没有请你，你自己就找上门来；2.你告诉了我一个早已知道的东西，还要向我收费；3.一看就知道你不懂我们这一行，你抱的根本不是羊，而是一只牧羊犬。”

这个笑话在咨询界广为流传，并有不同的公司版本，和前段时间“友谊的小船说翻就翻”一样在微博和朋友圈被人转发。而有意思的是，许多资深咨询顾问看到这个笑话并不感到恼怒，而是会心地一笑。公开场合下，他们一定会非常自信地说，咨询非常深刻地影响企业的战略，因此具有非常重要的价值。不过私底下，他们对于是否真的“能改变世界”这一点并不够自信。作为定位于公司辅助决策的数据分析部门而言，BI也在接受这样的调整。名称叫商业智能，指导公司的高层，而在具体的实际行动中，因为高层不懂数据或者数据部门不理解业务，再或者没有足够的数据能够支撑你去做很多的分析，导致最终的很多公司数据部门变成了一个“做报表”的部门。而报表作为管理层经常需要看的媒介，又不可或缺。值得高兴的是，现在有很多可视化的数据工具来帮助传统企业在做报表的过程中提高效率和优化美观，与过去需要数据分析师专门每天去重复拉取excel报表来说明显进步很多。但对于一些更加深入的分析还是需要资深的数据分析师来结合业务单独分析，并非是简单的报表的能够解决的情况。所以资深的数据分析师还是一种是众多公司争抢的资源。

如今在市场方面，数据分析、数据仓库、数据挖掘、大数据等概念热得发烫，数据分析师被认为是万众仰慕的职场新宠，关于数据分析师技能、职责、职业素质、发展前景等的讨论不绝于耳。就像“姚黑”一样，数据分析的质疑声也不断传出和放大，数据分析、挖掘到底能否产生价值，多大价值？

数据分析员、数据分析师不应当只会“数羊”！不应当只是发现本应该发现的“经验”！而应当掌握数据探索，发现潜在的价值，预见可能将发生的某种“坏的未来”！

4. 数据分析难不难学？特别是背景非理工科的。

只要有恒心就会学会，而且这个目前也是一个热门，因为现在数据量越来越大了，所以对这方面的需求也越来越多。学习数据分析，先要打好理论基础，《概率论与数理统计》、《统计学》、《深入浅出数据分析》等。然后就是主流的数据分析软件，关于数据分析主流软件有（从上手度从易到难）：Excel，SPSS，Stata，R，Python，SAS等。

如果是理工科背景的，了解数据分析并掌握相对来说比较好上手。重点是对统计学知识的熟练掌握，另外就是在编程方面能够有一定的基础，在处理数据和查询数据、分析上面能够自己操作，特别推荐像R、python这样比较好上手的语言，基本能够解决目前80%的数据分析需求。

如果是非理工科的，那可能还是需要在高等数据、微积分这些上面先花段时间学习一下，了解数学方面的基本方法论。学习常用的数据分析方法论都有哪些，比如趋势分析、对比分析、关联分析、预测分析等。常用的市场分析方法论，如SWOT、PEST、4P、波士顿矩阵、5W2H等。

最后还是需要大量的项目和工作案例来锻炼，学会怎样操作那些数据分析软件，学习从哪些角度去思考分析常见的指标问题。然后是利用软件从数据的清洗开始一步步进行处理，分析，最后输出结果，检验及解读数据。

5. 数据分析可以�...

本文作者│欧小刚

7月11日，帆软在上海举办了大数据峰会。在会议上，帆软CEO陈炎阐述了他对BI产品的一些思考，他认为要以产品经理的思维来打磨自家的产品。另外，多家帆软的客户上台讲述了自身部署BI系统建设方面的思考、烦恼和取得的部分成果，以及如何将BI系统应用在其日常的业务运营中，提升运营效率。这些企业用户来自各行各业，具有一定的代表性，包括东方融资网、华谊集团、新城控股集团等。

通过听取嘉宾的演讲，尤其是各个行业用户的真实应用情况，引发了我自己的一些思考：对于一款BI产品，用户最关注的是什么；BI发展到现在，未来几年将向什么方向发展。

▌Gartner提出“人人都是数据分析师”，推动自助式分析服务发展

作为BI概念的提出者，Gartner对于BI的发展应该是最有话语权的。2月16日，Gartner发布了2017年BI商业智能和分析平台魔力象限报告，我们可以从报告中找到一些端倪。在2017年的报告中，Gartner分析师们规划了商业智能和分析平台3年后愿景。和去年相比，今年增加了对市场前景的判断，强调了这样几个关键词： 大数据、智能、自助。

Gartner报告中提到，智能的、企业管理级的、基于Hadoop/Spark、基于搜索和可视化的数据探索式分析功能将作为新型BI和分析平台的组件，融合到下一代数据探索分析产品中。智能化水平的提升，降低了BI产品对于用户的使用门槛，为实现自助式分析创造条件。Gartner预测，到2020年，非职业数据分析师的增加速度是职业分析师的5倍。理想的情况是人人都可以成为数据分析师，人人都可以实现自助分析数据。

▌以帆软为例，看BI产品如何实现自助式数据分析

人人都是数据分析师是一个美好的梦想，但再美好的想法都需要现实的技术产品来实现，不然就是空中楼阁。这涉及到技术的发展阶段，能否支撑智能化、自助式的数据分析；同时也牵涉到一个个产品功能点的设计，来将设想落地。作为国内首屈一指的BI厂商，帆软很适合做一下我的“小白鼠”，我试图通过对帆软产品的分析，来弄清楚怎样来实现自助式数据分析，以及目前的技术产品现状离“人人都是数据分析师”这一理想状态还有多远。

帆软有两款BI产品，分别是FineReport和FineBI。在深入接触帆软的产品之前，我一直有一个疑问：已经有了一款BI产品FineReport，为什么还要再另外弄个FineBI，这两款产品最大的区别是什么？带着这个疑问，我请教了帆软的相关人员。FineReport是面向企业信息部门或者软件集成商，用来快速搭建数据决策系统或者数据中心的工具。而FineBI则是面向企业包括信息部门以及各业务部门，帮助企业搭建全员自助式数据分析与数据可视化平台的工具，强调大数据的自助分析。

FineBI有诸多特点，比如具有完善的数据管理策略、对大数据的良好支撑、以IT为中心企业级管控等，但我最关注的还是可视化探索式分析的能力，帮助用户实现自助式数据分析。FineBI帮助用户充分了解和利用他们的数据，在数据准备和探索式的交互分析方面，提供可视化的拖拽操作方式，这大大降低了用户的使用门槛，变得几乎人人可用。

具体的实现方式大体分为两步：数据管理员将数据事先处理好，建立完善数据之间的关系，按照业务做好ETL，提供给业务人员或者数据分析师进行数据分析及数据展示。此时准备好的数据就像是自助餐厅中摆放出来的琳琅满目的美食，人们按照自己的喜好挑选品尝；业务人员或者数据分析师可以根据自己常用的业务，将数据管理者提供的一部分数据处理成属于自己的数据，再应用到自己的数据分析和数据展示之中。

▌零代码、友好人机交互、智能化是实现自助式分析服务的三个关键因素

通过对帆软产品的分析，我觉得要实现用户自助式分析，有几个方面需要重点突破：

零代码开发。要想人人都成为数据分析师，零代码开发是必须满足的。即使在信息技术发达的今天，程序员在总人口中的占比依然很低。如果在数据分析前要写部分代码，绝大部分人都会望而却步。

