关于运营数据分析，我信赖很多小伙伴会存在以下疑问：面对失常数据常常出现“好像做了啥？好像发作了啥？所以或许造成了影响”的主观臆测？面对数据报表，不知道该如何分析？不知道该分析啥？数据分析作为运营最基础的一项技能，你是不是真实的将其价值发挥出来，合格的运营一定是数据驱动运营，而非运营驱动数据！1从单一维度到体系化的考虑，是做数据分析有必要做出的改变！关于数据分析你需要有体系化的数据结构！我们在考虑疑问的时分都会遵照一个思路，即从微观到微观，从全局到有些，数据分析也不破例。数据分析在产品运营中的方位在这里也无需多说，做数据分析一定要建立在对产品数据体系具体了解的基础上的，在做数据分析时分需要在心中建立起数据体系，产品数据维度体系由大到小可以分为微观数据、中观数据、微观数据三大层面：

以上数据分析纬度并非包括了我们运营的产品的全部数据纬度，在做数据分析时，我们需要联络自己的产品情况来做有用数据挑选。当然运营在提出具后台需要时一定是基础数据需要，多见的如用户概略数据、PV数、UV数、UID数、发起次数、留存率、跳出率、页面访问路径等，很多运营人员在完善数据后台需要时，提出一大堆数据，并且很多数据涉及到凌乱的界说和核算，这么只会增大后台数据的运算压力，对运营分析实习用出并不大，反而影响数据的检查功率。运营数据分析可依据后台基础数据联络Excel表格导出功用，以及借助第三方数据渠道来进行辅佐分析，这么不只可以降低后台数据开发本钱，也能大大前进数据分析功率。2做数据分析需要以政策为导向，学会做数据维度的逐级拆分，以结构化思维来做运营数据的全部的，体系性的分析。在做产品运营的数据分析时，我们可以按照以下思路来进行：①判定数据分析政策②清晰数据政策的关键影响维度拆解③找出不一样数据纬度之间的相相联络然后建立起数据联络模型④发现疑问数据及出现要素⑤关于疑问数据影响维度做相应的优化比如我们以天猫店肆获利情况进行分析，店肆运营最注重的便是收入，但最实质的仍是盈余情况，按照上面说到的思路进行分析：①数据分析政策：店肆的获利情况分析②判定数据政策的关键影响维度拆解：

③找出不一样纬度维度之间的相相联络然后建立起数据分析模型：获利=销售额-本钱=流量*转化率*客单价-（店肆固定本钱+运营本钱+货品本钱+人员本钱）。

④依据数据模型发现疑问数据：要想完成店肆获利（L）额最大化：L（max）=R（max）-C（min）

假设店肆出现赔本，那么一定是R＜C，也便是本钱大于收入，我们假定出现以下情况：

依据上述的假定思路，我们可以得出，在本钱合理的情况下，店肆出现了赔本，那么可以得出是销售额太低，销售额不高额影响要素是流量转化率低。因而关于这种情况我们要做的便是前进店肆的转化率。⑤关于疑问数据影响维度做相应的优化：前进转化率我们可以通过以下几个方面来前进转化率：——前进产品包装——优化详情页图画和介绍案牍——优化消费者下单付出路径和体会——前进客服服务水平和促单诀窍——做好用户评价处理优化——实施相应的促销战略，如满减、满赠、扣头号……我们继续以产品运营为例，比如我们俄然发现某天产品的DAU增长幅度变大，按照上述的分析思路我们进行相应的收拾：3数据分析更多的是要注重多个数据维度之间的相相联络，而不是单个数据发作的因果联络！通过影响关键政策的数据维度的相相联络建立数据分析模型。比如我们以群众号运营为例，群众号运营的关键政策是粉丝数和文章阅读量，而粉丝数和文章阅读量的影响纬度肯有很多个。这些纬度之间也存在相应的影响联络，具体如下：

在做群众号运营的时分，可以尝试着把你影响文章阅读量的全部数据全部收拾出来，然后去挑选出相对有用的一些数据维度，然后建立起他们的相相联络。在实习运营过程中，很多运营的小伙伴每周只注重推送了多少篇文章，增长了多少个粉丝，正本还应该注重一些细节数据，比如文章标题、内容长度、内容类型跟阅读量、转发量的联络，推送时间和频次对阅读量和粉丝增减的影响，其他便是有图文、纯文字、文章图画数量、群众号单图文推送、多图文推送、头条推送和非头条推送对阅读量的影响等，这些都是需要在运营过程中需要考虑的，并且要养成对这些数据进行记载的习气。在社区运营过程中最基本的模型便是用户的金字塔模型了，这个金字塔模型的建立是依据用户的活跃度和贡献值来建立的，金字塔模型会将用户分红几个层级，层级越往上用户的价值越大，贡献值越高。当然这个用户金字塔模型的建立一定不是固定的，而是依据具体的社区数据情况会在层级区别和每个层级占比上都会有所不一样，并且每个层级的具体需要和运营办法都是不一样的。比如以某K12教育社区的运营为例：

