一、报表体系
1、报表体系的意义
数据报表体系是指在业务每天推进的过程中、对业务指标的监控、对业务流程的监控、对业务KPI的提醒、挖掘异常情况的预警。
2、为什么要搭建报表体系？
（1）实时监控业务指标（监控业务是否正常，监控KPI是否能完成）；
（2）指导业务制定KPI，跟进以往的数据情况和增长情况来制定相应的KPI；
（3）指导业务前进的方向，能更好的了解业务做了某些动作之后，对相应指标的影响，方便业务进行及时的调整与改进；
（4）帮助业务分析异常原因，如昨天销售额降了，那么就可以根据报表查看是什么引起了销售额的下降（是新客、老客？哪个渠道？曝光还是曝光点击率下降？还是产品功能出现异常？还是某个支付通道出现异常导致？）
3、如何搭建报表体系？
（1）了解业务背景和目的，业务制作报表的目的是什么
监控及原因分析（需要细分到每个维度，层层探索问题的原因，需要各个核心指标的监控，各指标波动超过阈值要进行预警）
日常看数汇报（一般是给大和全的数据，指标尽可能的多一些，能让决策领导层全方位的看到公司的运作情况）
KPI跟踪（可以看到每天的努力最终达成什么样，能看到月、季、半年、整年度的完成情况，可以让业务方在心里有个预期，如果达成比较慢可以及时加把劲）
（2）业务背景和目的对应的指标和维度
业务希望看的东西
业务手上有什么资源可以调整
如果报表只是对一些指标进行开发，但是业务方却不能针对这些指标进行对应的调整（比如销售额涨跌原因发掘和调整），那么这个报表就是无效的、浪费的报表。
（3）底层数据支持
业务需要的指标和维度底层数据是否存在
存在则开发；不存在则需要先搭建底层数据，再进行开发（埋点、开发）
（4）制作报表
报表展示内容（指标维度的设置方式）
报表展示格式（是图表还是表格）
要跟业务方进行确认，需要什么数据、什么图形，如果报表比较重要则需要把图表做得好看一些，如果不是很重要，则以效率为最高原则
一个健全的报表体系需要有完善指标体系、能满足核心业务的监控、能支持日常运营需求、也能指导业务进行数据分析（要分成多模块）。
无论是什么样的报表，都需要跟业务的行动结合起来，能帮助业务，推动业务发展，才有意义，否则报表的搭建耗费人力而推动不了业务发展是非常浪费时间的事情。
二、日常监控
数据分析师需要了解核心指标的每日波动。一般会有日报、周报、月报的形式对核心数据进行监控。一旦发现异常就会进行分析寻找原因。
1、日常监控指标
（1）流量数据：DAU、MAU、商品曝光数据、商品点击数 据、商品转化数据等等；
（2）销售数据：是衡量电商规模最重要的指标，GMV、购买人数、购买金额、购买件数、净销售额等等；
（3）利润数据：毛利额、毛利率、采购成本、运费成本、仓储成本等等；
2、如何定位异常
发现某个数据指标出现异常后，一般先进行维度的拆分。
比如：新老客、流量来源、操作系统、版本号、渠道、类目、省份等维度去定位问题。
也可以对比历史同期数据寻找原因。
等找到具体问题点就可以寻找业务方咨询做了什么特殊的运营动作，如果是促进了增长就可以继续保持，如果产生负面作用就需要继续优化方案。
3、监控数据的意义
监督业务，数据指标直接反应业务方干活有的有效性。
及时发现异常，保证各项业务不偏离公司的战略方向。
挖掘出新的增长点，给到业务真正的援助。
三、专题分析
1、专题分析的意义：
专题分析是最能体现数据分析价值的工作之一，也是极可能直接给公司的带来较大价值的工作内容（需要避免被取数等事情困扰才有更多的时间进行深入的专题分析）。
一个专题分析从立项到逻辑，考验分析师不仅仅是数据分析能力，也极大的衡量了一个分析师的沟通技巧、商业嗅觉、项目管理、同理心等其它隐性能力（专题分析基本上都要跨部门沟通，专题分析的落地需要跨部门沟通进行落地）。
2、专题分析的步骤
（1）项目选题
一般是对业务上出现的困难或者一些增长的瓶颈进行深入分析，这就需要和业务深入沟通交流，了目前业务的重点是什么，才能选对正确的方向。