人机交互方式要友好。多谢乔布斯的偏执，让产品开发者越来越注重用户体验。可视化、拖拽式的操作方式，将成为标配。未来随着自然语音和语义理解技术的成熟，通过自然语言的方式来与BI产品进行交互也将变得越来越普遍。

BI系统充分理解用户意图。BI系统通过接收到的信息，快速理解用户意图，知道用户想要什么样的结果。甚至只是接收到部分信息，也能对用户的完整意图进行快速补全。这样的BI系统必然会进一步降低用户门槛，提升用户体验，产生一种“你懂我”的感觉。

以帆软的BI产品来看，第一条和第二条已经有相当程度的实现，第三条对于整个BI领域甚至整个企业级市场而言，都还是需要突破的课题。随着人工智能技术在BI领域的深度应用，相信BI系统的智能化水平也将会不断提升。那个时候，离“人人都是数据分析师”的理想状态就真的不远了。

▌自助式分析很可能将BI产品引向C端市场，将企业外的个人也变成数据分析师

目前的BI产品很大程度上降低了BI系统的使用门槛，让企业内部的业务人员也能很好的进行数据分析，缩短了整个反馈链条，大大提升了数据分析效率，这对帮助企业实现数据化运营至关重要。但是业务人员也是属于企业内部，能不能再进一步，将没有依附于企业的个人也变成数据分析师呢？

下面我将讨论一下这一设想的可能性：

随着互联网的发展，整个社会积累的数据越来越丰富，数据量越来越大。虽然目前不管是政府还是互联网巨头的数据，都没有向社会公众开放，但是未来必然会推动数据开放和数据共享。普通人能接触到的数据量和数据类型都将极大的丰富，对数据分析的需求也将越来越强。

比如电商平台可能将经过脱敏处理后的电商数据向社会开放，那时候一个人想了解目前流行什么衣服款式，除了去询问别人或者看一些时尚评论外，可以基于公开的电商数据，通过BI产品来分析各个款式的销售数量，基于数据分析对趋势作出判断。

再比如未来政府数据开放做的比较充足了，普通人可以接触到一个关于某个城市的各方面数据，如IT企业数量、员工平均薪酬、流动人员分布等，然后就可以借助BI工具来对自己感兴趣的数据进行分析，综合评估某个城市的发展情况，为自己以后就业、安家的选择提供一个科学的参考。

诚然，上面说的那些数据指标有些目前也有公布，比如淘宝指数、某个城市的平均薪酬报告等。但是这些数据都是由某个机构或企业统计之后公布的结果，信息不够丰富且时效性不强，最重要的是不能根据每个人的特性需求进行定制。未来数据足够开放了，个人完全可以基于公开的数据，通过BI工具对自己感兴趣的数据进行分析，快速得到自己想要的结果。

相对于B端市场，C端市场也许具有更大的市场空间。毕竟，目前混的风生水起的巨头，大多是建立在C端基础上的，比如谷歌、Facebook、苹果、腾讯、阿里巴巴等。与B端市场相比，C端市场具有更大的用户基数。有了用户就有了一切，即使产品本身不挣钱，也可以设计其他的商业模式创造收入。

要将BI产品引入C端市场，我认为有两个条件至关重要：

政府和企业的数据开放共享，增强普通人对于数据的可获得性；

BI产品变得足够简单易用，实现“傻瓜式操作”，尽量降低学习成本，并增添数据分析的乐趣。

当然，这离不开像帆软这样的BI厂商的积极努力，推动整个大数据行业的发展。我的预测比Gartner更激进一点，不仅企业内部业务人员能进行自助式数据分析，非企业组织的人员也能进行自助式数据分析。我相信到2020年，数据分析会是每个人的必备技能，人们在作出决策之前也许都会调出BI工具对相关数据进行分析一下，那才是达到了“人人都是数据分析师”的理想状态。

感谢关注天善智能，走好数据之路↑↑↑

欢迎关注天善智能，我们是专注于商业智能BI，大数据，数据分析领域的垂直社区，学习，问答、求职一站式搞定！

今天推荐一些适合运营阅读的书籍。运营涉及的领域比较广阔，所以我也不限于入门，这份书单，即加强运营的核心能力，也能拓展运营的边界。

正如我强调过，运营的学习，不能限于一两本从「入门到精通」这种泛泛而谈的东西，而是根据自己的需要不断强化和进化，这是一种多领域交叉的阅读和吸收，也是广阔意义上的全栈。

譬如用户心理的应用，数据分析的应用，这些能力和经验能支撑运营走得更长久。下列的书单，虽是我阅读过或者被人推荐过，但不能保证全面性和权威性，大家报以尽信书不如无书的态度。

感谢这些书籍的作者辛劳，也请希望大家支持正版。

运营基础

这是运营的基础知识，每一位新人如果想要入行，都应该读其中至少一到两本。

从零开始做运营

运营应该都听过这本书，不多介绍了。对于-1～0岁的运营，想要借此入门，值得一读。入门没有老师带领，野蛮生长的运营，也可以更系统地了解运营。

运营之光

从零是入门书籍的话，运营之光更适合工作有一定时间的运营从业人士。从零会让你摸到运营的门槛，但是运营工作一段时间后会陷入到迷茫期，被繁琐、重复无意义的事情消磨掉热情。

这本书言辞诚恳，更着重思维层面的引导，迷茫期的新人读来，想必守得云开见月明。就是排版稍稍糟糕了些。

增长黑客

Growth Hacker这个概念就是由这本书热传的。增长黑客属于国外版的运营，只是单兵作战能力更强。AARRR框架就是由增长黑客流传过来。

这本书可以借鉴不少国外的经验技巧与案例。当然，它更强调「增长」，但是在互联网的后半场，增长不是那么一件容易的事。初读书不要被带偏方向，与其想增长爆点，不如多想增长引擎。

作者近期出了一本姐妹篇，侧重于实战案例，有兴趣也可以看看。

运营基础类的书籍不少，除了上述几本，还有「超级运营术」、「进化式运营」、「运营前线」等，市面上的运营内容处于百花齐放的阶段。不过有一点要明确，运营的概念广阔，运营书籍的作者们，他们所著内容都是过去职场经历项目经验的总结，有着深深的自我烙印。

所以有些书偏重社区，有些偏重用户，这一点就按照适合自己的来，不用贪多。多思考和多总结为主。

运营进阶

运营基础解答的是「什么是运营」，虽然附带了不少知识，但是对运营远远是不够的。因为运营有工作内容的方向细分，有所处行业领域的不同，想看单一的入门书籍完成蜕变，无异于痴人说梦。

运营还需要一些泛能力，泛能力可以是对行业的深刻理解（这点在本书单是无能为力的），也可以是招式能力，这些能力首要是好用。这里推荐几本对运营行走江湖有帮助的书籍。

疯传

作者在书中列举了传播的六个要素，并且以翔实的案例围绕这六个要素展开。

这本书的优点在于其指导性的思维框架，不论内容运营、新媒体或者营销类岗位，都能直接套用这个框架，包括具体的策划或者复盘，以扩大传播为己任。缺点是结合了国外的案例，国内的运营们还需要依靠自己的思考。