社区发帖量这一基地数据政策前进，是与全部社区的用户量，用户层级比例，用户层级转化，每个层级用户做法，用户粘性，社区内容质量， 内容展现与推送情况等都存在一定的相相联络。所以在社区的运营过程中就要不断的推进各个影响维度与社区发帖量的正向联络，那么社区发帖量与其他数据维度的相相联络怎样建立呢？超哥尝试着做了一个简略的收拾，相应的数据维度并未全部包括，此联络图仍需完善，此处只是给出一种收拾思路，具体如下：

4做运营一定要讲数据分析培养成为潜意识做法，运营过程中的全部做法和方法都可以数据化，数据驱动运营。①培养数据分析的体系化思维数据分析通常会存在两种方向，一种是自上而下，另一种是自下而上。自上而下的思路在前文已经说到过，具体的思路为：建立数据分析政策——政策影响维度拆解——各数据维度相相联络建立——发现疑问数据及出现要素——疑问数据优化，这种思路多用户产品的数据分析体系或者模型的建立，然后确保数据分析的全部性。自下而上的数据分析思路多用在关于已有数据报表中的数据疑问发现，具体思路为：失常数据发现——该失常数据影响要素——影响要素与疑问数据之间的相相联络——找出出现失常数据的要素——找到失常数据的解决办法。②培养数据的敏感度数据敏感度培养别无他法，除了掌握精确的数据分析办法外，便是每天看数据，每天分析数据，用数据说话。③养成数据记载习气做运营过程中会有很多细节数据，需要对这些数据进行记载，当记载的数据条数累计到一定程度通过就可以通过汇总的数据发现相应的数据规矩，比如：关于社区UGC帖子、热帖、精品贴的记载关于消息基地PUSH的数据记载关于群众号前史推文数据的记载甚至可以对自己每日的工作内容及工作花费时间的记载，然后用于工作功率优化……数据一定是比照理性和慎重的，所以我们需要理性的眼光来对待，当然运营产品的不一样，我们需要的数据维度不一样，做运营一定要学会给数据做界说，并且要确保其逻辑性和眼慎重性，要能经得起揣摩。数据分析是精细化的运营工作，一定要建立起体系化的思维，切勿盲目分析，粗暴分析。

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。

道家强调四个字，叫“道、法、术、器”。

层次区别：

“器”是指物品或工具，在数据分析领域指的就是数据分析的产品或工具，“工欲善其事，必先利其器”；

“术”是指操作技术，是技能的高低、效率的高下，如对分析工具使用的技术（比如用Excel进行数据分析的水平）；

“法”是指选择的方法，有句话说“选择比努力重要”；

“道”是指方向，是指导思想，是战略。

在数据分析和产品、运营优化方面，数据分析方法是其核心，属于“法”和“术”的层次。

那么如何做好数据分析呢，今天我们来讲讲互联网运营中的十大数据分析方法。

01 细分分析

细分分析是分析的基础，单一维度下的指标数据的信息价值很低。

细分方法可以分为两类， 一类逐步分析， 比如：来北京市的访客可分为朝阳，海淀等区； 另一类是维度交叉， 如：来自付费SEM的新访客。

细分用于解决所有问题。

比如漏斗转化，实际上就是把转化过程按照步骤进行细分，流量渠道的分析和评估也需要大量用到细分的方法。

02 对比分析

对比分析主要是指将两个相互联系的指标数据进行比较，从数量上展示和说明研究对象的规模大小，水平高低，速度快慢等相对数值， 通过相同维度下的指标对比，可以发现，找出业务在不同阶段的问题。

常见的对比方法包括： 时间对比，空间对比，标准对比。

时间对比有三种： 同比，环比，定基比。

例如： 本周和上周进行对比就是环比；本月第一周和上月第一周对比就是同比；所有数据同今年的第一周对比则为定基比。通过三种方式，可以分析业务增长水平，速度等信息。

03 漏斗分析

转化漏斗分析是业务分析的基本模型， 最常见的是把最终的转化设置为某种目的的实现，最典型的就是完成交易。但也可以是其他任何目的的实现，比如一次使用app的时间超过10分钟。

