前段时间，微信开始封杀利诱打卡的营销手段，这意味着过去大家常见的英语学习平台在做的裂变、存量带增量等运营手段将不再奏效。世界一天一个变化，当过去看起来还不错的运营手段出现了阶段性的阻碍，运营岗位应该如何应对？

“精细化运营”这一概念，近两年被越来越多地提及。提起精细化运营，就不得不提到“闭环”。

那闭环究竟是指什么？大家来看下图：

用户分层、活动策划、内部承接、技术和产品、数据分析、策略累积，一共六步，形成闭环。今天我们重点想要探讨的，是在这一整个精细化运营的闭环中，数据部门，或者说技术岗位，能够发挥怎么样的作用。

移动互联网发展到今天，数据的统计和分析已经不是一个新鲜的概念，很多企业都会做用户行为数据的分析。而所谓的用户行为分析，实际上是在解释三件事：

1. 用户从哪里来，从头条还是从微信，追踪用户是如何来到你的平台。
2. 他是不是他？现在很多人都有两台手机，还有ipad，对于平台运营来说，给用户提供的使用场景不仅仅是APP，还有小程序、H5页面等等。因此，一个用户一定是在多设备、多场景下反复出现。技术部门需要避免用户的重复计算。
3. 是对于用户交易等行为数据的分析，这也是我们普遍熟知。

掌握用户行为数据的最终目标，是为了能够形成一套属于平台自己的用户行为数据体系。

举例来说：下图是某电商平台，我们根据其用户行为数据，以基本信息、会员特征、消费特征等等为大类，进行了用户行为特征的标签化管理。这样的一套体系，是运营工作的核心和基础。

下面我们将通过案例分享的方式，来列举如何通过数据驱动场景和运营策略的变化，将从产品迭代和用户运营两个方面来分别进行阐述。

案例分析

通常我们去做一款产品，或者在原有产品中叠加一些功能，源于一个好点子的诞生。但是，如何衡量这个点子的好坏？产品真正上线后，有哪些指标可以做数据统计分析？这些是数据部门需要考虑的。

当一个新产品、新功能的雏形诞生之时，我们应该考虑其有没有可以衡量的假设性指标，有没有一个机制可以做A、B的流量测试，而不是当产品真正上线之后，市场反应完全是随机事件，没有数据监测究竟哪里会出现问题。

而产品真正上线之后，还需要从外部或者内部拿到用户反馈和调研，收集后台的用户转化率等等数据。总而言之，就是将数据融合到产品的所有迭代流程中，形成反馈机制，让一切指标变得可衡量。

举例来说，以下是某银行产品的案例。

用电子银行APP做交易现在很常见，这个客户是一个城商行，典型场景是给买房的用户做贷款，银行将房贷功能搬到线上，开发了一个“永续贷”的线上产品。

用户从下图页面进入产品搜索小区，评估贷款额度，最终提交贷款申请。这个产品过去三年完成的贷款量为280亿，这是一个非常大的金额。但是这款APP的产品经理是传统企业出生，没有太多的互联网思维。

仔细分析这款产品的后台用户数据，会发现有72%的用户，在搜索小区这个阶段流失。

这是为什么？

因为在输入框中，原有的一句隐语是“免费评估我的房子赚多少钱”。随后我们将这句话改为了“请输入你的小区名称”。看起来完全是零成本的举动，却让该流程的转化率提升了4.24%，这意味着能够让平台增加超过10亿的流水。

再举一个案例，下图是一个互金产品的应用场景。互金行业的拉新成本很高，而新用户来到平台之后，这款产品却需要用户完成18步，才能够结束一个注册或者投资、贷款流程。

因此，对于这样的平台，精细化运转变的十分重要。每一个阶段的按钮设计、提示性语言，颜色等等，都需要用测试的方式，观测后台数据表现，反复调整，让每一步的提示都具有诱惑性，尽可能地减少用户流失。

第三个案例，是一家做奢侈品的二手的电商平台。

这个案例中，通过数据驱动，甚至改变了平台的定位。这个平台最初在多渠道投放拉新。其中，汇聚诸多年轻人群体的B站，流量表现优异，甚至加购车的概率也很高。但是很多用户却不够买，转化率不高；或者是下单了，但是复购率远远低于平台的平均量。这些数据反映了事实上该电商平台的商品和B站用户群并不契合。

但是该平台不想放弃B站的流量，从B站人群画像分析来看，其用户群70%以上都是25岁以下的人群，这些人群特点或是学生，支付能力有瓶颈，购买轻奢产品能力不足。

该电商平台原有的轻奢产品定位，只能覆盖B站10%左右的用户，剩下的用户更多地关注快时尚产品。随即该平台对品牌定位做了调整，弱化了轻奢概念，强调个人好物，随即平台的转化率也有了大幅提升。

以上三个产品迭代类的案例，事实上都能够看到数据在运营过程中发生的作用，无论是产品运营、内容运营、用户运营还是活动运营，都离不开数据岗位。其最终目的也都是一致的，那就是向用户传递平台价值，最终实现转化。