对于电商业务来说通用的专题分析一般包括：拉新增长、流失召回、提高复购等大的方向（三个大方向下还有很大细分方向）。
（2）数据准备
数据准备基本上是专题分析最耗时也是枯燥的部分，提前列好的分析的框架，分析的维度，然后对数据进行清洗，最后进行汇总。
这个过程大部分是用SQL完成的，然后可以配合Python完成一些比较复杂的操作。当然数据准备没法完全提前预计，还会有部分数据会分析的时候临时想到，就需要重新获取源数据，一个准确可靠的数据源是专题分析能成功的基石。
（3）数据分析
数据分析是整个专题分析中最核心的部分，如何能做到一个好的分析呢？
每个分析都有结论，而且结论一定要明确，如果没有明确的结论那分析就不叫分析了，也失去了他本身的意义，因为你本来就是要去寻找或者印证一个结论才会去做分析的，所以千万不要忘本舍果。
分析结论不要太多要精，如果可以的话一个分析一个最重要的结论就好了，不要事事求多，宁要仙桃一口，不要烂杏一筐，精简的结论也容易让阅者接受，减少重要阅者（通常是事务繁多的领导，没有太多时间看那么多）的阅读心理门槛，如果别人看到问题太多、结论太繁、不读下去，一百个结论也等于0。
分析结论一定要基于紧密严谨的数据分析推导过程，不要有猜测性的结论，太主观的东西会没有说服力，如果一个结论连你自己都没有肯定的把握就不要拿出来误导别人了。
好的分析要有很强的可读性，这里是指易读度，每个人都有自己的阅读习惯和思维方式，写东西你总会按照自己的思维逻辑来写，你自己觉得很明白，那是因为整个分析过程是你做的，别人不一定如此了解，要知道阅者往往只会花10分钟以内的时间来阅读，所以要考虑你的分析阅读者是谁？他们最关心什么？要结论先行，先写最终结论，然后再写分析的过程你必须站在读者的角度去写分析内容。
不要害怕或回避“不良结论”，分析就是为了发现问题，并为解决问题提供决策依据的，发现产品问题也是你的价值所在，相信你的老板请你来，不是光让你来唱赞歌的，他要的也不是一个粉饰太平的工具，发现产品问题，在产品缺陷和问题造成重大失误前解决它就是你的分析的价值所在（分析结论不一定是促进增长的点，也是分析避免出现跌落的点，分析时一定要中立，不能有主观情绪）。
（4）数据报告
数据报告已经是展示你此次分析的最后阶段也是门面，该怎么样去写好一个数据报告呢？
数据分析报告尽量图表化，用简洁的图表代替大量堆砌的数字会有助于人们更形象更直观地看清楚问题和结论，当然，图表也不要太多，过多的图表一样会让人无所适从。
不要创造太多难懂的名词，如果你的老板在看你的分析花10分钟要叫你三次过去来解释名词，那么你写出来的价值又在哪里呢，还不如你直接过去说算了，当然如果无可避免地要写一些名词，最好要有让人易懂的“名词解释”。
好的分析报告一定是出自于了解产品的基础，数据分析师一定要非常了解你所分析的产品的，如果你连分析的对象基本特性都不了解，分析出来的结论肯定是空中楼阁、无根之木如何叫人信服？！这样的结论才可落地。
（5）结论落地
结论落地是最难的一步，也是真正体现你价值的一步，这需要考验你的结论是否能说服别人，你的结论是否能带价值并且可执，也考验你跨部门合作的能力以及你过往的工作是否令人信服可靠，所以分析内容的准确度是非常重要的，只有分析有理有据，并且得到业务部门的认同之后，后续的分析结论才能更容易进行落地执行（数据的价值、结论的价值所在、能够进行多少增长）。
四、产品迭代
数据如何帮助产品更好的迭代呢？
数据分析师可以通过数据帮助产品经理找到问题点从而优化升级功能，或者产品经理直接有一些新的点子。
一般都是进行AB测试的方法来进行迭代的，由AB测试的结果来进行分析，从而确认迭代的方式。
拿到AB测试的数据结果后就要衡量此次功能改动对业务带来的影响。这个影响可能是双向的，对用户体验造成了负面影响，但是提升了转化率提高了营收。这时候产品经理就要衡量其中的利弊，到达一种多方收益的平衡。公司是盈利组织自然最终目的赚钱，但是用户也是公司的根本，如果完全不顾用户体验那公司也注定无法长久，因此既要商业化也要良好的用户体验。
