如何从0到1搭建数据化运营体系

最近几年，随着移动互联网的快速发展，大数据的概念也越来越火，很多公司都在提数据化管理。

那么，我们今天就聊一下数据化管理这个话题。

一、数据化管理的三点误区

先来看下数据化管理的误区：

1. 数据多，就一定能推驱动业务发展吗？

数据多并不意味着能驱动业务发展，因为存在很多因素导致数据并不能很好地应用于业务中。

01 因素一：数据质量问题

一方面，很多公司在采集数据时，会采集到很多脏数据，比如模拟器增加量、羊毛党增加量。如果未做反作弊识别，很难将这部分数据过滤掉；

另外一方面，在采集数据时，没有做到标准化、规范化上报；那么在做数据挖掘分析时，就很难得到有效信息。而数据的准确性和稳定性是数据科学管理的基础，如果无法满足这两点，在业务决策上就会存在很多问题。

02 因素二：数据跟业务关联性不大

数据只有跟业务有足够强的关联性，才有价值。

我们本身有很多指标，大概超过70多个。

但是在日常分析时，我们经常用到的也就那么几个，其他的或者访问非常少，或者会随着时间推移，慢慢被弃用。

03 因素三：采集数据很容易，用起来难

腾讯做了很多年数据分析，积累了很多经验，有一整套自己的分析系统，在数据应用方面自然没问题。但是很多传统企业，像运营商移动、联通、电信，以及保险公司、银行对在这块的困惑就特别多：他们有很多数据，但不知道该怎么用。像这样盲目地采集数据，其实根本没有多大意义。

2. 有了数据分析团队，就一定能找出问题来吗？

不一定，因为分析师往往对业务不了解，只能给出机械的分析结果，并不能有效地指导业务发展。

举个例子，我们之前在业务运营中引入了分析师团队，希望可以提供更多思路和指导方向来帮助业务发展。

但分析了一段时间后，我们发现效果并不是很好，原因在于：分析师一般会基于报表维度的数据给出分析结果。

比如数据突然出现波动，分析师可能会认为是节假日导致的，但其实他可能不清楚我们在整个业务运营中做了什么样的活动。所以，这块数据分析和业务是割裂的。

为了解决这个问题，我们做了一个新的尝试，将数据分析团队跟业务团队放到一起，并成立联合项目组去做试点。

后来结果证明效果不错，因为分析师在设计每一个指标的时候都会去跟一线运营同学沟通：

真正的用户行为是什么样的？在哪些时段，在哪些场景下会触发这些数据？

如此一来就能做到有的放矢。

3. 分析报表能不能出一个最优的解决方案？

相信大家每周或者是每天都在给这样的分析报表，但是我们的分析结果真的是一个有针对性的业务的最优解决方案吗？

结果往往是否定的。

这里边也存在几个问题：

01 问题一： 分析维度单一，不足以支撑结论

分析维度有很多，比如说版本、渠道、地域，以及设备属性和特定行为特征等。

目前来看，所有的APP分析,基本上就是从版本和渠道这两个维度去分析的；还有自定义事件，如果只是基于事件ID去分析，它没有足够的参数去做限定，那么也很难去支撑并决策分析结果。

