运营人究竟要学怎么学数据，要以终为始 → 行业 × 职能方向，从而找到一个细分，去做深入精进，并且能够赋能业务增长。

今天的主题是是数据分析。

首先我们来重新理解一下数据分析这件事。在对数据分析下定义之前，我们先通过一个有趣的问题来看一看数据分析师是如何思考的：孩子到底是像妈妈还是像爸爸？

大家也可以思考一下，你是更像妈妈还是更像爸爸？你是怎么去判断这件事的？

有一些器官能帮助我们做这个感性的判断，例如眼睛像就会觉得像，鼻子像也会，但是没有人会用耳朵来判断。所以在这里，我们数据思维解决问题，首先就是要找对指标。

假设现在科学界认为眼睛和鼻子这两个器官能判断两个人的相似程度，补充一些数据的经验：比方眼睛一般的长度会是在 27 到 30 毫米。鼻子，它的长度大概是 6 到 7. 5 厘米。

OK，现在大家能够看出来孩子更像爸爸还是妈妈吗？单看眼睛，像妈妈；单看鼻子，像爸爸。

如果在感性的世界里，没有办法判断，此时需要换个思路，把这些都放到数字世界，转成计算公式来判断。

现在我们把这三个人的眼睛和鼻子的数据都投射到x、 y 轴里面，我们就会发现孩子在中间，孩子在中间。

在数字世界里，两个数据点的相似程度，其实是可以用距离来表达的。我们认为在坐标系上面两个点离得越近，代表着它这两个点各个维度的数据都接近。所以现在我们可以把感性世界中两个东西是否相似这个问题，转成了我们现在在数字世界里求两个点的距离。

具体要怎么做，很简单。我们在初中都有学过一个叫做勾股定理的公式。在坐标系里面，我们求两个点的距离就是用勾股定理。把数据带入公式之后，我们就可以求解到孩子跟妈妈跟爸爸的距离，这样我们就会发现孩子离妈妈的距离更近，因为他是根号 26，会比根号 29 要小。这就是数据分析里面的量化思维。

这个案例是几乎所有数据分析的基础逻辑。数据分析是非常善于把物理世界中的对象映射到数据世界中。在数据世界里，万物皆可计算，所以有很多在物理世界中没有办法解决的问题，我们都可以通过这种方式放到数字世界中去解决。而这一个就是我们经常说要培养的数据思维。

OK，聊完这个案例，我相信大家对数据分析到底是干什么的有一个感性的认识。现在我就可以结合我们实际工作里面的业务去对它去下定义。

数据分析实际上是用数据进行逻辑分析的过程，它的它的本质是逻辑分析，只是它是借助了数据工具。因此，数据分析它应该被拆开两部分来理解，一部分是数据能力，而另一部分是逻辑分析。而且从重要性的程度上，逻辑分析会比数据要更加重要。

对于我们运营同学来说，我们数据能力的要求就是取数、看数和图表。

首先我们来看一看取数这件事，正所谓巧妇难为无米之炊。我们想要分析数据，首先得能拿到数据。目前大部分运营同学我们取数可能是从系统里面去下载订单，或者是找 IT 去导数据，但这样效率很低，尤其是数据量大或者是业务场景很复杂的时候， IT 导给你的数据并不一定是对的，而且它导错数据给你，你很难发现。

我经常会看到这样的一个case，我之前有一个产品经理的朋友就会有提到，他向 IT 去需求，提完需求给到数据，他用完算完，最后可能很长一段时间之后才发现那个数是错的，但是当时大家都不知道。我判断这个原因很可能就是产品经理，他本身就不懂怎么去数据库里面取数据。我们运营同学，尤其是那些想要进阶或者是到大厂的，我们都需要具备取数的能力。更加直接点来说就是操作数据库的能力，也就是SQL。

第二，我们拿到数据之后，就会需要会看数，具体包括比方指标的含义，比方数据指标体系的逻辑。跟刚刚同学有讲到，知道每一个关键的数据代表什么意思，代表什么意义，对业务有什么变化趋势。我们一定要能够读懂数据，我们一定要对指标特别敏感，甚至要去抠每一个指标背后的定义。

我拿到业务需求的时候，比方上个月，我们某个项目组找我说要去看复购率，看每个月的一些复购率变化。但是复购率这件事，指标本身它的定义就很复杂，可能有很多不同的周期，或者是不同的人群定义。我跟他聊了一大段时间之后，我才发现，他要的其实根本就不是复购率，而是重购占比。当运营搞不懂这两个指标的区别的时候，整个沟通效率就会很低，他也没有办法跟领导去交代他要怎么去定这项指标。

所以我建议每一个运营的同学都要有一个数据指标定义表，一定要自己去维护。尽量不要从网上去下载，因为网上下载的那些内容，很多时候它不是你公司的场景，在你公司可能并用不太上。