五、运营优化
数据分析师能帮运营做些什么？
（1）了解用户
数据分析师要帮助运营了解自己的用户，可以建立一套用户画像体系，帮助运营知晓用户的行为偏好，身份特征，最终投其所好以达到精细化运营的目的，好的分析师能让运营节省成本、提高运营效率，最终获得比较好的运营效果。
（2）赋能数据思维
授人以鱼不如授人以渔，不是简单帮运营做一些报表提取一些数据就够，数据分析需要输出数据分析思维，教运营如何看数据、如何分析数据、如何定位异常，只有运营掌握了数据思维能力才能看到数据背后的含义，才能做到数据化运营（比如给报表的时候可以按照分析思维的思路引导，让运营一步一步的由报表给其指引方向，最终定位到运营的一些问题所在）。
（3）让机器干活，让人思考
帮助运营减轻机械化且重复的功能，让运营有更多的时间去思考运营策略。
比如电商平台的活动会场搭建，商品的排序完全可以使用算法来实现（以前是由运营自己设置排序的），这样既减轻了工作量还能实现更优的排序提供了转化率。
再比如活动成本毛利规划、促销力度选择等，数据分析师可以根据历史数据（满减、优惠情况）计算商品的成本及购买量再输出计算公式，运营填入促销力度即可得出预计的毛利率。
1、流量运营：
现在获客成本越来越高，更加需要精细化运营，不能只关注PV、UV，需要搭建流量指标体系判断流量指标情况，包括量级指标、基本质量指标和来访用户类型占比指标等。
wap端主要看用户量、PV、UV；APP主要看启动次数、DAU、MAU这些；质量主要看用户平均购买时长、转化率、平均每次浏览深度，这些指标可以判断用户的活跃情况。
多维度的流量来源分析：访问入口、流量入口、广告等角度，流量来源包括直接访问、外链、搜索引擎、广告媒体等；运营人员可以进行层层拆解，从而分析到每个层级的效果，从而达到分析每个渠道质量的目的。
当流量进入了之后，运营人员就需要进行激活和转化这些来访的流量，从流量进入到转化可以在每个节点进行监控，从而做成流量转化的漏斗，看每一步的转化情况，也就是转化漏斗的分析。
2、用户运营
用户运营需要解决的是用户的留存和复购的问题，需要尽力维护与用户的关系。
如今用户与产品直接的交互行为有很多，可以对用户的行为进行分类，然后根据分类的不同特征进行精细化的运营，从而促进提高用户的留存。
以电商APP为例，用户的行为包括首页的浏览、活动页的浏览、banner位的点击、商品详情页的浏览、加入购物车、提交订单、支付等等，可以基于用户的类别和属性来分析每个步骤的转化率（结合用户画像），来分析不同类别和属性的用户群体需要什么，然后采取相应的运营动作。
3、产品运营
需要监测异常指标来发现用户对产品不满意的地方，产品大的流程中会有一些小的功能点，用户的体验就是建立在这些小的功能点上的，小功能点的使用情况也是非常影响用户接下来的转化情况的。
以注册流程为例，一般需要手机验证，发生验证码是一个关键的转化节点，当用户点击重发次数增多的时候，就说明功能点存在一定的问题，这也是用户容易产生不满的点所在，无法及时发送验证码通过关键的指标进行监控就能及时进行发现（可能是运营上出现问题，那么需要将异常通道切换成正常通道）；
也可以通过留存曲线来检验新功能的效果，一个新功能上线后，我们需要评估新功能的效果是否能满足用户的核心需求，从而给客户带来价值，我们可以通过留存曲线查看用户的留存情况，如果留存率特别低的话，那么就说明功能对用户来说价值不是特别高。
4、内容运营
内容也是一个产品，只有清楚内容的定位和受众才能更好的进行运营，可以利用数据精准分析每一篇文章的效果。
如在分析的过程中发现用户主要通过左侧的导航栏和中间的推荐进行阅读文章，点击右边的热点推荐比较少，那么就可以考虑是否把右边的热点推荐给取消掉（又或者是右边的热点推荐设置的不合理？），从而提升用户的转化和体验。