讀完這本書打通了“數(shù)據(jù)化運營”的任督二脈

西北望msm66g9f 2020-08-08

展開全文

一本好書會讓人有讀時恍然大悟，讀后茅塞頓開的感覺，最近我讀了《數(shù)據(jù)化運營：系統(tǒng)方法與實踐案例》這本書后就是這種感受，瞬間打通任督二脈，“忍無可忍”只好把讀書筆記分享一波。提前預警?。?！本文很干，請自備茶水！

一、數(shù)據(jù)運營、數(shù)據(jù)分析之間的辯證關系

在說數(shù)據(jù)運營之前，首先得了解運營是什么？從廣義來說，一切能夠進行產品推廣、促進用戶使用、提高用戶認知的方法與活動都是運營。運營的終極目標是使產品能持續(xù)穩(wěn)定地、更好地生存下去。好的運營是通過推廣、引導、活動等一系列舉措讓產品的各個指標得到提升。

數(shù)據(jù)驅動運營就是通過數(shù)據(jù)分析與用戶行為研究讓產品的功能不斷完善，適用性不斷提升，使產品有更長的生命周期。

個人理解也就是“構建”——“衡量”——“學習”的循環(huán)。

二、數(shù)據(jù)運營“硬實力”

數(shù)據(jù)驅動運營，需要一套支撐數(shù)據(jù)應用的“硬件能力”。這套能力體現(xiàn)在數(shù)據(jù)的流轉環(huán)節(jié)，從海量的數(shù)據(jù)中提取出有用的模式并對其進行分析、挖掘、應用，包括：數(shù)據(jù)采集（埋點、爬蟲），數(shù)據(jù)加工、清洗、建模、挖掘到最后支持到上游的應用。書中用一張圖將”硬實力“提煉出來：

其中，數(shù)據(jù)源包括企業(yè)內部的OA數(shù)據(jù)、財務數(shù)據(jù)、業(yè)務數(shù)據(jù)、日志數(shù)據(jù)、埋點數(shù)據(jù)以及外部數(shù)據(jù)。經(jīng)ETL后存儲到數(shù)據(jù)倉庫中，數(shù)據(jù)倉庫包含三層。

ODS層是各業(yè)務系統(tǒng)的源數(shù)據(jù)，會對操作型環(huán)境中的數(shù)據(jù)進行簡單的格式解析、多數(shù)據(jù)源的合并、設置字段默認值等操作。

DW層對ODS層進行建模加工，提供統(tǒng)計匯總數(shù)據(jù)。

DM層根據(jù)DW層的數(shù)據(jù)，為各個業(yè)務單元定義的集市，輸出相關的主題寬表

有了上面的硬件基礎，企業(yè)的數(shù)據(jù)管理部門還需要對各業(yè)務條線的數(shù)據(jù)梳理出一份全量業(yè)務的數(shù)據(jù)字典，方便數(shù)據(jù)分析人員借助數(shù)據(jù)字典了解公司的全景數(shù)據(jù)，明確數(shù)據(jù)的分布和蘊含意義。數(shù)據(jù)字典的能否在企業(yè)級的層面做到及時更新，也是數(shù)據(jù)“硬實力”的重要組成部分。

此外，數(shù)據(jù)建模層和數(shù)據(jù)應用層主要是對數(shù)據(jù)倉庫中的數(shù)據(jù)進行利用與挖掘，數(shù)據(jù)建模層主要方便地對數(shù)據(jù)分析人員查詢分析數(shù)據(jù)、BI報表的實時展示以及數(shù)據(jù)挖掘工程師對數(shù)據(jù)的深度建模與挖掘提供支撐。數(shù)據(jù)應用層是數(shù)據(jù)價值產生的出口，可以認為面向的用戶是全體管理人員和業(yè)務人員，而不是數(shù)據(jù)分析人員，可以提供用戶的智能營銷以及個性化內容推薦等功能。

三、數(shù)據(jù)運營“軟實力”

數(shù)據(jù)運營軟實力，主要是對人的能力要求。數(shù)據(jù)團隊作為各業(yè)務部門的支持方，團隊內成員主要從事數(shù)據(jù)采集、清理、分析、策略、建模等工作，支撐整個運營體系朝精細化方向發(fā)展。常見崗位包括：數(shù)據(jù)分析師、算法工程師、爬蟲工程師、數(shù)據(jù)挖掘工程師等。從工作內容分為：數(shù)據(jù)治理、數(shù)據(jù)分析挖掘、數(shù)據(jù)產品三個層次。