国内有一本类似的书籍叫「共鸣」，思维框架接近，可以看看。

影响力

心理学在传播的应用，可以视作「疯传」的补充。

如果说两者的区别，那么疯传理论更接近于制造出一个具有传播性质的热点，让它自我传播开来。影响力则告诉大家如何更多主动性的施加技巧。

运营想要产品脍炙人口，这类技巧是必须学习的，当然，还是要消化成运营的技巧。

游戏改变世界

游戏一直是运营中很有趣的一个分支，各种奖励系统、勋章系统都是来源于此。大部分人都应该玩过游戏，但是很少有人会去总结游戏背后的规律：为什么大家这么喜欢玩？

这本书概括了游戏让人成迷的四要素：目标、规则、反馈、自愿参与。作者以游戏行业人士的口吻，更倾向于教大家如何设计出一个好游戏，我们把目光关注到如何以游戏的方式让用户参与到产品中。这本书稍微有上升到哲学意义和社会学的高度，部分内容可以不看。

另外一本书叫「游戏化思维」，评分低一些，但和运营应用相关性强一些。

文案发烧

运营肯定要和文案打交道，它是运营的基础能力之一。虽然不需要广告那么专业，但是拥有出色的文案，在内容运营等领域如虎添翼。

文案实战性很强，属于看了很多书，不会的人还是不会。看书，一是希望运营能掌握文案的思考方式和技巧，避免歪路。第二便是从优秀文案处汲取灵感。多看多练永远是不二法门，但是不要生搬硬套。

另外可以阅读「广告文案」，「文案创造完全手册」等。

玩法变了

比较老的一本书，在电商风起云涌的年代出版，以今天的眼光，依旧有可取之处。

虽然说得是淘宝卖家如何运营，但是对互联网产品，尤其是电商和活动运营人员，很多技巧和思考方式是通用的。你既能了解促销、打折这种经典玩法，也能理解品牌和流量这类商业化的思考。

小米生态链战地笔记

小米生态链的打法。小米的模式颠覆了很多传统科技公司的做法，也带来了新颖的营销理论。另外一个不错的地方是和硬件相关，运营纯线上有纯线上的不足，多换视角看待问题。

小米另外一本营销类的书籍是「参与感」，对用户运营也有启发作用。

技巧类的书籍还有不少，比如SEO相关、网站运营相关，都是各自的垂直领域，因为我阅读量有限，就不多推荐了。大家可以留言补充。

心理

很多人，喜爱把心理学等同于「猜猜我心理想什么」，这是对心理学的错误理解。它本身就是侧重研究和实证的一门学科，更不是色彩心理等快餐读物。

运营之所以要学习心理学，是因为产品从用户的需求出发，需求是和人性，心理特质密切相关的。运营不能不了解用户，另外一方面，掌握各类心理的应用技巧，也将更有助于运营工作的拓展，

思考，快与慢

大名鼎鼎的书籍，作者是诺贝尔经济学奖的得主丹尼尔卡尼曼，获奖原因是他将心理学引入到经济学，传统的经济学遵循理性人假设，而作者另辟蹊径，探讨了理性和感性，逻辑和直觉的关系。

书中开始，论证了人类有两个思考系统：系统1和系统2，一个依赖下意识的直觉，另外一个则是深思熟虑后的决策系统。在后面，引入了不少有趣的经济学案例，当一个人有80%的概率获得1000元，以及100%的概率获得900元这两个选择时，为什么大多数会倾向于保守？当获得变成损失时，人们又愿意做出那种哪种选择呢？

在书中，你会获得不少有趣的理论，尝试在运营中应用它们。

怪诞行为学

和上面的书一样，作者也是响当当的行为经济学家。

书中举了很多有趣的例子，作者笔风又足够幽默，所以读起来不觉乏味。看完之后，生活中的很多「为什么」获得了解答。当然这类书籍，最大的缺点就是没有指导实践，运营看完后会认为自己学了很多，但是离应用还差了不少。

这是系列书，一共有三本。

别做正常的傻瓜

前面两本是国外读物，本书更接近国人喜欢的文字风格。当然啦，看封面也知道挺有趣的。其他的通俗读物还有「隐性动机」、「理性犯的错」。

如果希望比通俗阅读更深一点，又比学术文章浅一点，可以看「决策心理：齐当别之道」。

乌合之众

书单中最古老的一本书，但是在今天仍旧散发着影响力。

它是论述社会心理学，对人们群众阐述地比较深入，书本并不厚，但是读完会对群里行为和群体心理有一个了解，如果是新媒体相关的运营，或许会有更深刻的感想。

这本书的应用性不强，或者说它的应用必然会遭受非议，比如煽动，所以把它作为了解用户群体的读物吧。

营销

营销类学科和运营的关系匪浅，很多运营理论就是脱胎于市场营销专业。我相信，出色的运营人员一定能成为出色的市场营销人员，反过来，运营人员也可以学习市场营销扩展知识面。何况，国外的运营工作，也是Market部门承担。

这里推荐的书都比较学院派，目的是解决运营路子中「野」的一面。他山之石可以攻玉。

营销管理

非常厚的一本书，已经出到第15版，很多市场专业学生的课案教材，科特勒的经典著作，无需再多介绍。

囊括内容足够多，诸如细分市场目标市场、传播价值等，阅读起来会花费不少时间。一定运营基础的同学，阅读过程中一定有似曾相识的感觉。市面上的运营书籍已经不少，但是从管理角度、战略角度看，这个领域的运营仍几乎是空白。阅读本书可以多联系国内运营案例和体系，或许会帮助你高屋建瓴的搭建出更高的思维。

定位

定位之父杰克·特劳特凭借此书奠定了定位理论，所谓定位理论，它不再强调产品的优异，也不再拘泥于满足用户这一营销认知。「满足需求」在互联网行业不是天然正确的么？

定位告诉你，并不是。

产品想要决胜，是在用户心智中的战争，用户认为你产品什么样，与从业人员的认知划不上等号，前者更重要。这个理论在「营销管理」中也成为4P(position)之一。

这本书的案例有缺点，立论不强，作者喜欢以事后诸葛亮的口吻论述企业成败全都是因为定论，XX成功了，因为定位用得好，反之，则是没有成功运用定位。这一点还是仁者见仁了。

消费者行为学

仍旧是国外的教科书，国内的运营因为年轻，而且早几年的生存状况更接近野蛮生长，所以导致运营在商业化的能力偏弱。

面对用户，可以通过留存拉新甚至活动得到一个很好看的数据，但是面对消费者，要把产品/服务卖给他们，就力有未逮了。

这本书属于概念多且杂，单拎出一点对运营都是有帮助的，整体看又过于零碎，不方便消化吸收。类似：说出了隐隐有体会但是不能系统表达的观念，又无法让我更进一步。部分内容很啰嗦，可以跳过。

一个广告人的自白

第一眼看书名，以为是奥格威的自传体，然而这本书将广告业的核心一一道来。

这本书更多是思想上的启发，所以对运营有帮助。运营本来就是和市场营销、广告营销乃至数据分析多领域交叉，所以看这类书均是开卷有益。因为是广告书籍，所以和客户相关的都可以快速略过，毕竟这不是运营的本业，将精力集中在如何创造高水平的广告上。

广告类的书籍，还有「科学的广告+我的广告生涯」，以及「蔚蓝诡计」。

运营思维

运营重于术，往往忽于道，所谓运营体系也只是更高层次的术罢了。通俗说，道是一种思考方式和思维，思维能调整和创造出一个良好运行的运营体系，并且这个体系有自我进化的能力，应用广阔，能商业化，能纠错。否则你讨论再多的运营体系，也只是复制黏贴，把以前的经验拿过来用而已。