第三个能力就是做图表的能力。图表我们就可以拆开两个部分来理解。一部分是图，可视化的图形。第二部分表的问题，大家一定要知道怎么去做表。有一个名词叫做中国式报表，它的维度非常多，它既要看时间，又要看各个维度。虽然我也不喜欢这种表，但这一定是领导会喜欢看的东西。

OK，我们讲完了数据的能力之后，我们来讲解一下逻辑分析部分的内容。最常见的数据分析逻辑，其实是在做三件事：对比、拆解和归因。

记住，数据分析想要得出结论，就要不断地去做对比。比方，是不是得有一群比较矮的人来衬托，才显得你比较高？所以我们想要去做对比，一定要有一个对比的参照物。

做完对比之后，要去做拆解。分析这一个词，其实就是分而析之。数据分析的本质就是不断地去做下钻。

怎么从整体拆解出重要的一部分？基础就是对比。所以大家可以看到这 3 个逻辑分析的过程并不是孤立的，是一层一层往前推进。

我们做完前面两个部分的工作之后，有一个更难更大的课题就是做归因。不仅是运营同学，我们数据分析师想要去归因其实挺难的。比方一个很经典的问题：销售额下降了，是什么原因？相信每个同学都会遇到这个问题，怎么去解？最常见的方式是做指标的拆解，比如把销售额拆解成客单价和销售数量，客单价和客户数。

拆完之后再看每一个指标的同比，看哪一个同比的幅度下降得最大。我们就认为是这一个指标导致我们整体下降的概率会更高。而这个案例，我们也知道做归因，它也是离不开拆解和对比的。

OK，前面我们讲了数据分析这一个概念，以及它需要掌握的一些能力。之后，我们就来讨论数据分析它到底是如何驱动业务增长的。

这件事就要从数据驱动的反义词：直觉驱动来说起。在没有用数据进行业务决策的时候，我们更多用常识做判断。比如我听到打雷就认为是下雨，我就要去带伞，但是天气预报它就可以收集更多的数据来判断天气，它就是干打雷不下雨可以不用带伞。这就是直觉驱动和数据驱动的区别。

当然，不是所有的场景我们都适合去做数据分析，它能够起作用的一个前提是我们有大量的数据做基础。所以有很多公司，尤其是创业公司，压根就没有数据，就谈不上分析。而这一个阶段我们凭着经验去驱动我们做业务会更加重要。所以数据分析很多时候会在一个企业的，可能是成熟期的中后部分，或整个运营的中后部分，我们要去做精细化运营的时候，才能够派得上用场。

数据分析的价值我认为也是可以分成三个部分，一个是金矿里挖金，一个是魔法数字，一个是 OKR拆解。

金矿里挖金是什么意思？根据二八法则，业务里面最有价值的有可能就是 20% 的客户，或者是 20% 的产品，剩下的 80% 都是长尾的，需要结合长尾理论去做决策。

我这一部分的标题本来是沙里淘金，在沙漠里去找金子，但是我的老板其实已经不满足在沙里淘金了。老板最常跟我说的一句话就是要在金矿里挖金，也就是要在先找到我们业务最有价值一部分人群。

第一步当然是怎么去找最有价值的那一小撮抓手的线索。如我们常用的 RFM 模型，它就是帮助我们找到重要的价值用户，我们给予激励，促进它们高效率的转化。比如波士顿矩阵，它就可以帮助我们去找到金牛和明星产品，这样我们公司就可以加大投入，提高市场的占有率。比方广告渠道归因模型，可以告诉业务到底哪一个渠道效率最高，就可以持续去做投放，提高ROI。

第二个就是魔法数字，其实是《增长黑客》领域里面提到的一些概念。它的一个作用，简单来说，帮助业务去定目标，定一些抓手。

在实际工作里面，有些事情我做到 60 分就可以了，有些事情我要做到 100 分，甚至是要击穿阈值。而魔法数字可以帮助解决做到什么样程度的问题，也是帮助运营工作去定义标准，定义中间的一个阈值。

比方我们通过聚类分析就可以去找到不同产品或者是不同人群的分界线，这也是我们去做用户分层中间最重要的那一部分标准。比如建立会员体系，要划分会员等级，什么样的会员是钻石会员，什么样的会员是黄金会员，中间有一个依据，这也是我们去分析可以做的事情。

还有比方用户触达策略，我到底要给用户触达 3 次还是 5 次？好比方我们现在有一些做培训的朋友，在做服务号的时候，有一些 benchmark：关注我们服务号， 48 小时内去触达用户，效率是最高的。我要在 48 小时之内触达多少次效果最好？这个 n ，我们就可以通过数据分析的方式来找到这魔法数字。