02 问题二：数据质量干扰分析结果

分析结果能否有效地反映业务发展情况，并给出有效优化策略的关键因素之一便是数据质量。如果数据质量不过关，那么基于数据给出的分析结果也会大打折扣。

我们接触的很多app，都或多或少有过被增加量的情况。这种数据不仅给公司造成财务上的浪费，同时也会影响正常数据，造成数据分析的困难。

二、数据化管理的思路

在认识了这些误区之后，如何科学地进行数据化管理？

科学的数据化管理不仅要有完备的数据分析，更重要的是基于数据分析结果的行动。

所以，下面我们将从数据采集、数据分析、行动策略以及快速执行四方面讲一下数据化管理思路。

1. 数据采集

目前我们采集的维度包括基础数据统计、用户属性、用户来源、用户行为和模型数据。

01 基础数据

基础数据就是我们日常在看的一些数据，包括新增、活跃、启动次数和留存等。

02 用户属性

基于腾讯移动分析覆盖的众多app以及腾讯大数据的优势，提炼不同人群的不同标签。

用户属性包含基础的自然人属性，比如性别、年龄、职业、学历和兴趣爱好等；另外也有做设备属性分析，比如用户使用的机型、品牌、以及联网方式等。

03 用户来源

这也是非常重要的一个指标，可以帮助分析用户来自哪里。这里的维度可以有很多，比如渠道是一个维度，版本也是一个维度，另外地域和机型都可以算作不同的维度。

04 用户来源

用户来源可以帮助分析产品对于用户的粘性，并且帮助优化产品路径。这块涉及的数据会比较多，比如用户使用时长，使用频率和页面访问路径等。

关于行为这块重点强调一下：要求上报的数据必须是标准的、规范的，这样有助于后期做分析。否则，最后采集的数据只是脏数据，对于后期分析没有任何意义。

05 模型数据

模型数据是建立在基础数据分析上的高级模型，可以针对用户做更高级的分析。我们会针对用户生命周期里的每个阶段去做模型分析，比如拉新模型、拉活模型和流失模型。

2. 数据分析

数据本身没有价值，分析才有价值。

在做分析时，主要包括以下几方面内容：

多维交叉分析用户分群分析产品质量分析

在做数据分析时，多维交叉分析是一个很好的分析手段。

当我们看数据的整体趋势时，能发现业务发展是否有问题或者机会，但是不能够发现问题到底出在哪里，或者说机会在哪里。

那我们会主张进行多维下钻分析，比如渠道、版本、国家、设备属性和自然属性，这些都可以作为维度去做交叉分析，最终定位问题出在哪里。

用户人群分析可以帮助分析不同人群的属性特征以及行为特征。针对不同的人群特征，制定差异化运营策略，将运营效果最大化。

产品质量分析自然是用于衡量产品质量的数据指标，包括app的crash情况、耗电量、网速等数据。

3. 行动策略

根据数据分析的结果，发现问题或者机会之后，我们要先制定一些行动策略。这一步即是打通数据分析和行动断层的关键一步。

拿生命周期管理常用的策略举例来说，包括拉新策略、提活策略、流失召回等。

4. 快速执行

策略制定好之后，接下来就是快速执行了。行动是验证数据分析结果和策略有效性的最后一步。跑得越快，成功的可能性越高，所以优良的执行力非常重要。

在腾讯奉行的也是小步快跑，快速迭代，出错没问题，要保证速度。

二、如何从0到1搭建数据运营体系

前面讲到了数据化管理的误区和思路，那么接下来我们就讲一下，如何从0到1搭建一套数据运营体系？

第一阶段：指标规划

我接触过很多开发者，都有数据分析的需求，但是要采集和统计哪些数据，刚开始并不是特别清晰，那这块的规划就非常有必要的。

尤其是在数据建设初期，一定要将指标的定义明确，不然很容易在后期数据分析阶段出现扯皮问题。

另外则是维度设置，除了版本、渠道之外，还可以加上自定义的属性，比如：地域、机型、网络类型等，这些维度设计的越多，越有助于后续数据的精细化分析。

就拿新增来说，可能看到新增有一个过快的下跌，如果只设计版本和渠道两个维度的话，那么只能从这两个维度分析；如果想做更深的下钻分析，就无法再继续定位了。

最后一个关键因素：更新周期。

数据是实时更新的、 每天更新、还是每周更新，都需要提前规划好。因为数据计算会耗费大量的资源，好钢用在刀刃上，把资源用在最有价值的地方。

第二阶段：数据采集

指标规划好之后，接下来要做的就是数据采集。数据采集包含三个方面的工作，字段分类、数据埋点和数据上报。

字段分类很重要，越精细越有助于后续的数据分析。

数据埋点，顾名思义，在自己想采集的数据部分，通过打点的方式统计业务发生数据。

第三阶段：报表呈现

在数据采集上来之后，我们就需要考虑将数据以报表的形式呈现出来，以帮助分析业务的变化情况。

当我们做完了以上几步之后，如果最终验证这套体系是可行的，那么就可以考虑进行整个的数据产品化以及功能迭代。

01 建设方式

接下来，我们聊一下数据分析系统的建设方式。

目前的建设方式无非有两种，一个是自建，另外则是使用第三方服务。

自建有什么好处？

埋点灵活便捷，可以根据你的需求去埋点，并且也可以跟业务数据打通。因为只有这样，才能将数据分析真正应用到业务上。

但是，我相信如果是一些目前在起步阶段的APP，它是没有能力去做这个事情。

自建的弊端在于需要投入巨大的成本。首先是人力成本，然后服务器资源维护起来也比较昂贵，另外不能与外部运营工具打通。就拿拉新来说，需要对用户有一个非常清晰的认识，需要知道用户群体有哪些属性特征和行为特征。

如果根据自己统计的标签去广告平台投放广告，往往匹配起来是不够精准的。因为很有可能双方标签体系并不一致。

02 迭代优化

在整个建设阶段，不必一蹴而就，可以按照app发展的不同阶段按需建设，逐步迭代。

我们先看一下APP发展生命周期的四个阶段：初创期、生长期、成熟期和衰退期。每个阶段需要关注的数据指标是不一样的，所以我们可以分阶段来建设：

① 初创期关注哪些指标？

增长速度，要看数据增长是不是一个线性，将来有没有潜力？那么前期做一些新增，活跃，启动次数，留存这些基本上就够了；用户来源，需要知道哪些渠道推广效果更好，以方便优化拉新推广效果。