漏斗帮助我们解决两方面的问题：

在一个过程中是否发生泄漏，如果有泄漏，我们能在漏斗中看到，并且能够通过进一步的分析堵住这个泄漏点。

在一个过程中是否出现了其他不应该出现的过程，造成转化主进程收到损害。

04 同期群分析

同期群（cohort）分析在数据运营领域十分重要，互联网运营特别需要仔细洞察留存情况。 通过对性质完全一样的可对比群体的留存情况的比较，来分析哪些因素影响用户的留存。

同期群分析深受欢迎的重要原因是十分简单，但却十分直观。 同期群只用简单的一个图表，直接描述了用户在一段时间周期（甚至是整个LTV）的留存或流失变化情况。

以前留存分析只要用户有回访即定义为留存，这会导致留存指标虚高。

05 聚类分析

聚类分析具有简单，直观的特征， 网站分析中的聚类主要分为：用户，页面或内容，来源。

用户聚类主要体现为用户分群，用户标签法；页面聚类则主要是相似，相关页面分组法；来源聚类主要包括渠道，关键词等。

例如： 在页面分析中，经常存在带？参数的页面。 比如： 资讯详情页面，商品页面等，都属于同一类页面。简单的分析容易造成跳出率，退出率等指标不准确的问题，通过聚类分析可以获取同类页面的准确数据用于分析场景。

06 AB测试

增长黑客的一个主要思想之一，是不要做一个大而全的东西，而是不断做出能够快速验证的小而精的东西。 快速验证，那如何验证呢？主要方法就是AB测试。

比如： 你发现漏斗转化中中间有漏洞，假设一定是商品价格问题导致了流失，你看到了问题-漏斗，也想出了主意-改变定价。但主意是否正确，要看真实的用户反应，于是采用AB测试，一部分用户还是看到老价格，一部分用户看到新价格，若你的主意真的管用，新价格就应该有更好的转化，若真如此，新价格就应该确定下来，如此反复优化。

07 埋点分析

只有采集了足够的基础数据，才能通过各种分析方法得到需要的分析结果。

通过分析用户行为，并细分为：浏览行为，轻度交互，重度交互，交易行为，对于浏览行为和轻度交互行为的点击按钮等事件，因其使用频繁，数据简单，采用无埋点技术实现自助埋点，即可以提高数据分析的实效性，需要的数据可立即提取，又大量减少技术人员的工作量，需要采集更丰富信息的行为。

如： 重度交互（注册，邀请好友等）和交易事件（加购物车，下订单等）则通过SDK批量埋点的方式来实施。

08 来源分析

流量红利消失，我们对获客来源的重视度极高，如何有效的标注用户来源，至关重要。

传统分析工具，渠道分析仅有单一维度，要深入分析不同渠道不同阶段效果，SEM付费搜索等来源渠道和用户所在地区进行交叉分析，得出不同区域的获客详细信息，维度越细，分析结果也越有价值。

09 用户分析

用户分析是互联网运营的核心， 常用的分析方法包括：活跃分析，留存分析，用户分群，用户画像，用户细查等。

可将用户活跃细分为浏览活跃，互动活跃，交易活跃等，通过活跃行为的细分，掌握关键行为指标；通过用户行为事件序列，用户属性进行分群，观察分群用户的访问，浏览，注册，互动，交易等行为，从而真正把握不同用户类型的特点，提供有针对性的产品和服务。

用户画像基于自动标签系统将用户完整的画像描绘清晰，更有力的支撑运营决策。

10 表单分析

填写表单是每个平台与用户交互的必备环节，优秀的表单设计，对转化率的提升起到重要作用。

用户从进入表单页面之时起，就产生了微漏斗，从进入总人数到最终完成并成功提交表单人数，这个过程之中，有多少人开始填写表单，填写表单时，遇到了什么困难导致无法完成表单，都影响最终的转化效果。

以上是常见的数据分析方法，更多应用方法需要根据业务场景灵活应用。

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。

今日话题

随着互联网的发展，流量越来越贵，花钱砸流量的时代成为历史，于是，更多的思考便转入了流量的最大化利用上，数据驱动应用而生。而流量红利逐渐凸底的今天，每个互联网人都在思考的问题便成了：如何使得流量的利用最大化？

