虽然数据分析一直都被视为运营人的短板，但是作为一个运营，不会进行数据是不合格的运营。也有一些运营人，一听见数据分析就头疼，很害怕去分析各种各样的数据，看见数据就头疼。
其实，运营的数据分析也没有那么困难。了解了一些基础的应用场景之后，自己也能很好地进行数据分析，而且学会了数据分析之后，对于未来运营的方向以及运营的改进点会有了更加明确的目标，不再单单靠感觉进行。
今天，就结合自己在实际工作中遇到的一些情景，来和大家聊聊，运营人在日常的工作中，如何去进行数据分析？
数据分析一般有以下3个目的：
原因分析：
通过以往的数据分析，发现数据中存在的问题，为未来优化提供数据基础。比如，通过用户注册、登录、活跃等数据，可以看出用户在哪个环节流失比较多，出现问题比较多，那么后期在这个环节中，就可以多次进行试验。提升单点的转化率。利用漏斗分析、趋势分析是主要的数据分析方法。
未来预测：
通过以往的数据分析，找到数据中的某种趋势或者共性，从而更好地指导未来的运营动作。比如在公众号运营中，通过以往对以往内容的关键词进行分析，找出打开率高、阅读量高、转发量高的内容，从而方便后期更好地进行选题和内容创作。
现状分析：
数据是当下最好的体验，及时了解当下的运营情况以及变化情况，更加趋向于短期的数据分析，如日报，周报，月报等数据分析。在某个时间节点里，数据变动的原因分析。
对于运营来说，数据是运营结果的表现，通过对数据的分析，可以发现之前运营动作的优点和不足的地方，未来更好地去进行运营动作，也更好地知道未来运营重心该放在何处。
我个人更喜欢对有关联的数据进行逐一分析，将分析的结果用文字表达出来，并且针对这一数据结果提出优化建议。个人感觉，如果不是数据基础非常好的朋友，不建议直接通过图表进行分析，这样可能会遗忘很多关键内容。数据分析的最终目的，还是发现以往数据的不足，从数据中找到线索，针对当下情况提出解决办法，为未来运营动作提供数据基础。
一、数据分析的步骤
对一个运营来说，数据分析的思路也是运营的过程相似，找到数据分析的目的，数据分析的维度，最终从数据分析中可以得出什么样的结论。
从运营动作中发现问题，从数据中找到问题的根源，寻找造成数据的原因，提出解决问题的方案，开始执行运营动作优化，再根据数据进行优化。
数据分析可分为6步走：
明确分析的目的和思路：
运营是靠目标驱动，做事情带有很强的目的性，同样地，在数据分析方面也同样遵循这个原则。对数据进行分析，最终的目的是什么？我想要解决什么样的问题。
在这里可以采用5W2H的原则来逐渐确认分析的目的和思路：
what：我的业务是什么？业务流程是什么？业务的核心指标是什么？其他指标是什么？其他数据分析的目的是什么，最终想要解决的是什么样的问题，用什么样的数据分析方式。
why：为什么会出现这样的数据？原因是什么，理论依据是什么，后期解决措施应该如何推进。
who：分析的用户群体是哪些用户，他们有什么样的特征，出现这样的数据是否和用户群体的某种特性有关。
when：数据分析的日期是从什么时候到什么时候，中间采用了什么样的运营策略。
where：是在哪里，哪部分的数据，是否和位置有一定的关系。
how：如何去进行数据分析，用什么样的数据分析方法最有效。
how much：数据分析花费的时间和成本各是多少。用户在上边花费的时间是多少。
从数据分析中，我们可以了解到单个渠道的获客效率，单个渠道的转化率，以及用户arpu值。有些渠道的用户转化率高，但是arpu值低，不同的渠道有不同的用户属性和用户的价值点，也导致最终数据的结果会出现差异。
数据收集
运营数据收集，越详细越好，所以在要求前期进行数据统计的时候就需要有关大局观，将后期数据分析可能会用到的数据尽可能多地收集起来，以方便后期进行数据分析。
对于新媒体来说，文章的标题，文章的关键词，文章的情绪点，文章阅读量，转发分享量，好看量，每日涨粉量，掉粉量等数据，每天或者每周进行一次统计，方便后期做数据分析。
同时，也需要了解市场上同类产品的一个情况，去了解竞争品的情况才能更好地了解自己的实际情况。有对比才知道自己处于行业一个什么水平，未来还有多大的空间。
数据处理
对收集到的数据进行加工整理，形成适合数据分析的样式，从大量的，杂乱无章、难以理解的数据中，抽取并推导出对于解决问题有价值，有意义的数据。包括数据清洗，数据转化、数据提取以及数据计算等处理方法。
数据分析
运用适当的数据分析的方法和工具，对处理过的数据进行分析，提取有价值的信息，形成有效结论。
数据展现
对数据进行可视化地展现，尽可能地多用图标、趋势图、饼图等形式进行说明和解释，能够直观地传达出数据分析的结果和观点。如果是最终数据是供自己参考，那么在数据展现时，能够清楚地了解到自己想要的数据，能够从数据中得到一定的启发即可。
