作者：刘立明
来源：鸟哥笔记
随着近几年移动互联网的发展，“大数据”越来越火，我将从这4个方面分享一下如何通过数据驱动业务发展。
01 数据化管理；
02 从0到1搭建数据运营体系；
03 数据深度分析；
04 用户管理策略。
01 数据化管理
1、数据化管理的误区
① 数据多一定能驱动数据发展吗？
大家都谈大数据，我要采集很多很多的数据，但其实这一条是不成立的。
首先是数据质量参差不齐，比如会有刷量这种行为；
其次在采集数据时，如果不够标准，不够规范化，在后面进行数据分析时，就会发现采集的数据都是垃圾数据，对业务分析根本没有实质性的作用。
第三是采数据易，用数据难。腾讯做了这么多年，有自己的一套数据分析体系和方法论。但是刚建立这套系统时，也要长时间的训练、实践、一次次迭代，最终才能达到好的效果。很多像移动、银行以及一些传统企业，他们有很多数据，但是不知道怎么用，这是个大问题。
② 数据分析团队一定会发现问题与机会吗？
很多公司都有数据分析团队，有的认为组建一支数据分析团队就可以解决公司运营的问题，或者可以发现更多机会，其实这也很难成立。
在我接触的很多公司里，数据分析团队和业务团队是割裂的。数据分析团队会提供一些数据分析结果，但仅仅是一些机械的报表分析，比如哪天数据突然增长或者下降，数据分析团队可能会从他理解的维度来分析并给出结论。但是由于独立于业务团队，缺乏对业务的了解，因此很难给出针对性的意见。
举个例子，在我们产品推广初期，我把数据分析团队引入整个团队内部，希望他们对业务增长做出有效分析，但是我发现，如果只把数据扔给数据分析团队，分析的结果对业务并没有产生实质性的增长效果。
随后我进行调整，成立了项目组，运营团队和数据分析团队融合成一个项目组，这样后者就知道前者设计的数据指标，在实际使用过程中是什么样的。这种合作方式，最终确实还是有效果的。
③ 分析报表，一定是最优解决方案吗？
如果是做APP的，应该每天看各种日报，每周看各种周报，但是认真思考一下，这些报表给出的结论是不是符合业务目标？
有时分析的维度过于单一，可能只是简单的从时间、地域、甚至版本的维度来分析。而如果我们做足够深入的分析，那些结论可能就不成立了。
另一方面数据质量对分析结果有干扰，比如数据的稳定性、准确性，都会有影响，另外还有一些无关的数据也值得警惕。
2、数据化管理的思路
我们的数据化管理主要奉行这样的思路：数据采集 - 数据分析 - 行动策略 - 快速执行。
① 数据采集
数据采集要有一个非常清晰的规划，包括基础数据统计、用户属性统计，用户来源统计、用户行为统计，还有模型数据统计。
基础数据统计是日常业务相关的，比如新增活跃、新增次数流程等一些基础数据；用户属性统计包含两个方面——社会属性和设备属性，前者即我们常说的性别、年龄、学历等，后者则是一些机型、操作系统、联网方式这些；用户来源统计就是一些渠道，还有版本；用户行为统计很重要，因为它可以反映用户使用产品的路径、行为习惯，然后根据用户的特征来刻画用户画像，甚至可以做产品迭代。
②数据分析
数据本身是没有意义的，要通过数据分析来得到你想要的结果。
数据分析第一个是多维交叉分析，从多个维度分析数据表现，比如“新增用户”，不仅要看整体的增长情况，还要看各个地域、各个版本、甚至不同机型的增长情况；
第二是用户人群分析，需要对用户分群，并确立不同群体的特征，到了成熟期，需要针对不同用户做差异化用户策略，才能达到最优效果；
第三个产品质量主要是看产品的表现，比如结果调用的情况、产品是否耗流量、是否耗电等。
③ 行动策略
比较偏向于用户周期管理，主要包括拉新、提活、流失挽回、回流关怀，下文会详细讲。
④ 快速执行
最后是快速执行，如果有了数据分析、行动策略，但是不能执行的话，前面的工作都没有什么意义，最终一定要落地，才能看到结果。要有精准触达用户的分层管理，要有执行结果的反馈，然后根据用户反馈做持续的迭代计划。
02 从0到1搭建数据运营体系
1、搭建思路
① 指标规划
要想采集好哪些数据，就是制定采集的指标规划，包括指标定义、维度设置、更新周期，其中更新周期会涉及到资源的分配，是时时更新，还是每周、每月更新。
② 数据采集
数据采集是基于主要规划之后要做的，比如字段分类、数据埋点、数据上报。采集什么数据，以什么形式上报，这些都要考虑清楚。
③ 报表呈现
数据采集上来之后，我们可以做报表呈现。这里有很多坑，比如要做报表的趋势图，是用柱状图还是折线图？列表就是一个用户的详细类似表；筛选控件，如果要做到可视化，你需要考虑将来在实际运用时需要从哪些维度去筛选，比如国家、版本、渠道这些；最后是有效性、准确性的验证，我们做了数据上报之后，如果是一堆垃圾数据，或是不准确的数据，对后续的运营就没有什么帮助。