坑位归因分析

这里提及一个概念——坑位的归因分析。

坑位的概念源于淘宝，今天我们在淘宝首页看到的轮播、banner、搜索框等等，就是由固定位置衍生出来的坑位的概念，这些位置所展现的内容，是针对不同用户定向推荐的。

作为数据和运营岗位，必须非常清楚哪一个坑位对于平台的收入起到决定性的作用，并投入最优质的商品和运营力量，以带来最优的转化。

过去大家对于渠道归因的概念很熟知，即使是大平台也需要不断地购买流量，渠道归因指代的就是对于流量质量的评价，而坑位归因则完全不同，大家可以看下图，来感受一下区别。

关于坑位的概念，我们举一个例子——一个小众的内容电商平台，目标用户群体是亚文化青年，该类人群大概有100—150万左右，该平台的营销方式是在微信公众号的文章中嵌入好的产品，引导用户到APP转化购买。

这个产品的很多站内坑位设计存在问题。

从产品页面来说，大家很熟悉“产品分类”这个页面，京东这样的大平台也会用分类。但是，这个电商平台的产品经理却觉得分类设计没有什么作用，为了存在而存在。

但事实上经过用户数据，也就是坑位的归因分析之后，会发现将平台所有贡献交易的用户进行排名，“分类”板块提供的流量排名第二（图中数据经过脱敏处理）。这个结果对于很多产品经理来说是“反认知”的，但是也让这个平台随后做了很多分类栏目的精细化调整。

此外，“搜索关键词”的分析，对于产品和运营来说也相当重要，因为关键词代表着用户想要在这个平台得到什么。因此，搜索关键词的提示词，会有一个排序，这个排序决定了什么样的词语能够为平台带来最大的收益转化。

例如“牙”这个字，上述案例的这个电商平台中，后台数据反馈很多用户仅仅搜索了“牙”这一个字就转化购买了，这说明平台的搜索关键词做的并不还。当用户输入关键字时，没有出现他想要的联想关键词，用户进行的是一次模糊搜索。因此，这个平台之后有多与搜索关键词进行了梳理。

分析完以上案例，大家很容易感受到，运营、产品等等岗位离不开数据岗位的辅助。

但是，往往运营与数据部门的配合，周期长，很多过去累积的数据无法有效沉淀。当新的创意活动需要多部门配合时，执行效率会变得很低。而一个良性的、可执行的运营分析闭环，需要数据部门能够做到极致，这建立在平台用户分层等工作都相当完善的基础上。

完善的用户分层工作，能够让运营在一次新的活动、新的产品或者项目中实现快速试错、快速迭代。

举个小例子：

某知名健身平台，每周都会推出一些课程。最近他们推出了一个产品针对腰椎劳损的人群，他们的目标人群是办公室白领，因为理论上来讲，白领每天坐八九个小时，对于这样的课程一定有需求。但事实上，针对这部分人群的定向推广效果并不理想。

分析数据指标，发现报了这个新产品课程的人，都有一个共性的数据指标：BMI肥胖指标。胖子腰椎承受的压力比较大，所以会有脊椎的劳损情况，这些人群才是真正的目标人群。

这个案例告诉我们，数据部门需要能够在用户分层上做到极致，能够对于每一个用户标签进行实时的统计。对于用户标签的分类，文章开头的时候我们有举例。

这里更需要强调的，是用户标签是在事实变化的，因为用户的行为数据是不断地更新和累积的。我们需要打造数据驱动迭代的闭环。

在这个闭环中，当用户把产品加入了购物车半小时，却迟迟不付款，你的系统能够触发一条APP或者短信推送。或者做一场活动，从执行到效果评估，都能有数据反馈好坏。

总结一下，数据部门的工作事实上比较苦和累，但是一套体系化流程的建立，将让日后的产品、运营工作事半功倍。

本文作者 @兑吧运营帮

前段时间在看到一个帖子在问：数据分析能驱动用户快速增长吗？

先说答案——“能。”，再说具体怎么做。

因为数据涉密，我不会用我经手过的产品数据来说明，而会选用一个我自己很喜欢使用的产品——全民K歌，来完成这篇文章。因为无法获得精准的产品数据，所以我会按照自己对产品的理解+部分第三方数据做分析，目的是分享数据分析驱动增长的常见方法，如有不科学的地方，欢迎指出。

以下， enjoy：数据分析常见操作方法是【三个步骤】&【两个模型】

一、三个步骤

三个步骤为：确定核心目标、列出组成公式、确认元素

在互联网公司常见的应用方式为：

核心目标（即北极星指标）=A*B*C

拿全民K歌来举个例子，全民K歌的slogan是：“你其实很会唱歌。”

产品最终价值就是让大家唱歌，并且让别人听到，所以他的北极星指标应该是：【每日原创歌曲播放次数】。在提升这个数据过程中附带产生的伴奏下载/播放次数，好友消息数等都是衍生数据。