②成长期不仅要关注用户增长速度，还需要去关注一下用户行为数据

到了成长期，不仅要关注用户增长速度，还需要去关注一下用户行为数据，因为我需要去识别用户的质量。

就拿推广这个事来说，不仅要看数据整体的增长情况，而且要看核心用户有没有增长，那我们就需要从用户行为维度去识别，哪些是我们的核心用户。

那就需要去建设像使用频率、使用时长、页面访问路径以及消费行为这些维度的数据。

③ 成熟期对数据的需求增加，需要深度挖掘用户价值

到了成熟期后，对数据的需求会越来越深入，需要深度挖掘用户的价值。那么这个阶段就需要考虑做一些数据模型。

比如活跃模型，活跃用户虽然是一个整体，但是活跃用户的质量是不一样的。比如活跃超过100天的，超过300天的甚至超过两年的，对于不同的用户群体，需要做个性化的运营策略。

另外一个模型就是流失模型。当用户到了一定规模之后，很难避免流失情况，到了成熟期有些用户的活跃度会慢慢的下降最终流失。这时就需要对用户做一些干扰手段，通过消息推送、有效的激励、短信这几种形式。

还有就是画像洞察，到了成熟期，相信各个数据都会考虑做有钱的行为，有钱首先要知道用户是什么样子的，那么画像洞察的建设就可以提上日程。

③ 衰退期用户流失严重

到了衰退期，基本上APP已经开始出现用户大面积流失的情况，想要将用户拉回来是非常困难的，所以需要去关注兴趣转移，寻找新的业务增长点就好了。

03 MTA指标体系

这是MTA的指标体系，分成了基础指标、用户属性、用户来源、用户行为、模型数据。

新增、活跃、流失这些，前文已经提过，这里就不再说了，重点提一下质量监控，质量监控主要是统计用户使用app的crash情况，还有网速监控情况、接口调用情况。

三、数据深度分析

做了一套数据分析系统之后，难点在于数据分析；搭一套东西很容易，但真的要用起来却很难。

接下来，我们就讲一下数据深度分析部分。

1. 多维度下钻分析

多维度下钻分析的好处就在于，可以去从整个趋势里发现问题，最终通过更细粒度的分析去定位到问题所在，再制定相应的执行策略。

分析的维度其实很多，例如：渠道、版本、地域、页面、标签、用户群这些都可以作维度去分析我们的用户。

2. 漏斗转化分析

接下来我们看一下日常经常用到的漏斗模型。

漏斗模型是一个很重要的手段，漏斗不仅可以帮助分析关键路径从第一步到最终的转换结果，还可以帮助分析每一步之间的转化率。漏斗的每一步转化中基本上都会存在流失，所以没有百分百的漏斗。

那漏斗如何去使用呢？单一的漏斗分析是没有意义的。只有通过趋势观察、维度对比和维度细分才能体现漏斗分析的意义。

接下来我们举例说明。

使用腾讯移动分析大概分为三个步骤，注册-测试-上线。

第一步是从注册到测试的一个转化，第二步是从测试到上线的一个转化，第三步是从测试到上线的转化。

分析数据发现：五六月份的转化都是OK的，但是看七月份的数据，从注册到测试，转化率只有21.7%，但是从测试到上线是22.6%，这个没有什么变化，整体的转化率是4.9%。与5月、6月相比，数据有所下降。

产生这个问题的原因是什么？

我们拿这个漏斗相关的数据做一下分析。

第一个数据是新增，第二个是我们的测试，第三个是最终上线的应用数。

我们发现7月份的新增只有一个很大的增幅，但是它并没有给我们带来一个好的测试的一个数据，测试的应用只有1300个，没有明显增长，我们最终上线的也只有294个。说明新增有增长，但是这部分用户转化率并不是很高。

整体来看，应该是新增暴涨的原因，那么我们又针对渠道这个维度做了一轮下钻分析，发现来自官网的新增特别多。

在分析相关的推广活动时，发现这个月做了有奖问答活动，导致很多用户来注册账号并创建了应用，而这些用户都是奔着奖品而来，并非我们的用户，因此转化非常差。

最终定位到数据转化降低的原因。

数据分析是制定用户管理策略的基础，那么讲完分析后，我们来聊一下策略相关的内容。

四、用户管理策略1. 用户生命周期管理

用户生命周期管理可分为六个阶段：

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

在不同的用户生命周期，我们需要进行差异化运营策略，才能将用户价值最大化。

比如：

潜在用户阶段，需结合用户特征制定拉新策略；新手阶段，需要给用户提供实时的用户关怀，制定合适的新手任务系统；有效活跃阶段，提供别致的产品探索引导和正向激励；活跃下降阶段进行防流失干预；即将流失阶段进行流失预警；流失阶段发起流失关怀。