过去，“流量为王”的理念使得运营人员的职责聚焦在拉新上，随着市场环境的变化，运营的渠道和方式不断增加，有了更加细致的分类。因此需要利用大数据分析能力来指导运营人的工作，其实数据的背后，就是逻辑和推理。换句话说，想要让数据可以更好的为你服务，你需要先有好的逻辑和推理分析能力。

假如连这一层都做不到，即便你看Lin数君的文章并拍案叫绝，很可能也是只得其形，未得其神。

本文着重探讨内容：

（1）数据来源渠道这么寻找？

（2）无从下手的现有数据怎么分析？

（3）数据不是数字，而是用户

（4）打造产品是需关注哪些维度？

（5）用户需求如何进行决策驱动？

精细化运营的大背景下，如何用数据分析来解决流量运营、用户运营、产品运营和内容运营中的增长问题，今天将和大家分享一点Lin数君在数据运营方面的心得。

数据来源渠道在哪？

流量运营主要解决的是用户从哪里来的问题，过去粗放式的流量运营，仅仅关注PV、UV等虚荣指标，在精细化运营的今天是远远不够的。

所以在做数据分析之前，就必须得有多维度的数据供我们分析，所以我们就得拿到数据，如何拿到呢？

数据主要两种的来源渠道：

自建数据分析系统，公司自有的数据是最源质化的数据，也是最安全可靠、最全面完善的；国内外第三方数据分析工具，这个是借助外部工具获得数据。

使用分析工具可以得到以下内容：

记录用户点击信息：

包括没有与网站产生交互的信息；直接生成链接的百分比、点击分布图及热力图；用来统计用户的悬停行为并进行可视化展现。

获取数据的方式关键在于作为运营人员要了解什么样的数据是重要的，对于这些数据的前后关联，是怎样的，这是一个联动的过程，不是一个单一的行为，因为获取数据的方式千变万化。

有了这些数据之后，哪些是可以为我们所用的？又有哪些是可以剔除掉的？下面Lin数君谈谈如何去分析这些数据。

无从下手的现有数据如何分析？

从数据来源渠道拿到这些数据后 ，该怎么去分析呢？Lin数君相信很多运营人在拿到数据时，都是没多少思路的。要么胡子眉毛一把抓，要么无从下手。单从数据层面来说，你要把一大堆数据资料给运营人，他们也是一脸懵的，所以说缺少分析思路真的很难做分析，需要宏观的方法论和微观的方法来指导。

下面Lin数君罗列下一般进行数据分析时经常会使用到方法论，这些方法论在进行数据分析时扮演宏观指导的角色。在分析前应先找到适合自己的方法论进行指导。主要会用到的方法论：

PEST分析法：用于对宏观环境的分析，包括政治、经济、社会和技术四方面。7何分析法：何因、何事、何人、何时、何地、如何就、何价。逻辑树分析法：把问题的所有子问题分层罗列。基础营销理论：分析公司的整体营运情况，包括产品、价格、渠道、促销四大要素。用户行为理论：主要用于网站流量分析，如回访者、新访者、流失率等，在众多指标中选择一些适用的。增长黑客的海盗法则：精益创业的重要框架，从获取、激活、留存、变现和推荐5个环节增长。

互联网产品的用户都具有明显的生命周期特征，Lin数君以一个APP为例阐述一下。

首先通过各种线上、线下的渠道拉新。安装完APP后，通过运营手段激活用户；比如说首单免费、优惠券、零钱红包等方式。通过循序渐进的运营手段促使部分用户留存下来，并且带给企业带营收。特别在这个过程中，如果用户觉得产品质量okay，也有可能推荐给朋友。当然这5个环节并不是完全按照上面顺序来的；运营可以根据业务需要灵活应用。增长黑客的海盗法则的五个环节都可以通过数据指标来衡量与分析，从而实现精益化运营的目的；每个环节的提升都可以有效增长业务。

使用数据分析方法论时要明确目标作用：

理顺分析思路，数据分析结构体系化；把问题整理出关联性的点；为后续数据分析的开展指引方向；验证分析结果的有效性及正确性。

数据不是数字，而是用户

数据科学团队建立的基础是数据在组织中的文化和观念，所以定义我们如何看待数据的先决条件就是数据在商业中的功能。

过去数据被认为是冰冷的数字，纯粹被看做是一个测量工具，根据要求提供统计数字。因此我们往往会被要求提供一些事实数据，例如：我们在巴黎有多少房源?在意大利排名前10的目的地是哪里?