因此，公式是：

每日原创歌曲播放次数=每日原创歌曲数*单曲平均播放次数

这就是核心的数据公式，接下来我们要确定影响公式的元素，公式可以被拆解为：

每日原创歌曲播放次数=（每日活跃用户数*人均产出歌曲数）*（单曲曝光次数*曝光-点击率）

这个公式可以无限拆解下去，按照产品的量级和功能复杂度，运营团队的人力资源做到最大程度的细分，在这里不继续穷举，就按照最后的这个公式做分析。

可以发现：影响核心目标的元素有：DAU，人均产出歌曲数，单曲曝光，歌曲曝光-点击率。

常识可知，在乘法里，每个元素的提升，都能对整体结果带来提升，运营团队可以根据这四个元素来做针对性的增长计划：

1. DAU

根据不同的公式对产品的定义，又可以被拆解出很多元素。

我们简单的认为，全民k歌的活跃用户定义为当天登陆过app的注册用户，则可以分解为：注册用户数*打开频率。

注册用户数可以通过异业合作，好友邀请裂变，应用商店，信息流等很多方法提升，属于常规操作，本文不做详细讨论（重点：格外注意黑产用户）。

打开频率，长期来看可以用设置有效的功能场景（例如：打卡签到，歌唱教学），合理的渠道推送（消息push提醒等）等方式提升。短期则可以通过一些事件营销和社区传播的手段，引起用户的注意和讨论，从而阶段性的提升打开频率。

2. 人均产出歌曲数

首先需要做用户分层：高质量用户（产生过内容）的平均水平是多少？普通用户（从未产生过内容）的水平是多少？

全民k歌一定会有一部分用户是不唱歌的，产生过内容的可能只占30%，那我们在这里是否只统计产出过内容的用户的数据呢？

当然不是。

首先，这样的统计是会影响数据公式的，不能用高质量用户的平均水平放大到所有用户来统计，这样会导致我们对用户现状盲目乐观，甚至做出错误决策。

那为什么要分层呢？直接算一个总平均数不就完了？

我简单做了一个K歌类用户的漏斗。（真的很简单……）

艾瑞数据显示：全民K歌的月活1.6亿，假设按照我的逻辑来定义活跃用户的话（以下数据均为个人假设）：按照4个层级按4:3:2:1的比例划分，则人均产出数量为0.16首/天

从策略而言，我们要把0.16这个数字提升到0.2甚至0.3。

从执行而言，有两种方式：

1）让每一层的用户向下一层流动。

——即让沉默用户开始听歌，让只听歌的用户开始唱第一首歌，让偶尔唱歌的用户活跃起来。基本的逻辑是改变4321这个结构。

2）提升每个层级的平均产出数量。

例如：让0变成0.1，让0.3变成0.5。

基于以上的数据分析和目标拆解，那运营就可以有更加明确，精细化的策略。

例如：目标是让只听歌不唱歌的用户，从人均生产0首歌，到人均生产0.1首歌。

可以对应的策划【你的第一首歌】活动，通过降低参与门槛（例如：做简单的抢麦，唱两句就好了，不用唱4分钟的完整歌曲，先让用户开第一次口），提供激励因素（无论是情感激励-组队抢麦，还是利益激励-发金币）都可以。

3. 单曲曝光次数

原创歌曲的曝光，通常通过以下3种方式：

1. 社交关系链——关注/好友等
2. 机器算法推荐——附近/推荐，猜你喜欢等
3. 固定曝光位——发现-各类榜单，点歌-各种榜单/各种分类，广告位等

运营可以围绕不同形式，设定不同的数据目标，策划对应的运营活动，从而提升在不同的板块里的歌曲曝光次数。

举个🌰，社交关系链，关键的数据目标就是关注/好友数，好友越多，理论上歌曲被曝光的几率和次数就越多。

当然这里涉及到用户活跃和分层的定义，一个人的好友从50变成100，并不代表歌曲曝光次数会翻倍。但总的来说，社交关系得到拓展后，发出的原创歌曲一定能在关注/好友两个板块得到更高的曝光几率。