接下来，我们结合案例进行说明。

01 精准拉新

潜在用户阶段，在做拉新时，根据历史数据梳理相关字段，以历史玩家为样本数据制定对应的拉新模型。

通过对比实验组与大盘的推广效果，对拉新效果进行评估。

其实在经过这样的分析之后，拉新效果会有一个比较好的提升，最终实验组相比于随机组，有百分之30%到60%的一个提高。

其实这个模型在开始阶段，效果不是很明显，也是需要经过不断训练才能达到这样一个效果，所以数据分析是需要一步一步迭代升级的，而不是能一蹴而就达到一个好的效果。

02 新手关怀

合适的新手关怀手段可以让用户更好的留下来。比如可以根据用户的兴趣偏好设定个性化的新手任务体系，个性化的关卡奖励；比如根据用户性别，赠送不同的礼物，设计不同的任务难度等。

03 活跃成长

好的内容推荐以及成长体系都可以提高用户的活跃度，可以通过对用户画像进行刻画，推荐合适的内容。

比如在游戏中，加入社交属性可以提高用户的活跃度。那么就可以根据用户属性和行为特征推荐合适的战队信息，一旦用户加入战队，活跃度便可得到有效提升。

04 防流失预警

通过一些行为数据可以判断出用户有没有流失风险。比如活跃度的下降，使用时间间隔的增长，都是典型特征。那么，在圈定这部分用户之后，就可以使用一些运营工具进行流失用户召回。

比如以消息推送，短信或者广告平台等手段触达用户，如果活跃度下降就给它送更多的道具，或者推出更多好玩的玩法，以防止用户流失。

05 流失回流

根据经验来看，用户一旦流失就很难回来。所以把精力花费在流失挽回上，不如去分析下用户的兴趣转移，寻找新的业务增长点。

2. 用户分群管理

用户群分析是个非常好的手段，通过用户群分析，除了可以帮助进行人群分析和问题定位，有时候会发现用户自己都不清楚的需求。

那我们应该如何创建分群呢？

一是根据用户属性，二是根据用户行为特征。

比如ppt中列的年龄、性别啊，或者未付费用户、多次付费用户等。

有了不同的人群，我们可以做些什么呢？

除了分析不同人群的特征，还可以针对不同用户做一些差异化的运营方案以及精准拉新等。

接下来我们看一个案例。

这是一个电商类的APP，在用我们的服务，用户增长还不错，但是成交量一直萎靡，就过来问，应该怎么去用数据驱动业务发展？

那我们就以这个为案例做了一轮分析。

首先我们通过建立分群分析成交用户和高价值用户的特征；然后与大盘用户进行对比，发现整个大盘中男性比较多，然而成交用户与高价值人群中女性比例较高，那说明女性成交的可能更高。

另外，我们针对这三个用户群做了一下人群偏好对比。

相比于大盘用户，成交用户和高价值用户对购物与金融类会更感兴趣，这是我们得到的一个分析结论。

然后再回到它的问题，成交量不符合预期。第一可能是渠道用户的质量问题，第二可能是在商品定位上有问题。整个大盘中男性用户较多，那是不是男性的商品推荐做的不够，或者男性的商品品类比较少，这些都有可能。

相比于两个原因，第一个的验证周期会更短一些，那我们就先拿第一个去做一个分析。

如上图，这是我们拿到的几个渠道，可以看到D和E是流量的主要来源，而且D的周留存也不错。

但是从成交来看，A的数据也不错，所以可能A也是一个优质渠道。

这是我们的一个分析结果。那接下来需要验证一下，A渠道是否符合成交人群和高价值人群的特征。

从数据来看，A渠道的女性比例是62%，对购物的兴趣也高于大盘，这个符合我们的成交用户跟高价值用户群体特征。

根据这个分析结果，我们建议开发者进行了投放渠道的策略调整，增加A的投放比例，降低B跟C的投放。策略实施一周之后，对数据做了一下追踪。

这个图是一个整体的转化，前面的图是优化之前的，后边的图是优化之后的，整个的转化率提高了百分之十几。这就是整个分析过程，希望能对大家有所启发。

以上就是我的分享，大家如果有其他问题，可随时与我沟通。

本文作者@刘立明  由(青瓜传媒)整理发布，转载请注明作者信息及出处！

产品推广服务：APP推广服务  信息流广告投放  广告投放平台