④ 数据产品
基础的数据采集都OK了，就可以考虑做数据产品的建设，比如做数据可视化展现，迭代优化，并增加新功能。
2、建设方式
建设方式有两种，一种是自建，另一种是采用第三方服务。
自建有利有弊，优点第一个是埋点灵活便捷，想埋哪里埋哪里，第二个是可以跟业务数据打通，这一点也很重要。因为在采用第三方数据统计时，大家平常用的只是基础指标，在没有打通给自己的销售数据时，这种付费数据往往是和业务割裂的。
缺点一个是自建一套数据分析系统的成本很高，二是自建的系统不能跟运营工具（指广告平台）打通。
举个例子。在自建某个数据分析系统时，产品有自己的用户体系或标签体系，假如我想针对对阅读感兴趣的用户投放，很可能最终的投放效果不是特别理想，因为自建体系和其他平台在匹配时会有比较大的偏差。腾讯自己也会做一些投放，比如在今日头条等渠道，发现我们拿自己的数据包去投放，可能不是效果很好。我们投了六千多元，一个用户的成本居然飚到了六百多元，这个就是很大的问题。
第二种是第三方服务，很多都是免费的，他们的产品也比较专业，展示友好，支持运营工具打通，提高运营的效率，最大的缺点就是不够灵活，可能不能跟自己的业务数据打通。
3、迭代优化，逐步完善
数据运营体系也不是一蹴而就的，在人力资源有限的情况下，我们可以根据当前所处的阶段做选择性建设，我把 App 的整个生命周期分为四个时期，初创期、成长期、成熟期、衰退期。
在初创期大家都会关注整个产品的增长速度，我觉得还要关注新增活跃和用户来源。这些对产品初创期实现业务增长有帮助。产品质量也很重要，App如果耗电量很大，或者网络连接特别慢，那么产品还没推广可能就已经死掉了。
成长期，应该关注用户增长速度和用户行为数据，此时产品有一定的规模了，我们就需要去关注用户在整个产品里的一些行为。比如启动的次数是不是够多，停留的时间是不是够长，使用深度是不是够深等。
成熟期基本上产品已经稳定了，这个时期做拉新效果应该不会特别好，所以你看所有大型App，腾讯系的像爱奇艺、唯品会，内部的QQ、微信等，到了一定规模就不再追求更大规模的用户量，而是把存量用户活跃起来，这很重要。
所以这个阶段要更深层次挖掘活跃用户，预防流失。我们需要做一个用户流失监测，比如流失预警，我们需要做一个模型来监测，通过用户的哪些行为可以判断某用户基本上要流失了。
比如信贷类的App，如果他选择分期借款，然后某一天一次性把借款全部还掉了，很可能他是一个流失用户。当然这只是一个维度，我们要从多个维度去评估，比如说他已经半个月没有使用App，这也是一个维度，所有的模型都要从很多维度判断是不是真的流失了。
到衰退期数据指标不再增加了，我们做过很多测试，用户一旦流失，很难再挽回，所以不如看看用户兴趣转移到哪，然后开拓新的业务。
这是MTA的指标体系，基础指标包含以上这些。
03 数据深度分析
1、多维度向下分析
第一个是多维度向下分析，这是我们经常用的方法，因为在定位问题时，我们看到的是整体数据的变化，但是最终要找准问题，肯定要抽丝剥茧，每个维度都去排查。
常用的一些维度，包括渠道、版本、用户群、标签、页面、地域，然后从这些角度分析，哪些用户下降的很厉害，哪些群体发生大的波动。
2、用户画像洞察
这是我们建设的一整套的标签，包括一级、二级标签，二级下面还有一层更细的。用户画像洞察不仅帮助我们认识用户，还有助于变现。比如了解你的用户群体是哪个类型，有助于分析投哪类广告的效果会更好。
3、漏斗转化分析
这也是一个经常用的分析方法，因为它不仅可以帮你分析从第一步到最终的转化率的情况，还可以分析每步的转化率。对于漏斗，单一的分析没有意义，如果不去对比，很难发现问题所在，所以要通过趋势、比较、细分，做一个更细致的分析。
这个是我们平台的表现（这些数据是经过处理的）。我们的产品是面向开发者的，他们通过集成我们的 SDK 后上报数据，最终在应用商店发布。我们看7月份数据时，发现注册测试波动比较大，5月份40%，6月份40%左右，但是7月份下降到21%，而后两步的数据，基本上和5月6月没有太大差异，于是分析，这个比率的变化可能是分子没有变，但是分母变了。
可以看到，5、6、7月份的新增用户增长数据中，7月份大幅度增长，但是测试用户和上线用户都没有大的波动，那就要去排查到底是哪里出现了问题，所以就要做下钻分析。
下钻分析首先看各个版本的增长情况，然后看各个渠道的增长情况。用户渠道有很多，用户自发官网注册，还有微信、QQ开放平台带来的量，最终我们发现官网增长量很大，地域集中在广东，再排查广东省7月份做了什么活动，我们发现做了一轮有奖答题活动。