回答这些问题和测量效果肯定是工作的一部分，但是还有一种更加人性化的数据特征，这就是我们用户的声音。在网站上一个动作或者事件的记录，在大多数情况下反映了一个人做出的决定，如果你能找出做出这个决定之前用户的行为，这是用户在用间接的方式告诉你他们喜欢什么，不喜欢什么。

这种反馈可以帮助我们做社区发展的决策、产品开发以及资源的调配，但是前提是你要能够破译它。因此数据科学是一种解释，必须把用户的声音转换成更适合决策的语言。

所以数据成为我们的盟友。我们用统计数据来了解个人的经验，汇总这些经验，以确定整个社会的发展趋势，这些趋势告知我们该从哪来来驱动业务决策。随着时间的推移，我们其他部门的同事们认识到，数据团队代表的是所有用户的声音，这让数据科学在企业生态结构中占据重要的地位。

大打造产品时需关注哪些维度？

回归到运营人上，他们每天都会跟各种各样的数据打交道，那产品都有那些数据维度是我们经常会分析到的呢？

一款产品的数据指标体系分为5种：用户规模与质量、渠道分析、参与度分析、功能分析、用户属性分析。

1.用户规模和质量的分析包括总用户数、新用户数、留存用户、转化率。APP用户数规模和质量是最重要的分析维度，是产品经理需重点关注的指标。

2.渠道分析是分析各渠道在相关的渠道质量的变化和趋势的主要手段，以数据科学来评估渠道质量，优化渠道推广策略。在运营来说渠道分析尤其得重视，可以从多个维度的数据来分析对比不同渠道的效果，比如从新增、活跃、次日留存率、从使用时长的角度对比不同来源用户，根据分析数据能寻找到最适合自身的渠道，从而获得最完美的推广效果。

3.参与度分析的分析维度主要是包括用户启动次数分析、使用时长分析、访问页面分析和使用时间间隔分析。

4.功能分析主要包括：

功能活跃指标页面访问路径漏斗模型

5.用户属性分析不管在我们的产品启动初期，还是战略的调整，分析用户画像都有着重要的意义。每一款产品设计前需要构建用户画像，用来指导设计、开发、运营；在产品迭代过程还需收集用户数据，以便于进行用户行为分析，与商业模式挂钩等等。

用户需求如何进行决策驱动？

在一个团队中，需要解决的问题之一就是如何利用用户的声音来进行业务决策。通过与公司各方面合作，我们已经听到如何将数据整合到一个项目中的一些观点。有些人希望首先了解他们面临的问题，另一些人会先浏览数据然后进行规划，但这些人往往更侧重于用直觉驱动决策营销。

这两者观点都是ok的，但是在一个项目的生命周期中，数据在不同的阶段有着不同的作用。

我们确定了决策过程的四个阶段中，数据会在其中有什么影响：

首先了解问题的背景，建立一个完整的计划简介。这更多是一个探索性的过程。

简要理解计划，包括区分主次以及假设我们可以达到的结果。预测分析在这个阶段更为重要，当我们做出一个决定，是基于我们希望可以产生最大的影响。

计划进行中时，我们要做一个控制实验。A/B 测试是最常用的，但我们的业务在各方面的合作可以让我们有更多的实验机会，以市场为基础的测试以及传统的网络环境的测试。

最后我们测量实验的结果，确定结果的影响。如果成功，我们就从社区中推广出去，如果不成功我们就回到最初来重复这个过程。

有时候这个过程是简单的，但是更多时候我们需要挨个步骤来论证，确保这个决策对产品的每一个用户都是有效的。最终我们将用这种方式来解决用户的需求。

结语

现如今，以流量为中心、野蛮的运营时代已经结束，接下来的时代是以科学的数据作为依据，围绕着用户紧紧做精细化的运营时代。

随着企业发展规模的不断壮大，在激烈的市场竞争环境下，要想取得辉煌的业绩和高速的发展，取决于领导层的决策。然而，在这竞争与机遇并存的数字信息化时代下，传统意义上的管理分析和决策手段发生了微妙的变化，已经不能再靠旧的思维模式去做决策。因此，新的决策手段就是当下人们常说的“用数据说话”。

很多企业在经营的各个环节中都会产生大量的数据，而对这些数据深层挖掘所产生的数据分析报告，及如何做好数据分析工作，对企业的运营及策略调整起着至关重要的作用。

数据分析是指用适当的统计方法对收集来的大量第一手资料和第二手资料进行分析，以求最大化地开发数据资料的功能，发挥数据的作用。是为了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。

