什么是数据运营分析如何快速搭建数据运营分析体系？

针对如何快速搭建数据分析体系这个问题，本文给出了四个搭建原则：明确要统计分析的业务功能、拆分衡量指标/提出分析假设、寻找对比数据、明确数据获取渠道。
产品设计和优化基于数据而高于数据。数据是反映产品效果的一种有力辅助手段，因此，在设计产品、迭代功能前，最好都提前规划好本次“更新换代”的数据统计分析体系，并在上线后不断观察，根据数据反馈指导进一步的产品优化。然而，面对繁杂的数据指标和功能流程，该如何快速而清晰搭建起合适的数据衡量体系，是一个很重要的问题。

文章插图
无论是搭建一套完整的体系，还是单纯用于衡量某个功能/优化的上线效果，一般而言，可以从下面四个步骤进行：

明确要统计分析的业务功能
拆分衡量指标/提出分析假设
寻找对比数据
明确数据获取渠道

1. 明确要统计分析的业务功能
数据是产品效果的表达方式，在搭建数据体系前，必须先明确业务类型、明确验证目标：
A. 业务区分上，不同的行业领域，其关注点是有很大差异的：
（1）互联网金融领域，看重的是保有量非0的用户数、用户的资金保有量、申购量、用户财富指数等；
（2）电商行业，看重的是产生购买行为的用户数、用户购买金额、购买频次、复购周期等；
（3）社交类产品，看重的是用户活跃程度，如日活跃时长、社区活跃度（评论、发帖）等。
B. 场景区分上，是功能优化迭代验证效果？是差异化竞争的对比分析？是基于用户场景的拉新、留存、促活？还是流失场景的挽留？
产品数据体系，一般而言可以分为数据统计、数据分析两大类。
（1）数据统计更多与产品功能效果挂钩，用于衡量某一个产品指标，如用户数量、DAU、MAU、用户购买金额等。
（2）数据分析则更多用于产品路径流程剖析、问题发现、迭代指导、运营效果反馈等场景。
不同的业务、不同的目标，决定了我们要选取什么数据指标来衡量。
2. 拆分衡量指标/提出分析假设
明确了业务场景、统计/分析目标，下一步则是继续拆分合适的衡量指标；对于数据分析需求来说，还需要在此之前提出分析的假设。以下举例说明：
A. 分析某个产品功能的转化率
转化率一般可分为注册转化率、申购转化率、场景用户转化率、入口转化率等，亦即“用户对某款产品路转粉”的过程。
进一步拆分，转化率链路上的关键数据，分别有：曝光UV→点击UV→转化用户数，对应的则是“用户看到→用户感兴趣并尝试→用户被转化”的行为。
将转化率放到场景中做分析，目标一般有两种：
（1）看某个产品/运营流程的转化效果，统计新用户从接触到最终被成功转化的转化率，多用漏斗模型来表现转化率数据；
（2）对于多渠道多入口触达的产品，或产品功能正在进行A/B test，需通过比较多渠道多入口的转化率，对比每一个路径的效果。
B. 通过用户活跃度分析指导产品优化方向
活跃度指标可分为用户登录/访问频次、场景设置频次、申购/购买频次、互动频次等，主要是看用户在产品上的留存和活跃程度，比如用户近30天内登录过10次，用户近90天内发生了30次申购行为。
有些产品/功能上线后，用户抱着尝鲜的态度被转化，使用为数不多的几次后即流失，即可明确下一阶段工作重点是提升用户的留存率。相反，有的产品用户留存率很高，但深究发现用户大部分处于不活跃状态，即可明确下一阶段的工作重点是用户促活。