现在数据分析的能力在职场中越来越重要，尤其是对于运营人员。数据分析是操作员职场能力的分水岭。无论是做内容运营、产品运营、活动还是直播运营，数据分析基本已经成为大厂招聘运营的标配:
根据市场调研，能分析数据的运营岗位确实比其他岗位的整体薪酬要高，大部分在20k-30k左右。
但是很多运营人员在数据分析方面存在缺点，算法复杂，数据庞大，图表眼花缭乱，让很多运营人员对学习数据分析望而却步。
其实运营的数据分析并没有那么难。在了解了一些基本的应用场景后，我也可以做好数据分析，并且在学会数据分析后，对未来的运营方向和运营的改进点会有更明确的目标，而不是只靠感觉。
今天我想和大家谈谈运营人员在日常工作中如何进行数据分析，是基于他们在实际工作中遇到的一些场景。
数据分析的目的
1.原因分析:
通过对以往数据的分析，发现数据中存在的问题，为以后的优化提供数据依据。比如通过用户注册、登录、活动等数据。，可以看出哪个环节用户流失多，问题多。然后在后期这个环节，可以进行多次实验，提高单点转化率。
漏斗分析和趋势分析是主要的数据分析方法。
2.未来预测:
通过以往的数据分析，可以发现数据中的一些趋势或共性，从而更好地指导未来的运营。比如在微信官方账号的运营中，通过分析前期内容的关键词，找出打开率高、阅读量大、转发量大的内容，方便后期的选题和内容创作。
3.当前形势分析:
数据是当下最好的体验。它及时了解当前的运行和变化，倾向于短期的数据分析，如每日、每周、每月的数据分析。在某个时间节点，分析数据变化的原因。
对于运营来说，数据就是运营结果的表现。通过对数据的分析，可以发现之前运营动作的优缺点，更好的进行未来的运营动作，更好的知道未来运营的重点应该在哪里。
巧妙的工具和明确的分工。
数据分析的思路和方法是有的，但是操作人员在数据分析的过程中会遇到几个常见的问题:
1.显示的数据图表是固定的、不灵活的，无法进行探究和分析。运营商经常会做很多数据广告牌，统计日活跃、月活跃、留存和一些订单转化数据。但这些数据广告牌只是“查”出来的，没有办法去探究和分析。如果一个产品转换渠道的UV数据异常，分析半天也找不到真正的原因。最后归咎于天气、系统故障、节假日等原因。
2.部门间合作沟通成本高，实现效率低。如果要给技术部门添加一个需求，比如添加XXX路径漏斗转化分析数据图，需要技术部门判断需求可行，然后把数据埋起来。这样一来，从需求审核到需求落地，需要十天半月的时间。
有时候，产品埋点的数据是有的，但是你需要从数据库中导出数据，用Excel进行分析。这个取数据的过程非常痛苦，很难确定哪些时间段的数据，哪些字段的数据需要导出，因为数据未知，变化未知，导出的数据太多，人工筛选工作量大，Excel无法承受。
最后辛辛苦苦做出来的图表只能用一次，下次再导出新数据，就要按照之前的计算方法重新排版，数据就没办法更新了。
3.很多公司的业务数据和行为数据分散在不同的系统中，没有办法放在一起分析。
解决这些问题最好的办法就是重新分工，让数据部门负责提供清洗后的数据，运营人员直接拿数据进行分析，这是目前很多企业都在使用的自助分析模式。
自助分析:借助BI工具，建立统一的数据分析平台，数据准备自动化。数据人员负责建立数据连接和数据集，操作人员可以直接访问准备好的数据，没有数据时再向数据部门提出数据需求。管理数据是他们自己的本行，所以需求响应很快。
案例实践
以我熟悉的FineBI为例，给大家分享一个运营自助分析的实际案例:某平台产品9月客单价下降，分析其可能原因。
首先明确这是一个典型的为什么要分析的问题。第二，分析思路确定。根据归纳推理原理，从结论出发，进行拆解。客单价等于总销量/总成交笔数，影响总销量和总成交笔数。只是服务商、用户、产品三个维度。从这三个维度提出假设，然后逐一用数据验证。下面使用样式数据来演示分析过程。
使用数据人员已经做好的数据集，即客户单价下降原因分析业务包中添加的数据库表，进行数据检索分析。
从用户登记表和用户信息表中获取总注册用户数、9月新增注册用户数和9月流失用户数，利用指标卡组件计算出9月新增客户数为26，流失客户数为2。根据2019年新增注册客户折线图可以看出，9月新增客户数量在正常变化范围内。
利用订单列表得到2019年订单量/销售额月度趋势图和9月份流失客户订单列表。
如柱状图所示，9月份订单数和销售额均较8月份有所增长，并在订单记录表中搜索2019年9月份状态为流失的客户的历史交易记录，评估客户流失对订单转化的影响。明细表显示，流失客户的订单记录都是在较早的一个月，没有最近的订单记录，说明新老客户的更替并不是客单价下降的主要原因。在订单总数上升，总销量上升的情况下，客单价下降最有可能是促销活动不畅或者用户来源渠道不畅造成的。
排除人为推广活动的因素，从用户维度分析，包括实际付费用户数、新用户来源渠道、现有用户特征画像。
通过地图组件发现，2019年5-9月的新增用户大多来自内陆省份和新增用户的营销渠道。然后用漏斗图统计用户从下载到下单的转化率，发现转化率很高。更不寻常的是，订单明细数据显示每个用户平均只有一条订单记录。然后，选择9月份下单的用户，并与用户画像表关联。通过制定一些判断规则，得到用户画像标签图，发现用户质量不好，有“羊毛”
3.建立一个数据广告牌。
我们知道，数据分析的价值在于指导实践。通过分析客单价下降的原因，可以及时改进运营策略，比如适当降低新人首单折扣或者根据产品目标群体调整宣传渠道，吸引更多高价值用户入驻。为了更好的指导运营策略的调整，我们可以把准备好的模板固化成每日数据广告牌，不定期的监控客户留存。
您可以将制造的看板安装到平台目录中，供同一部门的人员查看。
值得一提的是，使用模板导出功能可以为每周或每月的PPT报告导出完整清晰的模板图片给领导。
摘要
其实数据分析不一定要懂复杂的技术，关键是对业务流程的理解和用数据解决问题的思维。刚开始做分析会比较陌生。做多了，你会积累数据经验，你会逐渐发现你分析问题的维度越来越宽。这大概就是运营商的核心竞争力吧。
关注我，转发本文，私信回复“BI”，即可获得FineBI永久免费版。