數(shù)據(jù)治理：

優(yōu)質的數(shù)據(jù)是應用的前提。數(shù)據(jù)治理負責數(shù)據(jù)系統(tǒng)的架構規(guī)劃、數(shù)據(jù)的標準和規(guī)范化作業(yè)、數(shù)據(jù)的權限管理，保證數(shù)據(jù)的安全性和可用性，定義各業(yè)務口徑的數(shù)據(jù)標準，構建數(shù)據(jù)集市和底層數(shù)據(jù)架構，輸出支持到分析人員應用的數(shù)據(jù)字典。

數(shù)據(jù)分析挖掘：

數(shù)據(jù)分析是數(shù)據(jù)運營的重點工作，其核心是業(yè)務方向的數(shù)據(jù)分析支持。主要包括：

對業(yè)務活動進行效果評估以及異常分析，如異常訂單分析、異常流量分析，挖掘業(yè)務機會點，給予運營方建議及指導；
收集整理各業(yè)務部門的數(shù)據(jù)需求，搭建數(shù)據(jù)指標體系，定期向業(yè)務部門提交數(shù)據(jù)報表，包括日報、周報、月報等；
數(shù)據(jù)價值挖掘，如基于用戶行為數(shù)據(jù)建立用戶畫像、建立RFM模型對客群進行聚類營銷；
輔助管理層決策，對問題進行定位，輸出可行性建議，輔助管理層進行決策。

數(shù)據(jù)產品：

負責梳理各部門對數(shù)據(jù)產品的需求，規(guī)劃報表并優(yōu)化報表，協(xié)調數(shù)據(jù)倉庫的開發(fā)資源保證項目按時上線。將數(shù)據(jù)分析部門建立的挖掘模型、用戶畫像等數(shù)據(jù)模型做成可視化產品輸出。企業(yè)內部常見的數(shù)據(jù)產品包括數(shù)據(jù)管理平臺和自助數(shù)據(jù)提取平臺。其中數(shù)據(jù)管理平臺支持運營日報查看、實時交易數(shù)據(jù)查看、業(yè)務細分數(shù)據(jù)查看；自助數(shù)據(jù)提取平臺滿足業(yè)務方對更細緯度業(yè)務數(shù)據(jù)的需求，解放數(shù)據(jù)提取人員的重復性工作。

數(shù)據(jù)運營人員需要技能與能力

1、EXCEL數(shù)據(jù)處理與繪圖

2、SQL類語言

3、Python語言

4、PPT制作能力

5、業(yè)務理解能力

四、數(shù)據(jù)運營方法論

戰(zhàn)略方法論

1、4P營銷理論

產品（Product）

目前銷售的產品有哪些？其中哪些實現(xiàn)了盈利？哪些還在虧損

產品如何滿足用戶需求

產品的目標用戶是誰？

......

價格（Price）

產品定價機制怎么樣？總體收入如何？毛利如何？

價格、用戶期望、成本、毛利、市場供需之間的關系如何平衡的？

促銷（Promotion）

有哪些促銷方式？哪些促銷方式的效果最好？

線上、線下促銷對比，投入產出比怎么樣？

渠道（Place）

各個渠道的渠道質量如何？

各個地區(qū)渠道覆蓋率如何？

用戶對各個渠道的偏好如何？

2、5W2H

what何事、why何因、where何地、who何人、how如何執(zhí)行、how much何價，此方法比較適合應用于項目的規(guī)劃和架構建設，尤其是在向領導匯報時可以采用。

3、PEST

PEST一般用于對宏觀環(huán)境的分析。P（political 政治環(huán)境）E（economic 經(jīng)濟環(huán)境）S（Socail 社會環(huán)境）T（technology 技術環(huán)境）。

4、SWOT

SWOT是戰(zhàn)略分析的一種方法。S（strength 優(yōu)勢）、W（weakness 弱勢）、O（opportunity 機會）T（threat威脅）

5、邏輯樹

將問題拆解成小問題。拆解原則MECE（相互獨立、完全窮盡）

戰(zhàn)術方法

6、多維分析

對于指標維度的細分，包括維度的下鉆細分，上卷聚合。

7、趨勢分析

同類指標基于不同時間周期的對比，主要是指標的同比和環(huán)比

8、綜合評價法

綜合評價法是通過將多個指標整合成一個綜合指標來評價的方法，評價過程中會涉及到指標權重的設定，可分為主觀賦權法和客觀賦權法（變異系數(shù)法、熵權法、主成分分析法）對這一部分感興趣的朋友可以讀一下小獅之前分享的文章《論權重》