只要参加答题就可以获得Q币、腾讯视频会员的福利，吸引了很多不相关用户来注册账号然后答题，导致数据有很大的增长，因此定位到“7月份广东活动中有很多薅毛的用户”这样的一个问题。
04 用户管理策略
1、用户生命周期管理
用户管理策略，就是在数据采集分析之后，基于数据做一些运营活动。
分为6个阶段：潜在用户阶段、新手阶段、有效活跃阶段、活跃下降阶段、即将流失阶段、流失阶段。每个阶段，都依赖于具体的数据的分析，然后再做针对性的运营活动。
这个是腾讯某个枪战游戏案例，看看他们用户管理是怎么做的。
1.先精准拉新。
精准拉新是根据历史玩家取样作分析，根据历史日志梳理了600个拉新字段，判断哪些用户最可能成为用户，不过创业公司，可能不超过20个字段。
以历史玩家为样品建立拉新模型。比如投放时，针对18到20岁喜欢阅读的女性投放，然后做 A/B test。刚开始的时候，这个效果不太好，实验组和普通大盘相比没有明显的提升，这个模型经过了大概10轮训练，整个拉新增长了30%到60%，是相当给力的。
2.然后是新手关怀。
对所有玩家先分析兴趣偏好，在此基础上推送一些产品，比如在新手任务中，针对男用户和女用户有不同的任务，送的礼品也是不一样的。这种个性化的关怀奖励可以提高留存，这也是现在常说的精准推荐，所谓的千人千面是同样的逻辑。
3.活跃成长。这是一个枪战类的游戏，在做完数据分析之后，“有战队”的留存率会比“未加入战队”的普通玩家高一些，这和常说的 Facebook 的留存率是一样的，即如果加的好友越多，留存就越高。所以在产品中加入社交关系链是一个很可靠的活跃手段。
4.还有防流失干预。首先要监测用户的活跃度，如果下降，可能就是流失的开始，这时要把这部分用户筛选出来，做一些流失干预，比如送一些关怀——消息推送、短信等。假如用户已经不想打开App，收不到消息是不会回来的，所以可以做一些用户消息类推送。
5.最后流失回流。要监控整个流失人群的增长情况，还可以设计一些回流活动，但是根据经验来看，一旦用户流失之后再想拉回来很难，尤其是当他卸载App之后。所以与其在流失的时候回流，还不如尽早干预，这样效果会更好。
2、用户分群管理
首先是为什么要做分群管理。因为分群可以把具有特别属性、特定行为的用户群圈出来，也为后续的差异化运营提供基础。
第二如何创建分群。
我们根据统计的指标，比如年龄、性别、地域、使用时长（1-2小时的、3-4小时的），还有注册的状态，比如免费、试用、付费用户。还有购买历史、访问位置都是做分群的依据。
最后在哪里应用呢？首先做数据分析，比如不同用户群体的属性、行为特征分析，这个可以用报告或者数据可视化的形式分析。还有差异化的运营，可以做个性化内容、活动推送。还有就是精准拉新，知道哪些用户是高价值的，了解用户的特征后，做更有效的推广。
再看一个案例，这是一个电商APP。
现在的问题是用户推广跟用户订单成交量不成正比，ROI 转化特别低。
针对这个案例，首先建立了3个分群，第一个分群是大盘用户，即所有的活跃用户；第二个分群是成交用户，也就是付费成功的用户；第三个是高价值用户，就是付款金额大于100的用户。
分层建立之后，开始进行人群特征对比。
首先是性别，大盘用户当中，男性比例比较多，成交用户和高价值用户中女性比较多，反映出所有用户中男性用户比较多，但成交比较多的是女性。
我们再看一下，人群偏好对比，相比大盘，成交人群、高价值人群对购物和金融类都比较感兴趣，其实这是一个兴趣标签。
a进一步分析，第一个可能是用户引流渠道问题，高价值用户是女性，但是引流来的大盘用户却是男性居多；
第二个是商品定位调整，因为 App 里的商品可能对男性用户吸引力不高，或不符合他们的品味。
对比了两个原因之后，如果针对引流的渠道做优化，见效的时间就比较快；如果调整整个商品定位会比较难。
所以优先选择比较快的第一种优化方式，然后看整个渠道的数据。一共五个渠道，渠道 A、D、E 的成交率都比较高，其中渠道 D 的留存率是27.51%，可以认为渠道 D 是一个优质渠道，渠道 E 也算是一个成交率较好渠道。渠道 A 的成交率很高，但新增用户量很低，这个要多考虑。
要验证渠道 A 用户是不是高价值用户群体，首先要验证 A 渠道用户是否符合上文说的两个策略，发现它的女性比例高达62.36%，而且对购物类 App 兴趣程度较高，符合高价值用户的特征。
做完分析之后，就可以执行策略验证效果，首先调整渠道投放比例，调高渠道A的投放，减少 B 和 C 的投放，然后做五周测试。
在执行完之后观察数据，发现整个新增有一定的增长，可以看到最终的转化率从7.52%提高到9%。这就是一个完整的数据分析、策略制定、行动的案例。