数据化运营

数据化运营体系划分成四层架构，分别是数据收集层，数据产品层，数据运营层，用户触达层。

一、数据收集层

需要收集的数据能划分成四个类型：行为数据、流量数据、业务数据、外部数据。

1.行为数据

行为数据的核心是描述哪个用户在哪个时间点、哪个地方，以哪种方式完成了哪类操作。行为数据通过埋点技术收集。

2.流量数据

流量数据是行为数据的前辈，一般用于网页端的记录，行为数据在产品端。
流量数据和行为数据最大的差异在于，流量数据能够知道用户从哪里来，是通过搜索引擎、外链还是直接访问。
流量数据和行为数据最大的差异在于，流量数据能够知道用户从哪里来，是通过搜索引擎、外链还是直接访问。

3.业务数据

业务数据在产品运营过程中伴随业务产生。例如进行了促销，多少用户领取了优惠券，多少优惠券被使用，优惠券用在哪个商品上，这些数据和运营息息相关又无法通过行为和流量解释，那么就归类到业务数据的范畴。
库存、用户快递地址、商品信息、商品评价、促销、好友关系链、运营活动、产品功能等都是业务数据，不同行业的业务数据是不一样的，业务数据没有固定结构。

4.外部数据

外部数据是一类特殊的数据，不在内部产生，而是通过第三方来源获取。比如微信公众号，用户关注后我们就能获取他们的地区、性别等数据。比如支付宝的芝麻信用，很多金融产品会调用。还有公开数据，像天气、人口、国民经济的相关指标。另外一种外部数据的获取方式是爬虫。

二、数据产品层

原始数据并不能直接为运营所用，通常脏乱差，我们需要按照一定的标准整合、加工。

1.数据指标

文章阅读量、日销售额、活动参与人数、活跃用户数，这些几乎都是由原始数据汇总加工而出。

八个臭名昭著的虚荣指标
(1) 点击量。这是互联网洪荒年代所使用的指标，随便什么网站，只要上面可点的东西多，这个数字都会很高。相比之下，你更应统计点击的人数。
(2) 页面浏览量（PV值）。这个指标只比点击量稍好一点点，因其统计的是网页被访客请求的次数。除非你的商业模式直接与PV值挂钩（即展示广告），你还是更应统计（访问的）人数。
(3) 访问量。你的100访问量究竟来自于1个访问了100次的用户，还是100个访问了1次的用户？它无法指导行动。
(4) 独立访客数。只能显示有多少人访问了网页，却不能告诉你这些人在页面上做了什么？他们为什么停留？是否离开了？
(5) 粉丝/好友/赞的数量。计算粉丝/好友的数量只是一场毫无意义的人气比赛，除非你能让他们做对你有利的事。你在社交平台上振臂一呼时，有多少粉丝会响应？只有知道了这个数字，他们才对你有意义。
(6) 网站停留时间（time on site）/浏览页数（number of pages）。用这两个指标来替代客户参与度或活跃度并非明智之举，除非你的商业模式与这两个指标相绑定。而且，它们并非一定能说明问题。比如，客户在客服或投诉页面上停留了很长时间，不见得是什么好事。
(7) 收集到的用户邮件地址数量。有很多人对你的创业项目感兴趣，这很好。但是，如果不知道他们中有多少人会真正打开你的邮件（并为你邮件中的内容买单），纵使有再多人在你的邮件列表上也是枉然。更好的做法是：向一部分注册用户发送测试邮件，看他们是否会按照邮件中的提示去做。
(8) 下载量。尽管有时会影响你在应用商店中的排名，但下载量本身并不带来价值；你需要衡量的是：应用下载后的激活量、账号创建量

2.用户画像

数据领域的用户画像，叫做Profile，是将一系列数据加工出来描述人物属性的数据标签。
推荐系统，精准营销、广告投放都是常见的基于用户画像的应用。你要推送化妆品促销活动，选择女性标签的用户肯定有更高的成功率，更进一步，如果运营知道女性用户偏好哪个品类的化妆品，效果会更好。

3.机器学习

也能通过算法计算获得，比如在淘宝购物遗留的收件人姓名，通过机器学习，以概率的形式获得买家是男是女，建国很大可能是男性，翠兰很大可能是女性。

4.ETL/BI

数据产品层中，我们将数据加工为指标，以其为核心，构建和规划数据产品。如何展现指标（BI），如何提高指标（算法），如何计算出指标（ETL），如何与指标组合（用户画像）。

三、数据运营层

运营和产品如何进行数据运营，核心思想如下：

1.不是全量，而是精细；不止精细，更是精益

用户间是有差异的，这种差异需要用精细化运营弥补。精细是是将目标拆分成更细的粒度，精益比精细更进一步，精细是手段，精益是目标。什么是精益？精益就是二八法则，找出最关键的用户。我们都知道要将化妆品卖给女人，但一定会有部分女人支付更多，20%的女人占了80%的销量，精益就是找准这20%。

2.未来比现在重要，现在比过去重要

预测未来，是机器学习的领域，通过数据建模，获得概率性的预测，用户可不可能流失，会不会喜欢和购买这个商品，新上线的电影会否偏好…运营则利用这些概率针对性的运营。

3.系统化与自动化

总结一下：我们系统化的使用各种加工后的数据，以精细和精细为手段目标，以把握未来为方向，指定运营策略。这是数据运营层的核心。

四、用户触达层

数据收集得再多、加工得再好，运营得再努力，如果不将它们传递给用户，体系就是失败的。

整个体系的前三层用户都感知不到。用户直接感知到的是产品的推送通知、Banner、广告位、活动、文案、商品的展示顺序等。在与产品交互的过程中，用户会以直接的反馈表达自己喜恶。
感兴趣的会点击，喜爱的会够买，讨厌的会退出…这些构成了新一轮的行为数据，也构成了反馈指标：点击率、转化率、跳出率、购买率等。这些指标就是用户触达层的结果体现，也是数据化运营的结果体现。

简化

简化成四个模型：
数据收集：以用户和产品的交互为输入，原始数据（行为、业务、流量、外部）为输出。
数据产品：以原始数据为输入，以加工数据（标签、画像、维度、指标、算法结果）为输出。
数据运营：以加工数据为输入，以运营策略（用户、内容、活动、电商）为输出。
用户触达：以运营策略为输入，以反馈行为（转化率、点击率、响应率）为输出。

举例

下图是一款产品简化的数据化运营闭环。
数据收集层：当用户打开APP时，浏览新闻，通过埋点记录用户的行为数据：何时何地是谁看了哪些新闻。
数据产品层：计算机将收集上来的行为数据进行加工，统计用户对军事、科技、经济等不同类型新闻的阅读数。用卡方检验得到用户的阅读偏好在科技新闻，将其写入到用户画像／标签系统。
数据运营层：近期有一个科技类的活动，需要一定用户量参与。运营不能选择全部的用户推送吧，那么就从用户池中筛选中对科技感兴趣的用户。
用户触达层：选择用户进行精准推送，用户在手机端接收到消息。后台则会记录用户是否打开推送通知，是否浏览页面，是否参与了活动。转化率作为反馈会被记录下来，用以下次迭代改进。