然而对于制造企业来说，生产现场的数据就属于第一手资料，因为只有了解了生产线的详细产能数据，才能在接单的时候了解月度负荷，初步安排设备和人员的排班计划，并且在接下来的生产排程中，进行精细的排产计划。否则，如果连一条产线每个班能生产多少产品都不知道，如何实现精细排产呢？而现场的数据如不良品信息及相关的产品数据等能否实时采集到，是当前企业面临的一个大难题，如何实现高效率、简洁、实时的数据采集，是当前制造业急需解决的问题。

MES系统中，数据采集是至关重要的，它保证了信息集成化的实施。MES系统与上层ERP企业资源规划和底层PCS过程控制系统一起构成企业的神经系统，一是把业务计划指令传达到生产现场，二是将生产现场的信息及时收集、上传和处理。MES不单是面向生产现场的系统，而是作为上、下两个层次之间双方信息的传递系统，连结现场层和经营层，通过实时数据库传输基本信息系统的理论数据和工厂的实际数据，并提供企业计划系统与过程控制系统之间的通信功能，是应用于企业的重要信息系统。

MES中的数据采集功能，可以实现对生产现场各种数据的收集、整理工作，是进行物料跟踪、生产计划、产品历史记录维护以及其它生产管理的基础。将车间生产的信息实时准确的反馈到车间的管理层，加强管理人员对车间生产现场的监控和管理，并为企业管理人员制定生产计划提供依据。要开展好车间数据分析工作，首先就要明确各相关部门的职责，把生产车间的信息收集、统计分析工作作为一个“过程”进行管理，以此推动整个管理体系的持续改进。

编辑：Nistone乐石科技

编者按：数据科学和数据分析，在技术领域或其他相关行业工作的人可能会经常看到这两个术语，虽然他们俩看起来挺像，但是这两个术语是完全不同的，对业务有不同的影响。

|| 数据科学 ||

就像包含了许多专业和领域的科学一样，数据科学也是获取信息的各种模型和方法的广义术语。在数据科学的范畴内，科学方法、数学、统计学和其他工具用来分析和操纵数据。如果一个工具或过程通过数据分析，从中获取某种信息，那么，它可能属于数据科学。实践数据科学归结为连接信息和数据点，以找到可用于业务的连接。数据科学通过尝试找到新的模式和视角，深入了解未知世界。数据科学试图建立连接并为未来做好计划，而不是像数据分析所做的那样，检查假设。数据科学通常通过提供数据上的新观点，或以前没看到不知道的所有的连接，帮助组织从查询数据转移到洞察力上。|| 数据分析 ||

如果数据科学是掌握工具和方法的房子，那么数据分析就是该房屋的特定空间。它与数据科学有关系，但是更具体和集中。数据分析通常比数据科学更受到关注，因为数据分析师不仅仅寻找数据之间的连接，而是关注一个特定的目标，通过数据排序来寻找支持的方法。数据分析通常是自动化的，可以在某些领域提供意见和见解。数据分析包括梳理数据，找出可用于帮助实现组织目标的巨大财富。基本上，分析将数据分类成组织知道自己了解的数据和知道自己不了解的数据，并且可以用来衡量过去，现在或将来的事件。数据分析通过将趋势和模式与公司的真实目标联系起来，从精准分析转移到会给公司带来什么影响，并逐渐转向提升业务率和寻找战略重点。|| 数据科学家和数据分析师的差异 ||

数据科学和数据分析之间看起来只有微妙的差异，但是实际上两者可能对公司产生很大的影响。一开始，数据科学家和数据分析师就有不同的背景，履行不同的职责，所以能正确使用这些术语有助于公司聘请合适的人员来处理各自的任务。数据分析和数据科学可以用来找到不同的东西，对于企业来说这些都是有用的，两者都不能单独应用于所有情况。数据分析常用于如医疗保健，游戏和旅游等行业，而数据科学常用于互联网搜索和数字广告中。数据科学在人工智能和机器学习的发展中也发挥着越来越重要的作用。许多公司正在转向允许他们使用计算机筛选大量数据的系统，例如在企业闪存系统上，使用算法来找到最有助于其组织实现目标的连接。机器学习在许多行业具有巨大的潜力，无疑在未来如何运作企业方面发挥巨大的作用。因此，组织和员工了解数据科学与数据分析之间的区别，以及对每个学科的作用至关重要。虽然存在差异，但数据科学和数据分析都是未来工作和数据的重要组成部分。这两个术语应该被希望理解数据，并能引领技术变革的公司所接受。