运营思维是经验和时间的积累，没有速成的方法，下面的几本书，更多是师傅领进门，修行靠个人。

金字塔原理

不知道是金字塔原理铸就了麦卡锡，还是麦肯锡铸就了金字塔原理。

金字塔思维是一种高效的思维方式，在职场中能发挥很大用处。这本书虽然讲述了金字塔原理，但是比较晦涩啰嗦。

说白了，它就是中国人小学开始就学得文章结构：总分结构。抱着这样的认知读会轻松不少。想要掌握金字塔是比较困难的，因为思维方式具有惯性，不经历大量练习很难改变。

所以比这本书更重要的在于，如何通过不断的练习掌握它。另外还有「麦肯锡思维」「麦肯锡方法」「麦肯锡工具」，没啥区别。

思考的技术

作者是知名咨询公司出身，本书是咨询公司凝聚出来的分析经验。

书中有一句话说得很多，思路决定出路，没有了思路也就没有了出路。运营在很长的一段时间内需要不断重复工作，但在一定年限和经验后，良好的思考方式会决定未来，好的运营会把时间花费在更多的策略思考上。

书中列举了不少经典的思考模型，对于这方面空白的运营很多帮助。至少比金字塔原理更靠谱。类似的书籍有「BCG视野系列」、「完美咨询」等。

零售的哲学

7-11是最知名的便利店之一，这本书讲述的是其创始人四十多年经验心得。

有人说，7-11是一家真正的互联网公司，它重视用户体验，分析用户心理，并且提供用户价值，是一本零售行业的互联网思维指南。这从侧面论证了这本书的价值。

新零售行业是未来的一个风口，与之相关的从业人员，应该读一读本书。

经济学的思维方式

运营是离钱最近的岗位，也是离商业最近的岗位。

好的运营，必然需要经济学思维，成本选择、收益预估、风险规避等。这是往运营管理岗位迈步的技能之一。

这是一本入门书籍，翻译略糟糕，慎重（或者看其他版本）。

其他什么魔鬼经济学、牛奶可乐经济学，也可以当厕所读物的。

学会提问：批评性思维指南

一本关于思考的书。

国内的成长环�...

干货满满的上篇，不仅仅是一篇数据分析，相信你将对人人都是产品经理的网站和发展会有新认识，欢迎指导交流~

起因

看了几年的人人都是产品经理（以下本文中简称人人），从来只是个看客和学习者。最近因为比较闲，也在总结这几年来的工作心得。近一个月前终于有了第一次投稿，如何通过小程序和微信社群来构建产品运营体系？上过人人的微信头条，每天都能有几个新的订阅用户，这些都在告诉在我这一点付出还是能够帮助到其他人的。

但我一直很好奇它具体在人人的过往文章中到底是个什么水平，我心里没有底。所以出于好奇，就有了这次数据分析的探索之旅。

内容安排

学过数据分析的同学肯定在最开始都有这样的体会，手中有了锤子，看什么都像钉子。所以好久没做数据分析，手痒一下子抓取并分析了一大堆数据，远远超过了最初的目的。

所以开始构思如何写这篇文章的时候，做了如下思考：

人人是由哪些角色构成？这些角色都想知道些什么？能否通过现有的数据给出这些答案？

综合考虑以上问题和文章篇幅后，大致拟出如下图所示框架：

左边为人人官方平台角度，换位思考，如果我是运营，首先会比较关系平台的内容循环体系是否正常，其次内容是否带来足够的收益；右边为用户角度，就是普通的网站访问者，同时根据身份又分为读者和作者，读者想的是能够找到自己想要的内容，作者是想的是自己的作品是否受到大家的关注；

这是两个角度，三种角色的基本思考，而本篇则会由左边开始，下篇会讲右边。

数据介绍

1. 开发环境

基本的数据分析工具就如下图所示：

2. 数据获取

因为不是写教程，而且过程也很简单，这里只是简单的提一下。使用Python写一个For循环请求网站的一个分页加载接口，就能够获得所有的网站文章数据（Json格式），再将所有的Json数据合并整理成相应的列表。

其中接口返回的原始数据项比较丰富，选取其中比较有价值和便于分析的，如下表示：

3. 数据总览

在获得数据后，第一时间就先看看整体的数据情况。时间有限就不去做些漂亮可视画展示啦，总览数据就如下表所示：

只看以上数据，我上一篇的数据无论是5K的阅读量还是收藏点赞都还没有达到平均值，离好文章都还有一些距离，这组数据能解决我的基本困惑。但对于整体的运营情况和前文提出的一些分析目标来说还远远不够，所以还需要后文的深入分析。

4. 正式开始分析前对数据的一点说明

数据仅采集自首页文章列表展示数据，仅用于学习和投稿人人的写作，不做何商业用途。本文数据采集自2018年8月16号，一切记录数据以当天为准。文章数据并不能保证严格正确和全面，比如：9月2号再次采集时，文章数量比8月16号的还少，应该是下架了一些文章，但对于本次分析人人的网站大体情况应该是没有问题的。为了不给人人主站造成不必要的网络负担，如果有需要原始数据的同学可以在后面留言邮箱，或者在我的个人网站中寻找。

了解以上，让我们正式开始。

平台运营浅析

初步分析人人主站的主要业务逻辑如下图所示。

由作者发表文章吸引用户产生流量部分读者会转化成作者、生产独家内容，以此来构成一个能够长期、稳定的内容发布体系。在此之后的，通过流量发布广告，读者带来的口碑换取第三方合作、课程转化等，都是在这之上的业务逻辑，分支太多，不可能面面俱到，所以点到即止。

再根据实际的数据情况，并没有直接的读者UV数据，所以仅对以下两条业务线进行分析：

业务线1：多少作者产生了多少投稿；业务线2：投稿的文章带来了多少阅读量进行分析。

投稿来源

相信大家在看数据总览中能看到，投稿作者的身份多达23种，依次是：站长、运营小编、官方、专栏作家、运营小哥、运营小妹、普通用户、设计小妹、运营、合作媒体、编辑、作者、萌妹子、主编、女神、男神2、临时工、特邀作者、运营哥、美少女、CV工程师、合作出版社、小编妹妹。

是不是眼花缭乱，群魔乱舞？

这里我根据后面的实际情况对相应的身份进行了些合并。

所以这里需要吐槽和需要改进的自然就是平台运营小编们对自己的角色定位了，只从命名上看得出来应该是后台的管理有些混乱，最初来一个新人就想当然的给了自己一个title。或者说人人当初有自己的培养明细写手的打算，所以预留了一些特殊的职位和身份？

Q1. 各阶段的投稿主力是谁？

OK，吐槽完作者身份后，进入到第一个问题。那就是人人上面的文章都是从哪儿来的，或者说是谁投的稿？

在对作者身份进行合并后，如下图所示的是2012~2018年，投稿数量分布热力图：

这里不仅对各时期的投稿主力看得很清楚，甚至可以清晰看到人人的主业务搭建过程：

最初是由站长在2012年完成了大量的投稿（转载），构建了网站的基本内容（可能是有一些网站的改版，因为人人实际从2010年就开始运营了）；在2013年开始，大量团队成员的加入后，转为团队运营的方式，而站长由此开始退居隐退，并且在网站上投稿的用户明显增多；之后一年团队应该过得挺辛苦的，平均每天团队成员需要投稿15.3篇，只算工作日251天的话，大约27篇，虽然不知道团队成员多少，但至少在2014.11月拿到融资之前团队成员应该不会太多。即便转载，也会有相当的二次编辑工作量；2015年大约是通过对普通作者的发掘，将部分投稿用户转为了专栏作家，激发了用户的投稿积极性，使专栏作家的投稿量有了质的飞跃。当然，这里有个问题可能在于用户在最初投稿时为普通用户，但在之后转为专栏作者，将部分原应该归到普通作者的数据分到了专栏作家中；之后的两年就相当平衡了，更多的普通用户投稿说明对平台的品牌认可，且源源不断的提供更多的专栏作者，以维持稳定的内容输出。

