运营本身就是一个不断捕捉数据异常并进行拆分继而寻找异常根本问题的过程，而异常思维和拆分思维是我们在每日运营过程中都需要用到的思维模式，更加具体和落地。作者结合实际例子对该运营思维进行了分解，希望对你有所启发。

　　近期开始一系列分享——《20个运营思维》系列，这个系列基本上是我个人做运营以来的精华提炼，里面涉及到的思维大多数都是我自己边摸索边总结的。如果读者能从中GET到一些，那倍感荣幸，如果有不同意见，也欢迎指出，切磋探讨。

　　进入正题。今天是20个运营思维第二篇。

　　这一篇主要分享异常和拆分思维。上一篇内容讲了增长模型思维，增长模型其实本质也是拆分思维的一种，但会更偏向于模型及模型带来的预测的能力，而异常思维和拆分思维则是我们在运营过程中每天都需要用到的思维模式，更具体和落地。

　　运营是一个不断捕捉数据异常并通过拆分去寻找异常背后本质的过程。

　　试想你是一个业务的运营，当你发现今天的交易用户数下降或上升，那么你会怎么做。这个场景几乎每个运营每天都会遇到，这个下降或者上升，本身就是一种异常，你发现了它，假如找到这个异常背后的原因，就可以已利用这个原因：比如如果是找到了异常增长背后的原因，就可以想办法去复制它，让这个增长常态化；反之，如果是找到了异常下降背后的原因，也可以想办法去修补它或者去避免它。在对异常的复制和修补的过程中，诞生了一步步的运营策略。运营是不断的发现异常，利用异常的过程。

　　其实有的时候运营真的挺简单的。很多时候，运营不需要制定策略，运营需要的就是观察，观察和发现那些好的异常，然后去放大它，放大的过程就是策略。高手总是在民间。

　　假如说你面向一个100人的城市线下地推团队，你需要为这些人提供中台服务，去调动他们的热情，帮助你共同完成销售指标，你需要怎么制定运营策略。

　　从没做过线下销售的你一开始可能会有点迷茫，但学会了这一招，你会感到非常轻松：你先明确一个KPI，让他们自由发展，在这个过程中，你会发现，总有一些销售，做得比其他人都要好，在60%的销售都不及格的情况下，总有10%的销售每次都是120%的达成。

　　这时候你需要做的就是去采访这10%的销售，是如何做到的，从中你很可能听到很不一样的思路，从这些思路中就可以抽象出你的运营策略，你可以让剩下的60%去学习这10%的做法，组织整体的效能自然就提升了。

　　在一个非平均的系统里，总有那么一些状况是异常的，找到那些好的异常，并且去复制它，自然而然就会让势头向好的方向发展。

　　高手在民间这个理论同时可以应用于线上运营。我记得我曾经运营一个信用卡代偿产品，一开始那个月我什么都没做，就观察，一个月，即便是没有任何运营干预的状况，你也会发现，数据会有异常，而且会有些好的异常，无心插柳柳成荫，总是有一些我们无意间的看似不相关的动作（如产品的某个更新）带来数据的增长，而这些异常的背后，就是我们找到突破口的方法。

　　以上讲了通过观察，发现异常，利用异常制定策略，接下来讲如何利用拆分思维寻找异常背后的原因。

　　拆分至少有以下几种方式：

　　（1）按用户渠道拆分

　　当你在负责一个app新用户运营的时候，发现新户整体的转化率产生很大的波动，这时候拆分渠道是一个很好的方式。新用户的数据会随着渠道的不同而展示出极大的差异性，自然流量的用户和邀请好友的用户质量会有明显区别，不同渠道的转化率、留存率等数据也大有不同，需要差异化去对待。

　　新户整体的转化率降低，很可能是劣质渠道的用户占比提升导致，一般新用户的运营需要区分渠道，看每个渠道的数据变化。

　　（2）按照用户属性拆分

　　用户属性指性别、年龄、区域等等，对于某些业务而言，用户属性的区别也相当明显，如男性和女性在电商平台的购物动线有着明显差异，学生和白领对于金融类产品也会表现出不同的客单价特征；

　　对于某些业务来说，城市也是一个可考虑的因素项，比如喜茶，交易人数下跌，按照城市去拆，是各个城市普遍下跌，还是个别城市的下跌，这里受到疫情、天气等等的因素原因会较大。

　　（3）按照场景入口去拆分

　　比如支付人数的下跌，是线上支付场景的下跌，还是线下支付场景；是具体哪个合作方的下跌，还是说所有的合作方一起跌；是具体哪款支付产品在下跌等等。

　　（4）按照用户分层去拆分

　　如看一个app的DAU，可以把app用户区分为新户池、活跃用户池、沉默用户池、预流失用户池、流失用户池，每天的DAU里必然由以上五类用户池的用户构成，DAU涨了、跌了，是哪个池在产生明显变化，拆开看就很明了，如下图所示。

　　拆分的方法有很多，其实也很好理解，但拆分有个基本的要求，就是要符合业务认知，不是为了拆而拆，比如说一个充话费业务，你非要区分性别去拆分，可能就是徒劳的，因为男性和女性在充话费这个事情上，并不会表现出很大的不同。

　　除了以上这些拆分方法外，还有一种非常好用但又容易被忽略的拆分法，对时间拆分。

　　假如你看到的每日交易的曲线是以上这样的，明显在9.1日的时候，产生了一个峰值。这时候怎么去判断峰值是怎么带来的呢，有种非常简单的方法就是将9.1日数据再按小时拆，看当天的曲线变化，与前一天做对比。如下图所示。

　　拆到小时后，就可以清晰的看到，在9.1日19：00的时候产生了一个极高的峰值，并且在这个之后，整体的量级都提升了一个台阶。我们的关注重点就可以转移到这个峰值是如何产生，很可能当时是推了push、短信等等。

　　当然也有一种情况会出现，也就是类似上图，一整天，没有明显的峰值，但实时曲线一直是在前一天之上。这种会有两种情况，一种是资源位影响（比如弹窗0点生效）或者刚好当日是一个促销日；如果排除了这个影响，那就往前一天追溯，没有无缘无故的峰值产生，一定是在前一天晚些时候有一个峰值，持续带动了第二天的交易。

　　对时间拆分如此好用，也是我为啥做任何业务都要先做一个前后两日的实时交易曲线对比，实时曲线收获的信息量要远远超过看日维度的曲线变化。

　　异常思维和拆分思维，本身不难，难的是善于观察，发现异常，难的是发现异常后，不偷懒，拆解，直到找到异常背后最本质的那个原因。能把运营做到什么程度，就看你愿意观察和拆解到什么程度了。

　　好了，关于异常和拆分思维的分享就到这里吧，欢迎给我留言讨论。

　　本文由 @酥酥说 原创发布于人人都是产品经理，未经作者许可，禁止转载

　　题图来自Unsplash，基于CC0协议

　　该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。