因此运营的目的就从【提升歌曲曝光】这个不知道咋下手的目标，变成了【提升平均好友数】这个更具体可执行的目标

接下来就是策划具体的活动了，是通过组团抢麦，还是隔空互动，或者是陌生人社交侧的情感互动匹配，在运营机制中注意强化【互加好友】这个关键动作即可，在此不做赘述。

说白了，在这里数据分析的关键作用之一就是：通过数据分析拆解，找到在运营侧更具体可执行的方向。

4. 曝光-点击率

提高曝光-点击率，有两个方法：

1）找到对歌曲更匹配，更感兴趣的人，让曝光的效率最大化。

例如：给周杰伦的粉丝，推荐普通用户翻唱的 [七里香]，绝对比推送给五月天粉的效率更高，这个需要运营人员做的就是做用户标签，分群，算法推荐，不做赘述。

2）提高用户点击播放的欲望。简单的说就是提升歌曲的吸引力。

这涉及到对内容的优化，比如：推送封面（头图的大小，形状，视觉等），标题，文案（例如：70%的好友都听过/得分超过85%的人之类的）等等。

高品质的内容能够有效的提升曝光-点击转化率，那运营人员需要做的就是大量的AB test，哪种形式的内容最能吸引到用户点击，看数据说话就完事儿了。

总而言之，数据分析的【三个步骤】，主要的作用是：让运营团队找到增长的方向，并通过合理的拆解找到运营的切入点。

二、两个模型

两个模型分别是：漏斗模型，坐标模型

1. 漏斗模型

最典型的就是AARRR模型，不懂的同学自行百度，不做赘述。

除了用户获取的整个流程外，漏斗模型还可以用于单个case的分析，漏斗从上到下基本代表的是用户旅程地图（说人话就是：用户在产品上的一个完整的互动）。主要用于跳出/流失分析，用于发现问题——用户在哪里流失？

还拿全民K歌来举例子，我们的目标是：让更多从不唱歌的人，开口唱第一首歌

基于这个目标，运营设置了一个H5活动——测测你的歌星含量（文案可能还要再改改……）

大致玩法可能是：选择你喜欢的歌曲，系统出歌词，放一遍原唱，长按录音，得出结果，分享到动态。

如果只告诉你，活动页面UV超过100万，但是最后分享到动态的数据只有500个，你知道问题出在哪里嘛？

这个时候基于对H5每个页面的流量漏斗分析，我们就可以发现问题并改善。

比如：

1）我们发现，活动页面UV100万，但是完成选择歌曲的人数只有1万，只有1%，为什么？

这是一个非常不合理而且远低于预期的数据。基于此，我们有一个猜测，是歌曲库不够丰富，还是用户懒得自行选择？

因此，我会对页面埋点数据再做一次分析，比如：有50%的用户点击了搜索歌曲，但是最终没有进行下一步，可能意味着音乐库丰富度或者搜索匹配出现了问题。又比如：大部分用户在页面点来点去，就是没有点击搜索框？他可能很懒，在找系统推荐罢了。

基于猜测，我们可以再做测试，或者是用户调研，去验证想法是否正确，从而发现问题到底出现在哪里。

当然，内容的测试，应该是上线前就做好优化的。

那我们再来看实际环境中更多出现的，另一种情况：

2）我们发现完成录制，得出结果页的用户有10万，但是最后选择把结果页分享到动态的用户只有500，为什么？

通过漏斗模型，我们明确的发现：主要的流失出现在“结果页-分享”这一环节。还是一样，先基于数据做猜测，再出解决方案去验证想法。

首先10万用户产出结果页，之前的环节应该是没有太大问题的，那有什么原因会让用户“哪怕产出了分享页也不愿意分享到动态”呢？

可能1：结果页太丑，令人十动然拒。

美与丑不是绝对的，活动上线前可能已经做过测试，但是最后选用的页面就是不被大部分用户认可并愿意分享（就好像男生和女生，一二线和下沉市场用户的喜好都是不同的），那怎么办？

解决方案：众口难调，要么就做线上测试，找出大部分用户喜欢的样式，要么就多做几个不同的分享页版式，让用户自由选。

可能2：没有明确的分享引导

用户看完结果页，说哦好的，然后就关闭离开了。活动方没有明确的引导——例如：分享获得XXX（利益诱导），分享到动态让朋友看看（社交货币/塑造人设）。大部分用户是懒惰的，他们需要更明确的引导，让用户自由发散的决定做什么，最后用户大概率决定什么都不做。

还有很多可能，不穷举了，主要说明的还是漏斗模型能有效的找到问题。

2. 坐标模型

最经典的是RFM模型，用于基于行为数据的用户价值分层，从而实现精细化运营，在产品的整体运营增长中使用较多，在单个活动中运用较少。

常见的RFM模型如下：

基本上会基于以下三个数据建模型，划分出不同价值的用户区间：

• R=最近一次行为（Recency）
• F=行为频率（Frequency）
• M=行为量级（Monetary）

RFM常见于电商平台，我们还是拿【全民K歌】来举例，首先选定几个数据纬度，我会选择：

• R=最近一次互动（基于上文的分析，我选用互动而不是登录，互动的定义可能是播放一次歌曲之类的）
• F=互动行为频率
• T=单次使用时长（为了简单易懂，其实也是行为量级的含义）

接下来是统计数据，建模分析，然后我没有具体的产品数据（提的这几个维度，也很难通过第三方数据拿到）。嗯，那就先这样吧。

大概是这个意思：

• 最近在app上有互动的（定义可能是48小时内），互动频率很频繁的（可能一个月登陆10次以上），单次使用时长也很长（单次在线时长30min？），定义为重要价值客户，丢掉谁都不能丢掉他们。
• 最近有互动，但是整体来看互动频率不高，使用时长很长的，代表他最近打开了app而且单次使用时长很长，只是互动频率不高。那就证明用户是对产品很感兴趣的，非常有潜力，是重点发展的对象，应该策划更多的活动让他们提高互动频率。
• 最近不互动，互动频率低，但是从历史来看单次使用时长很长的用户，他们可能曾经很爱全民K歌，但现在已经处于流失的边缘了，是要重点挽回的对象。