来源：insidebigdata

作者：Rick Delgado智能观 编译

现在数据已经成为了一些企业的“天”。近年来，近年来越来越多的公司已经意识到数据分析可以带来的价值，并且已经跳上了大数据旅行车。实际上，现在所有的一切都在被监控和测量，创造了大量的数据流，通常比公司可以处理的速度更快。问题是，根据定义，大数据很大，因此数据收集中的小差异或错误可能导致重大问题，错误信息和不准确的推论。

对于大数据而言，以业务为中心的方式分析它的挑战是实现这一目标的唯一方法，即确保公司制定数据管理策略。

但是，有一些技术可以优化您的大数据分析，并最大限度地减少可能渗入这些大型数据集的“噪音”。以下是几个技术技巧做参考：

优化数据收集

数据收集是事件链中的第一步，最终导致业务决策。确保收集的数据与业务感兴趣的指标的相关性非常重要。

定义对公司有影响的数据类型以及分析如何为底线增加价值。从本质上讲，考虑客户行为以及这对您的业务有何针对性，然后使用这些数据进行分析。

存储和管理数据是数据分析中的重要一步。必须保持数据质量和分析效率。

把垃圾带出去

肮脏的数据是大数据分析的祸害。这包括不准确，冗余或不完整的客户信息，可能会对算法造成严重破坏并导致分析结果不佳。基于脏数据做出决策是一个有问题的场景。

清理数据至关重要，涉及丢弃无关数据并仅保留高质量，最新，完整和相关的数据。人工干预不是理想的范例，是不可持续和主观的，因此数据库本身需要清理。这种类型的数据以各种方式渗透到系统，包括时间相关的转移，例如更改客户信息或数据孤岛中的存储，这可能会破坏数据集。脏数据可能会影响营销和潜在客户生成等明显的行业，但财务和客户关系也会因基于错误信息的业务决策而受到不利影响。后果很普遍，包括盗用资源，重点和时间。

这个脏数据难题的答案是确保进入系统的数据干净的控制措施。具体而言，重复免费，完整和准确的信息。有些应用程序和公司专门研究反调试技术和清理数据，这些途径应该针对任何对大数据分析感兴趣的公司进行调查。数据卫生是营销人员的首要任务，因为不良数据质量的连锁效应可能会大大降低企业的成本。

为了在数据方面获得最大收益，必须花时间确保质量足以为决策和营销策略提供准确的业务视图。

标准化数据集

在大多数业务情况下，数据来自各种来源和各种格式。这些不一致可能转化为错误的分析结果，这可能会大大扭曲统计推断。为了避免这种可能性，必须确定数据的标准化框架或格式并严格遵守它。

数据集成

如今，大多数企业都包含不同的自治部门，因此许多企业都拥有孤立的数据存储库或“孤岛”。这很具挑战性，因为来自一个部门的客户信息的变化不会转移到另一个部门，因此他们将根据不准确的源数据做出决策。

为了解决这个问题，中央数据管理平台是必要的，集成了所有部门，从而确保了数据分析的准确性，因为任何变更都可以立即被所有部门访问。

数据隔离

即使数据干净，有组织和集成在那里，也可能是分析问题。在这种情况下，将数据分组成小组很有帮助，同时牢记分析正在努力实现的目标。这样，可以分析子组内的趋势，这可能更有意义并且具有更大的价值。在查看可能与整个数据集无关的高度特定的趋势和行为时尤其如此。

数据质量对于大数据分析至关重要。许多公司试图用分析软件直奔潜水，而不考虑进入系统的内容。导致不准确的推断和解释，这可能是昂贵的并且对公司造成损害。一个定义明确，管理良好的数据库管理平台是企业利用大数据分析不可或缺的工具

当前，影响审计数据分析工作的因素分为两个部分，即外部影响因素和内部影响因素。外部影响因素主要有被审计单位的数据信息资料不完整和被审计单位各业务系统之间的关联性差，内部影响因素主要有审计人员对数据分析的认识不够和审计人员的数据分析能力不高。上述四大因素影响着审计数据分析工作的顺利进行。