如果是需要供领导作决策和参考，则需要表现数据的可视化，在数据图标中做进一步的分析和说明。
撰写报告，提出解决方案
如果是自己进行数据分析，则对数据进行分析处理后，发现数据变化的原因，并提出解决出现这个数据的解决办法，投入优化和使用中。在多次测试中，找到解决问题的最优解。
如果数据分析的结果要最终给领导做决策，为领导决策提供一定的数据和理论依据，则需要完整地表达出数据的最终结果是什么，是什么样的原因导致了这样的数据，未来可以针对这样的数据有什么样的解决办法。
数据分析的最终结果，是为了解决某个问题提供数据基础，或者从数据中找到之前的未来动作的优点和不足，为未来进一步加强或者改善提供支撑。靠感觉这样的事情本身就极为不靠谱，最终还是得从数据出发，找到解决办法。
二、常用的数据分析模型
运营在面对一堆数据的时候就发怵了，该从哪些维度进行分析，和业务端结合，该用什么样的数据分析方法论。接下来，就和大家聊下关于数据分析方法论的事情，看到数据的时候，如何运营这些数据分析模型和业务结合。以下这些数据分析的模型，是我们在数据分析中常用的一些模型。
RFM模型
电商里边常用的数据分析模型，根据这个模型可以分析出这个用户是否属于高价值用户，是否能够进行有效召回。
R表示最近一次的消费，最近一次消费时间非常近，对用户进行召回的可能性非常大，用户的价值值得进一步的深挖。
F表示消费频率，在某段周期内，用户购买的频率。
M表示消费金额，单次消费金额越高，说明用户的价值越大。
根据RFM模型，我们可以将用户分为几种类型用户，针对不同类型的用户用不同的方式去进一步提升用户价值，最终达到提升GMV的作用。
AARRR模型-漏斗模型
漏斗模型是在用户运营中常用的一套模型，用户从最终的拉新，到最后的自传播都经历了一系列的数据缩减和消退模式。
上一个步骤离下一个步骤的转化率是多少，和行业的转化率相比存在什么样的差异，每个渠道的转化效率存在着什么样的差异。
通过漏斗模型来看，用户从最开始的获客到最后的变现，是否出现有什么异常情况，每个渠道之间是否存在明显的差异！
如果要在短期内达到运营目的（提升日活或者收入），是在拉新还是促活上下力会更有效果呢？
用户行为理论：AIDMA模型
漏这个模型和上边的漏斗模型相似，用户从最初的感兴趣阶段到最后愿意分享的环节，每一个环节都经历了消退。
用户从淘宝上进行搜索，到最终的支付下单，会经历不同的步骤，对步骤拆分地越仔细，越能发现用户在哪个环节进行了流失，以及重点去分析用户流失的原因。
内容传播模型
内容阅读量=老用户数x点击率+老用户数x分享率x用户好友数x点击率+新用户x点击率+新用户x分享率x点击率
NU – New Users（新用户数）
AU – Active Users（活跃用户数）
R% – Retention Rates（留存率）
S% – Share Rates（分享率）
F – Friends（好友数）
C% – Conversion Rates（转化率）
AU 01 = NU X0 × R N1%
NU 01 = AU 01 × S N1% × F × C N1%
= NU 00 × R N1% × S N1% × F × C N1%
= NU X0 × K N1%
NU X1 = NU X0 × K N1%
…………
NU X4 ≈ NU X0 × K N1%4
NU n ≈ NU 0 × K %n
所以，一篇传播力度非常广的文章一定是通过多次分享传播带起来的，单纯地靠已有的用户群进行打开，本身就具有局限性，很难达到火爆的现象。
三、以电商为例，该如何去进行数据分析？
接下来，我将自己的实际经验，和大家分享下电商行业如何去进行数据分析，根据分析的不同结果，又该采取什么样的运营手段去解决数据背后的那些问题点。
对于一个电商来说，最重要的就是流量以及最终的转化率问题，不同的流量来源，最终的转化率不同。对于每个渠道进来的流量进行逐一分析，看看用户通过这个渠道进来的用户路径是什么样的，最终转化率是怎么样的，在哪个环节最容易出现问题。
通过下边的那个图，我们可以看出店铺的常规流量来源，再从每一个环节去提升流量的最终支付转化率。
其次，利用RFM模型来对已经转化的用户做用户运营，提高已经转化用户的留存率和最终的价值。
按照用户在某段时间内的消费频率，消费金额以及最近一次消费记录可以推算出这个用户是不是重点维系用户，未来是不是还可以对用户进行充分地价值挖掘。再结合运营手段，短信召回，建立会员制度等，充分提高每一个已经转化用户的价值。详细可见，实操|关于提升短信营销ROI的总结，这里边详细讲述了如何利用RFM模型提升用户单个价值。
关注微信