通过RFT数据模型能有效的对全民K歌的用户做价值分层，对不同价值级别的用户做精细化的运营，运营的资源和精力是有限的，当然要做更重要的事情啊。

除了用户价值分层，还是基于生命周期的分层，这个解释起来太长了，不在本文举例了，下次有空再写吧。

简而言之，数据分析驱动用户增长，主要就是在两方面：

1. 通过目标公式和拆分出来的具体数据元素，得出可执行的具体运营策略；
2. 通过数据模型的分析，发现问题，实现对用户的精细化运营。

   本文作者@谢晓阳

   

作为一个在大学与统计、数学、计算机这些学科完全绝缘的语言学专业的毕业僧，同时又是一个从医疗销售半路出家转行到互联网的产品运营。连数据零基础都算不上，到现在玩得转SQL，写得了代码，利用这些工具极大地提升了工作效率，也帮助我获得了更多的职场机会。

这篇文章来说下，怎么掌握数据分析技能。

一、为什么学习数据分析

1. 运营的尴尬：运营人需要一个硬技能

每个初入行的新人都会察觉到，运营是一个似乎并没有自己的核心竞争力和安全感的工作。因为每天的工作好像都被各种琐事所围绕，而只有一个主题是永恒不变的，那就是——提需求，不断地提各种需求。

运营人需要一个硬核技能，提升自己的职业价值，提高自己的职业安全感，而不是每天都在各种的等排期：数据分析排期、产品设计排期、UI排期、开发排期。

运营迫切需要通过利用SQL/Python等工具，从数据中及时发现更多的业务价值，提高自己的产出。

2. 数据分析的前景

这几年随着人工智能的火热，数据分析技能也逐渐受到了更多的认可。从国外BA专业申请和国内数据分析培训的火热也可见一斑。但对于在职人士，从单纯的技能习得角度去看，BA的能力完全是可以自学获得的。

我认为：未来数据分析能力在运营人的能力模型中的比重仍会继续加大，将来甚至会挤压数据分析师的需求和生存空间。所以，对于数据分析，前景很好；而数据分析师，前景并不乐观。

二、学习数据分析需要做的准备

1. 明确方向

数据分析有两个方向：

1. 业务向：如数据产品经理、数据分析师，对技术要求并不那么高；
2. 技术向：需要懂数据挖掘、算法等，对技术的要求较高。

从自己的定位来看，并不打算做数据挖掘，因为自己的知识结构和时间上的投入产出比可能并不太高。主要希望通过数据分析技能，增强自己作为产品运营的竞争力。

2. 做好持久战准备

于我一个没有任何基础的纯小白而言，并不是能速成的，需要做好持续学习的准备。

三、做好数据分析需要具备哪些技能

• 统计学基础知识
• Excel的熟练使用
• SQL
• Python
• 分析方法和思维
• 对业务的充分理解

从自身来看，主要需要弥补的为：SQL+Excel+统计+Python。主要以看书为主，视频为辅，不需要报任何的培训班。

1. SQL

SQL大概是互联网公司做数据分析用到的最多、最重要的工具了。在整个数据分析过程中，用SQL提取数据，可能要占到整个数据分析过程的50%-80%，以至于很多数据分析师都被戏称为“SQL Boy/Girl”。

MySQL数据库的功能可以用四个字概括：增删改查。

但是对于我们来说，我们能用到的只会有数据库查询功能，其它权限是不可能开放给你的。

如果数据库你觉得生涩的话，可以这么理解：

• SQL？ 就是一条存取数据的命令；
• 数据库？ 就相当于一个文件夹；
• 数据表？ 就相当于文件夹内的一个Excel文件。

表名就是文件名；表中的每一列有一个名字，就是列名，也可以成为字段。

SQL的学习可以分为三块：

1. 简单查询
2. 关联查询
3. 函数引用

什么是查询呢？

在数据库建立之后，通过sql命令里最常用的语句SELECT，让我们查看数据库里保存的数据，并可以进行一定的分析和归纳。

（1）简单查询

SELECT语句的完整格式包含6个子句：

1. FROM 子句：查询数据的表，指定数据的来源；
2. WHERE 子句：查询数据的过滤条件；
3. GROUP BY 子句：对匹配 WHERE 子句的查询结果进行分组；
4. HAVING 子句：对分组后的结果进行条件限制；
5. ORDER BY 子句：对查询结果进行排序，后面跟 DESC 降序或 ASC 升序（默认）；
6. LIMIT 子句：对查询的显示结果限制行数。