9、轉化分析

轉化分析用于分析產品的流程或關鍵路徑轉化效果，常借助漏斗圖展現(xiàn)轉化效果。常用方法AARRR分析方法即獲取用戶（ Acquisition）、提高活躍度（ Activation）、提高留存率（ Retention）、獲取營收（ Revenue）和自傳播（ Referral），簡稱 AARRR

10、數(shù)據(jù)挖掘方法

這里主要是聚類、分類、回歸、關聯(lián)分析等機器學習方法

11、可視化

環(huán)形圖、矩陣圖、組合圖、詞云等適用場景

12、ABTest

對比實驗法，常用于決策優(yōu)化、網(wǎng)頁優(yōu)化、產品優(yōu)化、運營策略的一種比較策略。

13、其他方法

還有一些其他數(shù)據(jù)分析方法本書中沒有提到，比如：二八分析、象限圖法、杜邦分析法、RFM等讀者可自行百度學習。

五、案例分析

1、案例競品數(shù)據(jù)對標分析

這個案例全篇都在講爬蟲，網(wǎng)頁獲取、解析、數(shù)據(jù)存儲、爬蟲部署等相關內容，這部分內容大家可參考我之前的文章《白話網(wǎng)絡爬蟲——入門篇》，個人感覺這個案例更像是爬蟲工程師的工作，讀者可自己選擇是否閱讀。

2、用戶特征分析

主要是為了了解用戶特征優(yōu)化運營策略。分為基于用戶細分的行為分析，研究活躍用戶、新用戶、老用戶、流失用戶、回訪用戶在產品中行為特征；用戶來源渠道分析，對用戶來源的渠道進行分析，了解各個渠道的渠道效果；基于前端展示的用戶行為分析，分析用戶單擊轉化情況，優(yōu)化前端頁面展示。

3、RFM用戶價值分析

這個案例主要是將用戶以R（最近一次購買距現(xiàn)在時長）、F（購買頻率）、M（消費金額）三個指標表示，通過規(guī)則定義或者聚類分析對用戶進行分類以及周期價值分析，針對不同的用戶客群采取不同的運營策略

4、用戶流失分析與預測

本案例根據(jù)業(yè)務現(xiàn)狀結合用戶回訪率定義流失用戶和活躍用戶，利用決策樹模型預測用戶流程可能性，輸出流失用戶名單，由運營人員重點運營，并對流失用戶的特征進行定量分析，挖掘用戶流程原因。

5、站內文章自動分類打標簽

這是一個NLP案例，可能由于本書成書于兩年前，當時BERT還未流行，不然此案例最優(yōu)的解決方式就是BERT了。本書應用的方法是TF-IDF向量化文章，用樸素貝葉斯進行分類。

6、用戶畫像建模

這個一個比較大的案例，作者用一整章來進行案例分析。用戶畫像的本質就是為用戶打標簽，可分為三類標簽：基于統(tǒng)計類的標簽，如近七天消費次數(shù)、金額等，基于規(guī)則類的標簽，如消費活躍用戶定位為30天內消費兩次以上等，基于挖掘類的標簽，如通過對習慣行為的分析判斷用戶真實性別（淘寶將用戶性別細分為20多個小類）等。

用戶畫像具體可包括：用戶人口屬性畫像，這里主要是用戶在注冊時填寫的一些基本信息，年齡、城市、生日等；用戶個性化標簽，用戶在產品上的瀏覽、搜索、關注、收藏、加購物車、付款、評價等行為帶來的一系列標簽，根據(jù)這些行為發(fā)生的時間、次數(shù)、行為類型進行標簽建設；各業(yè)務線用戶畫像，根據(jù)各業(yè)務線特征設計標簽監(jiān)控用戶在該業(yè)務線上的操作行為；用戶偏好畫像，在用戶個性化標簽的基礎上，根據(jù)業(yè)務規(guī)則設定用戶各類行為類型的權重、時間衰減方式、標簽權重，并通過基于物品相關的協(xié)同過濾算法建立用戶偏好畫像；群體屬性畫像，用戶分群主要用于冷啟動階段，新用戶的商品推薦。