一、四大因素的具体表现及影响

1．被审计单位的数据信息资料无法做到真实、完整

不仅是辅助数据信息资料不真实、不完整，一些重要的关键信息也存在缺失或者不准确。例如，一些商业银行的管理信息系统中中录入的贷款人的联系方式与纸质借贷合同中的信息不一致；明明是期房按揭的贷款、信息录入时却录入为现房信息；房地产按揭贷款中不按照实际情况输入按揭楼盘的信息、没有录入楼盘信息或者随意录入楼盘信息等等。不真实的信息会引导审计人员经常走弯路，更有甚者得出错误的分析结果，极大浪费了审计的人力和时间；一些不完整或者不存在的数据信息有时候使一些审计分析工作无法有效地开展，甚至使一些审计分析工作只得被放弃。

2．被审计单位各业务系统之间的关联性差

这个问题在目前各行业的信息管理系统中普遍存在。例如，在银行信息管理系统中，存款业务系统和贷款业务系统没有完全实现统一管理。查询贷款情况提供的信息与查询存款情况提供的信息不一致。或者同一用户在存款业务系统中和贷款业务系统中的代码或者名称不一致。由于同一被审计单位各业务系统之间的关联性差，审计人员在审计分析工作中就需要分别对各业务系统进行分析，审计人员无法利用信息系统做到从整体上把握审计事项的完整情况或者加大审计人员的工作负担。

3．审计人员对数据分析的认识不够

虽然利用计算机开展审计工作已经获得审计人员的广泛认可，但我们注意到，由于我国审计工作起步时间不长，大部分审计人员来自于从事会计领域工作的同志，习惯于手工审计的查账方式。总认为审计不用计算机或者仅凭简单的计算机技术操作，同样可以查出问题线索。虽然这样做也可以发现一些问题，但是，如此仅凭经验和一些纸质数据信息或者对电子数据的简单浏览就进行审计，势必会增加审计风险。尤其在数据量非常大的今天，如果离开计算机审计的数据分析工作，将无法把审计工作的风险降到最低。

4．审计人员的数据分析能力不高。

成功的数据分析工作需要充足有效的数据信息以及分析人员超强的数据分析能力。在审计实践中经常存在两种困境，即获取的大量数据信息却没有用武之地、当要求分析某一事项时又找不到所需要的数据或不知道用什么数据。这两种情况都是由审计人员的数据分析能力不高造成的。审计分析工作需要审计人员成为驾驭电子数据的伯乐，否则很难发现电子数据中隐含的能反映被审计单位业务的关键特征。

二、有针对性的解决方案

1．针对被审计单位数据信息资料不真实、不完整，有效地解决方案是被审计单位完善信息管理系统的管理和维护工作。信息对于信息时代来说是非常重要的资源，而真实、完整的信息才能为使用单位乃至社会发挥其必要的作用。因此，有关部门要制定和完善有关制度措施，加大对信息管理系统的监督和管理力度，使信息管理系统使用单位认识到真实、完整信息的重要性。从而将信息管理工作做好，为各使用单位提供真实完整地信息资源，真正使信息管理系统发挥其应该发挥的作用。

2．针对被审计单位各业务系统之间的关联性差，解决方案是单位建立统一的信息管理系统平台。建立统一的信息系统管理平台，使单位的各项业务统一纳入到信息管理平台中，不仅节省单位的开发和管理成本。而且方便了各单位对信息的综合利用，从而解决同一单位内部信息不对称的问题。

3．针对审计人员对数据分析的认识不够这一问题，应使审计机关领导尤其是审计业务处室的领导充分认识到数据分析在审计工作中的作用，并能够带头参与或者部分的参与具体的审计数据分析工作。信息不仅仅指纸质的信息，更应该包括电子数据信息资料，只有将纸质和电子数据信息统一综合起来才能够对被审计单位的情况得到好的了解：尤其在信息化环境下，大部分信息都以电子数据的形式存在。只有加强对电子数据的分析才会促进审计工作的顺利开展。

4．针对审计人员的数据分析能力不高，解决方案是，加强时电子数据分析能力的培训以及培养审计人员发现和研究电子数据特征的敏感性。数据分析是体现分析人员综合能力的技术，更是分析人员思想在行动中集中体现的工作。审计人员只有拥有了良好的分析思路，审时度势的任务管理的知识和能力，才能将数据分析工作发挥到极致。

审计工作的实质是在分析了解被审计单位各项信息的基础上，发表对其经营管理等企业行为的看法。而分析研究审计工作中存在的薄弱环节并加以重点改进，将是审计工作科学发展的重要工作内容之一。审计人员在审计工作实践中分析研究审计数据分析工作中存在的制约因素，将会促进审计的健康有序发展。

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。