（2）关联查询

如果要进行多表查询，就需要用到连接。

连接查询是把两个或多个表连接在一起来获取数据，是关系型数据库中最主要的查询。表的连接方式主要包括内连接、外连接和交叉连接等。

1. from 指定查询表名、并给出别名；
2. left join 左外连接，左表全部记录及右表匹配记录出现在查询结果中；
3. inner join 内连接，左表和右表共同的记录出现在查询结果中；
4. right join 右外连接，右表全部记录及左表匹配记录出现在查询结果中；
5. on 指定关联条件。

表连接后的结果可以通过这个图清晰地展示出来：

（3）函数引用

利用函数可以提高sql的效率，经常用到的函数主要有：

• 逻辑运算：and、or、not；
• 数值运算：round、floor、ceil、rand、exp、sqrt等；
• 日期函数：from_unixtime、unix_timestamp、year、month、day、hour、minute、second、weekofyear、detediff、date_add、date_sub等；
• 条件函数：if、coalesce、case when等；
• 字符串函数：concat、substr、trim、reverse、split等；
• 集合统计函数：count、sum、max、min、percentile等。

推荐书目：

推荐下我们部门每个运营同学人手一本的必备书目：《SQL必知必会》

经典习题： 网站链接

Hive：

随着数据量的不断增加，很多时候mysql已经满足不了数据需要，很多公司开始使用hive或者presto。其实有了SQL的基础，HIVE学习还是比较简单的。

推荐书目：《HIVE编程指南》。

重点看下HQL的数据操作、查询、调优部分，与mySQL大同小异，只是一些语法需要单独注意下即可。

2. Excel

Excel大家多少都会一些，它的功能很强大，但是绝大多数人，可能使用了它的1%功能都不到。

Excel 可以进行各种数据的处理、统计分析和辅助决策等。

作为常用的数据处理和展现工具，我们除了要熟练使用Excel 的函数和数据透视表等操作工具外，更重要的是，利用好Excel 的可视化，用图表将结论展现出来，这样分析和可视化能力会得到迅速提高。

SQL+Excel可以说是数据分析的必备神器。

推荐书目：《谁说菜鸟不会数据分析》。

这本书不只是介绍Excel的功能，更重要的是介绍一些实践场景中数据分析的步骤和思路，对于初学者有很大的指导意义。

3. 统计学

统计学是数据分析的理论基础，可以使数据分析更加系统化。

没有统计学基础的数据分析师的职业发展之路不会长远，因为在工作中可能会常常遇到不知道该用什么方法找寻数据规律的瓶颈，因此掌握数据分析的统计学基础知识是成为一名优秀数据分析师的基础。

主要需要掌握：

• 用于集中趋势分析的平均数、中数、众数；
• 用于离中趋势分析的全距、 四分差、平均差、方差、标准差；
• 研究现象之间是否存在某种依存关系的相关分析；
• 确定两种或 两种以上变数间相互依赖的定量关系的回归分析；
• 揭示同一个变量的各个类别之间的差异，以及不同变量各个类别之间的对应关系的关联分析、R-Q 型因子分析；
• 研究从变量群中提取共性因子 的因子分析；
• 用于两个及以上样本均数差别的显著性检验的方差分析；
• 概率及分布、参数估计、 假设检验等等经典统计学内容。

很多人都推荐《商务与经济统计》，说实话，这本书对小白并不友好。

我的进阶路径是：《赤裸裸的统计学》→《深入浅出统计学》→《商务与经济统计》

前面两本书更加有趣味性，对于小白，更容易理解，不至于让你很快从学习到放弃。

3. Python

说实话，互联网行业日常的数据分析中用到python的机会并不多，SQL+Excel可以说能解决95%的工作需要。另外5%主要是在数据量较大，SQL已经无法满足工作需要时，那么Python大法就该出场了。

我们分析一般都是有了现成的公司数据，很少有从外部获取的，所以爬虫，可以暂时先不学，有需要的话，先找爬虫插件搞定即可。

主要学习python基础和数据分析的几个包。

作为一个没有编程、数学、统计基础的小白，我是从《父与子的编程之旅》开始看的，这本书对我这种完全负基础的人，真是极度友好。可以说，看了很多推荐的书和视频，最开始学习的时候，只有这一本书是我可以看懂，而且看得下去的。

这本书看完后，又对照《笨方法学python》做了些题目，然后可以进入python数据分析的学习，主要是《利用python进行数据分析》，主要掌握numpy、pandas、Matplotlib库等。

附上我很早之前的一个非常简单的练习： 网站链接。

四、总结

最后总结下来，整个时间段，基本可以分为：

• SQL：学习1个月，专门练习1个月，另加工作中持续练习；
• Excel：学习2周，专门练习1周；
• 统计学：学习2个月；
• Python：学习6个月，一直在练习。

数据分析是产品经理和产品运营都必须具备的能力之一，随着科技的发展，不懂技术的运营和产品终将要被淘汰。

现在稀缺的技能，在未来，一定会成为必备的一项基础素质。

我们应该面向未来去学习。

一起加油~~

本文作者@从南

“ 运营是干什么的？ ——打杂的。”