每次到年底的时候，数据分析师其实会非常忙，因为每一个业务部门的老大，除了去跟老板去聊目标之外，就是去找数据部门的同事，不断地去拿指标，去测去算数据。我们经常会看到业务经理跟老板跟集团去沟通了几个月，都没有定下这个目标。毕竟这个目标如果你定高了，团队完不成，定低了，领导不愿意。所以我们定一个合理的目标，它本身就是价值，这本身就离不开去分析。

最重要的就是我们定好目标之后，我们还需要去拆解到 KPI 抓手，我们才能够有更加落地的方案出来。

一些大的目标其实是很难的，制定其实是很复杂的，需要有很强的逻辑性。此时，可以从市场分析着手，去对一些竞品去做数据的拆解，去预测整体市场的发展规模，整个品牌发展的空间，这就是我们数据分析可以做到的事情，可以去做一个定调。

定了大目标之后，当然还要结合老板的拍板目标，做一些逻辑树的分析方法，去把大的目标根据现状拆解剖析，根据以往经验找到可以改进的且最有价值的问题点，进而形成新一年能够做的落地动作。这就是数据分析在拆一些 OKR 过程中能够起到的一些作用。

接下来，我们讲一讲运营人学习数据分析的正确打开方式。前面我们讲数据分析的概念是拆开数据和分析的部分，所以在学习的过程中也是按照两部分来学习。

一部分是工具技术，它是帮助我们提升数据能力；另一部分是思维方法，它是帮助我们提升分逻辑分析能力的。

对于我们运营同学来说，不需要Python、BI，分析中的统计概率和机器学习都不需要学得很深。当然大家如果有时间有意愿能够去学习，能够把 Python 学下来是性价比非常高的。

Excel 怎么学？

以下我们可以这 5 点是我认为大家要掌握的：

1. 常用的函数
2. 更加进阶这些函数的组合和嵌套
3. 去做一些可视化图表
4. 更加进一步，把透视表跟切片器连接起来
5. 能够去做一个动态的报表

如果这 5 点大家都能学完，我就认为 Excel 是没问题的。在这里我也有给到一个链接，里面函数都是开箱即用的。如果想要自学的同学，也可以B站搜索王佩丰的视频，口碑不错。

如果在 Excel 想要进阶， 我是比较建议学习 power query。它跟 Excel 区别在于：power query 可以做大数据的处理，而且还是可以通过点选的方式。我们把它做数据清洗的 13 个方法解决掉，就可以去操作一些百万级别以上的数据。

大家如果想要进阶，就可以学习一下 SQL。前面有讲过，它其实就是操作数据库。我相信松月在之前跟大家做数据分析相关的分享，都会反复强调 SQL 的重要性。这里我也不再强调了。

分享一些白嫖学习路线。一个 Mosh SQL，他讲的东西很清楚，如果英文当然有中文字幕，如果英文同学不是很好，就可以上搜一搜尚硅谷的内容。还有两本书，日本工程师写的非常经典的教材 SQL。

SQL 到底要学到什么程度？在这里我有一个基础串讲，大家如果学完 SQL 之后可以来看一看。如果选择自学的同学，也可以参考这里的一周学习安排来制定学习计划。

分析方法前面有讲过，再复杂的模型，其实也就是这些分析方法的变形。我这里列了 13 个，我认为已经是很足够了。每个分析方法，它对应到能够解决一些问题，比如关联分析，它解决的就是一个比方打包销售的问题。我们运营可能会把某些产品合并起来打包，或者是把某些功能合并起来销售效果会更好。

漏斗分析有很多变形，比方天猫作为人群的 AIPL，京东的 4A，甚至是增长黑客里面的 AARRR 海盗模型，它其实本质也是漏斗分析，仅此而已。所以这一些分析大家都可以去搜一搜，学习一下。

商业模型跟数据跟分析方法相比，它是沉淀了某一个领域的经验。比如刚刚我们说的AIPL 为什么不能叫漏斗分析？因为 AIPL 它是集成了电商运营人群运营经验的一个模型。是阿里认为这个模型能够帮助每一个电商的商家去解决用户资产分析的问题，所以他才用模型来做分析。

这也就给我们的启示就是学习商业模型需要结合到我们自己的行业，自己的职能，比方电商，比方游戏，比方是职能用户方向，每一个特定的领域其实都有它特定的一些商业模型，大家去学习一部分就可以了。

怎么找？在这里我有提供一个链接，有把 43 个这些模型都列出来，大家可以可能可以过一过，不需要每个都搞懂。哪一些你感兴趣的，哪一些是在工作中你可能有用的，摘出 3 个、 5 个、 10 个，有兴趣的再去深入研究就可以了。

OK，这就是今天我们讲我们分享的数据分析的内容。

作者 | 饼干，三节课&知乎签约讲师，在职数据分析主管，负责围绕用户价值提升的数据分析项目在业务的落地。