整体来看，之前说的主业务体系目前应该是比较稳定且完整的。2018年的数据目前还不好说，但专栏作家的流失的趋势有点明显，可能需要一些激励计划。

Q2. 用户的投稿次数分布

从内容生产的角度来说，普通用户和专栏作家投稿属于UGC内容，平台运营内容属于PGC内容。PGC内容可以根据团队运营的情况来调整，而UGC内容则需要通过适当的激励手段来保持。

而且之前在数据总览中能看到这样一组数据：

作者总数4138名；人均投递11.9篇/人；投递偏差值为91.7。

如此大的偏差值，能够多次投稿的用户数量并不多，而实际的情况也如下图所示（仅普通用户和专栏作家）：

那么在普通的吃瓜群从中，加了V的专栏作家是否真的有做出比普通用户更多的投稿呢？

为了接下来的分析和数据展示，将对用户的投稿数量做了出以下分组：

再加上投稿作者的身份，结果如下图所示：

绝大部分的的专栏作家完成了至少5篇以上的投稿，且L20的专家用户完成了相当的投稿量；从普通用户L20中可以看到人人确实把相当一部分用户转成了专栏作家，而且通过具体数据查看，此类剩余未转化的用户大部分只是转载；普通用户L2到L6之间有道坎，这个我现在自己写作也深有体会，对于用户来说一时兴起写一两篇没有问题，但难的是如何坚持；从此数据中无法直接得出普通作者转成专栏作家后，能够持续投稿，缺乏用户身份转变的时间，故不再做进一步分析。

虽然有些不完美，但确实是20%的用户解决了80%的问题。

Q3. 用户的投稿偏好

最后我们来看一看用户喜欢投哪些类型的稿件，普通用户的投稿一般是兴趣始然，或者是来自自己的工作内容的总结、经验分享。所以这个分析将将可能得出产品经理们的能力变化和工作变化。

从左往右按年份来看：

2012~2015可能还是产品经理在行业内刚开始冒头的时候，所以产品经理的主要工作：产品设计、产品运营、产品经理大家都还不太敢写，或者说能写的人还很少，主要就是分析行业和转载报道当前的行业趋势；2016开始才品类丰富起来，应该算是产品经理行业开始变得成熟的一个分界点，在这之后，产品设计、产品运营、产品经理的投稿才变得丰富起来，毕竟有经验的开始多了起来；营销推广、文案策划、新零售、AI人工智能直到今年才有投稿，应该是最初没有分类造成的，也应该是相应的内容开始集中出现的结果。

不过这个分类是人人运营自己做的，很明显还是有些问题。分类来得有些晚，至少热点已经过了，或者因为没有分类可以选就在一些大项里凑合一下，将会造成文章索引困难，值得优化一下。

内容收益

网站上有了内容，那就需要看看这些内容所能够带来的收益。与很多实时类的新闻不同点在于，人人是个比较专业又垂直的网站，里面的内容是会沉淀的，即使是几年前的文章也会被用户找出来进行查阅，而且有相当多的引导和内容聚合，可以将新用户直接导入到有价值的老文章上来。

所以需要注意，在接下来的文章收益里的几个数据：阅读、点赞、收藏和评论都是一个累积量，不能当做PV和UV来进行参考。

Q4. 各时期的文章对用户吸引力

有了之前对数据的说明和理解，这里将要计算的是各时间点下，不同分类的文章对阅读量的收益是如何分布的。对于网站来说，历史内容也是可以增加点击量的，而不时间的最终阅读量均值。

如下图所示：

（1）2018年，除了招聘信息，所有类型的文章的阅读量都比之前低，有以下几种可能：

有经验的产品经理越来越多，所以大家挑着看；产品经理的人数和热度在减少；产品经理的岗位也在也在减少；优质的内容不如之前的多，所以新用户会导入到老文章上来，新文章反而快速的沉没；

具体是哪种，可能还需要直接从管理后台查看日活，月活比较说明问题。

（2）对于平台来说，只要能吸引到用户和点击量就是好内容，从上图中显而易见的：干货下载和原型设计这两个入门级的分类文章始终是最能吸引用户点击的，这种历史内容实际只能通过搜索来反馈，可以更突出一点。

（3）AI人工智能，区块链这些新技术的阅读量都出现了大量的下滑，说明大家对这些新领域并不看好。而还有很多新的发展趋势却没有体现出来，有点可惜，这一点之前已经提过了。

Q5. 各时期的投稿质量如何

刚刚Q4的分析中，仅是从阅读量均值来查看。但有经验的同学肯定知道，很多标题党也可以直接收获不错的点击。所以接下来这里我们需要更严格一点，将阅读、点赞、收藏、评论都放在一起进行考量。

这里再具体看一下相关的统计数据：

数值上的差距还是相当大，所以这里我们为了统计和展示方便，做了以下数据处理：

将四项属性按低于25%的值评定为Low，高于75%的评定为High，其余为Mid进行分组。反过来说，如果一篇文章的某一项属性评定为High，意味着它的这一项属性是超过75%的文章的。然后逐月计算将相应月份里，分别计算四个属性中为High的比例，比如：2017年1月份投稿100篇，得出有20篇阅读量为High，10篇点赞量为High，那么只记录相应的高阅读和高点赞比例分别为0.2和0.1。

结果如下图所示：其中四条线是取值为[0,1]之间的比例，为了不与下方的投稿量过于干扰进行了放大处理，下面的bars则是当月的投稿数量。需要解释一下的是，因为高质量的文章并没有统一标准，所以这里并没有对数据进行合并，而采取的是人工观察和感性分析。

最左边的一条并不是数据出错了，而是早期站长批量导入，然后之前一直没提的就是整体投稿量一直呈现上升趋势。

高阅读量却没有相应的点赞和收藏，所以这里从2015年3月和4月取几个标题，大家感受一下：

从汪涵救场看产品经理的危机处理滴滴拉屎App，估值100亿美金！快滴拉屎PK滴滴拉屎，拉屎App的爱恨情仇在网易实习是种什么体验？

2016年1~3月则是有大量读者需要的部分，大致逻辑为首页或者近期没有用户需要的，特别是新入门的产品经理，会比较急于想要找到自己想要的，所以会使用到搜索功能，然后小白的大量相似需求会推高相应的结果，而且为了之后的阅读查找，优先点击收藏。

2016年10月的投稿量不多，但似乎文章质量普遍很好，如果是取四个值的均值来看也是全期最高的。之后新文章的数据会受到时间的影响，但整体文章质量趋于稳定，高阅读量的文章会带来高赞和收藏，而新读者从评论的角度上来说更活跃一些。

Q6. 作者带来的收益

根据之前的两条业务线的分析：首先由作者与投稿，其次是投稿与收益之间还能建立一条分析，最后就是作者与收益。

这里限于篇幅就只做一下整体的统计，来查看核心业务逻辑是否稳定，与之前图上的单位不同的是，下方的热力图的单位是万。

首先，可以看到，到现在2018年的时候，UGC内容带来的用户点击已经远远超过PGC内容，而且历年所有的UGC内容也已经超过PGC内容，这对内容生产的稳定发展有了基础。

其次，虽然此页面上...