这是我最初对运营的认知，所以曾有很长一段时间，我不愿意把自己称为运营。

运营的理想和现实

按照主流的说法，做运营这行的，一定要在前两年把某一项技能练到炉火纯青再横向发展。这样能保障你有自己职业的护城河，塑造不可替代的核心竞争力。

但是，现实是什么样呢？

如果你把这个作为信条，极大概率会发生以下情况：

大学毕业，你入职了一家在线教育平台，base在课程文案岗。

一开始信心满满，到处搜集“文案到底怎么写的干货”，记满了一个小本子，感觉掌握了主流的文案套路。

一开始你确实也写出了看起来还不错的文案，领导开会还特意表扬了几句，你以为你找到了自己的价值，但3个月后，你发现已经没什么好写的了。

课程来回就这么几套，特定的行业限制让你不能使用太多套路。

以订阅号软文为例，自己天天往朋友圈转，阅读量也就一共100。

没有标杆、没有标准、没有专业人指点，职业迷茫期来的如此突然而猛烈。

上面的情况，是大多数创业公司运营的状态。

和理想冲突的现状是：

虽然我想掌握一门核心技能，但我没有机会，创业公司都是一个人当几个人用；其次，就算有机会，我也不知道怎么掌握，更不知道自己掌握了多少。

环顾四周，公司一共就三五个运营，看起来大家都差不多，一样的无所事事。

在现实工作中，相比于打造核心技能，我们不得不面对的是：

首先需要掌握通适技能，能在一地鸡毛里找到一个方向标，让自己能不断进步。

乱世里找能保护自己的那把剑

那这个方向标是什么了？

首先，我们回归到大的运营层面：

目前，运营是一个非常宽泛的概念，包括：新媒体、活动、社群、用户、增长、文案、数据分析等，在不同的公司岗位的设置也不尽相同。

而在我看来，在这一系列的运营内容中，有一个通用的方向标，那就是”数据”。

只有这个词足够清晰和理性，能让你从杂乱的运营工作中找到一个标准。

不管你是哪个运营岗，如果能用好“数据”，相信可以让你比周边60%的同事进步更快、方向更明晰。

当然了，这里必须说明：

本文指的仅仅是初级的数据分析意识，不涉及深度、专业的数据分析。

目的仅仅是为了让初入运营的同事们在一地鸡毛的工作中，找到一个方向标。

第一步：数据意识

很多小伙伴可能会觉得有点不屑，“不就是数据嘛？大学四年的高数都考过了，能不懂数据？”

这里不接受抬杠，你可以回顾下这个月的工作，看能否以数据化的形式将其体现。

比如：你是一个新媒体运营，你的周报是怎么写的？

我接触过的大部分可能就是这样的：

当我看到这样的周报的时候，我的内心是很崩溃的。就算是你高数考90分，也抵挡不了你跟数据不熟悉的事实。

因为对新媒体来说，重要的不是你干了啥，而是文章阅读量提升了还是下降了，原因是什么？ 粉丝涨了多少？是否在正常区间？…..

周报也不是非要做到多完美，但起码要有下面这样：

（ PS：记得当初自己刚接触新媒体运营的时候，干的第一件事情就是花费了周末的时间做了一个完整的选题库。当时做完觉得神清气爽， 以后提选题、毙别人的选题，有理有据。这就是数据给我的底气！）

按照文章类型 进行了三级分类汇总

总之，一定要记住数据很重要！（如果是文科生，不妨写个小便签贴在电脑上）

很多人可能觉得这样很扯淡，但是最有用的方法往往看起来极其简单且扯淡。

第二步： 把意识带入到工作

把意识带入工作，就是要求在做每一个工作前，先想：“这个工作和什么数据相关？”

