运营人为什么要做数据分析？思维导图

拉新

用户画像

用户画像这件事情看似简单，但其实是因为拍脑袋猜测很简单，精确定义很难。所以以往我们对用户的定义通常是这样的：“25-30岁的白领”、“有阅读习惯的职场青年”、“1-3年经验的程序员”……但这其实并没有多大的意义。

用户在使用哪些产品，对产品的认知如何，使用频率是什么样的，消费水平如何分布等等，但其实这些可以通过对产品本身的用户数据进行分析，得出更加深刻的结论。

或者我们也可以通过公开数据集、或者爬虫来获取外部数据进行分析，这算是一个非常靠谱的行业调研了。通过数据分析的方法，我们可以快速去了解一些新的领域，了解新的市场，从而知道机会在哪，有效降低试错成本。

洞悉广告市场复杂的交易结构和自身产品、用户特点，并选择合理高效的营销方案和技术架构，是商业化必须面对的第一步。

留存

转化分析

产品里面有很多地方需要做转化分析：注册转化、购买转化、激活转化等等，一般我们借助漏斗来衡量用户的转化过程。从转化的漏斗我们大致可以得出一些结论，比如用户在哪些环节受到阻碍，是文案吸引力不够，还是功能体验太差。

精细化的分析，多做一些假设检验，能够为我们得出更加细化的解决方案。

促活

精准推荐

用户行为分析逐渐成为各种优秀产品不可忽视的一环，今日头条的异军突起，网易云音乐的良好口碑，皆与之相关。

我们需要对用户的需求进行分析，例如用户感兴趣的内容、内容阅读和传播的比例等。如何对用户进行标签化，相思相划分，如何根据用户历史习惯来精准推荐商品、内容，这些渐渐成为促进用户活跃，提升用户粘性的关键。

产品迭代

无论是产品的迭代计划，还是促活的策略，如何界定产品的迭代方向。根据用户行为数据的分析，用户浏览点击的热力图定位，以及不同页面、功能的流量监控，渐进式、有针对性地推出改善用户体验的新功能。

数据正在深入我们工作的每一个细节，作为与用户和产品接触最频繁的人，运营是接触数据的第一个环节。同时运营通常是策略的制定者和实施者，但数据经常被技术部门掌控，或者安静地待着，不产生任何作用。

对于运营来说，数据产生和决策制定中间，一定还有大量可以优化的空间，这种空间很大程度上可来源于数据。从数据中发现知识，优化决策，将会成为大大提升运营效率。

另一方面，有了数据的支撑，你可以更好地说服boss，即便和技术、产品撕逼，也完全不虚。但前提是，你能够利用好这些数据，分析出支撑决策的结论，并用一般人能够看懂的可视化方式描述出来。

现在，稍微有点规模的产品，数据量都特别大，有非常多的字段，你可能会懵逼，到底应该从什么地方下手呢？

但如果有一些经验就会好很多。比如，你要研究影响跑步运动员速度的身体因素，那么我们可能会去研究运动员的身高、腿长、体重、甚至心率、血压、臂长，而不太会去研究运动员的腋毛长度，这是基于我们已有的知识。又比如你要分析影响产品质量的几个指标，影响转化的因素的优先顺序，那么如果你经过前期的分析，就可以得出一些初步的结论。

所以当你分析的问题多了之后，你就会有一些自己对数据的敏感度，从而养成用数据分析、用数据说话的习惯。这个时候你甚至可以基于一些数据，根据自己的经验做出初步的判断和预测（当然是不能取代完整样本的精准预测），这个时候，你就基本拥有数据思维了。

数据驱动这个词相信你已经听过很多了，粗犷式的运营策略带来的低信噪比、资源浪费，通过精细化运营可以有效缓减。uv、pv 等指标已经无法精准决策的时候，如何通过更精细的数据分析，将会是未来运营的驱动力量。

更重要的是，最基础的、重复的、价值含量低的运营工作，将逐渐被自动化的运营代替。比如基于数据分析的推荐系统，已经很好地代替一部分内容的筛选和推送。未来运营人的一个核心竞争力是，通过数据分析实现高效自动化运营。

●  SQL（数据库）。企业的数据一般都会存于数据库，那么怎么从数据库取数据？如何建立两表、三表之间的关系？怎么取到自己想要的特定的数据？等等这些数据选择问题就是你首要考虑的问题，而这些问题都是通过SQL解决的，所以SQL是数据分析的最基础的技能。

●  统计学基础。数据分析的前提要对数据有感知，数据如何收集？数据整体分布是怎样的？如果有时间维度的话随着时间的变化是怎样的？数据的中位数、众数、显著性有什么指导意义？如何用假设检验进行初步分析？

●  Python基础。这一点是必备项也是加分项，语言相比较工具更加灵活也更加实用，可以更方便实现你的想法。python有着众多开源的库（如numpy、pandas、scikit-learn、seaborn），科学计算和数据可视化都不在话下。

最快的学习路径，就是基于解决问题的流程，这样你知道每个部分的知识用来做什么，可以用在哪些地方，每一部分都能解决一些实际的分析问题。