大数据时代，数据分析对于业务决策的帮助越来越大，它帮助企业中的业务人员在保证数据时效性的前提下，通过自助式数据分析，帮助企业从上到下实现数据化运营。

那么，我们的数据来源于何处呢？流程数据、机器生成数据，当然还有我们产生的数据，因此，无论是从市场环境还是评测机构报告来看，大数据时代已经启动，数据分析也更为重要。

传统报表

无交互、格式固定、实施缓慢

蜕变后的报表

可交互、生成快、可分享

让数据生动起来，左右逢源？Tableau都能帮您实现！

Tableau 整合了您的数据架构，让您用能理解的方式从视觉上分析您的数据。

Tableau Server

可提供基于浏览器和移动分析的商业智能应用程序。无需编程，即可创建报告和仪表板。

Tableau Desktop

实时可视化分析实现随心所欲的数据探索，交互式仪表板帮助用户即时发现隐藏的见解。

想深入了解Tableau！机会来了，6月6日14 : 00，由OTPUB举办的“人人都是数据分析师”直播活动即将开启，技术大神亲授数据分析大法，届时您可进入OTPUB官网观看！

讲师介绍

林旭

从事Tableau售前工作

通过Tableau银牌和QA等级认证

活动日程

14 : 00-14 : 10 讲师介绍

14 : 10-14 : 30 Tableau如何让数据生动起来

14 : 30-15 : 40 Tableau功能展示及使用技巧

15 : 40-16 : 00 互动答疑

第3章 数据分析常识

在前面几章里讲了很多关于数据分析市场和数据分析师的职业生涯发展，下面的几篇会重点介绍数据分析的理论知识、数据分析的方法论、数据分析的分析流程、数据分析报告如何撰写、电商中的数据分析应用等具体的应用案例。经常也会被问到作为一个不是统计学背景的学生，能否入行数据分析的问题。还有包括像平时的具体数据分析工作都有哪些？作为数据分析入门菜鸟怎么才能打好数据分析方面的基础，需要看哪些方面的书等等。其实这些问题对于一个刚毕业的或者没有太多数据行业经验的人来说，是很正常的一个情况。包括自己在内，如果要重新跨行去进入一个新领域也会遇到这些问题。首先咨询相关行业的内部师兄师姐，看看相应的介绍和材料，如果能够有比较系统的书籍介绍那是最好不过的了。当然自己也需要花时间去归纳和总结，再结合大量的实践案例长期以往基本上会对这块新领域能够了然于胸了。

前段时间和做大数据培训的创始人聊到，我问他原来是做什么的，让我诧异的是他原来是做用户体验（User Experience Design，UED）出身的。对我来说，第一反应认为产品提需求，UED根据PD的相应需求文档构思设计相应的产品，而对于数据分析以及业务运营，这的确就是很多UED所欠缺的核心，而脱离实际业务的UED并不是真正的UED，没有结合产品和用户需求本身来设计，很多也只是空中楼阁。我和那位创始人聊了很久，特别是他在过去的一些经历和感受，同时他也是阿里巴巴曾经做过UED的同事，我想这个经验分享在互联网公司还是比较有代表性的。

说到用户体验，很多人会感觉这是一个很虚的概念，是一种纯主观的在用户使用一个产品（服务）的过程中建立起来的心理感受。因为它是纯主观的，就带有一定的不确定因素。我接着问道，那平时调查用户体验时你们会关注数据吗？令我欣慰的是，那位创始人说平时太需要数据的支持了。包括之前设计的功能布局、页面结构、按钮的颜色、整体的风格都需要通过大量的AB 测试来验证用户的体验是否符合预期。这在互联网公司尤为典型，像现在上线的产品和功能很多都是拍脑袋决定或者固有的思维模式认为就应该这样，而实际情况没并就一定是用户希望看到的。特别是典型的Facebook从早期的一个简单的社交产品到现在日活跃用户十亿，一个很小的改变就可能会引来用户的强烈感觉。在这些多年里，Facebook尝试了各种方案，像newspaper、clipboard等样式，虽然这些都实现了，但是都因为数据的原因没有上线。

我那位大数据培训的朋友也分享了一下他们亲身经历的故事，是关于当时做超市购物车的案例。购物车是每个网上超市都有的，可以让用户挑选商品，快速结账，所以功能上一点都不能少，而且文案要给用户都能看明白。而在具体设计到购物车的布局时产生了分歧：一种是希望以纵向列表的方式展示，另一种是以大图的方式。但是大家都没有尝试过这种大图的模式，而纵向列表的方式是用户使用最方便的，比较一目了然。另外，对于购物车的单位设计也存在一些争议，很多电商网站都是用“件”来表示一个商品，比如同一件商品买了两个到底是算一件还是两件，大家对此一直争论不休。通过那几年的UED工作，他对UED有了更深的理解，虽然对于UED有很多想法，但是由于各种原因，比如上线时间老板说了算，还有很多想法受限技术的原因很难实现，特别是在实现方案上没有用户研究的数据支撑很难判断而导致最终都没有实现。我听了他的诉苦也是感触很深，跨部门之间的沟通的确需要很大的成本，特别是没有站在对方的利益场上就更难合作。所以如果大家都能有一种共同的价值观和意向，在沟通协调上能够达到事半功倍的效果。

3.1 常见的数据分析问题

如果你希望从事这个数据分析行业的，亦或是对数据分析感兴趣的，那就需要把数据分析常见的一些问题弄明白，避免被别人忽悠到不知东南西北。即使作为在数据分析行业从事了几年的职场老鸟来说，再次回顾常见的数据分析问题也会有不一样的思考和感受。

在我们接触到数据分析这个领域的时候，不同的对象、不同的时期会遇到不同的问题。对于刚入行的同学来说可能需要知道数据分析的基本概念，数据分析都有哪些，包括数据分析和统计分析、数据挖掘的区别和联系是什么，在数据分析上常见的工具都有哪些，还需要了解如何增加自己在数据分析这块的经验和技术，在面试的过程中如何给自己加分等。对于入行1、2年的数据新人来说，需要在有一些基本的数据处理和分析能力基础上思考如何自我成长，在现有的环境下突破瓶颈。对于工作了很长时间的资深数据分析人员来说，则需要考虑如何能够在技能上和个人发展上再次升华。这些都是在数据分析生涯中会遇到的问题。而本小节会重点介绍我们作为入门的数据分析新人遇到的一些常识问题，这些都是我们在数据分析讨论、论坛以及在面试环节可能会聊到的话题。

1. 数据分析是什么？数据分析包含哪些？

数据也称观测值，是实验、测量、观察、调查等的结果，常以数量的形式给出。数据分析的目的是把隐没在一大批看来杂乱无章的数据中的信息集中、萃取和提炼出来，以找出所研究对象的内在规律。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。数据分析是组织有目的地收集数据、分析数据，使之成为信息的过程。这一过程是质量管理体系的支持过程。在产品的整个寿命周期，包括从市场调研到售后服务和最终处置的各个过程都需要适当运用数据分析过程，以提升有效性。例如J.开普勒通过分析行星角位置的观测数据，找出了行星运动规律。又如，一个企业的领导人要通过市场调查，分析所得数据以判定市场动向，从而制定合适的生产及销售计划。因此数据分析有极广泛的应用范围。