我给大家举一个我刚开始工作时的例子：

我们的某一个产品需要在朋友圈进行传播，从而收集目标用户线索。

我之前的同事，每天的工作就是写个文案，让设计做个海报，每天看下海报PV就完事了……

那接下来我们来拆解，我是如何利用数据这个词让自己能比别人做的更好的呢？

我们先看下我们的运营目标，即收集有效用户线索。

而运营方式的方式也比较简单，即撰写海报文案，在大号朋友圈投放。

那我们就要想，这项工作和数据有关系呢？

首先，显而易见的最终的数据体现是“线索量”。

线索量=看到海报的人数*海报转化率。

在渠道不变的情况下，看到海报的人数取决于投放的时间，海报的转化率取决于文案和设计。

这么一分析，就会发现将这个事情做到极致的关键在于，我能不能找到最优的时间，给用户看到最打动他的宣传物料。

数据监测表

通过1个月的运营监测，找到转化率最高的文案和海报进行复用，

这样不仅能提高线索量还能节省大量的时间。

其实这件事情难吗？

不难，太简单了。

可是就这么简单的一个步骤，把线索量收集量提高了80%。

而在同事眼中，我也树立起了思维清晰、有能力的印象。

问题的根本就在于第一步，我有没有数据意识？

如果老板不对线索量进行考核，我作为一个文案能不能主动把数据纳入自己文案是否合格的标准中？周围没有标杆和标准，那我能不能用数据推动自己去优化？

再举两个把数据意识带入工作的例子，大家可以进行思考：

• 如果你是新媒体运营。我想问下，你知道近半年来什么主题的文章阅读量更高吗？如果老板现在要，你是否能拿出数据支持？
• 如果你是活动运营。我想问下，你知道上次活动A渠道和B渠道带来的量分别是多少吗？ 带量不同的原因是什么？渠道质量还是宣传物料的原因？

第三步：完善方法论，让工作标准化

以上两步都是很初级的。当你有了数据意识后，就必须要思考如何让数据成为自己的工作技能，而不仅仅是意识？

接下来，我就以最直观案例的形式来看下，如何用数据助力你的工作。

案例描述：

你是公司卖课的小姐姐，3月份公司课程的销量是30万。

现在要求在原有课程价格不动的情况下，4月份实现60万的目标【假定无复购情况、原有课程单价不可改变】。

方法先行。我将主要从以下六个步骤进行分析，即明确运营目标–进行目标拆解—查找相关数据–制定运营方案–运营效果预测 –复盘优化。

接下来，我们代入案例，看怎么让这个流程跑通：

第一步：明确运营目标

4月份实现60万的销售目标。【假定无复购情况、原有课程单价不可改变】

第二步：进行目标拆解，即找到目标相关点

通过初步拆解，我们得出了四个可行性的方向，即提升课程数量、优化传播渠道、优化传播文案、提升课程单价。

第三步：查找相关数据

那接下来我们就要进入第三步，根据第二步中的可行性方向查找相关数据，从而指导具体的运营方案。

1. 提升课程数量

我们的方向是提升课程数量，那具体要增加什么类型的课程？定价多少合适？预期售卖能达到多少？

根据我们的问题，我们就要去查找有没有历史数据可以指导我们进行决策。

我们的疑问点在于课程类型、课程单价、课程销量，则为了解决相应的问题，我们自然需要往期相应的数据。

问题就变得更聚焦而有效了，即过去几个月什么类型的课销量最高？是否可以开发同类型不同方向的课程？课程定价参考以往同类型最合适的价格体系。

2. 优化传播渠道

很多人可能觉得，不就是争取更多的资源，开始卖就是了。

如果是这样那就又变得与别人无异了。

这个地方需要考虑的是我们有什么渠道？不同渠道售卖课程转化率一样吗？ 是不是不同课程有不同适配的渠道？不同课程、不同渠道适合的传播物料一样吗？ 传播的时间节点和节奏最优搭配是什么？

那根据我们这些问题，就要去查找历史相应数据分析了，主要数据维度是：不同渠道中不同课程的转化率。

3. 优化传播文案

这个最简单了，最好的方法是A/B测试，出不同的设计物料，进行小范围测试，选择最优的。

第四步：制定运营方案

查找相关数据指，解决第三步中的疑问，制定相应运营方案。

第五步：运营效果预测

根据运营方案预测销售目标实现的可能性及风险点，做好相应的预案。

第六步：复盘优化

根据本次的执行数据再去优化第四步中的运营方案。

当然了，说句实话，并不是说按照上面的步骤做，你就能实现目标。上面的只是帮你理顺思路给你更多的可能性。

想要真的达到目标，按照这个思路进行初步分析和制定方案仅仅只能算是第一步。

全文重点

有数据意识，但不能一味相信数据

数据是理性的，而人是感性的。

有时候人的行为是很难揣摩的，所以数据并不能成为你做决定的唯一准则。

很简单的一个例子：如果统计下大家表现出来的幸福指数，可能平均值是80%，大家都非常幸福。但同学聚会结束，把视角窥探到真实的生活，幸福指数还有多少？

但你不能说同学聚会时的幸福指数是假的，数据是真的。只是那个时刻的人，不太真。

数据本身没有意义

是的，虽然我们全在说数据的问题。但对运营来说，绝大多数情况数据本身是没有意义的，数据的用途在于对比和分析。

一篇文章10w+，你能判定这一定是个好文章吗？

一个月卖50w，你能判定这一定是个好销售吗？

学会利用工具，实现数据分析自动化

这个是很重要的，你有数据意识了、学会横向纵向对比了，然后就是要利用工具实现自动化。

其实这个并不难，

有一个很常见的工具就是excle，有一个很好用的小技巧就是一定要懒。

具体的步骤是：

当你面对一些可能需要重复操作才能得到想要的结果的时候，那就暂停吧。

去百度把你的需求一描述，相信我你肯定能得到3分钟处理你原本30分钟工作量的方法。

最后留个小彩蛋，你们怎么操作？

记住，一定要学会“偷懒”，这个很重要。