而数据分析包括的内容从需求识别、获取数据、整理数据、观察数据到分析数据、数据展现的各个环节。

第一步就是要准确识别需求，定位到问题的核心所在和需要哪些数据来支撑你的观点，这样为收集数据、分析数据提供清楚的目标。区分一个高级数据分析师和一般数据分析师，能够第一眼就识别问题的所在，掌握数据库的熟练程度，第一时间通过数据的校验验证自己的观点。

第二步获取数据，将需求转变成具体的数据要求，明确哪些数据是需要的，他们在什么地方，可以通过谁来获取。

第三步就是观察数据，通过加工、整理分析成有用的信息，通常结合时间序列、对比、趋势等。

第四步分析数据，结合现有的业务和数据发现的问题，提出建议和意见。

最后往往还要再回过头看看数据分析方法是否正确、是否数据质量上还有什么问题、收集到的数据是否真实等。

2. 数据分析与数据挖掘的区别？

在接触数据分析和数据挖掘的时候，也会遇到数据分析和数据挖掘是什么，之间区别有哪些。从实际工作中来看数据分析和数据挖掘也是两件不同的事情，但是两者有很强的相关联性。

从概念上讲，数据分析是在统计数据的基础上通过结合分析方法论得出一定的结论，而数据挖掘更多是对历史数据进行未知结果的探索。像我们最常见的“啤酒与尿布”的故事，我们结合数据只能分析出啤酒和尿布的销量都很高，但是这其中为什么啤酒和尿布是有相关联的，那就需要通过数据挖掘的方法来挖掘，从中发现去买尿布的男士都会顺便去买啤酒。再比如我们通过数据分析发现电商购物的人群70%都是女性，所以结论就是女性更喜欢购物，而通过数据挖掘我们发现由于女性天生喜欢逛街购物、大部分时间会去关注比较漂亮的商品、没有太多目的性，导致女性在电商中的购物比例很高。

在工作内容上，数据分析的工作偏重对业务层面的理解，能够结合具体的业务和已有的数据，给出自己有力的观点，给到业务决策的支持。数据挖掘的工作偏重系统工程，通过历史数据样本召回、数据特征工程和模型算法，对未来结果预测。所以在工作内容上两者的差别也是比较巨大，但又有联系。举个例子，在公司做数据分析师的阶段，日常的工作是整理网站流量趋势变化的报表，如果流量上涨或者下跌要能够分析这其中的原因是什么，可能是业务方有营销活动的动作，也有可能是系统层面的数据问题。而在公司做数据挖掘的平时工作就在某一个小点上，如果利用数据挖掘来预测明天可能有哪些用户会来登陆。涉及登陆频次、用户的个人属性情况、用户使用网站的周期、网站的活动因素等各方面的数据特征。利用模型去训练和预测明天登陆用户的概念。最后在实际的业务场景中去应用。

因而不难发现，数据分析更多是对已有数据进行观察分析，数据挖掘更多是对知识的规律探索总结。在方法论上数据分析更多凭借人结合数据经验，数据挖掘会结合算法模型分析。

3. 数据分析和做报表的区别？

过去BI一直被人认为就是做报表的，所以不管是业务部门还是技术部门一有报表需求就会去找BI部门。而BI部门也不想把自己定位成做报表的部门，所以一直在接这方面的需求没有太多积极性。

咨询行业内有一个经典的故事：

一个农民赶着羊群在草原上走，迎面碰到一个人对他说：“我可以告诉你，你的羊群有几只羊。”随即，他用卫星定位技术和网络技术将信息发到总部的数据库……片刻后，他告诉农民羊群共有1460只羊，并且要求农民给他一只羊作为报酬，农民答应了。随后，农民对他讲：“如果我能说出你是干嘛的，你能否把羊还给我？”那人说，“行”。农民说：“你是一个咨询顾问。”那人很惊讶，问农民是怎么知道的。农民说：“有三个理由足以让我知道：1.我没有请你，你自己就找上门来；2.你告诉了我一个早已知道的东西，还要向我收费；3.一看就知道你不懂我们这一行，你抱的根本不是羊，而是一只牧羊犬。”

这个笑话在咨询界广为流传，并有不同的公司版本，和前段时间“友谊的小船说翻就翻”一样在微博和朋友圈被人转发。而有意思的是，许多资深咨询顾问看到这个笑话并不感到恼怒，而是会心地一笑。公开场合下，他们一定会非常自信地说，咨询非常深刻地影响企业的战略，因此具有非常重要的价值。不过私底下，他们对于是否真的“能改变世界”这一点并不够自信。作为定位于公司辅助决策的数据分析部门而言，BI也在接受这样的调整。名称叫商业智能，指导公司的高层，而在具体的实际行动中，因为高层不懂数据或者数据部门不理解业务，再或者没有足够的数据能够支撑你去做很多的分析，导致最终的很多公司数据部门变成了一个“做报表”的部门。而报表作为管理层经常需要看的媒介，又不可或缺。值得高兴的是，现在有很多可视化的数据工具来帮助传统企业在做报表的过程中提高效率和优化美观，与过去需要数据分析师专门每天去重复拉取excel报表来说明显进步很多。但对于一些更加深入的分析还是需要资深的数据分析师来结合业务单独分析，并非是简单的报表的能够解决的情况。所以资深的数据分析师还是一种是众多公司争抢的资源。

如今在市场方面，数据分析、数据仓库、数据挖掘、大数据等概念热得发烫，数据分析师被认为是万众仰慕的职场新宠，关于数据分析师技能、职责、职业素质、发展前景等的讨论不绝于耳。就像“姚黑”一样，数据分析的质疑声也不断传出和放大，数据分析、挖掘到底能否产生价值，多大价值？

数据分析员、数据分析师不应当只会“数羊”！不应当只是发现本应该发现的“经验”！而应当掌握数据探索，发现潜在的价值，预见可能将发生的某种“坏的未来”！

4. 数据分析难不难学？特别是背景非理工科的。

只要有恒心就会学会，而且这个目前也是一个热门，因为现在数据量越来越大了，所以对这方面的需求也越来越多。学习数据分析，先要打好理论基础，《概率论与数理统计》、《统计学》、《深入浅出数据分析》等。然后就是主流的数据分析软件，关于数据分析主流软件有（从上手度从易到难）：Excel，SPSS，Stata，R，Python，SAS等。

如果是理工科背景的，了解数据分析并掌握相对来说比较好上手。重点是对统计学知识的熟练掌握，另外就是在编程方面能够有一定的基础，在处理数据和查询数据、分析上面能够自己操作，特别推荐像R、python这样比较好上手的语言，基本能够解决目前80%的数据分析需求。

如果是非理工科的，那可能还是需要在高等数据、微积分这些上面先花段时间学习一下，了解数学方面的基本方法论。学习常用的数据分析方法论都有哪些，比如趋势分析、对比分析、关联分析、预测分析等。常用的市场分析方法论，如SWOT、PEST、4P、波士顿矩阵、5W2H等。

最后还是需要大量的项目和工作案例来锻炼，学会怎样操作那些数据分析软件，学习从哪些角度去思考分析常见的指标问题。然后是利用软件从数据的清洗开始一步步进行处理，分析，最后输出结果，检验及解读数据。

5. 数据分析可以�...

本文作者│欧小刚

7月11日，帆软在上海举办了大数据峰会。在会议上，帆软CEO陈炎阐述了他对BI产品的一些思考，他认为要以产品经理的思维来打磨自家的产品。另外，多家帆软的客户上台讲述了自身部署BI系统建设方面的思考、烦恼和取得的部分成果，以及如何将BI系统应用在其日常的业务运营中，提升运营效率。这些企业用户来自各行各业，具有一定的代表性，包括东方融资网、华谊集团、新城控股集团等。

通过听取嘉宾的演讲，尤其是各个行业用户的真实应用情况，引发了我自己的一些思考：对于一款BI产品，用户最关注的是什么；BI发展到现在，未来几年将向什么方向发展。

▌Gartner提出“人人都是数据分析师”，推动自助式分析服务发展

作为BI概念的提出者，Gartner对于BI的发展应该是最有话语权的。2月16日，Gartner发布了2017年BI商业智能和分析平台魔力象限报告，我们可以从报告中找到一些端倪。在2017年的报告中，Gartner分析师们规划了商业智能和分析平台3年后愿景。和去年相比，今年增加了对市场前景的判断，强调了这样几个关键词： 大数据、智能、自助。

Gartner报告中提到，智能的、企业管理级的、基于Hadoop/Spark、基于搜索和可视化的数据探索式分析功能将作为新型BI和分析平台的组件，融合到下一代数据探索分析产品中。智能化水平的提升，降低了BI产品对于用户的使用门槛，为实现自助式分析创造条件。Gartner预测，到2020年，非职业数据分析师的增加速度是职业分析师的5倍。理想的情况是人人都可以成为数据分析师，人人都可以实现自助分析数据。

▌以帆软为例，看BI产品如何实现自助式数据分析

人人都是数据分析师是一个美好的梦想，但再美好的想法都需要现实的技术产品来实现，不然就是空中楼阁。这涉及到技术的发展阶段，能否支撑智能化、自助式的数据分析；同时也牵涉到一个个产品功能点的设计，来将设想落地。作为国内首屈一指的BI厂商，帆软很适合做一下我的“小白鼠”，我试图通过对帆软产品的分析，来弄清楚怎样来实现自助式数据分析，以及目前的技术产品现状离“人人都是数据分析师”这一理想状态还有多远。

帆软有两款BI产品，分别是FineReport和FineBI。在深入接触帆软的产品之前，我一直有一个疑问：已经有了一款BI产品FineReport，为什么还要再另外弄个FineBI，这两款产品最大的区别是什么？带着这个疑问，我请教了帆软的相关人员。FineReport是面向企业信息部门或者软件集成商，用来快速搭建数据决策系统或者数据中心的工具。而FineBI则是面向企业包括信息部门以及各业务部门，帮助企业搭建全员自助式数据分析与数据可视化平台的工具，强调大数据的自助分析。

FineBI有诸多特点，比如具有完善的数据管理策略、对大数据的良好支撑、以IT为中心企业级管控等，但我最关注的还是可视化探索式分析的能力，帮助用户实现自助式数据分析。FineBI帮助用户充分了解和利用他们的数据，在数据准备和探索式的交互分析方面，提供可视化的拖拽操作方式，这大大降低了用户的使用门槛，变得几乎人人可用。

具体的实现方式大体分为两步：数据管理员将数据事先处理好，建立完善数据之间的关系，按照业务做好ETL，提供给业务人员或者数据分析师进行数据分析及数据展示。此时准备好的数据就像是自助餐厅中摆放出来的琳琅满目的美食，人们按照自己的喜好挑选品尝；业务人员或者数据分析师可以根据自己常用的业务，将数据管理者提供的一部分数据处理成属于自己的数据，再应用到自己的数据分析和数据展示之中。

▌零代码、友好人机交互、智能化是实现自助式分析服务的三个关键因素

通过对帆软产品的分析，我觉得要实现用户自助式分析，有几个方面需要重点突破：

零代码开发。要想人人都成为数据分析师，零代码开发是必须满足的。即使在信息技术发达的今天，程序员在总人口中的占比依然很低。如果在数据分析前要写部分代码，绝大部分人都会望而却步。

人机交互方式要友好。多谢乔布斯的偏执，让产品开发者越来越注重用户体验。可视化、拖拽式的操作方式，将成为标配。未来随着自然语音和语义理解技术的成熟，通过自然语言的方式来与BI产品进行交互也将变得越来越普遍。

BI系统充分理解用户意图。BI系统通过接收到的信息，快速理解用户意图，知道用户想要什么样的结果。甚至只是接收到部分信息，也能对用户的完整意图进行快速补全。这样的BI系统必然会进一步降低用户门槛，提升用户体验，产生一种“你懂我”的感觉。

以帆软的BI产品来看，第一条和第二条已经有相当程度的实现，第三条对于整个BI领域甚至整个企业级市场而言，都还是需要突破的课题。随着人工智能技术在BI领域的深度应用，相信BI系统的智能化水平也将会不断提升。那个时候，离“人人都是数据分析师”的理想状态就真的不远了。

▌自助式分析很可能将BI产品引向C端市场，将企业外的个人也变成数据分析师

目前的BI产品很大程度上降低了BI系统的使用门槛，让企业内部的业务人员也能很好的进行数据分析，缩短了整个反馈链条，大大提升了数据分析效率，这对帮助企业实现数据化运营至关重要。但是业务人员也是属于企业内部，能不能再进一步，将没有依附于企业的个人也变成数据分析师呢？

下面我将讨论一下这一设想的可能性：

随着互联网的发展，整个社会积累的数据越来越丰富，数据量越来越大。虽然目前不管是政府还是互联网巨头的数据，都没有向社会公众开放，但是未来必然会推动数据开放和数据共享。普通人能接触到的数据量和数据类型都将极大的丰富，对数据分析的需求也将越来越强。

比如电商平台可能将经过脱敏处理后的电商数据向社会开放，那时候一个人想了解目前流行什么衣服款式，除了去询问别人或者看一些时尚评论外，可以基于公开的电商数据，通过BI产品来分析各个款式的销售数量，基于数据分析对趋势作出判断。

再比如未来政府数据开放做的比较充足了，普通人可以接触到一个关于某个城市的各方面数据，如IT企业数量、员工平均薪酬、流动人员分布等，然后就可以借助BI工具来对自己感兴趣的数据进行分析，综合评估某个城市的发展情况，为自己以后就业、安家的选择提供一个科学的参考。

诚然，上面说的那些数据指标有些目前也有公布，比如淘宝指数、某个城市的平均薪酬报告等。但是这些数据都是由某个机构或企业统计之后公布的结果，信息不够丰富且时效性不强，最重要的是不能根据每个人的特性需求进行定制。未来数据足够开放了，个人完全可以基于公开的数据，通过BI工具对自己感兴趣的数据进行分析，快速得到自己想要的结果。

相对于B端市场，C端市场也许具有更大的市场空间。毕竟，目前混的风生水起的巨头，大多是建立在C端基础上的，比如谷歌、Facebook、苹果、腾讯、阿里巴巴等。与B端市场相比，C端市场具有更大的用户基数。有了用户就有了一切，即使产品本身不挣钱，也可以设计其他的商业模式创造收入。

要将BI产品引入C端市场，我认为有两个条件至关重要：

政府和企业的数据开放共享，增强普通人对于数据的可获得性；

BI产品变得足够简单易用，实现“傻瓜式操作”，尽量降低学习成本，并增添数据分析的乐趣。

当然，这离不开像帆软这样的BI厂商的积极努力，推动整个大数据行业的发展。我的预测比Gartner更激进一点，不仅企业内部业务人员能进行自助式数据分析，非企业组织的人员也能进行自助式数据分析。我相信到2020年，数据分析会是每个人的必备技能，人们在作出决策之前也许都会调出BI工具对相关数据进行分析一下，那才是达到了“人人都是数据分析师”的理想状态。